اولین دوره ‏ی جامع تخصصی و عملی برای دانشجویان مهندسی پزشکی در مشهد

ویژگی های اصلی دوره

یکی از مشخصه های برجسته ی دوره ی جامع تخصصی و عملی این است که برای اولین بار در ایران برگزار می شود و همانطور که از عنوان دوره مشخص است تنها دوره ای است که سعی شده تمام مباحث مهندسی پزشکی را پوشش دهد!

در این دوره علاوه بر مباحث شناسایی آماری الگو و داده کاوی، چندین پروژه عملی مطابق با مقالات معتبر آموزش داده می شود که دانشجویان با پروژه های مختلفی در حوزه مهندسی پزشکی آشنا شده و بعد از دوره دید بهتری نسبت به مباحث مهندسی پزشکی پیدا می کنند و با آگاهی کامل موضوعات مورد علاقه شان را برای پایان نامه انتخاب کنند.

نکته: این دوره کاملا تخصصی است و مخصوص دانشجویان ارشد و دکتری هست. برای دانشجویان کارشناسی توصیه نمیشود!

 

البته یه سری دوستان غیرمهندسی پزشکی با توجه به عنوان دوره،  مهندسی پزشکی هست دید مناسبی از محتوای دوره ندارند، که باید بگوییم هدف و تمرکز  این  دوره بر روی مباحث درس شناسایی آماری الگو (پترن) و درس داده کاوی است که اساس تمام پروژه های مهندسی در شاخه های مختلف است.

سعی ما براین است که مباحث این دو درس را کامل آموزش دهیم و برای اینکه مطلب ملموس‌تر شوند، الگوریتم‌ها را روی داده های واقعی اعمال می‌کنیم. داده هایی که در این دوره استفاده می شود داده های مرتبط با مهندسی پزشکی است.

بطبع این دوره برای دوستان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها می دهد. پروژه‌هایی که طول دوره آموزش داده می شوند نتیجه چهار سال تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی کردیم پروژه های خوب و بروزی که امروزه در این رشته کار میشود را انتخاب کنیم و براساس مقالات معتبر شبیه سازی کنیم.

 بعد اتمام دوره انتظار داریم دوستان شرکت کننده دید بهتری از پروژه ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناسی ارشد انتخاب کنند. این دوره برای اولین بار در ایران برگزار می شود و هدف این است که دوستان به طور مناسب آموزش ببینند تا در شبیه سازی مقالات تخصصی در حوزه مهندسی پزشکی و در انجام پروژه پایان‌نامه مشکلی نداشته باشند. در این دوره ما نحوه کار با داده‌های مختلف را نیز آموزش میدهیم و دوستان سختی کار با داده ها را دیگر تجربه نخواهند کرد.

همانطور که گفتیم هدف اصلی از برگزاری دوره این است که مباحث تخصصی را پروژه محور آموزش دهیم تا شرکت‌کنندگان بعد از اتمام دوره، بتوانند پایان‌نامشون رو خودشون انجام دهند و مشکلاتی از قبیل کار با داده، برنامه‌نویسی در متلب، تجزیه و تحلیل داده‌ها نداشته باشند.

 تو این چند سال متوجه شدیم که اکثر دوستان مهندسی پزشکی مباحث را بلدند ولی در پیاده‌سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند. علاوه بر آموزش مباحث درس شناسایی آماری الگو و داده کاوی، ۵ پروژه عملی از صفر تا صد در متلب پیاده‌سازی می‌شوند و شرکت‌کنندگان با موضوعات مختلفی آشنا شده و کار با داده‌های مختلف پزشکی را یاد می‌گیرند.


سر فصل مطالبی که در دوره جامع آموزش داده می شود:

۱- آموزش اصول برنامه نویسی در متلب

 

 

آموزش متلب

آموزش متلب

 

  • آرایه ها
  • تابع نویسی و برنامه نویسی
  • توابع پرکاربرد متلب
  • نمودارها
  • شرط ها و حلقه‌ها
  • آموزش الگوریتم‌های شناسایی الگو و داده کاوی
الگوریتم‌های شناسایی الگو و داده کاوی

الگوریتم‌های شناسایی الگو و داده کاوی

 

۲- روش‌های کاهش نویز (تبدیل ویولت- تبدیل فوریه)

۳- نحوه فیلترینگ داده با استفاده از فیلترهای باترورث

۴- روش‌های استخراج ویژگی(تبدیل فوریه، تبدیل موجک، ویژگی های آماری، ویژگی های غیرخطی)

۵- روش‌های نرمال سازی داده(خطی-غیرخطی)

۶- روش‌های انتخاب ویژگی

  • روشهای انتخاب ویژگی اسکالر
  • تست آماری( ttest)
  • روشهای انتخاب ویژگی برداری
  • sequential backward search
  • sequential forward search
  • sequential forward and backward search

۷- روش های کاهش ابعاد داده

  • Fisher discriminant analysis-LDA (for two and multiclass data)
  • Principle component analysis
  • Common spatial patterns (for channel selection in EEG motor imagery data in bci – two and multiclass data)
  • Filter bank common spatial patterns

۸- روشهای کلاس‌بندی

♦روشهای پارامتری

  • بیزین
  • maximum likelihood
  • فاصله اقلیدسی
  • ماهالانوبیس 

 

♦روشهای غیرپارامتری

  • svm(linear-nonlinear) – two and multi class problems
  • K-nearest neighborhood (knn)
  • tree
  • FLD

۹- روش‌های اعتبارسنجی

  • انتخاب مدل بهینه
  • cross validation
  • تخمین عملکرد
  • The hold out validation method
  • Leave one out validation method
  • K-fold cross validation method
  • Random subsampling validation method

۱۰- پارامترهای ارزیابی

  • دقت شناسایی
  • حساسیت (sensitivity)
  • ویژگی (specificity)
  • ماتریس مختلط(confusion matrix)
  • منحنی ROC

 

۱۱- روش‌های خوشه‌بندی

  • الگوریتم Kmeans
  • الگوریتم فازی fuzzy c-means )fcm)

 

نکته: تمام الگوریتم‌ها درمتلب به صورت گام به گام  پیاده‌سازی شده و در پروژه‎های عملی استفاده می‌شوند.

 

 

 

۱۲- انجام پروژه‌های تخصصی مهندسی پزشکی

◊پروژه هایی که در طول دوره آموزش داده می شوند را در زیر خلاصه کرده ایم:

 

  • کار با سیگنالهای مغزیِEEG (داده مربوط به صرع-داده‌های تصوری حرکتی-داده‌های  اسپایک(فعالیت تک نورون))

 

  • کار با سیگنالهای قلبیِ ECG (داده‌های مربتط با آرتیمی های قلبی(داده استاندارد سایت فیزیونت)

 

  • تشخیص بیماری صرع از روی سیگنالهایEEG (داده استاندارد ۵ کلاسه دانشگاه بن آلمان)،

 

تشخیص بیماری صرع از روی سیگنالهایEEG

تشخیص بیماری صرع از روی سیگنالهایEEG

صرع یک بیماری نورولوژیکی است که میلیونها نفر در جهان را درگیر خود ساخته است. علت آن نقص در فعالیت الکتریکی سلولهای مغزی به دلیل افزایش تحریک‌پذیری سلولهای عصبی می‌دانند. در نواری مغزی این افراد الگوهای غیرطبیعی دیده می‌شود. برای تشخیص بیماری صرع روشهای مختلفی است که معروفترین آنها استفاده از نوار مغزی است.

  • در این دوره آموزش میدهیم که چگونه می توان با استفاده از روشهای مختلف استخراج ویژگی در حوزه زمان، فرکانس و زمان فرکانس، بیماری صرع را تشخیص داد.
  • کلاس‌بندی داده های تصوری و حرکتی EEG ( واسط مغز و کامپیوترBCI)،

 

کلاس‌بندی داده های تصوری و حرکتی EEG

کلاس‌بندی داده های تصوری و حرکتی EEG

برخی از افراد با بیماریهای عصبی از جمله مشکلاتی در راه رفتن، صحبت کردن و نوشتن به دلیل از دست دادن کنترل مناسب حرکت، رنج می‌برند. افراد مبتلا به این نوع از بیماری‌هایی مانند اسکلروز جانبی آمیوتروفیک(ALS)، نشانگان قفلشدگی، بیماری لو گرینگ، و بالا نخاعی آسیب طناب کنترل عدم عضلات ارادی از این مشکلات رنج میبرند. بنابراین، آنها قادر به انجام حتی کارهای ساده توسط خودشان را ندارند. بنابراین، آنها نمی توانند با محیط ارتباط برقرار کنند و بعضی مواقع آنها از جامعه محروم می شوند زیرا آنها بارسنگین(خواری) در نظر گرفته می شوند. تکنولوژی BCI می‌تواند در درمانهای پزشکی بیماران ذکر شده گنجانده شوند و سطح و کیفیت زندگی آنها را ارتقاء دهند. قصد ذهنِ افراد معلول را می توان زمانی که افراد یک حرکتی را تصور می‌کنند و یا انجام می‌دهند، با تجزیه سیگنالهای مغزی آنها آشکار کرد و آنها را به پیام و یا کنترل دستگاه‌های خانگی تبدیل کرد، که باعث افزایش سطح کیفیت زندگی هم افراد معلول و هم خانواده آنها می‌شود.

 

 الگوریتم الگوهای فضایی مشترک (CSP)یکی از معروفترین روشها در انتخاب کانال (کاهش مکانی تعداد کانالها) در داده‌های تصوری حرکتی دوکلاسه است. در این دوره ما الگوریتم CSP و FBCSP (بهینه یافته CSP) را آموزش داده و سپس در متلب پیاده‌سازی می‌کنیم و بر روی داده تصوری حرکتی اعمال می‌کنیم. همچنین نحوه تعمیم این الگوریتم برای داده‌های چندکلاسه را آموزش خواهیم داد.

 

  • اسپایک سورتینگ با استفاده از دو روش مختلف
  • خوشه بندی (kmeans-fcm )
  • Template matching

 

 

Template matching

Template matching

اسپایک سورتینگ یا همان کلاسترینگ (مرتب سازی)اسپایکها یک تکنیک رایج در میان دانشمندان علوم و اعصاب جهت مطالعه عملکرد مغز است و در سالیان اخیر برای درمان بیماریهای از قبیل صرع، فلج و از دست دادن حافظه استفاده می کنند. 

برای بررسی بیماری ها نیاز به داشتن اطلاعات درباره فعالیت تک تک نورون ها است. در ثبت خارج سلولی فعالیت چندین نورون بطور همزمان ثبت می‌شود. برای تفکیک فعالیت تک تک نورونها از تکنیک اسپایک سورتینگ استفاده می‌کنند.

در این دوره مفاهیم ثبت داخل و خارج سلولی، تکنیکهای اسپایک سورتینگ را آموزش داده و یک پروژه عملی انجام میدهیم!

ثبت داخل و خارج سلولی

ثبت داخل و خارج سلولی

 

 

امروزه افراد زیادی از نارسایی قلبی رنج می‌برند و اگر در زمان مناسب بیماری تشخیص داده شود می‌توان از اتفاقات ناگوار جلوگیری کرد. ثابت شده فعالیت الکتریکی قلب اطلاعات مفیدی درباره وضعیت سلامت قلب ارائه می‌دهد. پزشکان برای تشخیص بیماری های قلبی از سیگنال ECG  یا همان نوار قلبی استفاده می‌کنند. ولی مشکلی که اینجا هست اینه که بررسی نوار قلبی برای پزشکان بسیار زمان‌بر و خسته‌کننده است، از طرف دیگر ممکن است پزشک متخصص نباشد و تحلیل اشتباهی انجام دهد.

  • تشخیص بیماری های قلبی با استفاده از سیگنال ECG
تشخیص بیماری های قلبی با استفاده از سیگنال ECG

تشخیص بیماری های قلبی با استفاده از سیگنال ECG

 

در این دوره نحوه کار با داده ECG و نحوه تجزیه و تحلیل داده ها را آموزش میدهیم تا بتوانیم مدلی دقیق (نزدیک به نظر پزشکان متخصص) و بسیار سریع(خودکار) طراحی کنیم.

◊شرکت‏ کنندگان بعد از اتمام این دوره، قادر خواهند بود به:

  • برنامه‌نویسی در محیط متلب
  • پیاده‏‌سازی تمامی الگوریتمهای مربوط به شناسایی الگو و داده کاوی
  • پیاده‏ سازی پروژه‌های مرتبط با رابط مغز و کامپیوتر
  • پیاده‏ سازی پروژه‌های مرتبط با علوم اعصاب محاسباتی
  • شبیه‌سازی مقالات مرتبط با رشته مهندسی پزشکی بیوالکتریک
  • انجام پایان نامه

 

 



مدرس : مهندس محمد نوری زاده چرلو فارغ التحصیل کارشناسی ارشد رشته ی مهندسی پزشکی(بیوالکتریک) از دانشگاه علم و صنعت

مدت زمان دوره: ۲۰ ساعت

 

جهت پیش ثبت ‏نام در سومین دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب، و کسب اطلاعات بیشتر به این لینک مراجعه کنید و یا  با شماره ‏ی زیر تماس بگیرید: 

۰۹۳۶۰۳۸۲۶۸۷

جزئیات هر دوره در کانال تلگرام و سایت توضیح داده شده است:

کانال تلگرام:  @IUST_Bioelecteric

1 پاسخ

دیدگاه خود را ثبت کنید

Want to join the discussion?
Feel free to contribute!

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *