Dipilih dari software, topik, dan level “Kelas Klasifikasi Aritmia EKG Wavelet Deep Learning #3: Wavelet: DWT untuk Fitur dan Scalogram (CWT) sebagai Citra”.
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, dua cara wave-flat memandang detak jantung. Dewi T memecah bit menjadi pita-pita frekuensi dan meringkasnya menjadi 15 angka, sedangkan Sewi T mengubahnya menjadi gambar skalogram berwarna yang berbeda jelas untuk setiap jenis aritmia. Ayo kita mulai. Halo, selamat datang di episode ketiga seri klasifikasi EKG dengan wave-flat dan deep learning. Transformasi Fourier hanya memberitahu frekuensi apa yang ada, tetapi tidak kapan. Wave-flat memberi keduanya, sangat cocok untuk EKG yang berisi gelombang tajam seperti QRS dan gelombang lambat seperti T. Hari ini kita memakai dua jenis wave-flat.
Langkah 1: Fitur DWT
Buat file wave-flat underscore ek.py Fungsi fitur Dewi T mendekomposisi setiap bit dengan wave-flat dobesi 4 sampai 4 level, menghasilkan koefisien aproksimasi A4 untuk frekuensi rendah dan detail D4 sampai D1 untuk frekuensi makin tinggi. Dari setiap subband diambil tiga statistik, energi, simpangan baku, dan maksimum mutlak, total 15 fitur per bit.
Langkah 2: Scalogram CWT
Fungsi skalogram menghitung continuous wave-flat transform dengan wave-flat more-light pada 32 skala yang tersebar logaritmik. Setiap bit dicuplik ulang menjadi 64 sampel, sehingga menjadi citra 32 x 64, lalu dinormalisasi ke 0 sampai 1. Citra ini akan diolah CNN 2 dimensi seperti foto.
Langkah 3: Energi sub-band per kelas
Buat file uji underscore wave-flat.py dan jalankan. 50 ribu bit menghasilkan 15 fitur Dewi T masing-masing dalam beberapa detik. Panjang koefisien A4 sampai D1 adalah 14, 14, 21, 36, dan 66, D1 mewakili 45 sampai 90 Hz dan A4 0 sampai 5,6 Hz. Energi rata-rata memperlihatkan pola khas, bit V punya energi A4 129, hampir 2 x bit N67, tetapi energi D1-nya hanya 0,04 dibanding 0,4 pada N, karena QRS ventrikular lebar dan lambat, miskin frekuensi tinggi.
Langkah 4: Koefisien & scalogram
Mari lihat grafiknya. Baris atas memperlihatkan koefisien A4, D4, D3, dan D21 bit normal, QRS muncul sebagai lonjakan di detail. Baris bawah adalah skalogram keempat kelas, bit N punya noda energi sempit di skala kecil saat QRS, bit V menyebar ke skala besar karena kompleksnya lebar, dan bit S mirip N tetapi bergeser. Perbedaan visual inilah yang akan dipelajari CNN.
Selesai!
Selesai. Kita sudah mengekstrak fitur DWT-Dobesi 4 dan membuat skalogram CWT-Morlet. Di episode berikutnya kita melatih SVM dan Random Forest dengan fitur Wavelet dan 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 Wavelet, 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, 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. Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton!
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
52 kelas video1.277 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.
