🌐رونمایی از آزمایش  نورالینک ، کاشت واسط مغز و کامپیوتر در مغز خوک زنده

💬 ایلون ماسک یک خوک را توسط واسط مغز و کامپیوتر کمپانی نورالینک مجهز کرده و در یک رویداد، بصورت زنده در YouTube از آن رونمایی کرد. این خوک که با نام گرتود شناخته می شود، مجهز به یک دستگاهی است که سیگنال های موجود در ناحیه ای از مغز که به پوزه اش متصل است را ضبط می کند. عمل پیوند بر روی این خوک دو ماه قبل از این رونمایی انجام شده بود.

✅ طراحی دستگاه نورالینک از زمان رونمایی خود در سال گذشته تا به حال تغییر یافته و این در حالی است که این دستگاه در گرتود به سختی قابل مشاهده است. اکنون طرح آن به شکل سکه می باشد و به جای داشتن یک ماژول کوچک در کنار گوش، با هدف هم تراز شدن با جمجمه خوک، مورد استفاده قرار می گیرد.

⭕️جزئیات بیشتر 👇
🌀https://onlinebme.com/elon-musk-neuralink-ai-pigs-demo-brain-computer-interface/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅دوره ها رو باید اینطوری پیش برد👌😊
#جزوه دوره متلب
@onlinebme

✅ دوره ی تخصصی پردازش سیگنال مغزی (EEG)

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

مدت زمان دوره: 50 ساعت

🎁محتوای پکیج
🔹۵۰ ساعت ویدیوهای آموزشی
🔸کدهای متلب پیاده سازی شده برای پروژه ها و مقالات
🔹پایگاه داده های استفاده شده در دوره
🔹جزوه دست نویس مدرس

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ دوره ی تخصصی پردازش سیگنال مغزی (EEG)

✍ در این دوره تخصصی تمامی مباحث پایه و کاربردی پردازش سیگنال eeg 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.
پروژه های زیادی در این دوره 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.
این دوره نسخه جامع و کامل تر دوره حضوری پردازش سیگنال مغزی هست.

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

مدت زمان دوره: 50 ساعت

🎁محتوای پکیج
🔹۵۰ ساعت ویدیوهای آموزشی
🔸کدهای متلب پیاده سازی شده برای پروژه ها و مقالات
🔹پایگاه داده های استفاده شده در دوره
🔹جزوه دست نویس مدرس

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁 دوره ی تخصصی پردازش سیگنال مغزی-EEG
"اولین دوره جامع در ایران "

🔷پردازش سیگنال EEG در حوزه زمان
🔶پردازش سیگنال EEG در حوزه فرکانس
🔷پردازش سیگنال EEG در حوزه ویولت
🔶استخراج ویژگی
🔷انتخاب ویژگی
🔶انتخاب باندهای فرکانسی بهینه EEG
🔷انتخاب کانال های بهینه در سیگنال EEG
🔶طبقه بندی سیگنال EEG

✅پروژه های عملی:
⭕️تشخیص صرع از روی سیگنال EEG
⭕️طبقه بندی سیگنال EEG مبتنی بر تسک تصور حرکتی

مدت زمان دوره: 50 ساعت
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ سرفصل دوره جامع پردازش سیگنال  مغزی(eeg)
#اولین دوره تخصصی در ایران

1⃣ فصل اول: مقدمه
🔻  مقدمه ای بر پردازش سیگنال  EEG از دید شناسایی الگو
🔺 مقدمه ای بر الکتروانسفالوگرافی(eeg)

2⃣ فصل دوم: پردازش سیگنال eeg در حوزه زمان
🔹    معرفی پایگاه داده صرع و نحوه خواندن آن در متلب
🔸     نحوه استخراج ریتم های eeg در حوزه زمان
🔹     استخراج ویژگی از سیگنال eeg در حوزه زمان

3⃣ فصل سوم: پردازش سیگنال  eeg در حوزه فرکانس(تبدیل فوریه)
🔹    تبدیل فوریه
🔸    نحوه محاسبه رزولوشن فرکانسی
🔹    تحلیل سیگنال در حوزه فرکانس
🔸   نحوه طراحی و اعمال فیلتر در حوزه فرکانس
🔹    نحوه فیلتر کردن سیگنال eeg در حوزه فرکانس
🔸     حذف نویز سیگنال eeg با کمک تبدیل فوریه
🔹    استخراج ریتمهای eeg در حوزه زمان با کمک تبدیل فوریه
🔸    استخراج اطلاعات ریتمهای eeg در حوزه فرکانس
🔹    استخراج ویژگی از سیگنال eeg در حوزه فرکانس

4⃣ فصل چهارم: طبقه بندی سیگنال eeg
🔹    مفهوم طبقه بندی
🔸   روال انجام استاندارد پروژه های eeg از دید شناسایی الگو
🔹    طبقه بندی سیگنال eeg با کمک طبقه بند knn
🔸   طبقه بندی سیگنال eeg با کمک طبقه بند svm
🔹    ماشین بردار پشتیان خطی و غیرخطی
🔸    تعمیم svm دو کلاسه به چند کلاسه با کمک تکنیک یکی در مقابل یکی
🔹    تعمیم svm دو کلاسه به چند کلاسه با کمک تکنیک یکی در مقابل همه
🔸    طبقه بندی سیگنال eeg با کمک طبقه بند درخت تصمیم(decision tree)
🔹    طبقه بندی سیگنال eeg با کمک طبقه بند LDA
🔶                   روشهای ارزیابی
o      روش ارزیابی K-fold cross validation
o      روش ارزیابی the hold out method
o      روش ارزیابی leave one out
o      روش ارزیابی random subsampling
🔷                   پارامترهای ارزیابی
o      accuracy
o      sensitivity
o      specificity
o      ماتریس کانفیوژن
 
5⃣ فصل پنجم: پردازش سیگنال  eeg در حوزه زمان-فرکانس(تبدیل ویولت)
🔻    ایراد تبدیل فوریه
🔺    ایراد تبدیل فوریه زمان کوتاه(STFT)
🔻   تبدیل ویولت
🔺    مقایسه عملی تبدیل ویولت و تبدیل فوریه
🔻     نحوه اعمال تبدیل ویولت بر روی سیگنال EEG
🔺    نحوه استخراج اطلاعات ریتمهای EEG از روی ضرایب ویولت
🔻    استخراج ویژگی از سیگنال EEG در حوزه زمان-فرکانس(ویولت)
 
6⃣ فصل6 : انتخاب ویژگی
🔸   نحوه ترکیب ویژگیهای استخراج شده در سه حوزه زمان، فرکانس(فوریه) و ویولت
🔹    نحوه نرمالسازی ویژگیهای استخراج شده در سه حوزه مختلف
🔸    مفهوم انتخاب ویژگی
🔹    انواع روشهای انتخاب ویژگی
🔸    مفهوم p-value
🔹    انتخاب ویژگیهای مناسب با استفاده از روش آماری T-test
🔸     انتخاب ویژگیهای مناسب با استفاده از روش آماری آنوا(anova)
🔹    انتخاب ویژگی های مناسب با استفاده از روش جستجوی بهینه(SFFS)
 
7⃣ فصل7 : انتخاب باندهای فرکانسی بهینه سیگنال EEG در مسائل مختلف
🔹    انتخاب باندهای فرکانسی بهینه سیگنال EEG با کمک روشهای اسکالر(filter methods)
🔸   انتخاب باندهای فرکانسی بهینه سیگنال EEG با کمک روشهای برداری -ترکیبی(wrapper methods)
 
8⃣ فصل8:طبقه بندی سیگنال EEG مبتنی بر تسک تصور حرکتی
🔸    مفاهیم پایه در مورد سیگنال eeg مبتنی بر تسک تصور حرکتی
🔹    مراحل انجام پروژه bci
🔸    معرفی پایگاه داده bci-competition
🔹    استخراج اطلاعات مرتبط با تسک تصور حرکتی(ریتم میو و بتا)
🔸  برجسته سازی اطلاعات کانالها ( Source
localization car)
🔷   طبقه بندی سیگنال eeg مبتنی بر تسک تصور حرکتی
🔶    انتخاب کانالهای بهینه سیگنال eeg با کمک روشهای اسکالر(filter methods)
🔷    انتخاب کانالهای بهینه سیگنال eeg با کمک روشهای ترکیبی(wrapper methods)
 ➖➖➖➖➖➖➖➖➖➖➖➖
⭕️جزئیات بیشتر 👇
🌀https://onlinebme.com/product/eeg-signal-processing/

🏢 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

📜تاریخچه‌ی مختصر از واسط مغز و کامپیوتر

💬 واسط مغز و کامپیوتر(BCI) سیستمی است که تبادل داده را به صورت مستقیم بین مغز و دستگاه های الکترونیکی فراهم می کند. به این ترتیب می توان داده ها را به دستگاه خارجی هدایت کرد و همچنین آن ها را از دستگاه ها دریافت کرد. اگرچه فناوری BCI عمدتا در زمینه های پزشکی و نظامی مورد استفاده قرار می گیرد، اما با گذشت زمان موارد استفاده از آن در حال گسترش هستند.

🧑‍💻نویسنده: امیررضا جهانی

✍ اولین تحقیقات BCI در مورد انسان در دهه 1960 انجام شده است. در این مطالعه، توانایی کنترل ماشین اسلاید به روش الکتروانسفالوگرافی (EEG) برای افراد فراهم شده، که امواج مغزی را اندازه گیری می کند. این مطالعه آغاز یک تحقیق کامل شناخته می شود چراکه در آن زمان هنوز BCI شناخته نشده بود. تولد واقعی اصطلاح “واسط مغز و کامپیوتر” در دهه 1970 اتفاق افتاد.

⭕️جزئیات بیشتر 👇
🌀https://onlinebme.com/a-brief-history-of-brain-computer-interface/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme