❌💢 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

🔹 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

✅ مقالات پیاده سازی شده در دوره تخصصی پردازش سیگنال eeg مبتنی بر تسک تصور حرکتی

💡همانطور که گفته ایم دوره های آموزشی ما تنها یک ویدیوی آموزشی نیستند. پکیج آموزشی علاوه بر #ویدیوهای_آموزشی، شامل #کدهای_متلب نوشته شده برای پروژه ها، #مقالات پیاده سازی شده، #داده های استفاده شده در دوره ها و #جزوه نوشته شده توسط مدرس دوره نیز است.

💯 در این دوره 4 مقاله پیاده سازی شده و روی 3 داده معروف bci competition اعمال شده اند.

💯از مقالات پیاده سازی شده و پروژه های انجام شده میتوانید در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنید.


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

❌ دوره شبکه عصبی برای چه کسانی پیشنهاد میشود؟


⭕️ این دوره برای کسانی که درس شبکه عصبی دارند پیشنهاد میشه.
🔺 چرا که تمام جزئیات مربوط به تئوری شبکه‌های عصبی در این دوره طبق مرجع معتبر کتاب simon heykin آموزش داده شده است و دانشجو با مشاهده این دوره میتونه مباحث رو یاد بگیره و مشکلی در این حوزه نداشته باشه


⭕️ افرادی که این ترم #تمرین و #پروژه‌های_درسی برای شبکه عصبی دارند.
🔺در این دوره تمامی شبکه‌های عصبی به صورت مرحله به مرحله پیاده سازی شده اند ( توجه کنید که در این دوره تولباکسی معرفی نمیشه بلکه تمام شبکه ها پیاده سازی میشن👌) که با دانشی که در این دوره بدست میارین به راحتی میتونین تمرینات رو انجام بدین


⭕️ افرادی که پروژه درسی و پایان نامه دارند!
🔺پروژه های زیادی در این دوره با استفاده از شبکه‌های عصبی طبق مقالات تخصصی انجام شده که میتونید از اونا تو پروژه های درسیتون استفاده کنید.


⭕️ افرادی که میخوان وارد حوزه یادگیری ماشین، پترن و deep learning شوند!
🔺در این دوره تمامی مباحث از صفر تا صد آموزش داده شده و شخصی که هیچ پیش زمینه قبلی با حوزه یادگیری ماشین نداره، در این دوره با این مباحث آشنا میشه، و با استفاده از شبکه‌های عصبی پیاده سازی شده و پروژه های انجام شده دید کامل به این حوزه پیدا میکنه و به راحتی میتونه موضوعات دیگه رو پیش ببره!


✅ با افتخار از شما دعوت میکنیم شبکه های عصبی رو با آموزشهای تخصصی ما یاد بگیرید.صفر_تا_صد به صورت تخصصی
#تئوری #پیاده‌سازی #پروژه_محور #تمرینات_درسی #پروژه‌های_درسی #پایان_نامه

📺 پیاده سازی گام به گام شبکه‌های عصبی ( پروژه محور)
https://onlinebme.com/product/neural-networks-package/

مدت زمان دوره: 25 ساعت

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📦سرفصل مطالب مربوط به پیاده سازی الگوریتمهای مبتنی بر نزدیک ترین همسایه( knn , wknn, dwknn , knn in regression ):

⚪️تئوری تصمیم گیری کلاسبندهای متبنی بر نزدیکترین همسایه(knn)

⚫️پیاده‌سازی مرحله به مرحله کلاسبند knnمعرفی تولباکس آماده متلب( برای آن دسته از دوستانی که میخواهند فقط با ابزار کار کنند)

🔴انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم knn

🔵تئوری تصمیم گیری کلاسبند knn وزندار( wknn معرفی شده توسط دو مقاله اول که در جلسه دوم آموزش داده شده است)

⚪️ پیاده‌سازی مرحله به مرحله الگوریتم wknn ( پیاده سازی مقالات 1-2)

⚫️انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم wknn

🔴تئوری تصمیم گیری کلاسبند knn وزندار (wknn معرفی شده توسط سوم که در جلسه سوم آموزش داده شده است)

🔵 پیاده‌سازی مرحله به مرحله الگوریتم wknn ( پیاده سازی بخش اول مقاله 3)

⚪️انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم wknn

⚫️تئوری تصمیم گیری کلاسبند knn وزنداردوگانه (dwknn معرفی شده توسط سوم که در جلسه سوم آموزش داده شده است) 

🔵پیاده‌سازی مرحله به مرحله الگوریتم dwknn( پیاده سازی بخش دوم مقاله 3)

🔴انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم DWKNN


✅ پروژه هایی که در این ویدیوهای انجام داده ایم به صورت زیر است:

🔹تشخیص سرطان سینه با استفاده از کلاسبندهای knn، wknn و dwknn
🔸تشخیص نوع گل زنبق(iris) با استفاده از کلاسبندهای knn، wknn و dwknn
🔹تشخیص بیماری پارکیسنون از روی راه رفتن افراد با استفاده از کلاسبندهای knn، wknn و dwknn

➖➖➖➖➖➖➖➖➖➖➖
🔬 آزمایشاتی که انجام داده ایم به صورت زیر است:

1- تعیین تعداد k بهینه برای کلاسبند knn

2- تعیین معیار فاصله مناسب برای کلاسبند knn
🔴 معیار هایی که در ویدیوها پیاده سازی کرده ایم به صورت زیر است:

🔻فاصله اقلیدسی(euclidean) 
🔺فاصله بلوک شهری( city block) 
🔻فاصله چبیشف(chebychev)
🔺فاصله مینکوفسکی (minkowski) 
🔻فاصله کسینوسی (cosine)
🔺فاصله همبستگی (correlation)

3- بررسی عملکرد knn های وزندار

4- بررسی تاثیر k روی عملکرد knn  و knnهای وزندار

5- تاثیر نرمال کردن ویژگی ها بر روی عملکرد الگوریتمهای knn

➖➖➖➖➖➖➖➖➖➖➖
💡 انجام مسائل #رگرسیون با الگوریتم knn

✅مباحثی که در جلسه آخر آموزش داده ایم به صورت زیر است:

🔹فرق بین کلاسبندی و رگرسیون با یک مثال ساده
🔹تئوری تصمیم گیری knn در مسائل رگرسیون
🔹پیاده سازی knn برای مسائل رگرسیون
🔹تئوری تصمیم گیری wknnدر مسائل رگرسیون
🔹پیاده سازی wknnبرای مسائل رگرسیون

🔴انجام یک پروژه عملی رگرسیون (پیش بینی میزان آلودگی هوا با استفاده از الگوریتمهای knn و wknn)

🔹بررسی معایب knn
➖➖➖➖➖➖➖➖➖➖➖

✅یک خبر خوب هم برای دوستان بدهیم و آن هم این است که برای هر #پروژه ای که انجام شده یک #گزارش کامل 20-30 صفحه ای در #word نوشته و کنار کدها و ویدیوهای آموزشی قرار داده ایم تا دوستان بتوانند از این گزارشها در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنند.

💡روال گزراش نویسی به صورت زیر است:

🔹چکیده
🔸مقدمه
🔹توضیح تئوری الگوریتمها
🔸توضیح خط به خط کدهای پیاده‌سازی شده برای الگوریتمها
🔹توضیح پایگاه داده
🔸جمع بندی و آزمایشات
➖➖➖➖➖➖➖➖➖➖➖
تعداد جلسات: 8
مدت زمان: 12 ساعت 
مدرس: محمد نوری زاده چرلو

#Knn, #wknn , #dwknn , #knn for #regression
#Distance
#weighted_knn
#کلاسبند_نزدیکترین_همسایه #تئوری #پیاده‌سازی #پیاده‌سازی_مقالات #پروژه‌های_عملی #پروژه‌های_درسی #کلاسبندی #رگرسیون
#شناسائی_الگو
#پترن
#یادگیری_ماشین

جزییات بیشتر👇👇
https://onlinebme.com/product/k-nearest-neighbors/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ مقالات پیاده سازی شده در دوره تخصصی پردازش سیگنال eeg مبتنی بر تسک تصور حرکتی

💡همانطور که گفته ایم دوره های آموزشی ما تنها یک ویدیوی آموزشی نیستند. پکیج آموزشی علاوه بر #ویدیوهای_آموزشی، شامل #کدهای_متلب نوشته شده برای پروژه ها، #مقالات پیاده سازی شده، #داده های استفاده شده در دوره ها و #جزوه نوشته شده توسط مدرس دوره نیز است.

💯 در این دوره 4 مقاله پیاده سازی شده و روی 3 داده معروف bci competition اعمال شده اند.

💯از مقالات پیاده سازی شده و پروژه های انجام شده میتوانید در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنید.


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁پکیج جامع فصل های اول تا چهارم پترن و یادگیری ماشین ( از بیزین تا SVM)


✅ این پکیج شامل تمام مباحث آموزش داده شده در 4 فصل دوره شناسایی الگو و یادگیری ماشین است.

فصل اول: مقدمه ای بر شناسایی الگو و یادگیری ماشین

فصل دوم: کلاسبندهای پارامتری
🔹بیزین
🔸ماکزیمم شباهت
🔹حداقل فاصبله اقلیدسی
🔸حداقل فاصله ماهالانوبیس

فصل سوم: روشهای ارزیابی و پارمترهای ارزیابی 

⚫️پارامترهای ارزیابی مسائل کلاسبندی (ماتریس کانفیوژن، صحت، حساسیت، اختصاصیت کلاسبندی)
🟢 روش ارزیابی the hold out method
🔴 روش ارزیابی k-fold cross validation
🟣 روش ارزیابی leave one out
🟢 روش ارزیابی random sub-sampling

⚫️نحوه انتخاب مدل بهینه با روش cross validation

فصل چهارم: الگوریتمهای غیرپارامتری در بحثهای رگرسیون و کلاسبندی

🔶الگوریتم نزدیکترین همسایه(knn)
🔷الگوریتم نزدیکترین همسایه وزندار (wknn)
🔶شبکه عصبی پرسپترون تک لایه
🔷شبکه عصبی پرسپترون چندلایه (MLP)
🔶ماشین بردار پشتیبان خطی(SVM)
🔷ماشین بردار پشتیبان غیرخطی(nonlinear SVM)
🟢ماشین بردار پشتیبان در مسائل رگرسیون (SVR)
➖➖➖➖➖➖➖➖➖➖➖
 🌀 جهت تهیه پکیج آموزشی چهار فصل دوره پترن و یادگیری ماشین به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

#پترن #یادگیری_ماشین
#پروژه_عملی #پیاده‌سازی_مقاله #پروژه‌های_درسی #پایان_نامه
#پروژه_محور
➖➖➖➖➖➖➖➖
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

در این دوره تمامی مباحث تخصصی و کاربردی پردازش سیگنال eeg از پایه و به صورت مرحله به مرحله آموزش داده شده بر روی سیگنال eeg پیاده سازی شده است.

این دوره کاملا پروژه محور هست و از همان ابتدا وارد بحثهای تخصصی شده و هر مبحثی که آموزش داده میشود، مستقیما روی سیگنال اعمال شده و نتایج به صورت عملی در پروژه ها بررسی می شود.
در این دوره پروژه های زیادی طبق مقالات تخصصی انجام شده که علاقه مندان به این حوزه، با کمک این پروژه ها و کدهای پیاده سازی شده، به راحتی میتوانند #پروژه های_تخصصی خود را جهت انجام #پروژه #پایان_نامه و نوشتن #مقالات تخصصی خود استفاده کنند و یک کار و خوب با کیفیت ارائه دهند.

تمام موارد مورد نیاز در انجام یک پروژه با کیفیت و تخصصی در این دوره طبق مقالات تخصصی آموزش داده شده است و علاقه مندان میتوانند از کدهای پیاده سازی شده در دوره استفاده کرده و پروژه های تخصصی خودشان را انجام دهند.
 
🔺در این دوره آموزش داده ایم که چطور میتوان از سیگنال eeg در سه حوزه مختلف زمان، فرکانس و ویولت ویژگی استخراج کرد.

🔺هر سه حوزه به طور مفصل بررسی شده و مباحث لازم جهت پردازش سیگنال در سه حوزه آموزش داده شده است. در ادامه ویژگیهای استخراج شده از سیگنال باهم ترکیب کرده ایم و  سپس با کمک روشهای انتخاب ویژگی از بین ویژگیهای استخراج شده، بهترین ویژگیها رانتخاب کرد و از آنها برای طبقه بندی سیگنال eeg استفاده کرده ایم. نتایج بدست آمده نشان میدهند که رویکردهای ارائه شده همانند مقالات معتبر و حتی بهتر از آنها هستند.
در ادامه دوره برای اینکه دوستان بتوانند در پروژه های خودشان دقت کار را بیشتر هم بکنند مباحث انتخاب کانالهای و باندهای فرکانسی بهینه را طبق مقالات تخصصی آموزش داده ایم که نتایج طبقه بندی را به طور قابل توجهی افزایش میدهند.

🔹برای اینکه دوستان کار با داده های مختلف آشنا شوند در این دوره از دو پایگاه داده بسیار معروف استفاده شده است.(داده صرع بن آلمان و تصور حرکتی bci competition)  
در این دوره از دو پایگاه داده استفاده شده تا دوستان هم کار با داده های مختلف آشنا شوند و همچنین بتوانند از دانش بدست آمده در دوره حوزه های مختلف استفاده کنند. نتایج بدست آمده در هر دو پایگاه داده نشانگر کیفیت و اهمیت روشهای آموزش داده شده است.

✅ تمام محتوای این دوره طبق تجربه چندین ساله ی آموزشی و پروژه ای خودم از طریق مطالعه و پیاده سازی مقالات تخصصی پردازش سیگنال مغزی(eeg) آماده شده است و تمامی مباحث بسیار کاربردی و مهم هستند. این دوره رو برای برای همه گروهایی که میخواهند به صورت تخصصی کارهای تحقیقاتی بر روی سیگنال eeg انجام دهند پیشنهاد می کنم.
این دوره برای همه دانشجویان علاقه مند به پردازش سیگنال از قبیل پزشکی، روان شناسی، علوم اعصاب، به خصوص #مهندسی_پزشکی و #هوش_مصنوعی مناسب است.

🔸این دوره بسیار جامع و کاملتر از دوره حضوری هست و این به این خاطر هست در دوره حضوری به خاطر فرصت محدودی که داشتیم نمیتوانستیم تمامی مباحث را در دوره آموزش دهیم.
در این دوره سعی شده تمامی مباحث مورد نیاز جهت پردازش تخصصی سیگنال eeg آموزش داده شود. و دوره کامل و جامعی برای شما باشد.
امیدوارم این دوره برایتان مفید باشد و بتوانید پروژه های تخصصی خودتان در این زمینه انجام دهید.
امیدوارم از مطالعه این دوره لذت ببرید.
محمد نوری زاده چرلو

 ⭕️جزئیات بیشتر 👇
🌀https://onlinebme.com/product/eeg-signal-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme