معرفی دوره پردازش سیگنال قلبی-ECG
هر سیگنال حیاتی، روشهای پردازش خاص خودش را دارد، سیگنال ECG هم از از این قاعده مستثنی نیست و روشهای پردازش، مخصوصا پیش پردازش و استخراج ویژگی، مختص خودش را دارد. ما در دوره پردازش سیگنال قلبی (ECG) انواع روشهای پردازش سیگنال قلبی، از پیش پردازش سیگنال ECG گرفته تا استخراج ویژگی، به صورت پروژه محور یاد می‌گیریم، در ادامه هم از روشهای یادگیری ماشین و یادگیری عمیق هم برای تشخیص بیماریهای قلبی استفاده میکنیم.
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.
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
جهت ثبت نام با شماره زیر تماس بگیرید…
0936-038-2687
دوره های مرتبط
پردازش سیگنال مغزی با کتابخانه MNE پایتون
برای پردازش و کار با سیگنال EEG (سیگنال مغزی الکتروانسفالوگرافی) در محیط برنامه‌نویسی پایتون، راه‌های مختلفی پیش روی شماست. می‌توانید مراحل پردازش را خودتان با توابع و کتابخانه‌های موجود انجام دهید. علاوه بر این‌ها پایتون، پکیج‌هایی برای پردازش و کار…
هما کاشفی 
واسط مغز و کامپیوتر مبتنی بر P300
واسط مغز-کامپیوتر مبتنی بر P300 برای اولین بار در سال 1988 توسط Farwell و Donchin ارائه شد و از آن موقع به بعد به صورت گسترده در حوزه ارتباطات BCI مورد استفاده قرار گرفته است. در یک BCI-speller مبتنی بر…
محمد نوری زاده چرلو 
تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی(eeg)
تبدیل فوریه زمان کوتاه(short time fourier transform) یک ابزار مناسب برای تحلیل همزمان سیگنال در حوزه زمان و فرکانس است. از تبدیل فوریه زمان کوتاه در پردازش سیگنالهای حیاتی، مخصوصا پردازش سیگنال مغزی(EEG) به طور گسترده ای استفاده می‌شود. در…
پیاده سازی مقاله فیلترهای مکانی مشترک رگوله شده(Regularized CSP)
یکی از معروفترین روشهای استخراج ویژگی در واسط مغز و کامپیوتر مبتنی بر تسک تصور حرکتی، فیلترهای مکانی مشترک(CSP) هست. CSP علارغم کارایی خیلی خوبی که دارد، به نویز بسیار حساس هست و احتمال overfitting بالایی دارد. برای حل این…
پیاده‌سازی مقاله فیلترهای مکانی طیفی مشترک(cssp)
فیلترهای مکانی طیفی مشترک (common spetio-spectral patterns) یکی از الگوریتمهای بهبودیافته‌ی csp است. یکی از ایرادات فیلتر مکانی مشترک(csp) این است که هنگام محاسبه فیلترهای مکانی، اطلاعات طیفی را در نظر نمی‌گیرد، برای حل این مشکل csp، الگوریتم cssp مطرح…
پردازش سیگنال مغزی(EEG)
در دوره تخصصی پردازش سیگنال مغزی (eeg ) تمامی مباحث پایه و کاربردی پردازش سیگنال eeg به صورت مرحله به مرحله آموزش داده شده بر روی سیگنال eeg پیاده‌سازی شده اند. این دوره کاملا پروژه محور هست و از همان…
پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی
در دوره تخصصی پردازش سیگنال eeg مبتنی بر تصور حرکتی تمام مباحث مرتبط با پردازش داده‌های EEG تصوری حرکتی را آموزش می‌دهیم. در دوره تمرکز ما بر روشهای مبتنی بر common spatial pattern(csp) است. تئوری الگوریتم csp و روشهای بهبود…
تشخیص صرع در سیگنال EEG
َAbstract .Detection of seizures in EEG can be challenging because of myogenic artifacts and might be time-consuming In this study,we propose a method using sub-band nonlinear parameters and genetic algorithm automatic seizure detection in EEG. In the experiment,the discrete…
مهتاب فرجی 
دیدگاه ها