✅مقدمه‌ای بر EEG Spectrogram (طیف نگاری سیگنال EEG)


✍️از آنجاییکه نظارت پیوسته‌ بر عملکرد مغز به بخش رایجی از مراقبت‌های بالینی تبدیل شده است، EEG پیوسته امکان تشخیص و شناسایی بهتر الگوهای بیماری (برای مثال صرع) را در بیماران بدحال فراهم کرده است. با این حال، افزایش حجم کاری باعث شده است که متخصصان زیادی به EEG کمی روی بیاورد که ابزار اصلی آن «طیف نگاری» یا spectrogram است. در این مقاله توضیح می‌دهیم که چگونه می‌توان درک دقیقی از ارتباط spectrogram با EEG خام بدست آورد. متوجه خواهیم شد که چگونه spectrogram ها، اطلاعات مربوط به EEG خام را رمزگذاری می‌کنند و چگونه می‌توان آنها را تفسیر کرد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/eeg-spectrogram/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام
وقت همگی بخیر
دوره پایتورچ از این هفته برگزار خواهد شد.

🔷هفته ای یک جلسه ۴ ساعته خواهیم داشت

💡هر جلسه یک پروژه داریم، برای همین هفته ای یک جلسه برگزار می‌کنیم تا شرکت کنندگان فرصت کافی برای مرور مباحث و انجام پروژه رو داشته باشند

🔺بعد از ارسال گزارش پروژه، همون هفته بررسی میشه و نکات لازم جهت بهبود فرایند کار برای هر فرد ارائه میشه

🔷 ویدیوی هر جلسه ضبط خواهد شد، بعد از ادیت همون هفته به همراه سایر محتوا، در اختیار همه شرکت کنندگان دوره (آنلاین و آفلاین) قرار می‌گیرد.

✅در این با دوره تئوری و ریاضیات شبکه‌های عصبی (توابع هزینه، روش‌های بهینه‌سازی، توابع فعال، ... ) آشنا میشیم و یاد میگیریم که چطور میشه شبکه‌های عصبی را با توابع هزینه و روش بهینه‌سازی مدنظر پیاده‌سازی کنیم و یا اینکه  چطور از شبکه‌های عصبی در پروژه‌های عملی استفاده کنیم.

✅چه مهارت هایی در این دوره کسب می‌کنیم:

🟠یادگیری ریاضیات مرتبط با شبکه های عصبی
🟡آشنایی با انواع روشهای بهینه‌سازی در شبکه‌های عصبی
🟢 پیاده‌سازی  شبکه‌های عصبی
🔵استفاده از شبکه‌های عصبی در پروژه‌های تخصصی
🟣پیاده‌سازی مقالات مرتبط با شبکه‌های عصبی
⚫️کار با کتابخانه PyTorch
⚪️ساخت dataloader
🔴طراحی شبکه عصبی با کمک ابزار PyTorch
🟢بدست دانش پایه لازم برای ورود تخصصی به حوزه دیپ لرنینگ 

1⃣ در فصل اول دوره پایتورچ رو معرفی می‌کنیم و با چارچوب کار در این محیط آشنا می‌شویم.

2⃣ در فصل دوم دوره کار با تنسورها رو یاد میگیریم: 
🔻ساخت تنسور
🔺آدرس‌دهی تنسور
🔻پیوند تنسورها
🔺عملیات ریاضیاتی/منطقی/مثلثاتی
🔻تبدیل آرایه به تنسور و برعکس

3⃣ در فصل سوم دوره با datasetها و datalaoder آشنا میشویم
🔻reading Datasets
🔺 customised dataloaders
🔻data batching
🔺 preprocessing

4⃣ در فصل چهارم دوره با شبکه عصبی پرسپترون تک لایه آشنا میشویم
🔻نورون
🔺پرسپترون تک لایه
🔻قانون پرسپترون
🔺رابطه وینرهاف
🔻گرادیان نزولی
🔺حداقل مربعات خطا
💡ایراد شبکه عصبی تک لایه

5⃣ در فصل پنجم شبکه عصبی پرسپترون چند لایه آشنا میشویم
🔷پس انتشار خطا
🔶توابع هزینه
🔻 MSE
🔺 Cross Entropy

💡روشهای بهینه‌سازی (تجزیه و تحلیل و پیاده‌سازی شبکه عصبی به ازای بهینه‌سازهای مختلف)
🔻SGD
🔺Momentum
🔻AdaGrad
🔺 RMSprop
🔻AdaDelta
🔺Adam

🔷توابع فعال و مشتقات آنها
🔻 Linear
🔺 Tanh
🔻 Sigmoid
🔺 ReLU
🔻 Softmax

6⃣ در فصل ششم هم شبکه های عصبی را با کمک پایتورچ پیاده سازی میکنیم
🔶طراحی شبکه عصبی چندلایه
🔷بررسی تاثیر توابع فعال بر عملکرد و روند یادگیری شبکه
🔶بررسی تاثیر تعداد لایه ها بر عملکرد و روند یادگیری شبکه
🔷پیاده سازی شبکه عصبی کانولوشنال (CNN)
🔶 نحوه ذخیره و بارگذاری شبکه های آموزش دیده در پایتورچ
 
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡این دوره بیسیک دیپ لرنینگ هست و هر فردی که میخواد به صورت تخصصی وارد حوزه دیپ لرنینگ شود این دوره خیلی میتونه براش مفید باشه

امیدوارم کنار هم دوره خوبی رو تجربه کنیم😊
 
@Onlinebme

🔥معرفی اجمالی کتابخانه PyTorch
✍پایتورچ یک فریم ورک یادگیری ماشین مبتنی بر کتابخانه Torch است. یک کتابخانه قدرتمند پایتون برای کاربردهایی مثل بینایی ماشین و پردازش زبان طبیعی است که اولین بار توسط تیم هوش مصنوعی متا (فیسبوک) توسعه پیدا کرد و در سال 2016 منتشر شد.

🔷پایتورچ ماهیت پایتونیک دارد که باعث میشه یادگیری اون در مقایسه به سایر فریم‌‎ورکها بسیار ساده‌تر باشد.

💡پایتورچ برای افزایش سرعت و انعطاف در پیاده‌‎سازی شبکه‌های عصبی عمیق طراحی شده است و برای همین یکی از فریم ورک‌های ترجیحی برای تحقیقات یادگیری عمیق است.
در این پست میخواهیم با PyTorch و قابلیتهای آن آشنا شویم.

⭕️ جزئیات بیشتر 👇
PyTorch
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅روش‌های رایج اعمال سیگنال EEG به عنوان ورودی به شبکه‌های عمیق


✍️اخیراً سیگنال‌های EEG توجه فزاینده‌ای را به خود جلب کرده‌اند. کلاسبندی سیگنال‌های EEG به دلیل ماهیت دینامیکی سیگنال، نسبت سیگنال به نویز کم، پیچیدگی و وابستگی به موقعیت سنسور بسیار دشوار است. الگوریتم‌های یادگیری عمیق، افق روشنی را برای کلاسبندی این سیگنال‌های دشوار فراهم کرده‌اند.
اگر تاکنون مقالات مربوط به BCI با شبکه‌های یادگیری عمیق را مطالعه کرده باشید، احتمالاً متوجه شده‌اید که هر یک سعی کرده‌اند سیگنال EEG را به شیوه‌ای خاص به عنوان ورودی به شبکه‌ی عمیقی مانند CNN بدهند. بعضی سیگنال اصلی و اولیه را به همان صورتی که هست به ورودی شبکه اعمال کرده‌اند و بعضی دیگر آن را به تصاویر spectrogram یا scalogram تبدیل کرده‌اند. در این مقاله، چند مورد از رایج ترین روش‌های اعمال سیگنال EEG به شبکه‌های عمیق را مورد بررسی قرار می‌دهیم.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/%d9%8d%d9%8deeg-signal-processing-using-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅شبکه EEGNet: یک شبکه عصبی کانولوشنی فشرده برای BCIهای مبتنی بر EEG

✍️در این مقاله، EEGNet را معرفی می‌کنیم که یک شبکه CNN فشرده برای کلاسبندی و تفسیر BCIهای مبتنی بر EEG است. کاربرد کانولوشن‌های Depthwise و Separable که قبلاً در حوزه‌ی بینایی ماشین استفاده می‌شده را برای ساخت یک شبکه خاص EEG معرفی می‌کنیم که چندین مفهوم شناخته شده‌ی استخراج ویژگی EEG را در بر می‌گیرند. مانند فیلترهای مکانی بهینه و ساخت بانک فیلتری و در عین حال به طور همزمان تعداد پارامترهای قابل آموزش در این شبکه در مقایسه با رویکردهای موجود کاهش می‌یابد.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/eegnet-architecture/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتورچ
📝 تمرینات فصل دوم: تنسورها
🔷سری اول

@Onlinebme

🔥 تفاوت تنسور PyTorch با آرایه NumPy 

🔷تنسورهای پایتورچ بسیار شبیه به آرایه‌های نامپای هستند. از آنها هم برای ذخیره و عملیات روی آرایه‌های عددی استفاده می‌شود. اما با این حال یک سری تفاوتهایی بین آنها وجود دارد. در این پست شباهت‌ها و تفاوت‌های بین آرایه‌های نامپای و تنسورهای پایتورچ را بررسی می‌کنیم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/difference-between-pytorch-tensor-and-numpy-array/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتورچ
📝 پروژه فصل دوم: تنسورها
🔷 پیاده‌سازی الگوریتم KNN

@Onlinebme

✅پکیج MNE: پکیج پایتون برای بررسی، تجسم سازی و تحلیل داده‌های فیزیولوژیکی انسان: MEG, EEG, SEEG, ECoG, NIRS

✍️اگر تابحال مقالات مربوط به حوزه ی BCI را مطالعه کرده باشید احتمالاً متوجه شده‌اید که اگر داده‌ها در محیط پایتون پردازش شده باشند به احتمال زیاد از پکیج MNE برای این منظور استفاده شده است. برای پیش پردازش، جداکردن ترایال‌ها و نمایش سیگنال و … . در این مقاله به معرفی این پکیج می‌پردازیم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/mne-python_package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتورچ
📝 تمرینات فصل سوم: Datasets
🔷سری دوم

@Onlinebme

✅ خواندن داده‌ با فرمتهای مختلف در پایتون
🔷در هر پروژه‌ی یادگیری ماشین، در ابتدا لازم هست که داده را با کمک ابزاری خوانده و وارد محیط برنامه نویسی پایتون بکنیم. در پایتون کتابخانه های مختلفی هست که میتوانیم با کمکشون داده به فرمتهای مختلف را بخوانیم. در این پست توضیح میدهیم که چطور متیوان با استفاده از کتابخانه هایی نظیر NumPy، Pandas و SciPy داده به فرمتهای مختلف را وارد محیط برنامه نویسی پایتون کرد.

⭕️جزئیات بیشتر👇
🔘https://onlinebme.com/data-reading-in-python-using-numpyscipy-pandas/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅نحوه ی نصب و راه اندازی پکیج MNE پایتون

✍️پکیج MNE پایتون، جامع‌ترین پکیج برای خواندن، تحلیل و پردازش و تجسم سازی داده‌های فیزیولوژیکی انسان مانند سیگنال‌های EEG, MEG و … است. بسیاری از دیتاست‌های مربوط یا الگوریتم‌های موردنیاز برای پردازش داده‌ها در این پکیج از قبل توسعه داده شده‌اند و توابع زیادی برای خواندن، جدا کردن ترایال‌ها، پیش پردازش و … در این پکیج وجود دارند. اما قبل از شروع به استفاده از آن لازم است آن را نصب کنیم. در این مقاله به بررسی نحوه ی نصب و راه اندازی این پکیج می‌پردازیم.

⭕️ جزئیات بیشتر 👇

https://onlinebme.com/mne-python-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ سه متد جادویی init ،call و getitem در برنامه نویسی شئی گرای پایتون

✍ یکی از ویژگی های خیلی خوب برنامه نویسی شئی گرا، متدهای جادویی است. میشه گفت متدهای جادویی در برنامه نویسی شئی گرا همه چیز هستند و با تعریفشون به معنای واقعی جادو به کدهامون اضافه می‌کنیم. متدهای جادویی هر کدام کار خاصی انجام می‌دهند و میتوانیم یک یا چند تا از آنها را در داخل یک کلاس تعریف کنیم. سه متد جادویی init، call و getitem در طراحی  DataLoader ها و شبکه‌های عصبی عمیق در پایتورچ بسیار پرکاربرد هستند. برای همین در این پست قصد داریم با یک مثال عملی با هر سه متد و تفاوتشون آشنا شویم.

🔘جزئیات بیشتر 👇
🌀https://onlinebme.com/magic-methods-in-python/

🏢 آکادمی آنلاین مهندسی پزشکی و  هوش مصنوعی
@Onlinebme