Ikasgai hau hautazko Ikasgaia da Adimen Artifizialeko graduaren 4. mailan (bigarren lauhilekoan eskaintzen dena) eta bere helburu nagusia graduko ikasleei osasunarekin lotutako adimen artifizialaren arloak ezagutaraztea da, osasunarekin lotutako datuen izaera anitzean sakonduz, eta arlo honetan adimen artifizialeko teknikak aplikatzeko garaian sortzen diren arazo zehatzei aurre eginez ere.



Sistematikoki erregistratu eta gordetzen diren datu biologiko eta fisiologikoen mota, kantitatea eta izaera edo tipologia izugarri handitu da azken urteotan. Gaur egun, pertsonen osasunari buruzko informazioa modu elektronikoan gordetzen da, eta bertan izaera oso ezberdineko datuak izan daitezke: txosten medikoak, analitikoak edo bestelako diagnostiko probak (irudiak, erresonantziak...), datu biologikoak, telemonitorizazioko datu fisiologikoak, etab. Egoera honek adimen artifizialean oinarritutako sistemak sortzea ahalbidetzen du, gaixotasunak diagnostikatzeko edo pronostikatzeko, erabaki medikoak hartzen laguntzeko, tratamenduak proposatzeko, etab.



Ikasgai honetan bi ikuspuntu nagusi landuko dira:

- Alde batetik, izaera fisiologiko eta biologikoko datu zehatzekin lan egingo du. Hauek eskuratu edo/eta prozesatzeko tresnak aztertuko dira osasunaren esparruan erabili ahal izateko. Haien eskuratzea, prozesatzea eta erabileran sakonduko da eszenatoki ezberdinetan aplikatuko diren adimen artifizialeko tekniken bidez.

- Bestalde, bereziki garrantzitsuak diren alderdi batzuk jorratuko dira, hala nola, sistema adimentsuen azalpena, eraikitako sistemek sor ditzaketen alborapenak eta aztertutako pertsonen pribatutasuna. Kasu bakoitzerako, arazo horiei aurre egiteko tresnak emango dira.

- Biomedikuntzan ohiko datuak sortzeko tekniken atzean dauden fenomeno biologiko eta fisiologikoak ulertzea.

- Datu biologiko eta fisiologiko mota bakoitza aztertzeko tresna konputazional egokienak identifikatzea.

- Datu biologikoei eta fisiologikoei buruzko analisi mota desberdinak ezartzea eta gauzatzea.

- Hainbat datu biologiko eta fisiologikotan lortutako emaitzak interpretatzea, eta interpretazio horietatik ondorioak ateratzea.

- Azalpen-maila jakin bat eman eta alborapena gutxitzen duten sistema automatikoak sortzea.

- Informazioa, ideiak, arazoak eta irtenbideak helarazi publiko espezializatuei zein ez-espezializatuei.

- Oso sentikorra den informazio testuinguruetan pribatutasuna mantentzea bermatzen duten tresnak erabiltzea.

1. Sarrera

1.1 Hurbilpenak

1. 2 Informazioaren izaera. Datu-motak

1.3 Erronkak



2. Datu Fisiologikoak

2.1 Sarrera

2.2 Seinale motak eta erabilera (ACC, EMG, ECG, EDA...)

2.3 DAtuak eskuratzea

2.3.1 Laginketa

2.3.2 Normalizazioa

2.3.3 Grabatzeko gailuak

2.4 Ezaugarriak erauztea

2.5 Osasun arloko aplikazioak



3. Bioinformatika

3.1 Sarrera

3.2 DNA eta oinarrizko genetika

3.4 DNAtik proteinetara



4. Ekitatea eta azalpena

4.1 Alborapenaren eta ekitatearen analisia

4.2 Ereduen azalpena



5. Pribatasuna zaintzea

5.1 Sarrera

5.2 Ikasketa federatua: oinarrizko kontzeptuak

5.3 Ikasketa federatua: kontuan hartu beharreko faktoreak

5.4 Inferentzia-erasoen aurkako babes-teknikak

Gai guztiak lantzen diren edukiei buruzko eskolak eta laborategiko saioak uztartuz emango dira, eta horiek lan praktikoak izango dituzte.

• Ebaluazio Jarraituaren Sistema
• Azken Ebaluazioaren Sistema
• Kalifikazioko tresnak eta ehunekoak:
  • Garatu beharreko proba idatzia (%): 40
  • alde lanak (arazoen ebazpenak, proiektuen diseinuak) (%): 60

Irakasgaiak bi ebaluazio modu ditu:

a) Ebaluazio jarraitua. Ebaluazio modu lehenetsia da eta deialdi arruntean soilik erabiliko da. Ikasleen parte-hartze aktiboa eta etengabea eskatzen du: klaseetara eta laborategietara joatea, ariketak eta lanak entregatzea eta dagozkion ebaluazio-probak, praktikak eta aurkezpenak egitea. Baldintza horiek betetzen ez badira, ebaluazio eredu globala erabiliko da. Ebaluazioan honako hauek hartuko dira kontuan: proba idatziak (%40), eta 2 laguneko taldeetan garatutako lan praktikoak (%60). Atal praktikoaren nota orokorra baloratuko duen banakako ebaluazio idatzia egingo da. Bai idatzizko probetan, bai lan praktikoetan, eskatutako gutxieneko nota 4 puntukoa da.

Ebaluazio jarraituan egoteko baldintzak bete arren ebaluazio globala aukeratzea erabakitzen duten ikasleek, idatziz (posta elektronikoz) jakinarazi beharko diote irakasgaiaren ardura duen irakasle-taldeari. Deialdiari uko egiteko, nahikoa izango da ebaluazio jarraitua amaitu baino lehen bertan behera uztea eta lan praktikoren bat ez entregatuz edo idatzizko probaren bat ez eginez.



b) Ebaluazio globala. Irakasgaia ebaluazio jarraituan ez eginez gero, ebaluazio eredu hau aukeratuko da. Ikasleek lan praktikoa eta dagozkion txosten teknikoak entregatu beharko dituzte, deialdi arrunta baino bi aste lehenago gutxienez. Kasu honetan, deialdi arruntaren egunean egindako azterketak % 60ko pisua izango du eta zati praktikoak (aurretik egindako lanaren arabera) % 40koa. Irakasgaia gainditzeko beharrezkoa da gutxienez 4 puntu lortzea bai azterketa idatzian bai lan praktikoan. Deiari uko egiteko, nahikoa izango da idatzizko azterketa ez egitea.

Ezohiko deialdiaren kasuan, aukera bakarra ebaluazio globala da eta azken kalifikazioa bi zatitan oinarrituta kalkulatzen da:



- Teoria (%60): azterketa idatzi baten bidez ebaluatzen da.



- Praktika (% 40): Praktikaken dagozkien txosten teknikoen arabera ebaluatzen da. Hauek ezohiko deialdiaren data baino bi aste lehenago entregatu beharko dira gutxienez.



Irakasgaia gainditzeko beharrezkoa da gutxienez 4 puntu lortzea bai azterketa idatzian bai lan praktikoan.

Irakasgaia behar bezala garatzeko beharrezkoa da:
- ordenagailu pertsonal bat,
- BITalino (r)evolution Plugged Kit plaka, kableak eta sentsoreak
- Txartelarekin komunikatzeko berariazko softwarea: OpenSignals (r)evolution softwarea.
- Laborategietarako berariazko softwarea (OpenSignals (r)evolution softwarea, Python, etab.).

Baliabide guztiak zentroak ematen ditu.

Oinarrizko bibliografia

• Computational Intelligence in Biomedical Engineering (2008). Rezaul Begg, Daniel T. H. Lai. Marimuthu Palaniswami. Taylor & Francis

• Introduction to Biomedical Data Science (2019). Robert Hoyt, Robert Muenchen

• Intelligent Data Analysis for Biomedical Applications (2019). Ed: D. Jude Hemanth, Deepak Gupta, Valentina Emilia Balas. Eslevier

• Data Analytics in Biomedical Engineering and Healthcare (2020). Eds: Kun Lee, Sanjiban Sekhar Roy, Pijush Samui, Vijay Kumar. Eslevier

• Sex and Gender Bias in Technology and Artificial Intelligence, Biomedicine and Healthcare Applications (2022). Eds: Davide Cirillo, Silvina Catuara Solarz, Emre Guney. Elsevier

• Explanatory Model Analysis (2021). Przemyslaw Biecek and Tomasz Burzykowski. Chapman and Hall/CRC, New York.

• Bioinformatics algorithms : an active learning approach, 3rd ed. (2018). Phillip Compeau and Pavel Pevzner. Learning Publishers.

• Genetics for Dummies 2nd ed. (2010). Tara Rodden Robinson. Wiley.

• Federated Learning: A Comprehensive Overview of Methods and Applications (2022). Heiko Ludwig, Nathalie Baracaldo. Springer

• H. Silva, J. Guerreiro, A. Lourenço, A.L.N. Fred, R. Martins. BITalino: A Novel Hardware Framework for Physiological Computing. International Conference on Physiological Computing Systems (2014).

• W. Fang, D. Wu, P.E.D. Love, L. Ding, H. Luo, Physiological computing for occupational health and safety in construction: Review, challenges and implications for future research. Advanced Engineering Informatics,(2022) Vol 54, https://doi.org/10.1016/j.aei.2022.101729

• D. Cirillo, S, Catuara-Solarz, C. Morey, E. Guney, L Subirats, S. Mellino, A. Gigante, A. Valencia, M.J. Rementeria, A.S. Chadha, N. Mavridis, Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digital Medicine (2020) Vol 3, Issue 1, https://doi.org/10.1038/s41746-020-0288-5