Jak napisać pracę magisterską z neuroinżynierii – praktyczny przewodnik

Neuroinżynieria to jeden z najtrudniejszych kierunków, na jakim możesz pisać pracę magisterską w Polsce. Łączy neuronaukę, inżynierię biomedyczną i informatykę w sposób, który wymaga jednocześnie: dostępu do sprzętu za kilkaset tysięcy złotych, wiedzy z przetwarzania sygnałów, znajomości anatomii i fizjologii układu nerwowego, a na koniec – umiejętności napisania tego wszystkiego tak, żeby promotor i recenzent zrozumieli, co zrobiłeś i dlaczego.

Zakres tematyczny jest szeroki. Mieszczą się tu interfejsy mózg-komputer (BCI, brain-computer interface), przetwarzanie sygnałów neuronalnych z EEG, MEG i iEEG, neuroprotezowanie (sterowanie protezą kończyny sygnałem mięśniowym lub korowym), neurostymulacja przez głęboką stymulację mózgu (DBS), przezczaszkową stymulację magnetyczną (TMS) i stymulację prądem stałym (tDCS), a także neuroobrazowanie funkcjonalne fMRI.

Każdy z tych obszarów niesie inne wymagania sprzętowe i metodologiczne. Praca z EEG może wymagać licencji na oprogramowanie EEGLAB lub MNE-Python, własnego zestawu elektrod i pomieszczenia z ekranowaniem Faradaya. Praca z fMRI zależy od dostępu do skanera – a to znaczy, że musisz mieć kontrakt z centrum medycznym albo uczelnią, która taki skaner posiada. Zanim więc wybierzesz temat, sprawdź, co faktycznie masz do dyspozycji.

Ta praca jest technicznie wymagająca z jeszcze jednego powodu: dane neurofizjologiczne są głośne, niestacjonarne i wrażliwe na artefakty. Jeden ruch głową rozmówcy podczas sesji EEG potrafi zniszczyć fragmenty nagrania. Brak solidnego preprocessingu oznacza, że klasyfikator nauczy się szumu zamiast sygnału mózgowego – i po obronie komisja to wychwyci.

Wybór tematu pracy magisterskiej z neuroinżynierii

Dobry temat musi spełniać trzy warunki jednocześnie: jest wykonalny w ramach dostępnej infrastruktury, ma uzasadnienie naukowe lub aplikacyjne, i daje się zamknąć w jednym roku akademickim. Brzmi prosto, w praktyce eliminuje 70% pomysłów, które student przynosi na pierwsze spotkanie z promotorem.

Zacznij od zasobu, nie od marzenia. Jeśli Twój zakład ma system EEG z 64 kanałami i oprogramowanie EEGLAB – pisz o przetwarzaniu EEG. Jeśli masz dostęp do pacjentów z urządzeniami DBS w klinice współpracującej – możesz zaproponować coś z neurostymulacji. Jeśli masz tylko laptop i dane publiczne (PhysioNet, BNCI Horizon, OpenNeuro) – tematyka offline BCI lub analiza gotowych zbiorów też jest legitna, ale musisz to szczerze napisać w metodach.

Kilka tematów, które są wykonalne na polskich uczelniach i mają wartość naukową:

• klasyfikacja wyobrażeń ruchowych (motor imagery) z EEG za pomocą SVM lub CNN z walidacją cross-subject
• detekcja potencjału P300 do sterowania klawiaturą BCI (paradygmat oddball, matrix speller)
• analiza oscylacji gamma w sygnale iEEG podczas zadań pamięciowych (dane publiczne)
• porównanie metod ICA i ASR do usuwania artefaktów okularowych w EEG
• klasyfikacja SSVEP (steady-state visual evoked potentials) dla systemów BCI opartych na częstotliwościach migotania

Unikaj tematów, które wymagają n > 30 uczestników, jeśli nie masz budżetu i czasu na rekrutację. Realistyczna liczba uczestników w eksperymentalnej pracy magisterskiej to 10-20 osób. Mniejsze n wymaga silniejszej metodologii i uczciwego omówienia ograniczeń.

Struktura pracy magisterskiej z neuroinżynierii

Standardowa struktura jest dość przewidywalna, ale w pracach z neuroinżynierii kilka sekcji wymaga szczególnej uwagi.

Streszczenie i słowa kluczowe – napisz to na końcu. Tutaj w dwóch akapitach: cel, metoda, najważniejszy wynik liczbowy (np. dokładność klasyfikatora 78,4%, ITR 24 bits/min) i wniosek. Komisja czyta streszczenie przed obroną i robi sobie pierwsze wrażenie.

Wstęp – osadź pracę w kontekście. Nie pisz ogólnikowego przeglądu neurobiologii. Zamiast tego: jaki jest problem (np. niska dokładność klasyfikacji MI-EEG u nowych użytkowników), dlaczego jest ważny (BCI dla osób z ALS, rehabilitacja po udarze) i co Ty z tym zrobiłeś.

Przegląd literatury – minimum 40-60 pozycji, w tym artykuły z ostatnich 5 lat z IEEE Trans Neural Syst Rehabil Eng, Journal of Neural Engineering, NeuroImage. W Polsce często używa się przestarzałych podręczników – to błąd. Recenzent z obszaru sprawdzi, czy znasz Makeiga, Wolpawa, Birbaumer i Schölkopfa.

Metodologia – tu zaczyna się serce pracy. Opisz sprzęt (producent, model, liczba kanałów, częstotliwość próbkowania), protokół badania (czas trwania sesji, liczba prób na klasę, przerwy, instrukcja dla uczestnika), kryteria włączenia i wyłączenia, preprocessing i algorytmy. Musisz to opisać tak szczegółowo, żeby ktoś mógł powtórzyć Twój eksperyment.

Wyniki – tabele i wykresy. Dokładność procentowa, macierz konfuzji, ITR jeśli dotyczy BCI online, krzywe ROC dla klasyfikatorów binarnych. Nie interpretuj w tej sekcji – tylko raportuj liczby.

Dyskusja – porównaj swoje wyniki z literaturą. Jeśli dostałeś 72% dokładności, a artykuł z 2023 raportuje 85% – wyjaśnij, dlaczego (inne n, inny sprzęt, inna topografia elektrod, inna populacja). Omów ograniczenia uczciwie.

Wnioski – trzy do pięciu zdań. Co zrobiłeś, co z tego wynika, co można zrobić dalej.

Metodologia i techniki badawcze w neuroinżynierii

To jest sekcja, na której najczęściej walą się prace z EEG i BCI. Jeśli preprocessing jest źle opisany albo zrobiony po łebkach, cała analiza traci wiarygodność.

Akwizycja sygnału. Typowe częstotliwości próbkowania dla EEG to 250-1000 Hz, zależnie od badanego zjawiska. Do SSVEP i P300 wystarczy 256 Hz. Do analizy oscylacji gamma (30-100 Hz) potrzebujesz minimum 512 Hz, żeby uniknąć aliasingowego zniekształcenia. Impedancja elektrod powinna być poniżej 5 kOhm – jeśli wyżej, sygnał ma za dużo szumu.

Preprocessing krok po kroku:

1. Re-referencja (average reference lub linked mastoids, zależnie od topografii analizy)
2. Filtracja: górnoprzepustowa 1 Hz (usuwa trend) + dolnoprzepustowa 40 Hz lub wyżej (zależnie od pasma zainteresowania); dla SSVEP zostaw do 50 Hz
3. Detekcja i odrzucanie artefaktów – ręczna inspekcja + automatyczne progi (np. amplituda > 100 µV)
4. ICA (niezależna analiza składowych) do usuwania artefaktów okularowych i mięśniowych; potrzebujesz minimum 20 epok na komponent, żeby ICA działała sensownie
5. Segmentacja na epoki (epoching): okno czasowe zależne od paradygmatu, np. 0-1000 ms po bodźcu dla P300, 0.5-3.5 s dla motor imagery
6. Baseline correction: odejmowanie średniej z okresu przed bodźcem (zazwyczaj -200 do 0 ms)

Feature extraction. Tu masz kilka ścieżek zależnie od paradygmatu:

• ERD/ERS (event-related desynchronization/synchronization): zmiana mocy w pasmach alfa (8-12 Hz) i beta (13-30 Hz) podczas wyobraźni ruchowej. Obliczasz PSD metodą Welcha lub za pomocą transformaty falkowej i porównujesz z baseline
• P300: amplituda i latencja komponentu w oknie 250-500 ms po rzadkim bodźcu; elektrody Cz, Pz, P3, P4.
• SSVEP: FFT sygnału i wyodrębnienie amplitudy w paśmie częstotliwości migotania bodźca (np. 8, 10, 12, 15 Hz) i harmonicznych; klasyczne podejście + CCA (canonical correlation analysis).

Klasyfikatory. Dla małych zbiorów danych (n=10-20 uczestników, 200-400 prób na uczestnika) najlepiej sprawdzają się:

• LDA (linear discriminant analysis) – szybki, mało parametrów, dobry punkt odniesienia
• SVM z jądrem RBF – dobry wynik przy prawidłowym wyborze C i gamma przez cross-validation
• CSP (common spatial patterns) jako filtr przestrzenny przed LDA/SVM – standard dla motor imagery

Sieci CNN mają sens, jeśli masz minimum kilka tysięcy prób albo korzystasz z transfer learning na gotowym modelu (EEGNet, ShallowConvNet). Nie używaj głębokiej sieci do małego zbioru i nie chwal się wynikami 99% dokładności – komisja zapyta o overfitting i nie będzie zadowolona.

Walidacja. Cross-validation k-fold (k=5 lub k=10) albo leave-one-subject-out (LOSO) dla cross-subject generalization. Nigdy nie oceniaj modelu na danych treningowych. Raportuj zarówno średnią, jak i odchylenie standardowe dokładności. Porównaj z poziomem losowego klasyfikatora (chance level): dla 4 klas to 25%, dla 2 klas 50%.

Najczęstsze błędy w pracach z neuroinżynierii

Brak opisu artefaktów. Student usuwa artefakty, ale nie pisze, ile prób odrzucił i dlaczego. Recenzent nie wie, czy odrzuciłeś 5% czy 40% danych – a to ma kolosalne znaczenie dla interpretowalności wyników.

Przeszacowanie wyników przez data leakage. To najpoważniejszy błąd metodologiczny. Polega na tym, że dane testowe „wyciekają” do fazy treningu – na przykład przez normalizację na całym zbiorze przed podziałem na train/test, albo przez dobór cech na całym zbiorze. Efekt: model pokazuje 95% dokładności na zbiorze treningowym, a na nowych danych działa jak losowy klasyfikator.

Brak grupy kontrolnej lub testu statystycznego. Wynik „78% dokładności” nic nie znaczy bez odwołania do chance level i bez sprawdzenia, czy różnica jest istotna statystycznie. Użyj permutation test albo testu t dla jednej próby (porównanie z poziomem losowym).

Za mała próba bez uzasadnienia. n=5 uczestników jest akceptowalne w pilotażu, ale musisz to napisać wprost i nie wyciągać mocnych wniosków ogólnych.

Opisanie sprzętu bez podania modelu i parametrów. „Użyto zestawu EEG” to za mało. Producent, model, liczba kanałów, częstotliwość próbkowania, impedancja elektrod, oprogramowanie do akwizycji – to wszystko musi być w metodach.

Kopiowanie wzorów bez rozumienia. Wzór na CSP albo na ITC (inter-trial coherence) wklejony z artykułu, ale w tekście brak wyjaśnienia, co poszczególne symbole oznaczają i dlaczego właśnie tej metody użyłeś. Komisja pyta o to na obronie.

Pisanie wniosków szerszych niż wyniki. Twój eksperyment na 15 zdrowych studentach nie uprawnia do wniosku, że „metoda nadaje się do rehabilitacji pacjentów po udarze”. Napisz: „Wyniki sugerują potencjał metody, wymagana jest weryfikacja na grupie klinicznej.”

FAQ

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.