Lehrinhalte
1. Robuste Signalverarbeitung und Maschinelles Lernen
o Robustheitsmaße
o Robuste Schätzung des Mittelwertes und der Varianz
o Robuste Regressionsmodelle
o Robuste Filter
o Robuste Schätzung des Mittelwertsvektors und der Kovarianzmatrix
o Robuste Clusteranalyse und Klassifizierung
o Robuste Zeitreihen und Spektralanalyse
2. Biomedizinische Anwendungen
o Body-worn sensing von physiologischen Parametern
o Electrocardiogram (ECG)
o Photoplethysmogram (PPG)
o Augenforschung
o Intrakranieller Druck (ICP)
o Algorithmen für die Überwachung der Herzaktivität
Die Vorlesung behandelt sowohl die Grundlagen, als auch neuste Entwicklungen der robusten Signalverarbeitung. Im Gegensatz zur klassischen Signalverarbeitung, die stark auf der Normal-verteilung (Gaußverteilung) beruht, können robuste Methoden mit impulsivem Rauschen, Ausrei-ßern und Artefakten umgehen, die häufig in biomedizinischen Anwendungen auftreten. Die Vor-lesungen über robuste Signalverarbeitung und biomedizinische Anwendungen finden im Wechsel statt. Die Übungen wiederholen die Theorie und wenden robuste Signalverarbeitung auf Echtdaten an.
Literatur
Ein Vorlesungsskript bzw. Folien können via Moodle heruntergeladen werden. Vertiefende Literatur:
Zoubir, A. M. and Koivunen, V. and Ollila, E. and Muma, M.: Robust Statistics for Sig-nal Processing. Cambridge University Press, 2018.
Zoubir, A. M. and Koivunen, V. and Chackchoukh J, and Muma, M. Robust Estimation in Signal Processing: A Tutorial-Style Treatment of Fundamental Concepts. IEEE Signal Proc. Mag. Vol. 29, No. 4, 2012, pp. 61-80.
Huber, P. J. and Ronchetti, E. M.: Robust Statistics. Wiley Series in Probability and Sta-tistics, 2009.
Maronna, R. A. and Martin, R. D. and Yohai, V. J.: Robust Statistics: Theory and Me-thods. Wiley Series in Probability and Statistics, 2006.
Voraussetzungen
Grundlegende Kenntnisse der Statistischen Signalverarbeitung
Online-Angebote
Moodle
1. Robuste Signalverarbeitung und Maschinelles Lernen
o Robustheitsmaße
o Robuste Schätzung des Mittelwertes und der Varianz
o Robuste Regressionsmodelle
o Robuste Filter
o Robuste Schätzung des Mittelwertsvektors und der Kovarianzmatrix
o Robuste Clusteranalyse und Klassifizierung
o Robuste Zeitreihen und Spektralanalyse
2. Biomedizinische Anwendungen
o Body-worn sensing von physiologischen Parametern
o Electrocardiogram (ECG)
o Photoplethysmogram (PPG)
o Augenforschung
o Intrakranieller Druck (ICP)
o Algorithmen für die Überwachung der Herzaktivität
Die Vorlesung behandelt sowohl die Grundlagen, als auch neuste Entwicklungen der robusten Signalverarbeitung. Im Gegensatz zur klassischen Signalverarbeitung, die stark auf der Normal-verteilung (Gaußverteilung) beruht, können robuste Methoden mit impulsivem Rauschen, Ausrei-ßern und Artefakten umgehen, die häufig in biomedizinischen Anwendungen auftreten. Die Vor-lesungen über robuste Signalverarbeitung und biomedizinische Anwendungen finden im Wechsel statt. Die Übungen wiederholen die Theorie und wenden robuste Signalverarbeitung auf Echtdaten an.
Literatur
Ein Vorlesungsskript bzw. Folien können via Moodle heruntergeladen werden. Vertiefende Literatur:
Zoubir, A. M. and Koivunen, V. and Ollila, E. and Muma, M.: Robust Statistics for Sig-nal Processing. Cambridge University Press, 2018.
Zoubir, A. M. and Koivunen, V. and Chackchoukh J, and Muma, M. Robust Estimation in Signal Processing: A Tutorial-Style Treatment of Fundamental Concepts. IEEE Signal Proc. Mag. Vol. 29, No. 4, 2012, pp. 61-80.
Huber, P. J. and Ronchetti, E. M.: Robust Statistics. Wiley Series in Probability and Sta-tistics, 2009.
Maronna, R. A. and Martin, R. D. and Yohai, V. J.: Robust Statistics: Theory and Me-thods. Wiley Series in Probability and Statistics, 2006.
Voraussetzungen
Grundlegende Kenntnisse der Statistischen Signalverarbeitung
Online-Angebote
Moodle
- Lehrende: Michael Muma
Semester: SoSe 2019