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

📱لینک عضویت کانال پردازش سیگنال های مغزی:
✅ https://news.1rj.ru/str/joinchat/AAAAAD7DKCCSYN9in_TFWQ

وبینار اردیبهشت ماه کارگروه سلامت دیجیتال فرهنگستان علوم پزشکی

عنوان: مروری بر انواع داده در پرونده الکترونیک سلامت

سخنران: دکتر منصور فاتحی
- متخصص رادیولوژی
- فلوشیپ انفورماتیک تصویربرداری از دانشگاه مریلند امریکا
- دبیر کارگروه سلامت دیجیتال فرهنگستات علوم پزشکی

تاریخ: ٣٠ اردیبهشت ١۴٠۴
ساعت: ٩ تا ١٠ صبح

شرکت برای عموم علاقه مندان آزاد است

لینک پیوستن به وبینار:
https://www.skyroom.online/ch/farhangestan/digitalhealth

✅ اخبار سلامت الکترونیک
🆔 http://t.me/ehealth

#book
NEUROMANAGEMENTNEUROSCIENCE FOR ORGANIZATIONS