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

EEGChain یک جعبه‌ابزار متن‌باز مبتنی بر EEGLAB است که برای ساخت، مدیریت، خودکارسازی و بازتولید پردازش‌های دسته‌ای سیگنال‌های EEG طراحی شده است. این ابزار با ارائه یک رابط کاربری گرافیکی (GUI) کاربرپسند، امکان ایجاد، مدیریت و اجرای خودکار خطوط پردازش سیگنال EEG را فراهم می‌کند.
ویژگی‌های کلیدی EEGChain:
مدیریت خطوط پردازش: امکان ایجاد، ذخیره و بارگذاری پیکربندی‌های خطوط پردازش برای اطمینان از پردازش سیگنال‌های سازگار و قابل بازتولید.
رابط کاربری تعاملی: امکان انتخاب، ترتیب‌دهی و سفارشی‌سازی بلوک‌های پردازش از جعبه‌ابزار EEGLAB از طریق یک رابط کاربری گرافیکی.
حالت‌های اجرای منعطف: ارائه هر دو حالت اجرای تعاملی و خودکار خطوط پردازش، که انعطاف‌پذیری در کنترل پردازش را فراهم می‌کند.
پردازش دسته‌ای: امکان اعمال یک خط پردازش به چندین مجموعه داده EEG وارد شده به صورت دسته‌ای و خودکار.
EEGChain به ویژه برای محققان و متخصصانی که با داده‌های EEG کار می‌کنند مفید است، زیرا فرآیندهای پردازش سیگنال را ساده کرده و اطمینان از سازگاری و بازتولیدپذیری نتایج را فراهم می‌کند
برای اطلاعات بیشتر و دانلود EEGChain، می‌توانید به GitHub آن مراجعه کنید

دوستانی که تازه به کانال وارد شده اند با جستجوی کلمه فیلم می توانند نمونه فیلمهای کارگاه های مختلف را پیدا نمایند