معرفی دوره: تشخیص بیماری صرع با استفاده از سیگنال EEG و روشهای طبقهبندی SVM و Naive Bayes در متلب (MATLAB)
این دوره به تشخیص بیماری صرع (Epilepsy Diagnosis) از روی سیگنالهای EEG (Electroencephalogram) میپردازد و شامل تمامی مراحل از آمادهسازی دادهها تا طبقهبندی نهایی با استفاده از دو الگوریتم قدرتمند ماشین بردار پشتیبان (Support Vector Machine – SVM) و نایو بیزین (Naive Bayes) است. در این دوره از پایگاه داده EEG دانشگاه بن آلمان (University of Bonn EEG Dataset) برای تحلیل و پردازش سیگنالها استفاده میشود.
با تمرکز بر استخراج ویژگیهای زمانی-فرکانسی (Time-Frequency Features) از طریق تبدیل ویولت گسسته (Discrete Wavelet Transform – DWT)، شرکتکنندگان با فرآیند پیشپردازش سیگنالهای EEG، استخراج ویژگی و استفاده از مدلهای یادگیری ماشین (Machine Learning) برای طبقهبندی دادههای مربوط به تشخیص صرع (Epilepsy Detection) آشنا خواهند شد. این دوره بهویژه بر استفاده از روشهای ساده و موثر برای طبقهبندی تاکید دارد.
این دوره مناسب برای مهندسان، محققان و دانشجویانی است که در حوزه پردازش سیگنالهای زیستی (Biomedical Signal Processing) و یادگیری ماشین (Machine Learning) فعالیت دارند.
سرفصل دوره:
بخش 1: مقدمه و آشنایی با سیگنال EEG
- معرفی سیگنالهای EEG و کاربردهای آنها در تشخیص بیماریهای عصبی (Neurological Disorders).
- توضیح بیماری صرع (Epilepsy) و چالشهای تشخیص آن.
- مروری بر پایگاه داده EEG دانشگاه بن آلمان (University of Bonn EEG Dataset):
- ساختار دادهها و نحوه برچسبگذاری آنها.
- روش ثبت سیگنالها و پیشپردازش اولیه.
بخش 2: آمادهسازی دادهها و پیشپردازش سیگنالها
- نحوه خواندن دادههای EEG از فایلهای دیتاست.
- نمایش سیگنالها و بررسی ساختار آنها در حالتهای مختلف:
- سیگنالهای سالم (Healthy Signals).
- سیگنالهای مربوط به صرع (Epileptic Signals).
- آمادهسازی برچسبها برای دستهبندی.
بخش 3: استخراج ویژگیها از سیگنالهای EEG با استفاده از تبدیل ویولت گسسته (DWT)
- توضیح تبدیل ویولت (Wavelet Transform) و اهمیت آن در تحلیل سیگنالهای EEG.
- تجزیه سیگنالها به ضرایب ویولت:
- ضرایب جزئی (Detail Coefficients: D1 تا D5).
- ضرایب تقریبی (Approximation Coefficient: A5).
- استخراج ویژگیهای کلیدی از ضرایب ویولت:
- میانگین و توان ضرایب ویولت (Mean and Energy).
- انحراف معیار (Standard Deviation).
- تغییرات زمانی (Temporal Variations).
- ذخیره ویژگیها برای استفاده در فرآیند طبقهبندی.
بخش 4: طبقهبندی ویژگیهای EEG با استفاده از روشهای یادگیری ماشین
الف) طبقهبندی با ماشین بردار پشتیبان (SVM):
- معرفی الگوریتم SVM و مزایای آن در مسائل طبقهبندی.
- انتخاب کرنل مناسب (Kernel Selection) و تنظیم هایپرپارامترها (Hyperparameter Tuning).
- آموزش مدل با استفاده از دادههای آموزشی (Training Data).
ب) طبقهبندی با نایو بیزین (Naive Bayes):
- معرفی روش نایو بیزین و فرضیات آن.
- آموزش مدل و پیشبینی برچسبهای دادههای آزمایشی (Test Data).
بخش 5: ارزیابی و تحلیل عملکرد مدلها
- مقایسه عملکرد دو روش SVM و Naive Bayes:
- دقت (Accuracy).
- حساسیت (Sensitivity).
- ماتریس Confusion (Confusion Matrix).
- نمودار ROC (Receiver Operating Characteristic).
- تحلیل نتایج روی دادههای آزمایشی و تعیین مدل بهینه.
بخش 6: توسعه و کاربردهای پیشرفته
- بررسی قابلیت استفاده از روشهای پیشنهادی در تشخیص سایر بیماریهای عصبی مانند آلزایمر (Alzheimer’s) و پارکینسون (Parkinson’s).
- توسعه سیستمهای خودکار برای پایش و مانیتورینگ سیگنالهای EEG در زمان واقعی (Real-Time EEG Monitoring).
- بررسی قابلیتهای بیشتر یادگیری ماشین برای تحلیل دادههای زیستی.
ویژگیهای دوره:
- پیادهسازی کامل در محیط MATLAB.
- استفاده از دو روش ساده و موثر SVM و Naive Bayes.
- تمرکز بر تحلیل دادههای واقعی EEG برای تشخیص بیماری صرع.
- مناسب برای پژوهشگران و دانشجویان حوزههای پردازش سیگنال، یادگیری ماشین و مهندسی پزشکی.
حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید
مدرس: حسن سعادتمند
- بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
- بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
- چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
- مدرس فرادرس
- کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا
دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.
معرفی دیتاست EEG (بیماری صرع) دانشگاه بن آلمال
دیتاست EEG دانشگاه بن آلمان یکی از شناختهشدهترین و پرکاربردترین مجموعهدادهها در زمینه تحلیل سیگنالهای EEG برای تشخیص صرع (Epilepsy) است. این دیتاست توسط دانشگاه بن تهیه شده و بهطور گسترده در پژوهشهای مرتبط با طبقهبندی سیگنالهای EEG و تشخیص صرع استفاده میشود.
ویژگیهای دیتاست EEG دانشگاه بن:
- ساختار دیتاست:
- دیتاست شامل 5 مجموعه (Sets) از دادهها است: A، B، C، D، و E.
- هر مجموعه حاوی 100 سیگنال EEG است.
- طول هر سیگنال 23.6 ثانیه با نرخ نمونهبرداری (Sampling Rate) برابر با 173.61 Hz است.
- هر سیگنال شامل 4097 نمونه است.
- طبقهبندی دادهها:
- Set A و B: دادههای ثبتشده از افراد سالم.
- A: افراد در حالت چشمان باز.
- B: افراد در حالت چشمان بسته.
- Set C و D: دادههای بیماران صرعدار.
- C: دادههای ثبتشده در بخشهایی از مغز که منشأ تشنج نیستند (غیر تشنجی – غیر اپیلپتیک).
- D: دادههای ثبتشده در بخشهایی از مغز که منشأ تشنج هستند (غیر تشنجی – اپیلپتیک).
- Set E: دادههای ثبتشده هنگام وقوع حملات صرع.
- Set A و B: دادههای ثبتشده از افراد سالم.
- منبع دادهها:
- دادههای EEG از الکترودهای نصبشده در مغز (Invasive EEG) و غیرتهاجمی (Non-invasive EEG) جمعآوری شدهاند.
- این دادهها توسط سیستمهای پزشکی معتبر و با استفاده از روشهای استاندارد ثبت شدهاند.
- هدف اصلی:
- طبقهبندی سیگنالها برای شناسایی مراحل مختلف مرتبط با صرع:
- سیگنالهای سالم.
- سیگنالهای غیر تشنجی.
- سیگنالهای تشنجی.
- طبقهبندی سیگنالها برای شناسایی مراحل مختلف مرتبط با صرع:
کاربردهای دیتاست:
- تشخیص صرع: توسعه الگوریتمهای یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) برای شناسایی و طبقهبندی حملات صرع.
- تحلیل سیگنال EEG: بررسی ویژگیهای زمانی، فرکانسی، و آماری سیگنالهای EEG.
- ارزیابی مدلهای طبقهبندی: استفاده از الگوریتمهایی مانند SVM، CNN، RNN، LSTM برای تشخیص خودکار صرع.
مزایای دیتاست:
- دقت بالا: سیگنالها با کیفیت بالا ثبت شدهاند.
- تنوع داده: شامل حالات مختلف مغزی (سالم، غیر تشنجی، و تشنجی) است.
- اندازه مناسب: حجم کافی برای آموزش و تست مدلهای یادگیری ماشین.
دانلود دیتاست:
- این مجموعه داده به صورت رایگان از وبسایت دانشگاه بن در دسترس است: دانلود دیتاست EEG دانشگاه بن
پژوهشهای مرتبط:
- دیتاست EEG دانشگاه بن در بسیاری از مقالات علمی بهعنوان استاندارد طلایی برای توسعه و ارزیابی مدلهای طبقهبندی سیگنالهای EEG استفاده شده است.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.