✅انواع دادگان مورد استفاده در BCI
👨🏫 گردآوردنده: مهندس کامیار نوری
✍️ بسته به نوع شبيه¬سازي و روشهاي رياضي مورد استفاده، از دادگان مختلفي در BCI استفاده مي شود که در ادامه مورد بحث و بررسي قرار خواهند گرفت.عمده¬ترين تفاوت¬هاي موجود در بين اين داده¬ها پروتکل ثبت، عده کانالها و نحوه نمونه¬برداري از آنها مي¬باشد. داده هاي متعددي توسط گروههاي تحقيقاتي مورد استفاده قرار مي گيرند كه برخي از آنها عبارتند از؛
1- داده¬هاي مصنوعي
2- داده¬هاي اندرسون
3- داده هاي BCI Competition2003 و BCI Competition2005
http://bbci.de
4- داده¬هاي Quiroga و Makeig که در ادامه به بررسي آنها خواهيم پرداخت.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
👨🏫 گردآوردنده: مهندس کامیار نوری
✍️ بسته به نوع شبيه¬سازي و روشهاي رياضي مورد استفاده، از دادگان مختلفي در BCI استفاده مي شود که در ادامه مورد بحث و بررسي قرار خواهند گرفت.عمده¬ترين تفاوت¬هاي موجود در بين اين داده¬ها پروتکل ثبت، عده کانالها و نحوه نمونه¬برداري از آنها مي¬باشد. داده هاي متعددي توسط گروههاي تحقيقاتي مورد استفاده قرار مي گيرند كه برخي از آنها عبارتند از؛
1- داده¬هاي مصنوعي
2- داده¬هاي اندرسون
3- داده هاي BCI Competition2003 و BCI Competition2005
http://bbci.de
4- داده¬هاي Quiroga و Makeig که در ادامه به بررسي آنها خواهيم پرداخت.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
www.bbci.de
Home | Berlin Brain-Computer Interface (BBCI)
Home page of the Berlin Brain-Computer Interface (BBCI). An interface between brain
and computer.
and computer.
onlinebme
✅انواع دادگان مورد استفاده در BCI 👨🏫 گردآوردنده: مهندس کامیار نوری ✍️ بسته به نوع شبيه¬سازي و روشهاي رياضي مورد استفاده، از دادگان مختلفي در BCI استفاده مي شود که در ادامه مورد بحث و بررسي قرار خواهند گرفت.عمده¬ترين تفاوت¬هاي موجود در بين اين داده¬ها پروتکل…
✅ داده هاي مصنوعي
✍️ يکي از بخشهاي بسيار مهم براي بررسي چگونگي عملکرد هر روش تخمين و يا طبقه بندي، استفاده از وروديهايي است که نسبت به صحت و نوع آنها اطمينان داريم. لذا قبل از اعمال دادگان واقعي به چنين سيستمهايی، مجموعه¬اي از دادگان شبيهسازي شده را به آنها اعمال می کنيم. با شبيه سازي مي توان سيگنال هاي مصنوعي که مشخصات آنها تا حد ممکن با مشخصات دادگان واقعي مطابقت دارد توليد کرد. سيگنال شبيهسازي شده بايد قادر باشد مهمترين مشخصات و ديناميک¬هاي موجود در سيگنال را، در بررسي توانمندي روش تخمين، در معرض آزمون قرار دهد. در واقع با شبيه سازي مي توان به خطاي واقعي طبقه¬بندي پي برد و سعي در مينيمم کردن اين خطا با تشکيل طبقه¬بندي¬کنندههاي مناسب¬تر داشت. اين کار را با دادگان واقعي EEG که در مورد ماهيت واقعي آنها اطلاعات کاملا دقيق و قطعي وجود ندارد، به هيچ طريقي نمي توان انجام داد. در شبيه سازي سيگنال EEG براي دو حالت مورد نظر يعني داراي P300 و بدون P300 ، در حالت کلي موارد زير بايد مدنظر قرار گيرد :
1- سيگنالهاي EEG يا حتي P300 به هيچ¬وجه سيگنالهاي ايستا نيستند، بلکه سيگنالهايي هستند آشوبگونه و کاملا وابسته به نحوه تحريک، نوع تحريک، فرد مورد نظر و ...
2- با توجه به محدوديتهاي شبيه¬سازي، سيگنال پس زمينه EEG معمولاً ايستا و غير وابسته به تحريک در نظر گرفته مي¬شود و در واقع، مدل قابليت توليد سيگنالي کاملا داراي ديناميکهاي EEG واقعي را ندارد.
دو روش متداول براي شبيه¬سازي سيگنال EEG و مولفه¬هاي شناختي مربوط به آن وجود دارد. در روش اول فرض بر اين است که قله¬ها بصورت تصادفي، ولي با شکل از پيش تعيين شده اتفاق مي¬افتند. شکل قله ها از روي سيگنال ميانگين يک دسته اندازه گيري شده واقعي تعيين مي شود. اين روش، روش مبتني بر مؤلفه ها ناميده مي شود. در روش دوم با تفسير پتانسيل هاي برانگيخته به عنوان بردارهاي تصادفي به اين شبيه¬سازي مي¬پردازيم. روش انجام اين کار به اين شکل است که در ابتدا آمارگان مرتبه دوم يک دسته سيگنال اندازه گيري شده واقعي و سپس کوواريانس آن محاسبه¬مي شود و سپس با استفاده از اين اطلاعات، سيگنال هاي شبيه سازي شده به عنوان نمونه هاي اين توزيع به هم پيوسته گوسي تقريبي در نظر گرفته مي شوند. اين روش، روش مبتني بر مؤلفه اصلي ناميده مي شود.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
✍️ يکي از بخشهاي بسيار مهم براي بررسي چگونگي عملکرد هر روش تخمين و يا طبقه بندي، استفاده از وروديهايي است که نسبت به صحت و نوع آنها اطمينان داريم. لذا قبل از اعمال دادگان واقعي به چنين سيستمهايی، مجموعه¬اي از دادگان شبيهسازي شده را به آنها اعمال می کنيم. با شبيه سازي مي توان سيگنال هاي مصنوعي که مشخصات آنها تا حد ممکن با مشخصات دادگان واقعي مطابقت دارد توليد کرد. سيگنال شبيهسازي شده بايد قادر باشد مهمترين مشخصات و ديناميک¬هاي موجود در سيگنال را، در بررسي توانمندي روش تخمين، در معرض آزمون قرار دهد. در واقع با شبيه سازي مي توان به خطاي واقعي طبقه¬بندي پي برد و سعي در مينيمم کردن اين خطا با تشکيل طبقه¬بندي¬کنندههاي مناسب¬تر داشت. اين کار را با دادگان واقعي EEG که در مورد ماهيت واقعي آنها اطلاعات کاملا دقيق و قطعي وجود ندارد، به هيچ طريقي نمي توان انجام داد. در شبيه سازي سيگنال EEG براي دو حالت مورد نظر يعني داراي P300 و بدون P300 ، در حالت کلي موارد زير بايد مدنظر قرار گيرد :
1- سيگنالهاي EEG يا حتي P300 به هيچ¬وجه سيگنالهاي ايستا نيستند، بلکه سيگنالهايي هستند آشوبگونه و کاملا وابسته به نحوه تحريک، نوع تحريک، فرد مورد نظر و ...
2- با توجه به محدوديتهاي شبيه¬سازي، سيگنال پس زمينه EEG معمولاً ايستا و غير وابسته به تحريک در نظر گرفته مي¬شود و در واقع، مدل قابليت توليد سيگنالي کاملا داراي ديناميکهاي EEG واقعي را ندارد.
دو روش متداول براي شبيه¬سازي سيگنال EEG و مولفه¬هاي شناختي مربوط به آن وجود دارد. در روش اول فرض بر اين است که قله¬ها بصورت تصادفي، ولي با شکل از پيش تعيين شده اتفاق مي¬افتند. شکل قله ها از روي سيگنال ميانگين يک دسته اندازه گيري شده واقعي تعيين مي شود. اين روش، روش مبتني بر مؤلفه ها ناميده مي شود. در روش دوم با تفسير پتانسيل هاي برانگيخته به عنوان بردارهاي تصادفي به اين شبيه¬سازي مي¬پردازيم. روش انجام اين کار به اين شکل است که در ابتدا آمارگان مرتبه دوم يک دسته سيگنال اندازه گيري شده واقعي و سپس کوواريانس آن محاسبه¬مي شود و سپس با استفاده از اين اطلاعات، سيگنال هاي شبيه سازي شده به عنوان نمونه هاي اين توزيع به هم پيوسته گوسي تقريبي در نظر گرفته مي شوند. اين روش، روش مبتني بر مؤلفه اصلي ناميده مي شود.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
matlabkhoone.ir
فروش MatlabKhoone، مطلب خونه
دامنه به بهترین قیمت
✅ داده هاي اندرسون
✍️ اين داده مشتمل بر يک mat فايل (فايل عددی نرم افزار مطلب) است که سيگنال EEG و EOG ثبت شده از 7 سوژه مختلف پس از پيش پردازش در آن قرار گرفته است.
اين سيگنالها از شش کانال C3، C4، P3، P4، O1 و O2 -که توضيح محل قرار گيری آنها در فصل اول آمده است- و يک کانال EOG ثبت شده اند. در مجموع 325 ثبت 10 ثانيه وجود دارد که چون فرکانس نمونه برداری 250 هرتز بوده است، برای هر ثبت 2500 عدد موجود است.
ثبتها به اين ترتيب ذخيره شده اند که در هر ساختار سلول مطلب شماره سوژه، نوع فعاليت ذهنی، شماره ثبت و ديتای ثبت شده موجود است. پس از باز کردن هر سلول در محيط مطلب اطلاعات به صورت زير ظاهر می شوند. که جمله آخر نشان دهنده 10 ثانيه ثبت برای هر کدام از هفت کانال است.
'subject1' 'baseline' 'trail1' [7x2500 single]
سوژه ها شامل شش مرد و يک زن هستند. سوژه اول مرد، 48 ساله و چپ دست؛ سوژه دوم مرد، 39 ساله و راست دست؛ سوژه سوم، چهارم، ششم و هفتم همگی مرد، در بازه سنی 20 تا 30 سال و رست دست؛ و بالاخره سوژه پنجم زن، در بازه سنی 20 تا 30 سال و راست دست هستند. از سوژه های اول، سوم، چهارم و ششم در هر حالت ذهنی 10 ثبت -طی دو مرحله و پنج ثبت در هر مرحله- صورت گرفته است. از سوژه های دوم و هفتم پنج ثبت و از سوژه پنجم 15 ثبت طی سه مرحله صورت گرفته است. در کل پنج حالت ذهنی موجود عبارتند از: پايه ، ضرب ، نامه نگاری ، چرخش و شمارش .
در حالت سکون از فرد خواسته شده تا به هيچ چيز خاصی فکر نکند. در حالت ضرب يک ضرب چندرقمی در چند رقمی به فرد داده شده و از وی خواسته اند که اين ضرب را به صورت ذهنی و بدون تصور گرافيکی از اعداد انجام دهد. اين ضربها معمولاً پيچيده بوده و در طول 10 ثانيه قابل حل نبودند. در حالت نامه نگاری از فرد خواسته شده که به يکی از آشنايان خود نامه ای بنويسد. در اين حالت در هر بار ثبت از وی خواسته می شد که ادامه نامه را پی بگيرد. در حالت چرخش شکلهای پيچيده ای مطابق شکل 3-4 در اختيار فرد قرار داده شده و پس از اينکه شکل را در ذهن خود مجسم می کرده با گرفتن برگه از وی می خواستند شکل را حول محور مشخصی بچرخاند. و بالاخره در حالت شمارش از فرد خواسته شده که روی تخته سياهی که در ذهن خود مجسم می کند، اعداد را به ترتيب از يک به بالا بنويسد و در هر مرحله پيش از نوشتن عدد بعدی عدد قبلی را پاک کند. در اين قسمت در هر بار ثبت از فرد خواسته می شد که شمارش اعداد را از آخرين عدد ثبت قبلی ادامه دهد.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
✍️ اين داده مشتمل بر يک mat فايل (فايل عددی نرم افزار مطلب) است که سيگنال EEG و EOG ثبت شده از 7 سوژه مختلف پس از پيش پردازش در آن قرار گرفته است.
اين سيگنالها از شش کانال C3، C4، P3، P4، O1 و O2 -که توضيح محل قرار گيری آنها در فصل اول آمده است- و يک کانال EOG ثبت شده اند. در مجموع 325 ثبت 10 ثانيه وجود دارد که چون فرکانس نمونه برداری 250 هرتز بوده است، برای هر ثبت 2500 عدد موجود است.
ثبتها به اين ترتيب ذخيره شده اند که در هر ساختار سلول مطلب شماره سوژه، نوع فعاليت ذهنی، شماره ثبت و ديتای ثبت شده موجود است. پس از باز کردن هر سلول در محيط مطلب اطلاعات به صورت زير ظاهر می شوند. که جمله آخر نشان دهنده 10 ثانيه ثبت برای هر کدام از هفت کانال است.
'subject1' 'baseline' 'trail1' [7x2500 single]
سوژه ها شامل شش مرد و يک زن هستند. سوژه اول مرد، 48 ساله و چپ دست؛ سوژه دوم مرد، 39 ساله و راست دست؛ سوژه سوم، چهارم، ششم و هفتم همگی مرد، در بازه سنی 20 تا 30 سال و رست دست؛ و بالاخره سوژه پنجم زن، در بازه سنی 20 تا 30 سال و راست دست هستند. از سوژه های اول، سوم، چهارم و ششم در هر حالت ذهنی 10 ثبت -طی دو مرحله و پنج ثبت در هر مرحله- صورت گرفته است. از سوژه های دوم و هفتم پنج ثبت و از سوژه پنجم 15 ثبت طی سه مرحله صورت گرفته است. در کل پنج حالت ذهنی موجود عبارتند از: پايه ، ضرب ، نامه نگاری ، چرخش و شمارش .
در حالت سکون از فرد خواسته شده تا به هيچ چيز خاصی فکر نکند. در حالت ضرب يک ضرب چندرقمی در چند رقمی به فرد داده شده و از وی خواسته اند که اين ضرب را به صورت ذهنی و بدون تصور گرافيکی از اعداد انجام دهد. اين ضربها معمولاً پيچيده بوده و در طول 10 ثانيه قابل حل نبودند. در حالت نامه نگاری از فرد خواسته شده که به يکی از آشنايان خود نامه ای بنويسد. در اين حالت در هر بار ثبت از وی خواسته می شد که ادامه نامه را پی بگيرد. در حالت چرخش شکلهای پيچيده ای مطابق شکل 3-4 در اختيار فرد قرار داده شده و پس از اينکه شکل را در ذهن خود مجسم می کرده با گرفتن برگه از وی می خواستند شکل را حول محور مشخصی بچرخاند. و بالاخره در حالت شمارش از فرد خواسته شده که روی تخته سياهی که در ذهن خود مجسم می کند، اعداد را به ترتيب از يک به بالا بنويسد و در هر مرحله پيش از نوشتن عدد بعدی عدد قبلی را پاک کند. در اين قسمت در هر بار ثبت از فرد خواسته می شد که شمارش اعداد را از آخرين عدد ثبت قبلی ادامه دهد.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
matlabkhoone.ir
فروش MatlabKhoone، مطلب خونه
دامنه به بهترین قیمت
onlinebme
💡 شروع ثبت نام دوره عملی پیاده سازی شبکه های عصبی در متلب( #تهران) ✅ جهت ثبت نام با شماره ی زیر تماس بگیرید: 0936-038-2687 @onlineBME_admin ➖➖ @onlineBME
با سلام
بنا به درخواست دوستان این ماه فقط دوره شبکه عصببی را خواهیم داشت
بسیاری از دوستان علاقه مند به دوره ها پیشنهاد دادند که دوره جامع مهندسی پزشکی رو بعد از امتحانات برگزار کنیم.
بنابراین ما قصد داریم از این هفته دوره شبکه عصبی رو برگزار کنیم و تا قبل امتحانات تموم کنیم.
دوستانی که هنوز ثبت نام نکرده اند لطفا سریعتر اقدام کنند.
ظرفیت دوره محدود هست!
و اینکه دوره در جهاد دانشگاهی علم و صنعت تهران برگزار خواهد شد.
روزهای دوره طبق نظر دوستان انتخاب خواهند شد تا اکثر دوستان بتونند شرکت کنند و محدودیت زمانی نداشته باشند.
یکشنبه- سه شنبه(کل روز آموزشگاه وقت هست و هر تایمی میتونیم کلاس داشته باشیم)
چهارشنبه: 2 تا 7
پنج شنبه: 2-5
ما قراره هفته ای دو جلسه 3 ساعته داشته باشیم.
در روزهای ذکر شده میتونیم دوره برگزار کنیم. زمان نهایی کلاسها طبق آرای اکثریت شرکت کنندگان تعیین خواهد شد.
✅ جهت ثبت نام با شماره ی زیر تماس بگیرید:
0936-038-2687
@onlineBME_admin
➖➖
سرفصل مطالب دوره در کانال دوم قرار داده شده است.👇👇👇
@IUST_Bioelecteric
➖➖➖
@onlineBME
بنا به درخواست دوستان این ماه فقط دوره شبکه عصببی را خواهیم داشت
بسیاری از دوستان علاقه مند به دوره ها پیشنهاد دادند که دوره جامع مهندسی پزشکی رو بعد از امتحانات برگزار کنیم.
بنابراین ما قصد داریم از این هفته دوره شبکه عصبی رو برگزار کنیم و تا قبل امتحانات تموم کنیم.
دوستانی که هنوز ثبت نام نکرده اند لطفا سریعتر اقدام کنند.
ظرفیت دوره محدود هست!
و اینکه دوره در جهاد دانشگاهی علم و صنعت تهران برگزار خواهد شد.
روزهای دوره طبق نظر دوستان انتخاب خواهند شد تا اکثر دوستان بتونند شرکت کنند و محدودیت زمانی نداشته باشند.
یکشنبه- سه شنبه(کل روز آموزشگاه وقت هست و هر تایمی میتونیم کلاس داشته باشیم)
چهارشنبه: 2 تا 7
پنج شنبه: 2-5
ما قراره هفته ای دو جلسه 3 ساعته داشته باشیم.
در روزهای ذکر شده میتونیم دوره برگزار کنیم. زمان نهایی کلاسها طبق آرای اکثریت شرکت کنندگان تعیین خواهد شد.
✅ جهت ثبت نام با شماره ی زیر تماس بگیرید:
0936-038-2687
@onlineBME_admin
➖➖
سرفصل مطالب دوره در کانال دوم قرار داده شده است.👇👇👇
@IUST_Bioelecteric
➖➖➖
@onlineBME
onlinebme
#معرفی_پایگاه_داده 🔷 سیگنال 1- سایت فیزیونت https://physionet.org/ سیگنالهای ECG ، EEG و ... نکته: نحوه دانلود داده از این سایت را در کانال آموزش داده ایم. 2- سایتUCI https://archive.ics.uci.edu/ml/datasets.html پایگاه داده ی UCI Machin Learning Repository…
✅ #معرفی_پایگاه_داده
1- پایگاه داده ژست (اشاره) دست (hand-gesture) دانشگاه ژئواستاتیکا مادرید(UPM )
https://www.gti.ssr.upm.es/data/HandGesture_database.html
شرح:
این پایگاه داده با مجموعه ای از توالی های رنگی با وضوح بالا توسط حسگر Senz3D ساخته شده است. این داده جهت ارزیابی سیستمهای ارائه شده جهت تشخیص نوع اشاره دست جهت تعامل بین انسان و کامپیوتر ایجاد شده است.
از آنجا که هدف ایجاد ارتباط بین انسان و کامپیوتر هست لذا در این پایگاه داده بر اساس ویژگی های موس کامیپوتر طراحی شده است: مکان نما، چپ کلیک، راست کلیک، فعال سازی موس و غیر فعال کردن موس.
تمام توالی های ویدئویی در یک صحنه واقعی ثبت شده است، که به این معنی یک پس زمینه غیر یکنواخت با اشیائ متحرک ثبت شده است.
این پایگاه داده شامل دو مجموعه حرکات دستی استاتیک و پویا ، مجموعه 1 و مجموعه 2 است.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
1- پایگاه داده ژست (اشاره) دست (hand-gesture) دانشگاه ژئواستاتیکا مادرید(UPM )
https://www.gti.ssr.upm.es/data/HandGesture_database.html
شرح:
این پایگاه داده با مجموعه ای از توالی های رنگی با وضوح بالا توسط حسگر Senz3D ساخته شده است. این داده جهت ارزیابی سیستمهای ارائه شده جهت تشخیص نوع اشاره دست جهت تعامل بین انسان و کامپیوتر ایجاد شده است.
از آنجا که هدف ایجاد ارتباط بین انسان و کامپیوتر هست لذا در این پایگاه داده بر اساس ویژگی های موس کامیپوتر طراحی شده است: مکان نما، چپ کلیک، راست کلیک، فعال سازی موس و غیر فعال کردن موس.
تمام توالی های ویدئویی در یک صحنه واقعی ثبت شده است، که به این معنی یک پس زمینه غیر یکنواخت با اشیائ متحرک ثبت شده است.
این پایگاه داده شامل دو مجموعه حرکات دستی استاتیک و پویا ، مجموعه 1 و مجموعه 2 است.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
✅ #معرفی_پایگاه_داده
2- پایگاه داده ژست (اشاره) دست (hand-gesture) کمبریج
https://labicvl.github.io/ges_db.htm
مجموعه داده شامل 900 توالی تصویر از 9 کلاس است که توسط 3 شکل دست اولیوی و 3 حرکت ابتدایی تعریف شده. بنابراین، هدف سیستمهای طراحی شده برای این مجموعه داده ها، طبقه بندی اشکال مختلف و همچنین حرکت های مختلف در یک زمان است.
اندازه مجموعه داده حدود 1 گیگابایت است.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
2- پایگاه داده ژست (اشاره) دست (hand-gesture) کمبریج
https://labicvl.github.io/ges_db.htm
مجموعه داده شامل 900 توالی تصویر از 9 کلاس است که توسط 3 شکل دست اولیوی و 3 حرکت ابتدایی تعریف شده. بنابراین، هدف سیستمهای طراحی شده برای این مجموعه داده ها، طبقه بندی اشکال مختلف و همچنین حرکت های مختلف در یک زمان است.
اندازه مجموعه داده حدود 1 گیگابایت است.
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
matlabkhoone.ir
فروش MatlabKhoone، مطلب خونه
دامنه به بهترین قیمت
✅ #معرفی_پایگاه_داده
3- پایگاه داده حالت چهره (زنان ژاپنی)
http://www.kasrl.org/jaffe.html
این پایگاه داده شامل 213 تصویر از 7 حالت صورت (6 حالت صورت + 1 حالت طبیعی) است که از 10 مدل زن ژاپنی ثبت شده است. هر تصویر توسط 60 نفر از افراد ژاپنی به 6 صفت حساسی رتبه بندی شده است.
حالتهای چهره: طبیعی، شاد، عصبانی، انزجار، ترس، غم انگیز و تعجب
برای هر حالت چهره از هر فرد دو نوع ثبت شده است. در مجموع 213 عدد تصاویر از حالت چهره در این پایگاه داده وجود دارد که اندازه هر تصویر 256 × 256 است.
➖➖➖➖➖
روشهای زیادی برای تشخیص حالت چهره و یا ژست دست ارائه شده است.
شاید بتوان گفت که استفاده از الگوریتم pca یکی از ساده ترین روشها و با کمی ارفاق رایجترین روش برای اینکار است.
روشهای دیگه ای مثل فیلتر گابور، تبدیل ویولت و غیره میتوان نام برد.
فرض کنید بخواهیم با استفاده از pca حالت دست را تشخیص دهیم.
برای سادگی اگر داده ما دو کلاسه باشد و از هر کلاس 100 تصویر داشته باشیم.
در ابتدا داده ها رو کنار هم قرار میدهیم و به دو بخش آموزش و تست تقسیم می کنیم. سپس توسط داده آموزش و الگوریتم pca بردارهای ویژه را محاسبه می کنیم، حال مرحله بعدی تعدادی از بردارهای ویژه مهم را انتخاب می کنیم(مثلا 10 تا)، سپس این بردارهای ویژه را هم به داده آموزش و هم به داده تست ضرب میکنیم و کاهش بعد را انجام میدهیم.
حال توسط داده آموزش کاهش بعد یافته، کلاسبند را آموزش می دهیم و سپس جهت اطمینان از صحت علمکرد مدل طراحی شده، با داده تست مدل آموزش دیده شده را ارزیابی میکنیم.
این پروژه رو در آینده به صورت ویدیوهای آموزشی رایگان (مبحث پترن در پردازش تصویر)در کانال قرار خواهیم داد.
جهت آشنایی با الگوریتم pca و نحوه پیاده سازی این الگوریتم هشتکهای زیر را در کانال جستجوکنید:👇👇
#تجزیه_مولفه_های_اساسی
#شناسایی_الگو #PCA
➖➖➖➖➖
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
3- پایگاه داده حالت چهره (زنان ژاپنی)
http://www.kasrl.org/jaffe.html
این پایگاه داده شامل 213 تصویر از 7 حالت صورت (6 حالت صورت + 1 حالت طبیعی) است که از 10 مدل زن ژاپنی ثبت شده است. هر تصویر توسط 60 نفر از افراد ژاپنی به 6 صفت حساسی رتبه بندی شده است.
حالتهای چهره: طبیعی، شاد، عصبانی، انزجار، ترس، غم انگیز و تعجب
برای هر حالت چهره از هر فرد دو نوع ثبت شده است. در مجموع 213 عدد تصاویر از حالت چهره در این پایگاه داده وجود دارد که اندازه هر تصویر 256 × 256 است.
➖➖➖➖➖
روشهای زیادی برای تشخیص حالت چهره و یا ژست دست ارائه شده است.
شاید بتوان گفت که استفاده از الگوریتم pca یکی از ساده ترین روشها و با کمی ارفاق رایجترین روش برای اینکار است.
روشهای دیگه ای مثل فیلتر گابور، تبدیل ویولت و غیره میتوان نام برد.
فرض کنید بخواهیم با استفاده از pca حالت دست را تشخیص دهیم.
برای سادگی اگر داده ما دو کلاسه باشد و از هر کلاس 100 تصویر داشته باشیم.
در ابتدا داده ها رو کنار هم قرار میدهیم و به دو بخش آموزش و تست تقسیم می کنیم. سپس توسط داده آموزش و الگوریتم pca بردارهای ویژه را محاسبه می کنیم، حال مرحله بعدی تعدادی از بردارهای ویژه مهم را انتخاب می کنیم(مثلا 10 تا)، سپس این بردارهای ویژه را هم به داده آموزش و هم به داده تست ضرب میکنیم و کاهش بعد را انجام میدهیم.
حال توسط داده آموزش کاهش بعد یافته، کلاسبند را آموزش می دهیم و سپس جهت اطمینان از صحت علمکرد مدل طراحی شده، با داده تست مدل آموزش دیده شده را ارزیابی میکنیم.
این پروژه رو در آینده به صورت ویدیوهای آموزشی رایگان (مبحث پترن در پردازش تصویر)در کانال قرار خواهیم داد.
جهت آشنایی با الگوریتم pca و نحوه پیاده سازی این الگوریتم هشتکهای زیر را در کانال جستجوکنید:👇👇
#تجزیه_مولفه_های_اساسی
#شناسایی_الگو #PCA
➖➖➖➖➖
🌀 کاری از موسسه آموزشی onlinebme
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و هوش مصنوعی
🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@onlineBME
Zenodo
The Japanese Female Facial Expression (JAFFE) Dataset
IMPORTANT: Before requesting access, READ and FOLLOW all of the instructions, or your request will be rejected. Use your official email address: .com addresses (gmail, hotmail, yahoo, qq, 126 etc.) will be rejected. Specifications: 10 Japanese female expressers…
onlinebme
دامپینگ چیست؟! خیانت بزرگی بنام دامپینگ در جامعه در حال وقوع است . هوشیار باشید . یک فروشگاه زنجیره ای را تجسم کنید. بسیار بزرگ. بسیار شیک. وارد محله ای می شود. محله ای با مردمانی از طبقه متوسط. نبش اصلی ترین چهار راه محله، زمینی به وسعت 10 هزار مترمربع را…
This media is not supported in your browser
VIEW IN TELEGRAM
🌐 11 اردیبهشت روز جهانی کارگر بر تمام زحمت کشان این مرز و بوم مبارک...🌹🌹🌹
#حمایت_از_کالای_ایرانی_باکیفیت
➖➖➖
@OnlineBME
#حمایت_از_کالای_ایرانی_باکیفیت
➖➖➖
@OnlineBME
onlinebme
✅ روشهای تصویربرداری پزشکی 💡 بخش اول 👨🏫نویسنده: محمد نوری زاده چرلو 1⃣ اکوکاردیوگرافی اکوکاردیوگرافی یکی از مهمترین ابزارهای تشخیصی در حوزه پزشکی می¬باشد. از مهمترین مزیتهای این روش ماهیت غیرتهاجمی، عدم خطر تابش امواج اولتراسوند(در حوزه تصویربرداری)،…
This media is not supported in your browser
VIEW IN TELEGRAM
onlinebme
✅ روشهای تصویربرداری پزشکی 💡 بخش اول 👨🏫نویسنده: محمد نوری زاده چرلو 1⃣ اکوکاردیوگرافی اکوکاردیوگرافی یکی از مهمترین ابزارهای تشخیصی در حوزه پزشکی می¬باشد. از مهمترین مزیتهای این روش ماهیت غیرتهاجمی، عدم خطر تابش امواج اولتراسوند(در حوزه تصویربرداری)،…
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
🧐🤭وقتی به وسیله هوش مصنوعی می توان لب خوانی کرد
✅ بر اساس همکاری مشترک بین شرکت Google و دانشگاه آکسفورد با استفاده از یادگیری عمیق، LipNet شکل گرفت
➖➖➖
@onlineBNE
✅ بر اساس همکاری مشترک بین شرکت Google و دانشگاه آکسفورد با استفاده از یادگیری عمیق، LipNet شکل گرفت
➖➖➖
@onlineBNE
onlinebme
🧐🤭وقتی به وسیله هوش مصنوعی می توان لب خوانی کرد ✅ بر اساس همکاری مشترک بین شرکت Google و دانشگاه آکسفورد با استفاده از یادگیری عمیق، LipNet شکل گرفت ➖➖➖ @onlineBNE
🧐🤭وقتی به وسیله هوش مصنوعی می توان لب خوانی کرد
✅ بر اساس همکاری مشترک بین شرکت Google و دانشگاه آکسفورد با استفاده از یادگیری عمیق، LipNet شکل گرفت
🤦♂ یک گروه تحقیقاتی گروه علوم
رایانه ای یک سیستم جدید خواندن خودکار لب ارائه داده اند به مراتب فراتر از عملکرد #انسان و سیستم های قبلی #لبخوان خودکار است.
🔹 یانیس آسئیل، برندان شیلینگفرد، شیمون ویتسون و ناندو دی فریتاس از یادگیری عمیق ( هوش مصنوعی) برای ایجاد نرم افزار LipNet استفاده کردند که لب را سریع تر و دقیق تر از گذشته میخونه.
🔹اگر چه LipNet نتایج بسیار امیدوار کننده ای نشان داده است، ولی هنوز در مرحله نسبتا اولیه از توسعه است.
🔹این مدل بر روی یک مجموعه داده تحقیقاتی کوتاه آموزش و تست شده است که در این ویدیوها صورت شخص روشن و واضح به نظر می رسد.
🔹 فرم فعلی LipNet نمیتواند در فیلمهای چالش برانگیزتر مورد استفاده قرار بگیرد، بنابراین برای خواندن لب به عنوان ابزار نظارت مناسب نیست.
اما تیم علاقمند به توسعه آن است، به ویژه به عنوان کمک برای افراد دارای #معلولیت_شنوایی.
منبع:
http://www.cs.ox.ac.uk/news/1217-full.html
#هوش_مصنوعی
#LipNet
#deep_learning
#دنیا داره به کجا پیش میره🤷♂🤷♀
➖➖➖
@onlineBME
✅ بر اساس همکاری مشترک بین شرکت Google و دانشگاه آکسفورد با استفاده از یادگیری عمیق، LipNet شکل گرفت
🤦♂ یک گروه تحقیقاتی گروه علوم
رایانه ای یک سیستم جدید خواندن خودکار لب ارائه داده اند به مراتب فراتر از عملکرد #انسان و سیستم های قبلی #لبخوان خودکار است.
🔹 یانیس آسئیل، برندان شیلینگفرد، شیمون ویتسون و ناندو دی فریتاس از یادگیری عمیق ( هوش مصنوعی) برای ایجاد نرم افزار LipNet استفاده کردند که لب را سریع تر و دقیق تر از گذشته میخونه.
🔹اگر چه LipNet نتایج بسیار امیدوار کننده ای نشان داده است، ولی هنوز در مرحله نسبتا اولیه از توسعه است.
🔹این مدل بر روی یک مجموعه داده تحقیقاتی کوتاه آموزش و تست شده است که در این ویدیوها صورت شخص روشن و واضح به نظر می رسد.
🔹 فرم فعلی LipNet نمیتواند در فیلمهای چالش برانگیزتر مورد استفاده قرار بگیرد، بنابراین برای خواندن لب به عنوان ابزار نظارت مناسب نیست.
اما تیم علاقمند به توسعه آن است، به ویژه به عنوان کمک برای افراد دارای #معلولیت_شنوایی.
منبع:
http://www.cs.ox.ac.uk/news/1217-full.html
#هوش_مصنوعی
#LipNet
#deep_learning
#دنیا داره به کجا پیش میره🤷♂🤷♀
➖➖➖
@onlineBME
Department of Computer Science
LipNet AI takes lip reading into the future
⚡️فضاپیمای ناسا راهی مریخ شد
🌕 دانشمندان امیدوارند با اطلاعاتی که اینسایت از مریخ میفرستد، بتوانند بخشی از راز شکلگیری این سیاره چهار میلیارد و ۶۰۰ میلیون ساله را کشف کنند.
➖➖➖
@onlineBME
🌕 دانشمندان امیدوارند با اطلاعاتی که اینسایت از مریخ میفرستد، بتوانند بخشی از راز شکلگیری این سیاره چهار میلیارد و ۶۰۰ میلیون ساله را کشف کنند.
➖➖➖
@onlineBME
onlinebme
🌐 آیندهی شغلی، بازار کار، درآمد رشته مهندسی پزشکی :👨🎓👩🎓 "در حال حاضر بازار کار هیچ رشتهای در حد ایدهآل نیست و این شامل حال رشتهی مهندسی پزشکی نیز میشود اما بدون شک وضعیت فارغالتحصیلان این رشته، نسبت به رشتههای مهندسی دیگر، مطلوبتر است. چون ارزش…
✅پنج موضوع در حال ظهور مهندسی پزشکی
مدت زمان زیادی هست که مهندسی پزشکی یکی از عاملان اصلی مراقبتهای بهداشتی و پزشکی بوده است.
از تکنولوژی های جدید برای تشخیص و درمان برخی از پیچیده ترین بیماری ها تا پیشرفت هایی که کیفیت زندگی را برای همه بهبود می بخشد، در حال حاضر کارهایی که در آزمایشگاه های سراسر جهان انجام می شود که چهره مراقبت های بهداشتی را در کوتاه مدت و طولانی مدت تغییر می دهد.
اگرچه در حال حاضر هزاران پروژه مختلف در حال انجام است، اما برخی از گرایشات مشخصی در مهندسی پزشکی وجود دارد.
#ترند اول: بهبود فناروریهای کمکی (assistive technologies)
تکنولوژی پروتز در دهه های اخیر پیشرفت چشمگیری داشته است. با پیشرفت مواد ، پروتزها نه تنها سبک تر و راحت تراستفاده می شوند بلکه پیشرفته تر از همیشه هستند.
با این حال، مهندسان پزشکی در حال کار بر روی پروتزهای پیشرفته تر هستند که تنها می توانند به عنوان بیونیک نامگذاری شوند. در حقیقت، برخی پیش بینی می کنند که مدتها قبل از اینکه آمپوتها بتوانند با استفاده از ذهن خود، پروتزهای خود را کنترل کنند، درست مانند یک اندام بیولوژیکی، بتوانند پروتزهای خود را کنترل کنند. پروتزهای مجتمع تراشه در افق قرار دارند، اما اندامهایی که دارای تحرک و انعطاف پذیری بیشتری هستند یا حتی موتورهای کمکی که می توانند قدرت بیشتری را به وجود آورند و اندام راحت تر را استفاده می کنند.
علاوه بر پروتز، مهندسان بر روی دستگاه های رباتیک اضافی نیز کار می کنند که خطوط بین دستگاه های درمانی و کمک رسانی را از بین می برد.
به عنوان مثال، محققان در حال توسعه رباتیک اکسیکلتونی جهت کمک به افراد مبتلا به ضعف عضلانی و دیگر مسائل مربوط به تحرک هستند. اساسا اکسیکلتونی افراد را قادر می سازد تا در خانه و جامعه فعالیت کنند، با این تکنولوژی، تعادل مناسب بین کمک و در واقع انجام حرکت برای بیماران را فراهم می کند.
فن آوری های پشتیبانی رباتیک برای سایر عملکردهای مراقبت های بهداشتی نیز در حال توسعه هستند؛ به عنوان مثال، مهندسان در حال کار بر روی "دستیاران" رباتیک هستند که می توانند به ارائه دهندگان با بلند کردن و انتقال بیماران، برای جلوگیری از آسیب ها کمک کنند.
https://hitconsultant.net/2017/05/16/biomedical-engineering-trends/
🏢 مدرسه آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖
@onlineBME
مدت زمان زیادی هست که مهندسی پزشکی یکی از عاملان اصلی مراقبتهای بهداشتی و پزشکی بوده است.
از تکنولوژی های جدید برای تشخیص و درمان برخی از پیچیده ترین بیماری ها تا پیشرفت هایی که کیفیت زندگی را برای همه بهبود می بخشد، در حال حاضر کارهایی که در آزمایشگاه های سراسر جهان انجام می شود که چهره مراقبت های بهداشتی را در کوتاه مدت و طولانی مدت تغییر می دهد.
اگرچه در حال حاضر هزاران پروژه مختلف در حال انجام است، اما برخی از گرایشات مشخصی در مهندسی پزشکی وجود دارد.
#ترند اول: بهبود فناروریهای کمکی (assistive technologies)
تکنولوژی پروتز در دهه های اخیر پیشرفت چشمگیری داشته است. با پیشرفت مواد ، پروتزها نه تنها سبک تر و راحت تراستفاده می شوند بلکه پیشرفته تر از همیشه هستند.
با این حال، مهندسان پزشکی در حال کار بر روی پروتزهای پیشرفته تر هستند که تنها می توانند به عنوان بیونیک نامگذاری شوند. در حقیقت، برخی پیش بینی می کنند که مدتها قبل از اینکه آمپوتها بتوانند با استفاده از ذهن خود، پروتزهای خود را کنترل کنند، درست مانند یک اندام بیولوژیکی، بتوانند پروتزهای خود را کنترل کنند. پروتزهای مجتمع تراشه در افق قرار دارند، اما اندامهایی که دارای تحرک و انعطاف پذیری بیشتری هستند یا حتی موتورهای کمکی که می توانند قدرت بیشتری را به وجود آورند و اندام راحت تر را استفاده می کنند.
علاوه بر پروتز، مهندسان بر روی دستگاه های رباتیک اضافی نیز کار می کنند که خطوط بین دستگاه های درمانی و کمک رسانی را از بین می برد.
به عنوان مثال، محققان در حال توسعه رباتیک اکسیکلتونی جهت کمک به افراد مبتلا به ضعف عضلانی و دیگر مسائل مربوط به تحرک هستند. اساسا اکسیکلتونی افراد را قادر می سازد تا در خانه و جامعه فعالیت کنند، با این تکنولوژی، تعادل مناسب بین کمک و در واقع انجام حرکت برای بیماران را فراهم می کند.
فن آوری های پشتیبانی رباتیک برای سایر عملکردهای مراقبت های بهداشتی نیز در حال توسعه هستند؛ به عنوان مثال، مهندسان در حال کار بر روی "دستیاران" رباتیک هستند که می توانند به ارائه دهندگان با بلند کردن و انتقال بیماران، برای جلوگیری از آسیب ها کمک کنند.
https://hitconsultant.net/2017/05/16/biomedical-engineering-trends/
🏢 مدرسه آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖
@onlineBME
hitconsultant.net
5 Emerging Biomedical Engineering Trends to Watch
Biomedical engineering has long been a driver of advances in healthcare. From new technologies to diagnose and treat advances that improve quality of life.
#ترند دوم: بهبود تصویربرداری پزشکی(Medical Imaging)
✍ تصویربرداری پزشکی دیگر به اشعه ایکس دو بعدی محدود نمی شود. ما در حال حاضر سونوگرافی، سی تی اسکن، MRI و فن آوری های دیگری هستیم. با این حال مهندسان پزشکی به شدت در حال توسعه گزینه های تصویربرداری جدید و بهبود یافته هستند. به عنوان مثال، محققان ژاپنی در حال شکل دادن به واقعیت مجازی پزشکی هستند که دقت بیشتری در عمل جراحی-با کمک تصویر را ارائه می دهند.
◀️ پروژه های دیگری برای بهبود تصویربرداری قلب و ریه اختصاص داده شده است، که به پزشکان به صورت زمان حقیقی سیستم قلبی عروقی را نمایش می دهند.
https://hitconsultant.net/2017/05/16/biomedical-engineering-trends/
🏢 مدرسه آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖
@onlineBME
✍ تصویربرداری پزشکی دیگر به اشعه ایکس دو بعدی محدود نمی شود. ما در حال حاضر سونوگرافی، سی تی اسکن، MRI و فن آوری های دیگری هستیم. با این حال مهندسان پزشکی به شدت در حال توسعه گزینه های تصویربرداری جدید و بهبود یافته هستند. به عنوان مثال، محققان ژاپنی در حال شکل دادن به واقعیت مجازی پزشکی هستند که دقت بیشتری در عمل جراحی-با کمک تصویر را ارائه می دهند.
◀️ پروژه های دیگری برای بهبود تصویربرداری قلب و ریه اختصاص داده شده است، که به پزشکان به صورت زمان حقیقی سیستم قلبی عروقی را نمایش می دهند.
https://hitconsultant.net/2017/05/16/biomedical-engineering-trends/
🏢 مدرسه آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖
@onlineBME
hitconsultant.net
5 Emerging Biomedical Engineering Trends to Watch
Biomedical engineering has long been a driver of advances in healthcare. From new technologies to diagnose and treat advances that improve quality of life.