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.

We present a mobile dataset obtained from electroencephalography (EEG) of the scalp and around the ear as well as from locomotion sensors by 24 participants moving at four different speeds while performing two brain-computer interface (BCI) tasks. The data were collected from 32-channel scalp-EEG, 14-channel ear-EEG, 4-channel electrooculography, and 9-channel inertial measurement units placed at the forehead, left ankle, and right ankle. The recording conditions were as follows: standing, slow walking, fast walking, and slight running at speeds of 0, 0.8, 1.6, and 2.0 m/s, respectively. For each speed, two different BCI paradigms, event-related potential and steady-state visual evoked potential, were recorded. To evaluate the signal quality, scalp- and ear-EEG data were qualitatively and quantitatively validated during each speed. We believe that the dataset will facilitate BCIs in diverse mobile environments to analyze brain activities and evaluate the performance quantitatively for expanding the use of practical BCIs.

ما یک مجموعه داده موبایل معرفی می‌کنیم که از الکتروانسفالوگرافی (EEG) در نواحی پوست سر و اطراف گوش و همچنین از حسگرهای حرکتی از 24 شرکت‌کننده در حین حرکت با چهار سرعت مختلف در حین انجام دو وظیفه رابط مغز-رایانه (BCI) به دست آمده است. داده‌ها از 32 کانال EEG پوست سر، 14 کانال EEG گوش، 4 کانال الکترواوکولوگرافی (EOG)، و 9 کانال واحدهای اندازه‌گیری اینرسی که در پیشانی، مچ پای چپ و مچ پای راست قرار گرفته بودند، جمع‌آوری شدند. شرایط ضبط به‌صورت زیر بود: ایستاده، راه‌رفتن آهسته، راه‌رفتن سریع و دویدن آرام با سرعت‌های 0، 0.8، 1.6 و 2.0 متر بر ثانیه، به‌ترتیب. برای هر سرعت، دو الگوی مختلف BCI، پتانسیل مرتبط با رویداد (ERP) و پتانسیل بصری برانگیخته حالت ماندگار (SSVEP) ضبط شدند. برای ارزیابی کیفیت سیگنال، داده‌های EEG پوست سر و گوش در هر سرعت به‌صورت کیفی و کمی اعتبارسنجی شدند. ما معتقدیم که این مجموعه داده به تسهیل توسعه BCIها در محیط‌های مختلف موبایل کمک خواهد کرد تا فعالیت‌های مغزی را تحلیل کرده و عملکرد را به‌طور کمی ارزیابی نماید و استفاده از BCIهای کاربردی را گسترش دهد.

Automated preprocessing methods are critically needed to process the large publicly-available EEG databases, but the optimal approach remains unknown because we lack data quality metrics to compare them. Here, we designed a simple yet robust EEG data quality metric assessing the percentage of significant channels between two experimental conditions within a 100 ms post-stimulus time range. Because of volume conduction in EEG, given no noise, most brain-evoked related potentials (ERP) should be visible on every single channel. Using three publicly available collections of EEG data, we showed that, with the exceptions of high-pass filtering and bad channel interpolation, automated data corrections had no effect on or significantly decreased the percentage of significant channels. Referencing and advanced baseline removal methods were significantly detrimental to performance. Rejecting bad data segments or trials could not compensate for the loss in statistical power. Automated Independent Component Analysis rejection of eyes and muscles failed to increase performance reliably. We compared optimized pipelines for preprocessing EEG data maximizing ERP significance using the leading open-source EEG software: EEGLAB, FieldTrip, MNE, and Brainstorm. Only one pipeline performed significantly better than high-pass filtering the data.

روش‌های پیش‌پردازش خودکار برای پردازش مجموعه داده‌های EEG عمومی بسیار ضروری هستند، اما روش بهینه همچنان ناشناخته است زیرا ما معیارهای کیفی برای مقایسه آنها نداریم. در اینجا، ما یک معیار ساده و در عین حال قدرتمند برای ارزیابی کیفیت داده‌های EEG طراحی کردیم که درصد کانال‌های معنادار بین دو شرایط آزمایشی را در بازه زمانی 100 میلی‌ثانیه پس از محرک اندازه‌گیری می‌کند. به‌دلیل هدایت حجمی در EEG، در شرایط بدون نویز، انتظار می‌رود اکثر پتانسیل‌های مرتبط با رویداد (ERP) در هر کانال قابل مشاهده باشند. با استفاده از سه مجموعه داده عمومی EEG، نشان دادیم که، با استثنای فیلترگذاری بالاگذر و درونیابی کانال‌های معیوب، اصلاحات خودکار داده‌ها تأثیری نداشت یا به‌طور قابل‌توجهی درصد کانال‌های معنادار را کاهش داد. ارجاع‌دهی و روش‌های حذف پیشرفته خط مبنا تأثیر منفی قابل‌توجهی بر عملکرد داشتند. حذف بخش‌ها یا آزمایش‌های داده معیوب نمی‌توانست کاهش قدرت آماری را جبران کند. حذف خودکار اجزای مستقل مربوط به چشم‌ها و عضلات نیز به‌طور قابل اعتمادی عملکرد را بهبود نداد. ما بهینه‌ترین خطوط پردازش پیش‌پردازش داده‌های EEG را برای حداکثرسازی معناداری ERP با استفاده از برترین نرم‌افزارهای منبع باز EEG مقایسه کردیم: EEGLAB، FieldTrip، MNE و Brainstorm. تنها یک خط پردازش عملکردی به‌طور قابل‌توجهی بهتر از فیلترگذاری بالاگذر داده‌ها نشان داد.

برنامه  سی امین کارگاه ثبت پردازش و تحلیل سیگنالهای EEG

روز اول

- 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
 

- مقدمه ای بر مفاهیم و تعاریف مرتبط با پردازش EEG/ERP نظیر هادی حجمی، منابع مغزی، cortical patch  و ...

روز دوم

 - 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 
 

- 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
 

روز سوم

- 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
 

- کار با eeglab  و پیاده سازی مفاهیم تئوري های گفته شده
- 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

Chapter 1: Dynamic intuitionistic fuzzy weighting averaging operator: A multi-criteria decision-making technique for the diagnosis of brain tumor
1.1 Introduction
1.2 Multi-criteria decision making
1.3 Aggregation
1.4 Decision making
1.5 Medical diagnosis
1.6 Fuzzy theory
1.7 Intuitionistic fuzzy sets (IFS)
1.8 Intuitionistic fuzzy variable
1.9 Intuitionistic fuzzy number (IFN) and its operations
1.10 Dynamic intuitionistic fuzzy weighted averaging (DIFWA) operator
1.11 Medical diagnosis of the type of brain tumor
1.12 Proposed medical making algorithm: Dynamic intuitionistic fuzzy weighted averaging (DIFWA) operator
1.13 Evaluation of case study
1.14 Result
1.15 Result discussion
1.16 Conclusion
References
Chapter 2: Neural modeling and neural computation in a medical approach
2.1 Introduction
2.1.1 Introduction
2.1.2 Why are neuron models better?
2.1.3 Objective
2.2 Dynamic and architecture for neural computation
2.2.1 Overview of dynamic model
2.3 Neural modeling in functioning brain imaging
2.3.1 Hemodynamic-metabolic methods of functional neuroimaging signal
2.3.1.1 Functional MRI
2.3.1.2 Electric-magnetic methods
2.3.2 A brief review of neural modeling in functional brain imaging
2.3.2.1 Neuromodeling and PET/fMRI
2.3.2.2 EEG/MEG and neuromodeling
2.3.3 Conclusion
2.4 Literature review
2.4.1 Type of neural model
2.4.1.1 Single cell level models
2.4.1.2 Ensemble-level models
2.4.1.3 Systems-level models
2.4.2 Machine learning
2.4.2.1 Artificial intelligence vs machine learning vs deep learning
2.4.2.1.1 Artificial intelligence
2.4.2.1.2 Machine learning
2.4.2.1.2.1 Supervised learning
2.4.2.1.2.2 Unsupervised learning
2.4.2.1.2.3 Reinforcement learning
2.4.2.1.3 Deep learning
2.4.3 Application of machine learning
2.4.3.1 Machine learning in healthcare
2.4.4 Types of algorithms being used
2.4.4.1 Logistic regression
2.4.2.2 Convolutional neural network
2.4.2.3 Artificial neural networks
2.4.5 Considered learning algorithms
2.5 Best performing algorithm
2.6 Normalization and neural coding
2.7 Conclusion
References
Chapter 3: Neural networks and neurodiversity: The key foundation for neuroscience
3.1 Introduction
3.2 What is neuroscience?
3.3 Artificial neural network: A brief chronology
3.3.1 Do deep learning and neuroscience still need each other?
3.4 Neuro-imaging methods for cognitive developmental neurosciences
3.5 Neuromyths
3.6 Neural networks
3.6.1 Neuron models
3.6.2 General properties of neural networks
3.6.3 Neural network classification
3.6.3.1 Multilayer feedforward neural network (MLFFNN)
3.6.3.2 Single-layer feedforward neural network (SLFFNN)
3.6.3.3 Recurrent neural network (RNN)
3.7 RNNs as a tool of neurological science research
3.7.1 RNNs as an important model for computations
3.7.2 RNNs designing
3.7.3 Functionality and optimization
3.8 RNNs can be trained without intuition
3.9 Hypothesis and theory generation
3.10 Introduction to neurodiversity
3.11 Neurodiversity: The situation of including autistic employees at work
3.11.1 The links between technology, organization, and skills
3.11.2 Problem analysis
3.11.3 Neurodiversity at the workplace at different levels
3.11.4 Methodology
3.11.5 Result
3.12 Scope and conclusion
References
Chapter 4: Brain waves, neuroimaging (fMRI, EEG, MEG, PET, NIR)
4.1 Introduction
4.2 Brain waves
4.3 Neuroimaging
4.4 Conclusion
References
Web Source
Chapter 5: EEG: Concepts, research-based analytics, and applications
5.1 Introduction
5.2 Preprocessing techniques of EEG signals
5.3 Machine learning and deep learning based EEG data analysis techniques
5.4 Applications of EEG
5.4.1 Cognitive neuroscience
5.4.2 Behavioral neuroscience
5.4.3 Neuro-marketing
5.4.4 Sports and meditation
5.4.5 Educational purpose
5.4.6 Security
5.4.7 Brain control robotics
5.5 Challenges associated with EEG

5.5.1 Technical challenges
5.5.2 Social and ethical challenges
5.5.3 Environmental challenges
5.6 Conclusion
References
Chapter 6: Classification of gait signals for detection of neurodegenerative diseases using log energy entropy and ANN classifier
6.1 Introduction
6.2 Method and materials
6.2.1 Dataset used
6.2.2 Feature extraction
6.2.3 Classification
6.2.3.1 Classification performance
6.3 Results and discussion
6.4 Conclusion
References
Chapter 7: An optimized text summarization for healthcare analytics using swarm intelligence
7.1 Introduction
7.1.1 Text summarization
7.1.2 Text summarization approaches

7.1.1 Text summarization
7.1.2 Text summarization approaches
7.1.2.1 Extractive text summarization
7.1.2.2 Abstractive text summarization
7.1.3 Text summarization in healthcare
7.2 Literature review
7.3 TF-IDF algorithm
7.4 Swarm intelligence using particle swarm optimization
7.4.1 Particle swarm optimization algorithm
7.5 Proposed methodology
7.5.1 Input text
7.5.2 Preprocessing
7.5.2.1 Sentence tokenization
7.5.2.2 Stop word removal
7.5.2.3 Stemming
7.5.3 Applying TF-IDF algorithm
7.5.4 Generation of different versions of summary
7.5.5 Applying PSO algorithm
7.5.5.1 Find all possible sets of summaries
7.5.5.2 Initialization of PSO parameters
7.5.5.3 Update the parameters until they get optimized or until some condition is reached
7.5.5.4 Get the p-best value for all versions
7.5.6 Evaluate the summaries and provide the best optimized summary as a result
7.6 Results and discussions
7.7 Conclusion and future work
References
Chapter 8: Computer aided diagnosis of neurodegenerative diseases using discrete wavelet transform and neural network for classification
8.1 Introduction
8.2 Methods and materials
8.2.1 Dataset used
8.2.2 Discrete wavelet transforms
8.2.3 Feature extraction
8.2.4 Artificial neural network classifier
8.3 Results and discussion
8.4 Conclusion
References
Chapter 9: EEG artifact detection and removal techniques: A brief review
9.1 Introduction
9.2 Different types of EEG artifacts
9.2.1 Ocular (EOG) artifact
9.2.2 Muscular artifact
9.2.3 Cardiac artifact
9.2.4 Motion artifact
9.3 Artifact removal techniques
9.3.1 Regression technique
9.3.2 Filtering technique
9.3.2.1 Adaptive filtering
9.3.3 Decomposition technique
9.3.3.1 Techniques of blind source separation (BSS)
9.3.3.1.1 Independent component analysis (ICA)
9.3.3.1.2 Canonical correlation analysis (CCA)
9.3.3.1.3 Morphological component analysis (MCA)
9.3.3.1.4 Principal component analysis (PCA)
9.3.3.2 Wavelet transform (WT)
9.3.3.3 Empirical mode decomposition (EMD)
9.3.3.4 Variational mode decomposition
9.3.4 Machine learning technique
9.3.5 Combined approach for artifact removal
9.3.5.1 Blind source separation and adaptive filtering
9.3.5.2 Adaptive filtering and wavelet transform
9.3.5.3 Technique of BSS and WT
9.3.5.4 Technique of EMD and BSS
9.3.5.5 Adaptive filtering and EMD
9.3.5.6 Technique of BSS and SVM
9.3.6 Summary of earlier methods used for EEG artifact removal
9.4 Proposed technique
9.4.1 Fast discrete S transform (FDST)
9.5 Result and discussion
9.6 Conclusion
References
Chapter 10: Analysis of neural network and neuromorphic computing with hardware: A survey
10.1 Introduction
10.2 Models of research
10.2.1 Models of neurons
10.2.2 Synapse models
10.2.2.1 Network model
10.3 Algorithm and learning
10.3.1 Supervised learning concept
10.4 Conclusion
References
Chapter 11: Analysis of technology research and ADHD with the neurodivergent reader: A survey
11.1 Introduction
11.2 Domain previous study
11.2.1 ADHD
11.2.2 Neurodivergence and HCI
11.2.3 Studies of disabilities with a critical lens and crip technology
11.3 Research methods
11.3.1 Development of corpus
11.4 Result and discussion
11.5 Research gaps
11.6 Conclusion