📺 دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

جلسه ششم: تئوری و پیاده سازی FBCSP

خلاصه: یکی از ایرادات فیلتر مکانیCSP اینه که برای فیلترینگ داده در ابتدا یک باند فرکانسی خاص مشخص میشود و این در حالی هست که در هر فرد این رنج میتونه متغیر باشه. فیلتر مکانی FBCSP یک روش معروفی هست که این ایراد CSP رو برطرف میکنه. در این جلسه الگوریتم FBCSP را طبق یک مقاله تخصصی در متلب #مرحله_به_مرحله پیاده سازی کرده و روی داده های واقعی BCI Competition اعمال میکنیم. در ادامه این الگوریتم یک روش #انتخاب_ویژگی هم پیاده سازی کرده ایم تا از بین ویژگی های بدست آمده، بهترین ویژگی ها انتخاب شوند.

🧑‍💻مدرس: محمد نوری زاده چرلو

🌀جهت تهیه پکیج آموزشی به سایت زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

#پردازش_سیگنال
#پیاده‌سازی_مقاله
#پروژه_عملی
#واسط_مغز_کامپیوتر
#یادگیری_ماشین
#فیلترهای_مکانی_مشترک
#csp #bci #EEG #FBCSP
#Machine_learning

🏢 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 پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

جلسه هشتم: انجام پروژه های چندکلاسه تسک تصور حرکتی

خلاصه: الگوریتم csp برای داده های دو کلاسه ارائه شده و اگه بخواهیم برای داده های #چندکلاسه استفاده کنیم لازمه که در این الگوریتم رو برای داده های چندکلاسه با یک تکنیکی #تعمیم دهیم.
در این جلسه در ابتدا نحوه تبدیل داده به فرمت gdf سایت bci competition رو به فرمت .mat توضیح میدهیم سپس الگوریتم csp رو با دو روش ذکر شده در #مقاله مرتبط تعمیم میدهیم و همچنین کلاسبند SVM رو برای داده های چندکلاسه تعمیم میدهیم و یک پروژه عملی با کمک این الگوریتم طبق مقاله تخصصی انجام میدهیم تا با نحوه انجام پروژه های چند کلاسه هم آشنا شوید.

🧑‍💻مدرس: محمد نوری زاده چرلو

🌀جهت تهیه پکیج آموزشی به سایت زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/
#پردازش_سیگنال
#پیاده‌سازی_مقاله
#پروژه_عملی
#واسط_مغز_کامپیوتر
#یادگیری_ماشین
#فیلترهای_مکانی_مشترک
#csp #bci #EEG #GDF
#Machine_learning

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

سلام
دوستان مطالب آموزشی زیادی در طی 4 سال در کانال قرار داده ایم و ما برای اینکه فضای سایت شلوغ نشه دوباره در کانال قرار نمیدهیم
کافیست اسم مورد نظر خود رو در بخش سرچ کانال بزنید و مطالب آموزشی مرتبط رو پیدا کنید.
برای مثال: kmeans - svm - pca و ...

یا روی لینکهای زیر کلیک کنید تا مطالب مورد نظر خود را پیدا کنید👇👇

🌀مطالب آموزشی سال 95-96
https://t.me/onlinebme/1894

🌀 مطالب آموزشی سال 97
https://t.me/onlinebme/2267

🌀 واسط مغز و کامپیوتر(BCI)
https://onlinebme.com/course/bci/

🌀آموزش کار با محیط EEGLAB
https://onlinebme.com/course/eeg_lab/

🌀 پردازش تصویر
https://onlinebme.com/course/image-processing/

🌀 یادگیری ماشین در متلب
https://onlinebme.com/course/machine-learning-in-matlab/

📺 برنامه نویسی پایتون
https://t.me/onlinebme/2394

📺 آموزش اصول برنامه‌نویسی در متلب

https://onlinebme.com/course/matlab/

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

📺 پردازش سیگنال eeg مبتنی بر تسک تصور حرکتی
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

❇️ انتخاب کانالهای بهینه در سیگنال EEG

💬 هنگام ثبت سیگنال eeg از الکترودهای زیادی استفاده می‌شود که برخی از این الکترودها بسته به مسئله مورد مطالعه و موقعیت مکانی آنها اطلاعات مهمی در مورد مسئله میدهند و برخی از آنها اطلاعات مناسبی ندارند.
تعیین منابع مهم یا به عبارتی انتخاب کانالهای بهینه در بحث پردازش سیگنال بسیار اهمیت دارد.
چرا که هم هزینه ها کم میشود و هم چنین curse of dimensionality مسئله را کاهش می‌دهد و به ما در پروژه ها کمک می‌کند تا دقت شناسایی بالایی داشته باشیم.

✅ در فصل آخر "دوره جامع پردازش سیگنال EEG " آموزش میدهیم که چطور میتوان با تعیمم الگوریتمهای انتخاب ویژگی، کانالهای بهینه سیگنال eeg را انتخاب کرد.
در این فصل با انجام پروژه های عملی ثابت میکنیم که انتخاب کانال چقدر می‌تواند در افزایش دقت شناسایی موثر باشد.
#EEG #channelselection #sourceanalysis
⭕️جزئیات بیشتر 👇

https://onlinebme.com/product/eeg-signal-processing/

╭───〰〰〰〰〰〰〰〰〰───╮
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
▪️▪️⭕️ @onlinebme ⭕️▪️▪️
╰───〰〰〰〰〰〰〰〰〰───╯

‌واسط مغز کامپیوتر مبتنی بر SSVEP

coming soon!🖐
#واسط_مغز_کامپیوتر
#پردازش_سیگنال_مغزی
#یادگیری_ماشین
#SSVEP
#BCI
#EEG
#machinelearing
#brain_computer_interface

@onlinebme
https://www.instagram.com/p/CJRkOPbpmls/?igshid=24rhb7t0woin

خوشحالم که اعلام کنم مقاله ما در مجله Computers in Biology and Medicine پذرفته شد.
ممنون از دوست عزیزم خانم هما کاشفی امیری و استاد گرانقدرم دکتر محمد رضا دلیری🙏🌹

Ensemble Regularized Common Spatio-Spectral Pattern (Ensemble RCSSP) Model for Motor Imagery-based EEG Signal Classification - ScienceDirect

https://www.researchgate.net/publication/352336118_Ensemble_Regularized_Common_Spatio-Spectral_Pattern_Ensemble_RCSSP_Model_for_Motor_Imagery-based_EEG_Signal_Classification

#BCI #EEG #Motor_imagery #ensemble_learning #csp #cssp #rcsp

@onlinebme

✅ مطالعه جدید ما در زمینه BCI مبتنی بر SSVEP

Spatio-Spectral CCA (SS-CCA): A Novel Approach for Frequency Recognition in SSVEP-Based BCI

Journal: the Journal of neuroscience methods

ممنون از دوست عزیزم خانم هما کاشفی امیری و استاد گرانقدرم دکتر محمد رضا دلیری🙏🌹

⭕️https://www.researchgate.net/publication/358520926_Spatio-Spectral_CCA_SS-CCA_A_Novel_Approach_for_Frequency_Recognition_in_SSVEP-Based_BCI

#BCI #EEG #SSVEP #SS_CCA #FBSS_CCA

@onlinebme

✅ مطالعه جدید ما در زمینه BCI مبتنی بر P300 

Tittle: A novel multiclass-based framework for P300 detection in BCI matrix speller: temporal EEG patterns of non-target trials vary based on their position to previous target stimuli.

Authors: Mohammad Norizadeh Cherloo; Amir Mohammad Mijani; Liang Zhan; Mohammad Reza Daliri

Journal: Engineering Applications of Artificial Intelligence

ممنون از امیرمحمد عزیز و استاد گرانقدرم دکتر محمدرضا دلیری🙏🌹

🌀https://www.researchgate.net/publication/370865092

#BCI #EEG #P300 #temporal_EEG_pattern #multi_classification

@Onlinebme

✅ در یک مطالعه ای محققان تونستند از روی سیگنال مغزی افراد، آهنگ پینک فلوید رو بازسازی کنند و نکته عجیب اینه که این صدا خیلی واضح به نظر میرسه!

🔺در این مطالعه، محققین آهنگ “Another Brick in the Wall Part 1” از پینک فلوید رو برای 29 فرد پخش کردند و همزمان سیگنال مغزی آنها رو توسط الکترودهای قرار گرفته شده در روی سرشان ثبت کردند. سپس با کمک هوش مصنوعی پیشرفته، تونستند صدا رو از روی سیگنال مغزی ثبت شده بازسازی کنند.
#EEG #signal_processing #AI

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 📌مطالعه جدید ما در زمینه HybridBCI

Tittle | Spectrum-Enhanced TRCA (SE-TRCA): A novel approach for direction detection in SSVEP-based BCI

Authors | AmirMohammad Mijani, Mohammad Norizadeh Cherloo, Haoteng Tang, Liang Zhan

Journal | Computers in Biology and Medicine

ممنون از امیرمحمد عزیز 🙏🌹

🌀https://www.sciencedirect.com/science/article/abs/pii/S0010482523009538

#HybirdBCI #EEG #SSVEP #P300 #DirectionDetection
 
@Onlinebme

دوره جامع و پروژه محور کار با سیگنال EEG با استفاده از پکیج MNE پایتون

بخش اول: مباحث پایه و عمومی

  🔹 نصب پکیج MNE_Python
  🔹 خواندن دیتاهای EEG به فرمت های مختلف (gdf, fif, mat, csv)
  🔹 کار با داده های EEGپیوسته و جداکردن ترایال ها
  🔹 پیش پردازش سیگنال
  🔹 تحلیل Time-Frequency سیگنال
  🔹 تجسم سازی سیگنال‌ها و نمایش نتایج
  🔹 انجام چندین پروژه ی عملی با الگوریتم های یادگیری ماشین

بخش دوم: انجام پروژه با شبکه‌های یادگیری عمیق

  🔸پروژه ی تشخیص بیماری صرع از روی سیگنال های EEG با الگوریتم های یادگیری عمیق
  🔸پروژه ی کلاسبندی سیگنال های EEG تصور حرکتی با الگوریتم های یادگیری عمیق (CNN)

  🔸و پروژه های دیگر


🔻نوع دوره: آنلاین همراه با ضبط ویدیوی جلسات
▪️مدت دوره: حدودا 30 ساعت

👩‍💻مدرس: هما کاشفی امیری

✅ جهت ثبت نام به آیدی زیر پیام دهید:
آیدی تلگرام: @mne_python_admin

#python  #MNE_Python #EEG

@Onlinebme

☑️تشخیص تشنج های صرع سیگنال EEG با الگوریتم های یادگیری عمیق

هما کاشفی امیری
20 اردیبهشت 1403

✍️در محیط بالینی، تشخیص خودکار تشنج های صرع اهمیت فزاینده ای پیدا می کند، زیرا می تواند به طور قابل توجهی بار مراقبت از بیماران مبتلا به صرع صعب العلاج را کاهش دهد. سیگنال های الکتروانسفالوگرافی (EEG) فعالیت الکتریکی مغز را ثبت می کنند و حاوی اطلاعات غنی در مورد اختلال عملکرد مغز هستند. به عنوان یک ابزار غیر تهاجمی و ارزان برای تشخیص تشنج های صرع، ارزیابی بصری ضبط EEG کار فشرده و ذهنی است و نیاز به بهبود قابل توجهی دارد. با استفاده از الگوریتم های یادگیری عمیق می توان تشخیص تشنج های صرعی را با بالاترین دقت انجام داد.

#Python #EEG #Deep_Learning
🔘 جزئیات بیشتر 👇
https://onlinebme.com/epilepsy-eeg-signal-detection-using-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅شبکه‌های عمیق در نقش‌های مختلف در تحلیل سیگنال EEG

هما کاشفی امیری
3 خرداد 1403

✍️اگر تابحال مقالات مربوط به کاربرد شبکه‌های عمیق در پردازش انواع مختلف سیگنال EEG را بررسی کرده باشید، احتمالاً متوجه شده‌اید که بسته به کاربرد و عملکرد مناسب مدل، شبکه‌های عمیق در نقش‌های مختلفی ظاهر شده‌اند. برای مثال در برخی از مقالات از شبکه‌های عمیق به عنوان استخراج کننده ویژگی استفاده شده است و در برخی دیگر، نقش کاهش دهنده ی ابعاد را بازی کرده‌اند. در برخی از مقالات هم کل مراحل توسط شبکه عمیق انجام شده و هیچ مرحله پیش پردازش یا استخراج ویژگی وجود ندارد (End to End Learning). در این مقاله، به این موارد می‌پردازیم و اینکه کدامیک از شبکه‌ها برای هر یک از این عملیات مناسب هستند.


#Python #EEG #Deep_Learning
🔘 جزئیات بیشتر 👇
https://onlinebme.com/different-roles-of-deep-learning-networks-in-eeg-signal-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅تبدیل موجک چیست؟

هما کاشفی امیری
10 خرداد 1403

✍️تبدیل موجک (Wavelet Transform) ابزاری ریاضیاتی است که یک تابع یا سیگنال را به مجموعه توابع پایه ‌ای به نام موجک، تجزیه می‌کند. تبدیل موجک، ابزار قدرتمندی در پردازش سیگنال EEG است؛ با استفاده از آن می‌توان از سیگنال EEG، ویژگی استخراج کرد یا نویز آن را حذف کرد.


#Python #EEG #Deep_Learning
🔘 جزئیات بیشتر

https://onlinebme.com/wavelet-transform/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

از آنجاییکه انتخاب دیتاست یا پایگاه داده نقش بسیار مهمی در پژوهش های ما دارد، لازم است با دیتاست هایی که در مقالات اخیر استفاده می شود آشنا باشیم.

◽️معرفی دیتاست EEG تشنج صرعی
CHB-MIT

🟣یکی از پایگاه داده‌ یا دیتاست‌های مهم EEG صرع تشنجی که در مقالات اخیر از آن استفاده شده است CHB-MIT است که در این مقاله به بررسی آن می‌پردازیم.


اطلاعات بیشتر👇

https://onlinebme.com/chb-mit-database/
#معرفی_پایگاه_داده
#EEG
#MNE
#dataset
#database

@onlinebme