Type of course

Admission requirements

Generell studiekompetanse og Matematikk R1+R2 og Fysikk 1.

Søkere som kan dokumentere ett av følgende kvalifiserer også for opptak:

• generell studiekompetanse og bestått realfagkurs, eller
• bestått 1-årig forkurs for ingeniørutdanning, eller
• 2-årig teknisk fagskole etter rammeplan fastsatt av departementet 1998/99 og tidligere studieordninger

*For å få opptak til enkeltemner på grunnlag av Y-veien, må søkeren oppfylle opptakskriteriene for Y-vei til studieprogrammet som emnet inngår i. I tillegg må søkeren oppfylle eventuelle forkunnskapskrav som er spesifisert for det konkrete emnet de søker opptak til. Det gis begrenset studierett til det spesifikke emnet - på samme måte som realkompetansesøkere.

Søknadskode: 9391

Course content

Kurset gir en dyp innføring i utviklingen av intelligente, innbakte systemer (Embedded Systems) for IoT-baserte helseløsninger. Med fokus på datadrevet diagnostikk og pasientovervåkning, dekker emnet hele kjeden fra sensordata til klinisk innsikt.

Vektleggingen ligger på design og implementering av systemer som bruker sensorer fra "wearables", medisinsk utstyr og bildediagnostiske komponenter for å tilby assistanse og forbedre beslutningsstøtte i pasientbehandlingen.

Hovedtemaer inkluderer:

Arkitektur for innbakte helse-IoT-systemer: Design av pålitelige og energieffektive embedded systems for datainnsamling, lokal prosessering og kommunikasjon.

Signal- og bildeanalyse i praksis: Avansert prosessering av sensor- og bildedata. Dette inkluderer støyfjerning (f.eks. ved bruk av Fourier-transformasjon), kompresjon, og sporing (tracking) og deteksjon (detection) av fysiologiske hendelser eller anatomiske strukturer.

Computer Vision og medisinsk bildeanalyse: Praktisk bruk av OpenCV og moderne AI-biblioteker. Fokus på teknikker for 2D- og 3D-segmentering, samt automatisert deteksjon i medisinske bilder (f.eks. fra MR, CT eller mikroskopi).

AI for automatisk tolkning: Utvikling og treningspipelines for Convolutional Neural Networks (CNN) og andre nevrale nettverk for oppgaver som automatisk segmentering, deteksjon av avvik og bildeklassifisering. Scenarier hentet fra praksis står sentralt.

Systemintegrasjon og analyse: Overordnet systemtenkning for å integrere sensordata, bildediagnostikk og AI-modeller inn i brukbare støttesystemer, med vurdering av ytelse, pålitelighet og personvern.

Recommended prerequisites

Objective of the course

Kunnskaper:

Etter fullført emne skal studenten kunne:

• Forklare arkitekturen for innbakte systemer (embedded systems) og IoT-plattformer tiltenkt bruk i digital helse.
• Kjenne til og beskrive sensorer for datainnsamling og teknikker for signal- og bildeanalyse, inkludert støyfjerning og kompresjon.
• Forstå prinsippene for Computer Vision, 2D/3D-segmentering og automatisk deteksjon ved bruk av kunstig intelligens (AI), spesielt Convolutional Neural Networks (CNN).
• Kjenne til utfordringer og løsninger knyttet til datasikkerhet, personvern, energiforbruk og systempålitelighet i helserelaterte sensorsystemer.
• Forstå hensikten og kravet til robuste, potensielt livskritiske systemer for sanntidsanalyse.

Ferdigheter:

Etter fullført emne skal studenten kunne:

• Designe og konstruere enkle prototyper som kobler sensorer til egnede embedded systemer (som Raspberry Pi).
• Programmere systemer for å hente inn, prosessere, lagre og overføre sensor- og bildedata.
• Anvende biblioteker som OpenCV og scikit-learn for dataprosessering, sporing (tracking), deteksjon og grunnleggende computer vision-operasjoner.
• Utvikle, trene og evaluere AI-modeller (f.eks. CNN) for oppgaver som automatisk segmentering og deteksjon i 2D og 3D bildedata.
• Implementere signalprosesserings- og maskinlæringsalgoritmer (som diskret filtrering) for å forbedre datakvaliteten og trekke ut meningsfull informasjon.

Kompetanse:

Etter fullført emne skal studenten kunne:

• Vurdere, designe og integrere komponentene i et helhetlig sensorbasert system for assistanse eller diagnostikk, med bevissthet om dets kliniske anvendelse og begrensninger.
• Analysere og reflektere over det etiske spenningsfeltet mellom teknologiske muligheter, personvern og samfunnsnytte innen digital helse.
• Dokumentere egen faglig utøvelse og systemutvikling på en klar og profesjonell måte.
• Vurdere valg av arkitektur med hensyn til lokal vs. sentral databehandling, energiforbruk og skalerbarhet

Language of instruction and examination

Teaching methods

Hovedvekt på praktiske øvinger på lab/nett, knyttet til spesifikke delmål.

Øvinger vurderes løpende (vurdering for læring).

Forelesninger, primært gjennom forberedende videogjennomgang, men tidvis tradisjonelle forelesninger som streames i nettmøte (opptak av stream gjøres tilgjengelig på nett).

Undervisningsspråk er normalt norsk, men kan være engelsk dersom det deltar studenter som har behov for det.