Dr. Hosszú Gábor, egyetemi docens, EET

Dr. Horváth Péter, egyetemi adjunktus, EET

Az előadások részletes tematikája:

1. Érzékelőkből és beavatkozókból álló okos rendszer ismertetése, amely mért adatokból döntéseket hoz és beavatkozást végez, pl. egyes szenzorok aktivizálása és a mérések gyakoriságának meghatározása. Érzékelők intelligenciájának jellemzői, hitelesítés, önkalibrálás, előfeldolgozás, zavarmentesítés, adaptivitás, rekonfigurálhatóság, mérési stratégia önálló meghatározása.
2. Hőmérséklet, elmozdulás, gyorsulás, érintés érzékelése. Integrált érzékelők, CMOS képérzékelő. Integrált érzékelő gyártástechnológiája, mikro-elektromechanikai rendszerek (Micro-Electro-Mechanical System, MEMS). Hálózattól független energiaellátás kérdései (akkumulátor, napelem stb.).
3. Mikromechanikai integrált érzékelők típusai, nyomás- és tapintó-érzékelők, kémiai és orvosbiológiai érzékelők (ISFET, ChemFET), hidak és konzolok segítségével kialakított érzékelők, mikro-fűtőlapokkal megvalósított eszközök.
4. Hálózatba kapcsolt intelligens szenzorok (azonosításhoz Radio-Frequency Identification címkék stb.), jellemzői (korlátos tápellátás, hálózatkialakítási képesség, gépi tanulási módszerek használata), célja (adatgyűjtés, adatelemzés, döntéshozás és adatmegosztás).
5. A felhő alapú számítás előnyei (nagy adatmennyiség korlátlan kapacitású távoli szerverre küldése) és hátrányai (időérzékeny adatoknál az átviteli idő nagy lehet a felhő és a hálózat szélén lévő intelligens szenzorok között). A felhő kiterjesztése a hálózat szélére: fog (Cisco) / edge (IBM) / cloudlet számítás, jellemzői (elosztott számítás, mobilitás, csomópontok nagy száma, heterogén vezetéknélküli hálózat).
6. Szenzor-architektúrák fejlődése, generációk: az egyszerű érzékelőtől a beágyazott processzort tartalmazó intelligens szenzorig; intelligens érzékelők alkalmazásokban. Eszközök kiegészítése feldolgozó képességekkel, időérzékeny adatok helyi feldolgozása és beavatkozók vezérlése.
7. Érzékelőkből származó adatok elemzése, kiugró értékek eltávolítása, források szelekciója, nagy adatmennyiségek kezelése, mintafelismerés, mért adatok osztályozása, klaszterezés, faktoranalízis, többdimenziós skálázás.
8. Klaszterezés különböző típusainak részletes ismertetése (hierarchikus vagy nem hierarchikus; kizáró, átfedő vagy fuzzy; teljes vagy részleges stb.). Klaszterek típusai (jól elkülönülő, középpont-alapú, szomszédság-alapú, sűrűség-alapú). Elterjedten használt klaszterezési eljárások (legközelebbi szomszéd, legtávolabbi szomszéd, UPGMA, WPGMA, Ward, K-közép, DBSCAN stb.).
9. Speciális adatbányászati módszerek az időbeli fejlődést mutató objektumok vizsgálatára: fenogram és kladogram számítása, és ezek alkalmazása érzékelőkből származó adatok elemzésére.
10. Testen hordozható érzékelőhálózatok (Body Worn Network, BWN), vezetéknélküli szenzorhálózatok és kommunikációs interfészek. Telemetriás rendszerek a távgyógyászatban, a mobiltelefon-hálózatra épülő rendszerek alkalmazása. Járművek hálózata, Internet of Vehicles (IoV), VANET (Vehicular ad hoc network).
11. Elosztott adatbányászat: térbeli adatbányászathoz szükséges adatok gyűjtésének megkönnyítése, pl. légszennyezés nyomon követésében. Az ilyen típusú hálózatok fő jellemzői (pl. környezetet figyelő közeli érzékelőcsomópontok jellemzően hasonló mért értékei). Az érzékelőmegfigyelések közötti térbeli korrelációból adódó ilyen jellegű adatredundanciából származó igény a hálózaton belüli adataggregálásra.
12. Intelligens kardiológiai érzékelők, pulzus-, vérnyomás-, ECG-távmérés, anemométerek (szélsebességmérő), vér-oximéterek, szívroham felismerés, agyi érkatasztrófa előrejelzés. Esettanulmány: orvoselektronikai adatok elemzése, azok szoftverként való megvalósításának hardver feltételei.
13. Élő szövetbe implantált érzékelők felépítése, kommunikációs elektronikája és energiaellátási problematikája. Intelligens kardiológiai érzékelők, pulzus-, vérnyomás-, ECG-távmérés, anemométerek, vér-oximéterek, szívroham felismerés, agyi érkatasztrófa előrejelzés. Távgyógyászati szenzorhálózatok adatvédelme, személyiségi jogok biztonsága.
14. Éves anyag áttekintése, kitekintés.

A gyakorlatok/laborok részletes tematikája:

   1-2. Szenzormérések megtervezése. A jellegtervezéssel (feature engineering) kapcsolatos feladatok.

   3-4. Szenzorok által gyűjtött adatok lehetséges adattípusainak áttekintése, ezzel kapcsolatos feladatok.

   5-6.  Mért adatok vizsgálata hierarchikus klaszterezéssel; dendrogram számítása I.

   7-8. Mért adatok vizsgálata hierarchikus klaszterezéssel; dendrogram számítása II.

 9-10. Mért adatok vizsgálata nem-hierarchikus klaszterezési eljárásokkal, egyszerű gyakorlati feladatok.

11-12.  Adatok közötti összefüggések feltárása ordinációs módszerekkel (faktoranalízis, főkomponens-analízis, többdimenziós skálázás), összehasonlításuk egyszerű példákon.

13-14.  Időbeli fejlődést mutató objektumok mért adatainak adatbányászati eszközökkel történő feldolgozása, a fenogram és a kladogram készítésének alapjai.

1. A zárthelyi dolgozat a pótlási időszakban első alkalommal díjmentesen pótolható vagy javítható.
2. Amennyiben az 1. pont szerinti pótlással sem tud a hallgató elégtelentől különböző érdemjegyet szerezni, úgy – szabályzatban meghatározott díj megfizetése mellett – második alkalommal, ismételt kísérletet tehet a sikertelen első pótlás javítására.

• Hosszú Gábor (2005): Az internetes kommunikáció informatikai alapjai, Budapest: Novella Kiadó, 640 oldal, ISBN 963-9442-51-8.

• Kovács Ferenc (2013): Intelligens érzékelők az orvosbiológiában, Bicske: SZAK Kiadó, 470 oldal, ISBN 978-963-9863-31-6.

Legfeljebb 25 IMSc pont szerezhető hallgatónként az alábbiak szerint:

• Szorgalmi időszakban: a tárgy zárthelyije kiegészítő IMSc feladatokat tartalmaz, amelyek megoldásával 12 IMSc pont szerezhető.

• Vizsgaidőszakban: további 13 IMSc pont szerezhető a vizsgán emelt szintű feladatok megoldásával.

Az IMSc feladatok értékelése csak abban az esetben történik meg, ha az adott számonkérésen a jeles szintet elérte a hallgató. Az IMSc feladatra részpontszám is szerezhető.