✅آشکارسازی لبه‌های تصویر با الگوریتم canny
✍ فیلتر canny یک روش آشکارساز لبه در پردازش تصویر است که از یک الگوریتم 5 مرحله ای برای آشکارسازی رنج گسترده ای از لبه های تصویر استفاده می‌کند. فیلتر canny برای اولین بار توسط John F.,canny در سال 1986 مطرح شد.

 🟠⚫️ فیلتر canny برای آشکارسازی لبه های تصویر، از یک الگوریتم 5 مرحله اساسی استفاده می‌کند:
🔷کاهش نویز تصویر
🔷محاسبه گرادیان تصویر
🔷سرکوب/حذف نقاط غیربیشینه
🔷آستانه گذاری دوگانه
🔷دنبال کردن لبه‌های تصویر با روش hysteresis

💡 در این مقاله میخواهیم نحوه آشکارسازی لبه‌های تصویر توسط فیلتر canny را توضیح دهیم.

⭕️جزئیات بیشتر👇👇
https://onlinebme.com/canny-edge-detection-algorithm/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ انتگرال تصویر و کاربرد آن در پردازش تصویر
✍ انتگرال تصویر یک روش سریع و موثر برای محاسبه جمع مقادیر پیکسهای یک تصویر است. در پردازش تصویر در اکثر مواقع از انتگرال تصویر برای محاسبه میانگین شدت روشنایی تصویر استفاده می‌کنند. انتگرال تصویر تعداد عملیات محاسباتی را به میزان قابل توجهی کاهش می‌دهد و باعث می‌شود که زمان اجرا بسیار کاهش یابد. تعداد عملیات استفاده شده برای محاسبه میانگین یک پیکسل از روی انتگرال تصویر در همسایگی های مختلف 4 هست، در حالی که در روال معمول این تعداد بسیار بالا هست.
⭕️جزئیات بیشتر👇👇
https://onlinebme.com/image-integral

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ پیاده سازی مقاله فیلترهای مکانی مشترک رگوله شده(Regularized CSP)

✍ یکی از معروفترین روشهای استخراج ویژگی در واسط مغز و کامپیوتر مبتنی بر تسک تصور حرکتی، فیلترهای مکانی مشترک(CSP) هست. CSP علارغم کارایی خیلی خوبی که دارد، به نویز بسیار حساس هست و احتمال overfitting بالایی دارد. برای حل این مشکل الگوریتم regularized CSP مطرح شده است. در این دوره الگوریتم RCSP طبق یک مقاله تخصصی به صورت مرحله به مرحله پیاده سازی شده و عملکرد آن در یک پروژه عملی مورد ارزیابی قرار می‌گیرد.

⭕️ جزئیات بیشتر👇👇
https://onlinebme.com/product/regularized-common-spatial-patterns

#پیاده‌سازی_مقاله #پروژه_محور

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ ترجمه سیگنال های مغزی به گفتار و بازیابی گفتار یک فرد فلج
🔷 در دانشگاه UC سانفرانسیسکو، محققان دستگاه "نوروپروتز گفتار" (speech neuroprosthesis) را تولید کردند که امکان ایجاد ارتباط با جملات را به فرد فلج می دهد. این دستگاه قادر است تا سیگنال های مغزی فرد فلج را به متن ترجمه کند.
🔸 این اولین مطالعه ای هست که در آن فعالیت مغزی فرد معلول در قشر گفتار به کلمات کامل ترجمه می شوند.
🔹  این پیشرفت، مسیر را برای تکنولوژیهای جدید جهت بازیابی طبیعی و ارتباطات سریع در افراد با معلولیت شدید را هموار می‌کند. 

⭕️ جزئیات بیشتر👇👇
https://onlinebme.com/brain-signals-translated-into-speech-give-paralyzed-man-back-his-words/
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ پکیجهای آموزشی onlinebme
⚠️اولین گروه آموزشیِ تخصصی و پروژه محور

⭕️⭕️ اصول برنامه‌نویسی در متلب (رایگان)
مدت دوره: 11 ساعت
🌀 https://onlinebme.com/course/matlab/
➖➖➖➖➖➖➖➖➖➖➖

⭕️⭕️ پیاده سازی گام به گام شبکه های عصبی
مدت دوره: 25 ساعت
🌀 https://onlinebme.com/course/neural-networks-in-matlab/
➖➖➖➖➖➖➖➖➖➖➖
دوره های تخصصی و پروژه محور پردازش سیگنال EEG

⭕️⭕️ دوره جامع پردازش سیگنال مغزی(EEG)
مدت دوره: 50 ساعت
🌀 https://onlinebme.com/product/eeg-signal-processing/

⭕️⭕️ واسط مغز و کامپیوتر مبتنی بر SSVEP
مدت دوره: 33 ساعت
🌀https://onlinebme.com/product/bci_ssvep/

⭕️⭕️ پردازش سیگنال مغزی(EEG) مبتنی بر تسک تصور حرکتی (BCI)
مدت دوره: 21 ساعت
🌀 https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

⭕️⭕️ پیاده سازی مقاله CSSP (واسط مغز-کامپیوتر مبتنی بر تصورحرکتی)
مدت دوره: 7 ساعت و 30 دقیقه
🌀https://onlinebme.com/product/common-spetio-spectral-patterns

⭕️⭕️ پیاده سازی مقاله RCSP (واسط مغز-کامپیوتر مبتنی بر تصورحرکتی)
مدت دوره: 5 ساعت
🌀 https://onlinebme.com/product/regularized-common-spatial-patterns

➖➖➖➖➖➖➖➖➖➖➖➖➖➖
✅ دوره شناسایی الگو و یادگیری ماشین (اولین دوره جامع و تخصصی در ایران)
⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی

🟣▪️پترن و یادگیری ماشین (فصل یک تا 4): از بیزین تا SVM
مدت دوره: 75 ساعت
🌀 https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

🔵▪️پترن و یادگیری ماشین (فصل 5): یادگیری جمعی (Ensemble learning)
مدت دوره: 18 ساعت
🌀 https://onlinebme.com/product/ensemble-learning/

🟢▪️پترن و یادگیری ماشین (فصل 6): کاهش بعد (dimensionality reduction)
مدت دوره: 11 ساعت
🌀 https://onlinebme.com/product/dimension-reduction-using-lda-pca/

🔴▪️پترن و یادگیری ماشین (فصل 7): انتخاب ویژگی (feature selection)
مدت دوره: 16 ساعت
🌀https://onlinebme.com/product/season07-featrue-selection/


🟠▪️فصل هشتم: خوشه بندی ( clustering)
مدت دوره: 13 ساعت
🌀https://onlinebme.com/product/pattern-season08-clustering/

➖➖➖➖➖➖➖➖➖➖➖➖➖

✅ دوره جامع پردازش تصویر
🟠فصل اول: مباحث مقدماتی، آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
مدت دوره: 30 ساعت
🌀https://onlinebme.com/product/image-processing-chapter1

🔵فصل دوم: پردازش هیستوگرام تصویر
مدت دوره : 6 ساعت و 30 دقیقه
🌀https://onlinebme.com/product/image-prcessing-chapter2

🟠فصل سوم: فیلترهای مکانی
مدت دوره : 15 ساعت و 30 دقیقه
🌀https://onlinebme.com/product/spatial-filters-in-image-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅نحوه تنظیم پارامترهای شبکه عصبی در پروژه های عملی

✍شبکه‌‎های عصبی به خاطر کارایی خوبی که دارند امروزه به طور وسیع از آنها در مسائل مختلف استفاده می‌کنند. اما نحوه استفاده بهینه از یک شبکه عصبی در پروژه ها یک چالش اساسی برای محققین هست. عوامل مختلفی هستند که تاثیر زیادی در عملکرد شبکه عصبی می‌گذارند، برای همین اگر آنها را به درستی تنظیم نکنیم، شبکه عصبی به خوبی عمل نخواهد کرد. در این مقاله میخواهیم توضیح دهیم که چطور میتوان از یک شبکه عصبی در پروژه های تخصصی به طور بهینه استفاده کرد.

💡عواملی که میتوانند دلیل خوب عمل نکردن یک شبکه عصبی باشند:
🔺 تعیین لیبلهای نامناسب برای پایگاه داده
🔻 پایگاه داده نامناسب
🔺 مقدار دهی نامناسب وزنهای اولیه نورونها
🔻 تعیین نامناسب نرخ یادگیری و تعداد تکرارهای آموزش
🔺 نرمال نبودن ویژگی ها
🔻 تعیین ساختار نامناسب برای شبکه‌ی عصبی

⭕️جزئیات بیشتر 👇👇
https://onlinebme.com/neural-network-and-projects

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅تبدیل فوریه زمان کوتاه(short time fourier transform)

✍ در تبدیل فوریه زمان کوتاه(short time fourier transform) به جای اینکه تبدیل فوریه کل سیگنال محاسبه شود، تبدیل فوریه بازه های زمانی کوتاه محاسبه می شود و با اینکار تحلیل همزمان سیگنال در حوزه زمان و فرکانس را ممکن می سازد. تبدیل فوریه زمان کوتاه(STFT) برای تحلیل محتوای فرکانسی سیگنالی که در طول زمان تغییر می‌کند بسیار موثر و کابردی است. STFT به طور عمده برای تحلیل صوت و سیگنال مغزی استفاده می شود. در این مقاله  STFT و تفاوت آن با تبدیل فوریه را با یک مثال عملی توضیح میدهیم.

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/short-time-fourier-transform/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁 دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی(eeg)

✍ تبدیل فوریه زمان کوتاه(short time fourier transform) یک ابزار مناسب برای تحلیل همزمان سیگنال در حوزه زمان و فرکانس است. از تبدیل فوریه زمان کوتاه در پردازش سیگنالهای حیاتی، مخصوصا پردازش سیگنال مغزی(EEG) به طور گسترده ای استفاده می‌شود. در این دوره پروژه محور، در ابتدا تئوری و پیاده سازی تبدیل فوریه زمان کوتاه به طور مرحله به مرحله آموزش داده می‌شود، سپس نحوه رسم و تحلیل اسپکتروگرام سیگنال آموزش داده شده و در نهایت نحوه استفاده از تبدیل فوریه زمان کوتاه در استخراج ویژگی از سیگنال مغزی آموزش داده می‌شود.

مدرس دوره: محمد نوری زاده چرلو
مدت زمان دوره: 8 ساعت

⭕️جزئیات بیشتر 👇👇
https://onlinebme.com/product/short-time-fourier-transform-and-eeg/

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ به دوستانی که دوره پردازش سیگنال مغزی را نگاه کرده اند پیشنهاد میکنم حتما این دوره کوتاه مدت رو هم نگاه کنند. 👌