onlinebme
#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 تصویربرداری سه بعدی جهت پیشبرد درمان بیماریهای مغزی
👨💻نویسنده : محمد نوری زاده چرلو
✍محققان ترکیبی از سخت افزار تجاری و نرم افزار منبع باز(open source) توسعه داده اند که تصویربرداری سه بعدی و دوبعدی از مغز و سایر بافتها را سریع انجام میدهد. با بکارگیری یکپارچه سریعترین تصویربرداری سه بعدی، که در حال حاضر در دسترس است، پیشرفت میکروسکوپی میتواند به دانشمندان در درک بهتر #دینامیک_مغز کمک کند تا درمانهای جدیدی برای بیماریهایی از قبیل #سکته_مغزی، #صرع و #زوال_مغز پیدا کنند.
در آپتیکا، مجله انجمن نورپردازی ، محققان PySight را ارائه کرده اند که برای میکروسکوپهای اسکن لیزری به عنوان یک افزونی عمل میکند. با استفاده از این ترکیب جدید نرم افزار و سخت افزار، محققان کیفیت تصویر برداری سه بعدی و دو بعدی از فعالیتهای عصبی در مغز زنده را بهبود داده اند.
از آنجا که از اعماق بافت میتوان تصویربرداری کرد، معمولا از روش تصویربردای شناخته شده ی میکروسکوپ چند فتونی برای مطالعه الگوهای فعالیت سریع نورنها، عروق خونی و سایر سلولهایی که رزولوشن زمانی مناسبی دارند، استفاده میشود.
روش میکروسکوپی از پالسهای لیزری برای تحریک پروپهای فلورسانت که باعث انتشار فوتونها میشود استفاده میکند که در نتیجه این تحریک برخی از آنها تشخیص داده شده و برای تصاویر سه بعدی و دوبعدی استفاده می‌شوند.
دانشمندان برای اینکه بتوانند تمام فعالیتهای عصبی را دریافت کنند، مجبور هستند که تصویربردای سریع انجام دهند. در نتیجه، این عمل باعث میشود که فوتونهای کمتری جهت ساخت تصاویر قابل دسترس باشد. این عمل دقیقا مثل این می ماند که شما یک تصویر را خیلی سریع بگیرید!
چالش اینجاست که چگونه یک تصویر معناداری در چنین شرایطی اخذ کنند!؟ 🤔
برای حل این چالش، میکروسکوپیست ها یک روشی بنام شمارش فوتون استفاده میکنند.
اما پیاده سازی این روش نیاز به دانش زیاد در زمینه #الکترونیک دارد که به خاطر همین هرگز به طور گسترده پذیرفته نشده است.
به خاطر پروسه نصب آسان PySight و ادغام آن با سخت افزار پیشرفته این نگرانی ها را از بین می برد.
علاوه بر پیشبرد تحقیقات تصویربرداری عصبی،PySight میتواند شناسایی سریع سلولهای بدخیم در بیماران را با استفاده از میکروسکوپ چندفوتونی بهبود بخشد.
#خبر
#تصویربردای
#مهندسی_پزشکی
#فعالیت_عصبی
منبع:
https://phys.org/news/2018-09-d-imaging-poised-advance-treatments.html
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
👨💻نویسنده : محمد نوری زاده چرلو
✍محققان ترکیبی از سخت افزار تجاری و نرم افزار منبع باز(open source) توسعه داده اند که تصویربرداری سه بعدی و دوبعدی از مغز و سایر بافتها را سریع انجام میدهد. با بکارگیری یکپارچه سریعترین تصویربرداری سه بعدی، که در حال حاضر در دسترس است، پیشرفت میکروسکوپی میتواند به دانشمندان در درک بهتر #دینامیک_مغز کمک کند تا درمانهای جدیدی برای بیماریهایی از قبیل #سکته_مغزی، #صرع و #زوال_مغز پیدا کنند.
در آپتیکا، مجله انجمن نورپردازی ، محققان PySight را ارائه کرده اند که برای میکروسکوپهای اسکن لیزری به عنوان یک افزونی عمل میکند. با استفاده از این ترکیب جدید نرم افزار و سخت افزار، محققان کیفیت تصویر برداری سه بعدی و دو بعدی از فعالیتهای عصبی در مغز زنده را بهبود داده اند.
از آنجا که از اعماق بافت میتوان تصویربرداری کرد، معمولا از روش تصویربردای شناخته شده ی میکروسکوپ چند فتونی برای مطالعه الگوهای فعالیت سریع نورنها، عروق خونی و سایر سلولهایی که رزولوشن زمانی مناسبی دارند، استفاده میشود.
روش میکروسکوپی از پالسهای لیزری برای تحریک پروپهای فلورسانت که باعث انتشار فوتونها میشود استفاده میکند که در نتیجه این تحریک برخی از آنها تشخیص داده شده و برای تصاویر سه بعدی و دوبعدی استفاده می‌شوند.
دانشمندان برای اینکه بتوانند تمام فعالیتهای عصبی را دریافت کنند، مجبور هستند که تصویربردای سریع انجام دهند. در نتیجه، این عمل باعث میشود که فوتونهای کمتری جهت ساخت تصاویر قابل دسترس باشد. این عمل دقیقا مثل این می ماند که شما یک تصویر را خیلی سریع بگیرید!
چالش اینجاست که چگونه یک تصویر معناداری در چنین شرایطی اخذ کنند!؟ 🤔
برای حل این چالش، میکروسکوپیست ها یک روشی بنام شمارش فوتون استفاده میکنند.
اما پیاده سازی این روش نیاز به دانش زیاد در زمینه #الکترونیک دارد که به خاطر همین هرگز به طور گسترده پذیرفته نشده است.
به خاطر پروسه نصب آسان PySight و ادغام آن با سخت افزار پیشرفته این نگرانی ها را از بین می برد.
علاوه بر پیشبرد تحقیقات تصویربرداری عصبی،PySight میتواند شناسایی سریع سلولهای بدخیم در بیماران را با استفاده از میکروسکوپ چندفوتونی بهبود بخشد.
#خبر
#تصویربردای
#مهندسی_پزشکی
#فعالیت_عصبی
منبع:
https://phys.org/news/2018-09-d-imaging-poised-advance-treatments.html
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
phys.org
Enhanced 3-D imaging poised to advance treatments for brain diseases
Researchers have developed a combination of commercially available hardware and open-source software, named PySight, which improves rapid 2-D and 3-D imaging of the brain and other tissues. By seamlessly ...
onlinebme
ساخت موسیقی با استفاده از تصور #سیگنالهای_مغزی #EEG #BCI ➖➖➖➖ ✔️ @OnlineBME
🌐 ساخت موسیقی تنها با #ذهن و تفکر 🎶🎶🎶🎶🎶🎶
خلاصه: متخصصان مغز و اعصاب یک ابزار موسیقی ابداع کرده اند که بدون دخالت دست و تنها با کمک ذهن میتوان موسیقی ساخت.
👨💻نویسنده: محمد نوری زاده چرلو
✍متخصصان امیدوارند که ابزار در توانمندسازی بیماران مبتلا به اختلالات حرکتی مثل کسانی که سکته مغزی، آسیب نخاعی، آمپوتاسیون یا اسکلروز جانبی جانبی آمیوتروفی (ALS) دیده اند.
توماس دئول، متخصص مغز و اعصاب مرکز پزشکی سوئد و یک متخصص مغز و اعصاب در دانشگاه واشنگتن، نخستین نویسندگان این گزارش، توضیح می دهند که: انسفالوفن یک ابزار موسیقی است که تنها با استفاده از مغز کنترل میشود و هیچ حرکتی برای کنترل آن نیاز نیست.
دیوئل می گوید: "من یک موسیقیدان و متخصص مغز و اعصاب هستم، و بسیاری از بیماران را ملاقات کرده ام که قبل از سکته سکته مغزی یا سایر اختلالات حرکتی موسیقیدان بوده اند و نوازندگی می‌کرده اند، که دیگر نمی توانند نوازندگی کنند و یا آواز بخوانند". " فکر کردم چقدر عالی میشود اگر یک ابزار موسیقی ساخت که با استفاده از ابزار مغز رایانه ای (#BCI) به بیماران امکان ساخت موسیقی بدون نیاز به هیچ حرکتی دهد."
انسفالوفون سیگنالهای مغزی را از طریقی کلاهکی جمع آوری میکند و سیگنالهای خاصی را به نوتهای خاص موسیقی تبدیل میکند.
این اختراع یک سینت سایزر به همراه دارد که به کاربر امکان ساخت موسیقی با استفاده از طیف گسترده ای از صداهای ابزاری را فراهم میکند.
دکتر دئول انسفالوفون را در آزمایشگاه مستقل خود، با همکاری دکتر فلیکس داراس، فیزیکدان دانشگاه واشنگتن، توسعه داد (ثبت اختراع کرد). در گزارش اول، آنها ساختار دستگاه خود را توضیح دادند و همچنین مطالعات اولیه آنها مستنداتی نشان می دهد که چگونه این ابزار به راحتی می تواند مورد استفاده قرار گیرد.
این مطالعه مقدماتی نشان داد که یک گروه آزمایشی از 15 فرد بزرگسال سالم قادر به استفاده از ابزار برای ساخت صداهای موسیقی، بدون نیاز به آموزش قبلی، هستند.
دئول: ما برای اولین بار تلاش کردیم تا ثابت کنیم که تازه کارهایی که هیچ آموزشی برای استفاده از انسفالوفون ندیده اند، میتوانند با دقت بیشتری نسبت به سطح شانسی(Chance level) دستگاه را کنترل کنند.
انسفالوفون را میتوان توسط دو نوع از سیگنال مغزی مستقل کنترل کرد: سیگنالهایی که مرتبط با قشربصری ( جشمان بسته) و یا سیگنالهایی که مربوط به تصور حرکتی هستند.
کنترل با استفاده از تصور حرکتی ممکن است بهترین روش برای افراد معلول حرکتی باشد، که آقای دئول قصد دارد تا تحقیق در این زمنیه را ادامه دهد. اما در حال حاضر، مطالعه فعلی نشان داد که در این گروه آزمایشی کوچک، کنترل دستگاه با استفاده از سیگنالهای مرتبط با قشر بصری در مقایسه با تصور حرکتی دقیق تر است.
انسفالوفون براساس BCI (رابط مغز و کامپیوتر) است که از یک روش قدیمی برای ثبت سیگنال استفاد میکند، این روش الکتروانسفالوگرافی نامیده می شود، که سیگنالهای الکتریکی در مغز را اندازه گیری کرده و ثبت میکند. دانشندان برای اولین بار در سال 1930 شروع با تبدیل سیگنالهای مغزی به صدا شدند، و بعدها در سال 1960 سیگنالهای مغزی را به موسیقی تبدیل کردند. اما کنترل این روشها هنوزم که هنوزه سخت است و به راحتی قابل دسترس کاربران غیرمتخصص نیستند.
دئول: "پتانسیل بسیار بالایی برای انسفالوفون وجود دارد تا توانبخشی بیماران مبتلا به سکته مغزی و کسانی که دارای اختلالات حرکتی هستند بهبود بخشد."
منبع:
https://www.sciencedaily.com/releases/2017/07/170712110510.htm
مقاله:
1. Thomas A. Deuel, Juan Pampin, Jacob Sundstrom, Felix Darvas. The Encephalophone: A Novel Musical Biofeedback Device using Conscious Control of Electroencephalogram (EEG). Frontiers in Human Neuroscience, 2017; 11 DOI: 10.3389/fnhum.2017.00213
#خبر
#مهندسی_پزشکی
#واسط_مغز_کامپیوتر
#BCI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
خلاصه: متخصصان مغز و اعصاب یک ابزار موسیقی ابداع کرده اند که بدون دخالت دست و تنها با کمک ذهن میتوان موسیقی ساخت.
👨💻نویسنده: محمد نوری زاده چرلو
✍متخصصان امیدوارند که ابزار در توانمندسازی بیماران مبتلا به اختلالات حرکتی مثل کسانی که سکته مغزی، آسیب نخاعی، آمپوتاسیون یا اسکلروز جانبی جانبی آمیوتروفی (ALS) دیده اند.
توماس دئول، متخصص مغز و اعصاب مرکز پزشکی سوئد و یک متخصص مغز و اعصاب در دانشگاه واشنگتن، نخستین نویسندگان این گزارش، توضیح می دهند که: انسفالوفن یک ابزار موسیقی است که تنها با استفاده از مغز کنترل میشود و هیچ حرکتی برای کنترل آن نیاز نیست.
دیوئل می گوید: "من یک موسیقیدان و متخصص مغز و اعصاب هستم، و بسیاری از بیماران را ملاقات کرده ام که قبل از سکته سکته مغزی یا سایر اختلالات حرکتی موسیقیدان بوده اند و نوازندگی می‌کرده اند، که دیگر نمی توانند نوازندگی کنند و یا آواز بخوانند". " فکر کردم چقدر عالی میشود اگر یک ابزار موسیقی ساخت که با استفاده از ابزار مغز رایانه ای (#BCI) به بیماران امکان ساخت موسیقی بدون نیاز به هیچ حرکتی دهد."
انسفالوفون سیگنالهای مغزی را از طریقی کلاهکی جمع آوری میکند و سیگنالهای خاصی را به نوتهای خاص موسیقی تبدیل میکند.
این اختراع یک سینت سایزر به همراه دارد که به کاربر امکان ساخت موسیقی با استفاده از طیف گسترده ای از صداهای ابزاری را فراهم میکند.
دکتر دئول انسفالوفون را در آزمایشگاه مستقل خود، با همکاری دکتر فلیکس داراس، فیزیکدان دانشگاه واشنگتن، توسعه داد (ثبت اختراع کرد). در گزارش اول، آنها ساختار دستگاه خود را توضیح دادند و همچنین مطالعات اولیه آنها مستنداتی نشان می دهد که چگونه این ابزار به راحتی می تواند مورد استفاده قرار گیرد.
این مطالعه مقدماتی نشان داد که یک گروه آزمایشی از 15 فرد بزرگسال سالم قادر به استفاده از ابزار برای ساخت صداهای موسیقی، بدون نیاز به آموزش قبلی، هستند.
دئول: ما برای اولین بار تلاش کردیم تا ثابت کنیم که تازه کارهایی که هیچ آموزشی برای استفاده از انسفالوفون ندیده اند، میتوانند با دقت بیشتری نسبت به سطح شانسی(Chance level) دستگاه را کنترل کنند.
انسفالوفون را میتوان توسط دو نوع از سیگنال مغزی مستقل کنترل کرد: سیگنالهایی که مرتبط با قشربصری ( جشمان بسته) و یا سیگنالهایی که مربوط به تصور حرکتی هستند.
کنترل با استفاده از تصور حرکتی ممکن است بهترین روش برای افراد معلول حرکتی باشد، که آقای دئول قصد دارد تا تحقیق در این زمنیه را ادامه دهد. اما در حال حاضر، مطالعه فعلی نشان داد که در این گروه آزمایشی کوچک، کنترل دستگاه با استفاده از سیگنالهای مرتبط با قشر بصری در مقایسه با تصور حرکتی دقیق تر است.
انسفالوفون براساس BCI (رابط مغز و کامپیوتر) است که از یک روش قدیمی برای ثبت سیگنال استفاد میکند، این روش الکتروانسفالوگرافی نامیده می شود، که سیگنالهای الکتریکی در مغز را اندازه گیری کرده و ثبت میکند. دانشندان برای اولین بار در سال 1930 شروع با تبدیل سیگنالهای مغزی به صدا شدند، و بعدها در سال 1960 سیگنالهای مغزی را به موسیقی تبدیل کردند. اما کنترل این روشها هنوزم که هنوزه سخت است و به راحتی قابل دسترس کاربران غیرمتخصص نیستند.
دئول: "پتانسیل بسیار بالایی برای انسفالوفون وجود دارد تا توانبخشی بیماران مبتلا به سکته مغزی و کسانی که دارای اختلالات حرکتی هستند بهبود بخشد."
منبع:
https://www.sciencedaily.com/releases/2017/07/170712110510.htm
مقاله:
1. Thomas A. Deuel, Juan Pampin, Jacob Sundstrom, Felix Darvas. The Encephalophone: A Novel Musical Biofeedback Device using Conscious Control of Electroencephalogram (EEG). Frontiers in Human Neuroscience, 2017; 11 DOI: 10.3389/fnhum.2017.00213
#خبر
#مهندسی_پزشکی
#واسط_مغز_کامپیوتر
#BCI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
ScienceDaily
Creating music by thought alone
Neurologists have created a hands-free, thought-controlled musical instrument. They hope that this new instrument will help empower and rehabilitate patients with motor disabilities such as those from stroke, spinal cord injury, amputation, or amyotrophic…
✅اولین موج سخت افزارهای شبکه عصبی اسپایکی
👩🏫نویسنده: هما کاشفی امیری
🔶در چند سال گذشته شاهد معماری های سخت افزاری جدید برای آموزش یادگیری عمیق بوده ایم اما در سال جاری، این معماری ها به نقطه ی عطف خود رسیده اند. تراشه هایی که می توانند دو حجم کاری را روی یک دستگاه مدیریت کنند، هرچند بازار هنوز در انتظار ورود این تراشه هاست.
🔶اکثر دستگاه های مربوط به شبکه های عصبی کانولوشنی، بازگشتی و سایر شبکه های عصبی بزرگ به مقدار نسبتاً زیادی حافظه ی در تراشه برای ذخیره ی وزن ها و لایه های فرآیندهای آموزش تکراری طولانی نیاز دارند. با در اختیار داشتن تراشه های مرکز داده که هر دو روند آموزش و تست را انجام می دهند، همان قطعه ی سیلیکونی بزرگ عملکرد بسیار بهتری خواهد داشت اما هرگز کارآمد نیست.
🔶این نواقص معماری های تراشه های حافظه AI مسیر جدیدی را پیش روی دستگاه های نورومورفیک و همچنین سایر روش های یادگیری ماشین از جمله شبکه های عصبی اسپایکی گشوده اند.
🔶محصولات True North متعلق به شرکتIBM و Loihiشرکت اینتل هنوز به محصولات سخت افزاری نئومورفیک تبدیل نشده اند و بیشتر تلاش های پژوهشی متمرکز بر مدلسازی نورون هاست به جای آنکه بر روند انتقال محاسبات نئومورفیک به خطوط تراشهAIتمرکز شود.
🔶این شرایط، فرصتی را برای شرکت Brainchip ارائه کرد که جزئیات اولیه ی معماری نئومورفیک خود را برای شبکه های عصبی اسپایکی منتشر کند که هم آموزش و هم تست را هدف قرار داده است و برای حوزه هایی چون بینایی ماشین، تکنیک های مالی و امنیت سایبری مدنظر قرار می گیرد. شرکت کارایی تراشه های AI کنونی را مدنظر قرار داده و نشان داده است که چگونه شبکه های اسپایکی می توانند مزیت های عمده ی نرم افزاری را مورد استفاده قرار دهند و شبکه های کانولوشنی بسازند که انتقال اسپایک ساده تر صورت گیرد.
🔶به طور قطع اعلام می کنیم که این اولین سیلیکون ساخته شده روی SNN با نوع معماری نئومورفیک نیست، اما اولین سیلیکونی است که برای اهداف یادگیری عمیق توسعه یافته است.
🔷توان عامل بسیار مهمی در سخت افزار اما برای چنین کاربردهایی مصرف زیر پنج وات مناسب است. ادعای Brainchip این است که بخش پس انتشار خطا و فرآیند تکراری CNN، سربار بسیار زیادی تولید می کنند. ایده این است که داده را از طریق شبکه برای آموزش بفرستیم و وزن سیناپسی و آستانه ی شلیک نورونی را انجام دهیم و با داده ی کمتر به بخش تست برگردیم که در آن حافظه ی فشرده برای هر واحد محاسبه بکار رود. به این صورت هیچHBM، هیچ واحد MAC و هیچ سربار توانی نداریم
🔷ادعای Brainchip این است شبکه ی کانولوشنی مشابه مدلسازی نورون با یک فیلتر بزرگ و وزن هاست، ضرب تکراری ماتریس جبر خطی روی داده در هر لایه و حافظه ی مورد نیاز و واحدهای MAC به تراشه های با توان بسیار بالا نیازمندند. به جای استفاده از این رویکرد کانولوشنی، SNN تابع نورونی را با سیناپس ها و نورون ها را با اسپایک های بین نورون ها مدل می کند. شبکه از طریق فرآیند تقویت و مهار این اسپایک ها آموزش می بیند (اسپایک های تکراری، تقویت کننده هستند).
🔷قابلیت تغییر آستانه ی شلیک نورونی و حساسیت به این اسپایک ها یک روش موثر و متفاوت برای آموزش است که البته محدودیت های پیچیدگی دارد. به این ترتیب به حافظه ی کمتر (حافظه ی 6 مگابایتی در هر هسته ی عصبی) نیاز خواهیم داشت
منبع:
https://www.nextplatform.com/2018/09/11/first-wave-of-spiking-neural-network-hardware-hits/
#خبر
#هوش_مصنوعی
#شبکه‌های_عصبی #اسپایکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
First Wave of Spiking Neural Network Hardware Hits
Over the last several years we have seen many new hardware architectures emerge for deep learning
👩🏫نویسنده: هما کاشفی امیری
🔶در چند سال گذشته شاهد معماری های سخت افزاری جدید برای آموزش یادگیری عمیق بوده ایم اما در سال جاری، این معماری ها به نقطه ی عطف خود رسیده اند. تراشه هایی که می توانند دو حجم کاری را روی یک دستگاه مدیریت کنند، هرچند بازار هنوز در انتظار ورود این تراشه هاست.
🔶اکثر دستگاه های مربوط به شبکه های عصبی کانولوشنی، بازگشتی و سایر شبکه های عصبی بزرگ به مقدار نسبتاً زیادی حافظه ی در تراشه برای ذخیره ی وزن ها و لایه های فرآیندهای آموزش تکراری طولانی نیاز دارند. با در اختیار داشتن تراشه های مرکز داده که هر دو روند آموزش و تست را انجام می دهند، همان قطعه ی سیلیکونی بزرگ عملکرد بسیار بهتری خواهد داشت اما هرگز کارآمد نیست.
🔶این نواقص معماری های تراشه های حافظه AI مسیر جدیدی را پیش روی دستگاه های نورومورفیک و همچنین سایر روش های یادگیری ماشین از جمله شبکه های عصبی اسپایکی گشوده اند.
🔶محصولات True North متعلق به شرکتIBM و Loihiشرکت اینتل هنوز به محصولات سخت افزاری نئومورفیک تبدیل نشده اند و بیشتر تلاش های پژوهشی متمرکز بر مدلسازی نورون هاست به جای آنکه بر روند انتقال محاسبات نئومورفیک به خطوط تراشهAIتمرکز شود.
🔶این شرایط، فرصتی را برای شرکت Brainchip ارائه کرد که جزئیات اولیه ی معماری نئومورفیک خود را برای شبکه های عصبی اسپایکی منتشر کند که هم آموزش و هم تست را هدف قرار داده است و برای حوزه هایی چون بینایی ماشین، تکنیک های مالی و امنیت سایبری مدنظر قرار می گیرد. شرکت کارایی تراشه های AI کنونی را مدنظر قرار داده و نشان داده است که چگونه شبکه های اسپایکی می توانند مزیت های عمده ی نرم افزاری را مورد استفاده قرار دهند و شبکه های کانولوشنی بسازند که انتقال اسپایک ساده تر صورت گیرد.
🔶به طور قطع اعلام می کنیم که این اولین سیلیکون ساخته شده روی SNN با نوع معماری نئومورفیک نیست، اما اولین سیلیکونی است که برای اهداف یادگیری عمیق توسعه یافته است.
🔷توان عامل بسیار مهمی در سخت افزار اما برای چنین کاربردهایی مصرف زیر پنج وات مناسب است. ادعای Brainchip این است که بخش پس انتشار خطا و فرآیند تکراری CNN، سربار بسیار زیادی تولید می کنند. ایده این است که داده را از طریق شبکه برای آموزش بفرستیم و وزن سیناپسی و آستانه ی شلیک نورونی را انجام دهیم و با داده ی کمتر به بخش تست برگردیم که در آن حافظه ی فشرده برای هر واحد محاسبه بکار رود. به این صورت هیچHBM، هیچ واحد MAC و هیچ سربار توانی نداریم
🔷ادعای Brainchip این است شبکه ی کانولوشنی مشابه مدلسازی نورون با یک فیلتر بزرگ و وزن هاست، ضرب تکراری ماتریس جبر خطی روی داده در هر لایه و حافظه ی مورد نیاز و واحدهای MAC به تراشه های با توان بسیار بالا نیازمندند. به جای استفاده از این رویکرد کانولوشنی، SNN تابع نورونی را با سیناپس ها و نورون ها را با اسپایک های بین نورون ها مدل می کند. شبکه از طریق فرآیند تقویت و مهار این اسپایک ها آموزش می بیند (اسپایک های تکراری، تقویت کننده هستند).
🔷قابلیت تغییر آستانه ی شلیک نورونی و حساسیت به این اسپایک ها یک روش موثر و متفاوت برای آموزش است که البته محدودیت های پیچیدگی دارد. به این ترتیب به حافظه ی کمتر (حافظه ی 6 مگابایتی در هر هسته ی عصبی) نیاز خواهیم داشت
منبع:
https://www.nextplatform.com/2018/09/11/first-wave-of-spiking-neural-network-hardware-hits/
#خبر
#هوش_مصنوعی
#شبکه‌های_عصبی #اسپایکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
First Wave of Spiking Neural Network Hardware Hits
Over the last several years we have seen many new hardware architectures emerge for deep learning
The Next Platform
First Wave of Spiking Neural Network Hardware Hits
Over the last several years we have seen many new hardware architectures emerge for deep learning training but this year, inference will have its turn in
onlinebme
‼️ #عشق یا #اندیشه!؟ ✔️ @OnlineBME
انیمیشن تلخ و مفهومی دنی بوی
انیمیشن کوتاه دنی بوی ( Danny Boy ) عشق و اندیشه را به چالش می کشد. این فیلم رامارک اسکروبتسکی کارگردان لهستانی در سال ۲۰۱۰ نوشته و کارگردانی کرده است. موضوع غالبِ فیلم انتخاب بین اندیشه و تفکر است که نتیجه ای جز تنهایی برای شخصیت ندارد و عشق است. دنیایی که با بی اندیشگی و تنهایی تیره و تار شده است و زمان انتخاب است. انتخابی که منجر به وداع با زیبایی های بصری و اندیشه است، اما باعث وصال نیز می شود. برخلاف تمام جامعه که تیره و خاکستری است در فیلم تمام مصداق های زیبایی و عشق رنگی تند و زیبا دارند. جایی که حتی مرگ هم معنی خود را از دست داده است. عشق یا اندیشه ؟
تو این سایت تحلیل خوبی شده👇
https://andishe-va-raaz.persianblog.ir/jQkxD7y3NQcEEJD65vmA-تحلیلی-بر-انیمیشن-کوتاه-Danny-boy
➖➖➖➖➖
@OnlineBME
انیمیشن کوتاه دنی بوی ( Danny Boy ) عشق و اندیشه را به چالش می کشد. این فیلم رامارک اسکروبتسکی کارگردان لهستانی در سال ۲۰۱۰ نوشته و کارگردانی کرده است. موضوع غالبِ فیلم انتخاب بین اندیشه و تفکر است که نتیجه ای جز تنهایی برای شخصیت ندارد و عشق است. دنیایی که با بی اندیشگی و تنهایی تیره و تار شده است و زمان انتخاب است. انتخابی که منجر به وداع با زیبایی های بصری و اندیشه است، اما باعث وصال نیز می شود. برخلاف تمام جامعه که تیره و خاکستری است در فیلم تمام مصداق های زیبایی و عشق رنگی تند و زیبا دارند. جایی که حتی مرگ هم معنی خود را از دست داده است. عشق یا اندیشه ؟
تو این سایت تحلیل خوبی شده👇
https://andishe-va-raaz.persianblog.ir/jQkxD7y3NQcEEJD65vmA-تحلیلی-بر-انیمیشن-کوتاه-Danny-boy
➖➖➖➖➖
@OnlineBME
andishe-va-raaz.persianblog.ir
تحلیلی بر انیمیشن کوتاه Danny boy
https://vimeo.com/86105817لینک برای تماشای این انیمیشن
- بدون سر بودن انسانها در این فیلم نشان از نداشتن فکر است. منظور فقط نابینا ...
- بدون سر بودن انسانها در این فیلم نشان از نداشتن فکر است. منظور فقط نابینا ...
onlinebme
قلب و گردش خون @IUST_Bioelecteric
This media is not supported in your browser
VIEW IN TELEGRAM
تحقیق جدید: توصیه‌های قبلی را فراموش کنید، افراد سالم نباید #آسپیرین بخورند.
دلیل: افزایش احتمال خونریزی داخلی.
این گزارش را برای نزدیکان‌تان بفرستید.
«مصرف آسپیرین را ناگهانی قطع نکنید.»
@OnlineBME
دلیل: افزایش احتمال خونریزی داخلی.
این گزارش را برای نزدیکان‌تان بفرستید.
«مصرف آسپیرین را ناگهانی قطع نکنید.»
@OnlineBME
🗓 ۴۱ سال پیش ( 1977) در چنین روزی، وویجر ۱ از فاصله 7.25 میلیون مایل (11.66 میلیون کیلومتر ) نخستین تصویر فضایی از زمین و ماه را در کنار یکدیگر ثبت کرد.
منبع:
https://www.jpl.nasa.gov/spaceimages/details.php?id=PIA00013
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
منبع:
https://www.jpl.nasa.gov/spaceimages/details.php?id=PIA00013
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
www.jpl.nasa.gov
Crescent Earth and Moon
This picture of a crescent-shaped Earth and Moon, the first of its kind ever taken by a spacecraft, was recorded Sept. 18, 1977, by NASA's Voyager 1 when it was 7.25 million miles (11.66 million kilometers) from Earth.
onlinebme
🌐 بهبود تصویربرداری سه بعدی جهت پیشبرد درمان بیماریهای مغزی 👨💻نویسنده : محمد نوری زاده چرلو ✍محققان ترکیبی از سخت افزار تجاری و نرم افزار منبع باز(open source) توسعه داده اند که تصویربرداری سه بعدی و دوبعدی از مغز و سایر بافتها را سریع انجام میدهد. با…
✅🌐 الگوهای کامل، MRI را سریعتر و ارزانتر میکنند!
🔺 کشف جدید محقق دانشگاه کوئینزلند می تواند زمان های اسکن MRI را سریع تر و مقرون به صرفه تر سازد.
👨💻نویسنده: محمد نوری زاده چرلو
✍ دکتر Shekhar Chandra از دانشکده فناوری اطلاعات و برق UQ، کلاس جدیدی از فراکتال ها را شناسایی کرده است. این فرکانتال یک الگوی ریاضی هست که می تواند فرآیند اسکن MRI را ارتقاء دهد و اجازه دهد که یک اسکن کامل بدن چهار بار سریعتر انجام شود.
دکتر چاندرا: "فراکتال های متنوعی از اوایل دهه 70 کشف شده اند اما هیچکدام از آنها تاکنون برای MRI قابل استفاده نیستند."
فراکتال یک الگوی بی پایان است که خود را در مقیاس های مختلف تکرار می کند.
از دید تکنولوژی، این فرکتال به یک الگوی نمونه برداری تبدیل می شود که توسط دستگاه MRI استفاده می شود تا اطمینان حاصل شود تنها اطلاعات لازم ثبت می شود، و داده های تصویر برداری افزونه(Redundant) را حذف می کند.
دکتر چاندرا: "ما ثابت کرده ایم که می توانیم از ویژگی های تکراری الگوی به نفع خود برای کاهش اندازه گیری های مورد نیاز برای اسکن MRI استفاده کنیم."
دکتر چاندرا گفت که این کشف به پزشکان اجازه می دهد تا اطلاعات تصویری بیشتری را در زمان کمتری بدست آورند بدون اینکه کیفیت تصویر را تحت تاثیر قرار دهند. همچنین بیماران زمان کمتری در دستگاه صرف میکنند، همچنین اسکن بیشتری در زمان کم گرفته می شود، که در نتیجه آن زمان انتظار جهت انجام اسکن mri را کاهش می‌یابد.
دکتر چاندرا : "تحقیقات من ثابت می کند که این روش سنجش سنجی در نهایت می تواند به بسیاری از زمینه های علم، از جمله نجوم، #مهندسی_پزشکی و علوم رایانه اعمال شود.
"در تئوری ما نشان داده ایم که این کشف، تکنولوژی MRI را بهبود می بخشد، اما قبل از اینکه بتواند در عمل استفاده شود، بع کار و تامین مالی بیشتری لازم است."
منبع:
https://phys.org/news/2018-09-patterns-pave-path-faster-cheaper.amp
#خبر
#تازه_های_تصویربرداری
#مهندسی_پزشکی
#MRI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
🔺 کشف جدید محقق دانشگاه کوئینزلند می تواند زمان های اسکن MRI را سریع تر و مقرون به صرفه تر سازد.
👨💻نویسنده: محمد نوری زاده چرلو
✍ دکتر Shekhar Chandra از دانشکده فناوری اطلاعات و برق UQ، کلاس جدیدی از فراکتال ها را شناسایی کرده است. این فرکانتال یک الگوی ریاضی هست که می تواند فرآیند اسکن MRI را ارتقاء دهد و اجازه دهد که یک اسکن کامل بدن چهار بار سریعتر انجام شود.
دکتر چاندرا: "فراکتال های متنوعی از اوایل دهه 70 کشف شده اند اما هیچکدام از آنها تاکنون برای MRI قابل استفاده نیستند."
فراکتال یک الگوی بی پایان است که خود را در مقیاس های مختلف تکرار می کند.
از دید تکنولوژی، این فرکتال به یک الگوی نمونه برداری تبدیل می شود که توسط دستگاه MRI استفاده می شود تا اطمینان حاصل شود تنها اطلاعات لازم ثبت می شود، و داده های تصویر برداری افزونه(Redundant) را حذف می کند.
دکتر چاندرا: "ما ثابت کرده ایم که می توانیم از ویژگی های تکراری الگوی به نفع خود برای کاهش اندازه گیری های مورد نیاز برای اسکن MRI استفاده کنیم."
دکتر چاندرا گفت که این کشف به پزشکان اجازه می دهد تا اطلاعات تصویری بیشتری را در زمان کمتری بدست آورند بدون اینکه کیفیت تصویر را تحت تاثیر قرار دهند. همچنین بیماران زمان کمتری در دستگاه صرف میکنند، همچنین اسکن بیشتری در زمان کم گرفته می شود، که در نتیجه آن زمان انتظار جهت انجام اسکن mri را کاهش می‌یابد.
دکتر چاندرا : "تحقیقات من ثابت می کند که این روش سنجش سنجی در نهایت می تواند به بسیاری از زمینه های علم، از جمله نجوم، #مهندسی_پزشکی و علوم رایانه اعمال شود.
"در تئوری ما نشان داده ایم که این کشف، تکنولوژی MRI را بهبود می بخشد، اما قبل از اینکه بتواند در عمل استفاده شود، بع کار و تامین مالی بیشتری لازم است."
منبع:
https://phys.org/news/2018-09-patterns-pave-path-faster-cheaper.amp
#خبر
#تازه_های_تصویربرداری
#مهندسی_پزشکی
#MRI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
phys.org
Perfect patterns pave path to faster, cheaper MRI
A discovery by a University of Queensland researcher could speed up MRI scanning times and make the scans more affordable.
نحوه نصب eeglab.pdf
1.3 MB
📚 پردازش سیگنال در محیط EEGLAB:
📌 جلسه 1: نحوه نصب و اجرای EEGLAB در #متلب
👨💻 مدرس: محمد نوری زاده چرلو
#EEGLAB1
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @OnlineBME
📌 جلسه 1: نحوه نصب و اجرای EEGLAB در #متلب
👨💻 مدرس: محمد نوری زاده چرلو
#EEGLAB1
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @OnlineBME
🌐⌚️چند روز پیش ساعت هوشمند شیائومی با نمایشگرOLED به نام Amazfit Verge معرفی شد!
جالبه بدونید که این ساعت میتواند #ضربان_قلب را در طول روز ردیابی کند!
جدیدترین ویژگی این ساعت سنسور ضربان قلب بهبودیافته است.
شبیه به ساعت اپل سری 4، اندازه گیری دقیق تر ضربان قلب برای تشخیص #آریتمی_قلبی و #فیبریلاسیون_دهلیزی استفاده می شود. اینها گروهی از شرایطی هستند که در آنها ضربان قلب نامنظم، خیلی سریع یا خیلی کند است. سازندگان ساعت امیدوار هستند که این ویژگی به افرادی که آگاه از بیماری خود نیستند، کمک کند.
https://gadgetsandwearables.com/2018/09/17/amazfit-verge/
#خبر
#مهندسی_پزشکی
#تشخیص_آریتمی_قلبی
#فیبریلاسیون_دهلیزی
#ECG
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
جالبه بدونید که این ساعت میتواند #ضربان_قلب را در طول روز ردیابی کند!
جدیدترین ویژگی این ساعت سنسور ضربان قلب بهبودیافته است.
شبیه به ساعت اپل سری 4، اندازه گیری دقیق تر ضربان قلب برای تشخیص #آریتمی_قلبی و #فیبریلاسیون_دهلیزی استفاده می شود. اینها گروهی از شرایطی هستند که در آنها ضربان قلب نامنظم، خیلی سریع یا خیلی کند است. سازندگان ساعت امیدوار هستند که این ویژگی به افرادی که آگاه از بیماری خود نیستند، کمک کند.
https://gadgetsandwearables.com/2018/09/17/amazfit-verge/
#خبر
#مهندسی_پزشکی
#تشخیص_آریتمی_قلبی
#فیبریلاسیون_دهلیزی
#ECG
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
Gadgets & Wearables
The new Amazfit Verge will monitor your activity and heart health
As expected, Huami has announced today a new iteration of its flagship sportswatch. The company has called it Amazfit Verge instead of the rumored Amazfit X.
✅یک استارتاپ هوش مصنوعی ادعا کرده است که می تواند پزشکان را در امتحان پزشکی شکست دهد و این استارتاپ 100 میلیون دلار برای ایجاد 500 شغل جدید سرمایه گذاری کرده است.
مدیر این استارتاپ یک #ایرانی به نام علی پارساست.
👩🏫نویسنده: هما کاشفی امیری
🔷 استارتاپ بریتانیایی Babylon Health گفته است که 100 میلیون دلار از ترازنامه ی خود برای استخدام صدها دانشمند هوش مصنوعی سرمایه گذاری کرده است
🔷قبلاً Babylon با NHS و خدمات بهداشت ملی انگلستان قرارداد داشت و در آمریکا، خدمات پزشکی هوش مصنوعی آن در گوشی های تلفن سامسونگ تعبیه شده بود.
🔷مدیر این استارتاپ علی پارساست و گفته است که با این کار اعضای تیم فعلی Babylon 1000 نفر خواهند شد و این شرکت در 18 ماه آینده به لندن نقل مکان خواهد کرد تا پذیرای کارمندان جدید خود باشد. شرکت در حال حاضر در کنزینگتون لندن مستقر است و قصد دارد سایر دفاتر این ساختمان را نیز بگیرد.
🔷پژوهش های هوش مصنوعی روی نرم افزارهایی از Babylon انجام شد و اواخر ماه ژوئن به نمایش گذاشته شد. این شرکت ادعا کرد که هوش مصنوعی می تواند شرایط رایج را دقیق تر از پزشکان ارزیابی کند. ایده ی اصلی توسعه ی هوش مصنوعی از مراقبت های معمول بود به این صورت که بیماران به پزشک هوش مصنوعی خود مراجعه می کنند تا به تشخیص و مدیریت بیماری های مزمن توسط آنها کمک کنند و شاید تهدید جدی برای خدمات بهداشت و سلامت NHS در انگلستان باشد.
🔷استارتاپ Babylon بیان کرد که وزیر بهداشت مت هانکاک متعهد شده است که روند NHS را با فناوری های روز اصلاح کرده و تغییر دهد.
منبع:
https://www.businessinsider.com/babylon-health-invests-100-million-500-new-jobs-ai-research-2018-9
#خبر
#تازه_های_هوش_مصنوعی
#استارتاپ
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
مدیر این استارتاپ یک #ایرانی به نام علی پارساست.
👩🏫نویسنده: هما کاشفی امیری
🔷 استارتاپ بریتانیایی Babylon Health گفته است که 100 میلیون دلار از ترازنامه ی خود برای استخدام صدها دانشمند هوش مصنوعی سرمایه گذاری کرده است
🔷قبلاً Babylon با NHS و خدمات بهداشت ملی انگلستان قرارداد داشت و در آمریکا، خدمات پزشکی هوش مصنوعی آن در گوشی های تلفن سامسونگ تعبیه شده بود.
🔷مدیر این استارتاپ علی پارساست و گفته است که با این کار اعضای تیم فعلی Babylon 1000 نفر خواهند شد و این شرکت در 18 ماه آینده به لندن نقل مکان خواهد کرد تا پذیرای کارمندان جدید خود باشد. شرکت در حال حاضر در کنزینگتون لندن مستقر است و قصد دارد سایر دفاتر این ساختمان را نیز بگیرد.
🔷پژوهش های هوش مصنوعی روی نرم افزارهایی از Babylon انجام شد و اواخر ماه ژوئن به نمایش گذاشته شد. این شرکت ادعا کرد که هوش مصنوعی می تواند شرایط رایج را دقیق تر از پزشکان ارزیابی کند. ایده ی اصلی توسعه ی هوش مصنوعی از مراقبت های معمول بود به این صورت که بیماران به پزشک هوش مصنوعی خود مراجعه می کنند تا به تشخیص و مدیریت بیماری های مزمن توسط آنها کمک کنند و شاید تهدید جدی برای خدمات بهداشت و سلامت NHS در انگلستان باشد.
🔷استارتاپ Babylon بیان کرد که وزیر بهداشت مت هانکاک متعهد شده است که روند NHS را با فناوری های روز اصلاح کرده و تغییر دهد.
منبع:
https://www.businessinsider.com/babylon-health-invests-100-million-500-new-jobs-ai-research-2018-9
#خبر
#تازه_های_هوش_مصنوعی
#استارتاپ
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
Business Insider
An AI startup that claimed it can beat doctors in an exam is putting $100 million into creating 500 new jobs
Babylon Health's CEO Ali Parsa has hit back at critics who say the firm is undermining aspects of the NHS, and that its technology needs more scrutiny.
onlinebme
نحوه نصب eeglab.pdf
جلسه دوم EEGLAB.pdf
1.8 MB
📚 پردازش سیگنال در محیط EEGLAB:
📌 جلسه 2: نحوه کار با پنجره eegplot
👨💻 مدرس: محمد نوری زاده چرلو
#EEGLAB2
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @OnlineBME
📌 جلسه 2: نحوه کار با پنجره eegplot
👨💻 مدرس: محمد نوری زاده چرلو
#EEGLAB2
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @OnlineBME
onlinebme
🌐 ساخت موسیقی تنها با #ذهن و تفکر 🎶🎶🎶🎶🎶🎶 خلاصه: متخصصان مغز و اعصاب یک ابزار موسیقی ابداع کرده اند که بدون دخالت دست و تنها با کمک ذهن میتوان موسیقی ساخت. 👨💻نویسنده: محمد نوری زاده چرلو ✍متخصصان امیدوارند که ابزار در توانمندسازی بیماران مبتلا به اختلالات…
This media is not supported in your browser
VIEW IN TELEGRAM
✅🌐 محققین دانشگاه MIT موفق به توسعه‌ی گجتی به اسم AlterEgo شدن که میتونه دستورات ذهنی شما رو تشخیص بده و اجرا کنه
✔️ @OnlineBME
✔️ @OnlineBME
onlinebme
✅🌐 محققین دانشگاه MIT موفق به توسعه‌ی گجتی به اسم AlterEgo شدن که میتونه دستورات ذهنی شما رو تشخیص بده و اجرا کنه ✔️ @OnlineBME
✅🌐 هدست AlterEgo، هدستی که ذهن شما را میخواند! بدون اینکه حرفی به زبان بیاورید افکار شمارا میخواند!
#mind_reading_headset
زمانی که ما به جمله ای در ذهن خود فکر میکنیم و قصد داریم آن جمله بیان کنیم، مغز ما سیگنالهایی را به دهان و فک ما میفرستد، هدست گروه MIT، این سیگنالها را با دقت 92 درصد درست میخواند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ نمیخواهم به شما هشدار بدهم، ولی باید بگویم که رباتها به نوعی میتوانند ذهن شما را بخوانند!
هدست AlterEgo یک هدست جدید است که توسط گروه MIT Media Lab توسعه داده شده است. شما آن را به صورت خود می بندید و با آن صحبت می کنید و هدست جملات شما را به شما می گوید! اما نکته قابل توجه این است که این وسط هیچ کلمه ای گفته نمی شود! شما چیزهایی را در سرتان هست را می گوئید، مانند "کدام خیابان هستم "، و هدست سیگنال هایی که مغز شما به دهان و فک می فرستد را میخواند و به سوال شما پاسخ میدهد. برای روشن شدن مطلب میتوانید ویدیوی قرار داده شده در کانال را تماشا کنید.
💡بله، ممکن است شما به زودی تلویزیون خود را با ذهن خود کنترل کنید!
محققان نمونه اولیه این دستگاه را در یک مطالعه که از 10 نفر برای آزمایش استفاده کرده بودند، و متوجه شدند به طور متوسط 92 درصد این دستگاه درست سیگنالها را خوانده است.
علاوه بر اینکه این دستگاه قادر به خواندن ذهن فرد است، میتواند با کاربر از طریق هدایت استخوانی صحبت کند، بدون اینکه کانال شنوایی گوش را مختل کند(برخلاف دستگاههایی که موقع کار کانال گوش را مختل میکنند).
این باعث می شود که با یک سیستم کامپیوتری، دستیار دیجیتال یا نوعی از هوش مصنوعی ارتباط برقرار کنید بدون اینکه نیاز به مصالحه کردن محیط فعلی کاربر با استفاده از یک گوشی هوشمند، صحبت کردن با صدای بلند و یا موانعی که شنوایی کاربرد را با مشکل روبرو کند، باشد.
منبع:
https://www.cnet.com/news/mit-alterego-headset-can-read-words-you-say-in-your-head/
https://www.forbes.com/sites/ericmack/2018/04/06/talk-to-mit-alterego-mind-reading-headset-without-ever-opening-your-mouth/#52e860546287
#خبر
#تازه_ها
#هوش_مصنوعی
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
#mind_reading_headset
زمانی که ما به جمله ای در ذهن خود فکر میکنیم و قصد داریم آن جمله بیان کنیم، مغز ما سیگنالهایی را به دهان و فک ما میفرستد، هدست گروه MIT، این سیگنالها را با دقت 92 درصد درست میخواند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ نمیخواهم به شما هشدار بدهم، ولی باید بگویم که رباتها به نوعی میتوانند ذهن شما را بخوانند!
هدست AlterEgo یک هدست جدید است که توسط گروه MIT Media Lab توسعه داده شده است. شما آن را به صورت خود می بندید و با آن صحبت می کنید و هدست جملات شما را به شما می گوید! اما نکته قابل توجه این است که این وسط هیچ کلمه ای گفته نمی شود! شما چیزهایی را در سرتان هست را می گوئید، مانند "کدام خیابان هستم "، و هدست سیگنال هایی که مغز شما به دهان و فک می فرستد را میخواند و به سوال شما پاسخ میدهد. برای روشن شدن مطلب میتوانید ویدیوی قرار داده شده در کانال را تماشا کنید.
💡بله، ممکن است شما به زودی تلویزیون خود را با ذهن خود کنترل کنید!
محققان نمونه اولیه این دستگاه را در یک مطالعه که از 10 نفر برای آزمایش استفاده کرده بودند، و متوجه شدند به طور متوسط 92 درصد این دستگاه درست سیگنالها را خوانده است.
علاوه بر اینکه این دستگاه قادر به خواندن ذهن فرد است، میتواند با کاربر از طریق هدایت استخوانی صحبت کند، بدون اینکه کانال شنوایی گوش را مختل کند(برخلاف دستگاههایی که موقع کار کانال گوش را مختل میکنند).
این باعث می شود که با یک سیستم کامپیوتری، دستیار دیجیتال یا نوعی از هوش مصنوعی ارتباط برقرار کنید بدون اینکه نیاز به مصالحه کردن محیط فعلی کاربر با استفاده از یک گوشی هوشمند، صحبت کردن با صدای بلند و یا موانعی که شنوایی کاربرد را با مشکل روبرو کند، باشد.
منبع:
https://www.cnet.com/news/mit-alterego-headset-can-read-words-you-say-in-your-head/
https://www.forbes.com/sites/ericmack/2018/04/06/talk-to-mit-alterego-mind-reading-headset-without-ever-opening-your-mouth/#52e860546287
#خبر
#تازه_ها
#هوش_مصنوعی
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
CNET
MIT's AlterEgo headset can read words you say in your head
When you think a sentence in your head, your brain sends signals to your mouth and jaw. MIT Media Lab's headset reads those signals with 92 percent accuracy.
onlinebme
جلسه دوم EEGLAB.pdf
جلسه سومEEGLAB.pdf
2 MB
📚 نحوه خواندن داده .gdf در متلب
👨💻 مدرس: محمد نوری زاده چرلو
#GDF
how to read .gdf data in #matlab
#eeglab
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
👨💻 مدرس: محمد نوری زاده چرلو
#GDF
how to read .gdf data in #matlab
#eeglab
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
onlinebme
نحوه نصب eeglab.pdf
eeglab14_0_0b.zip
35.5 MB
🎁📦تولباکس EEGLAB
📌 فایل را دانلود کرده و طبق جلسه اول به محیط متلب اضافه کنید.
#EEGLAB_Toolbox
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
📌 فایل را دانلود کرده و طبق جلسه اول به محیط متلب اضافه کنید.
#EEGLAB_Toolbox
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
onlinebme
جلسه سومEEGLAB.pdf
biosig4octmat-2.82.zip
30.4 MB
🎁📦#تولباکس_biosig2mat
📌 فایل را دانلود کرده و طبق فایل آموزشی از تولباکس برای تبدیل فایل gdf به .mat استفاده کنید.
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
📌 فایل را دانلود کرده و طبق فایل آموزشی از تولباکس برای تبدیل فایل gdf به .mat استفاده کنید.
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
onlinebme
🧐 ببینید #مغز انسان چقدر راحت #فریب میخوره!؟😅😂 #illusion ‼️نتیجه #ترکیب اطلاعات #لمسی و #بصری ➖➖➖➖ 📖 @onlineBME
👀 یکی دو ثانیه به تصویر نگاه کنید و سن و جنسیت شخص را حدس بزنید؟ در نگاه اول چه تصویری میبینید؟🤔
🔹 یک مطالعه در این باره انجام شده که نتیجه آنرا را در کانال قرار خواهیم داد.
#خطای_دید
✔️ @OnlineBME
🔹 یک مطالعه در این باره انجام شده که نتیجه آنرا را در کانال قرار خواهیم داد.
#خطای_دید
✔️ @OnlineBME
onlinebme
M_learning9.pdf
M_learning10.pdf
988.8 KB
📕📒📗یادگیری ماشین
#جلسه_دهم( #ML10 ) :
فرآیند مارکوف
👩🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML10
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
#جلسه_دهم( #ML10 ) :
فرآیند مارکوف
👩🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML10
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME