Dipilih dari software, topik, dan level “Kelas Klasifikasi Aritmia EKG Wavelet Deep Learning #2: Filter Noise, Segmentasi Beat/Epoch, dan Normalisasi”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, sinyal EKG yang bersih dari Baseline Wonder, dan lebih dari 100.000 bit yang sudah dipotong, dinormalisasi, dan dilengkapi fitur interval RR. Kita juga menemukan bahwa bit aritmia datang lebih cepat dari biasanya. Ayo kita mulai. Halo, selamat datang di episode kedua seri klasifikasi EKG dengan WaveLat dan Deep Learning. Sinyal EKA gementah penuh derau, garis dasar yang naik turun karena napas, derau listrik, dan derau otot. Untuk klasifikasi perbit, sinyal juga harus dipotong di sekitar setiap detak. Hari ini kita membangun tahap praproses ini.
Langkah 1: Filter bandpass & segmentasi
Buat file praproses underscore ek.py. Fungsi filter benpas memakai Butterworth Order 3 dengan pita 0,5 sampai 40 Hz. Di bawah 0,5 Hz adalah Baseline Wonder, di atas 40 Hz derau otot dan listrik. Kita pakai Field-Field, filter maju lalu mundur, agar tidak ada pergeseran fase yang mengubah bentuk gelombang. Fungsi segmentasi memotong 250 sampel di sekitar setiap puncak R, 90 sebelum dan 160 sesudah, lalu mencuplik ulang menjadi 125 sampel dan menormalisasi Z-score per bit. Fitur RR berisi jarak ke bit sebelumnya, jarak ke bit berikutnya, rata-rata RR 10 bit terakhir, dan rasio RR sebelumnya terhadap rata-rata lokal.
Langkah 2: Membangun dataset beat
Fungsi bangun dataset menjalankan segmentasi untuk daftar rekaman dan menggabungkan hasilnya, sambil mencatat nomor pasien setiap bit.
Langkah 3: Segmentasi 44 rekaman
Buat file buat underscore bit.py dan jalankan. 44 rekaman tersegmentasi dalam hitungan detik, menghasilkan 50.984 bit DS1 dan 49.677 bit DS2, disimpan ke bit midb.npz. Rasio RR sebelum terhadap rata-rata lokal sangat informatif, bit N rata-rata 1,03, sedangkan bit S0,83 dan V0,77, artinya bit aritmia datang lebih awal. Itulah sebabnya disebut bit prematur. Mari lihat grafiknya.
Langkah 4: Efek filter & fitur RR
Sinyal mentah berayu naik turun, sedangkan setelah filter benpas garis dasarnya rata dan bentuk P, QRS, T tetap utuh. Contoh bit ternormalisasi memperlihatkan perbedaan bentuk keempat kelas. Box plot rasio RR memperlihatkan S dan V jelas di bawah 1, sedangkan F dekat dengan N, sehingga F akan sulit dibedakan.
Selesai!
Selesai. Kita sudah memfilter sinyal dengan benpas tanpa geser fase, memotong bit di sekitar puncak R, menormalisasi, dan menghitung fitur RR. Di episode berikutnya kita mengekstrak fitur wave-flat dan membuat skalogram. 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 wave-flat, machine learning klasik, sampai CNN 1 dan 2 dimensi beserta interpretasinya, serta membuka kursus pemrograman Python untuk teknik elektro dan biomedis. Ingin menguasai seluruh seri ini? Dari data basa MITBIH sampai evaluasi perkelas aritmia? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah, dataset, 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.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.286 episode
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.
