EEG workshop
https://ieee-dataport.org/documents/mobile-eeg-recordings-art-museum-setting
هنرمندان علاقه مند به نوروساینس و EEG
Forwarded from EEG workshop
🌺سالروز میلاد باسعادت رسول اکرم(ص) پیامبر مهربانی ها و امام صادق(ع)مبارک🌺
Medscape: EEG in Brain Tumors: Overview, Background, Types of EEG Abnormalities Associated With Brain Tumors
https://emedicine.medscape.com/article/1137982-overview
https://emedicine.medscape.com/article/1137982-overview
Medscape
EEG in Brain Tumors: Overview, Background, Types of EEG Abnormalities Associated With Brain Tumors
A brain tumor is one of the scariest diagnoses a patient can hear. Until the past 4 decades, with advent of advanced imaging (CT scanning, MRI), localization of brain tumors and other focal lesions was difficult.
BMC Psychiatry: A systematic review of EEG-based machine learning classifications for obsessive-compulsive disorder: current status and future directions
https://bmcpsychiatry.biomedcentral.com/articles/10.1186/s12888-025-07296-z
https://bmcpsychiatry.biomedcentral.com/articles/10.1186/s12888-025-07296-z
BioMed Central
A systematic review of EEG-based machine learning classifications for obsessive-compulsive disorder: current status and future…
Obsessive–compulsive disorder (OCD) is a chronic and disabling condition affecting approximately 3.5% of the global population, with diagnosis on average delayed by 7.1 years or often confounded with other psychiatric disorders. Advances in electroencephalography…
Frontiers: UET175: EEG dataset of motor imagery tasks in Vietnamese stroke patients
https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2025.1580931/full
https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2025.1580931/full
Frontiers
Frontiers | UET175: EEG dataset of motor imagery tasks in Vietnamese stroke patients
Brain-computer interface (BCI) systems have garnered significant attention in clinical and research settings since the late 20th century. Using brain signals...
Forwarded from Tensorflow(@CVision)
🚀 نسخه جدید Deep Learning with Python: رایگان + محتوای LLM و GenAI
توئیت 16 ساعت پیش François Chollet:
ویرایش سوم کتاب من با عنوان Deep Learning with Python هماکنون در حال چاپ است و ظرف دو هفته آینده در کتابفروشیها خواهد بود. شما میتوانید آن را همین حالا از آمازون یا انتشارات Manning سفارش دهید.
این بار، ما کل کتاب را بهصورت یک وبسایت کاملاً رایگان منتشر میکنیم.
برایم مهم نیست اگر این کار باعث کاهش فروش کتاب شود؛ من فکر میکنم این بهترین مقدمه برای یادگیری عمیق است و افراد بیشتری باید بتوانند آن را بخوانند.
🔗کتاب آنلاین رایگان:
https://deeplearningwithpython.io/
ویرایش جدید محتوای بسیار بیشتری در زمینه هوش مصنوعی مولد دارد. همچنین شامل مباحث پایهای JAX و PyTorch و تمام قابلیتهای جدید در Keras 3 میشود.
مقدار زیادی محتوای جدید درباره مدلهای زبانی بزرگ (LLM) و جریانهای کاری مبتنی بر LLM نیز اضافه شده است.
🌀 @cvision 🌀
توئیت 16 ساعت پیش François Chollet:
ویرایش سوم کتاب من با عنوان Deep Learning with Python هماکنون در حال چاپ است و ظرف دو هفته آینده در کتابفروشیها خواهد بود. شما میتوانید آن را همین حالا از آمازون یا انتشارات Manning سفارش دهید.
این بار، ما کل کتاب را بهصورت یک وبسایت کاملاً رایگان منتشر میکنیم.
برایم مهم نیست اگر این کار باعث کاهش فروش کتاب شود؛ من فکر میکنم این بهترین مقدمه برای یادگیری عمیق است و افراد بیشتری باید بتوانند آن را بخوانند.
🔗کتاب آنلاین رایگان:
https://deeplearningwithpython.io/
ویرایش جدید محتوای بسیار بیشتری در زمینه هوش مصنوعی مولد دارد. همچنین شامل مباحث پایهای JAX و PyTorch و تمام قابلیتهای جدید در Keras 3 میشود.
مقدار زیادی محتوای جدید درباره مدلهای زبانی بزرگ (LLM) و جریانهای کاری مبتنی بر LLM نیز اضافه شده است.
🌀 @cvision 🌀
Application_of_Artificial_Intelligence_in_Obsessive_Compulsive_Disorder.pdf
6.2 MB
Application of Artificial Intelligence in Obsessive Compulsive Disorder Detection and Response to Treatment A Systematic Review
Forwarded from DAT دات
چرا اوتیسم در انسان شایعتر داره میشه
اومدن سلولهای مغزی انسان، شامپانزه و چند حیوان دیگه رو مقایسه کردن تا ببینن چه نورونهایی بیشتر تغییر کرده. نتیجه این شد که یه نوع نورون خاص توی قشر مغز انسان، یعنی نورونهای لایه ۲/۳، سریعتر از بقیه توی طول تکامل تغییر کردن. درست همین نورونها هم ژنهایی دارن که به اوتیسم مربوط میشن .
یعنی فهمیدن که این تغییرات احتمالاً به ما کمک کرده تواناییهای ذهنی پیچیده مثل زبان و فکر انتزاعی داشته باشیم، ولی همزمان باعث شده مغزمون آسیبپذیرتر بشه و اوتیسم بیشتر دیده بشه.
به عبارتی، مغز انسان توی مسیر تکامل یه «معامله» کرده:
هوش و تواناییهای شناختی بیشتر در ازای بالا رفتن خطر بعضی اختلالها.
این معامله احتمالا در نسل های بعدی بیشتر هم خواهد شد!
@Drdat_ir
اومدن سلولهای مغزی انسان، شامپانزه و چند حیوان دیگه رو مقایسه کردن تا ببینن چه نورونهایی بیشتر تغییر کرده. نتیجه این شد که یه نوع نورون خاص توی قشر مغز انسان، یعنی نورونهای لایه ۲/۳، سریعتر از بقیه توی طول تکامل تغییر کردن. درست همین نورونها هم ژنهایی دارن که به اوتیسم مربوط میشن .
یعنی فهمیدن که این تغییرات احتمالاً به ما کمک کرده تواناییهای ذهنی پیچیده مثل زبان و فکر انتزاعی داشته باشیم، ولی همزمان باعث شده مغزمون آسیبپذیرتر بشه و اوتیسم بیشتر دیده بشه.
به عبارتی، مغز انسان توی مسیر تکامل یه «معامله» کرده:
هوش و تواناییهای شناختی بیشتر در ازای بالا رفتن خطر بعضی اختلالها.
این معامله احتمالا در نسل های بعدی بیشتر هم خواهد شد!
@Drdat_ir
نقشآفرینی ستاد راهبری توسعه علوم و فناوری شناختی در جهش علمی کشور: فراخوان جذب و حمایت از ایدههای نخبگان در قالب رساله دکتری و پسادکتری
VID-20250928-WA0058.mp4
5.2 MB
Did you know EEG data can be visualized in 2 very different ways 🤔—and it hugely impacts data quality & interpretation ⁉️
❌ Left: Signals update right→left, auto-scaled, hard to compare channels—sometimes impossible to tell EEG from noise.
✅ Right:
Updates left→right = stable view
Fixed ±100 µV scaling = easy channel comparison
6–8s raw data visible = clear alpha, beta, delta, theta, artifacts
We recorded both views: g.HIsys → g.SCOPE (right) vs. Simulink scope (left).
👉 g.tec Suite 2024: https://www.gtec.at/product/gtec-suite-2024-software/
👉 Quotes: https://www.gtec.at/shop/
👉 More: https://tinyurl.com/5658wf8k
❌ Left: Signals update right→left, auto-scaled, hard to compare channels—sometimes impossible to tell EEG from noise.
✅ Right:
Updates left→right = stable view
Fixed ±100 µV scaling = easy channel comparison
6–8s raw data visible = clear alpha, beta, delta, theta, artifacts
We recorded both views: g.HIsys → g.SCOPE (right) vs. Simulink scope (left).
👉 g.tec Suite 2024: https://www.gtec.at/product/gtec-suite-2024-software/
👉 Quotes: https://www.gtec.at/shop/
👉 More: https://tinyurl.com/5658wf8k
EEG workshop
VID-20250928-WA0058.mp4
بحث نمایش EEG روی صفحه که در کارگاه ثبت گفتیم را اینجا مقایسه کرده که کدام از نظر بصری بهتر است
اسکرول کردن صفحه
یا رونویسی روی قبلی
اسکرول کردن صفحه
یا رونویسی روی قبلی
Forwarded from National Brain Mapping Lab
Media is too big
VIEW IN TELEGRAM
💠معرفی کارگاه ثبت، پردازش و تحلیل سیگنال های EEG
✅دکتر علی مطیع نصرآبادی (استاد دانشگاه شاهد)
🔺آنلاین
🔹زمان: 30 مهر ۱۴۰۴
‼️ظرفیت محدود‼️
🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.
💠 تماس با ما:
02186093155
💠Telegram
💠Instagram
💠LinkedIn
🌐Website
✅دکتر علی مطیع نصرآبادی (استاد دانشگاه شاهد)
🔺آنلاین
🔹زمان: 30 مهر ۱۴۰۴
‼️ظرفیت محدود‼️
🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.
💠 تماس با ما:
02186093155
💠Telegram
🌐Website
Forwarded from EEG workshop
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
– 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