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
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
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
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
Forwarded from اخلاق نشر و منابع علمی
This media is not supported in your browser
VIEW IN TELEGRAM
به مناسبت ۳۱ اکتبر زادروز راگنار گرانيت.
در دهه ۳۰ تا ۵۰ میلادی، راگنار گرانيت دانشمند فنلاندی-سوئدی موفق شد کشف کند که سه نوع سلول مخروطی در شبکیه وجود دارد که هر کدام به طول موج خاصی از نور واکنش نشان میدهند. این سه نوع مخروط (قرمز، سبز و آبی) بنیان تشخیص رنگ در انسان هستند.
تشخیص رنگها بسیار پیچیده تر از آن چیزی است که به نظر میرسد و مغز انسان بر اساس درصدی از هر کدام از مخروطها که توسط طول موجهای مختلف نور فعال میشوند، رنگها را تشخیص میدهد.
از همین خاصیت چشم و مغز انسان در تولید صفحات نمایش استفاده میشود و فقط با سه نوع سلول رنگی، تمام رنگها را نمایش میدهند.
فیلم در مورد نحوه تشخیص رنگ توسط چشم و مغز انسان است.
در واقع تشخیص رنگ در مغز انسان در سه کانال سیاه-سفید، آبی-زرد و سبز-قرمز صورت میگیرد و هر دو رنگ ذکر شده به صورت متضاد هم عمل میکنند.
طبق قانون هرینگ مغز انسان امکان ترکیب آبی-زرد یا سبز-قرمز را ندارد!
https://youtu.be/WN1yCigL3Hk
گرانيت در سال ۱۹۶۷ برنده جایزه نوبل شد.
#نوابغ_علم
در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید
http://t.me/pubethicsmums/2451
در دهه ۳۰ تا ۵۰ میلادی، راگنار گرانيت دانشمند فنلاندی-سوئدی موفق شد کشف کند که سه نوع سلول مخروطی در شبکیه وجود دارد که هر کدام به طول موج خاصی از نور واکنش نشان میدهند. این سه نوع مخروط (قرمز، سبز و آبی) بنیان تشخیص رنگ در انسان هستند.
تشخیص رنگها بسیار پیچیده تر از آن چیزی است که به نظر میرسد و مغز انسان بر اساس درصدی از هر کدام از مخروطها که توسط طول موجهای مختلف نور فعال میشوند، رنگها را تشخیص میدهد.
از همین خاصیت چشم و مغز انسان در تولید صفحات نمایش استفاده میشود و فقط با سه نوع سلول رنگی، تمام رنگها را نمایش میدهند.
فیلم در مورد نحوه تشخیص رنگ توسط چشم و مغز انسان است.
در واقع تشخیص رنگ در مغز انسان در سه کانال سیاه-سفید، آبی-زرد و سبز-قرمز صورت میگیرد و هر دو رنگ ذکر شده به صورت متضاد هم عمل میکنند.
طبق قانون هرینگ مغز انسان امکان ترکیب آبی-زرد یا سبز-قرمز را ندارد!
https://youtu.be/WN1yCigL3Hk
گرانيت در سال ۱۹۶۷ برنده جایزه نوبل شد.
#نوابغ_علم
در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید
http://t.me/pubethicsmums/2451
Forwarded from National Brain Mapping Lab
🔰 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
💠 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
🌐Website
National Brain Mapping Lab
🔰 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…
از آزمایشگاه اطلاع دادند که متاسفانه سایت و درگاه پرداخت دچار مشکل شده است و در تلاش برای رفع آن هستند
اگر تا شنبه مشکل برطرف نشد
با سرکار خانم وکیلی در آزمایشگاه هماهنگ کنید تا از طریق دیگر ثبت نام نهایی شود
با تشکر
@Vakili1988
به ای دی ایشان پیام بدهید
اگر تا شنبه مشکل برطرف نشد
با سرکار خانم وکیلی در آزمایشگاه هماهنگ کنید تا از طریق دیگر ثبت نام نهایی شود
با تشکر
@Vakili1988
به ای دی ایشان پیام بدهید
Forwarded from EEG workshop
برای استخراج توان در باندهای فرکانسی مورد نظر در متلب میتوان از دستور bandpower استفاده کرد(از help نرم افزار کمک بگیرید)
برای مثال x سیگنال eeg مورد نظر است و با فرکانس 250 هرتز نمونه برداری شده است و ما میخواهیم قدرت طیف الفا 8-13 هرتز را بدست اوریم مینویسیم
P=bandpower(x,250,[8 13])
برای مثال x سیگنال eeg مورد نظر است و با فرکانس 250 هرتز نمونه برداری شده است و ما میخواهیم قدرت طیف الفا 8-13 هرتز را بدست اوریم مینویسیم
P=bandpower(x,250,[8 13])
Forwarded from EEG workshop
در فیلتر کردن سیگنالها، خطی بودن فاز اهمیت زیادی دارد و از شیفت و جابجایی مولفه های فرکانسی در زمان(محل رویداد مولفه ها)، بعد از عبور سیگنال از فیلتر جلوگیری میکند. فیلتر های دیجیتال یا تمام صفرندFIR یا قطب دارندIIR که فیلتر های FIR با طراحی خاصی می توانند فاز خطی داشته باشند و بنابراین کاربرد زیادی در فیلتر کردن سیگنالها مخصوصاً سیگنالهای حیاتی دارند. یکی از دستورات طراحی فیلتر های پاسخ ضربه محدودFIR در متلب دستور firgr میباشد که با مشخص کردن پاسخ فرکانسی برای ان و با توجه به درجه فیلتر(تعداد تاخیر) ضرایب فیلتر را مشخص میکند. توضیحات بیشتر در جزوه mi2 اورده شده است
👇👇👇
👇👇👇
Forwarded from EEG workshop
در فیلتر کردن سیگنالها بسته به درجه فیلترها از نظر زمانی پیکها جابجا میشوند و مثلا پیک در ثانیه 2 به 2.2 ثانیه منتقل میشود
اگر از نظر زمانی، زمان رویدادن یک اتفاق مهم است در فیلتر کردن باید مواظب باشید تا شیفت پیدا نکند
برای اینکار میتوان از دستور filtfilt متلب استفاده کرد که یکبار سیگنال را درجهت مستقیم زمانی (time forward)و یکبار معکوس زمانی(time reverse) فیلتر میکند و شیفتها جبران میشود
اگر از نظر زمانی، زمان رویدادن یک اتفاق مهم است در فیلتر کردن باید مواظب باشید تا شیفت پیدا نکند
برای اینکار میتوان از دستور filtfilt متلب استفاده کرد که یکبار سیگنال را درجهت مستقیم زمانی (time forward)و یکبار معکوس زمانی(time reverse) فیلتر میکند و شیفتها جبران میشود
Forwarded from EEG workshop
در تصویر بالا می بینیم فیلتر معمولی شیفت زمانی داده ولی filtfilt محل زمانی پیک را حدودا تغییر نداده
Forwarded from EEG workshop
در روشهای استخراج باند الفا در سیگنال های مغزی این نکته در فیلتر کردن مهم است
در فیلترهای FIR حدودا به درجه فیلتر شیفت در نمونه های زمانی داریم مثلا فیلتر درجه 100 حدود 100 نمونه شیفت دارد(اگر فرکانس نمونه برداری 200 هرتز باشد 100 نمونه حدود نیم ثانیه میشود)
این روش برای پردازشهای offline مناسب است و برای کارهای online قابل استفاده نیست
در فیلترهای FIR حدودا به درجه فیلتر شیفت در نمونه های زمانی داریم مثلا فیلتر درجه 100 حدود 100 نمونه شیفت دارد(اگر فرکانس نمونه برداری 200 هرتز باشد 100 نمونه حدود نیم ثانیه میشود)
این روش برای پردازشهای offline مناسب است و برای کارهای online قابل استفاده نیست
Forwarded from EEG workshop
eeg_fig.jpeg
702.2 KB
شکل موجهایی که در EEG بیداری و خواب قابل مشاهده است
از کتاب اقای دکتر صانعی
از کتاب اقای دکتر صانعی
Forwarded from EEG workshop
WinEEG 3.4.9 (25.05.2022)_2.rar
120.9 MB
نرم افرار wineeg برای فایلهای دستگاه میتسار با پسوند eeg. که در eeglab باز نمیشود
با این نرم افزار بازکنید با فرمت edf ذخیره کنید و با eeglab باز کنید
با این نرم افزار بازکنید با فرمت edf ذخیره کنید و با eeglab باز کنید
Forwarded from اخلاق نشر و منابع علمی
This media is not supported in your browser
VIEW IN TELEGRAM
آیا خواندن ذهن امکان پذیر است؟!
در پژوهشی که اخیرا به چاپ رسیده است، پژوهشگران دانشگاه برکلی کالیفورنیا موفق شدند با پخش موسیقی (دیوار اثر پینک فلوید) فعالیت الکتریکی قشر شنوایی افراد را ثبت کرده و با استفاده از روشهای هوش مصنوعی در نهایت این موسیقی را با استفاده از فعالیت الکتریکی مغز بازسازی کنند.
گرچه هنوز این موسیقی تا حدودی مبهم است ولی کاملا قابل تشخیص است. شاید بتوان گفت یک قدم به "خواندن ذهن" نزدیک شده ایم.
با بهبود تدریجی این روشها میتوان کم کم به برگرداندن شنوایی و حتی شاید بینایی به افراد ناتوان با استفاده از تحریک الکتریکی مغز امیدوار بود!
فیلم در مورد همین پژوهش است.
http://t.me/pubethicsmums/2473
https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3002176
در پژوهشی که اخیرا به چاپ رسیده است، پژوهشگران دانشگاه برکلی کالیفورنیا موفق شدند با پخش موسیقی (دیوار اثر پینک فلوید) فعالیت الکتریکی قشر شنوایی افراد را ثبت کرده و با استفاده از روشهای هوش مصنوعی در نهایت این موسیقی را با استفاده از فعالیت الکتریکی مغز بازسازی کنند.
گرچه هنوز این موسیقی تا حدودی مبهم است ولی کاملا قابل تشخیص است. شاید بتوان گفت یک قدم به "خواندن ذهن" نزدیک شده ایم.
با بهبود تدریجی این روشها میتوان کم کم به برگرداندن شنوایی و حتی شاید بینایی به افراد ناتوان با استفاده از تحریک الکتریکی مغز امیدوار بود!
فیلم در مورد همین پژوهش است.
http://t.me/pubethicsmums/2473
https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3002176
Forwarded from Ali
گزارش مورد بررسی که توسط گروه مشاوره Implement و با حمایت گوگل تهیه شده است، به تحلیل فرصتهای اقتصادی ناشی از هوش مصنوعی (AI) بهویژه هوش مصنوعی مولد (Generative AI) در اتحادیه اروپا میپردازد. هدف این گزارش، فراتر رفتن از فضای تبلیغاتی پیرامون AI و ارزیابی پتانسیل واقعی آن در حل چالشهای اقتصادی و بهرهوری اروپا است.
چالشهای اصلی اتحادیه اروپا
رشد اقتصادی کند: رشد تولید ناخالص داخلی (GDP) اتحادیه اروپا از سال ۲۰۱۰ به طور مداوم از آمریکا عقبتر بوده و اقتصاد آمریکا اکنون ۱۶٪ بزرگتر از اقتصاد اتحادیه اروپا است.
شکاف در تحقیق و توسعه (R&D): سهم اتحادیه اروپا از GDP در زمینه R&D تنها ۲٪ است، در حالی که کشورهای پیشرو مانند کره جنوبی و اسرائیل بیش از ۵٪ از GDP خود را در این زمینه سرمایهگذاری میکنند.
توسعه ضعیف فناوری: اروپا در حوزههای کلیدی آینده مانند محاسبات کوانتومی، نیمههادیهای پیشرفته و هوش مصنوعی از آمریکا و چین عقبتر است. به عنوان مثال، در سال ۲۰۲۲ تنها ۲٪ از پتنتهای هوش مصنوعی متعلق به اتحادیه اروپا بوده است، در حالی که چین با ۶۱٪ و آمریکا با ۲۱٪ پیشرو هستند.
پتانسیل هوش مصنوعی مولد برای اتحادیه اروپا
افزایش GDP: تخمین زده میشود که در صورت پذیرش گسترده هوش مصنوعی مولد، تولید ناخالص داخلی اتحادیه اروپا طی ۱۰ سال آینده بین ۱.۲ تا ۱.۴ تریلیون یورو افزایش یابد، معادل ۸٪ رشد سالانه.
افزایش بهرهوری: هوش مصنوعی مولد میتواند بهرهوری ۶۱٪ از مشاغل را با بهبود کیفیت و سرعت کار افزایش دهد. مشاغلی مانند تحلیلگران، مهندسان، مدیران و کارکنان دولتی از جمله گروههایی هستند که بیشترین بهره را میبرند.
خلاقیت و نوآوری: این فناوری با تولید محتوا، شبیهسازیهای پیشرفته، و تجزیهوتحلیل دادهها میتواند به تسریع فرآیندهای نوآوری در بخشهای علمی و اقتصادی کمک کند.
تأثیر بر مشاغل
مشاغل تکمیلشده توسط AI: ۶۱٪ مشاغل موجود با استفاده از هوش مصنوعی مولد تقویت خواهند شد. این شامل مشاغلی است که نیاز به تفکر خلاق و حل مسائل پیچیده دارند.
مشاغل متأثر از اتوماسیون: حدود ۷٪ از مشاغل (۱۵ میلیون شغل) ممکن است نیاز به تغییرات اساسی داشته باشند. این شامل مشاغلی با وظایف تکراری، مانند کارمندان دفتری و مترجمان، است.
بازآموزی و انتقال شغلی: گزارش تأکید دارد که با برنامههای بازآموزی و مهارتافزایی، میتوان این تغییرات را مدیریت کرد و نیروی کار را به حوزههای جدید هدایت کرد.
مزایای بالقوه در بخشهای مختلف
خدمات عمومی: هوش مصنوعی مولد میتواند با ارائه راهکارهای هوشمند، کیفیت خدمات عمومی را بهبود بخشد و زمان آزاد شده را به خدمات ارزشمندتر اختصاص دهد.
نوآوری علمی: هوش مصنوعی با تواناییهای پیشرفته خود میتواند کشفیات علمی را سرعت بخشد، به ویژه در زمینههایی مانند پیشبینی مولکولی، ژنومیک، و کشف دارو.
افزایش بهرهوری در بخش خدمات: برخلاف فناوریهای گذشته که بیشتر به بخش تولیدی کمک میکردند، هوش مصنوعی مولد میتواند بهرهوری در بخش خدمات، مانند آموزش، بهداشت و تجارت را به طور قابل توجهی افزایش دهد.
چالشها و موانع پذیرش AI
پذیرش کم در میان کسبوکارهای کوچک و متوسط (SME): تنها ۷٪ از SMEها در سال ۲۰۲۳ از AI استفاده کردهاند، در مقایسه با ۳۰٪ شرکتهای بزرگ.
مشکلات قانونی و شفافیت: عدم اطمینان قانونی و هزینههای تطبیق با مقررات میتواند سرعت پذیرش AI را کاهش دهد، بهویژه برای SMEها.
نیاز به زیرساختها و مهارتها: زیرساختهای محاسباتی و مهارتهای انسانی برای بهرهبرداری کامل از هوش مصنوعی هنوز در بسیاری از نقاط اتحادیه اروپا محدود است.
راهکارهای پیشنهادی برای موفقیت
سرمایهگذاری در تحقیق و توسعه: افزایش بودجه R&D و حمایت از همکاریهای بینالمللی، بهویژه با آمریکا، برای انتقال فناوری و مهارتها.
ایجاد مقررات شفاف: تدوین سیاستهای واضح برای حفاظت از حریم خصوصی و امنیت دادهها در عین تسهیل نوآوری.
آموزش نیروی کار: برنامههای آموزشی برای بازآموزی کارکنان و آمادهسازی آنها برای همکاری با فناوریهای جدید.
ترویج پذیرش گسترده: حمایت از SMEها از طریق کمکهای فنی و برنامههای آموزشی.
نتیجهگیری
این گزارش نتیجه میگیرد که هوش مصنوعی مولد فرصتی بینظیر برای اروپا فراهم میکند تا از کاهش قدرت اقتصادی خود جلوگیری کرده و رقابتپذیری جهانی خود را افزایش دهد. با این حال، بهرهبرداری کامل از این فرصت مستلزم سرمایهگذاری، نوآوری، آموزش و ایجاد قوانین مناسب است.
چالشهای اصلی اتحادیه اروپا
رشد اقتصادی کند: رشد تولید ناخالص داخلی (GDP) اتحادیه اروپا از سال ۲۰۱۰ به طور مداوم از آمریکا عقبتر بوده و اقتصاد آمریکا اکنون ۱۶٪ بزرگتر از اقتصاد اتحادیه اروپا است.
شکاف در تحقیق و توسعه (R&D): سهم اتحادیه اروپا از GDP در زمینه R&D تنها ۲٪ است، در حالی که کشورهای پیشرو مانند کره جنوبی و اسرائیل بیش از ۵٪ از GDP خود را در این زمینه سرمایهگذاری میکنند.
توسعه ضعیف فناوری: اروپا در حوزههای کلیدی آینده مانند محاسبات کوانتومی، نیمههادیهای پیشرفته و هوش مصنوعی از آمریکا و چین عقبتر است. به عنوان مثال، در سال ۲۰۲۲ تنها ۲٪ از پتنتهای هوش مصنوعی متعلق به اتحادیه اروپا بوده است، در حالی که چین با ۶۱٪ و آمریکا با ۲۱٪ پیشرو هستند.
پتانسیل هوش مصنوعی مولد برای اتحادیه اروپا
افزایش GDP: تخمین زده میشود که در صورت پذیرش گسترده هوش مصنوعی مولد، تولید ناخالص داخلی اتحادیه اروپا طی ۱۰ سال آینده بین ۱.۲ تا ۱.۴ تریلیون یورو افزایش یابد، معادل ۸٪ رشد سالانه.
افزایش بهرهوری: هوش مصنوعی مولد میتواند بهرهوری ۶۱٪ از مشاغل را با بهبود کیفیت و سرعت کار افزایش دهد. مشاغلی مانند تحلیلگران، مهندسان، مدیران و کارکنان دولتی از جمله گروههایی هستند که بیشترین بهره را میبرند.
خلاقیت و نوآوری: این فناوری با تولید محتوا، شبیهسازیهای پیشرفته، و تجزیهوتحلیل دادهها میتواند به تسریع فرآیندهای نوآوری در بخشهای علمی و اقتصادی کمک کند.
تأثیر بر مشاغل
مشاغل تکمیلشده توسط AI: ۶۱٪ مشاغل موجود با استفاده از هوش مصنوعی مولد تقویت خواهند شد. این شامل مشاغلی است که نیاز به تفکر خلاق و حل مسائل پیچیده دارند.
مشاغل متأثر از اتوماسیون: حدود ۷٪ از مشاغل (۱۵ میلیون شغل) ممکن است نیاز به تغییرات اساسی داشته باشند. این شامل مشاغلی با وظایف تکراری، مانند کارمندان دفتری و مترجمان، است.
بازآموزی و انتقال شغلی: گزارش تأکید دارد که با برنامههای بازآموزی و مهارتافزایی، میتوان این تغییرات را مدیریت کرد و نیروی کار را به حوزههای جدید هدایت کرد.
مزایای بالقوه در بخشهای مختلف
خدمات عمومی: هوش مصنوعی مولد میتواند با ارائه راهکارهای هوشمند، کیفیت خدمات عمومی را بهبود بخشد و زمان آزاد شده را به خدمات ارزشمندتر اختصاص دهد.
نوآوری علمی: هوش مصنوعی با تواناییهای پیشرفته خود میتواند کشفیات علمی را سرعت بخشد، به ویژه در زمینههایی مانند پیشبینی مولکولی، ژنومیک، و کشف دارو.
افزایش بهرهوری در بخش خدمات: برخلاف فناوریهای گذشته که بیشتر به بخش تولیدی کمک میکردند، هوش مصنوعی مولد میتواند بهرهوری در بخش خدمات، مانند آموزش، بهداشت و تجارت را به طور قابل توجهی افزایش دهد.
چالشها و موانع پذیرش AI
پذیرش کم در میان کسبوکارهای کوچک و متوسط (SME): تنها ۷٪ از SMEها در سال ۲۰۲۳ از AI استفاده کردهاند، در مقایسه با ۳۰٪ شرکتهای بزرگ.
مشکلات قانونی و شفافیت: عدم اطمینان قانونی و هزینههای تطبیق با مقررات میتواند سرعت پذیرش AI را کاهش دهد، بهویژه برای SMEها.
نیاز به زیرساختها و مهارتها: زیرساختهای محاسباتی و مهارتهای انسانی برای بهرهبرداری کامل از هوش مصنوعی هنوز در بسیاری از نقاط اتحادیه اروپا محدود است.
راهکارهای پیشنهادی برای موفقیت
سرمایهگذاری در تحقیق و توسعه: افزایش بودجه R&D و حمایت از همکاریهای بینالمللی، بهویژه با آمریکا، برای انتقال فناوری و مهارتها.
ایجاد مقررات شفاف: تدوین سیاستهای واضح برای حفاظت از حریم خصوصی و امنیت دادهها در عین تسهیل نوآوری.
آموزش نیروی کار: برنامههای آموزشی برای بازآموزی کارکنان و آمادهسازی آنها برای همکاری با فناوریهای جدید.
ترویج پذیرش گسترده: حمایت از SMEها از طریق کمکهای فنی و برنامههای آموزشی.
نتیجهگیری
این گزارش نتیجه میگیرد که هوش مصنوعی مولد فرصتی بینظیر برای اروپا فراهم میکند تا از کاهش قدرت اقتصادی خود جلوگیری کرده و رقابتپذیری جهانی خود را افزایش دهد. با این حال، بهرهبرداری کامل از این فرصت مستلزم سرمایهگذاری، نوآوری، آموزش و ایجاد قوانین مناسب است.