VID-20250704-WA0047.mp4
7.3 MB
🎥 Before & After recoveriX: A New Era in Neurorehabilitation
For 25+ years, g.tec has advanced Brain-Computer Interface (BCI) technology. recoveriX is the result—a medically certified, safe, and effective neurorehabilitation system for stroke, MS, and Parkinson’s patients, now used in over 20 countries.
How it works:
🧠 Patients imagine movements (6,000–8,000 times per session)
⚡ The system detects these in real time
🦾 Functional electrical stimulation (FES) activates the hand or foot
🧩 This rebuilds the brain-body connection, helping patients regain movement—even decades after injury.
✨ Watching a paralyzed hand or foot move again is life-changing for patients, families, and therapists.
👉Please get in contact with us if you are interested in the therapy: https://recoverix.com/contact/
👉To learn more about recoveriX, visit: https://recoverix.com/
👉To request a recoveriX system quote or to get pricing information, visit: https://www.gtec.at/product-configurator/recoverix/
For 25+ years, g.tec has advanced Brain-Computer Interface (BCI) technology. recoveriX is the result—a medically certified, safe, and effective neurorehabilitation system for stroke, MS, and Parkinson’s patients, now used in over 20 countries.
How it works:
🧠 Patients imagine movements (6,000–8,000 times per session)
⚡ The system detects these in real time
🦾 Functional electrical stimulation (FES) activates the hand or foot
🧩 This rebuilds the brain-body connection, helping patients regain movement—even decades after injury.
✨ Watching a paralyzed hand or foot move again is life-changing for patients, families, and therapists.
👉Please get in contact with us if you are interested in the therapy: https://recoverix.com/contact/
👉To learn more about recoveriX, visit: https://recoverix.com/
👉To request a recoveriX system quote or to get pricing information, visit: https://www.gtec.at/product-configurator/recoverix/
Forwarded from National Brain Mapping Lab
______________________________
🧠🧠🧠🧠NBML🧠🧠🧠🧠
🔰 آزمایشگاه ملی نقشه برداری مغز با افتخار برگزار میکند:
👇🏻👇🏻👇🏻👇🏻👇🏻
💠 سی و دومین کارگاه ثبت، پردازش و تحلیل سیگنالهای EEG💠
🟢 مدرسین:
☑️دكتر علی مطيع نصرآبادی
(استاد دانشگاه شاهد)
☑️دكتر محمد ميكائيلی
(استادیار دانشگاه شاهد)
🕑زمان: چهارشنبه، پنجشنبه و جمعه
۱، ۲ و۳ مرداد 1404
📑📑📑🖊🖊📑📑
همراه باارائه گواهی معتبر و قابل ترجمه
📑📑📑🖊🖊📑📑
‼️ظرفیت محدود ‼️
🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.
☎️ تماس با ما: 02186093155
💠Telegram
💠Instagram
💠LinkedIn
🌐Website
┗━━━━━━━━━━━━━━━
🧠🧠🧠🧠NBML🧠🧠🧠🧠
🔰 آزمایشگاه ملی نقشه برداری مغز با افتخار برگزار میکند:
👇🏻👇🏻👇🏻👇🏻👇🏻
💠 سی و دومین کارگاه ثبت، پردازش و تحلیل سیگنالهای EEG💠
🟢 مدرسین:
☑️دكتر علی مطيع نصرآبادی
(استاد دانشگاه شاهد)
☑️دكتر محمد ميكائيلی
(استادیار دانشگاه شاهد)
🕑زمان: چهارشنبه، پنجشنبه و جمعه
۱، ۲ و۳ مرداد 1404
📑📑📑🖊🖊📑📑
همراه با
📑📑📑🖊🖊📑📑
‼️ظرفیت محدود ‼️
🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.
☎️ تماس با ما: 02186093155
💠Telegram
🌐Website
┗━━━━━━━━━━━━━━━
Forwarded from HI MI
GSC-ABTA: A group-level brain sources connectivity framework based on adaptive block tensor analysis,
Bashir Najafabadian, Ali Motie Nasrabadi, Saeid Rashidi,
Biomedical Signal Processing and Control,
Volume 110, Part A,2025,108336
ISSN 1746-8094,
https://doi.org/10.1016/j.bspc.2025.108336.
(https://www.sciencedirect.com/science/article/pii/S174680942500847X)
در این مقاله با عنوان "GSC-ABTA: یک روش تانسوری برای تحلیل دینامیکی اتصالات مغزی در دادههای گروهی" ارائه می شود. هدف اصلی، توسعه یک مدل گروهی پویا برای ارزیابی اتصالات مغزی با استفاده از تحلیل تانسوری و روشهای خودکار بهینهسازی است. در ادامه خلاصهای از بخشهای مختلف مقاله آورده شده است:
________________________________________
هدف مقاله
• هدف کلی : ارائه یک روش جدید (GSC-ABTA) برای تخمین دینامیکی فعالیت منبع مغزی و ضرایب مدل خودرگرسیونی برداری (MVAR) در تحلیل گروهی اتصالات مغزی.
• چالشها : مقابله با اثرات حجمی هدایت (Volume Conduction)، تغییرپذیری میانآزمایشی (Inter-Trial Variability)، و اتصالات مغزی متغیر با زمان (Time-Varying Connectivity) در دادههای EEG/iEEG.
• اهداف فرعی :
1. بهبود دقت تخمین ضرایب MVAR با استفاده از تجزیه تانسوری.
2. کاهش زمان محاسبات و بهینهسازی پیچیدگی مدل.
3. اعتبارسنجی روش پیشنهادی با دادههای شبیهسازیشده و واقعی مانند دادههای RSVP و iEEG-EEG
________________________________________
روششناسی
1. مدلسازی منابع مغزی :
• تعریف سه سناریوی دادهسازی:
• VC (Volume Conduction) : اثر هدایت حجمی.
• ITV (Inter-Trial Variability) : تغییرپذیری میانآزمایشی.
• TV (Time-Varying Connectivity) : اتصالات مغزی متغیر با زمان (با انتقالات پلهای(ناگهانی) و شیب(تدریجی) ).
• استفاده از معادلات الکترومغناطیسی برای شبیهسازی سیگنالهای EEG سطحی (با 108 الکترود).
2. روش GSC-ABTA :
• روش تانسوری : استفاده از تجزیه تانسوری (Tensor Decomposition) برای استخراج ضرایب MVAR در سطح گروهی.
• بهینهسازی خودکار :
• استفاده از پارامترهای تطبیقی ω و φ برای کنترل آستانه در روش t-SVT
• بهروزرسانی آستانه به صورت نمایی (τ = βe⁻ᵠᵗ) برای انعطافپذیری بیشتر.
• مقایسه با روشهای دیگر : شامل TensTprod، TensReg، TensBays، و روشهای غیرتانسوری Nuttall-Strand، Yule-Walker، ARFIT
3. معیارهای ارزیابی :
• AIC/BIC : برای ارزیابی پیچیدگی مدل.
• MAE/MAPE : خطای مطلق میانگین و درصدی.
• RAIM : نسبت خطای روشهای دیگر به GSC-ABTA.
• زمان اجرا : برای ارزیابی عملیبودن در کاربردهای زمانحقیقی.
________________________________________
نتایج
1. برتری روش GSC-ABTA :
• پایینترین AIC/BIC : نشاندهنده برازش بهتر مدل با پیچیدگی کمتر.
• کاهش MAE : همگرایی سریعتر خطای مطلق با استفاده از پارامترهای تطبیقی ω و φ
• سرعت بیشتر : زمان اجرا در مقایسه با روشهای دیگر (بهویژه در دادههای بزرگ).
2. عملیبودن زمانحقیقی :
• پردازش تا 31 آزمایش RSVP و 19 آزمایش iEEG-EEG در 200 میلیثانیه.
3. تحلیل آماری :
• ANOVA : تمام پارامترهای کنترلی طول داده، SNR، چگالی اتصال، تعداد آزمایش) به جز مرتبه مدل در سناریوی ITV، تأثیر معناداری بر خطای تخمین داشتند.
• RAIM > 1 : نشاندهنده برتری GSC-ABTA نسبت به سایر روشها در تمام سناریوها.
4. مقایسه با روشهای دیگر :
• تانسوری: TensTprod و TensBays بهترین عملکرد بعد از GSC-ABTA
• غیرتانسوری: Nuttall-Strand و ARFIT در سناریوهای پلهای و شیبدار بهتر عمل کردند.
________________________________________
بحث و نتیجهگیری
• برتری روش تانسوری : روشهای تانسوری مانند GSC-ABTA در مقایسه با روشهای غیرتانسوری، دقت بیشتری در تخمین اتصالات مغزی دارند، بهویژه در حضور نویز و تغییرات زمانی.
• پارامترهای تطبیقی : استفاده از ω و φ به الگوریتم اجازه میدهد تا بهصورت خودکار با تغییرات داده سازگار شود و خطای تخمین را کاهش دهد.
• کاربردهای عملی : مناسب برای تحلیلهای زمانحقیقی در سیستمهای BCI و مطالعات گروهی اتصالات مغزی.
• محدودیتها : افزایش هزینه محاسباتی در دادههای بسیار بزرگ و نیاز به تنظیم دقیق پارامترهای تطبیقی.
________________________________________
نتیجهگیری نهایی
روش GSC-ABTA با ترکیب تجزیه تانسوری، بهینهسازی خودکار، و اعتبارسنجی گسترده با دادههای شبیهسازیشده و واقعی، یک چارچوب قدرتمند برای تحلیل دینامیکی اتصالات مغزی ارائه میدهد. این روش قادر است تغییرات زمانی، نویز، و تغییرپذیری میانآزمایشی را بهطور مؤثر مدیریت کند و در کاربردهای بالینی و تحقیقاتی مانند تشخیص زودهنگام صرع مفید باشد.
Bashir Najafabadian, Ali Motie Nasrabadi, Saeid Rashidi,
Biomedical Signal Processing and Control,
Volume 110, Part A,2025,108336
ISSN 1746-8094,
https://doi.org/10.1016/j.bspc.2025.108336.
(https://www.sciencedirect.com/science/article/pii/S174680942500847X)
در این مقاله با عنوان "GSC-ABTA: یک روش تانسوری برای تحلیل دینامیکی اتصالات مغزی در دادههای گروهی" ارائه می شود. هدف اصلی، توسعه یک مدل گروهی پویا برای ارزیابی اتصالات مغزی با استفاده از تحلیل تانسوری و روشهای خودکار بهینهسازی است. در ادامه خلاصهای از بخشهای مختلف مقاله آورده شده است:
________________________________________
هدف مقاله
• هدف کلی : ارائه یک روش جدید (GSC-ABTA) برای تخمین دینامیکی فعالیت منبع مغزی و ضرایب مدل خودرگرسیونی برداری (MVAR) در تحلیل گروهی اتصالات مغزی.
• چالشها : مقابله با اثرات حجمی هدایت (Volume Conduction)، تغییرپذیری میانآزمایشی (Inter-Trial Variability)، و اتصالات مغزی متغیر با زمان (Time-Varying Connectivity) در دادههای EEG/iEEG.
• اهداف فرعی :
1. بهبود دقت تخمین ضرایب MVAR با استفاده از تجزیه تانسوری.
2. کاهش زمان محاسبات و بهینهسازی پیچیدگی مدل.
3. اعتبارسنجی روش پیشنهادی با دادههای شبیهسازیشده و واقعی مانند دادههای RSVP و iEEG-EEG
________________________________________
روششناسی
1. مدلسازی منابع مغزی :
• تعریف سه سناریوی دادهسازی:
• VC (Volume Conduction) : اثر هدایت حجمی.
• ITV (Inter-Trial Variability) : تغییرپذیری میانآزمایشی.
• TV (Time-Varying Connectivity) : اتصالات مغزی متغیر با زمان (با انتقالات پلهای(ناگهانی) و شیب(تدریجی) ).
• استفاده از معادلات الکترومغناطیسی برای شبیهسازی سیگنالهای EEG سطحی (با 108 الکترود).
2. روش GSC-ABTA :
• روش تانسوری : استفاده از تجزیه تانسوری (Tensor Decomposition) برای استخراج ضرایب MVAR در سطح گروهی.
• بهینهسازی خودکار :
• استفاده از پارامترهای تطبیقی ω و φ برای کنترل آستانه در روش t-SVT
• بهروزرسانی آستانه به صورت نمایی (τ = βe⁻ᵠᵗ) برای انعطافپذیری بیشتر.
• مقایسه با روشهای دیگر : شامل TensTprod، TensReg، TensBays، و روشهای غیرتانسوری Nuttall-Strand، Yule-Walker، ARFIT
3. معیارهای ارزیابی :
• AIC/BIC : برای ارزیابی پیچیدگی مدل.
• MAE/MAPE : خطای مطلق میانگین و درصدی.
• RAIM : نسبت خطای روشهای دیگر به GSC-ABTA.
• زمان اجرا : برای ارزیابی عملیبودن در کاربردهای زمانحقیقی.
________________________________________
نتایج
1. برتری روش GSC-ABTA :
• پایینترین AIC/BIC : نشاندهنده برازش بهتر مدل با پیچیدگی کمتر.
• کاهش MAE : همگرایی سریعتر خطای مطلق با استفاده از پارامترهای تطبیقی ω و φ
• سرعت بیشتر : زمان اجرا در مقایسه با روشهای دیگر (بهویژه در دادههای بزرگ).
2. عملیبودن زمانحقیقی :
• پردازش تا 31 آزمایش RSVP و 19 آزمایش iEEG-EEG در 200 میلیثانیه.
3. تحلیل آماری :
• ANOVA : تمام پارامترهای کنترلی طول داده، SNR، چگالی اتصال، تعداد آزمایش) به جز مرتبه مدل در سناریوی ITV، تأثیر معناداری بر خطای تخمین داشتند.
• RAIM > 1 : نشاندهنده برتری GSC-ABTA نسبت به سایر روشها در تمام سناریوها.
4. مقایسه با روشهای دیگر :
• تانسوری: TensTprod و TensBays بهترین عملکرد بعد از GSC-ABTA
• غیرتانسوری: Nuttall-Strand و ARFIT در سناریوهای پلهای و شیبدار بهتر عمل کردند.
________________________________________
بحث و نتیجهگیری
• برتری روش تانسوری : روشهای تانسوری مانند GSC-ABTA در مقایسه با روشهای غیرتانسوری، دقت بیشتری در تخمین اتصالات مغزی دارند، بهویژه در حضور نویز و تغییرات زمانی.
• پارامترهای تطبیقی : استفاده از ω و φ به الگوریتم اجازه میدهد تا بهصورت خودکار با تغییرات داده سازگار شود و خطای تخمین را کاهش دهد.
• کاربردهای عملی : مناسب برای تحلیلهای زمانحقیقی در سیستمهای BCI و مطالعات گروهی اتصالات مغزی.
• محدودیتها : افزایش هزینه محاسباتی در دادههای بسیار بزرگ و نیاز به تنظیم دقیق پارامترهای تطبیقی.
________________________________________
نتیجهگیری نهایی
روش GSC-ABTA با ترکیب تجزیه تانسوری، بهینهسازی خودکار، و اعتبارسنجی گسترده با دادههای شبیهسازیشده و واقعی، یک چارچوب قدرتمند برای تحلیل دینامیکی اتصالات مغزی ارائه میدهد. این روش قادر است تغییرات زمانی، نویز، و تغییرپذیری میانآزمایشی را بهطور مؤثر مدیریت کند و در کاربردهای بالینی و تحقیقاتی مانند تشخیص زودهنگام صرع مفید باشد.
Forwarded from HI MI
1-s2.0-S174680942500847X-main.pdf
15.2 MB
GSC-ABTA: A group-level brain sources connectivity framework based on adaptive block tensor analysis,
Bashir Najafabadian, Ali Motie Nasrabadi, Saeid Rashidi,
Biomedical Signal Processing and Control,
Volume 110, Part A,2025,108336
ISSN 1746-8094,
https://doi.org/10.1016/j.bspc.2025.108336.
(https://www.sciencedirect.com/science/article/pii/S174680942500847X)
Bashir Najafabadian, Ali Motie Nasrabadi, Saeid Rashidi,
Biomedical Signal Processing and Control,
Volume 110, Part A,2025,108336
ISSN 1746-8094,
https://doi.org/10.1016/j.bspc.2025.108336.
(https://www.sciencedirect.com/science/article/pii/S174680942500847X)