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.

سیگنال‌های پیرامونی (Peripheral Signals) به سیگنال‌هایی اشاره دارند که از منابع غیرمغزی بدن، مانند عضلات، چشم‌ها یا قلب، در طول اندازه‌گیری EEG تولید می‌شوند. این سیگنال‌ها معمولاً به دلیل حرکت یا فعالیت‌های بدنی مانند پلک زدن، انقباضات عضلانی یا ضربان قلب در سیگنال‌های EEG وارد می‌شوند و ممکن است به عنوان آرتفکت (Noise یا اختلال) شناخته شوند.
این سیگنال‌ها معمولاً به دلیل نزدیکی الکترودهای EEG به این مناطق از بدن، وارد سیگنال EEG می‌شوند و می‌توانند باعث اختلال در تجزیه و تحلیل دقیق فعالیت مغزی شوند. به همین دلیل، در تحقیقات و کاربردهای بالینی، باید این سیگنال‌ها شناسایی و جدا شوند تا تنها سیگنال‌های مرتبط با فعالیت مغز مورد استفاده قرار گیرند.
برای مثال، حرکت چشم‌ها یا انقباض عضلات صورت می‌تواند باعث تولید سیگنال‌هایی در باندهای فرکانسی خاص شود که به اشتباه به فعالیت مغز نسبت داده شوند. تکنیک‌های پیش‌پردازش مانند ICA (تحلیل مولفه‌های مستقل) برای جدا کردن این سیگنال‌های پیرامونی از سیگنال‌های مغزی استفاده می‌شوند.

✨فراخوان همکاری در پروژه‌های پیشرفته حوزه سلامت و فناوری✨

شرکت مدیریت تجارت شاهین، به عنوان پیشگام در ارائه خدمات نوآورانه به کسب‌وکارهای حوزه سلامت، از دانشجویان و فارغ‌التحصیلان ⚡️دکتری و کارشناسی ارشد⚡️ دعوت می‌کند تا در پروژه‌های تحقیقاتی و توسعه‌ای پیشرفته همکاری نمایند. 
 
🤔 چرا با ما همکاری کنید؟
- 🚀 فرصت یادگیری و رشد حرفه‌ای: مشارکت در پروژه‌های متنوع با تمرکز بر فناوری‌های روز (هوش مصنوعی، مهندسی پزشکی، فوتونیک، علوم اعصاب و ...). 
- ⏱ انعطاف زمانی: همکاری به صورت پروژه‌ای بدون محدودیت‌های زمانی استخدام دائمی. 
- 🌟 تجربه محیطی پویا: فعالیت در کنار تیم‌های متخصص و شرکت‌های فناور مستقر در مرکز رشد دانشگاه علوم پزشکی شهید بهشتی. 
- 📈 توسعه شبکه ارتباطی: تعامل با متخصصان حوزه‌های بین‌رشته‌ای و استارتاپ‌های نوپا. 
 

🧑‍💻 شرایط متقاضیان:
- تسلط به نرم‌افزارهای آفیس و مهارت‌های پژوهشی. 
- سابقه تحقیق یا پروژه در حوزه‌های: 
  ▫️ هوش مصنوعی  ▫️ علوم اعصاب شناختی▫️ روانشناسی   ▫️ نورولوژی ▫️ داروسازی ▫️ مهندسی پزشکی▫️ مکاترونیک ▫️ برق و الکترونیک ▫️ فوتونیک ▫️ مدیریت بازرگانی ▫️ بازاریابی و فروش ▫️ طراحی و گرافیک  ▫️ مدیریت آموزشی  ▫️ فناوری اطلاعات

- روحیه کار تیمی و آشنایی با فرآیندهای مراکز رشد و استارتاپ‌ها. 
 
📝 نحوه ثبت‌نام:

1️⃣ تکمیل فرم همکاری (پیوست) 
2️⃣ ارسال فرم + رزومه به آدرس: 
📧  rahan.training@gmail.com


⏰ مهلت ارسال: ۵ اردیبهشت ۱۴۰۳ 
❓کسب اطلاعات بیشتر
t.me/shahinmanagement_rahan
 

🏢  آدرس: ولنجک، بلوار دانشجو، خیابان شهید اعرابی، مرکز رشد فناوری‌های بالینی دانشگاه علوم پزشکی شهید بهشتی. 
 
✨ فرصت همکاری با پیشروان فناوری سلامت را از دست ندهید!

🚀 به جمع ما بپیوندید و ایده‌هایتان را به پروژه‌های واقعی تبدیل کنید! 

اقای دکتر نصرآبادی ممنون میشم این فراخوان را به فارغ التحصیلان و دانشجویان تحصیلات تکمیلی پیشنهاد دهید

مقاله یک مرور جامع از مطالعاتی است که از یادگیری ماشین (ML) برای فنوتیپینگ دیجیتال و بیومارکرهای سلامت و بیماری‌ها با تمرکز بر سیگنال‌های غیر تهاجمی جمع‌آوری‌شده از دستگاه‌های پوشیدنی و گوشی‌های هوشمند استفاده کرده‌اند. در زیر برخی از یافته‌ها و نکات کلیدی مقاله آورده شده است:
دامنه مرور:
در این مطالعه ۶۶ مقاله بررسی شد که بر استفاده از سیگنال‌های غیر تهاجمی و پاسیو (مانند داده‌های حرکتی، ضربان قلب، EEG، ECG) برای پیش‌بینی یا تحلیل نتایج مختلف سلامت مانند استرس، تشنج، خستگی، افسردگی، بیماری پارکینسون و سایر شرایط تمرکز داشتند.
جمع‌آوری داده‌ها و دستگاه‌ها:
مطالعات عمدتاً از دستگاه‌های پوشیدنی و گوشی‌های هوشمند استفاده کرده‌اند که داده‌ها را از طریق حسگرهایی مانند ردیاب‌های حرکتی، مانیتورهای ضربان قلب و حسگرهای فعالیت الکترودرمال (EDA) جمع‌آوری می‌کنند. برخی از مطالعات همچنین از سیگنال‌های EEG و ECG استفاده کرده‌اند.
تعداد زیادی از مطالعات تحقیقاتی خود را در محیط‌های زندگی آزاد انجام داده‌اند، در حالی که کمتر از یک‌چهارم آن‌ها شامل محیط‌های کنترل‌شده بوده‌اند.
رویکردهای یادگیری ماشین:
بیشتر مطالعات از الگوریتم‌های ML سنتی مانند جنگل‌های تصادفی (RF)، ماشین‌های بردار پشتیبان (SVM) و رگرسیون لجستیک (LR) استفاده کرده‌اند. همچنین، یک روند جدید به سمت استفاده از روش‌های یادگیری عمیق (DL)، به ویژه برای تحلیل سیگنال‌های EEG و ECG مشاهده شده است، اما روش‌های DL به دلیل پیچیدگی و محدودیت‌های تفسیرپذیری با چالش‌هایی مواجه هستند.
چالش‌ها و محدودیت‌ها:
یکی از مشکلات اصلی شناسایی‌شده در مطالعات مختلف، مدیریت داده‌های گمشده بوده است که بسیاری از آن‌ها از تکنیک‌های تکمیل داده مانند تکمیل میانگین یا همسایگی K استفاده کرده‌اند.
عدم تعادل داده‌ها و ناسازگاری‌های موجود در پردازش سیگنال‌ها نیز چالش‌هایی ایجاد کرده است که با استفاده از روش‌هایی مانند نمونه‌برداری بیش از حد مصنوعی (synthetic minority oversampling) برطرف شده‌اند.
کاربردهای ممکن:
مطالعات بررسی‌شده نشان داده‌اند که استفاده از داده‌های پیوسته از دستگاه‌های پوشیدنی، امکان ردیابی عینی وضعیت‌های سلامت مانند استرس، خستگی، افسردگی و بیماری‌های عصبی مختلف (مانند بیماری پارکینسون و دمانس) را فراهم می‌آورد.
با وجود پتانسیل این فناوری‌ها، مسائلی مانند اندازه نمونه‌های کوچک، شفافیت ناکافی مجموعه داده‌ها و اعتبارسنجی محدود، مانع از کاربرد وسیع‌تر این فناوری‌ها شده است.
جهت‌گیری‌های آینده:
مقاله پیشنهاد می‌دهد که تحقیقات آینده باید بر بهبود کیفیت داده‌های جمع‌آوری‌شده، مدیریت بهتر داده‌های گمشده و افزایش شفافیت در استخراج ویژگی‌ها و توسعه مدل‌ها متمرکز شوند. همچنین از مطالعات مقیاس بزرگ‌تر با مجموعه داده‌های دسترسی آزاد برای ترویج قابلیت بازتولیدپذیری و پیشرفت این حوزه دعوت شده است.
در نتیجه، مطالعه بر پتانسیل امیدوارکننده مدل‌های یادگیری ماشین در کاربردهای سلامت دیجیتال تأکید می‌کند، اما همچنین شکاف‌های مهمی را برجسته می‌کند که باید برای استفاده قابل اعتماد از این فناوری‌ها در تشخیص زودهنگام و مداخلات پزشکی شخصی‌شده برطرف شوند.

در این مقاله، از سیگنال‌های غیر تهاجمی و پاسیو جمع‌آوری‌شده از دستگاه‌های پوشیدنی و گوشی‌های هوشمند برای پیش‌بینی و تحلیل بیماری‌ها و نتایج سلامت مختلف استفاده شده است. در ادامه، برخی از بیماری‌ها و نتایج به دست آمده از این مطالعات ذکر شده است:
بیماری‌ها و شرایط سلامت پیش‌بینی شده یا تحلیل‌شده:
استرس: از سیگنال‌های مختلف مانند ضربان قلب (HR)، فعالیت الکترودرمال (EDA) و سیگنال‌های EEG برای پیش‌بینی و تجزیه و تحلیل استرس استفاده شده است.
تشنج‌ها: سیگنال‌های EEG و ECG برای پیش‌بینی و شناسایی تشنج‌ها استفاده شده‌اند.
خستگی: استفاده از داده‌های فعالیت جسمی و سیگنال‌های ECG برای پیش‌بینی و تحلیل خستگی در افراد.
افسردگی: پیش‌بینی افسردگی با استفاده از سیگنال‌های EEG و دیگر داده‌های رفتاری.
بیماری پارکینسون: پیش‌بینی بیماری پارکینسون با استفاده از داده‌های حرکتی و سیگنال‌های ECG و EEG.
بیماری‌های عصبی مانند آلزایمر: استفاده از سیگنال‌های ECG و داده‌های رفتاری برای شناسایی و پیش‌بینی بیماری‌های عصبی.
مشکلات قلبی: شناسایی مشکلات قلبی با استفاده از داده‌های ECG و HR.
مشکلات روانی و اضطراب: تحلیل داده‌ها برای شناسایی اضطراب و مشکلات روانی.
نتایج به دست آمده:
پیش‌بینی زودهنگام بیماری‌ها: با استفاده از داده‌های سیگنال‌های جمع‌آوری‌شده از دستگاه‌های پوشیدنی، امکان پیش‌بینی بیماری‌ها قبل از بروز علائم بالینی و شناسایی خطر ابتلا به بیماری‌ها فراهم می‌شود.
پیگیری مستمر وضعیت سلامت: استفاده از سیگنال‌های غیر تهاجمی به صورت پیوسته، امکان پیگیری و نظارت بر تغییرات وضعیت سلامت فرد در زمان واقعی را فراهم می‌کند.
شخصی‌سازی درمان‌ها: اطلاعات به دست آمده از سیگنال‌ها می‌تواند به شفاف‌سازی درمان‌های فردی کمک کرده و درمان‌های بهینه برای هر شخص را پیشنهاد دهد.
بهبود نتایج سلامت: با استفاده از این رویکردها، احتمالاً نتایج درمانی بهتر و مداخلات به موقع برای بیماری‌ها به دست می‌آید.
در مجموع، این مقاله به بررسی کاربردهای مختلف سیگنال‌های غیر تهاجمی در شناسایی، پیش‌بینی و پیگیری بیماری‌ها و مشکلات سلامت می‌پردازد و پتانسیل بالای استفاده از یادگیری ماشین برای تحلیل این داده‌ها را نشان می‌دهد.