منشأ سیگنالهای مغزی

مشخصات مدل کروی سر head در مکان یابی منابع
Source localization

تعریف توان مطلق و نسبی در سیگنالهای مغزی

🎥 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/

#book

The A”altoDictionary of Machine LearningDipl.-Ing. Dr.techn. Alexander JungMarch 1, 2025

______________________________

🧠🧠🧠🧠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 ارائه گواهی معتبر و قابل ترجمه
📑📑📑🖊🖊📑📑

‼️ظرفیت محدود ‼️

🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.

☎️ تماس با ما: 02186093155

💠Telegram
💠Instagram
💠LinkedIn
🌐Website
┗━━━━━━━━━━━━━━━

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.

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)

*🎓 دعوت به گروه رسمی کنفرانس مهندسی زیست‌پزشکی ایران (ICBME2025)*

اساتید محترم، پژوهشگران گرامی و علاقه‌مندان حوزه مهندسی زیست‌پزشکی

با سلام و احترام
بدین وسیله از شما دعوت می‌شود جهت اطلاع‌رسانی بهتر، تعامل علمی، پاسخگویی به پرسش‌ها و پیگیری اخبار و رویدادهای *سی‌ودومین کنفرانس ملی و دهمین کنفرانس بین‌المللی مهندسی زیست‌پزشکی ایران (ICBME 2025)*
در گروههای رسمی مجازی کنفرانس عضو شوید.

📍 آدرس سایت رسمی کنفرانس:
https://icbme2025.ir

🔗 لینک عضویت در گروه
Telegram: https://news.1rj.ru/str/+suJeeb5e1L8wYThk

Linkedin: @icbme2025
https://www.linkedin.com/groups/10069056

Whatsapp: @icbme2025

مشارکت و حضور شما مایه افتخار و موجب ارتقای کیفیت علمی و اجرایی این رویداد خواهد بود.

با سپاس
کمیته اجرایی کنفرانس

به مناسبت ۱۷ جولای سالروز درگذشت هانری پوانکاره مبدع نظریه آشوب

اثر پروانه ای چیست؟

هانری پوانکاره هنگامی که بر روی مساله "سه جسم" کار می‌کرد، نظریه آشوب را بنیان نهاد که امروزه با "اثر پروانه ای" بیش از همه آنرا میشناسیم

آیا پرواز یک پروانه میتواند باعث طوفان شود؟

"اثر پروانه‌ای" در ادبیات معاصر بسیار به کار میرود. در مورد این پدیده کج‌فهمی‌ زیادی وجود دارد.

در سال ۱۹۷۲، ادوارد لورنز، دانشمند امریکایی عنوان سخنرانی خود را چنین انتخاب کرد
"آیا بال زدن یک پروانه در برزیل میتواند باعث یک تورنادو در تگزاس شود؟" در این سخنرانی، لورنز نشان داد که در بعضی سیستمها نمیتوان با افزایش دقت داده های ورودی، آینده را از زمانی فراتر پیشبینی کرد.
لورنز بنیانگذار نطریه آشوب نوین است. در نظریه آشوب در مورد سیستمهایی بحث میشود که تغییرات جزئی داده های ورودی باعث تغییرات بزرگ در آینده سیستم میشود.

فیلم در مورد لورنز و اهمیت کار اوست.
https://youtu.be/bZ6yxt_o_CQ

"اثر پروانه‌ای" به دنبال سخنرانی لورنز در ادبیات علمی بسیار معروف گردید.

در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید

http://t.me/pubethicsmums/1853