onlinebme
داستان یک کامپیوتر بلندپرواز به نام A.N.N! 🔹خنگ دوست داشتنی😅 ✔️ @OnlineBME
✅راهی جدید برای توضیح شبکه های عصبی
👩🏫نویسنده: هما کاشفی امیری
✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.
منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
👩🏫نویسنده: هما کاشفی امیری
✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.
منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
TechCrunch
A new way to explain neural networks
By now, most of us have a general idea of what a neural network is, at least insomuch as its role in enabling the “machine learning” part of what’s considered AI today. Also known as deep learning, neural networks are the algorithmic constructs that enable…
onlinebme
✋ دست لاستیکی ساختگی (#illusion) نشان می دهد که چگونه مغز بدن را درک می کند!🤦♂🤦♀ ✍ دانشمندان از یک حقه ( یک دست جعلی) استفاده می کنند تا کشف کنند که چگونه ذهن اطلاعات را از حواس جمع می کند تا احساس مالکیت بدن برای فرد ایجاد کند. 🔺 یه سری آزمایش انجام شده…
✅ بیمار فلجی که دوباره حس لامسه پیدا کرد!
خلاصه:
دانشمندان با استفاده از آرایه ای از الکترودهای کاشته شده در قشر Somatosensory مغز، احساسات لمس و حرکت در دست و بازوی مرد فلج را بازگرداندند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ برای اولین بار، دانشمندان Caltech با تحریک یک ناحیه مغز توسط یک آرایه کوچک از الکترودها، احساسات طبیعی (لمس و حرکت) در بازوی یک مرد فلج شده ایجاد کرده اند. بیمار دارای ضایعه نخاعی سطح بالا بود و علاوه بر عدم توانایی حرکت اندام خود، هیچ احساسی در اندام خود نداشت. این کار می تواند به بیماران فلج شده یک روز اجازه دهد تا با استفاده از اعصاب مصنوعی، احساسِ بازخورد فیزیکیِ سنسورهای قرار داده شده در این دستگاه ها را داشته باشند.
این تحقیق در آزمایشگاه ریچارد آندرسن، استاد علوم اعصاب و جیمز بوسول، مدیر مرکز مغز و اعصاب T & C Chen انجام شده است که یک مقاله توصیفی درباره این پژوهش در مجله eLife به چاپ رسیده است.
قشر Somatosensory یک بخشی از مغز است که حواس های جسمی، احساسات تجربی (حرکت یا موقعیت بدن در فضا) و احساسات پوستی (فشار، لرزش، لمس و ...) را کنترل می کند. در پژوهشهای قبلی، ایمپلنت های عصبی قرار داده شده در مناطق مغزی مشابه، عمدتا احساساتی مانند سوزش یا وزوز در دست را ایجاد کرده بودند. ایمپلنت آزمایشگاه آندرسن قادر است احساسات بسیار طبیعی (شبیه به احساساتی است که بیمار قبل از آسیبش تجربه کرده است) را از طریق تحریک داخل مغزی ایجاد کند.
بیمار سه سال قبل پس از یک آسیب نخاعی، از شانه ها فلج شده بود. دو آرایه از الکترود های کوچک به صورت تهاجمی در قشر Somomatosensory کاشته شدند.از طریق این آرایه های کاشته شده، محققان با استفاده از پالس های بسیار کوچک، نورون های منطقه را تحریک کردند. بیمار بعد از تحریک عصبی احساسات طبیعی مختلفی از قبیل فشار دادن، ضربه زدن، احساس حرکت به سمت بالا و ... را تجربه کرد که در نوع، شدت و مکان بسته به فرکانس، دامنه و موقعیت تحریک آرایه ها متفاوت است. این برای اولین بار است که احساسات طبیعی توسط تحریک عصبی داخل مغزی ایجاد شده است.
اینکه بیمار در مورد احساسات صحبت میکرد خیلی جالب بود. که امیدواریم این پژوهش در آینده کمک به بیماران فلج کمک کند تا احساسات طبیعی خود را دوباره بدست بیاورند.
اگر چه تحریکهای مختلفی موجب ایجاد احساسات مختلف می شوند، ولی هنوز کدهای عصبی‌ای که بخشهای مخلتف حسی را کنترل میکنند، مشخص نیست. در کارهای آینده، محققان امیدوارند که روش دقیق برای قرار دادن الکترود و تحریک مناطق مغزی سموتوسنسوری جهت ایجاد احساسات خاص و ایجاد dictionary تحریک و احساسات مرتبط با آن، تعیین کنند.
طبق گفته آندرسن، گام بزرگ بعدی این است که این فناوری را با پروتزهای عصبی موجود ترکیب کنند. در سال 2015، آزمایشگاه آندرسن، یک واسط مغز و کامپیوتری توسعه دادند که بازوی رباتیک پروتز را به الکترودهایی که در ناحیه مغز به کار گرفته شده بود، متصل کردند. به این ترتیب، یک مرد فلج شده توانست با استفاده از بازوی پروتز یک لیوان را بلند کرده و آب بنوشد. اتصال دستگاه با قشر Somatosensory باعث ایجاد شاخص های BMI دو طرفه می شود که یک فرد فلج شده در عین حال که از اندامهای پروتز استفاده میکند، دوباره احساس لامسه و حرکت را داشته باشد.
آندرسن می گوید: "در حال حاضر تنها بازخوردی که برای پروتز های عصبی در دسترس است، بصری است، به این معنی که شرکت کنندگان می توانند عملکردهای اندام های رباتیک را نگاه کرده و حرکت را تنظیم کنند.
"با این حال، هنگامی که یک شیء لمس می شود، ضروری است که اطلاعات سوسومسوزورسیم را داشته باشیم تا راحتتر object را جابجا کنیم. احساسات somatosensory ناشی از تحریک، مزیت بالقوه ای را برای تولید یک حس تجسمی دارند؛ مثلا یک بیمار ممکن است در طول زمان احساس کند که اندام روباتیک بخشی از بدن آن است. "
منبع:
https://www.sciencedaily.com/releases/2018/04/180410084233.htm
#خبر
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
#bci
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME
خلاصه:
دانشمندان با استفاده از آرایه ای از الکترودهای کاشته شده در قشر Somatosensory مغز، احساسات لمس و حرکت در دست و بازوی مرد فلج را بازگرداندند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ برای اولین بار، دانشمندان Caltech با تحریک یک ناحیه مغز توسط یک آرایه کوچک از الکترودها، احساسات طبیعی (لمس و حرکت) در بازوی یک مرد فلج شده ایجاد کرده اند. بیمار دارای ضایعه نخاعی سطح بالا بود و علاوه بر عدم توانایی حرکت اندام خود، هیچ احساسی در اندام خود نداشت. این کار می تواند به بیماران فلج شده یک روز اجازه دهد تا با استفاده از اعصاب مصنوعی، احساسِ بازخورد فیزیکیِ سنسورهای قرار داده شده در این دستگاه ها را داشته باشند.
این تحقیق در آزمایشگاه ریچارد آندرسن، استاد علوم اعصاب و جیمز بوسول، مدیر مرکز مغز و اعصاب T & C Chen انجام شده است که یک مقاله توصیفی درباره این پژوهش در مجله eLife به چاپ رسیده است.
قشر Somatosensory یک بخشی از مغز است که حواس های جسمی، احساسات تجربی (حرکت یا موقعیت بدن در فضا) و احساسات پوستی (فشار، لرزش، لمس و ...) را کنترل می کند. در پژوهشهای قبلی، ایمپلنت های عصبی قرار داده شده در مناطق مغزی مشابه، عمدتا احساساتی مانند سوزش یا وزوز در دست را ایجاد کرده بودند. ایمپلنت آزمایشگاه آندرسن قادر است احساسات بسیار طبیعی (شبیه به احساساتی است که بیمار قبل از آسیبش تجربه کرده است) را از طریق تحریک داخل مغزی ایجاد کند.
بیمار سه سال قبل پس از یک آسیب نخاعی، از شانه ها فلج شده بود. دو آرایه از الکترود های کوچک به صورت تهاجمی در قشر Somomatosensory کاشته شدند.از طریق این آرایه های کاشته شده، محققان با استفاده از پالس های بسیار کوچک، نورون های منطقه را تحریک کردند. بیمار بعد از تحریک عصبی احساسات طبیعی مختلفی از قبیل فشار دادن، ضربه زدن، احساس حرکت به سمت بالا و ... را تجربه کرد که در نوع، شدت و مکان بسته به فرکانس، دامنه و موقعیت تحریک آرایه ها متفاوت است. این برای اولین بار است که احساسات طبیعی توسط تحریک عصبی داخل مغزی ایجاد شده است.
اینکه بیمار در مورد احساسات صحبت میکرد خیلی جالب بود. که امیدواریم این پژوهش در آینده کمک به بیماران فلج کمک کند تا احساسات طبیعی خود را دوباره بدست بیاورند.
اگر چه تحریکهای مختلفی موجب ایجاد احساسات مختلف می شوند، ولی هنوز کدهای عصبی‌ای که بخشهای مخلتف حسی را کنترل میکنند، مشخص نیست. در کارهای آینده، محققان امیدوارند که روش دقیق برای قرار دادن الکترود و تحریک مناطق مغزی سموتوسنسوری جهت ایجاد احساسات خاص و ایجاد dictionary تحریک و احساسات مرتبط با آن، تعیین کنند.
طبق گفته آندرسن، گام بزرگ بعدی این است که این فناوری را با پروتزهای عصبی موجود ترکیب کنند. در سال 2015، آزمایشگاه آندرسن، یک واسط مغز و کامپیوتری توسعه دادند که بازوی رباتیک پروتز را به الکترودهایی که در ناحیه مغز به کار گرفته شده بود، متصل کردند. به این ترتیب، یک مرد فلج شده توانست با استفاده از بازوی پروتز یک لیوان را بلند کرده و آب بنوشد. اتصال دستگاه با قشر Somatosensory باعث ایجاد شاخص های BMI دو طرفه می شود که یک فرد فلج شده در عین حال که از اندامهای پروتز استفاده میکند، دوباره احساس لامسه و حرکت را داشته باشد.
آندرسن می گوید: "در حال حاضر تنها بازخوردی که برای پروتز های عصبی در دسترس است، بصری است، به این معنی که شرکت کنندگان می توانند عملکردهای اندام های رباتیک را نگاه کرده و حرکت را تنظیم کنند.
"با این حال، هنگامی که یک شیء لمس می شود، ضروری است که اطلاعات سوسومسوزورسیم را داشته باشیم تا راحتتر object را جابجا کنیم. احساسات somatosensory ناشی از تحریک، مزیت بالقوه ای را برای تولید یک حس تجسمی دارند؛ مثلا یک بیمار ممکن است در طول زمان احساس کند که اندام روباتیک بخشی از بدن آن است. "
منبع:
https://www.sciencedaily.com/releases/2018/04/180410084233.htm
#خبر
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
#bci
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME
ScienceDaily
Paralyzed patient feels sensation again
Using a tiny array of electrodes implanted in the brain's somatosensory cortex, scientists have induced sensations of touch and movement in the hand and arm of a paralyzed man.
✅آیا بیماران به کما رفته زنده می مانند یا می میرند؟
✍️یادگیری ماشین به این تصمیم گیری کمک می کند.
یک الگوریتم به محققان چینی کمک می کند تا تعیین کنند آیا یک بیمار کما دوباره بیدار می شود یا خیر
👩🏫نویسنده: هما کاشفی امیری
زمانی که فردی به کما می رود، تمام توانایی های حرکتی خود را از دست می دهد. فعالیت مغز به طور قابل توجهی آهسته می شود. در برخی از موارد، هیچ محرک خارجی مانند نور و حرکت دادن نمی تواند این بیماران به کما رفته را بیدار کند. تعیین وضعیت آینده ی آنها اغلب دشوار است. آیا آنها دوباره بیدار خواهند شد؟
متخصصان مغز و اعصاب چینی در آکادمی علوم و بیمارستان عمومی PLA در پکن در تلاشند تا ابزاری را توسعه دهند که به پزشکان در ارزیابی دقیق وضعیت بیماران به کما رفته کمک کند. اما آنها به نسل پزشکانی رسیدند که قبل از آن هرگز آنها را ملاقات نکرده بودند: پزشکان ماشینی. الگوریتم های این چنینی بخشی از منبع در حال رشد ابزارهای داده محور هستند که می توانند از نظر عاطفی به اعضای خانواده ی بیمار و پزشکان کمک کنند تا در مورد درمان بیمار تصمیم گیری کنند و یا زمان خداحافظی آنها از این جهان را تعیین کنند.
محققان داده های fMRI (تصویربرداری رزونانس مغناطیسی کارکردی) را از هزاران بیماران به کما رفته جمع آوری کردند و به الگوریتم های یادگیری ماشین دادند. این اطلاعات به این الگوریتم ها کمک می کند تا تعیین کنند چقدر احتمال دارد یک بیمار زنده بماند.
نتایج آن بسیار امیدوار کننده به نظر می رسند. محققان این آکادمی گفتند: «ما وضعیت تعدادی از بیماران را به درستی پیش بینی کردیم که هیچ امیدی به بهبود آنها نبود»
دقت این الگوریتم 90 درصد است. و آنها از این روش برای بیش از 300 بیمار در سراسر چین استفاده کردند. آنها امیدوارند که تکنولوژی مشابه بتواند به تعیین وضعیت بیش از 50000 بیماری که دارای اختلال مزمن آگاهی در چین هستند کمک کند.
دانشمند عصب شناسی و بنیانگذار starmind که یک شرکت سوئیسی است می گوید بیماران به کما رفته برای این نوع تکنولوژی های یادگیری ماشین می توانند بسیار کمک کننده باشند. او در توسعه ی الگوریتم های هوش مصنوعی کار می کند. در واقع ماشین ها در تحلیل این نوع داده های بیولوژیکی پیچیده نسبت به انسان ها بهتر عمل می کنند.
محققان در پکن اینطور نتیجه گیری نمی کنند که ماشین ها می توانند کلام آخر را در مورد مرگ یا ادامه ی زندگی یک بیمار کما بگویند. یانگ یی پزشک بخش عصب شناسی در بیمارستان عمومی PLA و محقق پروژه ی تحقیقاتی به SCMP اینطور می گوید" زمانی که خانواده ی بیمار را از پیش بینی هوش مصنوعی آگاه می کنیم همیشه به آنها می گوییم که این نتیجه باید به میزان 20 تا 50 درصد روی تصمیم آنها اثر بگذارد
کافمن با این مسئله موافق است و می گوید ارزیابی سیستم کامپیوتری تنها باید زمانی مهم تلقی شود که پزشکان شرایط را ناامید کننده توصیف کرده اند. زمانی که یک پزشک انسانی می گوید این بیمار دیگر هرگز بیدار نخواهد شد، سناریو وحشتناک خواهد بود. شما در واقع می گویید شاید بیمار شما زنده نماند و این نتیجه گیری تنها با توجه به ورودی سیستم است.
اینکه به کامپیوتر این اجازه را بدهیم که در مورد زندگی و یا مرگ بیمار تصمیم بگیرد مانند یک قسمت از Black Mirror است اما کمک بزرگی به پزشکان خواهد بود.
اما زمانی را تصور کنید که ماشین ها به تنهایی برای زندگی یا مرگ بیمار تصمیم می گیرند بدون اینکه دخالت انسانی در کار باشد!
منبع:
https://futurism.com/machine-learning-coma-patients-live
#خبر
#هوش_مصنوعی
#یادگیری_ماشین
#کما
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME
✍️یادگیری ماشین به این تصمیم گیری کمک می کند.
یک الگوریتم به محققان چینی کمک می کند تا تعیین کنند آیا یک بیمار کما دوباره بیدار می شود یا خیر
👩🏫نویسنده: هما کاشفی امیری
زمانی که فردی به کما می رود، تمام توانایی های حرکتی خود را از دست می دهد. فعالیت مغز به طور قابل توجهی آهسته می شود. در برخی از موارد، هیچ محرک خارجی مانند نور و حرکت دادن نمی تواند این بیماران به کما رفته را بیدار کند. تعیین وضعیت آینده ی آنها اغلب دشوار است. آیا آنها دوباره بیدار خواهند شد؟
متخصصان مغز و اعصاب چینی در آکادمی علوم و بیمارستان عمومی PLA در پکن در تلاشند تا ابزاری را توسعه دهند که به پزشکان در ارزیابی دقیق وضعیت بیماران به کما رفته کمک کند. اما آنها به نسل پزشکانی رسیدند که قبل از آن هرگز آنها را ملاقات نکرده بودند: پزشکان ماشینی. الگوریتم های این چنینی بخشی از منبع در حال رشد ابزارهای داده محور هستند که می توانند از نظر عاطفی به اعضای خانواده ی بیمار و پزشکان کمک کنند تا در مورد درمان بیمار تصمیم گیری کنند و یا زمان خداحافظی آنها از این جهان را تعیین کنند.
محققان داده های fMRI (تصویربرداری رزونانس مغناطیسی کارکردی) را از هزاران بیماران به کما رفته جمع آوری کردند و به الگوریتم های یادگیری ماشین دادند. این اطلاعات به این الگوریتم ها کمک می کند تا تعیین کنند چقدر احتمال دارد یک بیمار زنده بماند.
نتایج آن بسیار امیدوار کننده به نظر می رسند. محققان این آکادمی گفتند: «ما وضعیت تعدادی از بیماران را به درستی پیش بینی کردیم که هیچ امیدی به بهبود آنها نبود»
دقت این الگوریتم 90 درصد است. و آنها از این روش برای بیش از 300 بیمار در سراسر چین استفاده کردند. آنها امیدوارند که تکنولوژی مشابه بتواند به تعیین وضعیت بیش از 50000 بیماری که دارای اختلال مزمن آگاهی در چین هستند کمک کند.
دانشمند عصب شناسی و بنیانگذار starmind که یک شرکت سوئیسی است می گوید بیماران به کما رفته برای این نوع تکنولوژی های یادگیری ماشین می توانند بسیار کمک کننده باشند. او در توسعه ی الگوریتم های هوش مصنوعی کار می کند. در واقع ماشین ها در تحلیل این نوع داده های بیولوژیکی پیچیده نسبت به انسان ها بهتر عمل می کنند.
محققان در پکن اینطور نتیجه گیری نمی کنند که ماشین ها می توانند کلام آخر را در مورد مرگ یا ادامه ی زندگی یک بیمار کما بگویند. یانگ یی پزشک بخش عصب شناسی در بیمارستان عمومی PLA و محقق پروژه ی تحقیقاتی به SCMP اینطور می گوید" زمانی که خانواده ی بیمار را از پیش بینی هوش مصنوعی آگاه می کنیم همیشه به آنها می گوییم که این نتیجه باید به میزان 20 تا 50 درصد روی تصمیم آنها اثر بگذارد
کافمن با این مسئله موافق است و می گوید ارزیابی سیستم کامپیوتری تنها باید زمانی مهم تلقی شود که پزشکان شرایط را ناامید کننده توصیف کرده اند. زمانی که یک پزشک انسانی می گوید این بیمار دیگر هرگز بیدار نخواهد شد، سناریو وحشتناک خواهد بود. شما در واقع می گویید شاید بیمار شما زنده نماند و این نتیجه گیری تنها با توجه به ورودی سیستم است.
اینکه به کامپیوتر این اجازه را بدهیم که در مورد زندگی و یا مرگ بیمار تصمیم بگیرد مانند یک قسمت از Black Mirror است اما کمک بزرگی به پزشکان خواهد بود.
اما زمانی را تصور کنید که ماشین ها به تنهایی برای زندگی یا مرگ بیمار تصمیم می گیرند بدون اینکه دخالت انسانی در کار باشد!
منبع:
https://futurism.com/machine-learning-coma-patients-live
#خبر
#هوش_مصنوعی
#یادگیری_ماشین
#کما
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME
Futurism
Should Coma Patients Live or Die? Machine Learning Will Help Decide.
A team of Chinese researchers has created software that can predict whether a coma patient will wake up or not. Can it replace human decision-making?
✅ چگونه هر چیزی را سریع تر یاد بگیریم؟🤔🧐
👩💻 نویسنده: معصومه دلگرمی
✍ دو برنده ی نوبل و یک کار آفرین موفق بهترین ترفند های ممکن برای یادگیری سریع و بهتر را به اشتراک می گذارند.
در دنیایی که شامل نظریه ی نسبیت ، نمایش نامه های شکسپیر و ارتباطات ابر رایانه ای است یافتن اشخاصی که در مورد چگونگی یادگیری سریع تر و بهتر توضیح داده باشند کار دشواری نیست. خوشبختانه نابغه هایی که در پشت این افکار قرار دارند تمایل زیادی دارند تا راهنمایی های خود را به اشتراک بگذارند. در حقیقت شخصیت هایی مثل آلبرت انشتین ، برنده ی جایزه ی نوبل فیزیک Richard Feynman و یک کارآفرین نابغه به نام Elon Musk ، برای تسریع در یادگیری یک موضوعی راه حل و توصیه های کاربردی و عملی ارائه می دهند.
1- آلبرت انشتین : از خودت لذت ببر
انشتین شاید انقلابی ایجاد کرده باشد که چگونه دنیای پیرامون خود را بشناسیم. اما او برای انجام این کار ، هرگز خستگی در کارش راه نداد.
طبق نظر وی ، هرچه بیشتر بتوانید از یادگیری لذت ببرید آنگاه احتمال بیشتری وجود دارد که اطلاعات را سریعتر و بهتر در مغز خود جمع آوری کرده و پیشرفت کنید.
در سال 1915 او به پسر 11 ساله اش ، هانس آلبرت که در تلاش برای یادگیری پیانو بود گفت : "بسیار خوشحالم که از نواختن پیانو لذت می بری.....اگر آهنگی تو را شاد و خشنود می کند با پیانو آن را بنواز حتی اگر معلم برایت تعیین نکرده باشد.
این روش برای یادگیری بیشتر و بهتر استفاده می شود که وقتی کاری را با چنان لذت انجام می دهی متوجه گذر زمان نخواهی شد. من گاهی چنان سرگرم کارم می شوم که غذای ظهرم را فراموش میکنم."
2- Richard Feynman : توضیح دادن به کودک
ریچارد فیمن ، برنده ی جایزه ی نوبل فیزیک در حوزه ی مکانیک کوانتوم که یکی از دشوارترین موضوعاتی است که توسط ذهن بشر به راحتی قابل درک نیست. با این حال توصیه ی او برای تسریع در روند یادگیری ، این است که هرچیزی که میخواهیم مطالعه کنیم را به ساده ترین شکل ممکن تبدیل کنیم به طوریکه برای یک کودک 8 ساله هم قابل درک باشد.
وقتی میخواهیم ایده ای را به ساده ترین شکل ممکن بنویسم به طوریکه یک کودک 8 ساله هم بتواند آن را درک کند آنگاه ناچاریم تا در سطح عمیقی مفهوم را درک کنیم و روابط بین ایده ها را ساده تر کنیم . در طی تلاش و مبارزه انسان به درک درستی از شکاف های موجود می رسد و این تنش خوب است و فرصتی است برای یادگیری.
3- Elon Musk :
به علم همانند یک درخت بیاندیش!
انیشتین ممکن است درمیان برجسته‌ترین نوابغ تاریخ باشد، و Feynman میتواند برنده
جایزه نوبل شود، اماوقتی به تنوع گسترده یادگیری برسد، Muskمیتواند حتی دو فیزیکدان بزرگ را شکست دهد . او پس از همه اینها ، یک شرکت پرداخت‌های آنلاین در جهان را ساخت، در صنعت خودرو انقلابی ایجاد کرد، و جرات کرد دنیا رابه رویای رسیدن به مریخ
در دهه آینده تبدیل کند. این نشان‌دهنده گستره ی باورنکردنی دانش است.
او چگونه این همه چیز را در زمینه‌های مختلف یاد گرفت ؟ وقتی کسی از وی این سوال را می پرسید Muskخوشحال می شد که توضیح دهد. وی تاکید کرد: " اول، کمی اعتماد به نفس داشته باشید. سپس این استراتژی خاص را برای بهبود سرعت یادگیری به اشتراک گذاشت:
"دیدن دانش به عنوان یک درخت معنایی ، مهم است - - اطمینان حاصل کنید که
اصول بنیادی یعنی تنه وشاخه‌های بزرگ را قبل از وارد شدن به برگ‌ها ( جزئیات) درک می‌کنید و هیچ چیزی برای آویزان کردن آنها وجودندارد ."
منبع:
https://www.inc.com/jessica-stillman/3-geniuses-best-tips-to-accelerate-learning.html
#خبر
#یادگیری
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
👩💻 نویسنده: معصومه دلگرمی
✍ دو برنده ی نوبل و یک کار آفرین موفق بهترین ترفند های ممکن برای یادگیری سریع و بهتر را به اشتراک می گذارند.
در دنیایی که شامل نظریه ی نسبیت ، نمایش نامه های شکسپیر و ارتباطات ابر رایانه ای است یافتن اشخاصی که در مورد چگونگی یادگیری سریع تر و بهتر توضیح داده باشند کار دشواری نیست. خوشبختانه نابغه هایی که در پشت این افکار قرار دارند تمایل زیادی دارند تا راهنمایی های خود را به اشتراک بگذارند. در حقیقت شخصیت هایی مثل آلبرت انشتین ، برنده ی جایزه ی نوبل فیزیک Richard Feynman و یک کارآفرین نابغه به نام Elon Musk ، برای تسریع در یادگیری یک موضوعی راه حل و توصیه های کاربردی و عملی ارائه می دهند.
1- آلبرت انشتین : از خودت لذت ببر
انشتین شاید انقلابی ایجاد کرده باشد که چگونه دنیای پیرامون خود را بشناسیم. اما او برای انجام این کار ، هرگز خستگی در کارش راه نداد.
طبق نظر وی ، هرچه بیشتر بتوانید از یادگیری لذت ببرید آنگاه احتمال بیشتری وجود دارد که اطلاعات را سریعتر و بهتر در مغز خود جمع آوری کرده و پیشرفت کنید.
در سال 1915 او به پسر 11 ساله اش ، هانس آلبرت که در تلاش برای یادگیری پیانو بود گفت : "بسیار خوشحالم که از نواختن پیانو لذت می بری.....اگر آهنگی تو را شاد و خشنود می کند با پیانو آن را بنواز حتی اگر معلم برایت تعیین نکرده باشد.
این روش برای یادگیری بیشتر و بهتر استفاده می شود که وقتی کاری را با چنان لذت انجام می دهی متوجه گذر زمان نخواهی شد. من گاهی چنان سرگرم کارم می شوم که غذای ظهرم را فراموش میکنم."
2- Richard Feynman : توضیح دادن به کودک
ریچارد فیمن ، برنده ی جایزه ی نوبل فیزیک در حوزه ی مکانیک کوانتوم که یکی از دشوارترین موضوعاتی است که توسط ذهن بشر به راحتی قابل درک نیست. با این حال توصیه ی او برای تسریع در روند یادگیری ، این است که هرچیزی که میخواهیم مطالعه کنیم را به ساده ترین شکل ممکن تبدیل کنیم به طوریکه برای یک کودک 8 ساله هم قابل درک باشد.
وقتی میخواهیم ایده ای را به ساده ترین شکل ممکن بنویسم به طوریکه یک کودک 8 ساله هم بتواند آن را درک کند آنگاه ناچاریم تا در سطح عمیقی مفهوم را درک کنیم و روابط بین ایده ها را ساده تر کنیم . در طی تلاش و مبارزه انسان به درک درستی از شکاف های موجود می رسد و این تنش خوب است و فرصتی است برای یادگیری.
3- Elon Musk :
به علم همانند یک درخت بیاندیش!
انیشتین ممکن است درمیان برجسته‌ترین نوابغ تاریخ باشد، و Feynman میتواند برنده
جایزه نوبل شود، اماوقتی به تنوع گسترده یادگیری برسد، Muskمیتواند حتی دو فیزیکدان بزرگ را شکست دهد . او پس از همه اینها ، یک شرکت پرداخت‌های آنلاین در جهان را ساخت، در صنعت خودرو انقلابی ایجاد کرد، و جرات کرد دنیا رابه رویای رسیدن به مریخ
در دهه آینده تبدیل کند. این نشان‌دهنده گستره ی باورنکردنی دانش است.
او چگونه این همه چیز را در زمینه‌های مختلف یاد گرفت ؟ وقتی کسی از وی این سوال را می پرسید Muskخوشحال می شد که توضیح دهد. وی تاکید کرد: " اول، کمی اعتماد به نفس داشته باشید. سپس این استراتژی خاص را برای بهبود سرعت یادگیری به اشتراک گذاشت:
"دیدن دانش به عنوان یک درخت معنایی ، مهم است - - اطمینان حاصل کنید که
اصول بنیادی یعنی تنه وشاخه‌های بزرگ را قبل از وارد شدن به برگ‌ها ( جزئیات) درک می‌کنید و هیچ چیزی برای آویزان کردن آنها وجودندارد ."
منبع:
https://www.inc.com/jessica-stillman/3-geniuses-best-tips-to-accelerate-learning.html
#خبر
#یادگیری
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
Inc.com
Elon Musk, Albert Einstein, and Richard Feynman Explain How to Learn Anything Faster
Two Nobel laureates and a super entrepreneur share their best tricks for faster learning.
✅یادگیری عمیق چیست؟ یک راهنمای ساده با 8 مثال عملی
👩🏫نویسنده: هما کاشفی امیری
✍️اخیراً در این رابطه که ماشین ها می توانند کارهای انسان ها در کارخانه ها، انبارها، ادارات و خانه را به خوبی انجام دهند بحث های زیادی صورت گرفته است. با وجود اینکه تکنولوژی به سرعت در حال رشد است ممکن است عباراتی چون هوش مصنوعی، یادگیری ماشین، یادگیری عمیق همچنان برای شما گیج کننده باشد. می خواهیم 8 مثال عملی را ارائه کنیم که استفاده ی واقعی از تکنولوژی یادگیری عمیق را روشن سازد
با ما همراه باشید😊
یادگیری عمیق چیست؟🤔
حوزه ی هوش مصنوعی اساساً به این معناست که ماشین ها می توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این تعریف مشمول یادگیری ماشین هم می شود که در آن نیز ماشین ها یاد می گیرند با استفاده از تجربه و کسب مهارت و بدون دخالت انسان یاد بگیرند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم های الهام گرفته از مغز انسان از میزان زیادی از داده های مربوطه یاد می گیرند. همانطور که ما از تجربیات خود یاد می گیریم، الگوریتم های هوش مصنوعی می توانند یک تسک را چندین بار انجام دهند و هر بار نتایج خود را بهبود بخشند. ما به یادگیری عمیق اشاره کردیم زیرا شبکه های عصبی، لایه های متعدد (عمیقی) دارند که به آنها قابلیت یادگیری می دهد.
یادگیری ماشین به ماشین ها کمک می کند تا مسائل پیچیده را حتی زمانی که از یک مجموعه داده ی بسیار متنوع، بدون ساختار استفاده می کنیم تشخیص دهد. هرچقدر الگوریتم ها عمیق تر یادبگیرند، عملکرد بهتری دارند.
8 نمونه عملی از یادگیری عمیق
در عصری هستیم که ماشین ها می توانند مسائل پیچیده را بدون دخالت انسان حل کنند. آنها با چه مشکلاتی روبرو خواهند شد. در ادامه کارهایی را معرفی می کنیم که یادگیری عمیق به خوبی پشتیبانی می کند و همچنان با تزریق داده های بیشتر، الگوریتم های آنها در حال توسعه هستند:
1️⃣دستیاران مجازی
دستیاران مجازی مانند Alexa یا Siri یا Cortana ارائه دهندگان خدمات آنلاین از یادگیری عمیق برای درک گفتار و زبان انسانی استفاده می کنند تا گفتار آنها را در زمانی که با یکدیگر صحبت می کنند بفهمند.
2️⃣ترجمه
الگوریتم های یادگیری عمیق می توانند به طور خودکار ترجمه کنند. این قابلیت برای مسافران، تاجران و افراد دولتی بسیار مفید است.
3️⃣چشم اندازی برای کامیون های تحویل بار بدون راننده، هواپیماهای بدون سرنشین و اتومبیل های خودمختار
اینکه یک وسیله ی نقلیه ی خودمختار واقعیت های جاده را درک می کند و چگونه به آنها پاسخ می دهد و اینکه آیا در روبرویش خیابان است یا وسیله ی نقلیه ی دیگر همگی با الگوریتم های یادگیری عمیق و تزریق داده ی زیاد به آنها صورت می گیرد.
4️⃣چت بات ها و ربات های خدماتی
چت بات ها و ربات ها می توانند در بسیاری از شرکت ها به مشتریان خدمات ارائه دهند و به شیوه ای هوشمند و مفید سوالات متنی و شفاهی را به لطف الگوریتم های یادگیری عمیق بپرسند و پاسخ دهند.
5️⃣رنگ آمیزی تصاویر
تبدیل تصاویر سیاه و سفید به رنگی کاری بود که به طور سنتی توسط انسان انجام می شد. امروزه الگوریتم های یادگیری عمیق می توانند با استفاده از زمینه ها و اشیا در تصاویر و شناسایی آنها به طور زیبایی بازسازی و رنگ آمیزی کنند که نتایج آنها زیبا و چشمگیر است.
6️⃣تشخیص چهره
یادگیری عمیق برای تشخیص چهره نه تنها برای اهداف امنیتی بلکه برای تگ کردن افراد در پست های فیس بوک نیز مورد استفاده قرار می گیرد. و ممکن است در آینده اقلام جنس های مورد نیاز خود را در فروشگاه برداریم و تنها با یک برنامه ی تشخیص چهره مبالغ را پرداخت کنیم.
7️⃣پزشکی و داروسازی
از تشخیص بیماری و تومور تا نسخه ی داروهای شخصی، یادگیری عمیق بسیار موثر بوده و مورد توجه بزرگ ترین شرکت های دارویی و پزشکی است.
8️⃣خرید و سرگرمی شخصی
آیا تابحال در این رابطه فکر کرده اید که Netflix چطور به شما تماشای ویدیوی بعدی را پیشنهاد می کند؟ و یا اینکه آمازون لیستی از اجناس را پیشنهاد می دهد که احتمال دارد آنها را در آینده خریداری کنید و شما شگفت زده می شوید که اینها دقیقا همان اجناسی است که نیاز دارید؟ بله همه ی اینها کار یادگیری عمیق است.😊
منبع:
https://www.forbes.com/sites/bernardmarr/2018/10/01/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/#63e59b8f8d4b
#خبر
#هوش_مصنوعی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
👩🏫نویسنده: هما کاشفی امیری
✍️اخیراً در این رابطه که ماشین ها می توانند کارهای انسان ها در کارخانه ها، انبارها، ادارات و خانه را به خوبی انجام دهند بحث های زیادی صورت گرفته است. با وجود اینکه تکنولوژی به سرعت در حال رشد است ممکن است عباراتی چون هوش مصنوعی، یادگیری ماشین، یادگیری عمیق همچنان برای شما گیج کننده باشد. می خواهیم 8 مثال عملی را ارائه کنیم که استفاده ی واقعی از تکنولوژی یادگیری عمیق را روشن سازد
با ما همراه باشید😊
یادگیری عمیق چیست؟🤔
حوزه ی هوش مصنوعی اساساً به این معناست که ماشین ها می توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این تعریف مشمول یادگیری ماشین هم می شود که در آن نیز ماشین ها یاد می گیرند با استفاده از تجربه و کسب مهارت و بدون دخالت انسان یاد بگیرند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم های الهام گرفته از مغز انسان از میزان زیادی از داده های مربوطه یاد می گیرند. همانطور که ما از تجربیات خود یاد می گیریم، الگوریتم های هوش مصنوعی می توانند یک تسک را چندین بار انجام دهند و هر بار نتایج خود را بهبود بخشند. ما به یادگیری عمیق اشاره کردیم زیرا شبکه های عصبی، لایه های متعدد (عمیقی) دارند که به آنها قابلیت یادگیری می دهد.
یادگیری ماشین به ماشین ها کمک می کند تا مسائل پیچیده را حتی زمانی که از یک مجموعه داده ی بسیار متنوع، بدون ساختار استفاده می کنیم تشخیص دهد. هرچقدر الگوریتم ها عمیق تر یادبگیرند، عملکرد بهتری دارند.
8 نمونه عملی از یادگیری عمیق
در عصری هستیم که ماشین ها می توانند مسائل پیچیده را بدون دخالت انسان حل کنند. آنها با چه مشکلاتی روبرو خواهند شد. در ادامه کارهایی را معرفی می کنیم که یادگیری عمیق به خوبی پشتیبانی می کند و همچنان با تزریق داده های بیشتر، الگوریتم های آنها در حال توسعه هستند:
1️⃣دستیاران مجازی
دستیاران مجازی مانند Alexa یا Siri یا Cortana ارائه دهندگان خدمات آنلاین از یادگیری عمیق برای درک گفتار و زبان انسانی استفاده می کنند تا گفتار آنها را در زمانی که با یکدیگر صحبت می کنند بفهمند.
2️⃣ترجمه
الگوریتم های یادگیری عمیق می توانند به طور خودکار ترجمه کنند. این قابلیت برای مسافران، تاجران و افراد دولتی بسیار مفید است.
3️⃣چشم اندازی برای کامیون های تحویل بار بدون راننده، هواپیماهای بدون سرنشین و اتومبیل های خودمختار
اینکه یک وسیله ی نقلیه ی خودمختار واقعیت های جاده را درک می کند و چگونه به آنها پاسخ می دهد و اینکه آیا در روبرویش خیابان است یا وسیله ی نقلیه ی دیگر همگی با الگوریتم های یادگیری عمیق و تزریق داده ی زیاد به آنها صورت می گیرد.
4️⃣چت بات ها و ربات های خدماتی
چت بات ها و ربات ها می توانند در بسیاری از شرکت ها به مشتریان خدمات ارائه دهند و به شیوه ای هوشمند و مفید سوالات متنی و شفاهی را به لطف الگوریتم های یادگیری عمیق بپرسند و پاسخ دهند.
5️⃣رنگ آمیزی تصاویر
تبدیل تصاویر سیاه و سفید به رنگی کاری بود که به طور سنتی توسط انسان انجام می شد. امروزه الگوریتم های یادگیری عمیق می توانند با استفاده از زمینه ها و اشیا در تصاویر و شناسایی آنها به طور زیبایی بازسازی و رنگ آمیزی کنند که نتایج آنها زیبا و چشمگیر است.
6️⃣تشخیص چهره
یادگیری عمیق برای تشخیص چهره نه تنها برای اهداف امنیتی بلکه برای تگ کردن افراد در پست های فیس بوک نیز مورد استفاده قرار می گیرد. و ممکن است در آینده اقلام جنس های مورد نیاز خود را در فروشگاه برداریم و تنها با یک برنامه ی تشخیص چهره مبالغ را پرداخت کنیم.
7️⃣پزشکی و داروسازی
از تشخیص بیماری و تومور تا نسخه ی داروهای شخصی، یادگیری عمیق بسیار موثر بوده و مورد توجه بزرگ ترین شرکت های دارویی و پزشکی است.
8️⃣خرید و سرگرمی شخصی
آیا تابحال در این رابطه فکر کرده اید که Netflix چطور به شما تماشای ویدیوی بعدی را پیشنهاد می کند؟ و یا اینکه آمازون لیستی از اجناس را پیشنهاد می دهد که احتمال دارد آنها را در آینده خریداری کنید و شما شگفت زده می شوید که اینها دقیقا همان اجناسی است که نیاز دارید؟ بله همه ی اینها کار یادگیری عمیق است.😊
منبع:
https://www.forbes.com/sites/bernardmarr/2018/10/01/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/#63e59b8f8d4b
#خبر
#هوش_مصنوعی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
onlinebme
فرض کنید رباتی مانند زالو روی پوست بدنتان حرکت کند، چه احساسی خواهید داشت؟ نگران نباشید :) این ربات ناظر سلامتی شماست. ✔️ @OnlineBME
✅ربات چندش آور MIT که می تواند ناظر بر سلامتی شما باشد!
👩🏫نویسنده: هما کاشفی امیری
✍️به لطف دستیاران هوش مصنوعی مانند Siri و Alexa، می توانیم از هوش مصنوعی شخصی خود هر زمان و هر مکانی که نیاز داشتیم استفاده کنیم. محققان موسسه ی فناوری ماساچوست (MIT) روی این نوع فناوری های شخصی سازی شده کار می کنند: یک ربات شخصی که روی بدن شما می خزد. این ربات Skinbot نام دارد و پاهای آن به بدن می چسبد مانند جانوری چون زالو که برای همه آشناست
ایده این است که ربات های پوشیدنی ساخته شوند که بتوانند روی بدن حرکت کنند. Artem Dementyev, a Ph.D یکی از دانشجویان دکتری در گروه محیط پاسخگو آزمایشگاه رسانه ای MIT می گوید: «ما در حال حاضر شاهد نوع طبیعی این ربات در طبیعت هستیم. هدف این است که ربات های پوشیدنی بسازیم که به راحتی روی بدن قرار بگیرند. ربات های اپیدرمال (EPIDERMAL) مستقیماً به پوست می چسبند. این اولین رباتی است که می تواند از بدن بالا برود و روی آن حرکت کند. ما ربات هایی ساخته ایم که می توانند به مریخ بروند و آن را کشف کنند، چرا ربات هایی نسازیم که خود ما را کشف کنند؟»
از نظر تئوریکی حدس می زنیم که چنین ربات هایی مانند ربات های حیوانات خانگی عمل کنند مانند نوعی ربات ارتقا یافته 2018 که شبیه یک طوطی بود.
او ادامه می دهد: «من این ربات ها را پزشکان کوچکی تصور می کنم که می توانید آنها را سفارش دهید و درب منزل دریافت کنید. این ربات یک میکروسکوپ دارد که با آن به پوست نگاه می کند. به طور کامل روی پوست می خزد و به دنبال علائم سرطان و یا سایر مشکلات پوستی است و همه ی اینها در حالی انجام می شود که بیمار خواب است. این ربات موقعیت های دقیق بدن را شناسایی می کند و می توانند تغییرات رخ داده در طول زمان را ثبت کند. skinbot می تواند برای بررسی و ثبت ویژگی های حرکتی بدن استفاده شود برای مثال به پوست فشار وارد شود. علاوه بر این پاهای این ربات، حلقه های فلزی دارد که می تواند سیگنال های زیستی مانند ضربان قلب و فعالیت عضله را ثبت کند.»
اعضای این تیم در MIT تأکید کردند که این ربات تنها یک ربات ابتدایی در این حوزه است و به پیشرفت هایی زیادی نیاز دارد. برای پیشرفت وضعیت ربات، تیم باید چالش های فنی را حل کند برای مثال کل سیم ها را حذف کند و عملکرد ربات را بهتر کند.
منبع:
https://www.digitaltrends.com/cool-tech/skinbot-robot-mit-wearable/#/2
#ربات_خزنده
#هوش_مصنوعی
#خبر
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
👩🏫نویسنده: هما کاشفی امیری
✍️به لطف دستیاران هوش مصنوعی مانند Siri و Alexa، می توانیم از هوش مصنوعی شخصی خود هر زمان و هر مکانی که نیاز داشتیم استفاده کنیم. محققان موسسه ی فناوری ماساچوست (MIT) روی این نوع فناوری های شخصی سازی شده کار می کنند: یک ربات شخصی که روی بدن شما می خزد. این ربات Skinbot نام دارد و پاهای آن به بدن می چسبد مانند جانوری چون زالو که برای همه آشناست
ایده این است که ربات های پوشیدنی ساخته شوند که بتوانند روی بدن حرکت کنند. Artem Dementyev, a Ph.D یکی از دانشجویان دکتری در گروه محیط پاسخگو آزمایشگاه رسانه ای MIT می گوید: «ما در حال حاضر شاهد نوع طبیعی این ربات در طبیعت هستیم. هدف این است که ربات های پوشیدنی بسازیم که به راحتی روی بدن قرار بگیرند. ربات های اپیدرمال (EPIDERMAL) مستقیماً به پوست می چسبند. این اولین رباتی است که می تواند از بدن بالا برود و روی آن حرکت کند. ما ربات هایی ساخته ایم که می توانند به مریخ بروند و آن را کشف کنند، چرا ربات هایی نسازیم که خود ما را کشف کنند؟»
از نظر تئوریکی حدس می زنیم که چنین ربات هایی مانند ربات های حیوانات خانگی عمل کنند مانند نوعی ربات ارتقا یافته 2018 که شبیه یک طوطی بود.
او ادامه می دهد: «من این ربات ها را پزشکان کوچکی تصور می کنم که می توانید آنها را سفارش دهید و درب منزل دریافت کنید. این ربات یک میکروسکوپ دارد که با آن به پوست نگاه می کند. به طور کامل روی پوست می خزد و به دنبال علائم سرطان و یا سایر مشکلات پوستی است و همه ی اینها در حالی انجام می شود که بیمار خواب است. این ربات موقعیت های دقیق بدن را شناسایی می کند و می توانند تغییرات رخ داده در طول زمان را ثبت کند. skinbot می تواند برای بررسی و ثبت ویژگی های حرکتی بدن استفاده شود برای مثال به پوست فشار وارد شود. علاوه بر این پاهای این ربات، حلقه های فلزی دارد که می تواند سیگنال های زیستی مانند ضربان قلب و فعالیت عضله را ثبت کند.»
اعضای این تیم در MIT تأکید کردند که این ربات تنها یک ربات ابتدایی در این حوزه است و به پیشرفت هایی زیادی نیاز دارد. برای پیشرفت وضعیت ربات، تیم باید چالش های فنی را حل کند برای مثال کل سیم ها را حذف کند و عملکرد ربات را بهتر کند.
منبع:
https://www.digitaltrends.com/cool-tech/skinbot-robot-mit-wearable/#/2
#ربات_خزنده
#هوش_مصنوعی
#خبر
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
Digital Trends
MIT's Skinbot is a Wearable Robot Designed to Scamper Over Your Body | Digital Trends
Researchers from MIT are building a palm-sized bipedal robot called Skinbot that’s designed to crawl over your body using suction-cup feet, modeled on the adhesive abilities of leeches or cephalopods. Here's how it could be used as a personal health guardian…
✅🌐 دانشمندان مغز سه نفر را بهم متصل کردن تا افکار خود را باهم به اشتراک بگذارند!
دانشمندان علوم و اعصاب توانستند با موفقیت مغز سه نفر را با اشتراک سه طرفه بهم متصل کنند تا این افراد بتوانند افکار خود را باهمدیگر به اشتراک بگذارند و بتوانند باهم تتریس بازی کردند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍این گروه بیان می کنند که این آزمایش عجیب میتواند بعدها برای اتصال مغز تمام افراد استفاده شود و این بسیار عجیب است.
در این تحقیق از ترکیب سیگنالهای مغزی (EEG)، که برای ثبت ایمپالس‌های الکتریکی تولید شده در زمان فعالیت مغز استفاده می‌شوند، و یک محرک مغناطیسی که در آن نورون‌ها با استفاده از میدان مغناطیسی تحریک می‌شوند، استفاده کرده‌اند.
محققان سیستم خود را BrainNet نامگذاری کرده‌اند و باور دارند که بالاخره روزی فرا خواهد رسید که مغز افراد مختلف را در یک شبکه اجتماعی بهم متصل کنند.
اما جدا از بوجود آمدن روش‌های ارتباطی عجیب و غریب، BrainNet به ما آموزش میدهد که مغز انسان در سطوح عمیق تر به چه صورت عمل می کند.
محققان می‌گویند که BrainNet اولین ارتباط مغز به مغز چند نفره برای حل مسائل مشارکتی است. این رابطه به سه کاربر اجازه میدهد که با استفاده از ارتباط مستقیم مغز به مغز، باهمدیگر همکاری کرده و مسئله را حل کنند.
در آزمایش تنظیم شده توسط محققین، دو شخص به الکترودهای EEG متصل هستند، و از این افراد خواسته میشود تا یک بازی تتریس را بازی بکنند، آنها باید تصمیم می‌گرفتند که هر بلوکی که که می‌افتد نیاز است که بچرخد یا نه!
برای انجام این‌کار، از آنها خواسته شد تا به یکی از دو LED که با یک فرکانس خاصی فلش میزد خیره بشوند، یکی از LEDها با فرکانس 15 هرتز و یکی با فرکانس 17 هرتز فلش میزد که باعث ایجاد سیگنالهای مختلفی در مغز می‌شوند که می‌توان این رویدادهای مرتبط با رخداد را در EEG تشخیص داد.
سپس این سیگنال‌ها توسط یک فرستنده با کمک TMS که موجب ایجاد فانتوم نور در مغز فرد گیرنده شود، ارسال می‌شوند.
در میان 5 گروه سه نفره، محققان به میانگین دقت 81.25 درصد رسیدند که برای شروع عدد قابل قبولی است.
برای پیچیده کردن بازی، دو فرد فرستنده می‌توانند یک بازخورد دومی هم اضافه کنند که نشان دهد فرد گیرنده انتخاب درستی کرده است یا نه.
همچنین فرد گیرنده براساس ارتباطات مغزی با فرد فرستنده، میتوانست تشخیص دهد که نظر کدام فرستنده قابل اطمینان است. بنابه گفته محققان این عمل میتواند برای توسعه سیستم‌هایی که در سناریوهای دنیای مجازی‌ای که با آن مواجه هستند(جایی که عدم اطمینان به فرد یک عامل باشد) کمک کند.
و در حالی که سیستم فعلی تنها میتواند یک بیت (یا فلش) داده را در یک زمان ارسال کند، تیم تحقیقاتی از دانشگاه واشنگتن و دانشگاه Carnegie Mellon فکر میکنند که می‌توان این بخش را نیز در آینده گسترش داد.
با اینکه این سیستم بسیار کند هست و هنوز نمی‌توان به طور کامل به آن اعتماد کرد و در حال حاضر توسط انجمن علوم اعصاب در حال بررسی است، ولی می‌توان گفت که این روش یک نگاه اجمالی به برخی روش‌های خیالی دارد که ما می‌توانیم افکار خود را در آینده باهم برای حل مسائل اشتراکی با افراد دیگر به اشتراک بگذاریم.
محققان می‌گویند که نتایج این آزمایش احتمال اتصال مغز به مغز در آینده را افزایش میدهد و در آینده شاید بتوانیم مسائل اشتراکی را با کمک هم توسط یک شبکه اجتماعی که مغزها به آن متصل هست حل کنیم.
منبع:
https://www.sciencealert.com/brain-to-brain-mind-connection-lets-three-people-share-thoughts
#خبر
#نوروساینس
#مهندسی_پزشکی
#واسط_مغز_به_مغز
#واسط_مغز_کامپیوتر
#EEG
#Neuroscience
#bci
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
دانشمندان علوم و اعصاب توانستند با موفقیت مغز سه نفر را با اشتراک سه طرفه بهم متصل کنند تا این افراد بتوانند افکار خود را باهمدیگر به اشتراک بگذارند و بتوانند باهم تتریس بازی کردند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍این گروه بیان می کنند که این آزمایش عجیب میتواند بعدها برای اتصال مغز تمام افراد استفاده شود و این بسیار عجیب است.
در این تحقیق از ترکیب سیگنالهای مغزی (EEG)، که برای ثبت ایمپالس‌های الکتریکی تولید شده در زمان فعالیت مغز استفاده می‌شوند، و یک محرک مغناطیسی که در آن نورون‌ها با استفاده از میدان مغناطیسی تحریک می‌شوند، استفاده کرده‌اند.
محققان سیستم خود را BrainNet نامگذاری کرده‌اند و باور دارند که بالاخره روزی فرا خواهد رسید که مغز افراد مختلف را در یک شبکه اجتماعی بهم متصل کنند.
اما جدا از بوجود آمدن روش‌های ارتباطی عجیب و غریب، BrainNet به ما آموزش میدهد که مغز انسان در سطوح عمیق تر به چه صورت عمل می کند.
محققان می‌گویند که BrainNet اولین ارتباط مغز به مغز چند نفره برای حل مسائل مشارکتی است. این رابطه به سه کاربر اجازه میدهد که با استفاده از ارتباط مستقیم مغز به مغز، باهمدیگر همکاری کرده و مسئله را حل کنند.
در آزمایش تنظیم شده توسط محققین، دو شخص به الکترودهای EEG متصل هستند، و از این افراد خواسته میشود تا یک بازی تتریس را بازی بکنند، آنها باید تصمیم می‌گرفتند که هر بلوکی که که می‌افتد نیاز است که بچرخد یا نه!
برای انجام این‌کار، از آنها خواسته شد تا به یکی از دو LED که با یک فرکانس خاصی فلش میزد خیره بشوند، یکی از LEDها با فرکانس 15 هرتز و یکی با فرکانس 17 هرتز فلش میزد که باعث ایجاد سیگنالهای مختلفی در مغز می‌شوند که می‌توان این رویدادهای مرتبط با رخداد را در EEG تشخیص داد.
سپس این سیگنال‌ها توسط یک فرستنده با کمک TMS که موجب ایجاد فانتوم نور در مغز فرد گیرنده شود، ارسال می‌شوند.
در میان 5 گروه سه نفره، محققان به میانگین دقت 81.25 درصد رسیدند که برای شروع عدد قابل قبولی است.
برای پیچیده کردن بازی، دو فرد فرستنده می‌توانند یک بازخورد دومی هم اضافه کنند که نشان دهد فرد گیرنده انتخاب درستی کرده است یا نه.
همچنین فرد گیرنده براساس ارتباطات مغزی با فرد فرستنده، میتوانست تشخیص دهد که نظر کدام فرستنده قابل اطمینان است. بنابه گفته محققان این عمل میتواند برای توسعه سیستم‌هایی که در سناریوهای دنیای مجازی‌ای که با آن مواجه هستند(جایی که عدم اطمینان به فرد یک عامل باشد) کمک کند.
و در حالی که سیستم فعلی تنها میتواند یک بیت (یا فلش) داده را در یک زمان ارسال کند، تیم تحقیقاتی از دانشگاه واشنگتن و دانشگاه Carnegie Mellon فکر میکنند که می‌توان این بخش را نیز در آینده گسترش داد.
با اینکه این سیستم بسیار کند هست و هنوز نمی‌توان به طور کامل به آن اعتماد کرد و در حال حاضر توسط انجمن علوم اعصاب در حال بررسی است، ولی می‌توان گفت که این روش یک نگاه اجمالی به برخی روش‌های خیالی دارد که ما می‌توانیم افکار خود را در آینده باهم برای حل مسائل اشتراکی با افراد دیگر به اشتراک بگذاریم.
محققان می‌گویند که نتایج این آزمایش احتمال اتصال مغز به مغز در آینده را افزایش میدهد و در آینده شاید بتوانیم مسائل اشتراکی را با کمک هم توسط یک شبکه اجتماعی که مغزها به آن متصل هست حل کنیم.
منبع:
https://www.sciencealert.com/brain-to-brain-mind-connection-lets-three-people-share-thoughts
#خبر
#نوروساینس
#مهندسی_پزشکی
#واسط_مغز_به_مغز
#واسط_مغز_کامپیوتر
#EEG
#Neuroscience
#bci
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
ScienceAlert
Scientists Have Connected The Brains of 3 People, Enabling Them to Share Thoughts
Neuroscientists have successfully hooked up a three-way brain connection to allow three people share their thoughts – and in this case, play a Tetris-style game. The team thinks this wild experiment could be scaled up to connect whole networks of
✅ ربات جراحی از راه دور با قابلیت انجام جراحی کرانیوتومی در دانشگاه طراحی و ساخته شد
به همت پژوهشگران دانشگاه تربیت مدرس و شرکت ارتباطات سیار ایران، ربات جراحی از راه دور با قابلیت انجام جراحی بر روی بافت سخت جمجمه ی انسان طراحی و ساخته شد. این ربات در نوزدهمین نمایشگاه بین المللی تلکام در معرض دید عموم قرار گرفت. دکتر نادر مکاری و دکتر مهدی عروجی از اعضای هیات علمی دانشکده مهندسی برق و کامپیوتر طراحان این ربات هستند.
جزئیات بیشتر👇
http://news.modares.ac.ir/index.jsp?siteid=11&fkeyid=&siteid=11&pageid=8108&newsview=8380
#خبر
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
به همت پژوهشگران دانشگاه تربیت مدرس و شرکت ارتباطات سیار ایران، ربات جراحی از راه دور با قابلیت انجام جراحی بر روی بافت سخت جمجمه ی انسان طراحی و ساخته شد. این ربات در نوزدهمین نمایشگاه بین المللی تلکام در معرض دید عموم قرار گرفت. دکتر نادر مکاری و دکتر مهدی عروجی از اعضای هیات علمی دانشکده مهندسی برق و کامپیوتر طراحان این ربات هستند.
جزئیات بیشتر👇
http://news.modares.ac.ir/index.jsp?siteid=11&fkeyid=&siteid=11&pageid=8108&newsview=8380
#خبر
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
onlinebme
چاپگرهای سه بعدی(3D Printers) : ✍️ امروزه این تکنولوژی نوظهور خیلی سر و صدا به پا کرده که ما را مجاب کرد یه مطالعه کلی در این حوزه داشته باشیم و ببینیم در چه حوزه هایی کاربرد دارند که اداعای #جاودانگی انسان با این تکنولوژی را دارند! تعریف کلی: چاپ سه بعدی…
✅🌐 شناسایی اشیاء با سرعت نور توسط قطعه AI ساخته شده با چاپگرهای سه بعدی
این شبکه عصبی ساخته شده با چاپگرهای3D به ماشین‌های بدون راننده این امکان را میدهد که زمان پاسخ دهی بسیار کمی در مواجهه با شرایط داشته باشند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ مهندسان دانشگاه کالیفرنیا در لس آنجلس (UCLA) با استفاده از چاپ سه بعدی موفق به ساخت یک شبکه عصبی شدند. طبق گزارشات، این دستگاه فیزیکی(شبکه عصبی) قادر به تجزیه و تحلیل مقدار زیادی از داده ها و شناسایی اشیاء با سرعت نور است و می تواند کاربردهای مهمی در وسایل نقلیه بدون راننده و سایر حوزهها داشته باشد.
دستگاه کوچک چاپ شده 3D، توسط تیمی از مهندسان برق و کامپیوتر انجام ساخته شده است و ممکن است خیلی شبیه شبکه عصبی به نظر نرسد. در واقع، این قطعه بیشتر شبیه به قطعه ای است که از یک سری ورق های پلیمری کوچک مربعی شکل که در کنار یکدیگر قرار گرفته اند، است. ولی نکته اینجاست که این لایه‌های پلیمری (اندازه 8 × 8 سانتیمتر) واقعا چیزی خاصی هستند.
همانطور که محققان در اولین گزارش رسمی خود توضیح می دهند، بسیاری از دستگاه های امروزه که توانایی شناسایی اشیاء را دارند، اغلب به دوربین ها یا سنسورهای نوری برای ضبط داده های اولیه جسم متکی هستند. با این حال، شبکه عصبی ساخته شده با چاپ 3D ، از یک "شبکه عصبی عمیق پراکنده" استفاده می کند که این شبکه قادر به شناسایی یک جسم به وسیله نوری که از آن عبور می کند، است. این به این معنی است که می تواند این شی را به سرعت (مدت زمانی که که دستگاه مبتنی بر سنسور اپتیک برای مشاهده قطعه میکند)شناسایی کند. یعنی به محض اینکه دستگاه، شیء را مشاهده میکند همان لحظه شی را شناسایی میکند.
علاوه بر این، به دلیل آن که بر سنسورهای نوری متکی است، دستگاه UCLA نیازی به برنامه های کامپیوتری پیشرفته برای پردازش تصویر شی ندارد و از آنجایی که شبکه عصبی مصنوعی از نور پراکنده برای درک محیط اطرافش استفاده می کند، هیچ انرژی مصرف نمیکند.
آقای Aidogan Ozcan ، پژوهشگر اصلی مطالعه و استاد برق و مهندسی کامپیوتر در UCLA، گفت: "این کار فرصت‌های بنیادین جدیدی را برای استفاده از یک دستگاه منفعل مبتنی بر هوش مصنوعی جهت تجزیه و تحلیل آنی داده ها، تصاویر و طبقه بندی اشیا ایجاد میکند. " .این دستگاه به طور مستقیم بر اساس نحوه پردازش اطلاعات مغز مدلسازی شده است و می تواند برای طراحی دوربین های جدید و اجزای نوری منحصر به فرد که به طور انحصاری در تکنولوژی های پزشکی، روباتیک، امنیت و یا هر برنامه ای که اطلاعات تصویر و ویدئو ضروری است، کار کند. "
در کاربردهای عملی، محققان UCLA می گویند دستگاه AI می تواند برای تسریع وظایف فشرده داده ای که نیاز به شناسایی و طبقه بندی اشیاء دارد، سازگار باشد. یکی از نمونه های مهم ا در وسایل نقلیه بدون راننده این است که ماشینها می توانند به سرعت بعد از مشاهده محیط، محیط اطراف خود را تشخیص دهند.
این شبکه عصبی مصنوعی میتواند زمان پاسخ خودروها را از آنچه که در حال حاضر امکان پذیر است، کاهش دهد. به عنوان مثال، اگر یک ماشین بدون راننده علامت توقف را مشاهده کند، به محض اینکه نور این علامت به قطعه AI رسید، ماشین سریع علامت توقف را شناسایی کرده و توقف می کند.
در زمینه پزشکی نیز این تکنولوژی می تواند در تصویربرداری میکروسکوپی استفاده شود. برای مثال میتواند به شناسایی علائم بیماری موجود در میلیون ها سلول کمک کند.
منبع:
https://www.3dprintingmedia.network/3d-printed-ai-device-recognizes-objects/
#خبر
#تازه_های_هوش_مصنوعی
#هوش_مصنوعی
#مهندسی_پزشکی
#چاپگر3D
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
این شبکه عصبی ساخته شده با چاپگرهای3D به ماشین‌های بدون راننده این امکان را میدهد که زمان پاسخ دهی بسیار کمی در مواجهه با شرایط داشته باشند.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ مهندسان دانشگاه کالیفرنیا در لس آنجلس (UCLA) با استفاده از چاپ سه بعدی موفق به ساخت یک شبکه عصبی شدند. طبق گزارشات، این دستگاه فیزیکی(شبکه عصبی) قادر به تجزیه و تحلیل مقدار زیادی از داده ها و شناسایی اشیاء با سرعت نور است و می تواند کاربردهای مهمی در وسایل نقلیه بدون راننده و سایر حوزهها داشته باشد.
دستگاه کوچک چاپ شده 3D، توسط تیمی از مهندسان برق و کامپیوتر انجام ساخته شده است و ممکن است خیلی شبیه شبکه عصبی به نظر نرسد. در واقع، این قطعه بیشتر شبیه به قطعه ای است که از یک سری ورق های پلیمری کوچک مربعی شکل که در کنار یکدیگر قرار گرفته اند، است. ولی نکته اینجاست که این لایه‌های پلیمری (اندازه 8 × 8 سانتیمتر) واقعا چیزی خاصی هستند.
همانطور که محققان در اولین گزارش رسمی خود توضیح می دهند، بسیاری از دستگاه های امروزه که توانایی شناسایی اشیاء را دارند، اغلب به دوربین ها یا سنسورهای نوری برای ضبط داده های اولیه جسم متکی هستند. با این حال، شبکه عصبی ساخته شده با چاپ 3D ، از یک "شبکه عصبی عمیق پراکنده" استفاده می کند که این شبکه قادر به شناسایی یک جسم به وسیله نوری که از آن عبور می کند، است. این به این معنی است که می تواند این شی را به سرعت (مدت زمانی که که دستگاه مبتنی بر سنسور اپتیک برای مشاهده قطعه میکند)شناسایی کند. یعنی به محض اینکه دستگاه، شیء را مشاهده میکند همان لحظه شی را شناسایی میکند.
علاوه بر این، به دلیل آن که بر سنسورهای نوری متکی است، دستگاه UCLA نیازی به برنامه های کامپیوتری پیشرفته برای پردازش تصویر شی ندارد و از آنجایی که شبکه عصبی مصنوعی از نور پراکنده برای درک محیط اطرافش استفاده می کند، هیچ انرژی مصرف نمیکند.
آقای Aidogan Ozcan ، پژوهشگر اصلی مطالعه و استاد برق و مهندسی کامپیوتر در UCLA، گفت: "این کار فرصت‌های بنیادین جدیدی را برای استفاده از یک دستگاه منفعل مبتنی بر هوش مصنوعی جهت تجزیه و تحلیل آنی داده ها، تصاویر و طبقه بندی اشیا ایجاد میکند. " .این دستگاه به طور مستقیم بر اساس نحوه پردازش اطلاعات مغز مدلسازی شده است و می تواند برای طراحی دوربین های جدید و اجزای نوری منحصر به فرد که به طور انحصاری در تکنولوژی های پزشکی، روباتیک، امنیت و یا هر برنامه ای که اطلاعات تصویر و ویدئو ضروری است، کار کند. "
در کاربردهای عملی، محققان UCLA می گویند دستگاه AI می تواند برای تسریع وظایف فشرده داده ای که نیاز به شناسایی و طبقه بندی اشیاء دارد، سازگار باشد. یکی از نمونه های مهم ا در وسایل نقلیه بدون راننده این است که ماشینها می توانند به سرعت بعد از مشاهده محیط، محیط اطراف خود را تشخیص دهند.
این شبکه عصبی مصنوعی میتواند زمان پاسخ خودروها را از آنچه که در حال حاضر امکان پذیر است، کاهش دهد. به عنوان مثال، اگر یک ماشین بدون راننده علامت توقف را مشاهده کند، به محض اینکه نور این علامت به قطعه AI رسید، ماشین سریع علامت توقف را شناسایی کرده و توقف می کند.
در زمینه پزشکی نیز این تکنولوژی می تواند در تصویربرداری میکروسکوپی استفاده شود. برای مثال میتواند به شناسایی علائم بیماری موجود در میلیون ها سلول کمک کند.
منبع:
https://www.3dprintingmedia.network/3d-printed-ai-device-recognizes-objects/
#خبر
#تازه_های_هوش_مصنوعی
#هوش_مصنوعی
#مهندسی_پزشکی
#چاپگر3D
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
3D Printing Media Network
3D printed AI device recognizes objects at the speed of light - 3D Printing Media Network
Engineers from UCLA have developed an artificial neural network using 3D printing that can recognize objects at the speed of light.
onlinebme
مترجم Google به‌تازگی با یک جهش ناگهانی بیشتر از مجموع ده سال گذشته بهبود داشته است. و مشارکت‌های شما به عملی شدن این کار کمک کرده است!درحال‌حاضر «مترجم Google» برای ۹۶ زبان ازجمله فارسی ترجمه نورونی ارائه میکند. ترجمه نورونی از فرآیند پیچیده‌ای استفاده…
✅🌐 مترجم گوگل (google translate) ترجمه های زمان حقیقی را برای 13 زبان برتر دنیا اضافه کرده است.
برنامه ترجمه اکنون میتواند 4 زبان از 10 زبان گفتاری برتر دنیا را بخواند.
👨💻نویسنده: محمد نوری زاده چرلو
✍ گوگل این هفته اعلام کرد که برنامه ترجمه ی iOS و اندروید میتواند 13 زبان جدید را با استفاده از دوربین گوشی هوشمند تشخیص دهد. آپدیت جدید، که از زبان های عربی و هندی پشتیبانی میکند، در حال تبدیل شدن به برنامه ترجمه برای تمام کاربران سراسر جهان است. طبق گفته Ethnologue، علاوه بر زبان عربی و هندی، برنامه ترجمه اکنون از بنگالی و پنجابی - چهار زبان از 10 زبان برتر در جهان پشتیبانی می کند. برنامه ترجمه همچنین پشتیبانی از گجراتی، کانادهای، مالایالام، مراتی، نپالی، تامیل، تلوگو، تایلندی و ویتنامی را به خود اضافه کرده است.
ویژگی خاص برنامه ترجمه پشتیبانی جدید از زبان گفتاری است، به این صورت که به کاربران اجازه میدهد از یک متن عکس بگیرند و به برنامه بدهند تا آنرا ترجمه کند. کاربران و مسافران می توانند از طریق نماد دوربین، به این ویژگی دسترسی داشته باشند.
گوگل از زمان عرضه نسخه های بصری در سال 2015 از زبان های جدید پشتیبانی ویژه ای می کند. این برنامه در حال حاضر حدود 50 زبان را پشتیبانی می کند و در اوایل ماه جاری لهجه های محلی را نیز به امکانات برنامه اضافه کرد تا بتواند از این طریق شنیدن ترجمه های گفتاری را برای گوش آسان تر کند.
ترجمه های زمان حقیقی به لطف ترجمه ماشین عصبی ( neural machine Translations) امکان‌پذیر شده است.
ترجمه ماشین عصبی یک تکنیک یادگیری ماشین است که ترجمه ها را با پیش بینی احتمال ترتیب کلمات تکمیل میکند. گوگل از این روش برای ترجمه های آفلاین نیز استفاده میکند.
منبع:
Google Translate adds real-time translations for 13 new languages
https://www.engadget.com/2018/10/11/google-translate-real-time-translations-new-languages/
#خبر
#ترجمه
#یادگیری_ماشین
#GoogleTranslate
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
برنامه ترجمه اکنون میتواند 4 زبان از 10 زبان گفتاری برتر دنیا را بخواند.
👨💻نویسنده: محمد نوری زاده چرلو
✍ گوگل این هفته اعلام کرد که برنامه ترجمه ی iOS و اندروید میتواند 13 زبان جدید را با استفاده از دوربین گوشی هوشمند تشخیص دهد. آپدیت جدید، که از زبان های عربی و هندی پشتیبانی میکند، در حال تبدیل شدن به برنامه ترجمه برای تمام کاربران سراسر جهان است. طبق گفته Ethnologue، علاوه بر زبان عربی و هندی، برنامه ترجمه اکنون از بنگالی و پنجابی - چهار زبان از 10 زبان برتر در جهان پشتیبانی می کند. برنامه ترجمه همچنین پشتیبانی از گجراتی، کانادهای، مالایالام، مراتی، نپالی، تامیل، تلوگو، تایلندی و ویتنامی را به خود اضافه کرده است.
ویژگی خاص برنامه ترجمه پشتیبانی جدید از زبان گفتاری است، به این صورت که به کاربران اجازه میدهد از یک متن عکس بگیرند و به برنامه بدهند تا آنرا ترجمه کند. کاربران و مسافران می توانند از طریق نماد دوربین، به این ویژگی دسترسی داشته باشند.
گوگل از زمان عرضه نسخه های بصری در سال 2015 از زبان های جدید پشتیبانی ویژه ای می کند. این برنامه در حال حاضر حدود 50 زبان را پشتیبانی می کند و در اوایل ماه جاری لهجه های محلی را نیز به امکانات برنامه اضافه کرد تا بتواند از این طریق شنیدن ترجمه های گفتاری را برای گوش آسان تر کند.
ترجمه های زمان حقیقی به لطف ترجمه ماشین عصبی ( neural machine Translations) امکان‌پذیر شده است.
ترجمه ماشین عصبی یک تکنیک یادگیری ماشین است که ترجمه ها را با پیش بینی احتمال ترتیب کلمات تکمیل میکند. گوگل از این روش برای ترجمه های آفلاین نیز استفاده میکند.
منبع:
Google Translate adds real-time translations for 13 new languages
https://www.engadget.com/2018/10/11/google-translate-real-time-translations-new-languages/
#خبر
#ترجمه
#یادگیری_ماشین
#GoogleTranslate
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
Engadget
Google Translate adds real-time translations for 13 new languages
Google announced this week that its Translate app for iOS and Android recognize 13 new languages through your smartphone's camera. The update, which includes su...
✅🌐 محققان کشف کردند که چرا ما نمیتوانیم تصمیم بگیریم که چه چیزی برای ناهار سفارش دهیم؟!
خلاصه: یک مطالعه جدید نشان میدهد که چرا زمانی که مغز ما با تعداد زیادی از گزینه های انتخابی مشابه مواجه می شود در تصمیم گیری دچار مشکل می شود.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ آیا قبلا شما هم در یک رستوران با یک منوی پر از گزینه مواجه شده اید و نتوانسته اید تصمیم بگیرید که چه چیزی برای ناهار سفارش بدهید؟! اگر در چنین موقعیتی قرار گرفته اید، شما چیزی که روانشناسان به اسم choice overload می شناسند، را تجربه کرده اید.
یک مطالعه ای که حدود 20 سال پیش در کالیفرنیا انجام شده است، نشان دهنده این اثر است.
در مطالعه اخیر با استفاده از fmri این اثر رو بیشتر نشان داده اند و ...
جزئیات بیشتر👇👇
http://onlinebme.ir/scientists-uncover-why-you-cant-decide-what-to-order-for-lunch/
#خبر
#روانشناسی
#علوم_اعصاب
#شناخت_مغز
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
خلاصه: یک مطالعه جدید نشان میدهد که چرا زمانی که مغز ما با تعداد زیادی از گزینه های انتخابی مشابه مواجه می شود در تصمیم گیری دچار مشکل می شود.
👨💻 نویسنده: محمد نوری زاده چرلو
✍ آیا قبلا شما هم در یک رستوران با یک منوی پر از گزینه مواجه شده اید و نتوانسته اید تصمیم بگیرید که چه چیزی برای ناهار سفارش بدهید؟! اگر در چنین موقعیتی قرار گرفته اید، شما چیزی که روانشناسان به اسم choice overload می شناسند، را تجربه کرده اید.
یک مطالعه ای که حدود 20 سال پیش در کالیفرنیا انجام شده است، نشان دهنده این اثر است.
در مطالعه اخیر با استفاده از fmri این اثر رو بیشتر نشان داده اند و ...
جزئیات بیشتر👇👇
http://onlinebme.ir/scientists-uncover-why-you-cant-decide-what-to-order-for-lunch/
#خبر
#روانشناسی
#علوم_اعصاب
#شناخت_مغز
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
✅🌐 هوش مصنوعی گوگل(Google AI)، مدعی دقت 99درصدی در تشخیص سرطان پستان متاستاتیک است.
👩💻نويسنده: مهتاب فرجي
✍تومورهای متاستاتیک، سلول های سرطانی هستند که از بافت شان در ارگان جدا شده، و از طریق گردش خون و یا سیستم لنفوسیت در داخل بدن حرکت می کنند و تومورهای جدیدی را در بخشهای دیگر بدن ایجاد می کنند. متاسفانه تشخیص این تومورها مشکل است. مطالعه ای که در سال 2009 از 102 فرد مبتلا به سرطان پستان در دو مرکز در بوستون انجام شد، نشان داد که یک نفر از 4 فرد تحت تاثیر" فرآیندهای درمان" مانند ناکافی بودن آزمایشات فيزيکي و تست های تشخیصی ناقص جان خود را از دست می دهند.
جزئیات بیشتر👇👇
http://onlinebme.ir/news_google_ai-2/
#خبر
#تازه_های_هوش_مصنوعی
#هوش_مصنوعی
#مهندسی_پزشکی
#تشخيص_سرطان_پستان
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@OnlineBME
👩💻نويسنده: مهتاب فرجي
✍تومورهای متاستاتیک، سلول های سرطانی هستند که از بافت شان در ارگان جدا شده، و از طریق گردش خون و یا سیستم لنفوسیت در داخل بدن حرکت می کنند و تومورهای جدیدی را در بخشهای دیگر بدن ایجاد می کنند. متاسفانه تشخیص این تومورها مشکل است. مطالعه ای که در سال 2009 از 102 فرد مبتلا به سرطان پستان در دو مرکز در بوستون انجام شد، نشان داد که یک نفر از 4 فرد تحت تاثیر" فرآیندهای درمان" مانند ناکافی بودن آزمایشات فيزيکي و تست های تشخیصی ناقص جان خود را از دست می دهند.
جزئیات بیشتر👇👇
http://onlinebme.ir/news_google_ai-2/
#خبر
#تازه_های_هوش_مصنوعی
#هوش_مصنوعی
#مهندسی_پزشکی
#تشخيص_سرطان_پستان
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@OnlineBME
✅🌐 مغز چطور در طول خواب یاد میگیرد؟
یک مطالعه ای جدید نشان میدهد که مغز چگونه حافظه را در طول خواب تقویت میکند. محققان گزارش می‌دهند که نوسانات سریع در فعالیت باند گاما در هیپوکامپ هنگام خواب Nrem به حافظه کمک می کند تا دوباره فعال شود.
👨💻نویسنده: محمد نوری زاده چرلو
✍ محققان دانشگاه Ruhr-Universität Bochum و Bon بررسی کردند که کدام یک از الگوهای فعالیت در مغز زمانی که افراد چیزها را به یاد می آورند یا فراموش می کنند، اتفاق می افتند. آنها علاقه مند بودند تا متوجه شوند مغز مطالبی که از قبل یاد گرفته بود چگونه در طول خواب تکرار یا ذخیره می کند. برای این منظور این تیم فعالیت مغز بیماران مبتلا به صرع را از طریق الکترودهایی که به منظور برنامه ریزی جراحی در مغز آنها کاشته شده بود، ثبت کردند. و به یک نتیجه رسیدند: در طول خواب، مغز حتی ردیابی حافظه ای را که بعد نمی تواند آنرا به یاد داشته باشد، دوباره فعال می کند. نتایج این مطالعه در مجله Nature Communications در 5 اکتبر 2018 منتشر شده است.
جزئیات بیشتر👇
http://onlinebme.ir/how_the_brain_learns_during_slee
#خبر
#شناخت_مغز
#علوم_اعصاب
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
یک مطالعه ای جدید نشان میدهد که مغز چگونه حافظه را در طول خواب تقویت میکند. محققان گزارش می‌دهند که نوسانات سریع در فعالیت باند گاما در هیپوکامپ هنگام خواب Nrem به حافظه کمک می کند تا دوباره فعال شود.
👨💻نویسنده: محمد نوری زاده چرلو
✍ محققان دانشگاه Ruhr-Universität Bochum و Bon بررسی کردند که کدام یک از الگوهای فعالیت در مغز زمانی که افراد چیزها را به یاد می آورند یا فراموش می کنند، اتفاق می افتند. آنها علاقه مند بودند تا متوجه شوند مغز مطالبی که از قبل یاد گرفته بود چگونه در طول خواب تکرار یا ذخیره می کند. برای این منظور این تیم فعالیت مغز بیماران مبتلا به صرع را از طریق الکترودهایی که به منظور برنامه ریزی جراحی در مغز آنها کاشته شده بود، ثبت کردند. و به یک نتیجه رسیدند: در طول خواب، مغز حتی ردیابی حافظه ای را که بعد نمی تواند آنرا به یاد داشته باشد، دوباره فعال می کند. نتایج این مطالعه در مجله Nature Communications در 5 اکتبر 2018 منتشر شده است.
جزئیات بیشتر👇
http://onlinebme.ir/how_the_brain_learns_during_slee
#خبر
#شناخت_مغز
#علوم_اعصاب
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
✅🌐 آزمایش آسیب شناسی با استفاده از هوش مصنوعی برای پیش بینی پیشرفت سرطان پروستات پس از جراحی
نویسنده: مهتاب فرجی
آزمایش آسیب شناسی که هوش مصنوعی را برای تشخیص نمونه های بافت بکار می برد، می تواند با دقت بالایی پیشرفت بیماری سرطان پروستات را بعد از جراحی پیش بینی کند.
جزئیات بیشتر 👇👇👇👇
http://onlinebme.ir/pathology-test-uses-ai-to-predict-prostate-cancer-progression-following-surgery/
#خبر
#تشخیص_سرطان_پروستات
#هوش_مصنوعی(AI)
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
نویسنده: مهتاب فرجی
آزمایش آسیب شناسی که هوش مصنوعی را برای تشخیص نمونه های بافت بکار می برد، می تواند با دقت بالایی پیشرفت بیماری سرطان پروستات را بعد از جراحی پیش بینی کند.
جزئیات بیشتر 👇👇👇👇
http://onlinebme.ir/pathology-test-uses-ai-to-predict-prostate-cancer-progression-following-surgery/
#خبر
#تشخیص_سرطان_پروستات
#هوش_مصنوعی(AI)
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME
🌐 یک مطالعه جدید ادعا میکند که ورزش نکردن نسبت به سیگار کشیدن برای سلامتی بدتر است!
👨💻نویسنده: محمد نوری زاده چرلو
✍این مطالعه نتیجه 23 سال تحقیق روی 122 هزار و 7 نفر است و ادعا می کند که " ورزش نکردن برای سلامتی از سیگار کشیدن، دیابت و فشارخون‌بالا بدتر است".
🔗 جزئیات بیشتر
#خبر
#ورزش
#سلامتی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
👨💻نویسنده: محمد نوری زاده چرلو
✍این مطالعه نتیجه 23 سال تحقیق روی 122 هزار و 7 نفر است و ادعا می کند که " ورزش نکردن برای سلامتی از سیگار کشیدن، دیابت و فشارخون‌بالا بدتر است".
🔗 جزئیات بیشتر
#خبر
#ورزش
#سلامتی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
یک مطالعه جدید ادعا میکند که ورزش نکردن نسبت به سیگار کشیدن برای سلامتی بدتر است! - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
این مطالعه نتیجه 23 سال تحقیق روی 122 هزار و 7 نفر است و ادعا می کند که “ورزش نکردن برای سلامتی از سیگار کشیدن، دیابت و فشارخون بالا بدتر است”. همه باور داریم که اندام مناسب داشتن مزایای زیادی دارد، ولی در مطالعه جدید بزرگ نشان داده شده است که ورزش نکردن…
خواب بیش از حد برای مغز مضر است!
نویسنده: محمد نوری زاده چرلو
در حالی که تقریبا همه ما از اثرات بد کم خوابیدن مطلع هستیم، اخیرا محققان کشف کرده اند که خوابیدن بیش از حد میتواند اثرات مخربی روی مغز ما داشته باشد.
یک مطالعه جدید نشان میدهد که خوابیدن بیش از 8 ساعت در هر شب مهارتهای شناختی و استدلالی فرد را کاهش می دهد.
🔗 جزئیات بیشتر
#خبر
#شناخت_مغز
#علوم_اعصاب
#مهندسی_پزشکی
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlineBME
نویسنده: محمد نوری زاده چرلو
در حالی که تقریبا همه ما از اثرات بد کم خوابیدن مطلع هستیم، اخیرا محققان کشف کرده اند که خوابیدن بیش از حد میتواند اثرات مخربی روی مغز ما داشته باشد.
یک مطالعه جدید نشان میدهد که خوابیدن بیش از 8 ساعت در هر شب مهارتهای شناختی و استدلالی فرد را کاهش می دهد.
🔗 جزئیات بیشتر
#خبر
#شناخت_مغز
#علوم_اعصاب
#مهندسی_پزشکی
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlineBME
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
خواب بیش از حد برای مغز مضر است! - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
در حالی که تقریباً همه ما از اثرات بد کم خوابیدن مطلع هستیم، اخیراً محققان کشف کرده اند که خوابیدن بیش از حد میتواند اثرات مخربی روی مغز ما داشته باشد. یک مطالعه جدید نشان میدهد که خوابیدن بیش از 8 ساعت در هر شب مهارت های شناختی و استدلالی فرد را کاهش می…
🌐یکی از دلایل اینکه شما باید پایتون بیاموزید چیست؟
👩🏫نویسنده: معصومه دلگرمی
وقتی با محققان و دانشمندان علوم داده که با حجم وسیعی از دیتا سرو کار دارند، مواجه شوید؛ می بینید که در یک مکالمه چندین بار به کلمه‌ی "پایتون" می‌رسند و دنیای علوم داده به زبان برنامه نویسی پایتون روی آورده است. طبق گزارشات بدست آمده از سایت علمی The Economist، پایتون رسماً به عنوان محبوب‌ترین زبان برنامه نویسی دنیا معرفی شده است. اما تنها اینها نیستند. به عنوان مثال سایت‌هایی همچون Reddit از زبان‌هایی مانند Lisp به پایتون تغییر کرده‌اند و این نشان‌دهنده‌ی کاهش بیشتر زبان‌های غیر پایتونی است.
پایتون یک زبان توسعه یافته است؛ چرا که دارای بسته‌های تعاملی برای پشتیبانی از سایر زبان‌های برنامه نویسی مثل Java, C, R
است. Reticulated python بین دو زبان R و پایتون یکپارچگی ایجاد میکند و همچنین Jython – Python بین زبان جاوا و پایتون و Cython – Python بین دو زبان پایتون و C تعامل برقرار میکند. امروزه پایتون فقط برای دانشمندان علوم داده نیست؛ بلکه برای کنترل دستگاه هوشمند در منزل استفاده میشود.
باز هم چندین دلیل وجود دارد که چرا پایتون در حال افزایش است؛ که می‌توان به قابلیت خوانا بودن آن اشاره کرد. نکته‌ی آخر، اگر می‌خواهید در سال 2018 یک زبان برنامه نویسی را یاد بگیرید پیشنهاد ما پایتون است!!
منبع
#خبر
#پایتون
#توسعه_یافته
#برنامه_نویسی
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlineBME
👩🏫نویسنده: معصومه دلگرمی
وقتی با محققان و دانشمندان علوم داده که با حجم وسیعی از دیتا سرو کار دارند، مواجه شوید؛ می بینید که در یک مکالمه چندین بار به کلمه‌ی "پایتون" می‌رسند و دنیای علوم داده به زبان برنامه نویسی پایتون روی آورده است. طبق گزارشات بدست آمده از سایت علمی The Economist، پایتون رسماً به عنوان محبوب‌ترین زبان برنامه نویسی دنیا معرفی شده است. اما تنها اینها نیستند. به عنوان مثال سایت‌هایی همچون Reddit از زبان‌هایی مانند Lisp به پایتون تغییر کرده‌اند و این نشان‌دهنده‌ی کاهش بیشتر زبان‌های غیر پایتونی است.
پایتون یک زبان توسعه یافته است؛ چرا که دارای بسته‌های تعاملی برای پشتیبانی از سایر زبان‌های برنامه نویسی مثل Java, C, R
است. Reticulated python بین دو زبان R و پایتون یکپارچگی ایجاد میکند و همچنین Jython – Python بین زبان جاوا و پایتون و Cython – Python بین دو زبان پایتون و C تعامل برقرار میکند. امروزه پایتون فقط برای دانشمندان علوم داده نیست؛ بلکه برای کنترل دستگاه هوشمند در منزل استفاده میشود.
باز هم چندین دلیل وجود دارد که چرا پایتون در حال افزایش است؛ که می‌توان به قابلیت خوانا بودن آن اشاره کرد. نکته‌ی آخر، اگر می‌خواهید در سال 2018 یک زبان برنامه نویسی را یاد بگیرید پیشنهاد ما پایتون است!!
منبع
#خبر
#پایتون
#توسعه_یافته
#برنامه_نویسی
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlineBME
www.codementor.io
The One reason you should learn Python | Codementor
When you speak with researchers, data scientists, and practitioners who are involved in any capacity with data, you are bound to here one word multiple times in a conversation: Python.
It is...
It is...
🌐 هدبندی که امواج مغزی شما را می خواند و به شما در مدیتیشن کمک می کند!
کریستانا فار از هدبند Muse 2 که اخیرا وارد بازار شده است، استفاده کرده و تجربه خود را در این زمنیه گفته است. این هدبند طوری طراحی شده است که با بازخورد زمان حقیقی به افراد کمک کند تا یاد بگیرند چطور مدیتیشن انجام دهند.
به گفته کریستانا این یک تجربه جالب و سرگرم کننده ای بوده است و بیان می کند که این هدبند برای افرادی که نیاز به اطلاعات زیادی برای داشتن یک مدیتیشن خوب دارند، مناسبتر است.
✍️نویسنده: محمد نوری زاده چرلو
شرکت سرمایه گذاری کانادایی، Interaxon، یک استارتاپی راه اندازی میکرد که بتواند یک دستگاهی طراحی کند که افراد بتوانند با کمک آن اشیاء را توسط ذهن خود حرکت دهند.
بعد از اینکه این پروژه جواب نداد، تیم مهندسان و دانشمندان به صورت تصادفی به یک ایده ای رسیدند که میتوانست برای میلیونها نفر جالب باشد.
ادامه‌ی خبر: 👇👇👇👇
http://onlinebme.ir/this-headband-reads-your-brain-waves-to-help-you-meditate-heres-what-happened-when-we-tried-it/
#خبر
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
#BCI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlineBME
کریستانا فار از هدبند Muse 2 که اخیرا وارد بازار شده است، استفاده کرده و تجربه خود را در این زمنیه گفته است. این هدبند طوری طراحی شده است که با بازخورد زمان حقیقی به افراد کمک کند تا یاد بگیرند چطور مدیتیشن انجام دهند.
به گفته کریستانا این یک تجربه جالب و سرگرم کننده ای بوده است و بیان می کند که این هدبند برای افرادی که نیاز به اطلاعات زیادی برای داشتن یک مدیتیشن خوب دارند، مناسبتر است.
✍️نویسنده: محمد نوری زاده چرلو
شرکت سرمایه گذاری کانادایی، Interaxon، یک استارتاپی راه اندازی میکرد که بتواند یک دستگاهی طراحی کند که افراد بتوانند با کمک آن اشیاء را توسط ذهن خود حرکت دهند.
بعد از اینکه این پروژه جواب نداد، تیم مهندسان و دانشمندان به صورت تصادفی به یک ایده ای رسیدند که میتوانست برای میلیونها نفر جالب باشد.
ادامه‌ی خبر: 👇👇👇👇
http://onlinebme.ir/this-headband-reads-your-brain-waves-to-help-you-meditate-heres-what-happened-when-we-tried-it/
#خبر
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
#BCI
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlineBME
✅الگوریتم یادگیری عمیق، آلزایمر را 6 سال زودتر از پزشکان تشخیص می دهد.
اخیرا الگوریتم جدیدی مبتنی بر یادگیری عمیق مطرح شده است که می تواند تصاویر اسکن PET فرد بیمار را بررسی کند و بیماری آلزایمر را شش سال زودتر از روش های رایج تشخیص کنونی تشخیص دهد. در این مطالعه از یادگیری ماشین برای تعیین الگوهای ظریف در تصاویر پزشکی استفاده شده است، که این الگوها توسط فرد انسانی قابل روئیت نیستند.
👩💻نویسنده: مهتاب فرجی
یکی از راه های تشخیص بیماری آلزایمر براساس نوعی تصویربرداری مغزی است که اسکن fluorodeoxyglucose PET-8(FDG-PET) نامیده میشود. از این نوع اسکن قبلا برای تشخیص چندین نوع سرطان استفاده شده است، اما اخیرا کارآیی خود را در تشخیص آلزایمر و همچنین در برخی از انواع بیماری های زوال عقلی نشان داده است.
این مطالعه، الگوریتم یادگیری ماشین را بر روی 2100 تصویر مغزی FDG-PET آموزش داد. درحالی که پزشکان از ارزیابی این تصاویر برای تشخیص بیماری آلزایمر استفاده می کنند، در مطالعه ی جدیدی که توسط Jae Ho Sohn انجام شده است، الگوریتم یادگیری عمیق قادر به تعیین الگوهایی ظریف در دیتای تصویر برای تشخیص بیماری آلزایمر است.
ادامه مطالب را در سایت زیر بخوانید👇👇
http://onlinebme.ir/deep-learning-algorithm-detects-alzheimers-up-to-six-years-before-doctors/
#خبر
#تشخیص_آلزایمر
#یادگیری_عمیق
#یادگیری_ماشین
#هوش_مصنوعی
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
اخیرا الگوریتم جدیدی مبتنی بر یادگیری عمیق مطرح شده است که می تواند تصاویر اسکن PET فرد بیمار را بررسی کند و بیماری آلزایمر را شش سال زودتر از روش های رایج تشخیص کنونی تشخیص دهد. در این مطالعه از یادگیری ماشین برای تعیین الگوهای ظریف در تصاویر پزشکی استفاده شده است، که این الگوها توسط فرد انسانی قابل روئیت نیستند.
👩💻نویسنده: مهتاب فرجی
یکی از راه های تشخیص بیماری آلزایمر براساس نوعی تصویربرداری مغزی است که اسکن fluorodeoxyglucose PET-8(FDG-PET) نامیده میشود. از این نوع اسکن قبلا برای تشخیص چندین نوع سرطان استفاده شده است، اما اخیرا کارآیی خود را در تشخیص آلزایمر و همچنین در برخی از انواع بیماری های زوال عقلی نشان داده است.
این مطالعه، الگوریتم یادگیری ماشین را بر روی 2100 تصویر مغزی FDG-PET آموزش داد. درحالی که پزشکان از ارزیابی این تصاویر برای تشخیص بیماری آلزایمر استفاده می کنند، در مطالعه ی جدیدی که توسط Jae Ho Sohn انجام شده است، الگوریتم یادگیری عمیق قادر به تعیین الگوهایی ظریف در دیتای تصویر برای تشخیص بیماری آلزایمر است.
ادامه مطالب را در سایت زیر بخوانید👇👇
http://onlinebme.ir/deep-learning-algorithm-detects-alzheimers-up-to-six-years-before-doctors/
#خبر
#تشخیص_آلزایمر
#یادگیری_عمیق
#یادگیری_ماشین
#هوش_مصنوعی
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
تست کرونا توسط کیت خانگی در کمتر از 5 دقیقه!
با توجه به شرایط کنونی دنیا در رابطه با ویروس COVID-19 تشخیص سریع و صحیح ویروس امری مثبت در راستای جلوگیری از شیوع آن می باشد. آزمایش Abbot در رابطه با تشخیص ویروس در مدت کوتاه توانسته امری مناسب در جهت مبارزه با این ویروس باشد.
نویسنده: علیرضا جهانی
آزمایشگاه های Abbott در حال رونمایی از نوعی آزمایش کروناویروس هستند که می تواند در حدود کمتر از پنج دقیقه تشخیص دهد که آیا شخص به آن ویروس مبتلا شده است یا خیر. این دستگاه بسیار کوچک و قابل حمل است که می تواند تقریباً در هر مکانی مورد استفاده قرار گیرد.
جان فرلز ، معاون تحقیق و توسعه آزمایشات تشخیصیAbbott افزود که سازنده دستگاه های پزشکی قصد دارد از روز اول ماه آوریل، 50،000 آزمایش را در روز انجام دهد. این نوع آزمایش مولکولی، مسئولیت جستجوی قطعاتی از ژنوم ویروس کرونا را بر عهده دارد که در صورت وجود ویروس در سطوح بالا به سرعت قابل شناسایی است. وی اظهار داشت که جستجوی کامل برای رد کردن قطعی از عفونت می تواند تا مدت زمان 13 دقیقه طول بکشد
جزئیات بیشتر 👇👇
https://onlinebme.com/abbott-launches-5-minute-covid-19-test-for-use-almost-anywhere/
#خبر_خوب
#تست_کرونا
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
با توجه به شرایط کنونی دنیا در رابطه با ویروس COVID-19 تشخیص سریع و صحیح ویروس امری مثبت در راستای جلوگیری از شیوع آن می باشد. آزمایش Abbot در رابطه با تشخیص ویروس در مدت کوتاه توانسته امری مناسب در جهت مبارزه با این ویروس باشد.
نویسنده: علیرضا جهانی
آزمایشگاه های Abbott در حال رونمایی از نوعی آزمایش کروناویروس هستند که می تواند در حدود کمتر از پنج دقیقه تشخیص دهد که آیا شخص به آن ویروس مبتلا شده است یا خیر. این دستگاه بسیار کوچک و قابل حمل است که می تواند تقریباً در هر مکانی مورد استفاده قرار گیرد.
جان فرلز ، معاون تحقیق و توسعه آزمایشات تشخیصیAbbott افزود که سازنده دستگاه های پزشکی قصد دارد از روز اول ماه آوریل، 50،000 آزمایش را در روز انجام دهد. این نوع آزمایش مولکولی، مسئولیت جستجوی قطعاتی از ژنوم ویروس کرونا را بر عهده دارد که در صورت وجود ویروس در سطوح بالا به سرعت قابل شناسایی است. وی اظهار داشت که جستجوی کامل برای رد کردن قطعی از عفونت می تواند تا مدت زمان 13 دقیقه طول بکشد
جزئیات بیشتر 👇👇
https://onlinebme.com/abbott-launches-5-minute-covid-19-test-for-use-almost-anywhere/
#خبر_خوب
#تست_کرونا
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
تست کرونا توسط کیت خانگی در کمتر از 5 دقیقه! - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
با توجه به شرایط کنونی دنیا در رابطه با ویروس COVID-19 تشخیص سریع و صحیح ویروس امری مثبت در راستای جلوگیری از شیوع آن می باشد. آزمایش Abbot در رابطه با تشخیص ویروس در مدت کوتاه توانسته امری مناسب در جهت مبارزه با این ویروس باشد.