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.
پیش نیاز دوره
ویژگیهای دوره پردازش سیگنال قلبی
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
- 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
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
فصل پنجم: انتخاب ویژگی
- انتخاب ویژگی به صورت اسکالر
- T-test
- Anova
- Mutula information
- انتخاب ویژگی به صورت برداری
- Sequential forward feature selection
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
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.