سخنرانی دکتر حسین استکی با عنوان نقش عشق در فرگشت اگاهی روز ۱۹ اردیبهشت در دانشگاه خاتم به شکل حضوری برگزار میگردد. لینک دسترسی انلاین و هم زمان به این سخنرانی تغییر نموده است و به زودی اعلام میگردد.

طاعات و عبادات قبول حق
یک قدم تاعیدفطر🎉🎊🎉
آرزومیڪنم🙏
لحظه،لحظه زندگيتون
همواره غرق
درشادےوآرامش باشید


داره میرسه دیگه......

████████████] 99%


پیشاپیش عید سعید فطر مبارک...🎉🎊🎉

جلسه اول : چهارشنبه 25 خرداد 1401، ساعت: 8:30 الی 14 
سرفصل ها:
-   مقدمه ای بر تولید و ثبتEEG
-  نحوه الکترود گذاشتن
-  نحوه ثبت تک قطبی و دو قطبی
-  اهمیت مرجع در ثبت
- نحوه ثبت ERP
- پروتکلهای ثبت و تحریک
- پتانسیل برانگیخته بیناییVEP
- پتانسیل برانگیخته شنوایی AEP
-  پتانسیل برانگیخته حسی- حرکتیSEP
-  پتانسیلهای وابسته به رخدادERP
- تعریف مولفهای P وN  و ارتباط آنها با تحریک
- تعریف مولفهای P و N  و ارتباط آنها با تحریک
جلسه دوم و سوم: پنج شنبه و جمعه 26 و 27 خرداد 1401 ، ساعت 8:30 الی 14
مدرس: دکتر علی مطیع نصرآبادی
سرفصل ها:
-  مقدمه ای بر مفاهیم و تعاریف مرتبط با پردازش EEG/ERP نظیر هادی حجمی، منابع مغزی، cortical patch   و ...
 -  تعریف فرکانس و تبدیل فوریه
-  کاربردهای آن در تخمین طیف سیگنالهای ایستا
- پنجره کردن و قطعه بندی سیگنال و انواع پنجره، مستطیلی، گوسی
-  مفاهیم نشت فرکانس و رزولوشن فرکانس در تخمین طیف
-  تخمین طیف با روش ولش Welch
-  مقدمه ای بر تحلیل مولف های مستقل ICA و تجزیه به زیر فضاها
-  کاربرد ICA در پردازش سیگناهای مغزی، مولفه های مغزی و غیر مغزی
-  بررسی طیف مولفه‌ها، فعالیت زمانی مولفه ها و نقشه مولفه ها ICA Topoplot برای تشخیص مولفه های مغزی از غیر مغزی
-  حذف نویز از سیگنال های مغزی با کمک ICA
جلسه چهارم: چهارشنبه 1 تیر 1401، ساعت 8:30 الی 14
مدرس: دکتر علی مطیع نصرآبادی
سرفصل ها:
-  کار با eeglab
-  وارد کردن داده ها به eeglab
-  تعریف channel location و event
-  بررسی شکل زمانی و فرکانسی داده ها
-  تمیز کردن چشمی داده ها
-  بکار گیری ICA در تمیز کردن سیگنال
-  استخراج   ERP ها از سیگنال پیوسته EEG
-  بررسی انواع نمایش ERP   روی کانالها و در زمان
-   نمایش همزمان ERP ها با زمان واکنش و کاربردهای آن
-  کار با پلاگینهای اتوماتیک تمیز کردن سیگنالEEG و حذف مؤلفه‌های غیر مغزی  ICA
ASR, ADJUST, ICLABEL
جلسه پنجم: پنج شنبه 2 تیر1401، ساعت 8:30 الی 14
مدرس: دکتر علی مطیع نصرآبادی
سرفصل ها:
 -  توضیح تحلیل زمان- فرکانس برای سیگنالهای غیر ایستا  Time-frequency representation
-  تبدیل فوریه زمان کوتاه STFT
-  تبدیل ویولت Wavelet
-  مفاهیم رزولوشن زمان و فرکانس، ارتباط آنها
-  مروری بر مفاهیم مکان یابی منابع source localization و روشهای آن
-  توضیح روش مکان یابی منابع در eeglab
-  بیان مشکلات و محدودیتها مکان یابی در حالت کلی و رفع انها در eeglab
-  مقدمه ای بر ارتباطات مغزی: ساختاری، عملکردی و موثر
Brain connectivity: structural, functional and effective
-  بیان مفاهیم نحوه چرخش اطلاعات و ارتباط بین نواحی مغز
-  تعریف ارتباطات موثر با روش گرنجر  Granger causality بر پایه مدل AR
-  تعریف مدل ar و mvar و فرمول بندی آن
-  بیان تعاریف خانواده PDC وDTF و ارتباطات مستقیم و غیر مستقیم بین سری های زمانی سیگنال مغزی
-  بیان نکات محاسباتی در بکارگیری روابط ارتباطات مغزی
جلسه ششم: جمعه، 3 تیر؛ ساعت 8:30 الی 14
مدرس: دکتر علی مطیع نصرآبادی
سرفصل ها:
-  کار با eeglab  و پیاده سازی مفاهیم روز چهارم
-  نمایش زمان- فرکانس در eeglab
-  بکارگیری و نمایش مکانیابی منابع درeeglab با پلاگین dipfit
-  بکارگیری پلاگین SIFT برای محاسبات ارتباطات مغزی و انواع نمایش آنها
-  تعریف و طراحی  study و کارهای آماری ساده

زمانها تقریبی است

دوره فوق دیدگاه جالبی را درباره حیات و نحوه مدلسازی محاسباتی و ومحدودیتهای مدلسازی دینامیکی و نحوه ارتقاء آن برای پدیده های زیستی مطرح می کند. برای محققانی که در حوزه زیست(مهندسی زیست پزشکی/زیست ملکولی/هوش مصنوعی/ مدلسازی شناختی/...) کار میکنند میتواند کارایی داشته باشد. صوت جلسه اول را با اجازه برگزارکنندگان در کانال قرار میدهم.

1 Hyat-Hes-Agahi.mp3

در پاسخ به پرسش دوستان هزینه کل این دوره ۱۵۰ هزارتومان است و برای کمک به انجمن حکمت است
پس از ثبت نام سرکار خانم بهشتی هماهنگ کننده انجمن حکمت فایلها و لینک را برای افراد ارسال میکنند
شماره تماس ایشان در آگهی هست

Title:Brain Signals: Physics and Mathematics of MEG and EEGVolume:Author(s):Risto J. Ilmoniemi; Jukka SarvasSeries:Periodical:Publisher:MIT PressCity:Year:2019Edition:Language:EnglishPages (biblio\tech):x+246\257ISBN:0262039826, 9780262039826ID:2535407Time added:2020-06-09 08:30:34Time modified:2020-06-14 06:36:07Library:Library issue:Size:68 MB (71258375 bytes)Extension:pdfWorse versions:BibTeXLinkDesr. old vers.:2020-06-09 08:30:34; 2020-06-09 11:40:01Edit record:Libgen LibrarianCommentary:Topic:Medicine\\NeurologyTags:Identifiers:ISSN:UDC:LBC:LCC:DDC:DOI:OpenLibrary ID:Google Books:ASIN:Book attributes:DPI:OCR:Bookmarked:Scanned:Orientation:Paginated:Color:Clean:0yesyesMirrors:this mirrorLibgen.gsZ-LibraryOne-file
torrent
Copy fnameGnutellaEd2kDC++Torrent per 1000 filesA unified treatment of the generation and analysis of brain-generated electromagnetic fields.

In Brain Signals, Risto Ilmoniemi and Jukka Sarvas present the basic physical and mathematical principles of magnetoencephalography (MEG) and electroencephalography (EEG), describing what kind of information is available in the neuroelectromagnetic field and how the measured MEG and EEG signals can be analyzed. Unlike most previous works on these topics, which have been collections of writings by different authors using different conventions, this book presents the material in a unified manner, providing the reader with a thorough understanding of basic principles and a firm basis for analyzing data generated by MEG and EEG.

The book first provides a brief introduction to brain states and the early history of EEG and MEG, describes the generation of electromagnetic fields by neuronal activity, and discusses the electromagnetic forward problem. The authors then turn to EEG and MEG analysis, offering a review of linear and matrix algebra and basic statistics needed for analysis of the data, and presenting several analysis methods: dipole fitting; the minimum norm estimate (MNE); beamforming; the multiple signal classification algorithm (MUSIC), including RAP-MUSIC with the RAP dilemma and TRAP-MUSIC, which removes the RAP dilemma; independent component analysis (ICA); and blind source separation (BSS) with joint diagonalization.Table of contents :
Contents
Preface
1. Introduction
1.1 The Brain
1.2 Brain States
1.3 Electrical States of the Brain
1.4 MEG and EEG Signals as Measures of Brain States
1.5 Historical and Technical Background of EEG
1.6 Historical and Technical Background of MEG
1.7 State of the Art and Future Prospects for MEG Technology
1.7.1 High-Tc SQUID Magnetometers
1.7.2 Optically Pumped Magnetometers
1.7.3 hyQUIDs
1.7.4 Hybrid MEG–MRI Systems
1.7.5 MEG Systems for Measuring Infants and Fetuses
1.7.6 Methods to Remove Unwanted Components in the Data
2. Genesis of MEG and EEG
2.1 Maxwell’s Equations
2.1.1 Impressed and Primary Currents
2.2 The Current Dipole and Lead Fields
2.3 Cellular Basis for Electromagnetic Fields
2.4 The Action Potential
2.5 Postsynaptic Potential (PSP)
2.6 Denoscription of Synaptic Activity
3. Forward Problem
3.1 Conductor Models
3.2 The General Case
3.3 Fields in an Infinite Homogeneous Medium
3.4 Fields in an Inhomogeneous Medium
3.5 Computing the Lead Field
3.6 Spherical Model
3.7 Magnetic Field for the Spherical Model in Cartesian Coordinates
3.8 Magnetic Field for the Spherical Model in Spherical Coordinates
3.9 Triangle Construction and the Vector Potential of the Magnetic Field in the Spherical Model
3.10 Electric Potential V in a Layered Sphere and in a Homogeneous Sphere
3.11 Semi-Infinite Homogeneous Conductor
3.12 Appendix: Vector Potential Outside a Spherical Conductor Due to Current Dipole in the Conductor
3.13 Appendix: Series Expansion for Potential Due to Current Dipole in Multilayered Sphere
4. Review of Linear Algebra and Probability Theory for MEG and EEG Data Analysis

4.1 Notation and Terminology
4.2 Review of Linear Algebra for MEG and EEG
4.3 Review of Elementary Probability Theory
4.4 Solving Noisy Linear Equations
4.5 Solving Noisy Equations with Estimators
4.6 MNLS Solution and Tikhonov Regularization in Other Norms
5. Interpreting MEG and EEG Data
5.1 Approaches to the Interpretation of MEG and EEG Data
5.2 The Inverse Problem
5.3 The Solution Without A Priori Information
5.4 Signal Space and Signal-Space Projection (SSP)
5.5 The Solution If There Is A Priori Information
5.6 Measurement Data
5.7 Search for a Single Dipole Source
5.8 The EEG/MEG Inverse Problem and Its Solution by the MNE Method
5.8.1 Noise-Normalized MNE Methods
5.8.2 Minimum-Norm Estimates with Other Norms
6. Beamformers
6.1 Measurement Data Matrix for Beamformers
6.1.1 Signal-to-Noise Ratio (SNR)
6.2 Scalar Beamformer
6.3 Scalar Beamformer Filter Vector with Noiseless Data and Uncorrelated Time Courses
6.4 Filter Vector with Correlated Time Courses and Noiseless or Noisy Data
6.5 Linear Transform of the Data Equation
6.6 Search for Source Dipole Locations with the Output Power µ(p)
6.7 Improved Beamformer Localizers for Searching Source Dipoles
6.7.1 Regularizing Data and Noise Covariance Matrices
6.8 Finding Estimates for Time Courses
6.9 Scalar Beamformer with Optimal Orientations
6.10 Time-Dependent Orientations
6.11 Iterative Beamformers
6.12 Iterative RAP Beamformer with Fixed-Oriented Dipoles
6.13 Iterative RAP Beamformer with Freely-Oriented Dipoles
6.14 Out-Projecting and Null-Constraining
6.15 Iterative Multi-Source AI and PZ Beamformers with Fixed-Oriented Dipoles
6.16 Iterative MAI and MPZ Beamformers with Freely-Oriented Dipoles
6.17 Iterative MAI and PMZ Beamformers and Time-Dependent Orientations
6.18 Vector Beamformers
6.19 Summary on Beamformers
6.20 Appendix: Proof of Equation (6.27)
6.21 Appendix: Proofs of Equations (6.34) and (6.38)–(6.41)
6.22 Appendix: Approximations (6.36) and (6.37)
6.23 Appendix: Local Maxima of Localizers τ(p)
6.24 Appendix: Unbiasedness of Localizers τ(p)
7. MUSIC Algorithm for EEG and MEG
7.1 Measurement Data for MUSIC
7.2 MUSIC with Fixed-Oriented Source Dipoles
7.2.1 MUSIC with Freely-Oriented Source Dipoles
7.3 Whitening the Data Equation
7.4 RAP-MUSIC for Fixed-Oriented Dipoles
7.5 RAP-MUSIC for Freely-Oriented Dipoles
7.5.1 The RAP Dilemma
7.5.2 Truncated RAP-MUSIC (TRAP-MUSIC) for Fixed- and Freely-Oriented Dipoles
7.6 Double-Scanning (DS-) MUSIC
7.6.1 Recursive Double-Scanning MUSIC (RDS-MUSIC)
7.7 Summary on MUSIC Algorithm
8. Independent Component Analysis (ICA)
8.1 Measurement Data and the ICA Assumption
8.2 Preprocessing Data for ICA
8.3 FastICA for Finding One Weight Vector
8.4 FastICA for Finding All Weight Vectors (“Symmetric Mode")
8.4.1 Summary of the FastICA Algorithm
8.4.2 ICA with Nonstationary Multi-Trial Data
8.5 Appendix: Weight Vectors Are among the Roots of the Lagrange Equation
8.6 Appendix: Hessian H(w) of Function J(w)
8.7 Appendix: Local Maxima and Minima of J(w) for w=wk
9. Blind Source Separation by Joint Diagonalization
9.1 MUCA Algorithm
9.2 Two-Step Filtering for MUCA Algorithm
9.3 Appendix: FFdiag Algorithm
Bibliography
IndexError Report