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.

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

I'm attending Spring School 2025 - Brain-Computer Interface & Neurotechnology . Join me today.
https://www.linkedin.com/events/bci-neurotechnologyspringschool7199704720125370369

Brain-computer interfaces (BCIs) provide an effective means for users to control external software applications and devices solely by decoding their brain activity, without the need for muscle engagement. A large-scale, high-quality BCI dataset can stimulate researchers from related fields to develop advanced deep learning algorithms, thereby enriching the BCI domain. Therefore, creating an EEG dataset that supports the development and research of BCI systems is crucial. This dataset, derived from the World Robot Conference Contest-BCI Robot Contest MI, focuses on upper-limb or upper-and-lower-limb motor imagery (MI) tasks across three recording sessions. Sixty-two healthy, right-handed participants (ages 17–30, 18 females) with no prior BCI experience took part in this experiment. Of these, 52 subjects completed the two-class MI experiment, while 11 subjects participated in the three-class MI experiment. This dataset offers significant potential for a wide range of BCI-related research, including the analysis of inter-session variability for individual subjects and enhancing decoding algorithm performance.
If the download of this version is slow, you can choose to download Version 3 in batches.

با سلام و احترام لطفا پوستر های همایش را در گروه های مختلف اطلاع رسانی فرمایید