مطالعات معتبر ثابت کرده اند که الگوریتم csp در پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی نسبت به سایر رویکردها عملکرد بهتری دارد.
اما با این حال این الگوریتم دارای یک سری محدودیتهایی هست که محققان مختلفی این محدودیتها را عنوان کرده و راه حلی را برای رفع آنها مطرح کرده اند که منجر به ارائه الگوریتمهای بهتری در مقایسه با csp شده است .
الگوریتمهای مختلفی از قبیل:
FBCSP
CSSP
CSSSP
RCSP
...

در جهت رفع مشکلات CSP ارائه شده اند.
دوستانی که دوره تصور حرکتی را نگاه کرده باشند خیلی راحت میتونن دو الگوریتم CSSP و FBCSP را ترکیب کنند و یک الگوریتم کارآمدتری بدست بیاورند. که نتیجه بهتری را ارائه خواهد داد.
کافیست در الگوریتم FBCSP به جای CSP از CSSP استفاده کنند...
@onlinebme

✅پردازش تصویر: آستانه گذاری تصویر

✍ آستانه گذاری تصویر یکی از ساده ترین روشهای ناحیه بندی تصویر است که در آن مقدار پیکسلهای یک تصویر را به صفر و یک تبدیل می شود. به طور کلی در آستانه گذاری تصویر، در ابتدا یک مقدار سطح آستانه برای پیکسلهای تصویر(که میتواند یک سطح آستانه سراسری برای همه پیکسلها باشد، و یا به ازای هر پیکسل یک سطح آستانه جداگانه ای باشد) مشخص می‌کنیم. سپس مقدار پیکسل‌های تصویر با سطح آستانه مقایسه می‌کنیم و اگر شدت روشنایی پیکسل بزرگتر از حد آستانه باشد به سفید و اگر کمتر باشد به سیاه تبدیل می‌کنیم. که در نتیجه آن، یک تصویر رنگی یا سطح خاکستری به یک تصویر باینری(سیاه و سفید) تبدیل می‌شود. در بیشتر مواقع ما از آستانه‌گذاری به عنوان یک روشی برای انتخاب نواحی مورد نظر تصویر، و حذف نواحی ای که برای ما اهیمت ندارد استفاده می‌کنیم.

⭕️ جزئیات بیشتر👇👇
https://onlinebme.com/image-thresholding/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Machine learning
#fun
@onlinebme

Ttest-and-pvalue
#fun
@onlinebme

✅ لایو در اینستاگرام
موضوع: آشنایی با مشاغل
میهمان: خانم فرزانه یوسفی( مدیر عامل نوروچلنج)
میزبان: onlinebme

⏰ زمان: چهارشنبه ۹ تیر- ساعت 21:00
@onlinebme

✅ آستانه‌گذاری تصویر را با روش اتسو

✍ روش اتسو یکی از معروفترین روشهای آستانه‌گذاری سراسری تصویر است که از روی هیستوگرام تصویر یک حد آستانه مناسب پیدا می‌کند. روش اتسو در تصاویری خوب عمل می‌کند که هیستوگرام آنها شامل دو قله باشد. این روش آستانه‎‌ای انتخاب می‌کند که باعث شود دو قله هیستوگرام به طور کامل از هم تفکیک شوند. به عبارتی روش اتسو حد آستانه‌ای انتخاب می کند که دارای بیشتر واریانس بین کلاسی داشته باشد.

⭕️جزئیات بیشتر👇👇
https://onlinebme.com/otsu-thresholding

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ الگوهای مکانی مشترک(CSP)

✍ الگوهای مکانی مشترک(common spatial patterns) یک روش استخراج ویژگی هست که در پردازش سیگنال EEG استفاده می‌شود. الگوریتم CSP تعداد کانالهای سیگنال مغزی را به تعداد کانال کمتری کاهش میدهد، به طوری که واریانس کلاسها در یک جهت ماکزیمم و در جهت دیگر مینیمم شوند. الگوریتم CSP برای اولین بار برای تشخیص abnormalities مطرح شد و پس از آن برای تفکیک الگوهای تصور حرکتی استفاده شد. مطالعات نشان داده اند که الگوریتم CSP در کلاسبندی داده‌هایEEG  تصور حرکتی است نسبت به سایر روشهای استخراج ویژگی عملکرد بهتری دارد.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/common-spatial-patterns/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ تشخیص فرکانس SSVEP با روش تحلیل همبستگی کانونی (CCA)
✍ تجزیه و تحلیل همبستگی کانونی(canonical correlation analysis) یک روش آماری هست که برای محاسبه میزان همبستگی کانونی بین دو مجموعه‌ی چندمتغیره استفاده می‌شود. الگوریتم CCA یکی از رایجترین روشها برای تشخیص فرکانس SSVEP در واسط مغز و کامپیوتر است. برای تشخیص فرکانس SSVEP با کمک روش CCA، در ابتدا به ازای هر محرک بینایی یک سیگنال مرجع که متشکل از توابع سینوسی و کسینوسی هست، می‌سازند، سپس همبستگی کانونی سیگنال EEG را با تک تک سیگنال های مرجع محاسبه می‌کنند. فرکانس SSVEP برابر فرکانس محرک بینایی هست که با سیگنال مرجع آن بیشترین همبستگی کانونی را داشته باشد.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/canonical-correlation-analysis/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

لایو اینستاگرام: آشنایی با مشاغل عملی در ایران
اولین جلسه لایو اینستاگرام با گروه نورچلنج در راستای آشنایی با مشاغل علمی و تحقیقاتی در ایران برگزار شد. گروه نوروچلنج از شرکتهای فعالی هست که در زمینه ساخت گجتهای پوشیدنی بر پایه هوش مصنوعی و علوم شناختی فعالیت می‌کند. در این گفتگو در مورد مسائل مختلفی با خانم یوسفی پور،مدیرعامل شرکت نوروچلنج، صبحت کردیم.

⭕️جهت مشاهده ویدیوی کامل به سایت زیر مراجعه کنید:
https://onlinebme.com/live-instagram-1-neurochallenge/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ پردازش تصویر(فصل 3): فیلترهای مکانی
✍ در فصل سوم دوره جامع پردازش تصویر، انواع فیلترهای مکانی از جمله فیلتر متوسط‌گیری، فیلتر median، لاپلاسین، Sobel ، Prewitt، canny و wiener را پیاده سازی کرده‌ایم و از آنها در کاربردهای مختلفی مثل کاهش نویز تصویر، بهبود لبه‌های تصویر و آشکارسازی لبه‌های تصویر استفاده کرده‌ایم. در این فصل دو مقاله تخصصی به صورت صفر تا صد پیاده سازی شده اند.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/product/spatial-filters-in-image-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ لایو در اینستاگرام
موضوع: مقاله‌نویسی
میهمان: خانم یاسمن زمانی
میزبان: onlinebme

⏰ زمان: جمعه ۱ مرداد - ساعت 21:00
@onlinebme