Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/43423
Повний запис метаданих
Поле DC | Значення | Мова |
---|---|---|
dc.contributor.advisor | Млинко, Богдана Богданівна | - |
dc.contributor.author | Валицький, Василь Михайлович | - |
dc.contributor.author | Valytskyi, Vasyl | - |
dc.date.accessioned | 2024-01-07T14:45:15Z | - |
dc.date.available | 2024-01-07T14:45:15Z | - |
dc.date.issued | 2023-12-26 | - |
dc.date.submitted | 2023-12-12 | - |
dc.identifier.citation | Валицький В.М. Методи та моделі спектрального аналізу біомедичних сигналів: кваліфікаційна робота магістра за спеціальністю „122 — комп’ютерні науки“ / В.М. Валицький. — Тернопіль : ТНТУ, 2023. – 84 с. | uk_UA |
dc.identifier.uri | http://elartu.tntu.edu.ua/handle/lib/43423 | - |
dc.description.abstract | Кваліфікаційна робота присвячена дослідженню методів та моделей спектрального аналізу світлових біомедичних сигналів, ідентифікації нових, в області, інформативних ознак та, відповідно, вдосконаленню діагностичних систем. В першому розділі кваліфікаційної роботи проаналізовано предметну область, проаналізовано відомі методи обробки світлових сигналів та діагностичні ознаки у відомих фотометричних інформаційних системах. В другому розділі кваліфікаційної роботи проаналізовано біофізичні особливості виникнення сигналу, породженого взаємодією світло-біотканина та представлено ортогональні розклади як методи ідентифікації інформативних ознак досліджуваного сигналу. В третьому розділі кваліфікаційної роботи розроблено концепцію побудови інформаційної системи для спектрального аналізу світлових біосигналів, наведено результати проведених досліджень. Об’єкт дослідження: процес зміни у часі інтенсивності світлового потоку, промодульовані змінами у часі кровонаповнення судин. Предмет дослідження: методи та моделі спектрального аналізу світлових біосигналів. The qualification work is devoted to the study of methods and models of spectral analysis of light biomedical signals, identification of new informative features in the field and, accordingly, improvement of diagnostic systems. The first chapter of the qualification work analyzes the subject area, analyzes the known methods of processing light signals and diagnostic features in well-known photometric information systems. The second section of the qualification work analyzes the biophysical features of the signal generated by the interaction of light and biotissue and presents orthogonal decompositions as methods for identifying informative features of the studied signal. In the third chapter of the qualification work, the concept of building an information system for the spectral analysis of light biosignals is developed, and the results of the research are presented. Object of research: the process of changes in the intensity of the light flux over time, modulated by changes in the blood filling of blood vessels. Subject of research: methods and models of spectral analysis of light biosignals. | uk_UA |
dc.description.tableofcontents | ВСТУП ...8 ОГЛЯД ЛІТЕРАТУРНИХ ДЖЕРЕЛ ЗА ТЕМОЮ ДОСЛІДЖЕННЯ… 10 1.1 Огляд методів діагностики стану судинного русла...10 1.2 Історія розвитку методу фотоплетизмографії як напрямку спостереження біооб’єкту...14 1.3 Характеристика біомедичних об’єктів вимірювань як світлорозсіювальних середовищ...16 1.4 Вимоги до розробки систем для оцінки кровонаповнення та вимірювань оптичних характеристик біотканин...20 1.5 Аналіз відомих фотометричних інформаційних систем...24 1.6 Аналіз відомих методів аналізу та інформативних ознак світлового сигналу…27 2 ОРТОГОНАЛЬНІ РОЗКЛАДИ, ЯК МЕТОДИ ІДЕНТИФІКАЦІЇ ІНФОРМАТИВНИХ ОЗНАК ДОСЛІДЖУВАНОГО СИГНАЛУ… 31 2.1 Аналіз біофізичних особливостей виникнення сигналу, породженого взаємодією світло-біотканина ...31 2.2 Специфіка світлового cигналу як об’єкту дослідження… 35 2.3 Ортогональні розклади детермінованих функцій … 37 2.4 Ортогональні розклади випадкових процесів …41 3 ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ СПЕКТРАЛЬНОГО АНАЛІЗУ СВІТЛОВИХ БІОСИГНАЛІВ МЕТОДОМ ОРТОГОНАЛЬНИХ РОЗКЛАДІВ… 45 3.1 Структурна схема та технічні характеристики інформаційної автоматизованої системи...45 3.2 Ідентифікація та оцінювання діагностичних ознак...49 3.2.1 Оцінювання коефіцієнтів ортогонального розкладу математичного сподівання світлового cигналу ...49 3.2.2 Спектральний аналіз з використанням дискретного перетворення Фур є...51 3.2.3 Спектральний аналіз з використанням дискретного перетворення Уолша-Адамара...54 3.2.4 Спектральний аналіз з використанням дискретного перетворення Уолша-Пелі...56 3.2.5 Спектральний аналіз з використанням дискретного перетворення Уолша...58 3.3 Результати проведених досліджень інформативних характеристик світлового сигналу на основі спектрального аналізу. Оцінки коефіцієнтів ортогонального розкладу...62 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ... 4.1 Завдання охорони праці у формуванні комфортного виробничого середовища користувачів ЕОМ 4.2 Підвищення стійкості роботи підприємств у воєнний час 68 ВИСНОВКИ... 73 ПЕРЕЛІК ДЖЕРЕЛ...74 ДОДАТКИ | uk_UA |
dc.language.iso | uk | uk_UA |
dc.subject | світловий біосигнал (фотоплетизмографічний сигнал) | uk_UA |
dc.subject | light biosignal (photopletysmic signal) | uk_UA |
dc.subject | статистичні методи аналізу | uk_UA |
dc.subject | statistic processing | uk_UA |
dc.subject | спектральний аналіз | uk_UA |
dc.subject | spectral analysis | uk_UA |
dc.subject | ортогональний розклад | uk_UA |
dc.subject | orthogonal decomposition | uk_UA |
dc.subject | інформативні характеристики | uk_UA |
dc.subject | informative characteristic | uk_UA |
dc.title | Методи та моделі спектрального аналізу біомедичних сигналів | uk_UA |
dc.title.alternative | Methods and models of spectral analysis of biomedical signals | uk_UA |
dc.type | Master Thesis | uk_UA |
dc.rights.holder | © Валицький Василь Михайлович, 2023 | uk_UA |
dc.contributor.committeeMember | Бойко, Ігор Володимирович | - |
dc.coverage.placename | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна | uk_UA |
dc.subject.udc | 378.011.3-051: 371.3 | uk_UA |
dc.relation.references | 1. N. AlHinai, “Introduction to biomedical signal processing and artificial intelligence,” in Biomedical Signal Processing and Artificial Intelligence in Healthcare, 2020. doi: 10.1016/B978-0-12-818946-7.00001-9. | uk_UA |
dc.relation.references | 2. R. Assuncao, C. Rocha, L. Lobo, L. M. Rodrigues, and J. Requicha, “Photopletismography in dogs: Identification of spectral elements and application in a surgical setting,” Biomed. Biopharm. Res., vol. 18, no. 2, 2021, doi: 10.19277/bbr.18.2.264. | uk_UA |
dc.relation.references | 3. Зудов О. М., Шарпан О.Б. Діагностичні можливості спектрального аналізу сигналів пульсової хвилі. Вісник ЖІТІ. Технічні науки. 2001. № 16. С. 82-85. | uk_UA |
dc.relation.references | 4. Марченко Б. Млинко Б., Фриз М. Математична модель фотоплетизмосигналу − основа ідентифікації інформативних ознак. Міжнародний науковий журнал «Комп’ютинг». 2005. Т.5. № 2. С. 73-82. | uk_UA |
dc.relation.references | 5. Млинко, Б.Б.. Фриз М.Є. Алгоритм статистичної діагностики на основі реєстрації та аналізу фотоплетизмосигналів. Вісник Хмельницького національного університету. Технічні науки. Хмельницький, 2013. № 4. С.176-182. | uk_UA |
dc.relation.references | 6. Gómez-Echavarría, J. P. Ugarte, and C. Tobón, “The fractional Fourier transform as a biomedical signal and image processing tool: A review,” Biocybernetics and Biomedical Engineering, vol. 40, no. 3. 2020. doi: 10.1016/j.bbe.2020.05.004. | uk_UA |
dc.relation.references | 7. Млинко Б.Б. Математична модель ритмічного біосигналу в задачах фотоплетизмодіагностики. Автореф. дис... канд. техн. наук: 01.05.02. Тернопіль, 2003. 19 с. | uk_UA |
dc.relation.references | 8. M. K. Jalagam and V. K. Mittal, “Recent Studies on Applications Using Biomedical Signal Processing: A Review,” 2021. doi: 10.1109/GCAT52182.2021.9587456. | uk_UA |
dc.relation.references | 9. H. Y. Jan, M. F. Chen, T. C. Fu, W. C. Lin, C. L. Tsai, and K. P. Lin, “Evaluation of Coherence Between ECG and PPG Derived Parameters on Heart Rate Variability and Respiration in Healthy Volunteers With/Without Controlled Breathing,” J. Med. Biol. Eng., vol. 39, no. 5, 2019, doi: 10.1007/s40846-019-00468-9. | uk_UA |
dc.relation.references | 10. S. Karavaev et al., “Low-frequency component of photoplethysmogram reflects the autonomic control of blood pressure,” Biophys. J., vol. 120, no. 13, 2021, doi: 10.1016/j.bpj.2021.05.020. | uk_UA |
dc.relation.references | 11. Нікітчук Т.М. Порівняльний аналіз методів реєстрації пульсової хвилі. Вісник Хмельницького національного університету. Хмельницький, 2013. Серія: Технічні науки. № 1. – С. 183-186. | uk_UA |
dc.relation.references | 12. P. Li and T. M. Laleg-Kirati, “Central Blood Pressure Estimation from Distal PPG Measurement Using Semiclassical Signal Analysis Features,” IEEE Access, vol. 9, 2021, doi: 10.1109/ACCESS.2021.3065576 | uk_UA |
dc.relation.references | 13. X. Li, C. Hu, A. Meng, Y. Guo, Y. Chen, and R. Dang, “Heart rate variability and heart rate monitoring of nurses using PPG and ECG signals during working condition: A pilot study,” Heal. Sci. Reports, vol. 5, no. 1, 2022, doi: 10.1002/hsr2.477. | uk_UA |
dc.relation.references | 14. Y. Liang, M. Elgendi, Z. Chen, and R. Ward, “Analysis: An optimal filter for short photoplethysmogram signals,” Sci. Data, vol. 5, 2018, doi: 10.1038/sdata.2018.76. | uk_UA |
dc.relation.references | 15. G. Martínez, N. Howard, D. Abbott, K. Lim, R. Ward, and M. Elgendi, “Can photoplethysmography replace arterial blood pressure in the assessment of blood pressure?,” J. Clin. Med., vol. 7, no. 10, 2018, doi: 10.3390/jcm7100316 | uk_UA |
dc.relation.references | 16. N. R. Chaurasia and M. A. Hasamnis, “Development of a low cost heart rate monitoring and transmission system using PPG signal processing for wearable devices,” Int. J. Innov. Technol. Explor. Eng., vol. 8, no. 10, 2019, doi: 10.35940/ijitee.J9829.0881019. | uk_UA |
dc.relation.references | 17. Хвостівська Л.В., Яворський Б.І. Математична модель пульсового сигналу для підвищення інформативності систем діагностики стану судин людини. Вісник кременчуцького національного університету імені Михайла Остроградського. Кременчук, 2015. Випуск 6 (95). С.29-34. | uk_UA |
dc.relation.references | 18. Хвостівський М.О., Хвостівська Л.В. Синтез структури інформаційної системи реєстрації та обробки пульсового сигналу. Науковий вісник Чернівецького університету: збірник наук. праць. Чернівці, 2015. Фізика. Електроніка. Т. 4, Вип. 1. С. 83-89. ISSN 2227-8842 | uk_UA |
dc.relation.references | 19. Хвостівська Л.В., Імітаційна модель пульсового сигналу судин людини. Вісник Хмельницького національного університету. Технічні науки. Хмельницький, 2016. № 2. С.94-100. | uk_UA |
dc.relation.references | 20. Y. Moro Awelisah, G. Li, M. Ijaz, and L. Lin, “The effect of spectral photoplethysmography amplification and its application in dynamic spectrum for effective noninvasive detection of blood components,” Opt. Laser Technol., vol. 133, 2021, doi: 10.1016/j.optlastec.2020.106515 | uk_UA |
dc.relation.references | 21. D.-G. Oh, B.-S. Min, S.-O. Kwon, and H.-J. Kim, “Effective PPG Signal Processing Method for Detecting Emotional Stimulus,” J. Korean Inst. Commun. Inf. Sci., vol. 37, no. 5C, 2012, doi: 10.7840/kics.2012.37c.5.393. | uk_UA |
dc.relation.references | 22. J. Park, H. S. Seok, S. S. Kim, and H. Shin, “Photoplethysmogram Analysis and Applications: An Integrative Review,” Frontiers in Physiology, vol. 12. 2022. doi: 10.3389/fphys.2021.808451. | uk_UA |
dc.relation.references | 23. V. Patel and A. K. Shah, “Machine learning for biomedical signal processing,” in Machine Learning and the Internet of Medical Things in Healthcare, 2021. doi: 10.1016/B978-0-12-821229-5.00002-1. | uk_UA |
dc.relation.references | 24. P. Petropulu, “Higher-Order Spectra in Biomedical Signal Processing,” IFAC Proc. Vol., vol. 27, no. 1, 1994, doi: 10.1016/s1474-6670(17)46158-1. | uk_UA |
dc.relation.references | 25. J. Přibil, A. Přibilová, and I. Frollo, “Comparative Measurement of the PPG Signal on Different Human Body Positions by Sensors Working in Reflection and Transmission Modes †,” Eng. Proc., vol. 2, no. 1, 2020, doi: 10.3390/ecsa-7-08204. | uk_UA |
dc.relation.references | 26. Янковенко О.Д. Експериментальне дослідження функціонального стану людини на основі амплітудного спектрального аналізу пульсової хвилі. Вісник Національного технічного університету України «КПІ». Серія: Радіотехніка. Радіоапаратобудування. 2010. № 40. С. 35-41. | uk_UA |
dc.relation.references | 27. J. Přibil, A. Přibilová, and I. Frollo, “Comparison of Three Prototypes of PPG Sensors for Continual Real-Time Measurement in Weak Magnetic Field†,” Sensors, vol. 22, no. 10, 2022, doi: 10.3390/s22103769. | uk_UA |
dc.relation.references | 28. R. Priyadharsini and A. Kunthavai, “Implementation of Digital Filters for Real-Time PPG Signal Processing in VLC,” Fluct. Noise Lett., vol. 22, no. 1, 2023, doi: 10.1142/S0219477523500013. | uk_UA |
dc.relation.references | 29. J. Chen, K. Sun, Y. Sun, and X. Li, “Signal Quality Assessment of PPG Signals using STFT Time-Frequency Spectra and Deep Learning Approaches,” 2021. doi: 10.1109/EMBC46164.2021.9630758. | uk_UA |
dc.relation.references | 30. M. Rajabioun, “Biomedical Signal Processing and Control,” Biomed. Signal Process. Control, vol. 61, no. January, 2020. | uk_UA |
dc.relation.references | 31. J. Rajeswari and M. Jagannath, “Advances in biomedical signal and image processing – A systematic review,” Informatics in Medicine Unlocked, vol. 8. 2017. doi: 10.1016/j.imu.2017.04.002. | uk_UA |
dc.relation.references | 32. B. Ren, Z. Wang, K. Ma, Y. Zhou, and M. Liu, “An Improved Method of Heart Rate Extraction Algorithm Based on Photoplethysmography for Sports Bracelet,” Inf., vol. 14, no. 5, 2023, doi: 10.3390/info14050297. | uk_UA |
dc.relation.references | 33. Y. Ruan, X. Chen, X. Zhang, and X. Chen, “Principal component analysis of photoplethysmography signals for improved gesture recognition,” Front. Neurosci., vol. 16, 2022, doi: 10.3389/fnins.2022.1047070. | uk_UA |
dc.relation.references | 34. S. Sanei and H. Hassani, Singular Spectrum Analysis of Biomedical Signals. 2015. doi: 10.1201/b19140. | uk_UA |
dc.relation.references | 35. S. Sarkar, A. Bhoi, and G. Savita, “Fingertip Pulse Wave (PPG signal) Analysis and Heart Rate Detection,” Int. J. Emerg. …, vol. 2, no. 9, 2012. | uk_UA |
dc.relation.references | 36. O. T. Schmidt and T. Colonius, “Guide to spectral proper orthogonal decomposition,” AIAA J., vol. 58, no. 3, 2020, doi: 10.2514/1.J058809. | uk_UA |
dc.relation.references | 37. Schölgl, C. Vidaurre, and T. H. Sander, “BioSig: The free and open source software library for biomedical signal processing,” Comput. Intell. Neurosci., vol. 2011, 2011, doi: 10.1155/2011/935364. | uk_UA |
dc.relation.references | 38. P. Cheng, Z. Chen, Q. Li, Q. Gong, J. Zhu, and Y. Liang, “Atrial fibrillation identification with PPG signals using a combination of time-frequency analysis and deep learning,” IEEE Access, vol. 8, 2020, doi: 10.1109/ACCESS.2020.3025374. | uk_UA |
dc.relation.references | 39. A. Silverio, C. G. Suarez, L. A. A. Silverio, J. Y. Dino, J. B. Duran, and G. E. G. Catambing, “An Unobtrusive, Wireless and Wearable Single-Site Blood Pressure Monitor Based on an Armband Using Electrocardiography (ECG) and Reflectance Photoplethysmography (PPG) Signal Processing,” Electron., vol. 12, no. 7, 2023, doi: 10.3390/electronics12071538. | uk_UA |
dc.relation.references | 40. Sološenko, A. Petrėnas, V. Marozas, and L. Sörnmo, “Modeling of the photoplethysmogram during atrial fibrillation,” Comput. Biol. Med., vol. 81, 2017, doi: 10.1016/j.compbiomed.2016.12.016. | uk_UA |
dc.relation.references | 41. S. Sonawani, K. Patil, and P. Natarajan, “Biomedical signal processing for health monitoring applications: a review,” Int. J. Appl. Syst. Stud., vol. 10, no. 1, 2023, doi: 10.1504/IJASS.2021.10045116. | uk_UA |
dc.relation.references | 42. Tazarv and M. Levorato, “A Deep Learning Approach to Predict Blood Pressure from PPG Signals,” 2021. doi: 10.1109/EMBC46164.2021.9629687 | uk_UA |
dc.relation.references | 43. K. Tyapochkin, E. Smorodnikova, and P. Pravdin, “Smartphone PPG: Signal processing, quality assessment, and impact on HRV parameters,” 2019. doi: 10.1109/EMBC.2019.8856540 | uk_UA |
dc.relation.references | 44. S. Vadrevu and M. Sabarimalai Manikandan, “A Robust Pulse Onset and Peak Detection Method for Automated PPG Signal Analysis System,” IEEE Trans. Instrum. Meas., vol. 68, no. 3, 2019, doi: 10.1109/TIM.2018.2857878 | uk_UA |
dc.relation.references | 45. R. S. Vulcan, S. André, and M. Bruyneel, “Photoplethysmography in normal and pathological sleep,” Sensors, vol. 21, no. 9, 2021, doi: 10.3390/s21092928 | uk_UA |
dc.relation.references | 46. M. T. Wu, I. F. Liu, Y. H. Tzeng, and L. Wang, “Modified photoplethysmography signal processing and analysis procedure for obtaining reliable stiffness index reflecting arteriosclerosis severity,” Physiol. Meas., vol. 43, no. 8, 2022, doi: 10.1088/1361-6579/ac7d91 | uk_UA |
dc.relation.references | 47. Q. Wu, “On a Feature Extraction and Classification Study for PPG Signal Analysis,” J. Comput. Commun., vol. 09, no. 09, 2021, doi: 10.4236/jcc.2021.99012 | uk_UA |
dc.relation.references | 48. Z. Zhang, “Photoplethysmography-based heart rate monitoring in physical activities via joint sparse spectrum reconstruction,” IEEE Trans. Biomed. Eng., vol. 62, no. 8, 2015, doi: 10.1109/TBME.2015.2406332 | uk_UA |
dc.relation.references | 49. M. Elgendi, PPG Signal Analysis: An Introduction Using MATLAB, vol. 5, no. 3. 2020. | uk_UA |
dc.relation.references | 50. M. Elgendi, PPG Signal Analysis. 2020. doi: 10.1201/9780429449581 | uk_UA |
dc.relation.references | 51. M. Elgendi, Y. Liang, and R. Ward, “Toward Generating More Diagnostic Features from Photoplethysmogram Waveforms,” Diseases, vol. 6, no. 1, 2018, doi: 10.3390/diseases6010020 | uk_UA |
dc.relation.references | 52. F. Esgalhado, A. Batista, V. Vassilenko, S. Russo, and M. Ortigueira, “Peak Detection and HRV Feature Evaluation on ECG and PPG Signals,” Symmetry (Basel)., vol. 14, no. 6, 2022, doi: 10.3390/sym14061139 | uk_UA |
dc.relation.references | 53. M. Fryz and B. Mlynko, “Property Analysis of Conditional Linear Random Process as a Mathematical Model of Cyclostationary Signal,” in Proceedings of the 2nd International Workshop on Information Technologies: Theoretical and Applied Problems (ITTAP 2022), 2022, vol. 3309, pp. 77–82. Accessed: Jan. 27, 2023. [Online]. Available: https://ceur-ws.org/Vol-3309/short2.pdf | uk_UA |
dc.relation.references | 54. M. Fryz and B. Mlynko, “Properties of Stationarity and Cyclostationarity of ConditionalLinear Random Processes,” 2020 IEEE 15th International Conference on Advanced Trends inRadioelectronics, Telecommunications and Computer Engineering(TCSET). 2020. | uk_UA |
dc.relation.references | 55. M. Fryz, L. Scherbak, B. Mlynko, and T. Mykhailovych, “Linear Random Process Model-Based EEG Classification Using Machine Learning Techniques,” in Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023), 2023, vol. 3468, pp. 126–132. [Online]. Available: https://ceur-ws.org/Vol-3468/short5.pdf | uk_UA |
dc.relation.references | 56. M. Fryz, “Conditional linear random process and random coefficient autoregressive model for EEG analysis,” 2017. doi: 10.1109/UKRCON.2017.8100498 | uk_UA |
dc.relation.references | 57. M. Fryz, “Mixing property and ergodicity of linear random processes,” 2009. doi: 10.1109/IDAACS.2009.5342967 | uk_UA |
dc.relation.references | 58. M. Stadnyk, M. Fryz, and L. Scherbak, “The feature extraction and estimation of a steady-state visual evoked potential by the Karhunen-Loeve expansion,” Eastern-European J. Enterp. Technol., vol. 1, no. 4 (85), pp. 56–62, 2017. | uk_UA |
dc.relation.references | 59. V. Babak, A. Zaporozhets, Y. Kuts, M. Myslovych, M. Fryz, and L. Scherbak, “Models and Characteristics of Identification of Noise Stochastic Signals of Research Objects,” in Proceedings of the 2nd International Workshop on Information Technologies: Theoretical and Applied Problems (ITTAP 2022), 2022, vol. 3309, pp. 349–362. [Online]. Available: https://ceur-ws.org/Vol-3309/paper22.pdf | uk_UA |
dc.relation.references | 60. M. Fryz, L. Scherbak, M. Karpinski, and B. Mlynko, “Characteristic Function of Conditional Linear Random Process,” in The 1st International Workshop on Information Technologies: Theoretical and Applied Problems 2021, 2021, pp. 129–135. [Online]. Available: https://ceur-ws.org/Vol-3039/short40.pdf | uk_UA |
dc.relation.references | 61. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання «БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ» / В.С. Стручок –Тернопіль: ФОП Паляниця В. А., –156 с. | uk_UA |
dc.relation.references | 62. Навчальний посібник «ТЕХНОЕКОЛОГІЯ ТА ЦИВІЛЬНА БЕЗПЕКА. ЧАСТИНА «ЦИВІЛЬНА БЕЗПЕКА»» / автор-укладач В.С. Стручок– Тернопіль: ФОП Паляниця В. А., –156 с. | uk_UA |
dc.contributor.affiliation | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна | uk_UA |
dc.coverage.country | UA | uk_UA |
Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
Mag_2023__SNm-61_Valytskyi_V_M.pdf | 1,69 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора