✅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

✅مقدمه ای بر آموزش Autoencoderها


✍️هوش مصنوعی، طیف گسترده‌ای از فناوری‌ها و تکنیک‌ها را در برمی‌گیرد که سیستم‌های کامپیوتری را قادر می‌سازد تا مسائلی مانند فشرده سازی داده‌ها که در بینایی ماشین، شبکه‌های کامپیوتری، معماری کامپیوتر و بسیاری از زمینه های دیگر وجود دارند را حل کنند. Autoencoderها یا خودرمزنگارها، شبکه‌های عصبی بدون ناظر هستند که از یادگیری ماشین برای فشرده سازی داده استفاده می‌کنند. در این مقاله به معرفی این شبکه‌ها می‌پردازیم.

⭕️ جزئیات بیشتر 👇

https://onlinebme.com/autoencoders/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

ما پنجاه سال پیش یک اشتباهی کردیم و الان هم داریم تاوانش رو میدهیم...
#مغز
@Onlinebme

✅ ساخت dataloader سفارشی با کمک DataLoader و Dataset پایتورچ

✍در پروژه های یادگیری ماشین، مخصوصا یادگیری عمیق، ما با حجم بسیار بالای داده (big data) روبرو هستیم. و هندل کردن چنین داده ای جهت آموزش یک شبکه عصبی میتواند بسیار سخت و پیچیده باشد. از طرفی کدهای مربوط به پردازش نمونه‌ها  و آموزش شبکه عصبی هم میتواند بسیار شلوغ باشد. ما به طور ایده آل دوست داریم، که کد مربوط به آموزش مدل، با کد مربوط به داده جدا باشد تا یک کد خوانا و مدولار داشته باشیم. پایتورچ برای حل این مسئله دو تا کلاس به اسم Dataset و DataLoader دارد که کار با داده را بسیار ساده و راحت می‌کنند. در این پست میخواهیم با Dataset و DataLoader آشنا شویم و در آخر هم توضیح میدهیم که چطور میتوان یک DataLoader اختصاصی برای داده خود با کمک ابزار PyTorch بسازیم.

🔘 جزئیات بیشتر 👇
🌀https://onlinebme.com/creat-a-custom-dataset-in-pytorch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅تحلیل سیگنال‌های MEG/EEG با کتابخانه MNE پایتون


✍در این مقاله به تحلیل سیگنال‌های EEG/MEG با استفاده از پکیج MNE-Python می‌پردازیم. اینکه چطور دیتاست را بخوانیم، ترایال‌ها را جدا کنیم و یا آنها را رسم کنیم. در این مقاله مهم‌ترین ساختار داده‌های پکیج MNE-Python معرفی می‌شوند: Raw, Epochs.

⭕️ جزئیات بیشتر 👇

https://onlinebme.com/meg-eeg-signal-analysis-using-mne-python/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme