✅ 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

✅ 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

✅ #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

✅ #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

✅ #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

❌💢شروع ثبت نام دوره فشرده پردازش سیگنال eeg 💢❌

✅ در این دوره تمام اصول مورد نیاز برای پردازش سیگنال eeg از دید یادگیری ماشین و #پترن آموزش داده میشود.

#سرفصل_مطالب
🔵پیش پردازش سیگنال در حوزه زمان و فرکانس جهت حذف نویز و آرتیفکت

🔴 نحوه بدست آوردن ریتمهای eeg ( تتا- دلتا - آلفا- بتا- گاما ) در حوزه #زمان، فرکانس( #فوریه ) و زمان- فرکانس( #ویولت )

🔵 استخراج ویژگی های مناسب از سیگنال در حوزه زمان- فرکانس - زمان فرکانس

🔴تجزیه و تحلیل سیگنال در حوزه زمان، فرکانس و زمان فرکانس

🔵 نحوه کلاسبندی داده با استفاده از کلاسبندهای SVM - KNN- LDA- BAYZIAN- TREE

🔴 اعتبارسنجی مدل با استفاده از روشهای
random sampling
k-fold cross validation
Leave one out
The hold out method

🔵 ارزیابی مدل با پارامترهای
Accuracy
Sensitivity
Specificity
Confusion matrix

🔲▪️ انجام پروژه تشخیص صرع از روی سیگنالهای eeg

🔲▪️انجام پیش بینی تشنج در صرع از روی سیگنالهای eeg

🔲▪️ انجام پروژه تشخیص آلزایمر از روی سیگتالهای eeg

🔲▪️ کلاسبندی تصور حرکتی از روی سیگنال eeg در BCI

مدت دوره: 15 ساعت
هزینه دوره: 180 هزار تومان
ظرفیت باقی مانده دوره : 3 نفر

مدرس دوره: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

☎️ جهت کسب اطلاعات بیشتر میتوانید شماره زیر تماس بگیرید:
0936-038-2687
@onlinebme_admin


🔴 این دوره #اولین دوره ی فشرده در ایران که به صورت #تخصصی سیگنال eeg را تجزیه تحلیل میکند!

📚 جزوه خام دوره یکی دو روز آینده در کانال قرار داده میشود تا شرکت کنندگان قبل از دوره با جزئیات دوره آشنا شوند😊

https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q

📺 دوره #تخصصی پیاده سازی شبکه‌های عصبی در متلب
❇️ #اولین دوره ای که در آن شبکه های عصبی را به صورت تخصصی آموزش داده می‌شوند!
🔺#تئوری
🔺 #پیاده‌سازی #مرحله_به_مرحله
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتری و راحتری با آن برقرارکنه😉

👨‍💻 مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

💡جهت تهیه پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🔹 دوره #تخصصی و #پروژه_محور پردازش سیگنال eeg مبتنی بر تصور حرکتی

☘ هدف ما در دوره این بوده که مطالب طوری آموزش داده بشوند که دوستان بتوانند علاوه بر یادگیری مباحث، از #پروژه_ها و #مقالات #پیاده‌سازی شده در پروژه های خود استفاده کنند. 👌

✅ 4 #مقاله_تخصصی در این دوره پیاده سازی شده که دوستان میتوانند از آنها در کارهای خود استفاده کنند.
برای اینکه دوره برای همه علاقه مندان مفید باشه پروژه های عملی روی سه داده معروف سایت bci competition پیاده سازی شده اند. دو تا از پایگاه داده ها #دوکلاسه هستند و یکیش #4کلاسه هست.

✅ لازم به ذکر است که پروژه ها و مقالاتی که در این دوره پیاده سازی شده اند میتوانند برای افرادی که #پایان_نامه یا #پروژه_های_درسی دارند مورد استفاده قرار بگیرند👇👇👇👇
💡پروژه مناسب برای درس پردازش سیگنالهای حیاتی
💡پروژه مناسب برای درس واسط مغز و کامپیوتر (BCI)
💡پروژه مناسب برای درس شناسایی آماری الگو (پترن)

✅ دوستانی که هر دوره رو تهیه کرده اند میتوانند هر دو دوره رو باهم ترکیب کنند و برای پروژه هایی درسی و پایان نامه خودشون استفاده کنند
از روشهای گفته شده در این دوره برای پیش پردازش و استخراج ویژگی استفاده کنند.
Butterworth filter + CAR/Laplacian + CSP /FCSP
و برای کلاسبندی به جای کلاسبندهای آموزش داده شده در این دوره (از قبیل SVM, KNN, LDA ) از شبکه های عصبی آموزش داده شده در دوره #شبکه_عصبی استفاده کنند.
delta bar rule MLP
RBF
ELM
PNN
و پروژه و پایان نامه خودشون رو پیش ببرند😊
✅ دوستانی که این دوره رو بگذرونن در پیاده سازی مقالات
RCSP, CSSP ,CSSSP
ومقالاتی شبیه به اینها مشکلی نخواهند داشت😉


----------------onlinebme------------
💡 ایده پیشنهادی ما برای شما😊
Butterworth Filter + CAR/Laplacian + CSP /FCSP + MLP (Delta-bar-rule) /RBF/ELM/PNN
------------------------------------------


جزئیات بیشتر 👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

💡 اول ترم را با یادگیری شبکه‌های عصبی شروع کنیم 😊

📺 دوره #تخصصی پیاده سازی گام به گام شبکه‌های عصبی در متلب

🔴 #اولین دوره ای که در آن شبکه های عصبی به صورت #گام_به_گام پیاده سازی شده و روی پروژه های عملی اعمال میشوند👌

🔺#تئوری
🔺 #پیاده‌سازی #گام_به_گام
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتر و راحتری با آن برقرارکنه😉

👨‍💻 مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

✅ جهت تهیه پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

#پروژه_محور
از #پروژه های انجام شده و #مقالات پیاده سازی شده در این دوره میتوانید در پروژه های درسی و #پایان_نامه خود استفاده کنید👌

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره #تخصصی پیاده سازی شبکه‌های عصبی در متلب
❇️ #اولین دوره ای که در آن شبکه های عصبی را به صورت تخصصی آموزش داده می‌شوند!
🔺#تئوری
🔺 #پیاده‌سازی #مرحله_به_مرحله
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتری و راحتری با آن برقرارکنه😉

👨‍💻 مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

💡جهت تهیه پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

❌💢 شروع ثبت نام هشتمین دوره فشرده پردازش سیگنال eeg 💢❌

✅ در این دوره تمام اصول مورد نیاز برای پردازش سیگنال eeg از دید یادگیری ماشین و #پترن آموزش داده میشود.

#سرفصل_مطالب
🔵پیش پردازش سیگنال در حوزه زمان و فرکانس جهت حذف نویز و آرتیفکت

🔴 نحوه بدست آوردن ریتمهای eeg ( تتا- دلتا - آلفا- بتا- گاما ) در حوزه #زمان، فرکانس( #فوریه ) و زمان- فرکانس( #ویولت )

🔵 استخراج ویژگی های مناسب از سیگنال در حوزه زمان- فرکانس - زمان فرکانس

🔴تجزیه و تحلیل سیگنال در حوزه زمان، فرکانس و زمان فرکانس

🔵 آشنایی با مفاهیم پایه یادگیری ماشین و شناسائی الگو

🔴 آشنایی با روال انجام یک پروژه استاندارد از دید یادگیری ماشین

🔵 نحوه کلاسبندی داده با استفاده از کلاسبندهای
- SVM
- KNN
- LDA
- BAYZIAN
- TREE

🔴 اعتبارسنجی مدل با استفاده از روشهای
random sampling
k-fold cross validation
Leave one out
The hold out method

🔵 ارزیابی مدل با پارامترهای
Accuracy
Sensitivity
Specificity
Confusion matrix

🔴 انتخاب ویژگیهای مناسب
ttest
FDR

🔵 انتخاب کانالهای بهینه در سیگنالهای EEG


🔲▪️ انجام پروژه تشخیص صرع از روی سیگنالهای eeg

🔲▪️انجام پیش بینی تشنج در صرع از روی سیگنالهای eeg

🔲▪️ کلاسبندی تصور حرکتی از روی سیگنال eeg در BCI


مدت دوره: 30 ساعت
هزینه دوره: 300 هزار تومان


مدرس دوره: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

☎️ جهت کسب اطلاعات بیشتر میتوانید شماره زیر تماس بگیرید:
0936-038-2687
@onlinebme_admin


🔴 این دوره #اولین دوره ی فشرده در ایران است که به صورت #تخصصی سیگنال eeg را تجزیه تحلیل میکند!

✅ یک سری مطالب اضافه شده که بعد از آپدیت شدن جزوه خام در کانال تلگرام قرار خواهد گرفت.

💡علاقه مندان میتوانند جهت پیش ثبت نام اسم و شماره تماس خودشون رو به شماره تماس زیر ارسال کنند.
بعد از تکمیل ظرفیت، جهت هماهنگی نهایی تماس گرفته خواهد شد.
@onlinebme_admin
0936-038-2687

#پردازش_سیگنال
#تهران
#EEG
#Machine_learning
#pattern_recognition

🏢 آکادمی انلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره #تخصصی پیاده سازی شبکه‌های عصبی در متلب
❇️ #اولین دوره ای که در آن شبکه های عصبی را به صورت تخصصی آموزش داده می‌شوند!
🔺#تئوری
🔺 #پیاده‌سازی #مرحله_به_مرحله
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتری و راحتری با آن برقرارکنه😉

👨‍💻 مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

💡جهت تهیه پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁🎁 پکیجهای آموزشی موجود در سایت🎁🎁

🔲 ▪️اصول برنامه‌نویسی متلب (رایگان)
مدت دوره: 16 ساعت
🌀 https://onlinebme.com/course/matlab/

🔲▪️ پیاده سازی گام به گام شبکه های عصبی
مدت دوره: 25 ساعت
🌀 https://onlinebme.com/course/neural-networks-in-matlab/

🔲 ▪️پترن و یادگیری ماشین
مدت دوره: 70 ساعت
🌀 https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

🔲▪️ پردازش سیگنال مغزی(EEG) مبتنی بر تسک تصور حرکتی (BCI)
مدت دوره: 21 ساعت
🌀 https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

دوره های #تخصصی و #پروژه_محور


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁🎁 پکیجهای آموزشی موجود در سایت🎁🎁

🔲 ▪️اصول برنامه‌نویسی متلب (رایگان)
مدت دوره: 16 ساعت
🌀 https://onlinebme.com/course/matlab/

🔲▪️ پیاده سازی گام به گام شبکه های عصبی
مدت دوره: 25 ساعت
🌀 https://onlinebme.com/course/neural-networks-in-matlab/

🔲 ▪️پترن و یادگیری ماشین (فصل یک تا 4): از بیزین تا SVM
مدت دوره: 75 ساعت
🌀 https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

🔲 ▪️پترن و یادگیری ماشین (فصل 5): یادگیری جمعی
مدت دوره: 18 ساعت
🌀 https://onlinebme.com/product/ensemble-learning/


🔲▪️ پردازش سیگنال مغزی(EEG) مبتنی بر تسک تصور حرکتی (BCI)
مدت دوره: 21 ساعت
🌀 https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

دوره های #تخصصی و #پروژه_محور


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁🎁 پکیجهای آموزشی موجود در سایت🎁🎁

🔲 ▪️اصول برنامه‌نویسی در متلب (رایگان)
مدت دوره: 16 ساعت
🌀 https://onlinebme.com/course/matlab/

🔲▪️ پیاده سازی گام به گام شبکه های عصبی
مدت دوره: 25 ساعت
🌀 https://onlinebme.com/course/neural-networks-in-matlab/

🔲 ▪️پترن و یادگیری ماشین (فصل یک تا 4): از بیزین تا SVM
مدت دوره: 75 ساعت
🌀 https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

🔲 ▪️پترن و یادگیری ماشین (فصل 5): یادگیری جمعی
مدت دوره: 18 ساعت
🌀 https://onlinebme.com/product/ensemble-learning/

🔲 ▪️پترن و یادگیری ماشین (فصل ۶): کاهش بعد
مدت دوره: ۱۱ ساعت
🌀 https://onlinebme.com/product/dimension-reduction-using-lda-pca/

🔲▪️ پردازش سیگنال مغزی(EEG) مبتنی بر تسک تصور حرکتی (BCI)
مدت دوره: 21 ساعت
🌀 https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

دوره های #تخصصی و #پروژه_محور


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره #تخصصی پیاده سازی شبکه‌های عصبی در متلب
❇️ #اولین دوره ای که در آن شبکه های عصبی را به صورت تخصصی آموزش داده می‌شوند!
🔺#تئوری
🔺 #پیاده‌سازی #مرحله_به_مرحله
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتری و راحتری با آن برقرارکنه😉

👨‍💻 مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

💡جهت تهیه پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁🎁 پکیجهای آموزشی موجود در سایت🎁🎁

✅▪️اصول برنامه‌نویسی در متلب (رایگان)
مدت دوره: 16 ساعت
🌀 https://onlinebme.com/course/matlab/

✅▪️ پیاده سازی گام به گام شبکه های عصبی
مدت دوره: 25 ساعت
🌀 https://onlinebme.com/course/neural-networks-in-matlab/

✅▪️پترن و یادگیری ماشین (فصل یک تا 4): از بیزین تا SVM
مدت دوره: 75 ساعت
🌀 https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

✅▪️پترن و یادگیری ماشین (فصل 5): یادگیری جمعی
مدت دوره: 18 ساعت
🌀 https://onlinebme.com/product/ensemble-learning/

✅▪️پترن و یادگیری ماشین (فصل ۶): کاهش بعد
مدت دوره: ۱۱ ساعت
🌀 https://onlinebme.com/product/dimension-reduction-using-lda-pca/

✅▪️پترن و یادگیری ماشین (فصل ۷): انتخاب ویژگی
مدت دوره: ۱۶ ساعت
🌀https://onlinebme.com/product/season07-featrue-selection/


✅▪️ پردازش سیگنال مغزی(EEG) مبتنی بر تسک تصور حرکتی (BCI)
مدت دوره: 21 ساعت
🌀 https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

دوره های #تخصصی و #پروژه_محور

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme