❇️ مراحل تولید و ثبت P300
➖➖➖➖➖
@IUST_Bioelecteric

❇️ مراحل تولید و ثبت P300
در ابتدا توسط یک نمایشگر، حروف نمایش داده می‌شوند.
بعد از نمایش حروف هدف(TARGET)، پتانسیل مرتبط با رویداد بعد از 300 میلی ثانیه( P300 ) در مغز ایجاد می‌شود.
سپس این پتانسیل توسط الکترودها ثبت شده و به تقویت کننده انتقال داده می‌شود، بعد از تقویت دامنه سیگنال و حذف نویز، به کامپیوتر ارسال می‌شود و شخص همزمان می‌تواند سیگنالهای مغزی خود را در صفحه نمایشگر کامپیوتر مشاهده کند.
➖➖➖➖➖
@IUST_Bioelecteric

❇️ پتانسیل ثبت شده بعد از نمایش تصویر هدف(target) و تصویر غیر هدف(nontarget)
#واسط_مغزوکامپیوتر
#P300
➖➖➖➖➖
@IUST_Bioelecteric

❇️ فرق بین تصویر هدف و تصویر غیر هدف:
فرض کنید یک شخص در مقابل یک صفحه نمایشگر قرار گرفته که حروف مختلفی با ترتیب خاصی نمایش داده می‌شوند. بعضی از حروف تصویر هدف هستند و بعضی غیر هدف.
برای مثال در زمان تحریک از کاربر خواسته می شود که تعداد نمایشهای حرف a را بشمارد.
بنابراین شخص فقط لحظاتی که حرفa نمایش داده می شود، عکس العمل نشان میدهد. یا اینطور بگیم که به تصویر نمایش داده شده (تصویر هدف) توجه می کند.
در این هنگام بعد از 300 میلی ثانیه پتانسیلی رخ میدهد که به آن p300 میگویم.
و زمانی که تصویر غیر هدف باشد، توجهی صورت نگرفته و در نتیجه p300 تولید نمیشود
➖➖➖➖➖
@IUST_Bioelecteric

مراحلی که یک مهندس پزشک جهت تشخیص p300 باید انجام دهد
#تشخیص_p300
1-ثبت سیگنال
2- پردازش سیگنال
- کاهش نویز
- استخراج ویژگی
- طبقه بندی
3- صدور فرمان
➖➖➖➖➖
@IUST_Bioelecteric

♿️معلولیت محدویت نیست، البته در چنین کشورهایی👌
🔹نمونه کوچکی از امکانات آماده شده جهت راحتی و آسودگی معلولان در آلمان

3 دسامبر روزی جهانی معلولان گرامی باد🙏🌹
➖➖➖➖➖
@IUST_Bioelecteric

♿️ آیا در ایران معلولیت محدویت نیست!؟🤔
#ایران
➖➖➖➖➖
@IUST_Bioelecteric

👩‍🏫👨‍🏫 روز دانشجو بر شما دانشجویان سرسخت مبارک👌

➖➖➖➖➖
@IUST_Bioelecteric

💡اگر اراده ای باشد، راهی وجود دارد...

➖➖➖➖
@IUST_Bioelecteric

✅ درس شناسایی آماری الگو (pattern recognition)

💡 بخش 1: مفهوم کلاسبندی و انواع کلاسبندها
👨‍🏫 نویسنده: محمد نوری زاده چرلو

📚شناسایی آماری الگو: (pattern recognition)
درس شناسایی آماری الگو، میشه گفت تقریبا اساس بیشتر پروژه های مهندسی مخصوصا مهندسی پزشکی است و جزء دروسی است که در اکثر دانشگاه‌های معتبر از جمله دانشگاه‌های تهران ارائه می‌شود و در اکثر پروژه‌های مهندسی پزشکی از مباحث این درس استفاده می‌شود. دانشجویانی که این درس را گذرانده باشند مطمئنا" در انجام پایان‌نامه خود موفق خواهند بود.
تشخیص الگو شاخه ای از یادگیری ماشین است که بر تشخیص الگوها در داده ها تمرکز دارد. سیستم های تشخیص الگو در بسیاری از موارد توسط داده های برچسب‌دار (یادگیری با نظارت) آموزش داده می شوند، اما زمانی که برچسب داده در دسترس نباشد، الگوریتم های دیگر می توانند برای کشف الگوهایی که قبلا ناشناخته بودند،(یادگیری بدون ناظر) استفاده شوند.
https://en.wikipedia.org/wiki/Pattern_recognition

🔺مفهوم کلاسبندی:
در یادگیری ماشین، جزء دسته یادگیری با نظارت است، یعنی ورودی و خروجی مشخص هست و قرار است کلاسبند رابطه بین ورودی و خروجی را مشخص کند. به عبارت دیگر در پروسه آموزش لیبل هر کلاس از قبل مشخص است.

🔺انواع کلاسبندها
1️⃣ کلاسبندهای پارامتری
دانش قبلی در مورد داده داریم. یعنی میدانیم که داده چه توزیعی دارد. برای مثال اگر از قبل بدانیم توزیع داده نرمال است و در اینصورت مسئله به تعیین پارامترهای این توزیع(میانگن و واریانس) تبدیل می شود.
این کلاسبندها زمانی که فرضیه ها درست باشد، (یعنی دانش قبلی ما دقیق باشد) نتایج کلاسبندی خیلی خوبی خواهند داشت ولی اگه اطلاعات کافی نداشته باشیم، و فرضیات درست نباشد، نتیجه کلاسبندی بد خواهد شد.

🔺توزیع نرمال چیه اونوقت؟🤔😒
توزیع نرمال ، یکی از مهمترین توزیع ها در نظریه احتمال است. و کاربردهای بسیاری در علم فیزیک و مهندسی دارد.این توزیع توسط کارل فریدریش گاوس در رابطه با کاربرد روش کمترین مربعات در آمارگیری کشف شد.فرمول آن بر حسب ،دو پارامتر امید ریاضی و واریانس بیان میشود. همچنین تابع توزیع نرمال یا گاوس از مهمترین توابعی است که در مباحث آمار و احتمالات مورد بررسی قرار می گیرد چرا که به تجربه ثابت شده است که در دنیای اطراف ما توزیع بسیاری از متغیرهای طبیعی از همین تابع پیروی می کنند.
توضیحات بیشتر:
https://en.wikipedia.org/wiki/Normal_distribution
http://daneshnameh.roshd.ir/mavara/mavara-index.php?page=%D8%AA%D9%88%D8%B2%DB%8C%D8%B9+%D9%86%D8%B1%D9%85%D8%A7%D9%84&SSOReturnPage=Check&Rand=0

2️⃣کلاسبندهای غیر پارامتری
هیچ دانشی در مورد توزیع داده نداریم، و فقط براساس آموزش، شکل و فرم توزیع نمونه ها تخمین زده می شود و هر چقدر تعداد نمونه های آموزشی بیشتر باشد، نتایج بهتر خواهد شد.
◀️ از کلاسبندهای غیرپارامتری میتوان کلاسبند svm، knn، شبکه های عصبی و ... نام برد.
◀️ از کلاسبندهای پارامتری میتوان کلاسبند بیزین، کلاسبند حداقل فاصله اقلیدسی و ماهالانوبیس، ماکزیمم شباهت و ... نام برد.
https://en.wikipedia.org/wiki/Nonparametric_statistics


🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

1️⃣ دوره عملی شناسایی آماری الگو
2️⃣ دوره شناسایی آماری الگو در پردازش سیگنال (دوره جامع مهندسی پزشکی)
3️⃣ دوره شناسایی آماری الگو در پردازش تصویر
4️⃣ دوره تخصصی پیاده سازی شبکه های عصبی در متلب

➖➖➖➖➖
@IUST_Bioelecteric

✅ پروسه ای که در یک پروژه #شناسایی_الگو باید انجام شود:
1- ثبت داده
2- پیش پردازش
3- استخراج ویژگی
4- انتخاب ویژگی- کاهش ابعاد
5- کلاسبندی- خوشه بندی
➖➖➖➖➖
@IUST_Bioelecteric

✅ کلاسبند بیزین:
🔺قضیه بیز:
روشی برای دسته بندی پدیده‌ها، بر پایه احتمال وقوع یا عدم وقوع یک پدیده‌است و در نظریه احتمالات با اهمیت و پرکاربرد است. اگر برای فضای نمونه‌ای مفروضی بتوانیم چنان افرازی انتخاب کنیم که با دانستن اینکه کدامیک از پیشامدهای افراز شده رخ داده‌است، بخش مهمی ازعدم‌اطمینان تقلیل می یابد.
این قضیه از آن جهت مفید است که می‌توان از طریق آن احتمال یک پیشامد را با مشروط کردن نسبت به وقوع یا عدم وقوع یک پیشامد دیگر محاسبه کرد. در بسیاری از حالت‌ها، محاسبهٔ احتمال یک پیشامد به صورت مستقیم کاری دشوار است. با استفاده از این قضیه و مشروط کردن پیشامد مورد نظر نسبت به پیشامد دیگر، می‌توان احتمال مورد نظر را محاسبه کرد. این رابطه به خاطر بزرگداشت توماس بیز فیلسوف انگلیسی به نام فرمول بیز معروف است.

کلاسبند بیزین یک روش آماری بسیار قوی است که برای کلاسبندی الگوها استفاده می شود.
💡کلاسبند بهینه کلاسبندی است که بتواند دانش قبلی که بدون اندازه گیری بدست می آید را با اطلاعات اندازه گیری شده ترکیب کند. چون هر دوی این اطلاعات در تصمیم گیری کمک کننده هستند ولی به تنهایی کارایی خوبی ندارند. ولی زمانی که این دو اطلاعات باهم ترکیب شوند باعث تصمیم گیری دقیق می شوند.
🔺 کلاسبند بیزین دانش قبلی را با استفاده از اطلاعات اندازه گیری شده به احتمالات پسیین تبدیل می کند که نقش تعیین کلاس را دارد، از اینرو اگر اطلاعات ما دقیق باشد، کلاسبند بیزین بهینه ترین کلاسبند است.
#کلاسبند_بیزین
#کلاسبندی
#شناسایی_الگو

❇️خلاصه ای از مطالب دوره تخصصی جامع مهندسی پزشکی
🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق
➖➖➖➖➖
@IUST_Bioelecteric

✅ کلیات کلاسبند بیزین در یک تصویر👌
#کلاسبند_بیزین
➖➖➖➖➖
@IUST_Bioelecteric

«زین‌العابدین #نوابی درحال تدریس مدار منطقی»
ترجمه: اگه سوالی پیش اومد همون لحظه بپرسین😁😃
➖➖➖➖➖
@IUST_Bioelecteric

🌀 برنده ها هرگز متوقف نمی شوند...

➖➖➖➖➖
@IUST_Bioelecteric

📚تمرینات سری سوم #دوره_جامع_مهندسی_پزشکی
سوالات به همراه داده در فایل زیپ قرار دارند
داده EEGصرع+داده سرطان سینه+سیگنال ECG
جواب تمرینات را به آیدی زیر بفرستید:
@Bio_engineerr
➖➖➖➖➖
@IUST_Bioelecteric

📚تمرینات سری سوم #دوره_تخصصی پیاده‌سازی شبکه‌های عصبی در متلب
داده مربوط به #سرطان_سینه در فایل زیپ قرار دارد.
جواب تمرینات را به آیدی زیر بفرستید:
@Bio_engineerr
➖➖➖➖➖
@IUST_Bioelecteric

✅ واسط مغز و کامپیوتر (BCI)
💡 بخش5: پتانسیل عمل و سیگنال EEG

👨‍🏫 نویسنده: مهندس کامیار نوری
✍️ در مغز جمعيت بسيار زيادي از سلولهاي عصبي وجود دارند كه هر دسته از آنها وظيفة خاصي به عهده دارند؛ به عنوان مثال سلولهاي گليا وظيفة يکسري از پردازشهاي مربوط به فعاليت سلولها را بر عهده دارند. اين انبوه نورونها از طريق دندريتها و آکسونها در سيناپسها با يکديگر در ارتباطند و شبكة بسيار پيچيدهاي را بوجود می‌آورند.
اين پتانسيلها به صورت يک تغيير در اختلاف پتانسيل حالت استراحت سلول و توسط ميکروالکترودي که داخل سلول جاي گرفته است قابل ثبت است. عمدة اين فعاليت ناشي از تحريکات سيناپسي است. اين تحريک سيناپس يک سلول، سبب تغيير در پتانسيل استراحت غشاي سلول می‌گردد و اين باعث فعال شدن غشاي مجاور می‌گردد و ناحية همسايگي خود را از استراحت خارج می‌کند و اين ناحية تحريک شدة جديد همين عمل را با همسايگي خود انجام می‌دهد و بدين ترتيب اين پتانسيل تمام طول سلول و آکسون را طي می‌کند تا به انتهاي آن می‌رسد و در آنجا با تحريک دندريتهاي سلولهاي مجاور که قابليت تحريک شدن را داشته باشند باعث تحريک آنها می‌گردد واين رويه تا انتها ادامه می‌يابد
وجود پسخورد در قسمتهاي مختلف اين شبكه سبب بوجود آمدن نوساناتي در بخشهايي از آن می‌شود و بطور كلي هر چه تعداد نورونهايي كه با يكديگر و هماهنگ كار می‌كنند بيشتر باشد، فركانس نوسان پايينتر و دامنه بيشتر می‌شود. برآيند اين پتانسيلها که قابل ثبت هستند را سیگنال EEG می‌گويند. اين بدين معني است كه احتمالاً با پردازش سيگنال EEG می‌توان تا حدودي به ميزان و نحوة فعاليت ذهن پي برد.

#واسط_مغزوکامپیوتر
#پردازش_سیگنال
#ERP
#P300
#BCI
پست ادامه دارد.....
🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

✅ واسط مغز و کامپیوتر (BCI)
💡 بخش6: پدیده های نوروفیزیولوژیکی قابل شناسایی در سیگنال EEG
👨‍🏫 نویسنده: مهندس کامیار نوری-محمد نوری زاده چرلو

✍️در هنگام انجام فعالیتهای مغزی مختلف، پدیدههای نوروفیزیولوژیکی رخ میدهد که برخی از آنها را می‌توان در سیگنال EEG شناسایی کرد. برخی از این پدیده ها به یک محرک بیرونی وابسته هستند و برخی از آنها بدون وجود محرک بیرونی و در طی انجام کارهای عادی در مغز پدیدار می‌شـوند و توانایی تولید برخی دیگر بعد از انجام یک فرایند یادگیری ایجاد می‌گردد. در این بخش برخی از این پدیده ها معرفی شده است.

❇️ رخداد P300:
🔺 رخداد P300یک نقطه اوج در پتانسیل الکتریکی سیگنال EEGاست که در حدود300 میلی ثانیه بعد از وقوع یک محرک نادر ولی مورد انتظار ظاهر می‌شود.این پدیده حاصل یک فرایند طبیعی در مغز است و بدون نیاز به هرگونه آموزش به فرد، در سیگنال مغزی وی ایجاد می‌شود، موج P300از پتانسيل هاي برانگيخته با منشاء دروني است که به دليل پايداري در افراد مبتلا به ناتواني هاي شديد جسمي و حتي مغزي مورد توجه فراوان قرار گرفته است. دامنه اين موج در مقايسه با نويزهاي محيطي، آرتيفکتهاي حرکتي و اغتشاش پلک زدن بسيار ضعيف است. بنابراين براي ايجاد يک رابط مغز-کامپيوتر قابل اعتماد با دقت مناسب در يک شخص، نياز به استفاده از چند بار تحريک و ثبت مکرر سيگنال EEGاست. کاهش تعداد ثبتهاي EEGو در عين حال حفظ دقت تشخيص حضور ، P300از عمده ترين اهداف مطالعات انجام گرفته در زمينة ايجاد رابط مغز-کامپيوتر با استفاده از P300 است. در واسطهای مغز و رایانه مبتنی برp300، هر محرک (حروف الفبا یا عکس) معادل یک مفهوم یا دستور مشخص برای واسط است. زمانی که محرک مورد نظر کاربر در میان تعداد زیادی از محرکهای دیگر ظاهر می‌شود الگوی P300ظاهر خواهد شد و واسط مغز و رایانه، محرک مورد نظر کاربر را تشخیص داده و دستورات لازم را به دستگاه خارجی ارسال میکند. در اغلب کارهاي انجام شده در زمينة P300 از نظرموقعيت مکاني، سيگنال از سه کانال موجود روي خط وسط سر يعني Cz ،Pzو Fz ثبت شده است. تحقيقات نشان داده است در اغلب موارد ، P300داراي بيشترين دامنه در ناحيه آهيانه (محل الکترود (Pzو کمترين دامنه در ناحيه پيشاني (محل الکترود (Fzاست .(Pz>Cz>Fz) هر چند که در اغلب کاربردهاي BCIدر حالت تک کاناله، کانال Czرا انتخاب می‌کنند.

❇️ پتانسیل برانگیخته حالت پایدار بینایی یا (SSVEP):
🔺 زمانی که یک محرک چشمکزن با فرکانس ثابت بزرگتر از 5هرتز به فرد نمایش داده شود، یک افزایش انرژی در همان طیف فرکانسی از سیگنال ،EEGدر ناحیه پس سری (بخش بینایی مغز) ایجاد می‌شود، در کاربردهای مبتنی بر SSVEP، کاربر میبایست به محرک مورد نظر خود در صفحه نمایش خیره شود محرکهای مختلف بــا فرکانسهای متفاوت چشمک زده و در نتیجه پتانسیل مربوط به آن مولفه فرکانســی افزایش خواهد یافت که کاربر به محرک متناظر با آن خیره شده است.


#واسط_مغزوکامپیوتر
#پردازش_سیگنال
#ERP
#P300
#BCI
#SSVEP
پست ادامه دارد.....
🌀 کاری از گروه تخصصی و آموزشی دانشجویان دانشگاه علم و صنعت تهران
✅ برگزار کننده دوره های #تخصصی و #پروژه_محور مهندسی پزشکی و برق

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

سیگنال ssvep:
پاسخ طبیعی سیگنالهای مغزی به تحریکهای بینایی در فرکانسهای خاص(3.5-75 Hertz) می باشد.

@iust_bioelecteric

سیگنال ssvep:
پاسخ طبیعی سیگنالهای مغزی به تحریکهای بینایی در فرکانسهای خاص(3.5-75 Hertz) می باشد.
وقتی رتینا توسط محرک عصبی با فرکانسهای خاص تحریک می شود، مغز فعالیت الکتریکی با همان فرکانس تحریک بینایی تولید می کند.

@IUST_Bioelecteric