💡🌐 #گوسفند می‌تواند افراد آشنا را از روی عکس تشخیص ‌دهد

✍️ پژوهشگران علوم و اعصاب دریافته‌اند که #گوسفند دارای #قدرت_تشخیص افراد آشنا از روی عکس آنان است.
دست‌اندرکاران تحقیقاتی که در دانشگاه کمبریج، بریتانیا، انجام شده، چند گوسفند را با تصاویر جیگ گلینهال و اما واتسون، بازیگران سینما، باراک اوباما، رئیس جمهوری سابق آمریکا، و فیونا بروس، گوینده تلویزیون بی‌بی‌سی آشنا کردند. بعد از این آموزش، گوسفندها توانستند تصاویر این افراد را از تصاویر افراد ناآشنا تشخیص دهند.
این تحقیقات نشان داد که گوسفند دارای همان قدرت #تشخیص_چهره است که تا کنون تصور می‌شد تنها انسان و نخستین‌ها از آن برخوردارند.
پیش از این، پژوهشگران کشف کرده بودند که گوسفند قادر است چهره چوپانان و گوسفندهایی را که از پیش می‌شناخته از گوسفندها و افراد غریبه تشخیص دهد. آنچه که تحقیقات اخیر را متمایز می‌سازد این است که نشان داده که گوسفندقدرت شناسایی افراد از روی عکس آنان را هم دارد.
تشخیص افراد از روی عکس به معنی آن است که گوسفند از قدرت #شناسایی دوبُعدی برخوردار است و می‌تواند درک کند که تصویر یک فرد به همان فرد تعلق دارد.
http://www.telegraph.co.uk/science/2017/11/08/clever-sheep-can-recognise-fiona-bruce-emma-watson-barack-obama/
➖➖➖➖➖
@IUST_Bioelecteric

💡🌐 #گوسفند می‌تواند افراد آشنا را از روی عکس تشخیص ‌دهد
➖➖➖➖➖
@IUST_Bioelecteric

#چالش_ذهن
💡اتوبوس کدوم سمت حرکت میکنه؟🤔🤔
🔹جالبه که بدونید برای اکثر بزرگترها حل این مسئله سخته، این درحالیه که بچه ها به سادگی این مسئله رو حل میکنن😃
➖➖➖➖➖
@IUST_Bioelecteric

جواب معما:
این معما معمولا در مدارس به عنوان یک تیزر مغزی جهت تست مهارت های منطقی دانش آموزان استفاده می شود و معمولا دانش آموزان در یک لحظه کوتاه تست را حل می کنند.
با اینکه حل این تست برای کودکان مثل آب خوردنه، ولی معمولا برزرگسالان در حل این مسئله دچار مشکل می شوند!
در این تصویر شما یک اتوبوسی زرد رنگی را مشاهده می کنید که سر و تهش معلوم نیست!
اما سوال اینه که از کجا بفهمیم که اتوبوس به کدام سمت حرکت می کنه؟!
کلید حل معما این است که در تصویر ما #درب مسافران را نمیبینیم! پس میشه گفت درب سمت دیگر اتوبوس قرار دارد.
سوال دوم اینه که چرا بیشتر بزرگسالان در حل این مسئله به مشکل میخوردند و در مقایسه با نوجوانان دیرتر به جواب میرسند؟!
میشه گفت که شاید به این دلیل باشد که نوجوانان بهتر می توانند از نشانه های بصری و تجارب گذشته جهت حل معما استفاده کنند.
تحقیقات از دانشگاه کالج لندن و Birkbeck، نشان داده است که کودکان زیر 12 سال اطلاعات تصویری متفاوتی نسبت به بزرگسالان درک می کنند.
نوجوانان تمایل دارند که اولین قرائت بصری خود را در فرآیند مغز برای رسیدن به قضاوت استفاده کنند، که این دقت آنها را کم می کند ولی در عوض سرعت تصمیم گیری آنها را زیاد می کند و این باعث میشود سریعتر تصمیم بگیرند و ولی ممکن است اشتباه قضاوت کنند!
اما بزرگسالان، علاوه بر نشانه های حسی از انواع مختلفِ اطلاعات بصری برای قضاوت استفاده می کنند.

جواب معما: جواب این است که اگه در کشوری هستید که در سمت چپ رانندگی می کنید، اتوبوس به سمت راست تصویر حرکت میکند و اگر در سمت راست رانندگی می کنید، اتوبوس به سمت چپ حرکت می کند!
https://m.dailymercury.com.au/news/brain-teaser-which-way-bus-going/2921958/
➖➖➖➖➖
@IUST_Bioelecteric

💡 مباحثی که در دوره شبکه عصبی آموزش داده میشود، به همراه پروژه هایی که در این دوره با استفاده از شبکه های عصبی انجام می شود.
#دوره_تخصصی پیاده سازی #شبکه_های_عصبی در #متلب
➖➖➖➖➖
@IUST_Bioelecteric

💡✅ توضیحات تکمیلی دوره جامع مهندسی پزشکی:

✍️طی تجربیات چند سال گذشته متوجه شدیم که اکثر دانشجویان در مقطع کارشناسی ارشد و دکتری در انتخاب موضوع پایان نامه دچار مشکلات و سردرگمی‌هایی می‌شوند. یکی از دلایل اصلی سردرگمی دانشجویان مهندسی پزشکی در انتخاب موضوع پایان‌نامه، نداشتن #دید_کافی از این رشته است. برای مثال بسیاری از دانشجویان کارشناسی، رشته متفاوتی داشته‌اند و در کارشناسی ارشد وارد رشته مهندسی پزشکی(بیوالکتریک) شده‌اند که هیچ پیش‌زمینه‌ای از این رشته ندارند و به علت محدودیت زمانی در ارشد گاها" در انتخاب موضوع پایان‌نامه که اصلی‌ترین #بخش کارشناسی ارشد است و به نوعی #آینده_کاری دانشجو را تعیین می‌کند، دچار اشتباه می‌شوند.
🔺مشکل دیگر دانشجویان نداشتن تخصص کافی در پیاده‌سازی مقالات تخصصی و انجام تجزیه و تحلیل داده‌های مهندسی پزشکی است.
کارشناسی ارشد دوره‌ای کوتاه ولی پرپیچ و خمی است و در هر ترم دروس تخصصی ارائه می‌شود که در پایان ترم دانشجو باید یک #پروژه عملی برای درس موردنظر انجام دهد. اکثر #اساتید برای آماده‌سازی دانشجویان جهت انجام پایان‌نامه، پروژه‌هایی تعریف می‌کنند و دانشجویان باید طبق #مقالات_تخصصی پروژه‌ها را انجام دهند.
ازطرف دیگه بسیاری از دانشجویان با داده‌های مهندسی پزشکی آشنا نیستند لذا در انجام پروژه و #پیاده_سازی مقالات به مشکل می‌خورند.

📚دروس شناسایی آماری الگو و داده کاوی، جزء دروسی هستند که در اکثر دانشگاه‌های معتبر از جمله دانشگاه‌های تهران ارائه می‌شوند و در اکثر پروژه‌های مهندسی پزشکی از مباحث این دروس استفاده می‌شوند. دانشجویانی که این دروس را گذرانده باشند مطمئنا" در انجام پایان‌نامه خود #موفق خواهند بود.
در دوره جامع مهندسی پزشکی مباحث دو درس #پترن و #داده_کاوی به طور کامل آموزش داده می‌شوند و برای اینکه مطالب ملموس‌تر شوند، الگوریتم‌ها را روی داده‌های واقعی مهندسی پزشکی اعمال می‌شوند. در واقع با یک #تیر دو #نشان می زنیم😃. در این دوره علاوه بر آموزش مباحث تئوری و عملی الگوریتمهای دو درس، پروژه های مختلفی آموزش داده می‌شود.
✅ این دوره تنها دوره‌ای است که سعی کرده تمام مباحث مهندسی پزشکی را پوشش دهد!

⚠️ نکته‌ای که باید توجه شود این است که این دوره کاملا تخصصی است و مخصوص دانشجویان #ارشد و #دکتری طراحی شده است لذا برای دانشجویان کارشناسی توصیه نمی‌شود!

🌐 داده هایی که در این دوره استفاده می شود داده های مرتبط با مهندسی پزشکی و شرکت‌کنندگان علاوه‌ بر یادگیری مباحث، با داده‌های مهندسی پزشکی نیز آشنا می‌شوند.
◀️در این دوره ما #نحوه_کار با داده‌های مختلف را آموزش می‌دهیم و دانشجویان دیگر #سختی کار با داده‌ها را تجربه نخواهند کرد😊.

💯 بطبع این دوره برای دانشجویان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها می‌دهد ولی دانشجویانی که قصد یادگیری مباحث درس پترن و داده کاوی را دارند نیز میتوانند در این دوره شرکت کنند.
🌀پروژه‌هایی که طول دوره آموزش داده می شوند نتیجه چهار سال #تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی بر این است که پروژه‌های خوب و بروزی که امروزه در این رشته کار می‌کنند را انتخاب کنیم و براساس مقالات معتبر شبیه‌سازی کنیم.

✳️بعد اتمام دوره انتظار داریم دانشجویان دید بهتری از پروژه‌ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناشی ارشد انتخاب کنند، در #شبیه_سازی_مقالات تخصصی حوزه مهندسی پزشکی و در انجام #پروژه_پایان‌نامه مشکلی نداشته باشند.

🔺در این چند سال متوجه شدیم که اکثر دانشجویان مهندسی پزشکی مباحث را بلدند ولی در پیاده‌سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند و چگونه یک پروژه را از #صفرتاصد در #متلب به طور تخصصی انجام دهند.

🌀 5 پروژه عملی از صفر تا صد در متلب پیاده‌سازی می‌شود و شرکت‌کنندگان با موضوعات مختلفی آشنا شده و کار با داده‌های مختلف مهندسیی پزشکی را یاد می‌گیرند.

⏪برای اطلاع از جزئیات مباحث و پروژه هایی که در این دوره آموزش داده میشوند، فایل جزئیات دوره(PDF ) را مطالعه کنید.

➖➖➖➖➖
@IUST_Bioelecteric

◼️ تسلیت به هموطنان سوگوار در کرمانشاه🌹🌹🌹
تسلیت به ایران😔
در این مصیبت بزرگ، کنارتان هستیم🙏
➖➖➖➖➖➖
@IUST_Bioelecteric

#وطن
#کرمانشاه
#زلزله
برخیز و کاری کن! 🙏🙏
یادمان باشد دستهایی که کمک می کنند پاک‌تر از دستهایی هستند که رو به آسمان دعا می کنند
#همبستگی_ملی
برای #هموطن کاری کنیم😊🙏
➖➖➖➖➖
@IUST_Bioelecteric

✅ مهندسی عصبی (Neural Engineering)
💡 بخش اول: معرفی
👨‍🏫نویسنده: مهندس رضا سعادتیار (عضو گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران)

✍️ مهندسی عصبي از حوزه های گسترش يافته در قرن 21 در زمينه مهندسی پزشکی است. از اهداف مهندسی عصبی تحقيقات بنيادين در زمينه سيستم های #عصبی و #عصبی_عضلانی، گسترش روش‌های #تشخيص، #درمان و #توانبخشی با استفاده از روش های مهندسی است.
مهندسی عصبي منشأ ايجاد يک فناوری، تحت عنوان فناوری عصبی شده است. هدف اين فناوری، طراحی و ساخت ابزار ميکروالکترونيکی است که با ارتباط مستقيم با سيستم عصبی مرکزی و يا اعصاب محيطی، کنترل خارجــی ارگان های بدن را به عهده می‌گيرد. اين سيستم‌ها ارگان‌های بدن را به همان نحوی کنترل می‌کنند که سيستم عصبی مرکزي انسان در حالت طبيعی کنترل می‌کند. امروزه کاربرد فناوری عصبی در توانبخشی و درمان، بسيار گسترش يافته است و تحول شگرفی را در زمينه توانبخشی بوجود آورده است. محصولات اين تکنولوژی بسيار گران قيمت است و از نيازهای ضروری جهت حفظ و ارتقای سطح سلامت جامعه محسوب می‌شود. مهندسی عصبی تلاش می‌کند تا با استفاده از تکنیک‌های مهندسی اقدام به شناخت، ترمیم و تعویض سیستم عصبی با استفاده از دستگاهای #رابط_مغز_و_کامپیوتر و پروتزهای عصبی کند .
این حوزه از مهندسی، بخشی میان رشته‌ای است که علومی مانند علوم اعصاب آزمایشی و محاسباتی، عصب شناسی بالینی، مهندسی برق و پردازش سیگنال در پیدایش آن دخیل هستند و از سوی دیگر عناصری از علوم رباتیک، سایبرناتیک، مهندسی کامپیوتر، مهندسی بافت‌های عصبی، علم مواد و نانوتکنولوژی نیز در آن به کار گرفته می‌شوند .
◀️ از محصولات این فناوری می توان به پروتزهای عصبی قلبی، پروتزهای عصبی شنوائی، پروتزهای عصبی تنفسی، پروتزهای عصبی مغزی و پروتزهای عصبی بینائی اشاره کرد. از این فناوری نیز برای کنترل درد، کنترل مثانه، کنترل اسپاستیستی، کنترل بعضی از موارد اپلیپسی، درمان بیماری پارکینسون و کنترل بیماری صرع استفاده می¬شود.

1️⃣ http://www.iust.ac.ir/page.php?slct_pg_id=12765&sid=93&slc_lang=fa
2️⃣ https://bme.duke.edu/research/neural-engineering
3️⃣ https://www.bme.ufl.edu/research/areas/neural_engineering
4️⃣ https://www.mccormick.northwestern.edu/biomedical/research/areas/neural-engineering.html
5️⃣ https://bme.wustl.edu/research/areas/Pages/neural-engineering.aspx
6️⃣ http://www.imperial.ac.uk/bioengineering/research/neural
دروس مهم این گرایش:
• پردازش سیگنال‌های پزشکی – زیستی
• کنترل سیستم‌های عصبی – عضلانی
• سیستم‌های کنترل تطبیقی
• سیستمهای کنترل فازی
• بازشناسی الگو
• سیستم‌های کنترل دیجیتال و غیرخطی
• مباحث ویژه در مهندسی پزشکی
• شبکه‌های عصبی مصنوعی
#مهندسی‌عصبی
🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

✅ شبکه عصبی کانولوشن
💡 بخش دوم: خلاصه معماری
نویسنده: محمد نوری زاده چرلو (عضو ارشد گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران)

✍️ همانطور که ما می‌دانیم، شبکه های عصبی یک ورودی در قالب یک بردار ویژگی دریافت می‌کنند و سپس آنرا از تعدادی لایه مخفی (Hidden layer) عبور می‌دهند و نهایتا یک خروجی که نتیجه پردازش لایه های مخفی است در لایه خروجی شبکه ظاهر می‌شود.
هر لایه مخفی از تعدادی نورون تشکیل شده که این نورون‌ها به تمام نورون‌های لایه قبل از خود متصل می-شوند. نورون‌های هر لایه بصورت مستقل عمل کرده و هیچ ارتباطی با یکدیگر ندارند. آخرین لایه تماما متصل (fully connected layer) به لایه خروجی (output layer) معروف است و معمولا نقش نمایش دهنده امتیاز هر دسته(class) را ایفا می‌کند.
شبکه‌های عصبی معمولی برای تصاویر معمول(full images) بخوبی عمل نمی کنند زیرا که حجم بردار ورودی بالاست و نمی‌تواند مسئله را با دقت مناسبی حل کند.
بعنوان مثال اگر یک تصویر به اندازه 32*32 باشد (۳۲ پیکسل عرض، ۳۲ پیکسل ارتفاع و ۳ کانال رنگ ). بنابراین یک نورون با اتصال کامل (fully connected) در لایه مخفی اول یک شبکه عصبی معمولی 32*32*3=3072 وزن خواهد داشت . این مقدار شاید در نظر اول مقدار قابل توجهی بنظر نیاید اما بطور واضح مشخص است که این معماری تماما مرتبط قابل استفاده برای تصاویر بزرگتر نخواهد بود. برای مثال یک تصویر با اندازه متعارف تر مثل 200*200*3 باعث می‌شود که یک نورون120000 وزن داشته باشد! علاوه بر این ما قطعا خواهان تعداد بیشتری از این نورون ها خواهیم بود، پس تعداد پارامترها بسرعت افزایش پیدا می‌کند. مشخص است این اتصال کامل (Full connectivity) باعث اتلاف (wasteful) بوده و تعداد بسیار زیاد پارامترها هم بسرعت باعث overfitting خواهد شد.
برای حل این مشکل، از تصاویر ویژگی‌های مهم وکلیدی را که نماینده خوبی برای تصویر باشند را استخراج می‌کنند و به صورت یک بردار ویژگی به شبکه اعمال می‌کنند.

مثال2: فرض کنید که می‌خواهیم توسط شبکه عصبی تشخیص چهره را انجام دهیم:
به دو دلیل نمی‌توانیم مستقیما از پیسکل‌های خود تصویر استفاده کنیم:
- سایز تصویر بزرگ هست و نمی‌توان به درستی شبکه را آموزش داد و مشکلاتی که توضیح دادیم پیش میاد.
- تصاویر در شرایط مختلف گرفته می شود و ممکن است ویژگی های تصویر تغییر کند. برای مثال شخص یکبار با ریش و سیبیل باشد و در عکس دیگر بدون ریش و سیبیل. یا اینکه تصویر از یک زاویه دیگه ای گرفته شود. سایز تصویر تغییر کند، شدت روشنایی تصویر تغییر کند! وووو

🔺 خلاصه شرایط خیلی تاثیر گذار هستند و عملا زمانی که یکی از شرایط گفته شده اتفاق بیافتد شبکه نمی‌تواند مسئله رو حل کند، چون مقادیر پیکسل‌ها در تصاویر مختلف تغییر خواهند کرد.
در استخراج ویژگی باید چند مسئله در نظر گرفته شود:
- ویژگی‌ای که استخراج می‌شود باید discriminant (مجزا) باشد، یعنی مقدار متفاوتی بین کلاس‌های مختلف داشته باشد.
- به تغییراتی مثل چرخش، شدت روشنایی و غیره حساس نباشد، یعنی با تغییر شرایط، ویژگی‌ها تغییر نکنند.
استخراج ویژگی یه سری مشکلات دارد و معمولا ما در استخراج ویژگی به مشکل می‌خوریم و به همین خاطر هر روز روش‌های جدیدی برای استخراج ویژگی توسط محققین ارائه می‌شود.
شبکه های عصبی کانولوشنال یجورایی حالت تعمیم یافته شبکه های عصبی هستند، که در آنها دیگر نیازی نیست که ویژگی استخراج شود، خود تصویر به طور مستقیم به شبکه اعمال می‌شود و شبکه خودش در پروسه یادگیری، در لایه های مختلف از تصویر ویژگی استخراج می‌کند.

http://cs231n.github.io/convolutional-networks/

#شبکه_عصبی_کانولوشن
#شبکه_عصبی_عمیق
🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

✅ تعریف شبکه های عصبی کانولوشن:
شبکه های عصبی کانولوشن عمیق یک نوعی از شبکه های عصبی هستند که از عملکرد بیولوژیک مغز الهام گرفته شده اند. در ساده ترین شکل و فرم آن، مغز یک شبکه گسترده ای از نورون های مستقل است که باهم توسط جابجایی ایمپالسهای الکتریکی کار می کنند. شبکه عصبی کانولوشن از سه بخش اساسی تشکیل شده است: #نورون مصنوعی، اتصالات ورودی و خروجی آن.

☸️ یک شبکه عصبی کانولوشنال معمولا از لایه های زیر تشکیل می‌شود:
• Input Layer
• Convolutional Layer
• Pooling Layer
• Normalization Layer
• Fully-Connected Layer

◀️ لایه ورودی (Input layer) شامل مقادیر پیکسل های خام تصویر ورودی ما هستند.
◀️ لایه کانولوشن (CONV layer) این لایه خروجی نورون‌هایی که به نواحی محلی در ورودی متصل هستند را محاسبه می‌کند. این لایه عمل کانولوشن یا همان ضرب نقطه ای بین وزن‌های هر نورون و ناحیه ای که آنها به آن متصل هستند صورت می‌گیرد.
◀️ لایه Pooling عملیات downsampling را در امتداد ابعاد مکانی (عرض و ارتفاع) انجام می‌دهد، این لایه حساسیت شبکه به چرخش و اندازه را از بین می‌برد.
◀️لایه normalization گاهی اوقات با قصد اجرای طرح های مهاری مشاهده شده در مغز بیولوژیکی، استفاده می‌شود.
◀️ لایه Fully-Connected یا تماما متصل وظیفه محاسبه امتیاز دسته ها (class) را دارد.

🌐جهت مطالعه بیشتر در این حوزه می‌تونید به سایت های زیر مراجعه کنید:
1️⃣ http://cs231n.github.io/convolutional-networks/
2️⃣ http://deeplearning.net/tutorial/lenet.html
3️⃣ http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/
4️⃣ http://deeplearning.ir/tag/%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-%DA%A9%D8%A7%D9%86%D9%88%D9%84%D9%88%D8%B4%D9%86/

🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

✅ مهندسی عصبی (Neural Engineering)
💡 بخش دوم: تحریک الکتریکی عملکردی (Functional Electrical Stimulation)
👨‍🏫نویسنده: مهندس رضا سعادتیار (عضو گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران)

✍️ تحریک الکتریکی عملکردی یک فناوری در حوزه مهندسی عصبی می‌باشد. این فناوری زمانی که #ضایعه_نخاعی یا #قطع_نخاع در #عضله یا قسمتی از بدن رخ می‌دهد بیشترین کاربرد دارد.
براثر ضایعه در سیستم عصبی، انتقال پیام‌‌های عصبی دچار #اختلال شده و باعث ازکارافتادن و فلج شدن اندام مختلف فرد می‌‌شود. ازکارافتادن اندام‌‌ها نه‌تنها بر سلامت عمومی و کیفیت زندگی فرد ضایعه نخاعی تأثیر می‌‌گذارد بلکه فرد بیمار را در معرض عوارض جانبی زیادی قرار می‌‌دهد.

◀️ مهم‌ترین عوارض ایجادشده پس از ایجاد ضایعه‌‌ عصبی (Spinil Cord Injury) عبارت‌اند از:
• آتروفی عضلانی
• خشکی مفاصل
• اسپاسم عضلانی
• پوکی استخوان
• زخم بستر
• عدم کنترل #مثانه (بی‌اختیاری و تخلیه ناکامل)
• و ....

🔺 یکی از روش‌‌های مؤثر درکاهش عوارض پس از ضایعه نخاعی و همین‌طور بازیابی توانایی حرکت اندام‌‌های ازکارافتاده، استفاده از FES است. در صورت سالم ماندن بافت‌‌های عضلانی و شاخه‌‌های عصبی می‌‌توان از این فناوری برای بازتوانی عضو ازکارافتاده استفاده نمود. FES یکی از روشهای متداول در جبران نسبی عوارض ناشی از ضایعی نخاعی است که با اعمال جریان الکتریکی به عصب، نخاع و بافت عضلانی، فیبرهای عصبی و عضلانی در عضو فلج را فعال کرده و بافت مورد نظر با توجه به هدف تحریک منجر به منقبض، خستگی (به آرامش رسیدن عضله)، حرکت و کاهش درد می‌شود.

#مهندسی‌عصبی
#تحریک_الکتریکی_عملکردی
🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

💡آنچه میشنوید ساخته #ذهن شماست نه امواجی که به #گوش شما میرسد.
🔹آنچه خواهید شنید با توجه به صورتی که به آن نگاه کنید تغییر خواهد کرد.😃😃🤔
#عصبی_شناسی
#Neuroscience
➖➖➖➖➖
@IUST_Bioelecteric

📚 چیزی که می بینید و می شنوید چیزی است که دریافت می کنید!
#عصبی_شناسی
#Neuroscience
➖➖➖➖➖
@IUST_Bioelecteric

✅ موضوع: خطای شنیداری
عصب شناسی: چیزی که می بینید و می شنوید چیزی است که دریافت می کنید!

👨‍🏫نویسنده: محمد نوری زاده چرلو

✍️ مغز ما سیگنال ها را از منابع مختلفی دریافت می کند؛ برای مثال، هر دو سیگنال تصویری و شنیداری می توانند جهت یک محرک را نشان دهند، اما با دقت متفاوت. مطالعات اخیر نشان می دهد که مغز ما این سیگنال های دریافتی را را برای به دست آوردن بهترین برآورد ممکن #ترکیب می کند.
فرض کنید وارد یک اتاق شلوع(مثلا یک مهمانی) می شوید. یکی اسم شمارو صدا می زنه و شما برمیگردید تا ببنید کی شمارو صدا میزنه. وقتی برمیگردین میبینین چندین نفر در جهت کلی صدایی که به طرف شما اومده وجود داره.
(البته یه توضیحی بدم که جهت تقریبی را توسط دو تا گوش متوجه میشیم. چونکه صدای شخصی که مارو صدا میزند با زمانهای متفاوتی به دو گوش ما میرسد. مثلا اگه شخص در سمت راست بوده و مارو صدا زده، به خاطر اینکه این شخص به گوش سمت راست نزدیک تره صداش زودتر به گوش سمت راستی میرسد و با یک تاخیری خیلی کوچک به گوش سمت چپ میرسه و مغز با یک پردازش خیلی ساده متوجه میشه که صدا از کدام سمت اومده).
ولی اینکه چه کسی اسم ما رو صدا زده رو نمیتونیم تنها با شنیدن متوجه بشیم. مگر اینکه تمام اشخاص رو بشناسیم! اما فرض ما این است که ما وارد اتاقی شدیم که هیچ کس را نمیشناسیم!
بعد برگشتن متوجه میشیم که همه دارن صحبت می کنند و باز اون صدا میاد! الان صدها کاندید وجود داره که کی داره اسم مارو صدا می زنه! راه حل خیلی ساده است، اگه به حرکت لب افراد نگاه کنیم متوجه میشیم که کی اسم ما رو صدا میزنه! اینطوریه که میگیم مغز ما اطلاعات شنیداری و بینایی را همزمان باهم ترکیب می کند! اما چطور این اطلاعات ترکیب می شوند؟!
کدام یک نقش تعیین کننده دارن؟! برای رسیدن به جواب خود میتونید مقاله رو بخونید؟!
خطای چشم که قبلا خیلی در موردش مطالب کانال گذاشتیم و به این نتیجه رسیدیم که چیزی که میبینیم شاید چیزی نباشد که در واقعیت هست!
ولی خطای شنیداری چی هست؟!
مکدونالد و McGurk اولین کسانی بودند که این پدیده را معرفی کردند برای همین خطای شنیداری را اثر McGurk نام گذاری کرده اند.
در ویدیویی که در کانال قرار داده شده، یک نمونه خطای شنیداری رو میبنیم که نشون میده چیزی که میشنویم به چیزی که میبینیم وابسته است! (چقدر چیز گفته شد😄)
خلاصه از این به بعد به صدایی که میشنویم هم نباید اطمینان کنیم! والا...
🔻در زیر چند تا لینک گذاشتیم که اثر McGurk رو به صورت علمی بررسی کرده اند:👇👇
https://m.youtube.com/watch?v=7uHDMc4TEU8
https://m.youtube.com/watch?v=G-lN8vWm3m0
#عصبی_شناسی
#خطای_شنیداری
#auditory_illusion
#Neuroscience
➖➖➖➖➖
@IUST_Bioelecteric

💡خطای شنیداری( اثر McGurk)
🔹در این ویدیو این پدیده به صورت #علمی بررسی شده است.
➖➖➖➖➖
@IUST_Bioelecteric

✅چند نکته در مورد دوره ها:
نکته اول: در جلسه اول برای هر شخص یک #مقاله مشخص می شود و شخص در طول دوره علاوه برانجام تمرینات هر جلسه، مقاله را به کمک مدرس دوره شبیه سازی می کند.
هدف ما این است که شرکت کنندگان صرفا یک #شنونده نباشند و #درگیر مطالب دوره شوند. تمریناتی که در هر جلسه تعیین می‌شود، جلسه بعدی توسط مدرس انجام می‌شوند.

نکته دوم: در پایان دوره افراد #فعال کلاس انتخاب شده و با گروه تخصصی دانشجویان علم و صنعت به صورت #پروژه ای و یا #پژوهشی جهت نوشتن مقاله همکاری خواهد شد.

نکته سوم: شرکت کنندگان می‌توانند در طول دوره و بعد از دوره به صورت رایگان از مدرس دوره جهت مشاوره در انجام #پایان_نامه خود کمک بگیرند و پایان نامه خود را به صورت مرحله به مرحله انجام دهند.

🌐 گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران قصد دارد دوره‌ها را در #تمام_شهرهای_ایران برگزار کند.

#فراخوان_همکاری
🌀 دوستانی که در انجمن‌های دانشگاهشون عضو هستند و می‌توانند در این زمینه با گروه ما همکاری کنند لطفا با شماره زیر تماس بگیرند:👇👇

0936-038-2687
@Bio_engineerr
➖➖➖➖➖
@IUST_Bioelecteric

🏢 مکان برگزاری دوره ها

آدرس:
نارمک-خیابان ملک لو-جهاد دانشگاهی دانشگاه علم و صنعت تهران -پلاک 158
(روبروی درب 3 دانشگاه علم و صنعت)
➖➖➖➖➖
@IUST_Bioelecteric

✅ مهندسی عصبی
◀️ بخش اول+ بخش دوم+ بخش سوم
🔻 تحریک الکتریکی عملکری
#مهندسی_عصبی
➖➖➖➖➖
@IUST_Bioelecteric

🏢 مکان برگزاری دوره ها:
نارمک-خیابان ملک لو-جهاد دانشگاهی دانشگاه علم و صنعت -پلاک 158
(روبروی درب 3 دانشگاه علم و صنعت)
مسیر مترو: 🚇
مترو سمت فرهنگسرا- ایستگاه علم و صنعت – دانشگاه علم و صنعت (از طریق تاکسی(سمت سراج) یا پیاده(10 دقیقه)) روبروی درب 3 دانشگاه علم و صنعت تهران- جهاد دانشگاهی دانشگاه علم و صنعت -پلاک 158
➖➖➖➖➖
دوره جامع مهندسی پزشکی برای سایر دانشجویان
⏰ زمان: پنج شنبه ها از ساعت 1تا 5 بعدازظهر (از 2 آذر شروع خواهد شد)
⏳ ظرفیت باقی‌مانده: 2 نفر
دوره تخصصی پیاده سازی شبکه های عصبی در متلب
⏰ زمان: چهارشنبه ها از ساعت 1تا 5 بعدازظهر (از 1آذر شروع خواهد شد)
ظرفیت #تکمیل شد.
➖➖➖➖➖
🌀لازم به ذکر است که دوره بعدی ما در #تبریز (دانشگاه تبریز و دانشگاه سهند تبریز) برگزار خواهد شد.
دوستان علاقه مند میتوانند از طریق سایت #متلب_خونه پیش ثبت نام کنند و یا با شماره زیر تماس بگیرند.

0936-038-2687
@Bio_engineerr
🌐همانطور که گفته شد، گروه ما قصد دارد در #تمامی شهرها دوره ها رو برگزار کند، شما میتوانین اسم، شماره تماس و نام شهرتون را در سایت وارد کنید. بعد از تکمیل ظرفیت کلاسها، دوره ها در شهر شما هم برگزار خواهد شد.
http://matlabkhoone.ir/
↖️برای #پیش_ثبت_نام تنها کافیست شماره تماس و اسمتون رو در سایت وارد کنید.
➖➖➖➖➖
@IUST_Bioelecteric