فایل پیوست مربوط به تمرینات جلسه 5 پترن در پردازش سیگنال
مقالات CSP بهبود یافته شده
🌀یکی از مقالات را پیاده سازی کرده و فایل گزارش و کد رو به آیدی زیر ارسال کنید👇
@onlineBME_admin
✔️ @OnlineBME

📋 #جزوه خام جلسه5 #پردازش_تصویر
☑️ #ناحیه_بندی تصاویر | روشهای استخراج ویژگی | فیلتر گابور|روشهای نظارتی| کلاسبندی #پروژه_عملی
#svm #knn #bay's #lda

✔️ @onlineBME

هنگام شنیدن صدای موسیقی، در #مغز ما چه اتفاقی رخ می‌دهد که نمی‌توانیم در برابر ریتم #موسیقی مقاومت کنیم و نرقصیم؟ 💃🕺

منبع : bbcpersian
✔️ @OnlineBME

✅ ردیابی آنلاین بطنهای قلبی در تصاویر سونوگرافی توسط نرم افزار RISP
👨‍💻 نویسنده: محمد نوری زاده چرلو

✍ ایست قلبی یکی از علتهای اصلی مرگ و میر در غرب است. معاینه معمول قلب در کلینیکها می‌تواند با شناخت علائم اولیه و اختصاص دادن روش درمان مناسب، به طور قابل توجهی خطر ابتلا به نارسایی قلبی را کاهش دهد. معاینه قلب در طی یک مراجعه می‌تواند علل و علائمی که منجر به بیماری قلبی می شوند را روشن کند. معاینه قلب را می توان با روشهای غیرتهاجمی و نسبتا کوتاه با استفاده از سیگنال ecg یا تصاویر اولتراسوند(اکوکاردیوگرافی) انجام داد.
مشکلات ناشی از بی نظمی پالس( آریتمی‌های قلبی) را می توان با استفاده از سیگنالهای قلبی بررسی کرد، با این حال، پزشکان معاینه بصری برای تجزیه و تحلیل علملکرد قلب را بسیار مهم می‌دانند.
حجم بطنهای قلب در انتهای #دیاستول و #سیستول به عنوان یک #شاخص برای تشخیص آریتمیها، فیبریلاسیون بطنی ، ریسک ایست قلبی استفاده می شود. بنابراین استخراج اطلاعات در مورد دینامیک انقباض بطنها برای تشخیص بیماریها مهم است. از آنجا که سونوگرافی یک تصویر واضح از دینامیک انقباض بطنها ارائه می‌دهد ، برای تشخیص سریع بیماریها از سونوگرافی استفاده می‌کنند. با این حال تصاویر سونوگرافی نویزی هستند و برای تفسیر آنها نیاز به یک پزشک باتجربه است.
نرم افزار سونوگرافی قلبی عروقی RISP یک روش خودکار برای ردیابی بطنها (در نمای چهار حفره ای) در طول چرخه ی قلبی را ارئه کرده است.
باید به این نکته اشاره کرد که ردیابی بطنها در طول چرخه‌ی کاری قلب کار چندان ساده ای هم نیست، زیرا علاوه بر نویز، ماهیت ناپایدار قلب، جابجایی‌های ایجاد شده در اثر تنفس و ... ردیابی بطن را چالش برانگیز می کنند.
جالب است بدانید که نرم افزار سونوگرافی RISP از #کانتور_فعال برای ردیابی خودکار بطنها استفاده کرده است. این شرکت بیش از 2 دهه هست که روشهای پردازش تصویر و بینایی ماشین رت برای بررسی قلب و عروق ارائه می‌دهد.

منبع:

https://www.rsipvision.com/cardiovascular-ultrasound-software/

#مهندسی_پزشکی
#خبر
#معرفی_نرم‌افزار
#پردازش_تصویر

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

✅ ردیابی آنلاین بطن چپ قلب در تصاویر سونوگرافی( نمای چهار حفره ای ) توسط نرم افزار RISP

✔️ @onlineBME

✅محققان Reddit اولین AI روان پریش را ساخته اند!

👩‍🏫نویسنده: هما کاشفی امیری

🔶موسسه Reddit همان موسسه ای است که روبات های سگ خزنده می سازد که می توانند درب ها باز کنند، این بار یک AI جدید ساخته است، اما اصلا جای نگرانی نیست، قول می دهیم، نگران نباشید!

با نورمن آشنا شوید
او از آن نوع اپلیکشن های AI که هر روز استفاده می کنید نیست. الگوریتم های نورمن، خوراک Facebook شما را فیلتر نمی کند و یا بر اساس آهنگ هایی که قبلا به صورت آنلاین گوش کردید، آهنگ جدید پیشنهاد نمی کند.

🔶نورمن یک AI روان پریش است😧 که توسط محققان آزمایشگاه مدیا MIT ساخته شده است، نورمن یک مطالعه ی موردی بررسی وضعیت هایی است که اطلاعات biased در الگوریتم های هوش مصنوعی استفاده می شوند و نشان می دهد در این مواقع هوش مصنوعی چه خطراتی در پی خواهد داشت.

🔶محققان تعدادی تصویر به نورمن دادند و پاسخ AI روانشناس ما را با AI استاندارد و معمولی مقایسه کردند، این پاسخ ها اگرچه ناراحت کننده هستند اما شوخی نیستند. زمانی که AI استاندارد «یک گروه از پرندگان که روی شاخه ی درخت نشسته اند» را می بیند، نورمن دستگاه مرگبار ما «مردی را می بیند که برق او را گرفته و رو به مرگ است». زمانی که AI استاندارد یک تصویر «کیک عروسی روی میز» را می بیند، نورمن روبوکیلر AI ما «مردی را می بیند که به دلیل سرعت زیاد در رانندگی کشته شده است
🔶محققان در توصیف های روانشناسی نورمن هیچ دخالتی نداشته اند آنها تنها به AI کمک کرده اند تا زیرمجموعه ای خاص از کپشن های تصویر را ببیند.

😱😱اما هدف از ساخت AI روان پریش چیست؟
تیم تحقیقاتی با این هدف AI روان پریش را ساخته اند تا خطر استفاده از داده ی خاص به الگوریتم را بررسی کنند مثلاً اگر داده biased باشد چه خطراتی روی رفتار الگوریتم خواهد داشت
این خبرها کمی من را به تعجب واداشت، آیا تیم MIT در Boston Dynamics ربات های درب بازکن، پرنده و دونده ی خود را اذیت می کنند تا به نوع AI روان پریش تبدیل شوند؟😰😰
بهتر است امیدوار باشیم☺️. اینطور نیست
منبع:
https://www.cnet.com/news/mit-researchers-use-reddit-to-create-the-first-psychopath-ai/
#خبر
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

MIT researchers use Reddit to create the first 'psychopath AI'
Yes, this is the same institute that makes the creepy dog robots that can open doors, but everything is totally fine, we promise.

نورمن، AI روان پریشی که الگوریتم های هوش مصنوعی را از نظر روانشناسی بررسی می کند!
✔️ @onlineBME

🌐 #هوش_مصنوعی برای کسب و کار #حیاتی است، اما گلوله #جادویی نیست!!🧐
➖➖➖➖
✔️ @OnlineBME

✅هوش مصنوعی، یادگیری ماشین و مباحث علم اطلاعات: کدام الگوریتم ها را مدیریت خواهند کرد؟
👨‍💻 نویسنده: محمد نوری زاده چرلو

✍ هوش مصنوعی و یادگیری ماشین در یک کلیپ سریع اتخاذ می شوند، تازه سردردهای مدریریتی شروع میشوند! ☹️

هوش مصنوعی و یادگیری ماشین در یک کلیپ سریع به کار گرفته میشوند و احتمال بکارگیری آنها در سال 2019 افزایش می‌یابد.
خب چالش بعدی کسب و کار چیست؟ حال چطور مدیریت تکنولوژی‌ای که احتمالا از آن چیزی نمی‌فهمیم را انجام دهیم ؟ 🤔
این مسئله احتمالا در سال آینده مطرح خواهد شد. در حال حاضر، بسیاری از ما به این فکر می کنیم که بیشتر الگوریتم ها بهتر می شوند و حتی فرض می کنیم که ما می توانیم افکار انتقادی را به مدلها انتقال دهیم. چرا باید مغز خود را اذیت کنیم، وقتی می توانیم به اینشتین، واتسون، الکسا، دستیارگوگل و دیگر ابزارهای نرم افزاری اعتماد کنیم تا به جای ما فکر کنند!؟
بر اساس گزارش IDC، هزینه های جهانی در زمینه #هوش_مصنوعی و فن آوری های #شناختی در سال 2018 به 19.1 میلیارد دلار خواهد رسید که نسبت به سال قبل 54.2 درصد افزایش یافته است. تا سال 2021 AI و هزینه های شناختی 52.2 میلیارد دلار خواهد بود. اگر شما در مورد AI سرمایه گذاری نمی کنید، شاید نیاز به کمک برخی از دستیارهای-کامپیوتری برای تنظیم بودجه خود داشته باشید.
و این یک بررسی واقعیت است: همه پیاده سازی های AI به خوبی انجام نمی شود. چرا؟ بخاطر اینکه مدیریت هوش مصنوعی ممکن است یکی از بزرگترین چالش های کسب و کار در سال آینده باشد. AI مانند بسیاری از فناوری های سازمانی مانند ERP، CRM، HCM خواهد بود و نمی تواند یک گلوله جادویی باشد.
🌀 منبع:

https://www.zdnet.com/article/the-ai-machine-learning-and-data-science-conundrum-who-will-manage-the-algorithms/

#خبر
#هوش_مصنوعی
#علوم_شناختی
#مهندسی_پزشکی
#یادگیری_ماشین

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

🎶👀 صداها را تماشا کنید؛ پخش صدای ویولن‌سل، در اسپیکری که زیر یک حباب هوا در داخل کره‌ای از آب، در وضعیتی با نیروی گرانش بسیار پایین (میکروگرانش) قرار گرفته است.

✔️ @OnlineBME

✅هوش مصنوعی گوگل می تواند زمان مرگ شما را پیش بینی کند☠️☠️

👩‍🏫نویسنده: هما کاشفی امیری

⏰آیا مایلید زمان مرگ خود را بدانید؟ 😇

🔶گوگل، هوش مصنوعی جدید خود را آموزش داده است و پیش بینی می کند آیا بیماران یک بیمارستان 24 ساعت پس از پذیرش فوت می کنند یا خیر؟
🔶دقت آزمایشات اولیه آن 95% است. اما هوش مصنوعی چطور اینکار را انجام می دهد؟

🔶سیستم از اطلاعات پایه بیمار مانند سن، قومیت و جنسیت او استفاده می کند. الگوریتم جدید از اطلاعاتی مانند علائم حیاتی بیمار، سابقه ی پزشکی بیمار و حتی PDFها، نمودارها و یادداشت های دست نویس پزشکان استفاده می کند تا بر اساس آنها زمان مرگ را پیش بینی کند.

این تکنولوژی مسیری جدید را گشوده است.

🕑این سیستم می تواند در زمان پذیرش بیمار تخمین بزند چند روز در بیمارستان خواهد ماند و یا شانس اینکه دوباره در این بیمارستان پذیرش شود چقدر است؟🛏

منبع:https://www.foxbusiness.com/markets/google-ai-can-predict-when-you-will-die
#خبر
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

Google AI can predict when you will die
Google can predict the risk of death for hospital patients with 95% accuracy.

Caption no caption...

✔️ @OnlineBME

🔍 خدا هیچ قولی نداده که ما در زندگیمون مشکلی نداشته باشیم...
ولی قول داده که نیروی مبارزه رو به ما بده...
#جول_اوستین
✔️ @OnlineBME

هوش مصنوعی گوگل می تواند زمان #مرگ شما را پیش بینی کند🤨🧐
#هوش_مصنوعی
#پیش_بینی_زمان_مرگ
✔️ @OnlineBME

"مرگ خیلی آسان می‌تواند به سراغ من بیاید، اما من تا می‌توانم زندگی کنم نباید به پیشواز مرگ بروم. البته اگر یک وقتی ناچار با مرگ روبرو شدم - که می‌شوم - مهم نیست، مهم این است که زندگی یا مرگ من چه اثری در زندگی دیگران داشته باشد…"
#ماهی_سیاه_کوچولو
صمد بهرنگ
https://bbc.in/2LZ3EWU

@onlinebme

📚 آموزش برنامه نویسی پایتون
#جلسه10_python

#lists_in_python

👩‍🏫 مدرس: مهندس معصومه دلگرمی 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME

📋 #جزوه خام جلسه 6 پترن در پردازش سیگنال
☑️ انجام پروژه spike sorting| پیاده سازی الگوریتم kmeans, fcm
#خوشه_بندی
#پردازش_سیگنال
#علوم_اعصاب
#kmeans
#fcm
#unit_activity

✔️ @onlineBME

مقاله مربوط به تمرین جلسه 6
مقاله Gmeans که بهبود یافته kmeans هست و تعداد k را خود الگوریتم تعیین میکند
🌀مقاله را پیاده سازی کرده و فایل گزارش و کد رو به آیدی زیر ارسال کنید
@onlinebme_admin

📕📒📗یادگیری ماشین
#جلسه_هشتم( #ML8 ) :
ادامه الگوریتم ژنتیک
👩‍🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML8
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅هوش مصنوعی چگونه علم را تغییر می دهد؟

👩‍🏫نویسنده: هما کاشفی امیری

✍️گادی سینگر از اعضای شرکت اینتل معتقد است چالش های اصلی در راه هستند: استفاده از هوش مصنوعی برای تغییر شیوه های بررسی علمی

🔶در اولین رویداد AI DevCon اینتل، رئیس اینتل و مدیر معماری گروه محصولات هوش مصنوعی این شرکت، نقش خود را در تقاطع علم تبیین کرده و بیان کردند که دانشمندان چگونه باید به هوش مصنوعی نزدیک شوند و چرا هوش مصنوعی پویاترین و هیجان انگیزترین فرصت برای آنهاست

🤔هوش مصنوعی چگونه علوم را تغییر می دهد؟
اکتشاف علمی در مرحله ی گذار است و بهتر است نحوه ی اکتشاف علمی 100 سال گذشته را با دهه های 50 و 60 مقایسه کنیم تا به این تفاوت پی ببریم. در دهه ی 60، میزان داده ی جمع آوری شده زیاد بود اما دانشمندان می توانستند اطلاعاتی که در هر زمینه ی علمی از جمله آب و هوا، زلزله شناسی، زیست شناسی، داروسازی، اکتشاف داروهای جدید بود را تحلیل کنند. امروزه حجم داده ها تا حدی زیاد شده است که افراد دیگر این توانایی را ندارند که به تنهایی آن را تحلیل کنند. ترکیب حجم زیاد این اطلاعات با روش های محاسبات مدرن و یادگیری عمیق، فرصت های جدید و هیجان انگیزی پدید آورده است.

در یک مورد که از قدرت یادگیری عمیق استفاده می کند، شناسایی الگوهای بسیار ضعیف در یک مجموعه داده ی نویزی حتی بدون وجود مدل ریاضیاتی دقیق از عنصر مورد جستجوست

🔶در مورد حوادث کیهانی که در کهکشان های دور اتفاق می افتد فکر کنید، شما به دنبال ویژگی های پدیده ای هستید که می توان آن را یک مجموعه داده ی بسیار بسیار بزرگ در نظر گرفت. این مثال یک نمونه جستجو بدون پرسش واضح است، اما تنها کافی است به سیستم یادگیری عمیق خود داده هایی را تزریق کنید وآموزش دهید در نهایت سیستم شما، یک الگوی خاص را پیدا خواهد کرد.

🔶گاهی اوقات می دانید به دنبال چه هستید اما نمی دانید چطور آن را پیدا کنید
برای مثال نمی توانید معادله ریاضیاتی دقیقی را برای مدل جستجوی خود تعریف کنید. داده برای تست روش های سعی و خطا و تحلیل big data خیلی بزرگ است و یا ویژگی های کافی برای جستجوی الگو در اختیار ندارید. یادگیری عمیق می تواند به شما کمک کند که در یک مجموعه داده ی چند بعدی و نویزی، به خوبی کلاسبندی کنید.

منبع:
https://m.phys.org/news/2018-05-artificial-intelligence-science.html
#خبر
#هوش_مصنوعی
#big_data
#یادگیری_عمیق

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

How is artificial intelligence changing science?
Intel's Gadi Singer believes his most important challenge is his latest: using artificial intelligence (AI) to reshape scientific exploration.