درباره phase reseting در ERP ها

پدرخوانده هوش مصنوعی برنده جایزه نوبل فیزیک ۲۰۲۴ شد

🔹جایزه نوبل فیزیک سال ۲۰۲۴ به «جان جی. هاپفیلد» و «جفری ای. هینتون»، معروف به پدرخوانده هوش مصنوعی رسید. این جایزه برای اکتشافات و اختراعات بنیادی که امکان یادگیری ماشینی با شبکه‌های عصبی مصنوعی را می‌دهد، به این دو دانشمند اهدا شد.
🔹یادگیری ماشینی مبتنی‌بر شبکه‌های عصبی مصنوعی درحال‌حاضر انقلابی در علم، مهندسی و حتی زندگی روزمره ایجاد کرده است.
🔹هاپفیلد ساختاری ایجاد کرده است که می‌تواند اطلاعات را با یادگیری ماشینی ذخیره و بازسازی کند. هینتون نیز روشی را اختراع کرده است که می‌تواند به‌صورت مستقل ویژگی‌های هر داده را کشف کند و برای شبکه‌های عصبی بزرگی که اکنون مورداستفاده قرار می‌گیرند، به کار رود.


@Aalijnab

آینده نگاری در نظام سلامت

🔰 آزمایشگاه ملی نقشه برداری مغز برگزار می‌کند:

💠 ۳۰ امین کارگاه ثبت، پردازش و تحلیل سیگنالهای EEG💠

🟢 مدرسین:
☑️دكتر علی مطيع نصرآبادی
☑️دكتر محمد ميكائيلی

🕑زمان: چهارشنبه، پنجشنبه و جمعه
۲۳ الی ۲۵ آبان ۱۴۰۳

‼️ظرفیت محدود ‼️

🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.

☎️ تماس با ما: 02186093155

💠Telegram
💠Instagram
💠LinkedIn
🌐Website

فیلم آموزش EEGLAB_قسمتی از کارگاه پردازش سیگنال های مغزی توسط دکتر نصرآبادی به درخواست شرکت کنندگان
import data_import event_ channel locations
روی داده ساختگی
👇👇👇👇👇
📱لینک عضویت کانال:
✅ https://news.1rj.ru/str/joinchat/AAAAAD7DKCCSYN9in_TFWQ

قسمتیهایی از کارگاه سه روزه ثبت و پردازش سیگنالهای مغزی

دوستانی که تازه به کانال وارد شده اند با جستجوی کلمه فیلم می توانند نمونه فیلمهای کارگاه های مختلف را پیدا نمایند

توجه شود پیام از طرف برگزار کننده رویداد است
سلام
وقت همگی بخیر
انشالله امروز، سه شنبه ۱ آبان، از ساعت ۱۴ تا ۱۷ خدمت شما هستیم برای جلسه آشنایی دوره اعتبارسنجی.
جلسه به صورت آنلاین برگزار میشود و از این لینک جلسه برای حضور در جلسه استفاده کنید:
https://teams.live.com/meet/9456566780099?p=j0vPlLZJckzw0czxCI

این دوره با حمایت ستاد شناختی برگزار میشود، لذا اگر فناور دیگری را می‌شناسید که دوست داره کسب و کار راه بندازه و کارش مرتبط با فناوری شناختی هست، میتوانید به جلسه امروز دعوت کنید.

سلام دوستان
دلیلش را خواهم گفت
شاعر این شعر کیست؟
جواب حافظ نیست
به ای دی من بفرستید
@ali_m_n2015
با تشکر
نصرآبادی
ای دوست بیا آخر، دل خسته شد از هجران
برخیز که جانم را، درمان تویی ای جانان
چون شمع به ره ماندم، بی‌نور ز هجرانت
آتش ز دل افروزد، هر دم به غمِ پنهان
هر لحظه به یاد تو، دل پر شده از حسرت
ای کاش که برگردی، با باده و با پیمان
چون باد صبا گوید، راز دلِ بی‌تابم
چون شوق وصال تو، از سینه شود طوفان
از گردش این دنیا، دل خون شده از غم‌ها
ای ساقی مهربان، جامی ده ز صفای جان
حافظ به غمت خو کرد، با یاد خوش رویت
باشد که وصالت را، آید به دل آسان

سلام
دیوان حافظ را  دادم به چت  chatgpt گفتم ترنسفر لرنینگ کند
بعد گفتم بر اساس غزل ای پادشه خوبان با موضوع
عشق به زندگی یک غزل بگو
یک مقدار باهاش کلنجار رفتم این را داد
عالی نیست
برای مخاطب غیر حرفه ای تشخیص خطاهای آن سخت است
درحال تدوین دوره هوش مصنوعی و یادگیری عمیق در پردازش سیگنالهای مغزی و حیاتی هستم

This paper introduces the DERCo (Dublin EEG-based Reading Experiment Corpus), a language resource combining electroencephalography (EEG) and next-word prediction data obtained from participants reading narrative texts. The dataset comprises behavioral data collected from 500 participants recruited through the Amazon Mechanical Turk online crowd-sourcing platform, along with EEG recordings from 22 healthy adult native English speakers. The online experiment was designed to examine the context-based word prediction by a large sample of participants, while the EEG-based experiment was developed to extend the validation of behavioral next-word predictability. Online participants were instructed to predict upcoming words and complete entire stories. Cloze probabilities were then calculated for each word so that this predictability measure could be used to support various analyses pertaining to semantic context effects in the EEG recordings. EEG-based analyses revealed significant differences between high and low predictable words, demonstrating one important type of potential analysis that necessitates close integration of these two datasets. This material is a valuable resource for researchers in neurolinguistics due to the word-level EEG recordings in context.

این مقاله "DERCo" (مجموعه داده‌های آزمایش خواندن مبتنی بر EEG در دوبلین) را معرفی می‌کند که یک منبع زبانی است که داده‌های الکتروانسفالوگرافی (EEG) و پیش‌بینی کلمه‌ی بعدی را که از شرکت‌کنندگان در حال خواندن متون روایتی به دست آمده، ترکیب می‌کند. این مجموعه داده شامل داده‌های رفتاری از 500 شرکت‌کننده است که از طریق پلتفرم آنلاین آمازون مکانیکال ترک گردآوری شده‌اند و همچنین شامل ضبط EEG از 22 بزرگسال سالم و انگلیسی‌زبان بومی است. آزمایش آنلاین برای بررسی پیش‌بینی کلمه بر اساس زمینه توسط تعداد زیادی از شرکت‌کنندگان طراحی شده، در حالی که آزمایش مبتنی بر EEG برای اعتبارسنجی پیش‌بینی کلمه‌ی بعدی به صورت رفتاری توسعه یافته است. از شرکت‌کنندگان آنلاین خواسته شد که کلمات بعدی را پیش‌بینی کنند و داستان‌ها را به طور کامل به پایان برسانند. سپس احتمال کلوز (cloze) برای هر کلمه محاسبه شد تا این معیار پیش‌بینی‌پذیری بتواند برای پشتیبانی از تحلیل‌های مختلف مرتبط با اثرات زمینه معنایی در ضبط‌های EEG مورد استفاده قرار گیرد. تحلیل‌های مبتنی بر EEG تفاوت‌های قابل توجهی بین کلمات با پیش‌بینی‌پذیری بالا و پایین را نشان داد و نشانگر یک نوع مهم از تحلیل بالقوه است که نیازمند ادغام نزدیک این دو مجموعه داده می‌باشد. این منبع برای محققان در زمینه عصب‌زبان‌شناسی ارزشمند است، به‌ویژه به دلیل داده‌های EEG در سطح کلمه در بافت معنایی.

An Electroencephalography (EEG) dataset utilizing rich text stimuli can advance the understanding of how the brain encodes semantic information and contribute to semantic decoding in brain-computer interface (BCI). Addressing the scarcity of EEG datasets featuring Chinese linguistic stimuli, we present the ChineseEEG dataset, a high-density EEG dataset complemented by simultaneous eye-tracking recordings. This dataset was compiled while 10 participants silently read approximately 13 hours of Chinese text from two well-known novels. This dataset provides long-duration EEG recordings, along with pre-processed EEG sensor-level data and semantic embeddings of reading materials extracted by a pre-trained natural language processing (NLP) model. As a pilot EEG dataset derived from natural Chinese linguistic stimuli, ChineseEEG can significantly support research across neuroscience, NLP, and linguistics. It establishes a benchmark dataset for Chinese semantic decoding, aids in the development of BCIs, and facilitates the exploration of alignment between large language models and human cognitive processes. It can also aid research into the brain’s mechanisms of language processing within the context of the Chinese natural language.

یک مجموعه داده الکتروانسفالوگرافی (EEG) که از محرک‌های متنی غنی استفاده می‌کند، می‌تواند به درک نحوه رمزگذاری اطلاعات معنایی در مغز کمک کرده و به رمزگشایی معنایی در رابط‌های مغز-رایانه (BCI) یاری رساند. با توجه به کمبود مجموعه داده‌های EEG با محرک‌های زبانی چینی، ما مجموعه داده "ChineseEEG" را معرفی می‌کنیم؛ یک مجموعه داده EEG با چگالی بالا که با ضبط‌های هم‌زمان ردیابی حرکات چشم تکمیل شده است. این مجموعه داده در حین خواندن خاموش تقریباً 13 ساعت متن چینی از دو رمان معروف توسط 10 شرکت‌کننده جمع‌آوری شده است. این مجموعه داده شامل ضبط‌های طولانی مدت EEG، همراه با داده‌های پردازش‌شده در سطح حسگر EEG و تعبیه‌های معنایی از متون خوانده‌شده است که توسط یک مدل پردازش زبان طبیعی (NLP) از پیش آموزش‌دیده استخراج شده است. به‌عنوان یک مجموعه داده پایلوت EEG از محرک‌های زبانی طبیعی چینی، ChineseEEG می‌تواند به‌طور قابل توجهی از تحقیقات در زمینه‌های علوم اعصاب، NLP و زبان‌شناسی پشتیبانی کند. این مجموعه به‌عنوان یک مجموعه داده معیار برای رمزگشایی معنایی چینی عمل می‌کند، در توسعه رابط‌های مغز-رایانه مفید است و کاوش در هم‌سویی مدل‌های زبان بزرگ با فرآیندهای شناختی انسان را تسهیل می‌کند. همچنین، این مجموعه می‌تواند به تحقیقات در مورد مکانیسم‌های مغز در پردازش زبان در زمینه زبان طبیعی چینی کمک کند.