دانلود رایگان سوالات دکتری مهندسی پزشکی - بیوالکتریک 1398

تحلیل محتوایی و سرفصل‌های آزمون دکتری مهندسی پزشکی - بیوالکتریک (بررسی کنکور ۱۳۹۸)

کنکور دکتری مهندسی پزشکی گرایش بیوالکتریک در سال ۱۳۹۸، مجموعه‌ای متوازن از مباحث تئوریک ریاضی، پردازش سیگنال دیجیتال، فیزیک سیستم‌های تصویربرداری و فیزیک پدیده‌های بیوالکتریکی بود. سرفصل‌های شاخص این آزمون عبارتند از:

• پردازش سیگنال‌های زیستی (Biomedical Signal Processing): تبدیل‌های فوریه، فوریه زمان‌کوتاه (STFT) و موجک (Wavelet)، فیلترهای دیجیتال تطبیقی (LMS و RLS)، تحلیل طیفی غیرپارامتری و پارامتری (مدل‌های AR، MA و ARMA)، جداسازی کور منابع (BSS/ICA)، کاهش نویز و استخراج ویژگی از سیگنال‌های ECG، EEG و EMG.
• سیستم‌های تصویربرداری پزشکی (Medical Imaging Systems): اصول فیزیکی و بازسازی تصویر در توموگرافی کامپیوتری (CT Scan و تبدیل رادون / فیلترد بک‌پروجکشن)، تصویربرداری تشدید مغناطیسی (MRI و فضای k)، فراصوت پزشکی (Ultrasound و پدیده‌های تضعیف و بازتابش) و تصویربرداری پزشکی هسته‌ای (PET و SPECT).
• پردازش تصویر پزشکی و بینایی ماشین (Medical Image Processing): بهبود کیفیت تصویر، قطعه‌بندی ساختارهای آناتومیک (Active Contours، Level Set و الگوریتم‌های مبتنی بر یادگیری عمیق)، ثبت تصویر (Image Registration صلب و غیرصلب) و استخراج شاخص‌های مورفولوژیک و بافت (Texture Analysis).
• ابزار دقیق پزشکی و پدیده‌های بیوالکتریک: پتانسیل‌های غشایی سلول و مدل هاجکین-هاکسلی، الکترودهای بیوپتانسیل و مدل‌های مدار معادل پوستی، تقویت‌کننده‌های زیستی با CMRR بالا، جداسازی اپتوکوپلری و ایمنی الکتریکی در تجهیزات بیمارستانی.
• مدل‌سازی سیستم‌های فیزیولوژیکی و شبکه‌های عصبی: مدل‌های خطی و غیرخطی سیستم‌های قلبی-عروقی، تنفسی و عصبی، تئوری کنترل در سامانه‌های زیستی و معماری شبکه‌های عصبی محاسباتی.

جدول مواد امتحانی و ضرایب دکتری مهندسی پزشکی - بیوالکتریک

بر اساس مصوبات رسمی سازمان سنجش آموزش کشور، عناوین دروس و ضرایب امتحانی آزمون دکتری بیوالکتریک به شرح جدول زیر تدوین شده است:

محورهای راهبردی مصاحبه علمی دکتری مهندسی پزشکی - بیوالکتریک

در مصاحبه دکتری بیوالکتریک، اساتید بر تسلط الگوریتمی داوطلب بر ابزارهای هوش مصنوعی نوین، تسلط برنامه‌نویسی و فهم عمیق فیزیولوژیکی سیگنال‌ها تمرکز دارند:

1. تدوین پروپوزال متناسب با لبه‌های فناوری سلامت: ارائه موضوعات پژوهشی نوآورانه نظیر «یادگیری عمیق قابل تفسیر (Explainable AI) در تشخیص زودهنگام تومورها و ضایعات مغزی»، «واسط‌های مغز و رایانه غیرتهاجمی (BCI) با بهره‌گیری از ثبت‌های چندوجهی EEG-fMRI»، «پردازش پوشیدنی و لبه‌ای (Edge Computing) سیگنال‌های حیاتی برای مراقبت از راه دور»، یا «مدل‌سازی کامپیوتری تحریک عمقی مغز (DBS)».
2. تسلط بر کدنویسی و کتابخانه‌های هوش مصنوعی: تسلط بر پایتون و متلب و کتابخانه‌های یادگیری ماشین و عمیق (PyTorch, TensorFlow, Scikit-learn)، ابزارهای پردازش سیگنال (MNE برای EEG، Biosppy) و بسته‌های پردازش تصویر پزشکی نظیر SimpleITK و 3D Slicer.
3. پاسخگویی به سوالات تحلیلی و پایه‌ای مهندسی: آمادگی جهت پاسخ به سوالات ریاضیات کاربردی، جبر خطی، تبدیل‌های فوریه/موجک، تحلیل‌های حوزه فرکانس و مبانی فیزیکی توالی‌های پالس MRI (مانند Spin Echo و Gradient Echo).
4. آشنایی با ژورنال‌ها و همایش‌های تراز اول جهان: مرور دستاوردهای نوین در مجلات معتبر مانند IEEE Transactions on Biomedical Engineering (TBME), IEEE Transactions on Medical Imaging (TMI), Medical Image Analysis, Journal of Neural Engineering.

پرسش‌های پرتکرار (FAQ)