Memuat
Memuat
Lihat semua langkah di atas dipraktikkan langsung, lengkap dengan narasi.
0 kali ditonton
Buku kelas
Halaman 1 / 6
Sampul: Kelas Klasifikasi Aritmia EKG Wavelet Deep Learning #1: Sinyal EKG & EEG: Karakteristik dan Dataset Publik (MIT-BIH)
Klik halaman atau ◀ ▶ untuk membalik · geser di HP · untuk memperbesar
Ingin belajar lebih dalam?
Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.
Dipilih dari software, topik, dan level “Kelas Klasifikasi Aritmia EKG Wavelet Deep Learning #1: Sinyal EKG & EEG: Karakteristik dan Dataset Publik (MIT-BIH)”.
Pilihan lain dari kami untuk Python.
Belajar bareng mentor
Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)

Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)
Minta dibuatkan
Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

Jasa Machine Learning Python — Model Prediksi, Segmentasi Pelanggan, Deteksi Fraud & Aplikasi AI

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas
★ 4.9

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis
★ 4.9
Kabari saya kalau ada kelas Python baru
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Inilah hasil akhirnya, rekaman jantung dari 44 pasien data basa MITBIH, lebih dari 100 ribu detak berlabel normal dan 3 jenis aritmia, dibagi sehingga pasien uji tidak pernah dilihat saat pelatihan, seperti di rumah sakit sungguhan. Ayo kita mulai. Halo, selamat datang di seri tutorial riset, klasifikasi sinyal EKG untuk deteksi aritmia dengan wave-flat dan deep learning. Aritmia, gangguan irama jantung, bisa berujung stroke atau henti jantung, dan membaca rekaman EKG berjam-jam sangat melelahkan bagi dokter. Di seri 6 episode ini, kita membangun sistem klasifikasi otomatis dari 0, data set MITBIH, filter dan segmentasi, transformasi wave-flat, machine learning klasik, CNN1 dan 2 dimensi, sampai evaluasi dan interpretasi model. Konsep yang sama juga berlaku untuk sinyal otak EEG.
Kita buka terminal lewat menu terminal, new terminal, lalu pasang WFDB untuk membaca format visionet, skipy, pi-wave-flats, scikit-learn, torq, dan matplotlib. Data basa MITBIH sudah tersedia di folder dataset, khusus untuk pelanggan premium.
Buat file data underscore ek.py. MITBIH direkam pada 360 Hz. Standar AAMI mengelompokkan simbol anotasi menjadi 4 kelas, N untuk bit normal dan bundle branch block, S untuk bit ektopik supraventrikular dari atrium, V untuk bit ektopik ventrikular, dan F untuk fusi bit ventrikular dan normal. Kita pakai pembagian interpasien decazal, DS1 untuk latih dan DS2 untuk uji berisi pasien yang berbeda, dan 4 rekaman berpacemaker dikeluarkan. Banyak penelitian melaporkan akurasi 99% karena mencampur bit pasien yang sama dilatih dan uji. Pembagian interpasien jauh lebih jujur.
Fungsi muat rekaman membaca sinyal dengan WFDB, memilih lit ML2, membaca anotasi dokter, dan mengubah setiap simbol menjadi kelas AAMI, atau minus 1 untuk tanda yang bukan bit. Buat file eksplorasi underscore ek.py dan jalankan.
DS1 berisi 22 pasien dengan 51.000 bit, 89,9% normal, 1,9% S, 7,4% V, dan 0,8% F. DS2 berisi 49.700 bit dengan proporsi S hampir 2 kali lipat, 3,7%. Ketidakseimbangan inilah tantangan utama, model yang selalu menebak normal pun sudah benar 90%. Rekaman 208 berdurasi 30 menit dengan 3040 anotasi.
Mari lihat grafiknya. Pada potongan 8 detik rekaman 208, bit V terlihat lebar dan tinggi berbeda dari bit N. Diagram batang skala lock memperlihatkan dominasi kelas N. Rata-rata bentuk bit per kelas memperlihatkan perbedaan morfologi. QRS bit V jauh lebih lebar dan arahnya berbeda, sedangkan bit F di antara keduanya.
Selesai. Kita sudah mengenal sinyal EKG, data base MITBIH, kelas AAMI, dan pembagian interpasien DS1 dan DS2. Di episode berikutnya kita memfilter derau, memotong setiap bit, dan menghitung fitur interval RR. Sedang menyusun skripsi, tesis, atau riset di bidang teknik biomedis dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi pengolahan sinyal biomedis, dari filter dan segmentasi sinyal EKG, transformasi wavelength, machine learning klasik, sampai CNN1 dan 2 dimensi beserta interpretasinya, serta membuka kursus pemrograman Python untuk teknik elektro dan biomedis. Ingin menguasai seluruh seri ini, dari data base MITBIH sampai evaluasi perkelas aritmia? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah, data set, dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton,
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.

Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
Lihat klien kami →