دوره پردازش سیگنال قلبی ECG


دوره پردازش سیگنال ECG یک دوره کاملا پروژه محور است و در آن روشهای پردازش سیگنال ECG به صورت گام به گام آموزش داده شده و در پایتون پیاده سازی می شوند. در فصل اول انواع داده ها معرفی شده و نحوه خواندن آنها آموزش داده می‌شود. در فصل دوم روشهای پیش پردازش از جمله کاهش نویز، تشخیص پیکهای R، استخراج RRI و QRS segmentation آموزش داده می‌شود. در فصل سوم، روشهای استخراج ویژگی از جمله morphological, temporal برای QRS ها و ویژگی های حوزه زمان و فرکانس برای RRI ها آموزش داده می شود. در فصل چهارم روشهای طبقه بندی و ارزیابی آموزش داده می شود. در فصل پنجم روشهای انتخاب ویژگی آموزش داده می شود و در انتها هم نحوه پردازش سیگنال ECG با شبکه های عصبی در پایتورچ آموزش داده می‌شود.

دوره پردازش سیگنال ECG یک دوره تخصصی و کاملا پروژه محور (49 مثال، 16 تمرین، 19 پروژه) است. در این دوره، دو پایگاه داده معتبر مورد استفاده قرار گرفته اند.

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
چارچوب پردازش سیگنال قلبی (ECG)

فصل دوم: پیش پردازش سیگنال قلبی (ECG)

  • معرفی کتابخانه WFDB
  • معرفی کتابخانه SciPy
  • خواندن سیگنال ECG در پایتون
  • انواع نویزهای فرکانس بالا و پایین در ECG
  • 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
پیش پردازش سیگنال قلبی ecg

فصل سوم: انواع روشهای استخراج ویژگی از سیگنال ECG

  • استخراج ویژگی های morphological از QRS
  • استخراج ویژگیهای temporal از QRS
  • استخراج ویژگی های حوزه زمان از RRI
  • استخراج ویژگی های حوزه فرکانس از RRI
  • استفاده از PCA در استخراج ویژگی

فصل چهارم: طبقه‌بندی سیگنال ECG

  • استارنداردسازی داده 
  • معرفی طبقه‌بندها
    • طبقه‌بند KNN
    • طبقه‌بند SVM
    • طبقه‌بند Decision Tree
    • طبقه بندی LDA
  • ارزیابی 
    • روشهای ارزیابی
    • پارامترهای ارزیابی
طبقه بندی سیگنال ECG

فصل پنجم: انتخاب ویژگی  

  • انتخاب ویژگی به صورت اسکالر 
    • T-test
    • Anova
    • Mutula information
  • انتخاب ویژگی به صورت برداری
    • Sequential forward feature selection
انتخاب ویژگی

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
پردازش سیگنال قلبی با یادگیری عمیق
پیش نیاز دوره
  • آشنایی با اصول برنامه نویسی در پایتون
  • آشنایی با کتابخانه NumPy

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.
  • کدهای پیاده‌سازی شده‌| کدهای پیاده‌سازی شده در طول دوره برای پروژه‌ها و مقالات، در اختیار شرکت‌کنندگان قرار میگیرد.

  • مدت زمان دوره: 37 ساعت و 45 دقیقه
  • مدرس دوره: محمد نوری زاده چرلو
.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.