Módulo/Materia
Módulo de Especialidad
Materia: Especialidad en Procesado y Comunicación de Señales e Imágenes Médicas
Subir
Descripción/Contenidos
- Análisis multivariante discriminante
- Clasificación Bayesiana
- Redes Neuronales
- Otras metodologías
Subir
Descriptores
- Implementación y evaluación de sistemas de clasificación automática
- Aplicación de sistemas de clasificación a señales biomédicas
Observaciones:
Los requisitos básicos para la asignatura son los conocimientos básicos de señales y sistemas (manipulación de señales y extracción de características) y los adquiridos en la asignatura previa de Bioestadística.
Subir
Competencias genéricas
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de
ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos
nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos
especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de
ser en gran medida autodirigido o autónomo.
Subir
Competencias específicas
- Que los estudiantes posean las habilidades para plantear y desarrollar un sistema de clasificación de señales biomédicas orientado al diagnóstico a partir de una base de datos de señales etiquetadas.
- Que los estudiantes sepan cuantificar y comparar el rendimiento de un clasificador de señales, validando estadísticamente los resultados.
Subir
Resultados aprendizaje
Al finalizar la asignatura, el alumno debe ser capaz de:
- Explotar una base de datos de señales biomédicas con fines orientados a la investigación.
- Identificar y componer los elementos un sistema de clasificación.
- Emplear técnicas multivariantes, Bayesianas, árboles de decisión y redes neuronales para la clasificación de señales.
- Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación.
- Escribir una memoria científica de los resultados de un proyecto de investigación.
- Presentar un trabajo científico de los resultados de un proyecto de investigación.
Subir
Metodología
Metodología - Actividad |
Horas Presenciales |
Horas no presenciales |
A-1 Clases expositivas/participativas |
20 |
|
A-2 Prácticas |
15 |
|
A-3 Debates, puestas en común, tutoría grupos |
5 |
|
A-4 Elaboración de trabajo |
|
27,5 |
A-5 Lecturas de material |
|
20 |
A-6 Estudio individual |
|
20 |
A-7 Exámenes, pruebas de evaluación |
5 |
|
A-8 Tutorías individuales |
|
|
|
|
|
Total |
45 |
67,5 |
Subir
Evaluación
Explotar una base de datos de señales biomédicas con fines orientados a la investigación |
Proyecto |
30 |
Si |
Identificar y componer los elementos un sistema de clasificación |
Proyecto |
Emplear técnicas multivariantes, Bayesianas, árboles de decisión, kNN, SVM y redes neuronales para la clasificación de señales |
Proyecto |
Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación |
Proyecto |
Identificar y componer los elementos un sistema de clasificación. Comprender los fundamentos de los árboles de decisión, kNN, SVM y redes neuronales para la clasificación de señales |
Examen tipo test |
10 |
Si |
Comprender los fundamentos de las técnicas multivariantes y Bayesianas para la clasificación de señales. Comprender los fundamentos de la evaluación estadística comparativa del rendimiento de los sistemas de clasificación |
Examen tipo test |
10 |
Si |
Evaluar estadísticamente y de forma comparativa el rendimiento de los sistemas de clasificación (R) |
Examen práctico |
10 |
Si |
Emplear árboles de decisión, redes neuronales, kNN y SVM para la clasificación de señales (Matlab) |
Examen práctico |
10 |
Si |
Escribir una memoria científica de los resultados de un proyecto de investigación |
Memoria |
15 |
Si |
Presentar un trabajo científico de los resultados de un proyecto de investigación |
Presentación |
15 |
Si |
Subir
Temario
1. Introducción
- Clasificación automática.
- Ciclo de diseño.
- Extracción de características.
- Entrenamiento y evaluación.
- Prácticas con Matlab: caracterización de las observaciones y su distribución en el espacio de características; ecualización de características; separabilidad de las clases; figuras de mérito de la clasificación.
2. Redes neuronales
- Redes neuronales lineales. Relación con discriminantes lineales.
- Redes neuronales no lineales.
- Redes neuronales multicapa.
- Algoritmo de retropropagación.
- Guías para el diseño de redes neuronales orientadas a la clasificación.
- Prácticas con Matlab: implementación de discriminantes lineales de distancia mínima; aprendizaje estocástico en redes neuronales lineales; uso del toolbox de Matlab para redes neuronales no lineales multicapa.
3. Árboles de decisión, kNN y SVM
- Árboles de decisión.
- k-Nearest Neighbors.
- Support Vector Machines.
- Aplicaciones en Matlab.
- Prácticas con Matlab: uso de la aplicación de entrenamiento de clasificadores de Matlab para el prototipado de árboles de decisión, clasificadores kNN y clasificadores SVM.
4. Análisis multivariante discriminante
- Introducción. Objetivos del análisis.
- Clasificación con 2 poblaciones. Caso de poblaciones normales.
- Generalización a la clasificación de varias poblaciones normales.
- Obtención de variables canónicas discriminantes.
- Discriminación cuadrática.
- Prácticas con R: Uso de R para resolver problemas de clasificación con datos médicos y biológicoa aplicando modelos de análisis discriminante lineal y cuadrático.
5. Clasificación Bayesiana
- Introducción al problema de clasificación desde el punto de vista de de la clasificación Bayesiana. Máxima verosimilitud, máximo a posteriori.
- Redes Bayesianas: conceptos básicos, aprendizaje estructural, aprendizaje paramétrico.
- Clasificadores basados en redes Bayesianas: naive Bayes, semi-naive Bayes, naive Bayes aumentado a árbol, otros clasificadores basado en redes Bayesianas.
- Prácticas con R: Uso de R para resolver problemas de clasificación con datos médicos y biológicoa aplicando clasificadores basados en redes Bayesianas como naive Bayes, TAN y redes Bayesianas generales aplicadas a clasificación.
6. Evaluación de modelos de clasificación
- Introducción a la evaluación de clasificadores.
- Scores para evaluar la bondad de clasificadores.
- Métodos de estimación.
- Prácticas con R: Aplicación de métodos de evaluación y comparación de clasificadores con los resultados obtenidos en las prácticas del puntos 4 y 5 del temario.
Subir
Bibliografía
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
- M. Hall, I. Witten and E. Frank (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann
- E. Castillo, J.M. Gutierrez and A. S. Hadi (1997). Expert Systems and Probabilistic Network Models. Springer.
- Richard O. Duda, Peter E. Hart, David G. Stork. (2001). Pattern classification. John Wiley & Sons
- D. M. Skapura (1996). Building Neural Networks. ACM Press.
Subir
Idiomas
La asignatura se desarrollará en castellano aunque parte de la documentación disponible sea en inglés.
Subir
Lugar de impartición
Laboratorio de Señales y Sistemas (Los Tejos, 2ª planta)
Subir