×
۲۲,۰۰۰ تومان ۱۳,۲۰۰ تومان

آموزش پردازش سیگنال های واقعی در متلب

آموزش پردازش سیگنال های واقعی در متلب

تعداد دانشجو
۱,۸۳۷ نفر
مدت زمان
۴ ساعت و ۳۰ دقیقه
هزینه عادی آموزش
۲۲,۰۰۰ تومان
در طرح تخفیف
۱۳,۲۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۱۷ بازخورد (مشاهده نظرات)
آموزش پردازش سیگنال های واقعی در متلب

چکیده

در این آموزش تلاش شده است تا با استفاده از داده های واقعی کلیه مراحل پردازش سیگنال در متلب از فراخوانی داده ها گرفته تا پیش پردازش، استخراج ویژگی، حذف ویژگی های نامناسب از لحاظ آماری، طبقه بندی و ارزیابی طبقه بندهای مختلف مورد استفاده قرار گیرد تا دانشجویان به طور کامل کلیه مراحل را فرا گیرند. تمرکز ابتدایی این آموزش بر نحوه فراخوانی داده های واقعی با فرمت های مختلف و همچنین ارائه راهکار برای فراخوانی تعداد فایل های زیاد به یکباره در متلب و به صورت اتوماتیک است. آموزش نحوه صحیح ارائه نتایج و شکل ها در پایان نامه ها و مقالات نیز مورد توجه قرار گرفته است و به چندین شکل مختلف بر نحوه های مختلف نشان دادن نتایج و تست کردن راه حل ها تاکید شده است.

آموزش پردازش سیگنال های واقعی در متلب

تعداد دانشجو
۱,۸۳۷ نفر
مدت زمان
۴ ساعت و ۳۰ دقیقه
هزینه عادی آموزش
۲۲,۰۰۰ تومان
در طرح تخفیف
۱۳,۲۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۱۷ بازخورد (مشاهده نظرات)
مدرس
کمال جعفریان دهکردی

دانشجوی دکتری تخصصی مهندسی پزشکی

مهندس کمال جعفریان دهکردی دانشجوی دکترای مهندسی پزشکی در دانشگاه آزاد اسلامی واحد علوم تحقیقات هستند. ایشان به صورت فعال به عنوان مدرس و پژوهشگر با مراکز پژوهشی مختلف همکاری داشته اند.

چکیده آموزش


توضیحات تکمیلی

در این آموزش تلاش شده است تا با استفاده از داده های واقعی کلیه مراحل پردازش سیگنال در متلب از فراخوانی داده ها گرفته تا پیش پردازش، استخراج ویژگی، حذف ویژگی های نامناسب از لحاظ آماری، طبقه بندی و ارزیابی طبقه بندهای مختلف مورد استفاده قرار گیرد تا دانشجویان به طور کامل کلیه مراحل را فرا گیرند.

در طول آموزش تاکید فراوانی بر چند معضل در این زمینه شده است که هرچند ساده و پیش پا افتاده به نظر می رسند ولی در واقع جز اساسی ترین مشکلات دانشجویان در حال حاضر هستند. تمرکز ابتدایی این آموزش بر نحوه فراخوانی داده های واقعی با فرمت های مختلف و همچنین ارائه راهکار برای فراخوانی تعداد فایل های زیاد به یکباره در متلب و به صورت اتوماتیک است. آموزش نحوه صحیح ارائه نتایج و شکل ها در پایان نامه ها و مقالات نیز مورد توجه قرار گرفته است و به چندین شکل مختلف بر نحوه های مختلف نشان دادن نتایج و تست کردن راه حل ها تاکید شده است.

امید آن می رود که با توجه به پایه ای بودن بسیاری از مباحث مطرح شده که با هدف برطرف کردن ضعف برنامه نویسی در دانشجویان پایه ریزی شده است، این آموزش سبب افزایش اعتماد به نفس دانشجویان شود و به آن ها در انجام تحقیقات خود یاری رساند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مروری بر مفاهیم پردازش سیگنال دیجیتال
    • بررسی اجزای مختلف بلوک دیاگرام کلی مربوط به پردازش سیگنال دیجیتال
    • ارائه تعاریف مقدماتی
    • اشاره به برخی کاربردهای پردازش سیگنال در علوم مختلف
  • درس دوم: فراخوانی انواع مختلف داده های واقعی در متلب
    • ارائه چند مثال عملی از سیگنال های صوتی، ارتعاشاتی و بیولوژیکی با پسوندهای مختلف نظیر dat, xls, csv, txt, wav, mat
    • چگونگی فراخوانی اتوماتیک داده های جمع آوری شده توسط دانشجو و تبدیل آن ها به یک مجموعه واحد
  • درس سوم: پیش پردازش سیگنال
    • کاهش فرکانس نمونه برداری
    • بررسی روش های حذف انواع آرتیفکت (Artifact) و نویز از سیگنال ها
    • معرفی فیلتر ساویتزکی گولای
  • درس چهارم: استخراج ویژگی از سیگنال های واقعی
    • بررسی روش های مختلف پنجره بندی سیگنال
    • استفاده از دو مثال عملی از سیگنال های بیولوژیک قابل بسط به سایر حوزه ها
    • معرفی و استخراج ویژگی های آماری از سیگنال
    • تبدیل فوریه و کاربرد آن در استخراج ویژگی های فرکانسی
    • استفاده از تبدیل ویولت برای استخراج ویژگی از سیگنال های ناپایا (Non-Stationary)
    • استخراج ویژگی آنتروپی شانون (Shanon Entropy) از سیگنال به عنوان یک ویژگی غیرخطی
    • معرفی برخی ویژگی های مورفولوژیک مربوط به انواع سیگنال های حیاتی
  • درس پنجم: حذف ویژگی های فاقد سطح معناداری آماری مناسب
    • اشاره به برخی روش های حذف و انتخاب ویژگی
    • معرفی شاخص سطح معناداری آماری
    • به دست آوردن p-value با استفاده از آزمون t و استفاده از آن در حذف برخی ویژگی ها
  • درس ششم: طبقه بندی
    • بررسی یک نمونه داده معتبر در زمینه سرطان سینه
    • طراحی یک شبکه عصبی MLP و مروری بر جزئیات آن برای طبقه بندی داده ها
    • معرفی و پیاده سازی عملی روش های ارزیابی کیفیت طبقه بندها نظیر صحت، حساسیت و اختصاصی بودن
    • استفاده از ماشین بردار پشتیبان SVM جهت طبقه بندی داده ها
    • معرفی روشی برای پیاده سازی عملی ماشین بردار پشتیبان SVM برای داده های چند کلاسه در متلب
    • استفاده از طبقه بند k نزدیک ترین همسایه برای طبقه بندی داده های سرطان سینه
    • استفاده از کلیه طبقه بندهای معرفی شده (ANN, SVM, KNN) برای طبقه بندی داده های مربوط به درس های سوم و چهارم
مفید برای رشته های
  • مهندسی پزشکی
  • مهندسی برق
  • مهندسی کامپیوتر هوش مصنوعی
  • مهندسی عمران

در ادامه لیست کتب انگلیسی منتشر شده در این زمینه معرفی شده اند:

  • L Sörnmo, P Laguna; Bioelectrical Signal Processing in Cardiac and Neurological Applications (Biomedical Engineering); 2005
  • Metin Akay; Biomedical Signal Processing; 2012
  • Saeed V. Vaseghi; Advanced Signal Processing and Digital Noise Reduction; 2013

مشاهده بیشتر مشاهده کمتر

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

MATLAB R2015a



پیش نمایش‌ها

۱. مروری بر مفاهیم پردازش سیگنال دیجیتال

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۷ مگابایت -- (کلیک کنید +))

۲. فراخوانی انواع مختلف داده های واقعی در متلب

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۴۰ مگابایت -- (کلیک کنید +))

۳. پیش پردازش سیگنال

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۱۱ مگابایت -- (کلیک کنید +))

۴. استخراج ویژگی از سیگنال های واقعی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. حذف ویژگی های فاقد سطح معناداری آماری مناسب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. طبقه بندی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش پردازش سیگنال های واقعی در متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۵۵۱۸۸ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVSP9502
مدت زمان ۴ ساعت و ۳۰ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۵۰۶ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۱,۸۳۷ نفر از این آموزش استفاده کرده اند و ۱۷ نظر ثبت شده است.
میهمان
میهمان

با سلام و خسته نباشید.
از تیم عالی فرادرس که این فیلم های آموزشی عالی و پر سود را در اختیار ما دانشجویان قرار میدهند بسیاررر زیاد ممنونم و امید وارم که پیشرفته تر و بهتر هم ارائه بشه . فیلم های آموزشیه بسار عالی ای در این زمینه منتشر کردید که بسیاری از ابهامات ذهنی افراد جویای علم رو برطرف میکنه و البته مواردی هم هست که اگر رعایت بشه میتونه خیلی کمک کننده تر باشه.ازجمله اینکه توضیحات بیشتر و گسترده تری ارائه شود تا افرادی که ترم های پائین در سطح کارشناسی این رشته هستند و به این مطالب علاقه مند هستند ،بتوانند به راحتی و سهولت استفاده کنند و یاد بگیرند.
با تشکر از شما

محدثه
محدثه

به عنوان دانشجویی که برای اولین بار با حجم بالایی از دیتای تست مواجه بودم و کار کردن و مدیریت این داده ها برای افراد مختلف و گروه های مختلف برام قابل تصور نبود، برای من آموزش مفیدی بود. به طور عملی کارکردن با داده های واقعی رو نشون دادن و مختصر و قابل درکه.

با تشکر از استاد گرامی و تیم فرادرس

کریمی
کریمی

سلام وقت بخیر از آموزش های فوق العاده گروه فرادرس متشکرم.

زینب
زینب

محتوای آموزش و نوع بیان مدرس و مطالبی که ارائه شد مفید بود
باتشکر از فرادرس

مژده
مژده

مطالب توسط مدرس متاسفانه خوب بیان نشده؛ لحن بی‌حوصله استاد و توضیحات ناکافی.

میثم
میثم

آموزش خوبی بود و من راضی بودم از این آموزش

زینب
زینب

خیلی تند از روی مطالب میگذرن و برای کسی که اطلاعات کافی نداره اصلا مناسب نیست.

elham
elham

با عرض سلام و خسته نباشید و تشکر ویژه بابت سایت پربارتون لازم به ذکر است بنده با کمک آموزش پردازش سیگنال های واقعی در متلب شما توانستم پایان نامه خود را بدون نیاز به استادان راهنمایی که هیچگونه کمکی نمی کنند تا حد زیادی پیش ببرم. از این بابت از شما بسیار سپاسگذارم. درخواستی که دارم ، در صورت امکان در زمینه پردازش گفتار و صوت به صورت پیشرفته نیز درسهایی طراحی و ارائه گردد. 

سعید
سعید

به نظر من خیلی عالی بود. ای کاش EMD هم داخلش میاوردن ولی به طور کلی برای کسانی که بخوان داخل پایان نامه هاشون از مبحث پردازش سیگنال استفاده کنن به صورت کاربردی، مختصر و مفید تمام آنچه لازم دارن گفته شده. به کسانی که به دنبال تئوری های روش ها هستن توصیه نمیشه چون کاملا کاربردی گفته شده.

mastaneh
mastaneh

سلام
چند مورد اساسی وجود داره:
اول اینکه لحن صحبت و توضیح ایشون حوصله سر بر بود لحن بیان مفاهیم توسط استاد یک مسئله بسیار مهمه ایشون لحنشون بی حوصله و بی حال بود. دوم، نوشتید سیگنال های واقعی، کاش مینوشتید فقط ECG ما که دنبال EEG بودیم واقعا هیچی نسیبمون نشد.
سپاس

کاشانی
کاشانی

این آموزش صرفا برای کسانی هست که به پردازش سیگنال آشناهستند چون راجع به خود پردازش صحبتی نشده و ابزار های آن در نرم افزار متلب معرفی شده است.

نعمت
نعمت

واقعا عااااااالی بود.

محمدرضا
محمدرضا

سلام
من در لینک مربوط با پردازش سیگنال قلب با یه مشکل اساسی مواجه شدم از سایت mit -bih سیگنال های ثبت شده رو میشه گرفت ولی در اموزش شما توسط دکتر کمال جعفریان اشاره ای به دریافت کد atr از سیگنال قلب نشده این در صورتی هست که از سایت پایگاه داده قلب فقط میشه یک فرم یا کد ECG رو دریافت کرد در صورتی که در اموزش و فیلم 2 ایشون اشاره میشه به دریافت دو کد که یکیش ATR.MATT هست
ممنون میشم این مورد توضیح داده بشه

روابط عمومی
روابط عمومی

در پاسخ به محمدرضا:
با سلام؛
ضمن تشکر از حضور شما در فرادرس، پاسخ مدرس در ادامه آمده است:

درصورت نیاز به هر یک از فایلهای حاشیه نویسی سیگنال قلبی ecg برای پایگاه داده معرفی شده در فیلم آموزشی، که به فایلهای annotation معروف هستند و پسوند atr دارند، روی این لینک (+) کلیک کنید.

در ضمن یک تولباکس برای برقراری ارتباط میان پایگاه داده فیزیونت و نرم افزار متلب وجود دارد به نام WFDB TOOLBOX که در اینترنت موجود است. در این تولباکس هم دستور rdann فایل atr را در متلب فراخوانی می کند.​

موفق و پیروز باشید.

پاسخ به نظر

حامد
حامد

باسلام
مدرس خیلی سریع توضیح میدهد. بعضی فرمول ها قابل فهم نیستند.

student
student

سلام

انتظار می رفت به معرفی ابزارهای هر حوزه پرداخته بشه.

حمید رضا
حمید رضا

با عرض سلام.
مدرس مختصر توضیح داده و خیلی سریع از مطالب میگذره.


برچسب‌ها:
Artifact Removal | Audio Processing | Biological Signals | Classification | csv | dat | Digital Signal Processing | down sampling | dsp | ECG Base-Line Wandering | Feature Extraction | Feature Selection | Fourier Transform | Frequency Analysis | k-Nearest Neighbors | mat | Neural NetworkSupport Vector Machine | Noise Rejection | Nonlinear Features | Nonstationary Signals | p-value | Pre-Processing | Savitzky Golay Filter | signal proccessing | Significance Level | Statistical Features | txt | UCI | Vibration Monitoring | Vibration Signal Analysis Vibroarthrography | wav | Wavelet | Wavelet Transform | windowing | Wisconsin Breast Cancer Data WBCD | xls | آزمون t | آنتروپی شانون | اختصاصی بودن ماشین بردار پشتیبان svm | استخراج ویژگی سیگنالهای ناپایا (Non-Stationary) | استخراج ویژگیهای آماری | استخراج ویژگیهای فرکانسی | پردازش داده های مربوط به سرطان سینه پایگاه ویسکانسین | پردازش سیگنال | پردازش سیگنال دیجیتال | پردازش سیگنالهای VAG یا آرتروگرافی ارتعاشی زانو | پردازش سیگنالهای ارتعاشی | پردازش سیگنالهای بیولوژیک در متلب | پردازش سیگنالهای حیاتی | پردازش سیگنالهای واقعی | پردازش صوت | پنجره بندی سیگنال | پیش پردازش | تبدیل فوریه | تبدیل ویولت | حذف نویز | حذف نویز EEG | حذف نویز پایه از ECG | حساسیت | روش k نزدیکترین همسایه knn | روشهای ارزیابی طبقه بندها | روشهای انتخاب ویژگی | سطح معناداری آماری | شبکه عصبی MLP | صحت | طبقه بندی سیگنالها | فیلتر ساویتزکی گولای | کاهش فرکانس نمونه برداری | ماشین بردار پشتیبان چندکلاسه در متلب | موجک | ویژگی غیرخطی | ویژگیهای مورفولوژیک سیگنالهای حیاتی
مشاهده بیشتر مشاهده کمتر