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

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])

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
👇👇👇

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

سیگنال ECG ساختگی 👆👆👆

در تصویر بالا می بینیم فیلتر معمولی شیفت زمانی داده ولی filtfilt محل زمانی پیک را حدودا تغییر نداده

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

شکل موجهایی که در EEG بیداری و خواب قابل مشاهده است
از کتاب اقای دکتر صانعی

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

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

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.

🔰 آزمایشگاه ملی نقشه برداری مغز برگزار می‌کند:   
   
💠 دهمین کارگاه مبانی پردازش سیگنال های حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی💠   
   

🟢مدرس:
دکتر علی مطیع نصر آبادی، استاد دانشگاه شاهد
   
🕑زمان:
۶ و ۷ دی ماه ۱۴۰۳
              
‼️ظرفیت محدود ‼️  
   
🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.   
  
☎️ تماس با ما: 02186093155  
  
   
💠Telegram
💠Instagram
💠LinkedIn
🌐Website

به درخواست شرکت کنندگان دوره eeg قرار شد کارگاه کد نویسی برگزار شود
سرفصل در زیر اورده شده است

📚هفته دوم

#book

Matlab For Neuroscientists

#هفته_راباکتاب_آغاز_کنیم






📱لینک عضویت کانال پردازش سیگنال های مغزی:
Open channel:
✅ https://news.1rj.ru/str/joinchat/AAAAAD7DKCCSYN9in_TFWQ

دهمین کارگاه  مبانی پردازش سیگنالهای حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی
بر اساس این کتاب طراحی شده است و اکثر فصول ۱تا ۱۹ ان بطور کامل یا نسبی  پوشانده شده است
علاوه بر ان مطالب مرتبط با یادگیری ماشین نیز اورده شده است

سرفصل مطالب:
- مباحث مقدماتی درباره سیگنال های گسسته شامل تعریف سیگنال، انواع سیگنال ها، نمونه برداری، تعیین فرکانس نمونه برداری، کمی سازی یا کوانتیزاسیون، آنالوگ کردن خروجی و ...
معرفی متلب
-صفحه و محیط کاربری متلب
-ماتریس و کار با آن
-معرفی و کار با استراکچر، سلول و دیگر متغیرهای متلب
-عملیات های ریاضی و فرمتها
-مبانی گرافیک و نمایش
-نمایش اولیه داده ها
-خواندن سيگنال ها و نمایش
-وارد کردن داده هاو پایگاه داده های ثبت شده به محیط متلب
-تغییر و کار با داده ها
-ورود داده های ECG و EEG
-نمایش های دو بعدی و سه بعدی در متلب
-کنترل جریان برنامه
-دستور If
-دستور switch
-دستور while
-دستور For
-تابع نویسی مثال ها

کار عملی با داده ها🦾🦾🦾

-استخراج و نمایش پتانسیل های وابسته به رخداد ERP 
-هیستوگرام،پیدا کردن  ماکزیممهای نسبی و ...
و کاربردهای انها در سیگنالهای حیاتی، پیدا کردن QRS در سیگنال ECG و محاسبهHRV
-اسکریپت نویسی و چند مثال
-تبدیل فوریه و نمایش فرکانسی
-استخراج باندهای فرکانسی از سیگنالهای EEG
-فیلترها
-طراحی فیلترهای FIR,IIR  با دستورات متلب
-تبدیل فوریه زمان کوتاه STFT و wavelet
-استخراج و نمایش ویژگیهای زمان-فرکانس از سیگنالهای مغزی
-مبانی ریاضی تحلیل مولفه اساسی (PCA)
-کاربردها
-مثال تبدیل و تحلیل در PCA  روی داده های fisheriris  و spikes sorting(دراوردن چند نوع اسپایک از داده ثبت LFP)
-کاهش بعد ویژگی ها باPCA
-تحلیل تمایز اماری ttest paired and unpaired و annova و kstest Kolmogorov–Smirnov test
-طبقه بندی با knn , LDA, QDA,SVM, decision tree
-confusion matrix
-TP,TN,FP,FN تعاریف
-ROC و کاربرد در انتخاب ویژگی
-Cross validation: k_fold, hold out, permuted cv, loo, ...

-قسمتهای عملی و مثالها بصورت m فایل در اختیار شرکت کنندگان قرار میگیرد تا متناسب با کارهای خودشان بتوانند انها را تغییر دهند