فلش‌کارت‌های آموزشی مقدمه‌ای بر محاسبات در تحلیل سیگنال‌های فیزیولوژیکی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در تحلیل سیگنال‌های فیزیولوژیکی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی سیگنال‌های فیزیولوژیکی
• 2. مقدمه‌ای بر پردازش سیگنال
• 3. مفاهیم پایه در تحلیل سیگنال
• 4. انواع سیگنال‌های فیزیولوژیکی
• 5. نمونه‌برداری و کوانتیزاسیون سیگنال
• 6. نویز در سیگنال‌های فیزیولوژیکی
• 7. فیلترهای اولیه برای سیگنال‌های زیستی
• 8. فیلترهای میانگین متحرک
• 9. فیلترهای گوسی
• 10. فیلترهای پایین‌گذر و بالاگذر
• 11. طراحی فیلترهای دیجیتال
• 12. تبدیل فوریه پیوسته (DFT)
• 13. تبدیل فوریه سریع (FFT)
• 14. تحلیل دامنه فرکانسی سیگنال‌ها
• 15. کاربرد FFT در سیگنال‌های فیزیولوژیکی
• 16. تبدیل لاپلاس برای تحلیل سیگنال
• 17. تبدیل Z برای سیستم‌های گسسته
• 18. مدل‌سازی سیستم‌های دینامیکی خطی
• 19. معادلات دیفرانسیل و کاربرد آن
• 20. تحلیل سیگنال ECG (الکتروکاردیوگرام)
• 21. مراحل تحلیل سیگنال ECG
• 22. تشخیص امواج P, QRS, T
• 23. محاسبه فواصل و قطعات ECG
• 24. کاربرد FFT در تحلیل ECG
• 25. تحلیل سیگنال EEG (الکتروانسفالوگرام)
• 26. مراحل تحلیل سیگنال EEG
• 27. باندهای فرکانسی EEG (دلتا، تتا، آلفا، بتا)
• 28. کاربرد FFT در تحلیل EEG
• 29. تحلیل سیگنال EMG (الکترومیوگراف)
• 30. مراحل تحلیل سیگنال EMG
• 31. شاخص‌های کمی در سیگنال EMG
• 32. کاربرد FFT در تحلیل EMG
• 33. تحلیل سیگنال‌های صوتی تنفسی
• 34. مبانی آکوستیک صدا
• 35. پردازش سیگنال‌های گفتار
• 36. تحلیل سیگنال‌های فشار خون
• 37. مبانی اندازه‌گیری فشار خون
• 38. پردازش سیگنال‌های فشار خون
• 39. تحلیل سیگنال‌های حرارتی بدن
• 40. مبانی ترموگرافی
• 41. پردازش سیگنال‌های حرارتی
• 42. تحلیل سیگنال‌های نوار مغزی (MEG)
• 43. مبانی مگنتوانسفالوگرافی
• 44. پردازش سیگنال‌های MEG
• 45. تحلیل سیگنال‌های عصبی محیطی
• 46. مبانی الکترونوروگرافی (ENG)
• 47. پردازش سیگنال‌های ENG
• 48. تکنیک‌های کاهش نویز پیشرفته
• 49. فیلترهای تطبیقی
• 50. کاربرد فیلترهای تطبیقی در سیگنال‌های زیستی
• 51. تحلیل مولفه‌های مستقل (ICA)
• 52. کاربرد ICA در جداسازی منابع سیگنال
• 53. تحلیل مولفه‌های اصلی (PCA)
• 54. کاربرد PCA در کاهش ابعاد سیگنال
• 55. شبکه‌های عصبی مصنوعی در پردازش سیگنال
• 56. مبانی شبکه‌های عصبی
• 57. شبکه‌های عصبی کانولوشنی (CNN)
• 58. کاربرد CNN در طبقه‌بندی سیگنال
• 59. شبکه‌های عصبی بازگشتی (RNN)
• 60. کاربرد RNN در پیش‌بینی سری زمانی
• 61. یادگیری عمیق در تحلیل سیگنال‌های فیزیولوژیکی
• 62. کاربرد یادگیری عمیق در ECG
• 63. کاربرد یادگیری عمیق در EEG
• 64. کاربرد یادگیری عمیق در EMG
• 65. مبانی آماری در تحلیل سیگنال
• 66. توزیع‌های آماری رایج
• 67. آزمون‌های فرض آماری
• 68. همبستگی و رگرسیون
• 69. تحلیل سری‌های زمانی
• 70. مدل‌های ARIMA
• 71. پیش‌بینی سری‌های زمانی با مدل‌های آماری
• 72. ارزیابی عملکرد مدل‌ها
• 73. معیارهای دقت در طبقه‌بندی
• 74. معیارهای دقت در رگرسیون
• 75. کاربرد نرم‌افزارهای تخصصی (مانند MATLAB/Python)
• 76. مقدمه‌ای بر پردازش سیگنال با MATLAB
• 77. مقدمه‌ای بر پردازش سیگنال با Python
• 78. توابع پایه در پردازش سیگنال با MATLAB
• 79. توابع پایه در پردازش سیگنال با Python
• 80. پیاده‌سازی فیلترها در MATLAB
• 81. پیاده‌سازی فیلترها در Python
• 82. تحلیل FFT در MATLAB
• 83. تحلیل FFT در Python
• 84. مثال‌های عملی تحلیل سیگنال ECG
• 85. مثال‌های عملی تحلیل سیگنال EEG
• 86. مثال‌های عملی تحلیل سیگنال EMG
• 87. کاربرد پردازش سیگنال در تشخیص بیماری‌ها
• 88. پردازش سیگنال در بیماری‌های قلبی
• 89. پردازش سیگنال در اختلالات عصبی
• 90. پردازش سیگنال در اختلالات عضلانی
• 91. ملاحظات اخلاقی در تحلیل داده‌های فیزیولوژیکی
• 92. حفظ حریم خصوصی داده‌ها
• 93. امنیت داده‌های پزشکی
• 94. اصول مسئولیت‌پذیری در تحلیل داده
• 95. آینده پردازش سیگنال‌های فیزیولوژیکی
• 96. نوآوری‌ها در سنسورها و اندازه‌گیری
• 97. پیشرفت‌ها در الگوریتم‌های تحلیل
• 98. کاربرد در پزشکی از راه دور
• 99. پایان‌نامه یا پروژه عملی (راهنمایی)
• 100. انتخاب موضوع پروژه