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)
*🎓 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
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
Telegram
ICBME2025
🔬 گروه رسمی اطلاعرسانی و تبادل علمی
🎓 کنفرانس مهندسی زیستپزشکی ایران – ICBME2025
📍 دانشگاه صنعتی تبریز (سهند)| ۲۸–۲۹ آبان ۱۴۰۴
🌐 www.icbme2025.ir
@ICBME2025
📢 🔗 LinkedIn Group: https://www.linkedin.com/groups/10069056
Whatsapp:@ICBME2025
🎓 کنفرانس مهندسی زیستپزشکی ایران – ICBME2025
📍 دانشگاه صنعتی تبریز (سهند)| ۲۸–۲۹ آبان ۱۴۰۴
🌐 www.icbme2025.ir
@ICBME2025
📢 🔗 LinkedIn Group: https://www.linkedin.com/groups/10069056
Whatsapp:@ICBME2025
Forwarded from اخلاق نشر و منابع علمی
Media is too big
VIEW IN TELEGRAM
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
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
ScienceDirect.com: Differences in resting state and task-based EEG measures between patients with major depressive disorder and healthy controls
https://www.sciencedirect.com/science/article/pii/S1388245725004389
https://www.sciencedirect.com/science/article/pii/S1388245725004389
Nature: EEG is better left alone
https://www.nature.com/articles/s41598-023-27528-0
https://www.nature.com/articles/s41598-023-27528-0
Nature
EEG is better left alone
Scientific Reports - EEG is better left alone
دیدگاه های دیگر
در متن مقاله:
نویسنده این عنوان را انتخاب کرده تا به یک نکته مهم اشاره کند:
EEG is better left alone
فقط از حداقل مراحل لازم (مثل فیلتر بالاگذر ساده) استفاده شود.
پیشپردازش زیاد و پیچیده نهتنها کمکی نمیکند، بلکه میتواند اطلاعات مهم را از بین ببرد.
بهطور خلاصه، این جمله دارد میگوید
.
«بهتر است EEG را دستکاری نکنیم» یا «بهتر است EEG را به حال خودش رها کنیم».
در متن مقاله:
نویسنده این عنوان را انتخاب کرده تا به یک نکته مهم اشاره کند:
در بسیاری از تحلیلهای EEG، پژوهشگران مراحل مختلف "پیشپردازش" (مثل حذف نویز، مرج، ICA و...) را اجرا میکنند تا کیفیت داده را بالا ببرند. اما این مقاله نشان میدهد که اکثر این مراحل یا بیتأثیر هستند یا حتی ممکن است کیفیت داده را کاهش دهند.منظور دقیق:
EEG is better left alone
فقط از حداقل مراحل لازم (مثل فیلتر بالاگذر ساده) استفاده شود.
پیشپردازش زیاد و پیچیده نهتنها کمکی نمیکند، بلکه میتواند اطلاعات مهم را از بین ببرد.
بهطور خلاصه، این جمله دارد میگوید
:
داده EEG اگر خیلی دستکاری نشود، بهتر و قابلاعتمادتر است
.
Forwarded from National Brain Mapping Lab
______________________________
🧠🧠🧠🧠NBML🧠🧠🧠🧠
🔰 آزمایشگاه ملی نقشه برداری مغز برگزار میکند:
💠 دوازدهمین کارگاه مبانی پردازش سیگنال های حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی💠
🟢مدرس:
دکتر علی مطیع نصر آبادی، استاد دانشگاه شاهد
🕑زمان:
۲۷ و ۲۸ شهریور ۱۴۰۴
🌐 برای ثبتنام و کسب اطلاعات بیشتر کلیک کنید.
☎️ تماس با ما: 02186093155
💠Telegram
💠Instagram
💠LinkedIn
🌐Website
┗━━━━━━━━━━━━━━━
🧠🧠🧠🧠NBML🧠🧠🧠🧠
🔰 آزمایشگاه ملی نقشه برداری مغز برگزار میکند:
💠 دوازدهمین کارگاه مبانی پردازش سیگنال های حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی💠
🟢مدرس:
دکتر علی مطیع نصر آبادی، استاد دانشگاه شاهد
🕑زمان:
۲۷ و ۲۸ شهریور ۱۴۰۴
🌐 برای ثبتنام و کسب اطلاعات بیشتر کلیک کنید.
☎️ تماس با ما: 02186093155
💠Telegram
🌐Website
┗━━━━━━━━━━━━━━━
Nature: Open access dataset integrating behavioral and EEG measures in Chinese spoken word production | Scientific Data
https://www.nature.com/articles/s41597-025-05671-9
https://www.nature.com/articles/s41597-025-05671-9
Nature
Open access dataset integrating behavioral and EEG measures in Chinese spoken word production
Scientific Data - Open access dataset integrating behavioral and EEG measures in Chinese spoken word production
Wiley Online Library: Harvard Electroencephalography Database: A comprehensive clinical electroencephalographic resource from four Boston hospitals
https://onlinelibrary.wiley.com/doi/10.1111/epi.18487?af=R
https://onlinelibrary.wiley.com/doi/10.1111/epi.18487?af=R
Wiley Online Library
Harvard Electroencephalography Database: A comprehensive clinical electroencephalographic resource from four Boston hospitals
Objective
This article presents the Harvard Electroencephalography Database (HEEDB), a large-scale, deidentified, and standardized electroencephalographic (EEG) resource supporting artificial intell...
This article presents the Harvard Electroencephalography Database (HEEDB), a large-scale, deidentified, and standardized electroencephalographic (EEG) resource supporting artificial intell...