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 jaringan konvolusi, satu membaca bentuk bit langsung dan satu membaca gambar skalogram, dilatih dalam hitungan detik di GPU. Hasilnya mengejutkan, pada pasien baru, keduanya tidak otomatis mengalahkan SVM. Ayo kita mulai. Halo, selamat datang di episode kelima seri klasifikasi EKAG dengan Wavelat dan Deep Learning. CNN bisa mempelajari fitur sendiri tanpa dirancang manusia. CNN 1 dimensi langsung dari bentuk sinyal, dan CNN 2 dimensi dari skalogram seperti mengenali gambar. Hari ini kita melatih keduanya dan mengujinya secara jujur.
Langkah 1: Arsitektur CNN 1D & 2D
Buat file model underscore cnn.py CNN 1 depunya tiga blok konvolusi satu dimensi dengan B normalization dan Max Pauling. Lalu fiturnya digabung dengan empat fitur RR sebelum lapisan klasifikasi. CNN 2 deserupa tetapi memakai konvolusi dua dimensi untuk citra skalogram 32x64. Menggabungkan RR penting karena irama tidak terlihat dari satu bit saja.
Langkah 2: Sampling seimbang & augmentasi
Fungsi latih mengambil B dengan peluang sebanding akar dari satu per frekuensi kelas. Kelas langka lebih sering terlihat, tetapi tidak sampai dihafal berlebihan. Augmentasi mengalihkan amplitudo secara acak, menambah draw, dan menggeser bit beberapa sampel, meniru variasi antar pasien. Weight decai menambah regularisasi. Fungsi prediksi menjalankan model dalam potongan besar di GPU.
Langkah 3: Melatih & menguji di DS2
Buat file latih underscore cnn.py Fitur RR distandarkan memakai statistik DS1. CNN 1 didilatih 4 epoch pada seluruh DS1, dan CNN 2 depada 10.000 bit n ditambah semua bit aritmia karena skalogram memakan memori. Keduanya diuji pada seluruh DS2 dan prediksinya disimpan. Jalankan Masing-masing selesai dalam belasan detik di GPU. CNN 1 mencapai akurasi sekitar 90% dengan sensitivitas V sekitar 90%, tetapi sensitivitas S dan F rendah. CNN 2 deakurasinya sekitar 85%. Angka persisnya bisa sedikit berbeda setiap pelatihan GPU.
Langkah 4: Confusion matrix CNN
Lanjutkan dengan Confusion Matrix. Mari lihat grafiknya. Kedua CNN sangat baik mengenali bit V yang bentuknya khas, tetapi banyak bit S dan F jatuh ke kelas N. Bit S bentuknya hampir identik dengan normal, yang membedakan terutama waktunya. CNN cenderung menghafal bentuk bit pasien latih, sehingga pada pasien baru, keunggulannya atas fitur rancangan manusia tidak otomatis muncul.
Selesai!
Selesai. Kita sudah merancang CNN 1D dan CNN 2D skalogram, melatihnya dengan sampling seimbang dan augmentasi, dan mengujinya interpasien. Di episode terakhir kita membandingkan semua model per kelas dan melihat bagian bit mana yang diperhatikan CNN. 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 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. 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.
