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

عید مبعث بر همه شما عزیزان مبارک باد🌺

🌺الّلهُمَّ صَلِّ عَلَی مُحَمَّدٍ وَآلِ مُحَمَّدٍ وَعَجِّلْ فَرَجَهم🌺

با سلام و احترام،
ستاد توسعه علوم و فناوری‌های شناختی در راستای برنامه ملی واسط‌های مغز و رایانه (Brain-Computer Interfaces)، از جامعه نخبگانی، علمی، صنعتی، دولتی و بخش خصوصی دعوت می‌کند تا ظرفیت‌های علمی، اجرایی و صنعتی خود را جهت همکاری در این برنامه ملی با ارسال پیشنهادات و رزومه به آدرس الکترونیکی bci@cogc.ir حداکثر تا تاریخ ۱۰ اسفند ۱۴۰۳ اعلام نمایند.
اهداف اصلی برنامه واسط‌های مغز و رایانه:
شناسایی، تشکیل و فعال‌سازی گروه­های تحقیقاتی BCI در دانشگاه‌های سراسر کشور
شناسایی و ظرفیت سنجی شرکت‌های دانش‌بنیان، فناور و کسب و کارهای نوپا در زمینه BCI
معرفی و ترویج فناوری BCI و کاربردهای آن در سطح کشور در همکاری و تعامل با ذینفعان
حمایت از توسعه بازار داخلی و شناسایی بازارهای هدف خارجی برای محصولات BCI تولید شده در داخل کشور
لینک خبر: https://b2n.ir/h90689
پیشاپیش از حمایت و همکاری صمیمانه شما سپاسگزاریم.
کارگروه برنامه ملی واسط‌های مغز و رایانه (BCI)
 
 
ستاد راهبری توسعه علوم و فناوریهای شناختی
معاونت علمی و فناوری ریاست جمهوری
تلفن  22660772-22660771– 22660770
پست الکترونیکی info@cogc.ir    پایگاه اینترنتی www.cogc.ir
تهران، خیابان ولی عصر(عج)، بالاتر از چهارراه نیایش، خیابان استاد دریابندری(ارمغان غربی)، پلاک 3(ساختمان سابق شورای عالی ایرانیان خارج از کشور)، طبقه سوم
 

اطلاعیه فروش دستگاه EEG با الکترود خشک – تخفیف ۳۵٪

با سلام و احترام،

شرکت دانش بنیان فناوران ذهن دو عدد دستگاه EEG با الکترود خشک از شرکت CGX رو به دلیل تغییر در نیازهای مشتریان صنعتی در معرض فروش قرار داده. دستگاهها با تخفیف ۳۵ درصدی نسبت به قیمت اصلی به فروش میرسند.

✅ ویژگی‌های دستگاه‌ها:

- کاملاً سالم و بدون نقص (در حال حاضر در حال استفاده)
- قابلیت اتصال به پلتفرم برخط تحلیل سیگنالهای مغزی شرکت نوآوران ذهن
- نرم‌افزار اصلی شرکت سازنده به‌صورت رایگان ارائه می‌شود
- دسترسی ۶ ماهه رایگان به پلتفرم شرکت نوآوران ذهن همراه با پشتیبانی کامل
مشخصات دستگاهها به صورت زیر میباشد:

Specifications
Channel Count: Full 10-20 EEG array (20-channels plus reference and ground), plus 2 optional referential lead wires
Extension Channels: 8 optional analog inputs with add-on module for ECG/EMG/respiration/GSR, etc.
Sensor Type: Active dry electrodes with local active shielding
Impedance Monitoring: Real-time with EEG acquisition
Bandwidth: 0-131 Hz at 500 samples/sec, 0-262 Hz at 1,000 samples/sec
Sampling Rate: 500 or 1000 samples/sec
Resolution: 24 bits per sample
Noise: 0.7 µV RMS from 1-50 Hz, shorted inputs
Wireless: Bluetooth, optimized for high speed
Storage: microSD and microSDHC
Motion Sensing: 3-axis Accelerometer, each axis an additional channel
Power Supply: Dual hot-swappable lithium ion batteries, 8-hours wireless, 16-hours microSD
Triggering: Wireless trigger
Weight: 450 grams

Original price: $14,600 (35% discount = $9490)

دستگاه دوم هم کاملا مشخصات ظاهری و فنی مشابه دستگاه اول دارد و تنها تفاوت در این هست که فقط ۸ کانال میتواند بصورت همزمان فعال باشد که در نرم افزار دستگاه این امکان وجود دارد که بر اساس نیاز ۸ کانال دلخواه از کانالهای ۱۰-۲۰ را فعال کرد.

Original price: $6,500 (35% discount = $4,225)


در صورت تمایل با ایمیل زیر تماس حاصل فرمایید.
mmdavari@gmail.com

فقط کانالهای ۱۰-۲۰ در دسترس هستن در این مدل

سر فصل مطالب دوره:
مقدمه یادگیری با شبکه های عصبی عمیق
آشنایی با مفاهیم نورون های مصنوعی
آشنایی با شبکه های تک لایه و چند لایه متداول MLP و FFNN
آشنایی با مفاهیم شبکه های کانولوشنی CNN و انواع کانولوشن معرفی شده
آموزش شبکه های عمیق، drop out، Batch/Layer/instance Normalization، data augmentation
بررسی ساختارهای شبکه های پیشگام و معروف(Imagenet)
مفهوم transfer learning و نحوه استفاده از آن
آشنایی با محیط یادگیری عمیق متلب
آشنایی با تولید دیتابیس برای آموزش شبکه
معرفی لایه های شبکه های عمیق و ساخت شبکه در محیط Deep Network Designer
استفاده از شبکه های آموزش دیده pretrained network معروف برای تصاویر imagenet  در طبقه بندی تصاویر
انتقال یادگیری شبکه های پیش-آموزش دیده تصویر برای مسایل جدید (تغییر در لایه های خروجی)
ساخت انواع شبکه با دستورات
نحوه استفاده از شبک های پیش آموزش دیده تصویر برای طبقه بندی سیگنالهای حیاتی ECG/EEG
طبقه بندی با سیگنالهای حیاتی با شبکه های کانولوشنی یک بعدی
شبکه های بازگشتی lstm، gru
مکانیزم توجه و توجه به خود
مثالهای از طبقه بندی سیگنالهای حیاتی با شبکه های بازگشتی و توجه
روشهای deep visualization method ,interpretability , explainability(optional)
 
ساختار زمان بندی:
جلسه اول (2ساعت- تئوری): مقدمات بحث، مفاهیم طبقه بندی و رگرسیون، شبکه های عصبی
جلسه دوم (2 ساعت- تئوری): شبکه های MLP, FFNN و CNN ، بررسی آموزش و نکات مرتبط با آن
جلسه سوم (2 ساعت- تئوری): بررسی ساختارهای معروف شبکه های آموزش دیده برای داده های Imagenet و مباحث transfer learning
جلسه چهارم(2 ساعت- تئوری): آشنایی با شبکه های بازگشتی، GRU و LSTM و مکانیزم توجه
جلسه پنجم (2 ساعت – کار با نرم افزار): آشنایی با محیط یادگیری عمیق متلب، لایه های تعریف شده درشبکه های عمیق و ساخت شبکه در محیط Deep Network Designer
جلسه ششم (2 ساعت – کار با نرم افزار): ساخت انواع شبکه با دستورات، پیاده سازی شبکه های ساده برای طبقه بندی MNIST، بکارگیری transfer learning  در مسایل جدید طبقه بندی تصویر
جلسه هفتم (2 ساعت – کار با نرم افزار): نحوه استفاده از شبک های پیش آموزش دیده تصویر برای طبقه بندی سیگنالهای حیاتی ECG/EEG
جلسه هشتم (2 ساعت – کار با نرم افزار): طبقه بندی سیگنالهای حیاتی با شبکه های کانولوشنی یک بعدی، شبکه های بازگشتی و  شبکه های توجه به خود self-attention
آمادگی قبل از کارگاه:
جعبه ابزار شبکه های عمیق نرم افزار متلب نصب باشد.  در کارگاه از matlab2023b استفاده میشود.
دانلود کردن شبکه های پیش آموزش دیده از سایت متلب( برای اینکار باید از سرویس های VPN که کل سیستم را تونل میزنند استفاده کرد. استفاده از افزونه های کروم کارایی ندارد) . فایلهایی دانلود در اختیار قرار میگیرد.
دانلود داده هایی که در کارگاه استفاده میشود از لینکهای مربوطه که در اختیار قرار میگیرند. با توجه به  حجم داده ها که زیاد است دانلودها باید از سرورهای اصلی بصورت مستقیم انجام شود.

▫️گایدلاین FUTURE-AI: اجماع بین‌المللی برای هوش مصنوعیِ قابل اعتماد و قابل استقرار در مراقبت‌های بهداشتی

گروهی متشکل از 117 متخصص بین‌رشته‌ای از 50 کشور جهان، کنسرسیومی به نام FUTURE-AI تأسیس کردند.

آنها گایدلاینی را بر اساس شش اصل بنیادین تدوین کردند: عدالت (fairness)، جامعیت (universality)، قابلیت ردیابی (traceability)، کاربردپذیری (usability)، استحکام (robustness) و تبیین‌پذیری (explainability).

برای عملیاتی کردن هوش مصنوعیِ قابل اعتماد در مراقبت‌های بهداشتی 30 مورد Best Practice تعریف شده است. این توصیه‌ها کل چرخه عمر هوش مصنوعی در سلامت، از طراحی، توسعه و اعتبارسنجی گرفته تا تنظیم‌گری، استقرار و پایش را شامل می‌شود.

مقاله منتشر شده در BMJ را ببینید. یا به سایت اختصاصی این پژوه سر بزنید تا 30 توصیه را ببینید.

عدالت
اصل عدالت بیان می‌کند که ابزارهای AI در پزشکی باید در میان افراد و گروه‌های مختلف، عملکرد یکسانی داشته باشند. همچنین، مراقبت‌های پزشکی مبتنی بر هوش مصنوعی باید برای همه شهروندان، فارغ از جنس، جنسیت، قومیت، سن، وضعیت اقتصادی-اجتماعی و (نا) توانایی‌ها، به‌طور برابر ارائه شود. در طراحی ابزارهای AI عادلانه، ضروری است سوگیری‌های بالقوه تا حد امکان کاهش یابند یا در صورت بروز، شناسایی و گزارش شوند.

جامعیت
اصل جامعیت ایجاب می‌کند که ابزار AI پزشکی بتواند فراتر از محیط کنترل‌شده‌ای که در آن توسعه یافته است، عملکرد خود را حفظ کند (قابلیت تعمیم داشته باشد). به بیان دیگر، این ابزار باید در برخورد با بیماران، کاربران و در صورت نیاز، مراکز بالینی جدید نیز کارآمد باقی بماند. بسته به گسترۀ کاربردِ درنظرگرفته‌شده، چنین ابزاری باید تا حد امکان از نظر تبادل‌پذیری (interoperable) و انتقال‌پذیری توانمند باشد تا بتواند در مقیاس وسیع، مزایای خود را در اختیار شهروندان و متخصصان بالینی قرار دهد.

قابلیت ردیابی یا پایش‌پذیری
اصل قابلیت ردیابی تصریح می‌کند که ابزارهای AI در پزشکی باید همراه با مکانیسم‌هایی برای مستندسازی و پایش مسیر کامل آن‌ها، از مرحله توسعه و اعتبارسنجی تا استقرار و استفاده، طراحی شوند. این کار با ارائه اطلاعات جامع و پیوسته در طول چرخۀ عمر ابزارهای AI به بالین‌گران، سازمان‌های بهداشتی، بیماران و شهروندان، توسعه‌دهندگان AI و نهادهای نظارتی، موجب ارتقای شفافیت و مسئولیت‌پذیری می‌شود. همچنین، این قابلیت شرایط را برای ممیزی مداوم مدل‌ها، شناسایی خطرات و محدودیت‌ها و به‌روزرسانی مدل‌ها در صورت نیاز فراهم می‌سازد.

کاربردپذیری
این اصل بر این نکته تأکید دارد که کاربران نهایی باید بتوانند در محیط واقعی خود، با بهره‌گیری از ابزارهای AI، به اهداف بالینی به‌صورت کارآمد و ایمن دست یابند. از یک سو، این به معنای سهولت استفاده از قابلیت‌ها و رابط‌های کاربری AI و کاهش خطاهای احتمالی است. از سوی دیگر، ابزار مورد نظر باید از نظر بالینی مفید و ایمن باشد؛ به‌عنوان مثال، موجب افزایش کارایی پزشکان، بهبود پیامدهای سلامتیِ بیماران و پیشگیری از آسیب شود.

استحکام
این اصل بر توانایی ابزارهای AI پزشکی در حفظ عملکرد و دقتشان در مواجهه با تغییرات قابل پیش‌بینی یا غیرمنتظره در داده‌های ورودی تأکید می‌کند. پژوهش‌ها نشان داده‌اند که حتی تغییرات جزئی و نامحسوس در داده‌های ورودی می‌توانند تصمیمات مدل‌های AI را به خطا بکشانند. از آنجا که داده‌های زیست‌پزشکی و بهداشتی در دنیای واقعی ممکن است دستخوش تغییرات عمده، چه قابل انتظار و چه غیرمنتظره، شوند و در نتیجه بر عملکرد ابزارهای AI تأثیر بگذارند، لازم است این ابزارها به گونه‌ای طراحی و توسعه یابند که در برابر چنین تغییراتی مقاوم باشند و به‌شیوه‌ای مناسب ارزشیابی و بهینه‌سازی شوند.

تبیین‌پذیری
اصل تبیین‌پذیری بر این نکته تأکید دارد که ابزارهای AI در پزشکی باید اطلاعاتی معنادار از نظر بالینی درباره منطقِ تصمیمات خود ارائه دهند. اگرچه حوزه پزشکی، به دلیل حساسیت و ریسک بالا، نیازمند شفافیت، قابلیت اطمینان و پاسخگویی است، اما فنون یادگیری ماشین اغلب به مدل‌های پیچیده و اصطلاحاً جعبه سیاه منجر می‌شوند. از دیدگاه فنی، پزشکی، اخلاقی، حقوقی و بیماران، تبیین‌پذیری ویژگی مطلوبی محسوب می‌شود چون به کاربران نهایی امکان می‌دهد تا مدل AI و خروجی‌های آن را تفسیر کنند، ظرفیت‌ها و محدودیت‌های ابزار را بشناسند و در صورت لزوم مداخله کنند؛ برای مثال، تصمیم بگیرند از آن استفاده کنند یا خیر. با این حال، تبیین‌پذیری فرایندی پیچیده است که چالش‌های خاص خود را دارد و باید در تمامی مراحل توسعه و ارزیابی AI مورد توجه دقیق قرار گیرد تا اطمینان حاصل شود که تبیین‌های ارائه‌شده، از نظر بالینی معنادار و برای کاربران نهایی سودمند هستند.

#AI
#healthcare
#guideline

🆔 @irevidence

در قسمت عملی این کارگاه با استفاده از سیگنالهای ECG و EEG دیتابیسهای موجود و در دو حالت بکارگیری انتقال یادگیری transfer learning شبکه های pretrained و طراحی شبکه هایی با ساختارهای دلخواه، طبقه بندی انجام میشود. کدها و ساختارها برای بکارگیری در سایر پروژها دراختیار شرکت کنندگان قرار می گیرد

طراحی شبکه هایی تلفیقی cnn-lstm برای سیگنالهای EEG و دلیل کارایی این ساختار بحث میشود

The best preprocessing pipeline for EEG/ERP analysis depends on the specific research question, hardware, and data quality. However, a general gold standard preprocessing pipeline includes the following steps:
1. Data Import & Channel Configuration
Load raw EEG/ERP data (e.g., from .bdf, .set, .edf, .cnt, or .vhdr files).
Check and set channel locations based on the standard montage (e.g., 10-20 or 10-10 system).
Remove extra non-EEG channels (e.g., EOG, ECG, EMG, etc.), if not needed.
2. Re-referencing
Common average referencing (CAR): Subtracts the mean of all electrodes.
Linked mastoids (e.g., M1, M2) or nose reference: Common in ERP studies.
REST (Reference Electrode Standardization Technique): A modern method to minimize bias.
3. Bandpass Filtering
High-pass filter (HPF): 0.1 Hz – 1 Hz (for ERP) or 1 Hz (for oscillatory analysis).
Low-pass filter (LPF): 30 Hz – 45 Hz (to remove high-frequency noise).
Notch filter (50/60 Hz): Removes powerline noise.
4. Artifact Rejection & Bad Channel Handling
Automatic & Manual Inspection
Identify and remove bad channels (using variance, correlation, or kurtosis metrics).
Replace bad channels (via spherical interpolation or nearest-neighbor averaging).
Thresholding methods:
Amplitude threshold (e.g., ±100 μV).
Peak-to-peak thresholding.
Z-score-based rejection.
5. Independent Component Analysis (ICA) for Artifact Removal
Run ICA (e.g., FastICA, AMICA, or Infomax ICA) to remove artifacts like:
Eye-blinks (EOG artifacts).
Muscle artifacts (EMG).
Heartbeats (ECG artifacts).
Automated ICA component classification tools:
ICLabel (EEGLAB plugin)
ADJUST (MATLAB)
MARA (MATLAB/Python)
6. Epoching & Baseline Correction
Define epochs relative to event markers (e.g., -200ms to +800ms for ERP).
Baseline correction: Subtract pre-stimulus baseline (e.g., -200ms to 0ms).
7. Time-Frequency Analysis (If Needed)
Short-Time Fourier Transform (STFT).
Wavelet Transform (e.g., Morlet Wavelets).
Hilbert Transform for phase/amplitude extraction.
8. Data Normalization & Smoothing
Z-score normalization to scale data across subjects.
Gaussian smoothing (optional for ERP waveforms).
9. Statistical Analysis
Grand-average ERP computation.
Cluster-based permutation tests (e.g., FieldTrip).
Linear mixed-effects models (for subject variability).
Recommended Preprocessing Pipelines & Tools
PipelineToolsStrengthsEEGLAB (MATLAB)ICA, ICLabel, Artifact Subspace Reconstruction (ASR)Highly customizable, widely used in neuroscienceMNE-PythonICA, autoreject, MaxfilterOpen-source, Python-based, better for ML/AIFieldTrip (MATLAB)Preprocessing, connectivity, cluster-based statsAdvanced statistical modelingBrainstormDipole fitting, connectivity analysisGUI-friendly, suited for source localizationNeuroKit2 (Python)Automated feature extractionGood for physiology-based EEG studies
Best Preprocessing Pipeline Based on Study Type
Study TypePipeline RecommendationERP (Event-Related Potentials)EEGLAB + ICA + Baseline CorrectionBCI (Brain-Computer Interface)MNE-Python + Autoreject + ASRResting-State EEGFieldTrip + ICA + PSD AnalysisClinical EEG (Epilepsy, Sleep)Brainstorm + ICA + ConnectivityMachine Learning EEGMNE-Python + Feature Engineering
Conclusion
EEGLAB (MATLAB) is best for classic EEG/ERP research.
MNE-Python is better for machine learning and deep learning.
FieldTrip is useful for advanced statistics.
Brainstorm is great for source localization.
Would you like a detailed Python or MATLAB noscript for preprocessing?