شهادت حضرت علی تسلیت باد. التماس دعا در شبهای قدر

🎆🎆🎆🎆
نوروز ۱۴۰۳ شاد و خجسته باد

قابل توجه دوستان و بزرگواران، همانطور که مطلع هستید، پستهای تبلیغهای انتهای کانال توسط تلگرام بدون اطلاع ادمینها اضافه میشود

شرکت دانش بنیان نوروچلنج به منظور انجام یک پروژه، به فردی با تخصص های ذکر شده نیاز دارد.

در صورت داشتن مهارتهای بالا با ما تماس بگیرید.

@ncadmins

@uxneurochallenge

سرفصل ها:
–   مقدمه ای بر تولید و ثبتEEG
–  نحوه الکترود گذاشتن
–  نحوه ثبت تک قطبی و دو قطبی
–  اهمیت مرجع در ثبت
– نحوه ثبت ERP
– پروتکلهای ثبت و تحریک
– پتانسیل برانگیخته بیناییVEP
– پتانسیل برانگیخته شنوایی AEP
–  پتانسیل برانگیخته حسی- حرکتیSEP
–  پتانسیلهای وابسته به رخدادERP
– تعریف مولفهای P وN  و ارتباط آنها با تحریک
– تعریف مولفهای P و N  و ارتباط آنها با تحریک
–  مقدمه ای بر مفاهیم و تعاریف مرتبط با پردازش EEG/ERP نظیر هادی حجمی، منابع مغزی، cortical patch   و …
–  تعریف فرکانس و تبدیل فوریه
–  کاربردهای آن در تخمین طیف سیگنالهای ایستا
– پنجره کردن و قطعه بندی سیگنال و انواع پنجره، مستطیلی، گوسی
–  مفاهیم نشت فرکانس و رزولوشن فرکانس در تخمین طیف
–  تخمین طیف با روش ولش Welch
–  مقدمه ای بر تحلیل مولف های مستقل ICA و تجزیه به زیر فضاها
–  کاربرد ICA در پردازش سیگناهای مغزی، مولفه های مغزی و غیر مغزی
–  بررسی طیف مولفه‌ها، فعالیت زمانی مولفه ها و نقشه مولفه ها ICA Topoplot برای تشخیص مولفه های مغزی از غیر مغزی
–  حذف نویز از سیگنال های مغزی با کمک ICA
–  کار با eeglab
–  وارد کردن داده ها به eeglab
–  تعریف channel location و event
–  بررسی شکل زمانی و فرکانسی داده ها
–  تمیز کردن چشمی داده ها
–  بکار گیری ICA در تمیز کردن سیگنال
–  استخراج   ERP ها از سیگنال پیوسته EEG
–  بررسی انواع نمایش ERP   روی کانالها و در زمان
–   نمایش همزمان ERP ها با زمان واکنش و کاربردهای آن
–  کار با پلاگینهای اتوماتیک تمیز کردن سیگنالEEG و حذف مؤلفه‌های غیر مغزی  ICA
ASR, ADJUST, ICLABEL
–  توضیح تحلیل زمان- فرکانس برای سیگنالهای غیر ایستا  Time-frequency representation
–  تبدیل فوریه زمان کوتاه STFT
–  تبدیل ویولت Wavelet
–  مفاهیم رزولوشن زمان و فرکانس، ارتباط آنها
–  مروری بر مفاهیم مکان یابی منابع source localization و روشهای آن
–  توضیح روش مکان یابی منابع در eeglab
–  بیان مشکلات و محدودیتها مکان یابی در حالت کلی و رفع انها در eeglab
–  مقدمه ای بر ارتباطات مغزی: ساختاری، عملکردی و موثر
Brain connectivity: structural, functional and effective
–  بیان مفاهیم نحوه چرخش اطلاعات و ارتباط بین نواحی مغز
–  تعریف ارتباطات موثر با روش گرنجر  Granger causality بر پایه مدل AR
–  تعریف مدل ar و mvar و فرمول بندی آن
–  بیان تعاریف خانواده PDC وDTF و ارتباطات مستقیم و غیر مستقیم بین سری های زمانی سیگنال مغزی
–  بیان نکات محاسباتی در بکارگیری روابط ارتباطات مغزی
–  کار با eeglab  و پیاده سازی مفاهیم روز چهارم
–  نمایش زمان- فرکانس در eeglab
–  بکارگیری و نمایش مکانیابی منابع درeeglab با پلاگین dipfit
–  بکارگیری پلاگین SIFT برای محاسبات ارتباطات مغزی و انواع نمایش آنها
–  تعریف و طراحی  study و کارهای آماری ساده

مقالهٔ «مجموعه داده‌های EEG برای تشخیص اپیلپتیک بین حملاتی با اطلاعات توزیع فضایی» یک مجموعه دادهٔ جامع EEG را ارائه می‌دهد که به بهبود تشخیص و درمان صرع کمک می‌کند. این مجموعه شامل ضبط‌های مداوم EEG از ۸۴ بیمار است که هر کدام ۲۰ دقیقه داده فراهم کرده‌اند و در مجموع ۲۸ ساعت را شامل می‌شود. تخلیه‌های اپیلپتیک بین حملاتی (IEDs) در این ضبط‌ها با دقت توسط حداقل سه کارشناس EEG علامت‌گذاری شده و بر اساس توزیع فضایی به پنج نوع تقسیم شده‌اند: عمومی، پیشانی، گیجگاهی، پس‌سری و مرکزی-پاریتال. علاوه بر این، وضعیت هوشیاری بیماران (بیداری یا خواب) نیز در طول ضبط‌ها ثبت شده است. این مجموعه داده به عنوان منبعی ارزشمند برای توسعه و ارزیابی الگوریتم‌های خودکار تشخیص IED و مطالعهٔ توزیع فضایی آن‌ها در ارتباط با وضعیت‌های مختلف هوشیاری عمل می‌کند

مقالهٔ «مجموعه دادهٔ EEG با کیفیت بالا و چند روزه برای تجسم حرکتی مغز» یک مجموعه دادهٔ EEG جامع را ارائه می‌دهد که برای مطالعه و توسعه الگوریتم‌های طبقه‌بندی تجسم حرکتی مغز (MI) مفید است. این مجموعه داده شامل ضبط‌های EEG از چندین روز است و به محققان امکان می‌دهد مدل‌های پیچیده‌تری را برای تشخیص تجسم حرکتی توسعه دهند. مقاله همچنین به بررسی یک الگوریتم ترکیبی CNN-LSTM پرداخته است که از بخش‌های زمانی داده‌های EEG برای طبقه‌بندی تجسم حرکتی استفاده می‌کند.

مقالهٔ «Chisco: یک مجموعه دادهٔ مبتنی بر EEG برای رمزگشایی گفتار خیالی(تجسم شده)» یک مجموعه دادهٔ جامع EEG را ارائه می‌دهد که به توسعهٔ رابط‌های مغز-کامپیوتر (BCI) و رمزگشایی گفتار خیالی کمک می‌کند. این مجموعه شامل بیش از ۲۰,۰۰۰ جملهٔ ضبط‌شدهٔ EEG از گفتار خیالی بزرگسالان سالم است که هر فرد بیش از ۹۰۰ دقیقه داده فراهم کرده است. تحریک‌های آزمایشی شامل بیش از ۶,۰۰۰ عبارت روزمره در ۳۹ دستهٔ معنایی هستند که تقریباً تمام جنبه‌های زبان روزمره را پوشش می‌دهند. این مجموعه داده به عنوان منبعی ارزشمند برای توسعهٔ رابط‌های مغز-کامپیوتر کاربرپسند و پیشبرد تحقیقات در زمینهٔ رمزگشایی زبان عصبی عمل می‌کند.

مقاله با عنوان "پردازش غیرنرمال اولیه‌ی حالات چهره‌ای در مصرف‌کنندگان پرخطر: شواهدی از یک مطالعه ERP" به بررسی نحوه پردازش حالات چهره‌ای در مصرف‌کنندگان پرخطر (HDs) در مقایسه با افراد سالم (CSs) پرداخته است، به‌ویژه از دیدگاه حافظه‌ی کاری هیجانی (WM) با استفاده از پتانسیل‌های وابسته به رویداد (ERP).
نتایج کلیدی:
هدف مطالعه: هدف این تحقیق بررسی نحوه پردازش شناختی حالات چهره‌ای هیجانی در افراد مصرف‌کننده‌ی پرخطر (که تاریخچه‌ای از مصرف الکل دارند اما وابستگی به الکل ندارند) در مقایسه با افراد سالم است. این مطالعه از ERP برای تجزیه و تحلیل تفاوت‌های پردازش حالات چهره‌ای در HDs و CSs در حین یک تکلیف حافظه‌ی کاری هیجانی استفاده کرده است.
شرکت‌کنندگان: 16 نفر از HDs و 17 نفر از CSs (گروه کنترل) در این مطالعه شرکت کردند. تمامی شرکت‌کنندگان مرد بودند و HDs امتیاز بالاتری در آزمون شناسایی اختلالات مصرف الکل (AUDIT) نسبت به CSs داشتند. سایر ویژگی‌ها مانند سطح اضطراب و افسردگی در میان گروه‌ها مشابه بود.
روش‌ها:
شرکت‌کنندگان یک تکلیف حافظه‌ی کاری هیجانی را انجام دادند در حالی که داده‌های EEG برای ثبت اجزای ERP جمع‌آوری شد.
حالات مختلف هیجانی (ترس، تنفر، بی‌طرف) برای بررسی پاسخ شرکت‌کنندگان تحت بارهای حافظه‌ی مختلف استفاده شد.
نتایج:
نتایج رفتاری: تفاوت معنی‌داری بین HDs و CSs در دقت یا زمان واکنش مشاهده نشد، اما پردازش هیجانی در شرایط مختلف متفاوت بود.
نتایج ERP:
مولفه P1: HDs تأخیر در زمان شروع P1 در پاسخ به چهره‌های ترسناک نشان دادند، که نشان‌دهنده پردازش آهسته‌تر در مراحل اولیه است.
مولفه N170: HDs زمان تأخیر طولانی‌تری در N170 نشان دادند که مربوط به فرآیندهای شناسایی صورت است و نشان‌دهنده تأخیر در پردازش چهره‌هاست.
مولفه P2: HDs تفاوت‌هایی در پردازش هیجانی حالات تنفر نشان دادند، به‌طوری که دامنه‌ی P2 در پاسخ به تنفر کمتر از حالات بی‌طرف یا ترس بود، که نشان‌دهنده درگیری کمتر با این هیجان در HDs است.
مولفه P3: هیچ تفاوت معنی‌داری در دامنه یا زمان تأخیر P3 بین دو گروه مشاهده نشد، که نشان می‌دهد فرآیندهای شناختی سطح بالا (مثل حافظه‌ی کاری) در HDs به‌طور نسبی دست نخورده باقی مانده است.
نتیجه‌گیری: این مطالعه نشان می‌دهد که مصرف‌کنندگان پرخطر الکل در پردازش اولیه‌ی حالات چهره‌ای هیجانی تأخیر دارند، به‌ویژه در سیستم خودکار-هیجانی. با این حال، حافظه‌ی کاری و فرآیندهای شناختی سطح بالا در این افراد به‌طور نسبی دست نخورده باقی می‌ماند. این یافته‌ها نشان می‌دهند که مصرف الکل ممکن است پردازش هیجانی را در مراحل اولیه مختل کند، اما حافظه‌ی کاری در افرادی که مصرف پرخطر دارند به‌طور قابل توجهی تحت تأثیر قرار نمی‌گیرد.
این مطالعه بینش‌های مهمی در مورد چگونگی تأثیر مصرف الکل بر پردازش هیجانی و شناختی فراهم می‌آورد و می‌تواند به درک بهتر نقص‌های شناختی در افرادی که در معرض خطر وابستگی به الکل هستند، کمک کند.

مقاله به بررسی ساخت یک پایگاه داده شناسایی احساسات به نام GAMEEMO می‌پردازد که بر اساس سیگنال‌های EEG از 28 شرکت‌کننده است که در حین بازی کردن چهار بازی کامپیوتری مختلف، سیگنال‌های EEG جمع‌آوری شده است. داده‌های EEG با استفاده از دستگاه قابل حمل 14 کاناله EMOTIV EPOC+ ضبط شده است. هر بازی به گونه‌ای طراحی شده است که واکنش‌های احساسی خاصی را ایجاد کند که به چهار حالت احساسی تقسیم می‌شود: کسل‌کننده، آرام، ترسناک و خنده‌دار. واکنش‌های احساسی بر اساس مدل آروزال-والنس تجزیه و تحلیل شده‌اند که احساسات را بر اساس ابعاد آروزال (فعال در مقابل غیرفعال) و والنس (مثبت در مقابل منفی) دسته‌بندی می‌کند.
نکات کلیدی مقاله:
جمع‌آوری داده‌های EEG: شرکت‌کنندگان هر کدام چهار بازی را به مدت 5 دقیقه بازی کردند. واکنش‌های احساسی آن‌ها بر اساس مقیاس SAM (Manikin ارزیابی خود) رتبه‌بندی شد.
دستگاه EEG قابل حمل: این مطالعه از دستگاه EEG 14 کاناله قابل حمل استفاده کرده است که با سیستم‌های سنتی 32 کاناله EEG تفاوت دارد. نتایج این مطالعه عملکرد دستگاه قابل حمل را با دستگاه‌های EEG کلاسیک مقایسه کرده است.
مدل‌های شناسایی احساسات: این مطالعه از الگوریتم‌های یادگیری ماشین مختلف (SVM، kNN و MLPNN) برای طبقه‌بندی سیگنال‌های EEG بر اساس ابعاد آروزال-والنس و احساسات مثبت-منفی استفاده کرده است.
تحلیل آماری: مقاله شامل تحلیل‌های آماری مختلف مانند ANOVA و آزمون Tukey برای ارزیابی معنی‌داری واکنش‌های احساسی به بازی‌ها است. نتایج نشان‌دهنده تفاوت‌های معنی‌دار بین اثرات احساسی ناشی از بازی‌های مختلف است.
دسترس‌پذیری پایگاه داده: داده‌های خام و پیش‌پردازش‌شده EEG، همراه با امتیازهای SAM شرکت‌کنندگان، به‌طور عمومی در دسترس پژوهشگران برای استفاده‌های آینده قرار گرفته است.
در نتیجه، این پایگاه داده یک منبع نوآورانه برای شناسایی احساسات بر اساس سیگنال‌های EEG از بازی‌های کامپیوتری فراهم می‌آورد که با استفاده از یک دستگاه EEG قابل حمل انجام شده است و هدف آن کمک به پیشرفت تحقیقات در پردازش سیگنال‌های احساسی است.

Machine learning of brain-specific biomarkers from EEG

این مقاله به بررسی استفاده از یادگیری ماشین (ML) برای استخراج بیومارکرهای خاص مغزی از سیگنال‌های الکتروانسفالوگرافی (EEG) می‌پردازد. EEG به عنوان یک ابزار کلینیکی معتبر برای مطالعه عملکرد مغز با تاریخچه طولانی شناخته می‌شود، و این مقاله هدف دارد تا از قدرت سیگنال‌های پیچیده EEG برای شناسایی فعالیت‌های مغزی مرتبط با ویژگی‌های مختلف استفاده کند.
روش‌شناسی اصلی مقاله شامل استفاده از ویولت‌های مورلت برای تحلیل سیگنال‌های EEG و همچنین تحلیل ماتریس‌های کوواریانس از این ویولت‌ها است. از داده‌های عمومی بزرگ (TUAB و TDBRAIN) برای بررسی اثرات سیگنال‌های پیرامونی و تکنیک‌های حذف آرتفکت‌ها در مدل‌های پیش‌بینی سن و جنس استفاده شد.
نتایج نشان داد که حذف آرتفکت‌های ابتدایی موجب بهبود عملکرد مدل‌ها می‌شود، در حالی که حذف سیگنال‌های پیرامونی با استفاده از ICA (تحلیل مولفه‌های مستقل) منجر به کاهش عملکرد می‌شود. این تحلیل‌ها نشان دادند که سیگنال‌های مغزی و سیگنال‌های بدنی (پیرامونی) هر دو می‌توانند برای پیش‌بینی ویژگی‌های فردی مانند سن و جنس استفاده شوند.
در نهایت، مقاله بر اهمیت تمایز بین سیگنال‌های مغزی و سیگنال‌های پیرامونی تأکید می‌کند، زیرا این امر در توسعه بیومارکرهای خاص سیستم عصبی مرکزی (CNS) با استفاده از یادگیری ماشین اهمیت دارد .
نکات مهم:
روش‌های پیش‌پردازش شامل استفاده از Autoreject و ICA برای حذف آرتفکت‌ها و سیگنال‌های پیرامونی.
استفاده از ویولت‌های مورلت برای استخراج ویژگی‌های زمان-فرکانس از سیگنال‌های EEG.
مدل‌های پیش‌بینی شامل استفاده از مدل‌های ShallowNet، Riemann و SPoC برای پیش‌بینی ویژگی‌های مختلف مانند سن و جنس.
تأکید بر ضرورت جداسازی سیگنال‌های مغزی از سیگنال‌های پیرامونی در کاربردهای بالینی.
این نتایج نشان می‌دهند که مدل‌های یادگیری ماشین می‌توانند در شناسایی بیومارکرهای خاص مغز با دقت بالا و با استفاده از داده‌های EEG به کار روند.