❌💢 پکیج آموزشی دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی ( motor imagery)💢❌

مدرس : محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
مدت زمان ویدیوها: 19 ساعت

✍ واسط مغز و کامپیوتر، BCI، که نقش راه ارتباطی بین مغز و کامپیوتر را بازی می‌کند، اخیر مورد توجه بسیاری از محفقین قرار گرفته است. BCI سیستمی است که برخی از سیگنال‌های حیاتی اندازه‌گیری شده فرد را دریافت کرده و به صورت زمان حقیقی یا تک ترایال جنبه‌های انتزاعی حالت شناختی فرد را پیش بینی می‌کند.  در دوره تخصصی پردازش سیگنال EEG  بطور کامل در مورد سیستم BCI  توضیح داده شده است.
🔵 واسط مغز و کامپیوتر مبتنی بر تصور حرکتی(motor imagery)، حالتی که شخص تصور می‌کند را از روی سیگنال‌های مغزی( EEG) فرد، تشخیص داده و به دستور تبدیل می‌کند. هدف فناوری BCI این است که یک #راه_ارتباطی جدید برای افراد معلول (فلج) ایجاد کند به طوری که افراد هیچ وابستگی‌ای به کنترل عضلات نداشته باشند. سیگنال EEG یکی از ورودی‌هایی هست که BCI از طریق این سیگنال ارتباط بین شخص و محیط بیرونی را فراهم می‌کند. در BCI مبتنی بر تصور حرکتی از شخص خواسته‌ می‌شود تا حرکتی را بدون اینکه انجام دهد تصور کند، که در نتیجه آن رخدادهایی مرتبط با تصور در مغز رخ می‌دهد. هدف #BCI این است که از روی سیگنال‌های EEG نوع حرکت تصور شده توسط شخص را تشخیص دهد. تشخیص نوع تصوری که فرد انجام داده از روی  سیگنال #EEG که روزلوشن مکانی مناسبی ندارد کار بسیار سختی است و به الگوریتمهای پیشرفته ای نیاز است.

🔹ما در این دوره تخصصی تمام مباحثی که برای پردازش داده‌های #EEG مبتنی بر تسک تصوری حرکتی هست را آموزش می‌دهیم و برای اینکه با عملکرد عملی این الگوریتم ها آشنا شوید، چندین #پروژه_عملی طبق چند #مقاله_تخصصی روی داده های واقعی سایت #BCI_competition انجام میدهیم.

🗂از سه مجموع داده EEG مبتنی بر تسک تصور حرکتی در این دوره استفاده شده است. در ابتدا #پروسه_ثبت و اطلاعات مربوط به این داده‌ها را کامل توضیح می‌دهیم، باندهای #فرکانسی که مرتبط با تصور حرکتی و #مناطق مغزی مرتبط با تصور حرکتی را توضیح می‌هیم. سپس شروع به تحلیل داده‌ها می‌کنیم. در ادامه انواع فیلترهای #مکانی و #فرکانسی جهت #کاهش_نویز سیگنال و #source_localization را توضیح داده  و به صورت #گام_به_گام در متلب پیاده سازی کرده و روی داده اعمال می‌کنیم، در ادامه روش‌های استخراج ویژگی و کلاسبندی داده تصوری حرکتی را توضیح داده و روی داده پیاده‌‌سازی می‌کنیم.
✅ در این دوره تئوری الگوریتم معروف #CSP ، الگوهای مکانی مشترک (Common Special Patterns)
را به زبان ساده توضیح داده و سپس #گام_به_گام در متلب پیاده‌سازی کرده و بر روی داده اعمال می‌کنیم.

✅در نهایت معایب و مزایای CSP را بررسی می‌کنیم و برای حل مشکل این الگورتیم معروف، الگورتیم‌ بهبود یافته شده CSP یعنی
#FBCSP -filter bank CSP
 را پیاده‌سازی می‌کنیم.

در این دوره برای کلاسبندی داده‌ها از سه کلاسبند معروف بنام
 SVM-support vector machine  knn-k nearest neighbors 
lda-linear discriminant analysis
استفاده کرده‌ایم.

🔹برای ارزیابی و اعتبارسنجی مدلهای طراحی شده از چهار روش معروف
 k-fold cross validation
the hold out method
random subsampling 
leave one out 
استفاده کرده ایم.

✅ در پایان این دوره، شرکت‌کننده دیگر هیچ مشکلی در انجام #پروژه‌های_عملی  و پردازش سیگنال‌های EEG مبتنی بر تصوری حرکتی و #پیاده‌سازی_مقالات تخصصی جهت بهبود عملکرد کلاسبندی نخواهد داشت.

🔴4 تا مقاله تخصصی در این دوره پیاده سازی شده است که میتوانید برای #پروژه_های_درسی یا #پایان_نامه خود استفاده کنید.
🔵پروژه های عملی بر روی سه داده معروف bci competition انجام شده اند👌
جزئیات بیشتر 👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 نحوه تبدیل فایل gdf به .mat

#پایگاه_داده : سایت bci competition

🔻 این ویدیو بخشی از جلسه هشتم دوره تخصصی 《پردازش سیگنال EEG مبتنی بر تسک تصوری حرکتی》 هست که بنابه درخواست دوستان در سایت به صورت #رایگان قرار گرفت.
در این بخش در ابتدا توضیح میدهیم که چگونه میتوان داده با فرمت gdf را به فرمت .mat در متلب تبدیل کرد. همچنین توضیح میدهیم که چگونه میتوان ترایالهای هر کلاس را جدا کرد و همچنین چطور میتوان سیگنال EEG را فیلتر کرد و رتیمهای میو و بتا مربوط به تسک تصور حرکتی را از سیگنال اصلی خام استخراج کرد.

🌀جهت مشاهده ویدیو به لینک زیر مراجعه کنید👇👇
https://onlinebme.com/how-to-convert-gdf-to-mat/


#gdf2mat
#bci_competition
#motor_imagery
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme