معرفی دوره پردازش سیگنال قلبی-ECG

اهداف کلی دوره پردازش سیگنال قلبی

• روشهای پردازش سیگنال ECG
  • در این دوره، انواع روشهای پیش پردازش و استخراج ویژگی از سیگنال ecg را به صورت پروژه محور بررسی میکنیم.

• یادگیری ماشین
  • بعد از استخراج ویژگی از سیگنال ECG، از الگوریتمهای یادگیری ماشین جهت تشخیص بیماری‌های قلبی استفاده می‌کنیم. برای همین، در این دوره در ابتدا نحوه استفاده از یادگیری ماشین در پردازش سیگنال ECG رو آموزش داده و سپس الگوریتمهای مختلف یادگیری ماشین را معرفی می‌کنیم.

• یادگیری عمیق
  • در این دوره جدا از روشهای پایه جهت پردازش سیگنال قلبی، از رویکردهای یادگیری عمیق هم برای تشیخص بیماری‌های قلبی استفاده می‌کنیم.

• پروژه عملی
  • این دوره کاملا پروژه محور هست، و تمامی مباحث مرحله به مرحله روی چندین پایگاه داده معتبر اعمال می‌شود تا با چالشهای واقعی پردازش سیگنالهای قلبی آشنا شویم.

فایل PDF

ویژگیهای دوره پردازش سیگنال قلبی

• پروژه محور| دوره پروژه محور هست و از داده های معتبر در این دوره برای آموزش و انجام پروژه‌ها استفاده خواهیم کرد.
• پیاده‌سازی مقاله| در این دوره، مقالات تخصصی پیاده‌سازی خواهیم کرد و شرکت‌کنندگان علاوه بر یادگیری مباحث، با اصول پیاده‌سازی مقالات تخصصی نیز آشنا خواهند شد.
• ویدئوهای آموزشی| ویدئوهای هر جلسه آنلاین ضبط میشه و بعد از ادیت ویدئوها هفته بعدش در اختیار شرکت کنندگان قرار میگیرد.
• کدهای پیاده‌سازی شده‌| کدهای پیاده‌سازی شده در طول دوره برای پروژه‌ها و مقالات، در اختیار شرکت‌کنندگان قرار میگیرد.
• پشتیبانی آنلاین| طول دوره و بعد از دوره شرکت کنندگان می‌توانند با مدرس دوره در ارتباط باشند. علاوه‌براین، برای هر فصل دوره پروژه‌ای تعریف میشه و پروژه‌ها توسط مدرس بررسی شده و فیدبکهای لازم داده می‌شود.

فصل اول: مقدمه

• آشنایی با سیگنال قلبی
  • قلب
  • سیگنال قلبی
• آشنایی با چارچوب پردازش سیگنال ECG
  • پیش پردازش
  • تشخیص پیک R
  • استخراج QRS
  • استخراج RRI
  • استخراج ویژگی
  • انتخاب ویژگی
  • طبقه‌بندی
• معرفی پایگاه‌های داده
  • MIT-BIH-Arrhythmia
  • Apnea-ECG Database
  • پایگاه داده Kaggle
  • ….
• معرفی کتابخانه‌ها مورد نیاز در دوره

فصل دوم: پیش پردازش سیگنال قلبی (ECG)

• معرفی کتابخانه WFDB
• معرفی کتابخانه SciPy
• خواندن سیگنال ECG در پایتون
• تبدیل فوریه
• تبدیل ویولت
• فیلترینگ سیگنال
• کاهش نویز سیگنال ECG با کمک تبدیل فوریه
• کاهش نویز سیگنال ECG با کمک تبدیل ویولت
• پیاده سازی روش Pan-Tompkins جهت تشخیص پیکهای R
• استخراج QRS
• استخراج سیگنال RRI

فصل سوم: انواع روشهای استخراج ویژگی از سیگنال ECG

• Time domain features
• Frequency domain features
• Principal component analysis
• ….

فصل چهارم: انتخاب ویژگی  

• انتخاب ویژگی به صورت اسکالر
• انتخاب ویژگی به صورت برداری

فصل پنجم: طبقه‌بندی سیگنال ECG

• مفهوم طبقه‌بندی
• طبقه‌بند KNN
• طبقه‌بند SVM
• طبقه‌بند Decision Tree
• …

فصل ششم: شبکه‌های عصبی در پردازش سیگنال ECG

• آشنایی کلی با چارچوب PyTorch
• ساخت Data loader اختصاصی
• Batching داده
• تعریف تابع هزینه
• تعریف optimizer
• حلقه بهینه سازی
• پیاده‌سازی شبکه عصبی پرسپترون چند لایه
• پیاده‌سازی شبکه عصبی CNN در پایتورچ
• تعیین ساختار مناسب شبکه عصبی جهت پردازش سیگنال ECG
• پروژه نهایی

پیش نیاز دوره

• آشنایی با اصول برنامه نویسی در پایتون
• آشنایی با کتابخانه NumPy

مدت زمان دوره: حدودا 30 ساعت

مدرس دوره: محمد نوری زاده چرلو

فایل PDF

جهت ثبت نام با شماره زیر تماس بگیرید…

0936-038-2687

TELEGRAM