#new_connection
#learning
#break_the_habit
#make_up_your_mind
#change_your_mind
#change_your_life!
#your_are_creater
ویدیوی کامل:
https://www.youtube.com/watch?v=5LsFsFRI1ik
➖➖➖
@IUST_Bioelecteric

🕓⏰ #ساعت_هوشمند برای #نابینایان

#مهندسی_پزشکی
➖➖➖➖
@IUST_Bioelecteric

✅ پایان دوره شبکه عصبی😊
#دوره_شبکه_عصبی
ممنون از همه شرکت کنندگان و حضور فعالشون🌹🌹
📣📣دوره بعدیمون #مهرماه در #مشهد برگزار میشه👌
➖➖➖➖➖
@IUST_Bioelecteric

دوره شبکه عصبی به پایان رسید و لازمه که از همینجا از همه شرکت کنندگان بخاطر شرکت در این دوره تشکر کنیم و امیدواریم که این دوره برای دوستان مفید بوده باشه😊.

🔶 لازمه که مروری داشته باشیم به مباحثی که در این دوره آموزش داده شد تا از این طریق دوستان دیگه ای که علاقه مند به یادگیری این مباحث هستند در دوره های بعد شرکت کنند.
🚩وجه #تمایز این دوره با دوره های دیگه این بود که اولا در این دوره نحوه استفاده از توابع آماده متلب آموزش داده نشد بلکه نحوه ی پیاده سازی شبکه ها بطور کامل آموزش داده شد! (چون باور داریم که یک مهندس باید خودش کد بنویسه نه اینکه از منابع آماده استفاده کنه).

استفاده از شبکه عصبی آماده برای شخصی که مهندسی نمیخونه و صرفا مصرف کننده هست مناسب هست.

🔺در این دوره نحوه #پیاده_سازی شبکه های عصبی آموزش داده شد و مطمئنا شرکت کنندگان بعد از تمرین و تکرار مطالبی که آموزش داده شد، در پیاده سازی شبکه ها، بهبود شبکه ها، شبیه سازی مقالات و استفاده از شبکه ها در پروژه های عملی دچار مشکل نخواهند شد.

🔺 در این دوره سعی بر این بوده است که تمام مباحث کتاب معروف Siomon Haykin را آموزش بدیم.

🔺کتاب معروف Siomon Haykin، کتابی استاندارد برای یادگیری شبکه های عصبی است که در بیشتر دانشگاههای داخل و خارج کشور تدریس می شود.

🔺در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده شد و سپس به طور گام به گام در متلب پیاده سازی شد.

🔺علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNNو ELM (بانظارت – که جهت کلاسبندی و پیش بینی استفاده می شوند) را طبق مقالات معتبر پیاده سازی کردیم که از این طریق شرکت کنندگان با پیاده سازی مقالات نیز آشنا شدند.

🔺تمامی شبکه ها در متلب پیاده سازی و سپس در پروژه‌های عملی استفاده شدند!

🚩وجه #تمایز دیگه ای این دوره با دوره های دیگه این بود که این دوره کاملا #پروژه_محور بود و در طول دوره پروژه های مختلفی با شبکه های عصبی انجام شد.

🔗پروژه هایی که در دوره آموزش داده شدند:
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی آدالاین
◦ تشخیص سرطان سینه با استفاده از قانون یادگیری وینرهاف
◦ #تشخیص سرطان سینه با استفاده از ML(ماکزیمم شباهت)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی توابع شعاعی پایه (RBF)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی (ELM(Extreme learning machine
◦ تشخیص #سرطان_سینه با استفاده از شبکه عصبی احتمالی (PNN)
◦ کلاسبندی داده های سه کلاسه iris# (داده ی معروف در سایت uci) با استفاده از شبکه هایی عصبی
Pnn-Elm-Rbf
MLP(back propagation)
MLP(delta delta) -MLP(delta bar delat)

◦ #خوشه_بندی با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری رقابتی(som)
◦ پیاده سازی الگوریتم #PCA(تجزیه مولفه های اساسی) با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری هببین
◦ کلاسبندی داده های دوکلاسه و #چندکلاسه (توزیع نرمال)، مثال AND، OR، NOT، XOR
◦ #تخمین کیفیت شراب با استفاده از شبکه های عصبی
◦ #پیش_بینی نرخ ارز با استفاده از شبکه های عصبی

🌟با پیاده سازی این پروژه ها ، دوستان با مباحث مرتبط با تقسیم داده(روش معمول (70-30) و k_fold cross validation)، تست و ارزیابی شبکه، لیبل گذاری داده، تعیین مدل بهینه آشنا شدند.


⤵⤵⤵⤵⤵⤵⤵⤵⤵⤵⤵
💡دوره ی بعدی #مهرماه در #مشهد برگزار خواهد شد. دوستانی که قصد شرکت در دوره را دارند میتوانند برای پیش ثبت نام با شماره زیر تماس بگیرند.

0936-038-2687
@Bio_Engineerr
مدرس دوره: مهندس محمد نوری زاده چرلو

➖➖➖➖➖
سایتمون رو هم دنبال کنید🙏🙏😊😊


http://matlabkhoone.ir/2017/09/08/%D9%BE%D8%A7%DB%8C%D8%A7%D9%86-%D8%A7%D9%88%D9%84%DB%8C%D9%86-%D8%AF%D9%88%D8%B1%D9%87-%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D8%B9%D8%B5%D8%A8%DB%8C-%D8%AF%D8%B1-%D8%AA%D9%87%D8%B1%D8%A7/
➖➖➖➖➖
@IUST_Bioelecteric

لطفعلی #عسکرزاده مشهوربه پروفسور #لطفی‌زاده بنیانگذار #منطق_فازی امروز #درگذشت.
روحشان شاد🌹🌹🌹🌹

@IUST_Bioelecteric

بدرود استاد😔🌹🌹
#فازی

@IUST_Bioelecteric

بدرود استاد🌹🌹
#فازی

@IUST_Bioelecteric

دیروز #روزجهانی #سوادآموزی بود.
شعار امسال #یونسکو جالبه: #سواد (باسوادی) در دنیای دیجیتال
#LiteracyDay

#دنیای_دیجیتال
#هوش_مصنوعی

@IUST_Bioelecteric

از روز ازل به کائنات شور علی بود
بر روی زمین به کائنات نور علی بود
تنها هدف خلقت آدم به دو صورت
چشمان علی بود و علی بود و علی بود.

عید غدیرخم مبارک😍😍😍

@IUST_Bioelecteric
 

✅ نحوه تولید اعداد تصادفی در بین یک بازه خاص
🔶 تابع rand اعداد تصادفی بین 0 تا 1 با توزیع یکنواخت تولید می کند.
برای تولید اعداد در بین یک بازه خاص طبق شکل عمل می کنیم.
#متلب
@IUST_Bioelecteric

💡 💡 روشهای #ناحیه_بندی با بسته‌های #کانتور_فعال
به طور کلی، مرزهای بسته فعال را می توان به دو دسته مرز فعال #پارامتری و #غیرپارامتری تقسیم نمود. در روشهای پارامتری مرز بسته فعال به شکل پارامتری از مشخصه‌های خود همچون طول مرز تعریف می‌گردد و تابع هدف به گونه‌ای که در مشخصه مورد نظر کاربر کمینه شود تعریف می‌شود و در نهایت مرز اولیه با توجه به محدودیتهای مربوط به خود که درغالب انرژی داخلی خود را نشان می‌دهد و به طرف مشخصه مورد نظر از طریق کمینه کردن این تابع حرکت می‌کند. در مرزهای بسته غیرپارامتری یا هندسی، نمو مرز بسته به صورت سطح صفر یک تابع کمکی چند بعدی معروف به توابع سطح همتراز صورت می پذیرد و از اینرو قادر به دنبال کردن تغییرات توپولوژی در تصویر می باشد. مرزهای بسته فعال هندسی به دو نوع اصلی مرزهای فعال گرادیانی و ناحیه ای تقسیم‌بندی می‌شوند. در روشهای گرادیانی از گرادیان برای نمو مرز به سمت مشخصه مورد نظر استفاده شده است که از معایب این روش حساسیت به نویز و همگرا شدن در کمینه‌های محلی می‌باشد. در روش ناحیه‌ای معمولا از اطلاعات آماری تصویر برای نمو مرز فعال به سمت شکل هدف استفاده می‌شود .

🔶 چرا در عمل بیشتر از کانتور فعال برای ناحیه بندی تصاویر پزشکی استفاده می کنند و از روشهای معمول استفاده نمی کنند؟! 🤔 🤔

در عمل، تصاویر پزشکی تصاویر (مثل تصاویر #التراسوند) ایده الی نیستند و همیشه با آرتیفکت و نویزهایی همراه هستند، لذا نمی توان با استفاده از روشهای معمول مثل فیلترهای مکانی (لاپلاسین، کنی، سوبل و ...) و فرکانسی تصاویر را ناحیه بندی کرد!
روشهای معمول زمانی که تصاویر نویز نداشته باشند خوب کار می کنند!
همچنین در کارهای عملی نیاز است که ما مرزهای بسته ای داشته باشیم و اینب درحالی هست که روشهای معمول به خاطر نویز، مرز بسته ای به ما نمیدهند!

✅ مزایای روشهای ناحیه بندی کانتور فعال:
به نویز حساسیتی ندارد (در مقابل نویز مقاومند)
مرز بسته ای دارند!

⚠️ عیب روشهای ناحیه بندی کانتور فعال:
- نیاز به تعیین کانتور اولیه دارند
- پیچیدگی محاسباتی بالایی دارند
#ناحیه_بندی
#کانتور_فعال
#مرزبسته
#تصاویرنویزی
#پردازش_تصویر
#مهندسی_پزشکی
#تصاویرپزشکی

نویسنده: محمد نوری زاده چرلو

➖➖➖➖➖
@IUST_Bioelecteric

ناحیه بندی تصاویر با استفاده از روش #پارامتری کانتور فعال
#گیف بسیار جالب از نحوه همگرایی الگوریتم بر روی مرزهای تصویر اختاپوس
#کانتورفعال
#مرزبسته
#ناحیه_بندی
➖➖➖➖➖
@IUST_Bioelecteric

ناحیه بندی تصاویر با استفاده از روش #غیرپارامتری کانتور فعال
#گیف بسیار جالب از نحوه همگرایی الگوریتم بر روی مرزهای تصویر
#کانتورفعال
#مرزبسته
#ناحیه_بندی
➖➖➖➖➖
@IUST_Bioelecteric

🌐 رباتی که تزریق و خونگیری انجام میده!👌
#مهندسی_پزشکی

➖➖➖➖➖
@IUST_Bioelecteric

🌐 چگونگی تخریبِ تومورِ مغزی
#پزشکی
#مهندسی_پزشکی

@IUST_Bioelecteric

سرما خوردگی یا حساسیت؟!
@IUST_Bioelecteric

✅پایان دوره ی جامع مهندسی پزشکی و مروری بر سرفصل های آن

دوره جامع مهندسی پزشکی هم پایان یافت(التبه دو هفته پیش)، از همه شرکت کنندگان بخاطر حضور فعال و باانرژیشون تشکر میکنیم. 😊🙏🌹

بسیاری از دوستان پیرامون این دوره سوالاتی داشتند، از این رو در اینجا توضیحاتی اجمالی درباره ی مباحث این دوره را مطرح می کنیم.
🚩 یکی از مشخصه های برجسته ی این دوره این است که این دوره برای اولین بار در ایران برگزار می شود و همانطور که از عنوان دوره مشخص است #تنها دوره ای است که سعی شده تمام مباحث مهندسی پزشکی را پوشش دهد!
در این دوره علاوه بر مباحث شناسایی آماری الگو و داده کاوی، چندین پروژه عملی مطابق با مقالات معتبر آموزش داده می شود که دانشجویان با پروژه های مختلفی در حوزه مهندسی پزشکی آشنا شوند و بعد از دوره دید بهتری نسبت به مباحث مهندسی پزشکی پیدا کنند و بسهولت بتوانند موضوعات مورد علاقه شان را برای پایان نامه انتخاب کنند.
⚠️ این دوره کاملا تخصصی است و مخصوص دانشجویان ارشد و دکتری هست. برای دانشجویان کارشناسی توصیه نمیشود!
🚩در زیر مباحث مطرح شده در دوره ای که در تهران برگزار شده را به اختصار توضیح می دهیم.
البته یه سری دوستان غیرمهندسی پزشکی به خاطر اینکه عنوان دوره، مهندسی پزشکی هست دید مناسبی از محتوای دوره ندارند، به همین خاطر همینجا توضیحاتی درباره ی دوره به این دسته از دوستان می هیم تا دوستان غیر مهندسی پزشکی هم برحسب نیازشون هم بتوانند در این دوره شرکت کنند.
🔹هدف و تمرکز این دوره بر روی مباحث درس شناسایی آماری الگو (پترن) و درس داده کاوی است که اساس تمام پروژه های مهندسی در شاخه های مختلف است. سعی ما براین است که مباحث این دو درس را کامل آموزش دهیم و برای اینکه مطلب ملموس تر شوند، الگوریتم ها را روی داده های واقعی اعمال می کنیم. داده هایی که در این دوره استفاده شده است داده های مرتبط با مهندسی پزشکی است.

به طور کلی درس پترن و داده کاوی مباحث زیر را شامل می شوند:
- پیش پردازش (ثبت داده -کاهش نویز و ..)
- استخراج ویژگی
- نرمال سازی داده
- انتخاب ویژگی
- کاهش ابعاد داده
- کلاسبندی داده ها
- ترکیب کلاسبند ها (boosting)

🚩 سر فصل مطالبی که در دوره جامع آموزش داده می شود:
1- آموزش اصول برنامه نویسی در متلب
برای اینکه دوستان در طول دوره مشکلی در برنامه نویسی نداشته باشند، مباحث زیر را آموزش می دهیم:
- آرایه ها
- تابع نویسی و برنامه نویسی
- توابع پرکاربرد متلب
- نمودارها
- شرط ها و حلقه‌ها
2- آموزش الگوریتم‌های شناسایی الگو
- روش‌های کاهش نویز (تبدیل ویولت- تبدیل فوریه)
- نحوه فیلترینگ داده با استفاده از فیلترهای باترورث
- روش‌های استخراج ویژگی(ویولت- FFT، ویژگی های آماری، ویژگی های غیرخطی)
- روش‌های نرمال سازی داده(خطی-غیرخطی)
- روش‌های انتخاب ویژگی

o روشهای انتخاب ویژگی اسکالر(تست آماری ttest )
o روشهای انتخاب ویژگی برداری
(sequential backward search
sequential forward search
sequential forward and backward search)
- روش های کاهش ابعاد داده
o روش Fisher discriminant analysis(LDA) برای دوکلاسه و چندکلاسه
o Principle component analysis
o Common spatial patterns
o Filter bank common spatial patterns

- روشهای کلاس‌بندی
1- روشهای پارامتری شامل:

o بیزین
o maximum likelihood
o فاصله اقلیدسی
o ماهالانوبیس
2- روشهای غیر پارامتری شامل:
o svm(linear-nonlinear)
o K-nearest neighborhood (knn)
o درختی
o FLD
- روش های اعتبارسنجی
1- انتخاب مدل بهینه (cross validation)
2- تخمین عملکرد
o The hold out validation method
o Leave one out validation method
o K-fold cross validation method
o Random subsampling validation method

- پارامترهای ارزیابی
o دقت شناسایی
o حساسیت (sensitivity)
o ویژگی (specificity)
o ماتریس مختلط(confusion matrix)
o منحنی ROC
- روش‌های خوشه‌بندی
o الگوریتم Kmeans
o الگوریتم فازی fuzzy c-means (fcm)

3- انجام پروژه های مهندسی پزشکی(توضیحات در پست بعدی)
➖➖➖➖➖
@IUST_Bioelecteric

بطبع این دوره برای دوستان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها میدهد. پروژه هایی که طول دوره آموزش داده می شوند نتیجه چهار سال تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی کردیم پروژه های خوب و بروزی که امروزه در این رشته کار میکنند را انتخاب کنیم و براساس مقالات معتبر شبیه سازی کنیم.
بعد اتمام دوره انتظار داریم دوستان شرکت کننده دید بهتری از پروژه ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناشی ارشد انتخاب کنند. این دوره برای اولین بار در ایران برگزار می شود و هدف اینه که دوستان به طور مناسب آموزش ببینند تا در شبیه سازی مقالات تخصصی در حوزه مهندسی پزشکی، در انجام پروژه پایان نامه مشکلی نداشته باشند. در این دوره ما نحوه کار با داده های مختلف را آموزش میدهیم و دوستان سختی کار با داده ها را دیگر تجربه نخواهند کرد.
💡هدف اصلی ما اینه که دوستان شرکت کننده بعد از اتمام دوره، بتوانند پایان نامشون رو خودشون انجام دهند و مشکلاتی از قبیل کار با داده، برنامه نویسی، تجزیه و تحلیل داده ها نداشته باشند.😊
💡تو این چند سال متوجه شدیم که بیشتر دوستان مهندسی پزشکی بیشتر مباحث را بلدند ولی در پیاده سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند. 5 پروژه عملی از صفر تا صد در متلب پیاده سازی می شود و شرکت کنندگان با موضوعات مختلفی آشنا شده و کار با داده های مختلف پزشکی را یاد میگیرند.👌

✅ پروژه هایی که در طول دوره آموزش داده می شوند را در زیر خلاصه کرده ایم:
نکته: لازم به ذکر است که تمامی الگوریتمهای درس #شناسایی _آماری_الگو و #داده_کاوی را را روی این پروژه ها اعمال میکنیم و دوستان علاوه بریادگیری الگوریتمها، نحوه استفاده از الگوریتمها در #پروژه_های_عملی را نیز یاد میگیرند!

- کار با سیگنالهای مغزیِ eeg ( داده مربوط به صرع- داده های تصوری حرکتی- اسپایک(unit activity))
- کار با سیگنالهای قلبیِ ecg(داده های مربتط با آرتیمی های قلبی(داده استاندارد سایت فیزیونت))

- تشخیص بیماری #صرع از روی سیگنالهای EEG (داده استاندارد 5 کلاسه دانشگاه بن آلمان)، روشهای مختلف استخراج ویژگی در حوزه زمان، فرکانس، زمان فرکانس آشنا می شوند.
🔹 تمامی الگوریتمها درس پترن و داده کاوی روی این داده ها اعمال می شوند!

- کلاس‌بندی داده های تصوری و حرکتی EEG (واسط مغز و کامپیوترBCI)، در این پروژه الگوریتم معروف csp و fbcsp آموزش داده شده سپس روی داده اعمال میشوند.
الگوریتم csp یک الگوریتم معروفی است که برای کاهش تعداد کانالها در داده های تصوری حرکتی دوکلاسه استفاده میشود.
نحوه تعمیم این الگوریتم برای داده ها چندکلاسه را نیز آموزش میدهیم.
روشهای بهبود یافته دیگر csp برای دانشجویان به عنوان تمرین تعریف می شود.

- اسپایک سورتینگ با استفاده از دو روش مختلف
1- خوشه بندی (kmeans-fcm)
2-Template matching

🔹اسپایک سورتینگ یا همان کلاسترینگ (مرتب سازی)اسپایکها یک تکنیک رایج در میان دانشمندان علوم و اعصاب جهت مطالعه عملکرد مغز است و در سالیان اخیر برای درمان بیماریهای از قبیل صرع، فلج و از دست دادن حافظه استفاده می کنند.
برای بررسی بیماریها نیاز به داشتن اطلاعات درباره فعالیت تک تک نورون ها است. در ثبت خارج سلولی فعالیت چندین نورون همزمان ثبت می شود. برای تفکیک فعالیت نورونها از تکنیک اسپایک سورتینگ استفاده میکنند.
در این دوره مفاهیم ثبت داخل و خارج سلولی، تکنیکهای اسپایک سورتینگ را آموزش داده و یک پروژه عملی نیز انجام میدهیم!

- تشخیص بیماری های قلبی با استفاده از سیگنال ECG
🔹امروزه افراد زیادی از نارسایی قلبی رنج میبرند و اگر در زمان مناسب بیماریها تشخیص داده شود میتوان از اتفاقات ناگوار جلوگیری کرد. ثابت شده فعالیت الکتریکی قلب اطلاعات مفیدی درباره وضعیت سلامت قلب ارائه میدهد. پزشکان برای تشخیص بیماریهای قلبی از سیگنال ECG یا همان نوار قلبی استفاده می کنند. ولی مشکلی که اینجا هست اینه که بررسی نوار قلبی بسیار زمان‌بر و خسته کننده ست، از طرف دیگر ممکن است پزشک متخصص نباشد و تحلیل اشتباهی انجام دهد.
در این دوره نحوه کار با داده ECG و نحوه تجزیه و تحلیل داده ها را آموزش میدهیم تا بتوانیم مدلی دقیق (نزدیک به نظر پزشکان متخصص) و بسیار سریع(خودکار) طراحی کنیم.

✅ شرکت‏ کنندگان بعد از اتمام این دوره، قادر خواهند بود به:
- برنامه‌نویسی در محیط متلب
- پیاده‏ سازی تمامی الگوریتمهای مربوط به شناسایی الگو و داده کاوی
- پیاده‏ سازی پروژه‌های مرتبط با رابط مغز و کامپیوتر
- پیاده‏ سازی پروژه‌های مرتبط با علوم اعصاب محاسباتی
- شبیه‌سازی مقالات مرتبط با رشته مهندسی پزشکی بیوالکتریک
- انجام پایان نامه
➖➖➖➖➖
@IUST_Bioelecteric

💡دوره ی بعدی #مهرماه در #مشهد (به احتمال زیاد در دو دانشگاه مختلف) برگزار خواهد شد. دوستانی که قصد شرکت در دوره را دارند میتوانند برای پیش ثبت نام با شماره زیر تماس بگیرند.
0936-038-2687
@Bio_Engineerr
مدرس دوره: مهندس محمد نوری زاده چرلو

💡💡💡دوره ها #فشرده و در #دوهفته برگزار خواهند شد.
به دوستانی که هر دو دوره(دوره شبکه های عصبی در متلب- دوره جامع مهندسی پزشکی) را شرکت کنند 10 درصد #تخفیف تعلق می‌گیرد!

#متلب
#پایان_نامه
#شبیه_سازی_مقالات
#پروژه_درسی
#دوره
#شبکه_عصبی
#پترن
#داده_کاوی
#علوم_اعصاب
#واسط_مغز_کامپیوتر
#پروژه_عملی
➖➖➖➖➖
سایتمون رو هم دنبال کنید🙏🙏😊😊
http://matlabkhoone.ir
➖➖➖➖➖
@IUST_Bioelecteric

ترجمه متون انگلیسی به فارسی و فارسی به انگلیسی

#ترجمه
#ضمانت_کیفیت
#تحویل_فوری
#ترجمه_به_فرمت_مقاله_کتاب
#هزینه_دانشجویی
سفارش ترجمه:
0936-038-2687
@Bio_Engineerr
➖➖➖➖➖
@FastandBest_Translators

میزان بهبود ترجمه از حالت Phrase based نسبت به ترجمه نورونی گوگل

به تعبیر گوگل: جهشی به اندازه ده سال گذشته
#هوش_مصنوعی
#یادگیری_ماشینی
➖➖➖➖
@IUST_Bioelecteric