Forwarded from سیناپس
Storm
Elicit
Consensus
ChatPDF
Research Rabbit
Scite
Jasper AI
Scholarcy
Perplexity AI
Paperpile
کلیک کنید
#گروه_علمی_سیناپس
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from National Brain Mapping Lab
🔰 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
💠 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
🌐Website
دو قدم مانده که پاییز
به یغما برود
این همه رنگِ قشنگ،
از کفِ دنیا برود
هر که معشوقه برانگیخت،
گوارایش باد
دلِ تنها به چه شوقی،
پِیِ یلدا برود؟
گِلهها را بگذار!
نالهها را بس کن!
روزگارگوش ندارد که تو هِی شِکوه کنی!
زندگی چشم ندارد
که ببیند اَخمِ دلتنگِ تو را...
فرصتی نیست که صرف گِله وناله شود!
تا بجنبیم
تمام است تمام!!
مهر دیدی که به برهم زدنِ چشم گذشت
یا همین سالِ جدید!
باز کم مانده به عید!
این شتابِ عمر است...
من و تو باورمان نیست که نیست!!
زندگی گاه به کام است و بس است؛
زندگی گاه به نام است و کم است؛
زندگی گاه به دام است و غم است؛
چه به کام و
چه به نام و
چه به دام...
زندگی معرکهیِ همّتِ ماست
زندگی می گذرد...
زندگی گاه به نان است و کفایت بکند؛
زنگی گاه به جان است و جفایت بکند؛
زندگی گاه به آن است و رهایت بکند؛
چه به نان و
چه به جان و
چه به آن...
زندگی صحنهیِ بیتابیِ ماست
زندگی میگذرد...
زندگی گاه به راز است و ملامت بدهد؛
زندگی گاه به ساز است و سلامت بدهد،
زندگی گاه به ناز است و جهانت بدهد؛
چه به راز و
چه به ساز و
چه به ناز
زندگی لحظهیِ بیداریِ ماست،
زندگی می گذرد...
✍ فخرالدین موسوی سوادکوهی
به یغما برود
این همه رنگِ قشنگ،
از کفِ دنیا برود
هر که معشوقه برانگیخت،
گوارایش باد
دلِ تنها به چه شوقی،
پِیِ یلدا برود؟
گِلهها را بگذار!
نالهها را بس کن!
روزگارگوش ندارد که تو هِی شِکوه کنی!
زندگی چشم ندارد
که ببیند اَخمِ دلتنگِ تو را...
فرصتی نیست که صرف گِله وناله شود!
تا بجنبیم
تمام است تمام!!
مهر دیدی که به برهم زدنِ چشم گذشت
یا همین سالِ جدید!
باز کم مانده به عید!
این شتابِ عمر است...
من و تو باورمان نیست که نیست!!
زندگی گاه به کام است و بس است؛
زندگی گاه به نام است و کم است؛
زندگی گاه به دام است و غم است؛
چه به کام و
چه به نام و
چه به دام...
زندگی معرکهیِ همّتِ ماست
زندگی می گذرد...
زندگی گاه به نان است و کفایت بکند؛
زنگی گاه به جان است و جفایت بکند؛
زندگی گاه به آن است و رهایت بکند؛
چه به نان و
چه به جان و
چه به آن...
زندگی صحنهیِ بیتابیِ ماست
زندگی میگذرد...
زندگی گاه به راز است و ملامت بدهد؛
زندگی گاه به ساز است و سلامت بدهد،
زندگی گاه به ناز است و جهانت بدهد؛
چه به راز و
چه به ساز و
چه به ناز
زندگی لحظهیِ بیداریِ ماست،
زندگی می گذرد...
✍ فخرالدین موسوی سوادکوهی
Forwarded from EEG workshop
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
EEG workshop
https://www.frontiersin.org/journals/human-neuroscience/articles/10.3389/fnhum.2022.913777/full
با چت جی پی تی تولید شده است
خلاصه مقاله:
عنوان: "Decoding Intracranial EEG With Machine Learning: A Systematic Review"
این مقاله به بررسی سیستماتیک استفاده از تکنیکهای یادگیری ماشین (ML) در تحلیل دادههای الکتروانسفالوگرافی داخل جمجمهای (iEEG) پرداخته است. پیشرفت در فناوری iEEG امکان مطالعه دقیق نواحی عمیق مغز با وضوح بالا را فراهم کرده است که میتواند به شناسایی الگوهای عصبی در شرایط طبیعی و بیماریها کمک کند. یادگیری ماشین با قابلیت شناسایی الگوهای پیچیده، به بهبود تفسیر دادههای iEEG و کاربردهای بالینی آن، بهویژه در حوزه جراحی مغز و اعصاب کمک میکند.
روش تحقیق: نویسندگان 107 مقاله مرتبط را از سه پایگاه داده معتبر استخراج کرده و بر اساس نوع الگوریتم ML و کاربردهای بالینی دستهبندی کردهاند. این کاربردها به چهار حوزه اصلی تقسیم شدند:
تحلیل تشنج و پیشبینی آن
طبقهبندی حرکات
ارزیابی شناختی
تعیین مراحل خواب
نکات کلیدی و نتایج:
بیشترین کاربرد ML در تشخیص تشنج و پیشبینی زمان شروع آن بوده است.
الگوریتمهای یادگیری عمیق (Deep Learning) نسبت به روشهای استاندارد یادگیری نظارتشده، عملکرد بهتری در طبقهبندی تشنجها نشان دادهاند.
در طبقهبندی حرکات، الگوریتمهای مختلفی از جمله شبکههای عصبی و ماشین بردار پشتیبان (SVM) استفاده شده که هر یک مزایا و محدودیتهای خاص خود را دارند.
استفاده از ML در تشخیص مراحل خواب میتواند به بهبود درمانهای مرتبط با اختلالات خواب کمک کند.
از جمله چالشهای موجود، نیاز به مجموعه دادههای بزرگ و مشکل تفسیرپذیری الگوریتمهای یادگیری عمیق است.
پیشنهادات: نویسندگان توصیه میکنند که در تحقیقات آینده:
مقایسه دقیقتری بین عملکرد الگوریتمها و تحلیلهای انسانی انجام شود.
مجموعه دادههای بزرگتر و نمایندهتر جمعآوری شود.
الگوریتمهای قابلتفسیرتر توسعه یابد تا اعتماد بیشتری در استفاده بالینی از آنها ایجاد شود.
این مقاله نشان میدهد که یادگیری ماشین پتانسیل بالایی در بهبود روشهای تشخیصی و درمانی مرتبط با مغز و اعصاب دارد و میتواند در آینده نقش مهمی در شخصیسازی درمانها ایفا کند.
خلاصه مقاله:
عنوان: "Decoding Intracranial EEG With Machine Learning: A Systematic Review"
این مقاله به بررسی سیستماتیک استفاده از تکنیکهای یادگیری ماشین (ML) در تحلیل دادههای الکتروانسفالوگرافی داخل جمجمهای (iEEG) پرداخته است. پیشرفت در فناوری iEEG امکان مطالعه دقیق نواحی عمیق مغز با وضوح بالا را فراهم کرده است که میتواند به شناسایی الگوهای عصبی در شرایط طبیعی و بیماریها کمک کند. یادگیری ماشین با قابلیت شناسایی الگوهای پیچیده، به بهبود تفسیر دادههای iEEG و کاربردهای بالینی آن، بهویژه در حوزه جراحی مغز و اعصاب کمک میکند.
روش تحقیق: نویسندگان 107 مقاله مرتبط را از سه پایگاه داده معتبر استخراج کرده و بر اساس نوع الگوریتم ML و کاربردهای بالینی دستهبندی کردهاند. این کاربردها به چهار حوزه اصلی تقسیم شدند:
تحلیل تشنج و پیشبینی آن
طبقهبندی حرکات
ارزیابی شناختی
تعیین مراحل خواب
نکات کلیدی و نتایج:
بیشترین کاربرد ML در تشخیص تشنج و پیشبینی زمان شروع آن بوده است.
الگوریتمهای یادگیری عمیق (Deep Learning) نسبت به روشهای استاندارد یادگیری نظارتشده، عملکرد بهتری در طبقهبندی تشنجها نشان دادهاند.
در طبقهبندی حرکات، الگوریتمهای مختلفی از جمله شبکههای عصبی و ماشین بردار پشتیبان (SVM) استفاده شده که هر یک مزایا و محدودیتهای خاص خود را دارند.
استفاده از ML در تشخیص مراحل خواب میتواند به بهبود درمانهای مرتبط با اختلالات خواب کمک کند.
از جمله چالشهای موجود، نیاز به مجموعه دادههای بزرگ و مشکل تفسیرپذیری الگوریتمهای یادگیری عمیق است.
پیشنهادات: نویسندگان توصیه میکنند که در تحقیقات آینده:
مقایسه دقیقتری بین عملکرد الگوریتمها و تحلیلهای انسانی انجام شود.
مجموعه دادههای بزرگتر و نمایندهتر جمعآوری شود.
الگوریتمهای قابلتفسیرتر توسعه یابد تا اعتماد بیشتری در استفاده بالینی از آنها ایجاد شود.
این مقاله نشان میدهد که یادگیری ماشین پتانسیل بالایی در بهبود روشهای تشخیصی و درمانی مرتبط با مغز و اعصاب دارد و میتواند در آینده نقش مهمی در شخصیسازی درمانها ایفا کند.
در ادامه، فهرستی از شبکههای عمیق معروف و معرفیشده در مقالات که بهطور خاص روی دادههای EEG آموزش داده شدهاند را ارائه میکنم:
1. EEGNet
معرفی: شبکهای بسیار سبک و کارآمد که به طور خاص برای تحلیل دادههای EEG و کاربردهای مرتبط با رابطهای مغز-رایانه (BCI) طراحی شده است.
کاربردها: طبقهبندی وظایف حرکتی، تشخیص تشنج و پیشبینی حالات شناختی.
2. DeepConvNet
معرفی: شبکه کانولوشنی عمیق با چندین لایه کانولوشنی و تماممتصل که بهخوبی روی دادههای EEG کار میکند.
کاربردها: طبقهبندی وظایف حرکتی در BCI.
3. ShallowConvNet
معرفی: نسخه کمعمقتر DeepConvNet که برای استخراج ویژگیهای فرکانسی طراحی شده است.
کاربردها: تشخیص سریع و کاربردهای بلادرنگ در BCI.
4. CNN-LSTM Hybrid
معرفی: ترکیب CNN برای استخراج ویژگیهای مکانی و LSTM برای مدلسازی وابستگیهای زمانی.
کاربردها: تشخیص تشنج، پیشبینی حرکت و طبقهبندی مراحل خواب.
5. WaveNet
معرفی: شبکهای کانولوشنی با لایههای دیلاته که به طور خاص برای پردازش سیگنالهای EEG و استخراج الگوهای زمانی-فرکانسی طراحی شده است.
کاربردها: تشخیص تشنج و طبقهبندی حالات شناختی.
6. RCNN (Recurrent Convolutional Neural Network)
معرفی: شبکهای ترکیبی از CNN و RNN که به طور خاص برای دادههای EEG استفاده میشود.
کاربردها: پیشبینی تشنج و طبقهبندی وظایف شناختی.
7. DeepSleepNet
معرفی: شبکهای عمیق که به طور خاص برای طبقهبندی مراحل خواب از سیگنالهای EEG طراحی شده است.
کاربردها: تحلیل و طبقهبندی مراحل مختلف خواب (REM، NREM و بیداری).
8. SEEGNet
معرفی: نسخهای بهینهشده از EEGNet برای دادههای iEEG و sEEG.
کاربردها: تشخیص تشنج و طبقهبندی نواحی مغزی.
9. TFA-CNN
معرفی: شبکهای که از تبدیلهای زمانی-فرکانسی (Time-Frequency Analysis) برای استخراج ویژگیهای ورودی به CNN استفاده میکند.
کاربردها: تحلیل مراحل خواب و طبقهبندی وظایف شناختی.
10. Attention-based EEG Models
معرفی: شبکههایی که از مکانیزم توجه (Attention Mechanism) برای شناسایی بخشهای مهم سیگنالهای EEG استفاده میکنند.
کاربردها: طبقهبندی وظایف شناختی و کنترل رابطهای مغز-رایانه.
اگر نیاز به توضیحات بیشتر یا دسترسی به مقالات مرتبط با هر یک از این شبکهها دارید، میتوانم لیست مقالات و توضیحات دقیقتری را نیز ارائه کنم.
1. EEGNet
معرفی: شبکهای بسیار سبک و کارآمد که به طور خاص برای تحلیل دادههای EEG و کاربردهای مرتبط با رابطهای مغز-رایانه (BCI) طراحی شده است.
کاربردها: طبقهبندی وظایف حرکتی، تشخیص تشنج و پیشبینی حالات شناختی.
2. DeepConvNet
معرفی: شبکه کانولوشنی عمیق با چندین لایه کانولوشنی و تماممتصل که بهخوبی روی دادههای EEG کار میکند.
کاربردها: طبقهبندی وظایف حرکتی در BCI.
3. ShallowConvNet
معرفی: نسخه کمعمقتر DeepConvNet که برای استخراج ویژگیهای فرکانسی طراحی شده است.
کاربردها: تشخیص سریع و کاربردهای بلادرنگ در BCI.
4. CNN-LSTM Hybrid
معرفی: ترکیب CNN برای استخراج ویژگیهای مکانی و LSTM برای مدلسازی وابستگیهای زمانی.
کاربردها: تشخیص تشنج، پیشبینی حرکت و طبقهبندی مراحل خواب.
5. WaveNet
معرفی: شبکهای کانولوشنی با لایههای دیلاته که به طور خاص برای پردازش سیگنالهای EEG و استخراج الگوهای زمانی-فرکانسی طراحی شده است.
کاربردها: تشخیص تشنج و طبقهبندی حالات شناختی.
6. RCNN (Recurrent Convolutional Neural Network)
معرفی: شبکهای ترکیبی از CNN و RNN که به طور خاص برای دادههای EEG استفاده میشود.
کاربردها: پیشبینی تشنج و طبقهبندی وظایف شناختی.
7. DeepSleepNet
معرفی: شبکهای عمیق که به طور خاص برای طبقهبندی مراحل خواب از سیگنالهای EEG طراحی شده است.
کاربردها: تحلیل و طبقهبندی مراحل مختلف خواب (REM، NREM و بیداری).
8. SEEGNet
معرفی: نسخهای بهینهشده از EEGNet برای دادههای iEEG و sEEG.
کاربردها: تشخیص تشنج و طبقهبندی نواحی مغزی.
9. TFA-CNN
معرفی: شبکهای که از تبدیلهای زمانی-فرکانسی (Time-Frequency Analysis) برای استخراج ویژگیهای ورودی به CNN استفاده میکند.
کاربردها: تحلیل مراحل خواب و طبقهبندی وظایف شناختی.
10. Attention-based EEG Models
معرفی: شبکههایی که از مکانیزم توجه (Attention Mechanism) برای شناسایی بخشهای مهم سیگنالهای EEG استفاده میکنند.
کاربردها: طبقهبندی وظایف شناختی و کنترل رابطهای مغز-رایانه.
اگر نیاز به توضیحات بیشتر یا دسترسی به مقالات مرتبط با هر یک از این شبکهها دارید، میتوانم لیست مقالات و توضیحات دقیقتری را نیز ارائه کنم.
Forwarded from اخلاق نشر و منابع علمی
This media is not supported in your browser
VIEW IN TELEGRAM
یه مناسبت ۴ ژانویه، زادروز می بریت موزر.
کشف GPS موجود در مغز موجودات زنده و جایزه نوبل ۲۰۱۴
در سال ۱۹۷۱، John O'Keefe توانست سلولهایی را در هیپوکامپ کشف کند که نقشهای از محیط اطراف را ترسیم میکردند و در حافظه موش ذخیره میکردند. او نام این سلولها را Place cells گذاشت.
در سال ۲۰۰۴، زوج نروژی
Edvard & May-Brit Moser،
در ناحیه entorhinal cortex موفق به کشف سلولهایی شدند که به صورت ششضلعی هایی منظم شده بودند و بر اساس سرعت حرکت موجود زنده در محیط، مکان دقیق موجود را مشخص میکردند. نام این سلولها را Grid cells گذاشتند.
در سال ۲۰۱۴، سه دانشمند فوق به خاطر کشف چگونگی مکان یابی جانوران و GPS درونی مغز، موفق به دریافت جایزه نوبل شدند.
فیلم درمورد همین اکتشافات بحث میکند.
https://youtu.be/GmFspbHHZ_w
در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید
http://t.me/pubethicsmums/2525
کشف GPS موجود در مغز موجودات زنده و جایزه نوبل ۲۰۱۴
در سال ۱۹۷۱، John O'Keefe توانست سلولهایی را در هیپوکامپ کشف کند که نقشهای از محیط اطراف را ترسیم میکردند و در حافظه موش ذخیره میکردند. او نام این سلولها را Place cells گذاشت.
در سال ۲۰۰۴، زوج نروژی
Edvard & May-Brit Moser،
در ناحیه entorhinal cortex موفق به کشف سلولهایی شدند که به صورت ششضلعی هایی منظم شده بودند و بر اساس سرعت حرکت موجود زنده در محیط، مکان دقیق موجود را مشخص میکردند. نام این سلولها را Grid cells گذاشتند.
در سال ۲۰۱۴، سه دانشمند فوق به خاطر کشف چگونگی مکان یابی جانوران و GPS درونی مغز، موفق به دریافت جایزه نوبل شدند.
فیلم درمورد همین اکتشافات بحث میکند.
https://youtu.be/GmFspbHHZ_w
در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید
http://t.me/pubethicsmums/2525