Fortschritte in der nicht-invasiven biomedizinischen Signalverarbeitung mit ML
| Verlag | Springer |
| Auflage | 2024 |
| Seiten | 411 |
| Format | 23,5 cm |
| ISBN-10 | 3031528557 |
| ISBN-13 | 9783031528552 |
| Bestell-Nr | 03152855A |
Dieses Buch präsentiert Fortschritte in der biomedizinischen Technologie. IoT und Machine Learning haben neue Ansätze im mobilen Gesundheitswesen ermöglicht, mit Fokus auf kontinuierlicher Überwachung kritischer Gesundheitssituationen. Intelligente Hybridisierung von IoT, drahtlosen Implantaten und Cloud-Computing wird derzeit von verschiedenen Einrichtungen entwickelt und getestet. Biomedizinische Signale und Bildmodalitäten werden nicht-invasiv erfasst und erfordern eine mehrkanalige Erfassung für wirksame Überwachung. Automatisierte Gesundheitssysteme basieren auf Signal- und Bildaufnahme, Vorverarbeitung, Merkmalsextraktion und Klassifikation. Das Buch beschreibt zeitgenössische Ansätze in der biomedizinischen Signalerfassung und -verarbeitung mit maschinellem und tiefem Lernen. Jedes Kapitel ist eigenständig und bietet eine umfassende Übersicht über Theorien, Algorithmen und Herausforderungen im Bereich moderner Gesundheitssysteme.
Inhaltsverzeichnis:
1. Einführung in nicht-invasive biomedizinische Signale für das Gesundheitswesen.- 2. Signalerfassung Vorverarbeitung und Feature-Extraktion Techniken für biomedizinische Signale.- 3. Die Rolle von EEG als Neuro-Marker für Patienten mit Depressionen: Ein systematischer Überblick.- 4. Brain-Computer Interface (BCI) basierend auf der EEG-Signal-Zerlegung Butterfly-Optimierung und maschinelles Lernen.- 5. Fortschritte bei der Analyse des Elektrokardiogramms im Rahmen des Massenscreenings: technologische Trends und Anwendung der Erkennung von Anomalien durch künstliche Intelligenz.- 6. Anwendung der Wavelet-Zerlegung und des maschinellen Lernens für die sEMG-Signal-basierte Gestenerkennung.- 7. Überblick über die Klassifizierung von EEG-Signalen mit Hilfe von maschinellem Lernen und Deep-Learning-Techniken.- 8. "Biomedizinische Signalverarbeitung und künstliche Intelligenz in EOG-Signalen".- 9. Segmentierung und Klassifizierung von Phonokardiogrammsignalen auf der Grundlage von Peak-S pektrogrammen und neuronalen Faltungsnetzwerken .- 10. Segmentierung von Ekzem-Hautläsionen mit Hilfe eines tiefen neuronalen Netzes (U-Netz) .- 11. Biomedizinische Signalverarbeitung für die automatische Erkennung von Schlaf-Arousals auf der Basis von Multi-Physiologischen Signalen mit Ensemble-Lernmethoden.- 12. Deep Learning Assisted Biofeedback.- 13. Schätzung von emotionalen Synchronisationsindizes für Hirnregionen mittels Elektroenzephalogrammsignalanalyse.- 14. Recognition Enhancement of Dementia Patients' Working Memory using Entropy-based Features and Local Tangent Space Alignment Algorithm.