عکس رادیولوژی😍
@Onlinebme

تایم لپس از آناتومی قلب و گردش خون
جلسه اول دوره پردازش سیگنال ECG
@Onlinebme

☑️نصب تولباکس WFDB فیزیونت در متلب

دسته:پایگاه داده
محمد نوری زاده چرلو

17 اردیبهشت 1403

سایت فیزیونت یک وبسایت پایگاه داده پزشکی است که داده های بسیار معتبری ارائه میدهد. سیگنالهای حیاتی این سایت با فرمتهای مختلفی هستند که برای خواندن آنها در متلب لازمه که از تولباکس خود وبسایت فیزیونت استفاده کنیم. تولباکس WFDB فیزیونت برای خواندن، نوشتن و پردازش سیگنالهای حیاتی این وبسایت ارائه شده است.

🔺 معمولا اضافه کردن این تولباکس با روال add to path به متلب با مشکل مواجه میشه و خیلی مواقع تولباکس درست کار نمی‌کند. احتمالا خیلی از شما هم موقع استفاده کردن از این تولباکس با مشکل خطاهای گاه و بی گاه تولباکس WFDB مواجه شده اید.

💡 در این پست (ویدیو) روال نصب تولباکس WFDB در متلب رو توضیح میدهیم تا خیلی راحت نصب کنید و دیگه مشکلات روال دستی add to path رو تجربه نکنید.

#PhysioNet #MATLAB
🔘 جزئیات بیشتر 👇
https://onlinebme/com.onlinebme.com/installation-of-physionet-wfdb-toolbox-in-matlab/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

☑️تشخیص تشنج های صرع سیگنال EEG با الگوریتم های یادگیری عمیق

هما کاشفی امیری
20 اردیبهشت 1403

✍️در محیط بالینی، تشخیص خودکار تشنج های صرع اهمیت فزاینده ای پیدا می کند، زیرا می تواند به طور قابل توجهی بار مراقبت از بیماران مبتلا به صرع صعب العلاج را کاهش دهد. سیگنال های الکتروانسفالوگرافی (EEG) فعالیت الکتریکی مغز را ثبت می کنند و حاوی اطلاعات غنی در مورد اختلال عملکرد مغز هستند. به عنوان یک ابزار غیر تهاجمی و ارزان برای تشخیص تشنج های صرع، ارزیابی بصری ضبط EEG کار فشرده و ذهنی است و نیاز به بهبود قابل توجهی دارد. با استفاده از الگوریتم های یادگیری عمیق می توان تشخیص تشنج های صرعی را با بالاترین دقت انجام داد.

#Python #EEG #Deep_Learning
🔘 جزئیات بیشتر 👇
https://onlinebme/com.onlinebme.com/epilepsy-eeg-signal-detection-using-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ دوره پردازش سیگنال ECG
🔷  فصل 1-2: پیش پردازش
🔘 تمرینات سری اول
▪️ خواندن داده به فرمتهای مختلف

@Onlinebme

☑️ معرفی تابع dir متلب (خواندن فایلها با اسم های مختلف)

محمد نوری زاده چرلو
31 اردیبهشت 1403

✍ احتمالا شما هم موقع خواندن فایلها با اسمهای مختلف در متلب، مخصوصا اگر اسم فایلها الگوی مشترکی نداشته باشند، به مشکل خورده اید. همانند ماژول glob پایتون، متلب تابعی به اسم dir داره که این کار رو براتون راحت میکنه و اسم فایلها رو به صورت لیست به شما میده و شما راحت میتونید فایلها رو بخونید. تو این ویدیو کار با تابع dir متلب را توضیح داده ایم

⭕️ جزئیات بیشتر 👇
https://onlinebme/com.onlinebme.com/matlab-dir-function/

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ دوره پردازش سیگنال ECG
🔷  فصل 2: پیش پردازش
🔘 تمرینات سری دوم
▪️ فیلترینگ سیگنال در حوزه زمان و فرکانس

@Onlinebme

✅شبکه‌های عمیق در نقش‌های مختلف در تحلیل سیگنال EEG

هما کاشفی امیری
3 خرداد 1403

✍️اگر تابحال مقالات مربوط به کاربرد شبکه‌های عمیق در پردازش انواع مختلف سیگنال EEG را بررسی کرده باشید، احتمالاً متوجه شده‌اید که بسته به کاربرد و عملکرد مناسب مدل، شبکه‌های عمیق در نقش‌های مختلفی ظاهر شده‌اند. برای مثال در برخی از مقالات از شبکه‌های عمیق به عنوان استخراج کننده ویژگی استفاده شده است و در برخی دیگر، نقش کاهش دهنده ی ابعاد را بازی کرده‌اند. در برخی از مقالات هم کل مراحل توسط شبکه عمیق انجام شده و هیچ مرحله پیش پردازش یا استخراج ویژگی وجود ندارد (End to End Learning). در این مقاله، به این موارد می‌پردازیم و اینکه کدامیک از شبکه‌ها برای هر یک از این عملیات مناسب هستند.


#Python #EEG #Deep_Learning
🔘 جزئیات بیشتر 👇
https://onlinebme/com.onlinebme.com/different-roles-of-deep-learning-networks-in-eeg-signal-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ دوره پردازش سیگنال ECG
🔷  فصل 2: پیش پردازش
🔘 تمرینات سری سوم
▪️ سیگنال در حوزه فرکانس: PSD

@Onlinebme

✅تبدیل موجک چیست؟

هما کاشفی امیری
10 خرداد 1403

✍️تبدیل موجک (Wavelet Transform) ابزاری ریاضیاتی است که یک تابع یا سیگنال را به مجموعه توابع پایه ‌ای به نام موجک، تجزیه می‌کند. تبدیل موجک، ابزار قدرتمندی در پردازش سیگنال EEG است؛ با استفاده از آن می‌توان از سیگنال EEG، ویژگی استخراج کرد یا نویز آن را حذف کرد.


#Python #EEG #Deep_Learning
🔘 جزئیات بیشتر

https://onlinebme/com.onlinebme.com/wavelet-transform/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅الگوریتم Pan-Tompkins در تشخیص پیکهای R سیگنال ECG

محمد نوری زاده چرلو
14 خرداد 1403

در پردازش سیگنال ECG اولین مرحله آشکارسازی پیکهای R است. از طریق این موقعیت پیکهای R کمپلکس QRS، سیگنال RRI و HR استخراج می‌شود. آشکارسازی دقیق موقعیت پیکهای R برای تحلیل های بعدی بسیار با اهمیت است.
💡الگوریتم Pan-Tompkins یکی از معروفترین روشها در تشخیص پیکهای R در سیگنال قلبی هست. این الگوریتم یک سری فیلتر روی سیگنال ECG اعمال می‌کند و نواحی مرتبط با QRS را برجسته تر می‌کند و در نهایت پیکهای R را تشخیص میدهد. در این پست میخواهیم با مراحل این روش توسط یک مثال عملی آشنا شویم.

⭕️جزئیات بیشتر 👇
🔘https://onlinebme/com.onlinebme.com/pan-tompkins-algorithm-for-qrs-detection/


📌فایل PDF

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 2: پیش پردازش
🔘 تمرینات سری چهارم
▪️ تشخیص پیکهای R، استخراج RRI, QRS

@Onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️

🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆


〰〰〰〰〰 برنامه‌نویسی متلب 〰〰〰〰〰

🔲 اصول برنامه‌نویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link


〰〰〰〰〰 برنامه‌نویسی پایتون  〰〰〰〰〰

⚪️ فصل 1: اصول برنامه‌نویسی پایتون 
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link


〰〰〰 شناسایی الگو و یادگیری ماشین 〰〰〰

⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
 
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتم‌های کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتم‌های خوشه‌بندی
◽️مدت دوره: 13 ساعت
🔘 Link


〰〰〰〰〰 شبکه‌های عصبی 〰〰〰〰〰

⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link

⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link

〰〰〰〰 پردازش سیگنال مغزی 〰〰〰〰

⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link

⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link

〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰

⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 3: استخراج ویژگی
🔘 تمرینات سری پنجم
▪️ Morphological and Temporal Features

@Onlinebme

✅یادگیری بازنمایی یا Representation Learning چیست؟

هما کاشفی امیری
24 خرداد 1403

✍️یادگیری بازنمایی روشی برای آموزش یک مدل یادگیری ماشین است تا بتواند مفیدترین بازنمایی داده‌ی ورودی را یاد بگیرد. این بازنمایی‌ها که اغلب به عنوان ویژگی شناخته می‌شوند، حالت‌های داخلی مدل هستند که می‌توانند داده‌های ورودی را به خوبی خلاصه‌ کنند و از این طریق به الگوریتم کمک می‌کنند تا الگوهای کلی داده‌ها را بهتر درک کند.

🔘 جزئیات بیشتر 👇
https://onlinebme/com.onlinebme.com/representation-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ محاسبه چگالی طیفی توان طبق روش Welch
👨‍💻محمد نوری زاده چرلو
🗓21 خرداد 1403

🔺️ چگالی طیفی توان (Power Spectral Density) توزیع توان در بازه‌های فرکانسی را مشخص می‌کند که میتوان با کمک تبدیل فوریه آنرا محاسبه کنیم. از آنجا که PSD اطلاعات زیادی در مورد پدیده‌ای که بررسی می‌کنیم ارائه می‌دهد، استفاده از آن در پردازش سیگنال‌های حیاتی برای تحلیل و استخراج ویژگی بسیار رایج است.
 در این پست موارد زیر را بررسی می‌کنیم:
▪️        آشنایی با مفهوم PSD
▪️        نحوه محاسبه PSD طبق رویکرد Welch
▪️        محاسبه توان طبق قاعده‌ی ذوزنقه‌ای

🔘 جزئیات بیشتر 👇
https://onlinebme/com.onlinebme.com/power-spectral-density-calculation-using-welch-method/

📌 فایل PDF

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 3: استخراج ویژگی
🔘 تمرینات سری ششم
▪️ Feature extraction from RRI

@Onlinebme