Students completing the course will be able to model basic biological processes at the single-cell level, interactions of cells group, organs and the whole organism. For the modeling of biological processes in space and time they will be able to process 1D, 2D and 3D signals. To test the response of the organism to external stimuli they will be able to prepare experiments on the Vernier equipment (for sensing temperature, pressure, ECG, ventilation parameters and muscle activity) and Walter (to capture visual and cognitive evoked potentials and EEG).

Studenti budou po absolvování předmětu umět modelovat základní biologické procesy na úrovni jednotlivých buněk, interakcí supin buněk, orgánů a celého organismu. K modelování biologických procesů v prostoru a čase budou schopní zpracovávat 1D, 2D a 3D signály. K testování odezvy organismu na vnější podněty budou schopni připravovat samostatně experimenty na zařízení Vernier (ke snímání teploty, tlaku, EKG, ventilačních parametrů a svalové aktivity) a Walter (ke snímání zrakových a kognitivních evokovaných potenciálů a EEG).

R: Reddy D.C.: Biomedical Signal Processing � Principles and Techniques, McGraw Hill, 2005,ISBN: 0070583889

A: Weitkunat R.: Digital Biosignal Processing, Elsevier, 1991, ISBN-10: 0444891447, ISBN-13: 978-0444891440

Z: Drongelen W., Signal Processing for Neuroscientists: An Introduction to the Analysis of Physiological Signals, Elsevier, 2007, ISBN-10: 0123708672

ISBN-13: 978-0123708670

A: Izhikevich E. M., Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting (Computational Neuroscience), The MIT Press, 2007, ISBN 0262090430, 9780262090438

Z: Reddy D.C.: Biomedical Signal Processing � Principles and Techniques, McGraw Hill, 2005,ISBN: 0070583889

D: Weitkunat R.: Digital Biosignal Processing, Elsevier, 1991, ISBN-10: 0444891447, ISBN-13: 978-0444891440

Z: Drongelen W., Signal Processing for Neuroscientists: An Introduction to the Analysis of Physiological Signals, Elsevier, 2007, ISBN-10: 0123708672

ISBN-13: 978-0123708670

D: Izhikevich E. M., Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting (Computational Neuroscience), The MIT Press, 2007, ISBN 0262090430, 9780262090438

1. Overview of methods for modeling biological signals, modeling of biological systems control, homeostasis

Exercise: Modeling regulation of skin temperature in different parts of the body (experiment No. 02 Vernier Labquest), methods of time series prediction

2. Displaying signals in time and frequency domain, phase portrait, Poincaré sections, recurrent views, types of signals - deterministic, stochastic, fractal and chaos, the calculation of basic signal characteristics, methods of noise removing

Exercise: Modeling responses to respiratory breath arrest, rapid breathing and exercise (experiment No. 20 Vernier Labquest)

3. Chaos and dynamic analysis of biological signals. One-dimensional maps and flows, two-dimensional equilibrium, dissipative chaotic flow, Lyapunov exponents, Kaplan-York's dimension, reconstruction state space

Exercise: Calculation of local Lyapunov exponents, Lyapunov numbers and global Lyapunov exponent for the logistic and sine map, estimation of Lyapunov exponents from experimental data

4. Formats of the biomedical data, "Universal Data Format for biosignals" (GDF, EDF), DICOM, proprietary formats, the biological signal and "Data mining" methods, object and relational databases

Exercise: Convert EEG signals in EDF format into a matrix in MATLAB, create object-relational database in Access

5. Analytical and piecewise linear model ECG parameter estimation of normal and pathologic ECG. Compression and transmission of ECG

Exercise: Capturing and analyzing ECG (experiment No. 12 Vernier Labquest), PL calculation model from the measured data using the Haar discrete wavelet transform, the calculation of the RMSE of the model display in the phase space and recurrent display of measured data

6. Modeling the electrical activity of neurons. Modeling alpha attenuation reaction and the rebound phenomenon, modeling rhythm following during photic stimulation through a network of chaotic neural oscillators. Modeling self-organization of coupled chaotic neural maps, modeling changes in EEG in dementia

Exercise: Recording EEG signal on Walter device, rebound phenomenon, photic stimulation. Estimation based on the ratio of signal energy characteristic frequency of alpha activity and frequency photostimulation.

7. Modeling synchronization in EEG, estimates of global synchronization, anticipated synchronization and synchronization delay, phase synchronization. Discrete Hilbert transform estimate instantaneous phase estimate of the characteristic frequency.

Exercise: Calculation of coherence, wavelet coherence, correlation of wavelet coefficients of wavelet coefficients of mutual information and global synchronization of occipital EEG leads with open and closed eyes

8. Detection, separation, localization, classification and modeling of evoked potentials and summation of muscle action potentials. Prony's method

Exercise: Comparison of PCA, ICA, wavelet transform and modeling Prony's method for estimating of the development habituation, amplitude and latency of visual evoked potentials

9. Encoding information in visual and auditory analyzer, modeling communication in biomedical objects, Granger causality, spectral Granger causality, directional partial coherence , directional transfer function and corticomuscular coherence

Exercise: Comparison of estimated synchronization delay, partial directional coherence and directional transfer function between EEG channels

10. Biostatistics, the most common errors in hypothesis testing in biomedical studies, statistical parametric mapping and Bonferroni correction methods used in epidemiological studies, hypothesis testing of the type "person at a time", Kaplan-Meier estimator, Weibull model, nonlinear statistics,

Exercise: Testing the signal variance differences between EEG channels 19 and 19 segments in one channel, relationship to stationarity and correlation of signals, SPM with functional magnetic resonance

11. Analysis of texture in ultrasound diagnostics, segmentation, registration, visualization and simulation, Procrust registration method, cookurence histogram, Haralick's textural features

Exercise: Textural segmentation of ultrasound images of various parts of the body

12. Three-dimensional segmentation, classification and modeling of two-dimensional images of magnetic resonance imaging

Tutorial: 3-D view of the skeleton from spine MR images, 3-D view of the extent of ischemic zone - images of the brain computed tomography

13. Feature selection, biomedical data classification methods, decision making and expert systems in medicine

Exercise: Automatic detection of lung tumors from lung computed tomography images

14. Advanced modeling in biology and physiology, the advantages and disadvantages Simulink, Modelica language, simulator QCP, QHP / Hummod, Golem.

Exercise: Testing training simulators - ECGsim to simulate pathology, ECG heartsim to simulate the pressure profile in the heart, NEURON simulation of biological neurons and biological neural networks, AIDA for simulating the response of the organism diabetic insulin administration

1. Přehled metod modelování biologických signálů, modelování řízení biologických systémů, homeostáza

Cvičení: Modelování regulace kožní teploty na různých místech těla (experiment č. 02 Vernier Labquest), metody predikce časových řad

2. Zobrazování signálů v časové a frekvenční oblasti, fázový portrét, Poincarého řezy, rekurentní zobrazení, typy signálů - deterministické, stochastické, fraktální a chaotické, výpočet základních charakteristik signálů, metody odstraňování rušivých složek

Cvičení: Modelování respirační odpovědi na zadržení dechu, rychlé dýchání a na cvičení (experiment č. 20 Vernier Labquest)

3. Chaos a dynamická analýza biologických signálů. Jednodimenzionální mapy a toky, dvoudimenzionální ekvilibria, chaotický dissipativní tok, Lyapunovovy exponenty, Kaplan-Yorkova dimenze, metody rekonstrukce stavového prostoru

Cvičení: Výpočet lokálního Lyapunovova exponentu, Lyapunovova čísla a globálního Lyapunovova exponentu pro logistickou a sinusovou mapu, výpočet náhradních dat zachovávajících rozdělení pravděpodobností, zachovávajících výkonová spektra, odhad Lyapunovova exponentu z experimentálních dat

4. Formáty biomedicínských dat: "Univerzální formát dat pro biosignály"(GDF, EDF), DICOM, proprietární formáty, databáze biologických signálů a "Data mining" metody, objektové a relační databáze

Cvičení: Převod EEG signálu v EDF formátu do matice v MatLabu, vytvoření objektové relační databáze v programu Access

5. Analytický a po částech lineární model EKG, odhad parametrů normálního a patologického EKG. Komprese a přenos EKG

Cvičení: Snímání a analýza EKG (experiment č. 12 Vernier Labquest), výpočet PL modelu z naměřených dat pomocí Haarovy diskrétní vlnkové transformace, výpočet RMSE modelu, zobrazení ve fázovém prostoru a rekurentní zobrazení naměřených dat

6. Modelování elektrické aktivity neuronu. Modelování reakce zástavy a rebound fenoménu, modelování sledování rytmu při fotostimulaci pomocí sítě chaotických neuronových oscilátorů. Modelování samoorganizace chaotických neuronových oscilátorů, modelování změn EEG při demenci

Cvičení: Snímání klidového EEG na přístroji Walter, reakce zástavy a rebound fenomén, fotostimulace. Odhad závislosti energie signálu na poměru charakteristické frekvence alfa aktivity a frekvence fotostimulace.

7. Modelování synchronizace v EEG, odhady globální synchronizace, anticipované synchronizace a synchronizace se zpožděním, fázové synchronizace. Diskrétní Hilbertova transformace, odhad okamžité fáze, odhad charakteristické frekvence.

Cvičení: Výpočet koherence, vlnkové koherence, korelace vlnkových koeficientů, vzájemné informace vlnkových koeficientů a globální synchronizace EEG z týlních svodů při otevřených a zavřených očích

8. Detekce, separace, lokalizace, klasifikace a modelování evokovaných potenciálů a sumačních akčních svalových potenciálů. Pronyho metoda

Cvičení: Srovnání PCA, ICA, vlnkové transformace a modelování Pronyho metodou při odhadu vývoje habituace amplitudy a latence zrakových evokovaných potenciálů

9. Kódování informace ve zrakovém a sluchovém analyzátoru, modelování komunikace v biomedicínských objektech, Grangerova kauzalita, spektrální Grangerova kauzalita, parciální směrová koherence, směrová přenosová funkce a kortikomuskulární koherence

Cvičení: Srovnání odhadů synchronizace se zpožděním, parciální směrové koherence a směrové přenosové funkce mezi EEG kanály

10. Biostatistika, nejčastější chyby při testování hypotéz v biomedicínských studiích, statistické parametrické mapování a Bonferroniho korekce, metody využívané při epidemiologických studiích, testování hypotéz typu osoba v čase, Kaplan-Meierův estimátor, Weibull model, nelineární statistika,

Cvičení: Testování rozdílů variance signálů mezi 19 EEG kanály a 19 úseků v jednom kanálu, vztah ke stacionaritě a korelovanosti signálů, SPM u funkční magnetické rezonance

11. Analýza textur v ultrazvukové diagnostice, segmentace, registrace, vizualizace a simulace, Procrustova metoda registrace, histogram kookurence, Haralickovy texturní příznaky

Cvičení: Texturální segmentace ultrazvukových snímků různých částí těla

12. Trojrozměrná segmentace, klasifikace a modelování tkání z dvojrozměrných obrazů magnetické rezonance

Cvičení: 3-D zobrazení skeletu páteře z MR snímků páteře, 3-D zobrazení rozsahu ischemického ložiska ze snímků počítačové tomografie mozku

13. Výběr příznaků biomedicínských dat, metody klasifikace, rozhodování a expertní systémy v medicíně

Cvičení: Automatická identifikace nádorů plic ze snímků počítačové tomografie plic

14. Pokročilé metody modelování v biologii a fyziologii, výhody a nevýhody Simulinku, jazyka Modelica, simulátor QCP, QHP/Hummod, Golem.

Cvičení: Testování výukových simulátorů - ECGsim pro simulaci patologie EKG, heartsim pro simulaci průběhu tlaků v srdci, NEURON pro simulaci biologických neuronů a biologických neuronových sítí, AIDA pro simulaci odpovědi organizmu diabetika na podání inzulínu

none

žádné