EEG workshop
Nazari_et_al-2025-Scientific_Data_250223_061659.pdf
با سلام و احترام به اساتید محترم
آگاهی دارید که جمعآوری دادهها و ساختارمند کردن آنها در قالب یک پایگاه داده بومی، و انتشار آن در مجامع بینالمللی، از ارزش خاصی برای جایگاه علمی کشور برخوردار است. از سوی دیگر، استفاده از دادههای بومی در تحقیقات و پایاننامهها میتواند در حل مسائل داخلی ایران عزیزمان راهگشا باشد.
به همین دلیل، این مقاله اخیراً چاپ شده را جهت استحضار ارسال میکنم. همچنین در صورت صلاحدید، میتوان آن را به دانشجویان جهت استفاده در پروژههایشان ارسال نمود. ذکر این نکته مهم است که در این مقاله تنها صد داده به صورت عمومی منتشر شدهاند؛ حال آنکه پایگاه داده ما شامل بیش از هفتصد کودک است.
چنانچه تمایل وجود داشته باشد که بر روی کل دادگان پردازش انجام شود، آماده همکاری هستم.
با احترام
محمد علی نظری
گروه علوم اعصاب دانشگاه علوم پزشکی ایران
آگاهی دارید که جمعآوری دادهها و ساختارمند کردن آنها در قالب یک پایگاه داده بومی، و انتشار آن در مجامع بینالمللی، از ارزش خاصی برای جایگاه علمی کشور برخوردار است. از سوی دیگر، استفاده از دادههای بومی در تحقیقات و پایاننامهها میتواند در حل مسائل داخلی ایران عزیزمان راهگشا باشد.
به همین دلیل، این مقاله اخیراً چاپ شده را جهت استحضار ارسال میکنم. همچنین در صورت صلاحدید، میتوان آن را به دانشجویان جهت استفاده در پروژههایشان ارسال نمود. ذکر این نکته مهم است که در این مقاله تنها صد داده به صورت عمومی منتشر شدهاند؛ حال آنکه پایگاه داده ما شامل بیش از هفتصد کودک است.
چنانچه تمایل وجود داشته باشد که بر روی کل دادگان پردازش انجام شود، آماده همکاری هستم.
با احترام
محمد علی نظری
گروه علوم اعصاب دانشگاه علوم پزشکی ایران
Forwarded from اخلاق نشر و منابع علمی
پنجم اسفندماه روز مهندسی و روز بزرگداشت خواجه نصیر الدین طوسی
سه پست زیر در همین زمینه تقدیم میشود
خواجه نصیر و "زوج طوسی" و نقش او در توجیه حرکت سیارات
http://t.me/pubethicsmums/1600
خواجه نصیر و برج رادکان که برای بررسی دقیق انقلاب تابستانی و زمستانی طراحی شده است و هنوز پابرجاست
http://t.me/pubethicsmums/1601
خواجه نصیر و نقش او در سقوط بغداد و پایان حکومت عباسی
http://t.me/pubethicsmums/1602
سه پست زیر در همین زمینه تقدیم میشود
خواجه نصیر و "زوج طوسی" و نقش او در توجیه حرکت سیارات
http://t.me/pubethicsmums/1600
خواجه نصیر و برج رادکان که برای بررسی دقیق انقلاب تابستانی و زمستانی طراحی شده است و هنوز پابرجاست
http://t.me/pubethicsmums/1601
خواجه نصیر و نقش او در سقوط بغداد و پایان حکومت عباسی
http://t.me/pubethicsmums/1602
https://www.sciencedirect.com/science/article/pii/S2352340921009355
ECSMP: A dataset on emotion, cognition,
sleep, and multi-model physiological signals
ECSMP: A dataset on emotion, cognition,
sleep, and multi-model physiological signals
خلاصه مقاله "ECSMP: یک مجموعه داده درباره احساسات، شناخت، خواب و سیگنالهای فیزیولوژیکی چندگانه"
۱. مقدمه و اهمیت مقاله
این مقاله مجموعه دادهای جدید ارائه میدهد که شامل سیگنالهای فیزیولوژیکی چندحالته برای تحلیل ارتباط بین احساسات، شناخت و کیفیت خواب است. دادهها از ۸۹ دانشجوی سالم جمعآوری شده و شامل اندازهگیریهای EEG، ECG، PPG، EDA، دما و شتابسنج در حالت استراحت، تحریک احساسی و آزمونهای شناختی است.
۲. دادههای جمعآوریشده
سیگنالهای فیزیولوژیکی: EEG (فعالیت مغزی)، ECG (سیگنال قلبی)، PPG (فوتوپلتیموگرافی)، EDA (فعالیت الکتریکی پوست)، دما (TEMP) و شتابسنج (ACC).
تحریک احساسی: از طریق کلیپهای ویدیویی برای ایجاد شش احساس (خنثی، ترس، غم، شادی، خشم و تنفر).
آزمونهای شناختی: شامل توجه پایدار، مهار پاسخ، حافظه کاری و استراتژی تصمیمگیری، با استفاده از ابزار CANTAB.
ثبت کیفیت خواب: ECG خواب برای بررسی کیفیت خواب و تحلیل اثر آن بر شناخت و احساسات.
پرسشنامههای تکمیلی: ارزیابی استراتژیهای تنظیم احساسات، نمره افسردگی، وضعیت روحی اخیر و کیفیت خواب.
۳. ارزش و کاربردهای مجموعه داده
این دادهها برای تحقیقات مرتبط با شناخت احساسات از طریق سیگنالهای فیزیولوژیکی چندحالته مفید هستند.
امکان تحلیل فرآیندهای القای احساسات و بازگشت به حالت عادی.
بررسی ارتباط میان کیفیت خواب، عملکرد شناختی و واکنشهای احساسی.
دادههای EEG بدون فیلتر پایینگذر ارائه شدهاند تا بتوان تحلیلهایی با تمرکز بر سیگنالهای فرکانس بالا انجام داد.
۴. روشهای جمعآوری داده
سیگنالهای EEG: ضبط شده با نرخ نمونهبرداری ۱۰۰۰ هرتز (کاهش به ۲۵۰ هرتز برای کاهش حجم داده).
سیگنالهای ECG: جمعآوریشده با نرخ ۵۱۲ هرتز با دستگاه مانیتورینگ قابلحمل ECG.
سایر سیگنالها (PPG، EDA، TEMP، ACC): ضبط شده با مچبند Empatica E4.
تحلیل خواب: با استفاده از الگوریتم تحلیل اتصال قلبیریوی.
تحریک احساسی: با استفاده از فیلمهای هدفمند برای القای احساسات مختلف.
آزمونهای شناختی: شامل آزمایشهای MOT، RVP، SST و SWM از طریق CANTAB.
۵. طراحی آزمایش
مرحله خواب: ثبت ECG خواب شب قبل از آزمایش.
مرحله آزمایشی: اجرای دو وظیفه:
مشاهده فیلمهای احساسی: اندازهگیری پاسخ فیزیولوژیکی و پرسشنامههای ارزیابی احساسات.
ارزیابی شناختی: انجام آزمونهای شناختی در یک محیط کنترلشده.
ثبت کلیه سیگنالهای فیزیولوژیکی در طول آزمایش.
۶. نتیجهگیری
این مجموعه داده یک ابزار ارزشمند برای تحلیل روابط بین احساسات، شناخت و خواب ارائه میدهد. محققان میتوانند از این دادهها برای توسعه مدلهای شناسایی احساسات، بررسی اثر کیفیت خواب بر شناخت و احساسات، و تحلیل واکنشهای فیزیولوژیکی به تحریکهای احساسی استفاده کنند.
منابع و دسترسی
دادهها بهصورت دسترسی آزاد در Mendeley Data منتشر شدهاند و میتوانند برای تحقیقات مرتبط با پردازش سیگنالهای زیستی، روانشناسی و علوم اعصاب مورد استفاده قرار گیرند.
لینک مجموعه داده:
https://data.mendeley.com/datasets/vn5nknh3mn/
۱. مقدمه و اهمیت مقاله
این مقاله مجموعه دادهای جدید ارائه میدهد که شامل سیگنالهای فیزیولوژیکی چندحالته برای تحلیل ارتباط بین احساسات، شناخت و کیفیت خواب است. دادهها از ۸۹ دانشجوی سالم جمعآوری شده و شامل اندازهگیریهای EEG، ECG، PPG، EDA، دما و شتابسنج در حالت استراحت، تحریک احساسی و آزمونهای شناختی است.
۲. دادههای جمعآوریشده
سیگنالهای فیزیولوژیکی: EEG (فعالیت مغزی)، ECG (سیگنال قلبی)، PPG (فوتوپلتیموگرافی)، EDA (فعالیت الکتریکی پوست)، دما (TEMP) و شتابسنج (ACC).
تحریک احساسی: از طریق کلیپهای ویدیویی برای ایجاد شش احساس (خنثی، ترس، غم، شادی، خشم و تنفر).
آزمونهای شناختی: شامل توجه پایدار، مهار پاسخ، حافظه کاری و استراتژی تصمیمگیری، با استفاده از ابزار CANTAB.
ثبت کیفیت خواب: ECG خواب برای بررسی کیفیت خواب و تحلیل اثر آن بر شناخت و احساسات.
پرسشنامههای تکمیلی: ارزیابی استراتژیهای تنظیم احساسات، نمره افسردگی، وضعیت روحی اخیر و کیفیت خواب.
۳. ارزش و کاربردهای مجموعه داده
این دادهها برای تحقیقات مرتبط با شناخت احساسات از طریق سیگنالهای فیزیولوژیکی چندحالته مفید هستند.
امکان تحلیل فرآیندهای القای احساسات و بازگشت به حالت عادی.
بررسی ارتباط میان کیفیت خواب، عملکرد شناختی و واکنشهای احساسی.
دادههای EEG بدون فیلتر پایینگذر ارائه شدهاند تا بتوان تحلیلهایی با تمرکز بر سیگنالهای فرکانس بالا انجام داد.
۴. روشهای جمعآوری داده
سیگنالهای EEG: ضبط شده با نرخ نمونهبرداری ۱۰۰۰ هرتز (کاهش به ۲۵۰ هرتز برای کاهش حجم داده).
سیگنالهای ECG: جمعآوریشده با نرخ ۵۱۲ هرتز با دستگاه مانیتورینگ قابلحمل ECG.
سایر سیگنالها (PPG، EDA، TEMP، ACC): ضبط شده با مچبند Empatica E4.
تحلیل خواب: با استفاده از الگوریتم تحلیل اتصال قلبیریوی.
تحریک احساسی: با استفاده از فیلمهای هدفمند برای القای احساسات مختلف.
آزمونهای شناختی: شامل آزمایشهای MOT، RVP، SST و SWM از طریق CANTAB.
۵. طراحی آزمایش
مرحله خواب: ثبت ECG خواب شب قبل از آزمایش.
مرحله آزمایشی: اجرای دو وظیفه:
مشاهده فیلمهای احساسی: اندازهگیری پاسخ فیزیولوژیکی و پرسشنامههای ارزیابی احساسات.
ارزیابی شناختی: انجام آزمونهای شناختی در یک محیط کنترلشده.
ثبت کلیه سیگنالهای فیزیولوژیکی در طول آزمایش.
۶. نتیجهگیری
این مجموعه داده یک ابزار ارزشمند برای تحلیل روابط بین احساسات، شناخت و خواب ارائه میدهد. محققان میتوانند از این دادهها برای توسعه مدلهای شناسایی احساسات، بررسی اثر کیفیت خواب بر شناخت و احساسات، و تحلیل واکنشهای فیزیولوژیکی به تحریکهای احساسی استفاده کنند.
منابع و دسترسی
دادهها بهصورت دسترسی آزاد در Mendeley Data منتشر شدهاند و میتوانند برای تحقیقات مرتبط با پردازش سیگنالهای زیستی، روانشناسی و علوم اعصاب مورد استفاده قرار گیرند.
لینک مجموعه داده:
https://data.mendeley.com/datasets/vn5nknh3mn/
Mendeley Data
ECSMP: A Dataset on Emotion, Cognition, Sleep, and Multi-model Physiological Signals
This paper described the collection of multi-modal physiological signals, which include electroencephalography, electrocardiograph (ECG), photoplethysmography, electrodermal activity, temperature, and accelerometer data, recorded from 89 healthy college students…
(این یک گزارش جامع و علمی درباره آینده تحقیقات هوش مصنوعی است که شامل بخشهای مختلفی از جمله استدلال، ایمنی، اخلاق، ارزیابی، و هوش مصنوعی عمومی است.)
۱. استدلال در هوش مصنوعی (AI Reasoning)
توضیحات فایل:
استدلال یکی از ویژگیهای اصلی هوش انسانی است و در هوش مصنوعی نیز نقش اساسی دارد.
روشهای استدلال اتوماتیک شامل مدلهای SAT، SMT، حلکنندههای محدودیتها، و مدلهای گرافیکی احتمالاتی است که در کاربردهای مهمی مانند بررسی صحت سختافزار و نرمافزار، طراحی دارو، و برنامهریزی استفاده میشود.
مدلهای زبانی بزرگ (LLMs) پیشرفتهای چشمگیری در استدلال نشان دادهاند اما هنوز فاقد تضمین دقت و صحت هستند.
تحقیقات جدید روی مدلهای استدلال بزرگ (Large Reasoning Models) و روشهای نوروسمبولیک متمرکز شدهاند تا استدلالهای قویتر و قابل اطمینانتری ایجاد کنند.
۲. قابلیت صحت و اطمینان هوش مصنوعی (AI Factuality & Trustworthiness)
توضیحات فایل:
صحّت در هوش مصنوعی به معنی ارائه پاسخهای درست و غیرکاذب است، اما مدلهای زبانی بزرگ گاهی دچار توهم (hallucination) میشوند و اطلاعات نادرست تولید میکنند.
روشهای بهبود صحت شامل:
تنظیم دقیق (Fine-tuning) با استفاده از دادههای خاص هر حوزه
افزودن ماژولهای بررسی صحت (Fact-checking tools)
مدلهای یادگیری تقویتی با بازخورد انسانی (RLHF)
زنجیره تفکر (Chain of Thought - CoT) که پاسخها را به مراحل کوچکتر تقسیم کرده و دقت را افزایش میدهد.
قابلیت اطمینان (Trustworthiness) فراتر از صحت است و شامل درکپذیری، مقاوم بودن، و همسو بودن با ارزشهای انسانی میشود.
۳. عاملهای هوشمند و سیستمهای چندعامله (AI Agents & Multi-Agent Systems)
توضیحات فایل:
سیستمهای چندعامله (MAS) به طور سنتی روی تعامل عاملهای هوشمند برای همکاری، هماهنگی، و مذاکره تمرکز داشتند.
عاملهای مبتنی بر LLM در حال حاضر توجه زیادی را جلب کردهاند، زیرا میتوانند وظایف متنوعی را به صورت خودکار انجام دهند.
چالشهای مهم:
عدم شفافیت در تصمیمگیری عاملها
مسائل امنیتی در تعامل چندین عامل مستقل
هزینههای محاسباتی بالای ادغام LLMها در عاملها
روند جدید: استفاده از سیستمهای چندعامله برای افزایش مقیاسپذیری و تعاملپذیری عاملهای هوش مصنوعی.
۴. ارزیابی هوش مصنوعی (AI Evaluation)
توضیحات فایل:
روشهای سنتی ارزیابی در هوش مصنوعی ناکارآمد هستند و نیاز به چارچوبهای جدید ارزیابی عملکرد، امنیت، و قابلیت استفاده داریم.
مشکلات رایج:
آزمایشهای محدود به مجموعه دادههای مشخص
عدم ارزیابی مداوم سیستمها در دنیای واقعی
مشکل تطابق معیارهای ارزیابی با استفادههای عملی
روشهای جدید: استفاده از تیمهای تستکننده (Red teaming)، ارزیابی عملکرد تعاملی با کاربران، و مدلهای مبتنی بر معیارهای چندبعدی.
۵. اخلاق و ایمنی هوش مصنوعی (AI Ethics & Safety)
توضیحات فایل:
چالشهای اخلاقی: استفاده از هوش مصنوعی در تبلیغات، نظارت، سلاحهای خودمختار، و دستکاری اطلاعات.
چالشهای ایمنی: خطاهای هوش مصنوعی، حملات سایبری، و تهدیدات مرتبط با هوش عمومی مصنوعی (AGI).
روشهای پیشنهادی:
ایجاد مکانیسمهای نظارت مستمر
قوانین سختگیرانهتر برای کنترل توسعه AI
پروتکلهای ایمنی برای مدلهای زبانی بزرگ
۶. هوش مصنوعی تجسمیافته (Embodied AI)
توضیحات فایل:
شامل سیستمهایی است که هوش مصنوعی را در تعامل فیزیکی با محیط پیادهسازی میکنند (مثلاً رباتها).
چالشها:
سازگاری با شرایط غیرقابل پیشبینی دنیای واقعی
نیاز به یادگیری خودکار در محیطهای پویا
مسائل انرژی و کارایی در سیستمهای فیزیکی
کاربردها: پزشکی، رباتیک صنعتی، حملونقل هوشمند.
۷. هوش مصنوعی و علوم شناختی (AI & Cognitive Science)
توضیحات فایل:
تعامل میان علوم شناختی و هوش مصنوعی میتواند به توسعه سیستمهایی با درک بهتر، تفکر انسانی، و تعاملات اجتماعی طبیعیتر منجر شود.
چالشها:
فهم نحوه یادگیری مغز و پیادهسازی آن در هوش مصنوعی
ایجاد مدلهایی که بتوانند دانش را تعمیم دهند و نه صرفاً دادههای گذشته را تکرار کنند.
۸. سختافزارهای هوش مصنوعی (AI & Hardware)
توضیحات فایل:
افزایش نیاز به سختافزارهای خاص (مانند GPU و TPU) برای اجرای مدلهای بزرگ.
چالشهای مرتبط با مصرف انرژی بالا و هزینههای سختافزاری.
راهکارهای آینده شامل مدارهای بهینهشده و سختافزارهای کممصرفتر.
۹. هوش مصنوعی برای خیر اجتماعی (AI for Social Good)
توضیحات فایل:
کاربردهای مثبت AI در حوزههای سلامت، محیطزیست، و عدالت اجتماعی.
۱. استدلال در هوش مصنوعی (AI Reasoning)
توضیحات فایل:
استدلال یکی از ویژگیهای اصلی هوش انسانی است و در هوش مصنوعی نیز نقش اساسی دارد.
روشهای استدلال اتوماتیک شامل مدلهای SAT، SMT، حلکنندههای محدودیتها، و مدلهای گرافیکی احتمالاتی است که در کاربردهای مهمی مانند بررسی صحت سختافزار و نرمافزار، طراحی دارو، و برنامهریزی استفاده میشود.
مدلهای زبانی بزرگ (LLMs) پیشرفتهای چشمگیری در استدلال نشان دادهاند اما هنوز فاقد تضمین دقت و صحت هستند.
تحقیقات جدید روی مدلهای استدلال بزرگ (Large Reasoning Models) و روشهای نوروسمبولیک متمرکز شدهاند تا استدلالهای قویتر و قابل اطمینانتری ایجاد کنند.
۲. قابلیت صحت و اطمینان هوش مصنوعی (AI Factuality & Trustworthiness)
توضیحات فایل:
صحّت در هوش مصنوعی به معنی ارائه پاسخهای درست و غیرکاذب است، اما مدلهای زبانی بزرگ گاهی دچار توهم (hallucination) میشوند و اطلاعات نادرست تولید میکنند.
روشهای بهبود صحت شامل:
تنظیم دقیق (Fine-tuning) با استفاده از دادههای خاص هر حوزه
افزودن ماژولهای بررسی صحت (Fact-checking tools)
مدلهای یادگیری تقویتی با بازخورد انسانی (RLHF)
زنجیره تفکر (Chain of Thought - CoT) که پاسخها را به مراحل کوچکتر تقسیم کرده و دقت را افزایش میدهد.
قابلیت اطمینان (Trustworthiness) فراتر از صحت است و شامل درکپذیری، مقاوم بودن، و همسو بودن با ارزشهای انسانی میشود.
۳. عاملهای هوشمند و سیستمهای چندعامله (AI Agents & Multi-Agent Systems)
توضیحات فایل:
سیستمهای چندعامله (MAS) به طور سنتی روی تعامل عاملهای هوشمند برای همکاری، هماهنگی، و مذاکره تمرکز داشتند.
عاملهای مبتنی بر LLM در حال حاضر توجه زیادی را جلب کردهاند، زیرا میتوانند وظایف متنوعی را به صورت خودکار انجام دهند.
چالشهای مهم:
عدم شفافیت در تصمیمگیری عاملها
مسائل امنیتی در تعامل چندین عامل مستقل
هزینههای محاسباتی بالای ادغام LLMها در عاملها
روند جدید: استفاده از سیستمهای چندعامله برای افزایش مقیاسپذیری و تعاملپذیری عاملهای هوش مصنوعی.
۴. ارزیابی هوش مصنوعی (AI Evaluation)
توضیحات فایل:
روشهای سنتی ارزیابی در هوش مصنوعی ناکارآمد هستند و نیاز به چارچوبهای جدید ارزیابی عملکرد، امنیت، و قابلیت استفاده داریم.
مشکلات رایج:
آزمایشهای محدود به مجموعه دادههای مشخص
عدم ارزیابی مداوم سیستمها در دنیای واقعی
مشکل تطابق معیارهای ارزیابی با استفادههای عملی
روشهای جدید: استفاده از تیمهای تستکننده (Red teaming)، ارزیابی عملکرد تعاملی با کاربران، و مدلهای مبتنی بر معیارهای چندبعدی.
۵. اخلاق و ایمنی هوش مصنوعی (AI Ethics & Safety)
توضیحات فایل:
چالشهای اخلاقی: استفاده از هوش مصنوعی در تبلیغات، نظارت، سلاحهای خودمختار، و دستکاری اطلاعات.
چالشهای ایمنی: خطاهای هوش مصنوعی، حملات سایبری، و تهدیدات مرتبط با هوش عمومی مصنوعی (AGI).
روشهای پیشنهادی:
ایجاد مکانیسمهای نظارت مستمر
قوانین سختگیرانهتر برای کنترل توسعه AI
پروتکلهای ایمنی برای مدلهای زبانی بزرگ
۶. هوش مصنوعی تجسمیافته (Embodied AI)
توضیحات فایل:
شامل سیستمهایی است که هوش مصنوعی را در تعامل فیزیکی با محیط پیادهسازی میکنند (مثلاً رباتها).
چالشها:
سازگاری با شرایط غیرقابل پیشبینی دنیای واقعی
نیاز به یادگیری خودکار در محیطهای پویا
مسائل انرژی و کارایی در سیستمهای فیزیکی
کاربردها: پزشکی، رباتیک صنعتی، حملونقل هوشمند.
۷. هوش مصنوعی و علوم شناختی (AI & Cognitive Science)
توضیحات فایل:
تعامل میان علوم شناختی و هوش مصنوعی میتواند به توسعه سیستمهایی با درک بهتر، تفکر انسانی، و تعاملات اجتماعی طبیعیتر منجر شود.
چالشها:
فهم نحوه یادگیری مغز و پیادهسازی آن در هوش مصنوعی
ایجاد مدلهایی که بتوانند دانش را تعمیم دهند و نه صرفاً دادههای گذشته را تکرار کنند.
۸. سختافزارهای هوش مصنوعی (AI & Hardware)
توضیحات فایل:
افزایش نیاز به سختافزارهای خاص (مانند GPU و TPU) برای اجرای مدلهای بزرگ.
چالشهای مرتبط با مصرف انرژی بالا و هزینههای سختافزاری.
راهکارهای آینده شامل مدارهای بهینهشده و سختافزارهای کممصرفتر.
۹. هوش مصنوعی برای خیر اجتماعی (AI for Social Good)
توضیحات فایل:
کاربردهای مثبت AI در حوزههای سلامت، محیطزیست، و عدالت اجتماعی.
چالشهای پیادهسازی AI در کشورهای در حال توسعه.
مدلهای هوش مصنوعی برای کاهش فقر و بهبود زندگی اجتماعی.
۱۰. پایداری در هوش مصنوعی (AI & Sustainability)
توضیحات فایل:
تأثیر زیستمحیطی مدلهای هوش مصنوعی بزرگ و راهکارهایی برای بهینهسازی مصرف انرژی.
مدلهای کممصرف، استفاده از هوش مصنوعی برای تحلیل بحرانهای زیستمحیطی.
۱۱. هوش مصنوعی برای کشفهای علمی (AI for Scientific Discovery)
توضیحات فایل:
کاربردهای هوش مصنوعی در تحقیقات علمی، از جمله کشف دارو و فیزیک کوانتومی.
چالشهای مربوط به درک مدلهای علمی و استفاده از AI در پژوهشهای بنیادی.
۱۲. هوش عمومی مصنوعی (AGI)
توضیحات فایل:
آینده هوش مصنوعی فراگیر و چندکاره که میتواند مانند یک انسان تفکر کند.
چالشهای اخلاقی، ایمنی، و امکانپذیری فنی AGI.
۱۳-۱۷. سایر موضوعات
شامل:
تفاوت بین درک عمومی از هوش مصنوعی و واقعیت آن.
تنوع روشهای تحقیقاتی در هوش مصنوعی.
نقش دانشگاهها در توسعه AI.
ابعاد ژئوپلیتیکی و رقابتهای بینالمللی در حوزه هوش مصنوعی.
نتیجهگیری
این گزارش نشان میدهد که هوش مصنوعی به سرعت در حال تغییر است و نیاز به نظارت، ارزیابی، و سیاستگذاری دقیقتر دارد تا بتواند به پیشرفتهای پایدار و مفید برای جامعه بشری منجر شود.
مدلهای هوش مصنوعی برای کاهش فقر و بهبود زندگی اجتماعی.
۱۰. پایداری در هوش مصنوعی (AI & Sustainability)
توضیحات فایل:
تأثیر زیستمحیطی مدلهای هوش مصنوعی بزرگ و راهکارهایی برای بهینهسازی مصرف انرژی.
مدلهای کممصرف، استفاده از هوش مصنوعی برای تحلیل بحرانهای زیستمحیطی.
۱۱. هوش مصنوعی برای کشفهای علمی (AI for Scientific Discovery)
توضیحات فایل:
کاربردهای هوش مصنوعی در تحقیقات علمی، از جمله کشف دارو و فیزیک کوانتومی.
چالشهای مربوط به درک مدلهای علمی و استفاده از AI در پژوهشهای بنیادی.
۱۲. هوش عمومی مصنوعی (AGI)
توضیحات فایل:
آینده هوش مصنوعی فراگیر و چندکاره که میتواند مانند یک انسان تفکر کند.
چالشهای اخلاقی، ایمنی، و امکانپذیری فنی AGI.
۱۳-۱۷. سایر موضوعات
شامل:
تفاوت بین درک عمومی از هوش مصنوعی و واقعیت آن.
تنوع روشهای تحقیقاتی در هوش مصنوعی.
نقش دانشگاهها در توسعه AI.
ابعاد ژئوپلیتیکی و رقابتهای بینالمللی در حوزه هوش مصنوعی.
نتیجهگیری
این گزارش نشان میدهد که هوش مصنوعی به سرعت در حال تغییر است و نیاز به نظارت، ارزیابی، و سیاستگذاری دقیقتر دارد تا بتواند به پیشرفتهای پایدار و مفید برای جامعه بشری منجر شود.
با توجه به اهمیت پایگاه های داده در کارهای EEG/ERP/iEEG/MEG
مقالات حدود ۱۵ دیتابیس در گروه قرار گرفته است. اگر دوستان دادگان دیگری سراغ دارند معرفی کنند تا در گروه قرار بگیرد
برای پیدا کردن مقالات مربوطه با کلمه
database
جستجو کنید
مقالات حدود ۱۵ دیتابیس در گروه قرار گرفته است. اگر دوستان دادگان دیگری سراغ دارند معرفی کنند تا در گروه قرار بگیرد
برای پیدا کردن مقالات مربوطه با کلمه
database
جستجو کنید
دوستان شرکت کننده در کارگاه هوش مصنوعی شاخه شبکه های pretrained بروزرسانی شده است و شبکه های جدید اضافه شده است. برای بررسی ساختارهاشان از دستور analyzeNetwork استفاده کنید
برای دوستانی که خرید از خارج دارند تهیه این کارت میتونه مفید باشه
برای یکی از دوستان هست
برای یکی از دوستان هست
برای پرداختهای بین المللی، با شماره تلفنهای ایران و پاسپورت ایرانی از zeepay در ترکیه استفاده کنید.
🌍 مسترکارت بینالمللی بدون دردسر
⚡️ ارسال رمز دوم خریدهای اینترنتی در سراسر دنیا، بر روی شماره موبایل ایران
🔥 ثبت نام و احراز هویت آنلاین با پاسپورت ایرانی
💥 کارمزد خیلی کم برای شارژ از طریق اینترنت با ریال
❄️ امکان نگهداری به دلار
💼 شارژ زی پی کارت با کارتهای بانکی ایرانی بصورت ریالی
🧳 نقل و انتقال غیر مستقیم به سایر حسابهای بین الملی🫧 استفاده از تخفیف و بازگشت پول در فروشگاههای فیزیکی
🚑 پشتیبانی ۱۸ ساعته فارسی زبان
🛴 ارسال رایگان
🎈قابل استفاده برای دانشجویان و اساتید محترم دانشگاه برای ثبت نام مقالات، آزمونهای تخصصی (مثل ایلس، تافل و GMAT، GRE و ...) ثبت نام کنفرانسها، کنگرههای خارجی و خرید کتابهای آنلاین و کاغذی.
🎓 به همین منظور تخفیف ویژهای برای دانشجویان و اساتید محترم دانشگاه در نظر گرفته شده است.
اگر کد معرف hosseini رو وارد کنید، بعد از خرید کارت مبلغ ۵۰۰ لیر حسابتون شارژ میشه.
آدرس وبسایت: zeepay.com.tr
آدرس پشتیبانی روی واتس اپ: https://wa.me/905546771870
🌍 مسترکارت بینالمللی بدون دردسر
⚡️ ارسال رمز دوم خریدهای اینترنتی در سراسر دنیا، بر روی شماره موبایل ایران
🔥 ثبت نام و احراز هویت آنلاین با پاسپورت ایرانی
💥 کارمزد خیلی کم برای شارژ از طریق اینترنت با ریال
❄️ امکان نگهداری به دلار
💼 شارژ زی پی کارت با کارتهای بانکی ایرانی بصورت ریالی
🧳 نقل و انتقال غیر مستقیم به سایر حسابهای بین الملی🫧 استفاده از تخفیف و بازگشت پول در فروشگاههای فیزیکی
🚑 پشتیبانی ۱۸ ساعته فارسی زبان
🛴 ارسال رایگان
🎈قابل استفاده برای دانشجویان و اساتید محترم دانشگاه برای ثبت نام مقالات، آزمونهای تخصصی (مثل ایلس، تافل و GMAT، GRE و ...) ثبت نام کنفرانسها، کنگرههای خارجی و خرید کتابهای آنلاین و کاغذی.
🎓 به همین منظور تخفیف ویژهای برای دانشجویان و اساتید محترم دانشگاه در نظر گرفته شده است.
اگر کد معرف hosseini رو وارد کنید، بعد از خرید کارت مبلغ ۵۰۰ لیر حسابتون شارژ میشه.
آدرس وبسایت: zeepay.com.tr
آدرس پشتیبانی روی واتس اپ: https://wa.me/905546771870
WhatsApp.com
Zeepay
Business Account
EEG workshop
https://www.cell.com/heliyon/fulltext/S2405-8440(24)17178-2
خلاصه مقاله و نکات کلیدی
عنوان مقاله: طبقهبندی مراحل خواب بر اساس استخراج ویژگی از موسیقی مغز
نویسندگان: حمیدرضا جلالی، مجید پولادیان، علی مطیع نصرآبادی، آزین موحد
منبع: مجله Heliyon (2025)
۱. مقدمه
خواب فرآیندی فیزیولوژیکی ضروری است که تأثیر زیادی بر انرژی، بازسازی سلولی، و حافظه دارد. تشخیص مراحل خواب برای شناسایی اختلالات خواب و پیشگیری از مشکلات شناختی ضروری است. روشهای سنتی بر اساس بررسی سیگنال EEG (الکتروانسفالوگرام) توسط متخصصان زمانبر و دارای دقت پایین هستند، بنابراین نیاز به روشهای خودکار مبتنی بر هوش مصنوعی و یادگیری عمیق وجود دارد.
۲. روش پیشنهادی
این مقاله یک روش جدید برای طبقهبندی مراحل خواب ارائه میدهد که در آن سیگنال EEG به موسیقی تبدیل میشود. مراحل کلیدی این روش عبارتاند از:
پیشپردازش سیگنال EEG: استفاده از فیلترهای Butterworth برای حذف نویزها.
سونوفیکاسیون EEG: استخراج پارامترهای موسیقی (تمپو، گام، فرکانس غالب) از سیگنال EEG و تبدیل آن به توالی نتهای موسیقی.
استخراج ویژگیها: استخراج ۱۹ ویژگی شامل ویژگیهای آماری (میانگین، واریانس، انرژی)، ویژگیهای صوتی (Jitter و Shimmer)، و ویژگیهای هندسی.
انتخاب ویژگیها: استفاده از الگوریتم بهینهسازی ازدحام ذرات (PSO) و فیلتر تطبیقی الگوهای فضایی (ACSP) برای کاهش تعداد ویژگیها.
طبقهبندی مراحل خواب: استفاده از ترکیب الگوریتمهای یادگیری ماشین شامل SVM، KNN، LDA، و یک شبکه عصبی بازگشتی SVM (RNN-SVM) برای بهبود دقت طبقهبندی.
۳. پایگاههای داده مورد استفاده
برای ارزیابی روش، از سه پایگاه داده معروف استفاده شده است:
CAP Sleep Database
Sleep-EDF Database
Sleep-EDF Expanded Database
در مجموع، بیش از ۴۷۵۲ رکورد ۱ دقیقهای از EEG مورد بررسی قرار گرفته است.
۴. نتایج و ارزیابی روش پیشنهادی
نتایج طبقهبندی مراحل خواب به دو روش انجام شده است:
طبقهبندی ۵ مرحلهای: مراحل S1 و REM با هم ادغام شده و بقیه مراحل (S2، S3، S4 و W) جداگانه طبقهبندی شدهاند.
طبقهبندی ۲ مرحلهای: جداسازی S1 از REM با استفاده از SVM بازگشتی.
دقت کلی روش پیشنهادی:
CAP Sleep Database: دقت ۸۸.۱۳٪
Sleep-EDF Database: دقت ۸۴.۳٪
Sleep-EDF Expanded Database: دقت ۸۶.۱٪
در مقایسه با روشهای دیگر، روش پیشنهادی دقت بالاتری داشته و هزینه محاسباتی کمتری دارد.
۵. مقایسه با روشهای دیگر
در جدول مقایسهای، روشهای پیشین از شبکههای عصبی عمیق (Deep Learning) مانند CNN، LSTM، و SeqSleepNet برای طبقهبندی مراحل خواب استفاده کردهاند، اما روش پیشنهادی با سونوفیکاسیون EEG و استخراج ویژگیهای موسیقیایی توانسته دقتی مشابه یا بالاتر از این روشها ارائه دهد.
۶. نتیجهگیری و پیشنهادات آینده
این مطالعه نشان داد که تبدیل سیگنال EEG به موسیقی میتواند اطلاعات باارزشی را برای تشخیص مراحل خواب فراهم کند. برخی از پیشنهادات برای تحقیقات آینده عبارتاند از:
استفاده از EEG چندکاناله برای ایجاد موسیقی چندصدایی (Polyphonic)
توسعه قوانین خاص برای استخراج ریتم موسیقی از EEG
بهبود روشهای طبقهبندی با ترکیب شبکههای عصبی عمیق
نکات کلیدی مقاله
✅ ارائه یک روش جدید برای طبقهبندی خواب از طریق تبدیل EEG به موسیقی
✅ استخراج ویژگیهای موسیقیایی مانند تمپو و گام برای بهبود دقت تشخیص
✅ دستیابی به دقت بالا (حدود ۸۸٪) و کاهش هزینه محاسباتی
✅ امکان توسعه بیشتر برای کاربردهای بالینی و بهبود تشخیص اختلالات خواب
عنوان مقاله: طبقهبندی مراحل خواب بر اساس استخراج ویژگی از موسیقی مغز
نویسندگان: حمیدرضا جلالی، مجید پولادیان، علی مطیع نصرآبادی، آزین موحد
منبع: مجله Heliyon (2025)
۱. مقدمه
خواب فرآیندی فیزیولوژیکی ضروری است که تأثیر زیادی بر انرژی، بازسازی سلولی، و حافظه دارد. تشخیص مراحل خواب برای شناسایی اختلالات خواب و پیشگیری از مشکلات شناختی ضروری است. روشهای سنتی بر اساس بررسی سیگنال EEG (الکتروانسفالوگرام) توسط متخصصان زمانبر و دارای دقت پایین هستند، بنابراین نیاز به روشهای خودکار مبتنی بر هوش مصنوعی و یادگیری عمیق وجود دارد.
۲. روش پیشنهادی
این مقاله یک روش جدید برای طبقهبندی مراحل خواب ارائه میدهد که در آن سیگنال EEG به موسیقی تبدیل میشود. مراحل کلیدی این روش عبارتاند از:
پیشپردازش سیگنال EEG: استفاده از فیلترهای Butterworth برای حذف نویزها.
سونوفیکاسیون EEG: استخراج پارامترهای موسیقی (تمپو، گام، فرکانس غالب) از سیگنال EEG و تبدیل آن به توالی نتهای موسیقی.
استخراج ویژگیها: استخراج ۱۹ ویژگی شامل ویژگیهای آماری (میانگین، واریانس، انرژی)، ویژگیهای صوتی (Jitter و Shimmer)، و ویژگیهای هندسی.
انتخاب ویژگیها: استفاده از الگوریتم بهینهسازی ازدحام ذرات (PSO) و فیلتر تطبیقی الگوهای فضایی (ACSP) برای کاهش تعداد ویژگیها.
طبقهبندی مراحل خواب: استفاده از ترکیب الگوریتمهای یادگیری ماشین شامل SVM، KNN، LDA، و یک شبکه عصبی بازگشتی SVM (RNN-SVM) برای بهبود دقت طبقهبندی.
۳. پایگاههای داده مورد استفاده
برای ارزیابی روش، از سه پایگاه داده معروف استفاده شده است:
CAP Sleep Database
Sleep-EDF Database
Sleep-EDF Expanded Database
در مجموع، بیش از ۴۷۵۲ رکورد ۱ دقیقهای از EEG مورد بررسی قرار گرفته است.
۴. نتایج و ارزیابی روش پیشنهادی
نتایج طبقهبندی مراحل خواب به دو روش انجام شده است:
طبقهبندی ۵ مرحلهای: مراحل S1 و REM با هم ادغام شده و بقیه مراحل (S2، S3، S4 و W) جداگانه طبقهبندی شدهاند.
طبقهبندی ۲ مرحلهای: جداسازی S1 از REM با استفاده از SVM بازگشتی.
دقت کلی روش پیشنهادی:
CAP Sleep Database: دقت ۸۸.۱۳٪
Sleep-EDF Database: دقت ۸۴.۳٪
Sleep-EDF Expanded Database: دقت ۸۶.۱٪
در مقایسه با روشهای دیگر، روش پیشنهادی دقت بالاتری داشته و هزینه محاسباتی کمتری دارد.
۵. مقایسه با روشهای دیگر
در جدول مقایسهای، روشهای پیشین از شبکههای عصبی عمیق (Deep Learning) مانند CNN، LSTM، و SeqSleepNet برای طبقهبندی مراحل خواب استفاده کردهاند، اما روش پیشنهادی با سونوفیکاسیون EEG و استخراج ویژگیهای موسیقیایی توانسته دقتی مشابه یا بالاتر از این روشها ارائه دهد.
۶. نتیجهگیری و پیشنهادات آینده
این مطالعه نشان داد که تبدیل سیگنال EEG به موسیقی میتواند اطلاعات باارزشی را برای تشخیص مراحل خواب فراهم کند. برخی از پیشنهادات برای تحقیقات آینده عبارتاند از:
استفاده از EEG چندکاناله برای ایجاد موسیقی چندصدایی (Polyphonic)
توسعه قوانین خاص برای استخراج ریتم موسیقی از EEG
بهبود روشهای طبقهبندی با ترکیب شبکههای عصبی عمیق
نکات کلیدی مقاله
✅ ارائه یک روش جدید برای طبقهبندی خواب از طریق تبدیل EEG به موسیقی
✅ استخراج ویژگیهای موسیقیایی مانند تمپو و گام برای بهبود دقت تشخیص
✅ دستیابی به دقت بالا (حدود ۸۸٪) و کاهش هزینه محاسباتی
✅ امکان توسعه بیشتر برای کاربردهای بالینی و بهبود تشخیص اختلالات خواب