✅به تصویر کشیدن آن چیزی که Convnetها یاد می‌گیرند

✍️بازنمایی ویژگی‌هایی که توسط convnetها آموخته می‌شوندتا حد زیادی قابل تجسم هستند به این دلیل که آنها بازنمایی مفاهیم بصری هستند.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/visualizing-what-convnets-learn/

🏢 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

💡در این مطالعه، یک رویکرد جدید مبتنی بر TRCA برای استخراج ویژگی ارائه دادیم که نسبت به رویکرد CCA  ویژگی های تفکیک پذیرتری استخراج می‌کند.

🔺 این رویکرد دقت تشخیص جهت از روی SSVEP در Hybird BCI رو به صورت معنادار تغییر داد.

🔺در ادامه برای بهبود بیشتر عملکرد، الگوریتم SE-TRCA رو ارائه دادیم.

در تحلیل SSVEP اطلاعات فرکانسی اهمیتی بالایی دارند و اگر سیگنال به اندازه کافی ثبت شود از این اطلاعات بهتر می‌شود استفاده کرد.

در این پارادایم  به اندازه کافی سیگنال زمانی وجود دارد و همین امر باعث بهتر عمل کردن SE-TRCA می‌شود.

🔻 هدف روش‌های Spatio-spectral اینه که به نوعی اطلاعات فرکانسی رو هم وارد محاسبات و بهینه سازی بکنند. اما اگه طول سیگنال کم باشه طبق اصل هایزنبرگ، اطلاعات فرکانسی خوبی در سیگنال نخواهد بود.
برای همین اگه طول سیگنال کم باشه بهبودی اتفاق نمی‌افته. اما از اونجا که در این پارادایم طول سیگنال زیاد هست، این گونه روش‌ها کاراییشون رو به خوبی نشون می‌دهند.

آپدیت: به مدت ۵۰ روز دسترسی به مقاله رایگان هست. از لینک زیر میتونید دانلود کنید👇
https://authors.elsevier.com/c/1hr8i2OYd3t82

@Onlinebme

✅واسط مغز-کامپیوتر و الگوریتم های یادگیری عمیق

✍️در حال حاضر کامپیوترها و مغزها هر روز در آزمایشگاه‌های فناوری پیشرفته با یکدیگر صحبت می‌کنند و هر روز این کار را بهتر و بهتر انجام می‌دهند. برای مثال افراد معلول می‌توانند یاد بگیرند که با قدرت ذهن بر اندام‌های رباتیک مسلط شوند و آنها را با فرمان مغزی خود کنترل کنند. انتظار داریم که روزی بتوانیم تنها با افکارمان سفینه‌های فضایی را کنترل کنیم و مغزمان را روی کامپیوترها آپلود کنیم.

⭕️ جزئیات بیشتر
https://onlinebme.com/brain-computer-interface-and-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

دوره تخصصی و پروژه محور پیاده‌سازی شبکه های عصبی در پایتورچ

🔷 نصب پایتورچ
🔶 کار با تنسورها
🔷 کار با Datasets و Dataloaderها
🔶 ساخت Dataloaderهای اختصاصی
🔷 تئوری و ریاضیات شبکه‌های عصبی
🔶 پیاده سازی گام به گام شبکه‌های عصبی
🔷پیاده سازی شبکه‌های عصبی با ابزار پایتورچ
🔶 ذخیره و بارگذاری شبکه‌های عصبی
🔶 انجام چندین پروژه عملی
🔷 آشنایی با چالشهای واقعی در انجام پروژه‌ها

🔻نوع دوره: آنلاین همراه با ضبط ویدیوی جلسات
▪️مدت دوره: حدودا 40 ساعت

🧑‍💻مدرس: محمد نوری زاده چرلو

✅ جهت ثبت نام با شماره زیر تماس بگیرید:
شماره تماس: 09360382687
آیدی تلگرام: @onlinebme_admin

#python  #pytorch  #neuralnetworks

@Onlinebme

✅مقدمه‌ای بر EEG Spectrogram (طیف نگاری سیگنال EEG)


✍️از آنجاییکه نظارت پیوسته‌ بر عملکرد مغز به بخش رایجی از مراقبت‌های بالینی تبدیل شده است، EEG پیوسته امکان تشخیص و شناسایی بهتر الگوهای بیماری (برای مثال صرع) را در بیماران بدحال فراهم کرده است. با این حال، افزایش حجم کاری باعث شده است که متخصصان زیادی به EEG کمی روی بیاورد که ابزار اصلی آن «طیف نگاری» یا spectrogram است. در این مقاله توضیح می‌دهیم که چگونه می‌توان درک دقیقی از ارتباط spectrogram با EEG خام بدست آورد. متوجه خواهیم شد که چگونه spectrogram ها، اطلاعات مربوط به EEG خام را رمزگذاری می‌کنند و چگونه می‌توان آنها را تفسیر کرد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/eeg-spectrogram/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام
وقت همگی بخیر
دوره پایتورچ از این هفته برگزار خواهد شد.

🔷هفته ای یک جلسه ۴ ساعته خواهیم داشت

💡هر جلسه یک پروژه داریم، برای همین هفته ای یک جلسه برگزار می‌کنیم تا شرکت کنندگان فرصت کافی برای مرور مباحث و انجام پروژه رو داشته باشند

🔺بعد از ارسال گزارش پروژه، همون هفته بررسی میشه و نکات لازم جهت بهبود فرایند کار برای هر فرد ارائه میشه

🔷 ویدیوی هر جلسه ضبط خواهد شد، بعد از ادیت همون هفته به همراه سایر محتوا، در اختیار همه شرکت کنندگان دوره (آنلاین و آفلاین) قرار می‌گیرد.

✅در این با دوره تئوری و ریاضیات شبکه‌های عصبی (توابع هزینه، روش‌های بهینه‌سازی، توابع فعال، ... ) آشنا میشیم و یاد میگیریم که چطور میشه شبکه‌های عصبی را با توابع هزینه و روش بهینه‌سازی مدنظر پیاده‌سازی کنیم و یا اینکه  چطور از شبکه‌های عصبی در پروژه‌های عملی استفاده کنیم.

✅چه مهارت هایی در این دوره کسب می‌کنیم:

🟠یادگیری ریاضیات مرتبط با شبکه های عصبی
🟡آشنایی با انواع روشهای بهینه‌سازی در شبکه‌های عصبی
🟢 پیاده‌سازی  شبکه‌های عصبی
🔵استفاده از شبکه‌های عصبی در پروژه‌های تخصصی
🟣پیاده‌سازی مقالات مرتبط با شبکه‌های عصبی
⚫️کار با کتابخانه PyTorch
⚪️ساخت dataloader
🔴طراحی شبکه عصبی با کمک ابزار PyTorch
🟢بدست دانش پایه لازم برای ورود تخصصی به حوزه دیپ لرنینگ 

1⃣ در فصل اول دوره پایتورچ رو معرفی می‌کنیم و با چارچوب کار در این محیط آشنا می‌شویم.

2⃣ در فصل دوم دوره کار با تنسورها رو یاد میگیریم: 
🔻ساخت تنسور
🔺آدرس‌دهی تنسور
🔻پیوند تنسورها
🔺عملیات ریاضیاتی/منطقی/مثلثاتی
🔻تبدیل آرایه به تنسور و برعکس

3⃣ در فصل سوم دوره با datasetها و datalaoder آشنا میشویم
🔻reading Datasets
🔺 customised dataloaders
🔻data batching
🔺 preprocessing

4⃣ در فصل چهارم دوره با شبکه عصبی پرسپترون تک لایه آشنا میشویم
🔻نورون
🔺پرسپترون تک لایه
🔻قانون پرسپترون
🔺رابطه وینرهاف
🔻گرادیان نزولی
🔺حداقل مربعات خطا
💡ایراد شبکه عصبی تک لایه

5⃣ در فصل پنجم شبکه عصبی پرسپترون چند لایه آشنا میشویم
🔷پس انتشار خطا
🔶توابع هزینه
🔻 MSE
🔺 Cross Entropy

💡روشهای بهینه‌سازی (تجزیه و تحلیل و پیاده‌سازی شبکه عصبی به ازای بهینه‌سازهای مختلف)
🔻SGD
🔺Momentum
🔻AdaGrad
🔺 RMSprop
🔻AdaDelta
🔺Adam

🔷توابع فعال و مشتقات آنها
🔻 Linear
🔺 Tanh
🔻 Sigmoid
🔺 ReLU
🔻 Softmax

6⃣ در فصل ششم هم شبکه های عصبی را با کمک پایتورچ پیاده سازی میکنیم
🔶طراحی شبکه عصبی چندلایه
🔷بررسی تاثیر توابع فعال بر عملکرد و روند یادگیری شبکه
🔶بررسی تاثیر تعداد لایه ها بر عملکرد و روند یادگیری شبکه
🔷پیاده سازی شبکه عصبی کانولوشنال (CNN)
🔶 نحوه ذخیره و بارگذاری شبکه های آموزش دیده در پایتورچ
 
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡این دوره بیسیک دیپ لرنینگ هست و هر فردی که میخواد به صورت تخصصی وارد حوزه دیپ لرنینگ شود این دوره خیلی میتونه براش مفید باشه

امیدوارم کنار هم دوره خوبی رو تجربه کنیم😊
 
@Onlinebme

🔥معرفی اجمالی کتابخانه PyTorch
✍پایتورچ یک فریم ورک یادگیری ماشین مبتنی بر کتابخانه Torch است. یک کتابخانه قدرتمند پایتون برای کاربردهایی مثل بینایی ماشین و پردازش زبان طبیعی است که اولین بار توسط تیم هوش مصنوعی متا (فیسبوک) توسعه پیدا کرد و در سال 2016 منتشر شد.

🔷پایتورچ ماهیت پایتونیک دارد که باعث میشه یادگیری اون در مقایسه به سایر فریم‌‎ورکها بسیار ساده‌تر باشد.

💡پایتورچ برای افزایش سرعت و انعطاف در پیاده‌‎سازی شبکه‌های عصبی عمیق طراحی شده است و برای همین یکی از فریم ورک‌های ترجیحی برای تحقیقات یادگیری عمیق است.
در این پست میخواهیم با PyTorch و قابلیتهای آن آشنا شویم.

⭕️ جزئیات بیشتر 👇
PyTorch
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅روش‌های رایج اعمال سیگنال EEG به عنوان ورودی به شبکه‌های عمیق


✍️اخیراً سیگنال‌های EEG توجه فزاینده‌ای را به خود جلب کرده‌اند. کلاسبندی سیگنال‌های EEG به دلیل ماهیت دینامیکی سیگنال، نسبت سیگنال به نویز کم، پیچیدگی و وابستگی به موقعیت سنسور بسیار دشوار است. الگوریتم‌های یادگیری عمیق، افق روشنی را برای کلاسبندی این سیگنال‌های دشوار فراهم کرده‌اند.
اگر تاکنون مقالات مربوط به BCI با شبکه‌های یادگیری عمیق را مطالعه کرده باشید، احتمالاً متوجه شده‌اید که هر یک سعی کرده‌اند سیگنال EEG را به شیوه‌ای خاص به عنوان ورودی به شبکه‌ی عمیقی مانند CNN بدهند. بعضی سیگنال اصلی و اولیه را به همان صورتی که هست به ورودی شبکه اعمال کرده‌اند و بعضی دیگر آن را به تصاویر spectrogram یا scalogram تبدیل کرده‌اند. در این مقاله، چند مورد از رایج ترین روش‌های اعمال سیگنال EEG به شبکه‌های عمیق را مورد بررسی قرار می‌دهیم.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/%d9%8d%d9%8deeg-signal-processing-using-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅شبکه EEGNet: یک شبکه عصبی کانولوشنی فشرده برای BCIهای مبتنی بر EEG

✍️در این مقاله، EEGNet را معرفی می‌کنیم که یک شبکه CNN فشرده برای کلاسبندی و تفسیر BCIهای مبتنی بر EEG است. کاربرد کانولوشن‌های Depthwise و Separable که قبلاً در حوزه‌ی بینایی ماشین استفاده می‌شده را برای ساخت یک شبکه خاص EEG معرفی می‌کنیم که چندین مفهوم شناخته شده‌ی استخراج ویژگی EEG را در بر می‌گیرند. مانند فیلترهای مکانی بهینه و ساخت بانک فیلتری و در عین حال به طور همزمان تعداد پارامترهای قابل آموزش در این شبکه در مقایسه با رویکردهای موجود کاهش می‌یابد.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/eegnet-architecture/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتورچ
📝 تمرینات فصل دوم: تنسورها
🔷سری اول

@Onlinebme

🔥 تفاوت تنسور PyTorch با آرایه NumPy 

🔷تنسورهای پایتورچ بسیار شبیه به آرایه‌های نامپای هستند. از آنها هم برای ذخیره و عملیات روی آرایه‌های عددی استفاده می‌شود. اما با این حال یک سری تفاوتهایی بین آنها وجود دارد. در این پست شباهت‌ها و تفاوت‌های بین آرایه‌های نامپای و تنسورهای پایتورچ را بررسی می‌کنیم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/difference-between-pytorch-tensor-and-numpy-array/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتورچ
📝 پروژه فصل دوم: تنسورها
🔷 پیاده‌سازی الگوریتم KNN

@Onlinebme

✅پکیج MNE: پکیج پایتون برای بررسی، تجسم سازی و تحلیل داده‌های فیزیولوژیکی انسان: MEG, EEG, SEEG, ECoG, NIRS

✍️اگر تابحال مقالات مربوط به حوزه ی BCI را مطالعه کرده باشید احتمالاً متوجه شده‌اید که اگر داده‌ها در محیط پایتون پردازش شده باشند به احتمال زیاد از پکیج MNE برای این منظور استفاده شده است. برای پیش پردازش، جداکردن ترایال‌ها و نمایش سیگنال و … . در این مقاله به معرفی این پکیج می‌پردازیم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/mne-python_package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتورچ
📝 تمرینات فصل سوم: Datasets
🔷سری دوم

@Onlinebme