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

مقاله به بررسی تأثیر عوامل مختلف بر داده‌های EEG (الکتروانسفالوگرافی) پرداخته است. این عوامل شامل سیستم‌های EEG، سوژه‌ها و جلسات ضبط داده‌ها هستند. هدف این مطالعه اندازه‌گیری میزان تأثیر هر یک از این عوامل بر داده‌های EEG است.

یافته‌های اصلی به شرح زیر است:

عوامل تأثیرگذار بر داده‌های EEG:

عامل سوژه بیشترین تأثیر را در واریانس داده‌ها داشت و تا ۳۲٪ از واریانس را شامل می‌شد.
سیستم EEG ۹٪ از واریانس را ایجاد کرد.
عامل جلسه (جلسات تکراری) کمترین تأثیر را داشت و تنها ۱٪ از واریانس را شامل می‌شد.
مقایسه سیستم‌های EEG:

چهار سیستم EEG مورد آزمایش قرار گرفتند: دو سیستم تحقیقاتی استاندارد، یک سیستم موبایل با الکترود خشک و یک سیستم موبایل کم‌هزینه.
سوژه‌ها بیشترین تأثیر را بر تغییرات داده‌ها در پارادایم‌های مختلف داشتند.
تفاوت‌هایی در داده‌ها بین سیستم‌های تحقیقاتی و سیستم‌های موبایل (g.Nautilus و Emotiv) مشاهده شد. سیستم‌های موبایل و کم‌هزینه معمولاً نتایج متفاوت‌تری نسبت به سیستم‌های تحقیقاتی نشان دادند.
به‌طور کلی، Emotiv EPOC و g.Nautilus نتایج متفاوت‌تری نسبت به سیستم‌های تحقیقاتی در حداقل نیمی از پارادایم‌ها داشتند.
پارادایم‌های آزمایش:

شش پارادایم EEG برای آزمایش پاسخ‌های شنوایی، بصری و حرکتی استفاده شد که شامل پتانسیل‌های برانگیخته شنوایی (AEPs)، پتانسیل‌های بصری برانگیخته پایدار (SSVEPs)، پتانسیل‌های حرکتی (MPs)، منفی‌نگری بصری ناهماهنگ (vMMN)، اجزای حساس به صورت N170 و تصمیم‌گیری بصری (vDM) بود.
تحلیل واریانس (ANOVA):

نتایج تحلیل واریانس نشان داد که عامل سوژه بزرگترین منبع واریانس است، به ویژه در وظایف شناختی و تصمیم‌گیری. عامل جلسه تأثیر چندانی بر نتایج نداشت و عامل سیستم نیز در اکثر موارد تأثیر قابل توجهی بر واریانس داشت.
پیامدها برای سیستم‌های EEG موبایل:

این مطالعه معیاری برای مقایسه سیستم‌های جدید EEG موبایل با سیستم‌های تحقیقاتی استاندارد فراهم می‌کند و به ارزیابی عملکرد راه‌حل‌های جدید و کم‌هزینه در مطالعات علمی کمک می‌کند.
نتایج این مطالعه نشان می‌دهند که اگرچه سیستم‌های EEG تأثیراتی بر واریانس دارند، تفاوت‌های فردی سوژه‌ها تأثیر بسیار بیشتری بر داده‌ها دارند. علاوه بر این، سیستم‌های موبایل مانند Emotiv EPOC و g.Nautilus معمولاً نتایج متفاوتی نسبت به سیستم‌های تحقیقاتی نشان می‌دهند. این مطالعه برای تعیین معیارهایی برای مقایسه سیستم‌های EEG در آینده، به ویژه سیستم‌های موبایل و کم‌هزینه، اهمیت دارد.

این مقاله به بررسی استفاده از EEG کم‌چگالی برای طبقه‌بندی و بازسازی تصاویر بر اساس فعالیت مغزی پرداخته است. نکات کلیدی و جزئیات شامل موارد زیر است:

نکات کلیدی:
هدف: هدف این مطالعه توسعه یک سیستم EEG مقرون به صرفه و قابل حمل برای طبقه‌بندی و بازسازی تصاویر بر اساس فعالیت مغزی است. روش‌های سنتی بیشتر به تجهیزات گران‌قیمت و حجیم مانند fMRI یا EEG با چگالی بالا وابسته بودند که کاربرد آن‌ها در شرایط دنیای واقعی دشوار است.

راه‌اندازی و روش‌شناسی:

سیستم EEG: از یک سیستم EEG قابل حمل با ۸ کانال استفاده شد که انعطاف‌پذیری و هزینه کمتری دارد. الکترودهای این سیستم در مکان‌هایی قرار گرفتند که پیش‌تر نشان داده شده بود که برای اطلاعات بصری پیش‌بینی‌کننده هستند.
مجموعه داده تصویر: ۶۰۰ تصویر از ۲۰ دسته (شامل چهره‌ها) به ۹ سوژه نشان داده شد و ترتیب تصاویر به‌طور تصادفی مخلوط شد تا از ایجاد تعصبات مبتنی بر بلوک در داده‌ها جلوگیری شود.
آزمایش: داده‌های EEG در حین نمایش تصاویر ضبط شدند. سپس طبقه‌بندی و بازسازی با استفاده از پنج مدل معاصر یادگیری ماشین آزمایش شدند که شامل EEGNet، TSCeption و EEG-ChannelNet بودند.
طبقه‌بندی:

بهترین مدل، EEGNet، به دقت ۳۴.۴٪ میانگین در بین سوژه‌ها دست یافت. این مدل از دیگر مدل‌ها پیشی گرفت و TSCeption و EEG Conformer در رده‌های بعدی قرار گرفتند.
دقت بر اساس دسته‌ها: چهره‌ها آسان‌ترین تصاویر برای طبقه‌بندی بودند و پس از آن دسته‌هایی مانند هواپیمای مسافربری و شراب قرمز قرار داشتند. دسته‌های دشوارتر شامل مواردی مانند پرچسل بودند.
بازسازی:

با استفاده از مدل EEGNet به‌عنوان یک کدگذار EEG، تصاویر با استفاده از یک مدل پیش‌آموزش‌دیده به نام مدل انتشار نهفته (LDM) بازسازی شدند. برای تصاویر از دسته‌هایی که در طول آموزش دیده شده بودند، مدل دقت ۳۵.۳٪ در بازسازی تصاویر بدست آورد.
دقت زمانی که تلاش شد تصاویر از دسته‌های قبلاً دیده‌نشده بازسازی شوند، به‌طور قابل توجهی کاهش یافت و دقت ۸.۲٪ در مجموعه آزمایشی پیشرفته به‌دست آمد.
یافته‌ها و چالش‌ها:

بهترین دسته‌های تصویری: بازسازی برای تصاویر با چهره یا حیوانات موفق‌تر بود، اما با اشیاء بی‌جان مشکل بیشتری داشت.
چالش‌ها: دقت پایین‌تر فضای مغزی EEG و محدود بودن نواحی مغزی که توسط ۸ کانال پوشش داده می‌شود، باعث چالش‌ها در بازسازی تصاویر، به‌ویژه برای دسته‌های دیده‌نشده، شد.
بهبود در هزینه و انعطاف‌پذیری: راه‌اندازی این مطالعه یک جایگزین ارزان‌تر و انعطاف‌پذیرتر نسبت به سیستم‌های مبتنی بر fMRI ارائه می‌دهد که استفاده آن را در شرایط واقعی ممکن می‌سازد.
محدودیت‌ها و کارهای آینده:

این مطالعه اذعان دارد که این روش هنوز برای کاربردهای زمان واقعی کامل نیست و کارهای آینده ممکن است شامل آزمایش بازسازی "تصاویر تجسم‌شده" به جای تصاویر درک‌شده باشد.
علاوه بر این، مطالعه پیشنهاد می‌کند که بهبود مدل‌های طبقه‌بندی‌کننده و کدگذارهای مبتنی بر EEG می‌تواند قابلیت‌های بازسازی را بهبود بخشد.
در نهایت، این مطالعه قابلیت استفاده از یک سیستم EEG قابل حمل و کم‌چگالی برای رمزگشایی بصری و بازسازی تصاویر را نشان می‌دهد، هرچند هنوز به سطح روش‌های مبتنی بر fMRI برای بازسازی تصاویر دیده‌نشده نرسیده است. با این حال، این روش گام مهمی به سوی کاربردهای عملی مانند ابزارهای ارتباطی برای بیماران با ناتوانی‌ها است

The article discusses the electrophysiological signatures and neural dynamics of empathy for pain using intracranial EEG (iEEG). Here are the key points and insights:

Key Points:
Objective and Method:

The study explores the neural mechanisms involved in empathy for pain by recording iEEG from 22 epilepsy patients while they observed painful or non-painful stimuli. The focus was on key empathy-related brain regions: the anterior insula (AI), anterior cingulate cortex (ACC), amygdala, and inferior frontal gyrus (IFG).
The study used time-frequency analyses to examine oscillatory patterns and inter-regional communications involved in vicarious pain perception.
Neural Responses to Pain:

High-Gamma Activity in IFG: The perception of others' pain induced early increases in high-gamma activity in the IFG.
Beta and Low-Frequency Activity: In regions like the ACC, AI, and amygdala, the study observed distinct changes in beta-band and low-frequency oscillations. For example, vicarious pain perception led to suppression of low-frequency power (theta, alpha, beta) in the AI and amygdala, while beta power increased in the ACC.
Time and Region-Specific Activity: Different brain regions exhibited unique temporal and spectral patterns, with early activity observed in the IFG and delayed responses in the amygdala.
Inter-Regional Communication:

Low-Frequency Coupling: The study identified significant low-frequency coupling between the ACC, AI, and amygdala, which facilitates long-range communication between these regions during pain empathy.
Phase-Amplitude Coupling (PAC): High-gamma amplitude in the IFG was modulated by low-frequency phases in the ACC, AI, and amygdala, which is crucial for integrating information across brain regions.
Model of Empathy for Pain:

The study proposes a neurodynamic model of empathy for pain based on these findings. This model emphasizes the role of specific neural features (e.g., low-frequency activity in ACC/AI/amygdala, cross-frequency coupling) in decoding vicarious pain perception.
The model suggests that empathy for pain involves coordinated oscillatory dynamics across multiple brain regions, with specific inter-regional interactions being crucial for processing others' pain.
Neural Features for Empathy Decoding:

Using machine learning, the study identified several critical neural features for classifying vicarious pain perception. The strongest features were beta power in the ACC, phase-amplitude coupling between the ACC and IFG, and low-frequency power in the AI.
Disruption Analysis: The study tested how removing certain features impacted the ability to decode pain perception, finding that a combination of features was necessary for accurate decoding.
Behavioral Correlations:

Empathy and Neural Features: The study found that certain neural features (such as ACC alpha power and AI low-frequency power) were correlated with subjective ratings of empathy strength, perceived pain intensity, and unpleasantness.
Conclusion:
This study provides an in-depth understanding of the neural dynamics involved in empathy for pain. By identifying the specific neural oscillations and inter-regional communications within the empathy network, it advances the understanding of how the brain processes vicarious pain. These findings offer a sophisticated model for empathy, which can inform future research on empathy-related disorders and guide therapeutic interventions for improving empathy in clinical settings.

پدرم
بوسه میزنم بر دستانت که هیچگاه دستم را رها نکردی

روز پدر مبارک

پدران کهریزک چشم به راه مهرتان هستند...

لینک کمک های مردمی

www.kahrizakcharity.com

@kahrizakcharity

نکات کلیدی مقاله:
موضوع تحقیق: این مقاله به بررسی فعالیت EEG در حالت استراحت قبل و بعد از فعالیت‌های شناختی در طول زندگی افراد بزرگسال و پیگیری پنج‌ساله می‌پردازد.
داده‌های مطالعه:
داده‌ها شامل ثبت EEG از 608 فرد با سنین بین 20 تا 70 سال است.
این داده‌ها قبل و بعد از یک بلوک دو ساعته وظایف شناختی ثبت شده‌اند.
پیگیری پنج‌ساله برای 208 نفر از شرکت‌کنندگان انجام شده است.
اهداف مطالعه:
تحلیل داده‌های EEG حالت استراحت در افراد سالم در بازه سنی بزرگسال.
بررسی تغییرات ناشی از انجام وظایف شناختی بر EEG.
مطالعه تغییرات طولانی‌مدت EEG و اثرات سن.
روش‌ها:
اندازه‌گیری EEG در دو شرایط چشم بسته و چشم باز برای هر فرد.
ثبت‌های EEG قبل و بعد از انجام وظایف شناختی انجام شده‌اند.
وظایف شناختی شامل توجه بصری، پردازش تضاد محرک-پاسخ، و درک گفتار در حضور نویز بوده‌اند.
اهمیت مطالعه:
داده‌ها می‌توانند به عنوان مرجع برای مقایسه با افراد دارای اختلالات روانی و عصبی مورد استفاده قرار گیرند.
تحلیل اثرات خستگی شناختی و سن بر EEG.
نتایج فنی:
داده‌های ثبت شده از قابلیت اطمینان بالایی برخوردار هستند و برای تحلیل‌های طولانی‌مدت مناسب‌اند.
داده‌ها در فرمت استاندارد BIDS ارائه شده‌اند و برای دسترسی عمومی در OpenNeuro موجود هستند.
کاربردها:
ایجاد مجموعه داده‌های استاندارد برای تحقیق در مورد بیماری‌هایی مانند آلزایمر یا افسردگی.
بررسی تغییرات عملکرد شناختی مرتبط با سن و فعالیت‌های ذهنی.
این مقاله به‌طور جامع به تحلیل تغییرات EEG در شرایط مختلف و در طول زمان پرداخته و می‌تواند مرجع ارزشمندی برای تحقیقات آینده باشد.

نکات مهم و کلیدی مقاله:
موضوع مقاله:
ارائه پایگاه داده خواب باز به نام "ANPHY-Sleep" برای افراد سالم با استفاده از الکتروانسفالوگرافی (EEG) با چگالی بالا.
هدف تحقیق:
ایجاد یک پایگاه داده با وضوح مکانی و زمانی بالا برای تحلیل خواب افراد سالم.
فراهم کردن داده‌های مرجع برای مقایسه با اختلالات مرتبط با خواب.
داده‌ها و روش‌ها:
داده‌ها شامل ثبت خواب شبانه از 29 فرد سالم است.
از 83 الکترود EEG بر اساس سیستم 10-10 استفاده شده است.
داده‌های الکتروانسفالوگرافی، نوار عضله (EMG)، نوار قلب (ECG)، و نوار چشم (EOG) ثبت شده‌اند.
معیارهای خواب شامل بازده خواب، مدت زمان خواب، مراحل مختلف خواب (NREM، REM) و زمان بیداری بررسی شده‌اند.
نتایج فنی:
داده‌ها به صورت کاملاً پاک‌سازی‌شده از نویز و خطاهای حرکتی ارائه شده‌اند.
کیفیت داده‌ها با استفاده از الگوریتم‌های تشخیص نویز بررسی و تأیید شده است.
تحلیل‌ها و یافته‌ها:
تحلیل طیفی EEG نشان‌دهنده الگوهای مشخص تغییر در مراحل خواب مختلف است.
بازده خواب به طور میانگین 81.52% بوده است.
تفاوت‌های معناداری در پارامترهای خواب بین جنسیت‌ها مشاهده نشده است.
کاربردها:
مطالعه ویژگی‌های خواب انسان سالم در سطوح بالای وضوح.
توسعه الگوریتم‌های خودکار برای طبقه‌بندی مراحل خواب.
مقایسه و بررسی اختلالات خواب با استفاده از داده‌های مرجع.
دسترسی:
پایگاه داده به صورت رایگان و در قالب فایل‌های قابل دانلود از پلتفرم Open Science Framework در دسترس است.
اهمیت مطالعه:
این پایگاه داده اولین مجموعه باز از داده‌های EEG با چگالی بالا برای خواب انسان‌های سالم است.
می‌تواند برای تحقیقات آینده در مورد فیزیولوژی خواب و بررسی اختلالات خواب به کار رود.
این مقاله یک ابزار ارزشمند برای مطالعه علمی خواب انسان و پیشرفت‌های آینده در زمینه تحلیل داده‌های مرتبط با خواب ارائه می‌دهد.

اسم گذاری جدید و قدیمی الکترودها

پرسشگر
یکشنبه ۱۴۰۳/۱۱/۰۷
شبکه آموزش سیما
🔺موضوع: *هوش مصنوعی در سلامت ؛ پردازش سیگنال های حیاتی*
🔺مجری : میترا بهرامی
مهمانان
🔺دکتر علی مطیع نصرآبادی:
دکترای بیوالکتریک استاد تمام گروه مهندسی پزشکی دانشگاه شاهد

🔺دکتر بهادر مکی آبادی:
عضو هیئت علمی مرکز تحقیقات فناوری های بیومدیکال و رباتیک دانشگاه علوم پزشکی تهران
🔺سردبیر و مجری طرح: مهدی برومند
🔺تهیه کننده: مریم فیروزی

انجمن ملی هوش مصنوعی ایران حامی و مشاور محتوی برنامه پرسشگر
Iranaiai.ir