Guía docente de Procesamiento de la Señal de Altas Prestaciones en Biomedicina (M51/56/3/12)

• Técnicas de procesado de señal.
• Separación de señales (BSS) y análisis de componentes independientes (ICA).
• Técnicas de optimización, clasificación y diagnóstico de señales biomédicas.
• Selección de características en señales biomédicas.
• Casos prácticos de clasificación y diagnóstico: fMRI, EEG, ECG, EOG, etc.
• Aplicaciones de la computación de altas prestaciones en señales biomédicas.

Ninguno.

• (AP1) Conocer las técnicas de procesado de señal, clásicas y avanzadas.
• (AP2) Identificar problemas reales de separación de señales, tanto con señales de voz, biomédicas o de imágenes.
• (AP3) Distinguir las estrategias y algoritmos para la resolución de problemas de separación, basados en métodos geométricos o estadísticos, y técnicas de optimización.
• (AP4) Comprender e implementar algoritmos de procesamiento de señales e imágenes con especial hincapié en aplicaciones reales, con señales reales, para detección de enfermedades neurológicas tipo Alzheimer.
• (AP5) Identificar aplicaciones reales de técnicas de procesamiento de señal en biomedicina.
• (AP6) Obtener información válida para el diagnóstico médico en entornos de grandes volúmenes de datos.

1. Señales biomédicas: qué son, tipos, características, aplicaciones. Técnicas de procesado de señal.

2. Separación de señales (BSS) y análisis de componentes independientes (ICA).

3. Técnicas de procesamiento, clasificación y diagnóstico de señales cardiacas. Aplicación en señales ECG y PCG.

4. Modelos biofísicos de simulación de señales biomédicas.

5. Casos prácticos de clasificación y diagnóstico: EEG, MEG, fMRI.

6. Análisis de señales moleculares y celulares de single-cell y biopsia líquida.

Práctica 1: Tutorial de procesamiento de señal y análisis de componentes independientes.

1. Independencia estadística: teorema del límite central y no-gaussianidad.
2. Algoritmo FastICA.
3. Repositorios de datos de señales fisiológicas: Physionet.
4. Aplicaciones con señales de sonido y señales cardiacas.

Práctica 2: Procesamiento y clasificación de datos de EEG para la identificación de pacientes de Alzheimer.

1. Pre-procesamiento de la señal con MNE-Python
2. Extracción masiva de características (features) usando librerías específicas (catch22, tsfresh, etc.).
3. Clasificación basada en algoritmos de aprendizaje automático (machine learning) con la librería scikit-learn.

Práctica 3: Procesamiento de señales de expresión con single-cell en R.

1. Etapas de análisis de datos de secuenciación de RNA con single-cell.
2. Visualización y análisis de calidad.
3. Aprendizaje no supervisado (clusterización y clasificación) de datos de single-cell.

1. Cichocki, A., & Amari, S.-i. (2003). Adaptive blind signal and image processing : learning algorithms and applications (2003 ed.). West Sussex: John Wiley & Sons.
2. Gentleman, R. (2009). R programming for bioinformatics. Boca Ratón: CRC Press.
3. Hyvärinen, A., Karhunen, J., & Oja, E. (2001). Independent component analysis. New York [etc.]: Wiley & Sons.
4. David Lahnemannet al. (2020). Eleven grand challenges in single-cell data science. Genome Biology, 21:31.

1. Hahne, F., Huber, W., Gentleman, R., Falcon, S., & SpringerLink (Online service). (2008). Bioconductor Case Studies Use R!
2. Oppenheim, A. V., & Schafer, R. W. (2011). Tratamiento de señales en tiempo discreto (3a ed.). Harlow, England: Prentice Hall.

• fastICA: FastICA Algorithms to Perform ICA and Projection Pursuit, https://cran.r-project.org/web/packages/fastICA/index.html
• EEGLAB: Matlab toolbox, https://sccn.ucsd.edu/eeglab/index.php.
• PhysioNet: PhysioNet- The  research  resourse  for  complex  physiologic  signals, http://www.physionet.org/
• Gene Expression Omnibus (GEO) database repository https://www.ncbi.nlm.nih.gov/geo/
• Monocle3: https://cole-trapnell-lab.github.io/monocle3/
• Seurat: https://satijalab.org/seurat/

El artículo 17 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se les haya reconocido el derecho a la evaluación única final.

La evaluación continua, en el caso de esta asignatura, se compone de los siguientes elementos:

• Evaluación de la Parte Teórica: revisión del estado del arte y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas.
• Evaluación de la Parte Práctica y Seminarios: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo) relacionados con el procesamiento de la señal de datos biomédicos. Se valorará la entrega del portafolio realizado por el estudiante en el que se detallen las tareas realizadas y se aporten evidencias (imágenes, ficheros fuente, salida de resultados, etc.) de los resultados obtenidos. Herramientas necesarias: entorno informático R y Matlab.

En la siguiente tabla se detalla el porcentaje sobre la calificación final de cada parte:

El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.

La evaluación en convocatoria extraordinaria, así como la evaluación de los estudiantes que hayan solicitado la evaluacion única final se estructura de forma análoga a la ordinaria, si bien se realizará en un único acto académico de entrega del material realizado.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases, lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación en tal caso consistirá en el mismo procedimiento que en la convocatoria extraordinaria descrito más arriba.