✅ آموزش نصب و نحوه استفاده از GitHub Copilot در VsCode

💡اخیرا VsCode یک افزونه ای به نام GitHub Copilot  معرفی کرده که روند کدنویسی رو بسیار بهینه و تسهیل کرده  که با استفاده از اون، تنها با یک prompt مناسب، میتونید در عرض چند ثانیه کد پروژه مدنظرتون رو تولید کنید. داشتن همچین افزونه ای مثل این میمونه که یک دستیار هوشمند در کنارتون دارید و هرچی بخواهید ازش سریع براتون انجام میده.

🔷 افزونه GitHub Copilot به عنوان یکی از پیشرفته‌ ترین ابزارهای برنامه نویسی مبتنی بر هوش مصنوعی، میتونه فرآیند نوشتن کد را بسیار سریع‌تر و هوشمندتر بکنه.  این ابزار با ارائه ی پیشنهادهای کدنویسی در لحظه، به افراد کمک میکنه تا در زمان کمتر، کدهای بهتر و استانداردتری بنویسند.

🤷چرا GitHub Copilot رو نصب کنیم؟
◾️صرفه‌جویی در زمان کدنویسی
◾️کمک به یادگیری بهتر ساختارهای کدنویسی
◾️افزایش دقت در کدنویسی الگوریتم‌ها
◾️دریافت پیشنهادهای خلاقانه
◾️ ویرایش لحظه ای کد

در یک ویدیویی روال نصب و کار با این ابزار رو توضیح دادم.
⭕️ جزییات بیشتر 👇👇
https://onlinebme.com/github-copilot-in-vscode/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ ماشین بردار پشتیبان SVMs
✍ماشین بردار پشتیبان یکی از مهمترین روش‌های یادگیری با ناظر است که هم برای مسائل طبقه‌بندی و هم رگرسیون به کار میرود (البته مدل طبقه‌بندی آن محبوبیت بیشتری بین محققین دارد!). تابع هزینه این الگوریتم طوری طراحی شده که به الگوریتم کمک می‌کند بهینه ترین مرز تصمیم گیری را پیدا کند.این روش توسط آقای Vapnik معرفی شده و به طور گسترده‌ای در پروژه‌ها و مطالعات مختلف استفاده میشود.

💡دو مزیت اصلی SVM
◾️تابع هزینه محدب: «همیشه در مینیمم اصلی همگرا میشود!»
◽️کارایی بالا در ابعاد بالا: «از آنجا که SVM  به ابعاد حساس نیست و براساس بردارهای پشتیبان کار میکند.»
 
🔷 مرز بهینه (Optimum hyperplane)
در مسائل طبقه بندی، بهینه ترین مرز، مرزی هست که علاوه بر حداقل خطای تصمیم گیری، حاشیه امنیت بیشتری داشته باشه. یعنی مرزی پیدا کنه که بیشترین فاصله رو از گروه‌ها داشته باشه، تا در شرایط جدید که تغییرات اجتناب ناپذیر هست، باز مدل بتونه تصمیم گیری بهتری داشته باشد.  
مثل ایستادن بین دو دریاست. باید تا جایی که میشود از دو طرف آب فاصله بگیریم تا در هنگام جزر و مد کمتر خیس شویم!
 
💡تفاوت رویکرد Vapnik و Wiener  

◾️ ایده Wiener در Wiener-Hopf: آقای وینر دنبال مدلهایی بود که خروجی رو بر اساس حداقل کردن خطا بهینه سازی کنند. مثلا در فیلتر وینر هدف پیدا کردن بهترین تقریب خطی برای داده ها هست و در این رابطه به صورت صریح ماکزیمم کردن فاصله بین کلاسها بیان نشده است. برای همین مدل لزوما به بهینه ترین مرز نمی رسد.

◾️ ایده Vapnik در SVMs: وپنیک هدف رو فراتر برده است! یعنی علاوه بر کاهش خطا، پیدا کردن مرزی با بیشترین حاشیه‌ی امن بین کلاسها را هم به تابع هزینه اضافه کرد و همین رویکرد ضمانت میکنه که مدل به بهینه ترین مرز ممکن برسه (البته اگر چنین مرزی وجود داشته باشد!)
 
☑️ الگوریتم SVM در مقایسه با شبکه های عصبی

🔺همگرایی:  تابع هزینه SVM محدب است و مدل حتما در مینمم اصلی همگرا میشود.  برای همین اگر مسئله جواب داشته باشد، SVM حتما به بهترین مرز ممکن میرسد. اما تابع هزینه برای شبکه های عصبی غیر محدب است و احتمال اینکه مدل به جای مینیمم اصلی در مینیمم محلی گیر کند وجود دارد و همین باعث میشه شبکه های عصبی لزوما بهترین جواب ممکن برای مسئله را پیدا نکنند!

🔺 پیچیدگی محاسباتی: شبکه های عصبی پیچیدگی محاسباتی کمتری دارند! چرا که در آموزش نیاز به کل داده به صورت یکجا ندارند! و همین باعث میشه راحتتر (از لحاظ سخت افزاری) پیاده سازی کرد. اما در SVM نیازه که ماتریس کل داده رو برای حل مسئله Quadratic Programming بسازیم. این یعنی در حین یادگیری به کل داده‌ی آموزشی نیاز است، به همین دلیل آموزش SVM (مخصوصا در مسائل رگرسیون) روی دیتاست های بزرگ  کند و سنگین میشه! و در برخی موارد در کامپیوترهای شخصی عملا نمیتوان از SVM برای حل مسئله استفاده کرد.

💡البته stochastic SVM هم برای حل این مسئله ارائه شده که آپدیت پارامترها به صورت تدریجی و تقریبی انجام میشه، ولی در این نوع SVM تابع هزینه از حالت محدب در میاد و دیگه مدل لزوما به بهینه ترین مرز تصمیم گیری نمیرسد.

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

🔥 چالش 10 هفته ای یادگیری پایتون: هفته دوم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته دوم
◾️ آشنایی با لیست و متدهای آن
◾️آشنایی با رشته و متدهای آن
◾️ آشنایی با تاپل و متدهای آن
◾️آشنایی با دیکشنری و متدهای آن
◾️ آشنایی با فایل و متدهای آن

☑️ لطفا، تمرینات رو به صورت فایل زیپ شده ایمیل کنید. بعد از بررسی در همان ایمیل فیدبک لازم داده خواهد شد.
مهلت ارسال: 7 روز
موفق باشید

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ آموزش نصب تولباکس EEGLAB و تصویرسازی سیگنال EEG

✍ تولباکس EEGLAB یک ابزار بسیار قوی در محیط متلب برای پیش پردازش و تحلیل سیگنال های مغزی (EEG) هست. این تولباکس یک رابط گرافیکی تعاملی فراهم میکند که کار با داده های EEG را بسیار ساده تر میکند. با کمک ابزار متنوعی که در  EEGLAB تعبیه شده افراد میتوانند به راحتی سیگنال‌های مغزی را بارگذاری، پیش پردازش، تصویرسازی و در حوزه‌های زمان و فرکانس تحلیل کنند.

💡در این ویدیو ابتدا با نحوه اضافه کردن تولباکس EEGLAB به متلب آشنا می شویم، سپس یک نمونه تصویرسازی EEG انجام میدهیم. 

💡در این ویدیو مباحث زیر آموزش داده میشود:
☑️دانلود EEGLAB
☑️نصب EEGLAB
☑️خواندن سیگنال EEG
☑️آشنایی با اطلاعات مرتبط با EEG
☑️نمایش سیگنال EEG در حوزه زمان
☑️نمایش موقعیت کانالها
☑️نمایش سیگنال EEG در حوزه فرکانس (توپوگرافی و اسپکتروگرام)

⭕️جزییات بیشتر 👇👇

📷 Video 🔘Website

Next: EEG Preprocessing Pipeline in EEGlab

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️

🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆


〰〰〰 برنامه‌نویسی متلب 〰〰〰

🔲 اصول برنامه‌نویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link


〰〰〰 برنامه‌نویسی پایتون  〰〰〰

⚪️ فصل 1: اصول برنامه‌نویسی پایتون 
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link


〰〰 شناسایی الگو و یادگیری ماشین 〰〰

⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
 
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتم‌های کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتم‌های خوشه‌بندی
◽️مدت دوره: 13 ساعت
🔘 Link


〰〰〰〰 شبکه‌های عصبی 〰〰〰〰

⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link

⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link

〰〰〰 پردازش سیگنال مغزی 〰〰〰

⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link

⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link

〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰

⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link


〰〰〰〰〰 پردازش سیگنال قلبی 〰〰〰〰

⚪️ دوره پردازش سیگنال ECG
◽️مدت زمان دوره: 37 ساعت و 45 دقیقه
🔘 Link


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🔥 چالش 10 هفته ای یادگیری پایتون: هفته سوم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته سوم
◾️ آشنایی با آرایه های NumPy
◾️آشنایی ویژگی های آرایه ها
☑️ vectorization
☑️ Broadcasting

◾️ آشنایی با آدرس دهی آرایه ها
◾️ آشنایی با متدهای آرایه ها

☑️ لطفا، تمرینات رو به صورت فایل زیپ شده ایمیل کنید. بعد از بررسی در همان ایمیل فیدبک لازم داده خواهد شد.
مهلت ارسال: 7 روز
موفق باشید

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

🌀یادگیری جمعی (ensemble learning): فلسفه اصلی یادگیری جمعی این است که به جای اتکا به یک مدل منفرد، چندین مدل در کنار هم برای حل یک مسئله به کار گرفته شوند. این رویکرد با ترکیب خروجی مدل‌های مختلف، عملکرد کلی را بهبود میدهد و در بسیاری از موارد، خطای تعمیم (Generalization Error) را نسبت به یک مدل تکی کاهش می‌دهد. به عبارت دیگر، یادگیری جمعی احتمال بروز underfitting و overfitting  را کاهش می‌دهد. اما نکته مهم در اینجا، روش ترکیب و هماهنگی بین مدل‌ها است.
به طور کلی تکنیکهای یادگیری جمعی به چهار دسته تقسیم می شوند که در ادامه هر کدام را به صورت مختصر بررسی میکنیم.
 

1️⃣روش Voting: ساده ترین روش یادگیری جمعی. چندین مدل با ساختار متفاوت یا مشابه آموزش میبینند و تصمیم نهایی با رأی گیری از مدل‌ها انجام میشود.
در مسائل طبقه بندی: هر مدل یک لیبل برای داده ورودی پیش بینی میکند، و مقداری که بیشترین رأی را بیاورد، خروجی نهایی خواهد بود.
در رگرسیون: خروجی نهایی از میانگینِ خروجی مدلها محاسبه میشود.
🔹 مزیت: تصمیم گیری جمعی و کاهش بایاس مدل.
🔸 ایراد: رأی همه مدل‌ها یکسان در نظر گرفته می شود، حتی اگر دقت برخی مدل‌ها باهوش تر باشند!

2️⃣روش Stacking: مشابه Voting است، اما به جای رأی‌گیری ساده، از یک مدل یادگیرنده (معمولاً رگرسیون یا طبقه بندی خطی) استفاده می‌شود که یاد می‌گیرد چگونه خروجی مدل‌های قبلی را وزندهی کند.
🔹 مزیت:  رای گیری وزندار و منعطف تر از voting
🔸 ایراد: پیچیدگی بیشتر و نیاز به تنظیم دقیق. همچنین مثل voting، از استراتژی خاصی برای بهبود عملکرد مدل پایه استفاده نمی‌کند.
 
3️⃣روش Bagging (Bootstrap Aggregating): برای کاهش overfitting  طراحی شده است. مدل پایه (معمولاً مدلی با واریانس بالا مانند درخت تصمیم) روی نمونه‌های تصادفی مختلف از داده‌ها آموزش داده میشود.
در پروسه تصمیم گیری هر مدل خروجی جداگانه میدهد و خروجی نهایی از ترکیب آن‌ها (مثلاً رأی گیری یا میانگین‌ گیری) به دست می‌آید.
🔹 مزیت: مناسب برای داده‌هایی با احتمال overfitting یا تعداد داده کم.
🔸 ایراد: نیاز به تعداد زیادی مدل دارد و  اگر داده overfitting نداشته باشد، مزیت چندانی ندارد.

4️⃣روش Boosting: برخلاف Bagging که مدل‌ها به صورت مستقل آموزش می‌بینند، در Boosting مدل‌ها به صورت ترتیبی و با تمرکز بر اصلاح خطاهای مدل قبلی آموزش داده میشوند: Adaboost یکی از روشهای مشهور در این گروه است.
🔹 مزیت: مناسب برای حل مسائل سخت و بهبود چشمگیر دقت در بسیاری از موارد.
🔸 ایراد: مستعد overfitting  است و مدل پایه باید ضعیف باشد (یعنی کمی بهتر از تصادفی عمل کند- برای مثال حدودا 55-65 درصد برای مسائل دو کلاسه)، وگرنه باعث افت دقت میشود.

نتیجه‌گیری:
تکنیکهایEnsemble Learning  نه تنها یک ترفند ساده، بلکه یک استراتژی قدرتمند برای ساخت مدل‌های پایدار و دقیق در مسائل یادگیری ماشین هستند. انتخاب روش مناسب بستگی به نوع داده، مدل پایه، و هدف شما از آموزش دارد. 
 
💡کد متلب و پایتون روش‌های یادگیری جمعی
https://onlinebme.com/ensemble-learning-matlab-and-python-codes/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

من وقتی فقط 4 تا سوال رایگان میتونم از ChatGPT بپرسم!
@Onlinebme

🔥 چالش 10 هفته ای یادگیری پایتون: هفته چهارم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته چهارم
◾️ آشنایی با Matplotlib
◾️آشنایی متدهای نمودارها

☑️ لطفا، تمرینات رو به صورت فایل زیپ شده ایمیل کنید. بعد از بررسی در همان ایمیل فیدبک لازم داده خواهد شد.
مهلت ارسال: 7 روز
موفق باشید

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

🔥 رکورد جهانی گینس شکسته شد: حل مکعب روبیک در ٠.١ ثانیه توسط ربات!

تیمی از دانشجویان مدرسه مهندسی برق و کامپیوتر در دانشگاه پردو آمریکا موفق شدند با طراحی رباتی به نام «Purdubik’s Cube» مکعب روبیک 3x3 را فقط در ۰.۱۰۳ ثانیه حل کنند.
آنها با موفقیت خود رکورد جدیدی ثبت کرده‌اند که رکورد قبلی گینس را با فاصله‌ای چشمگیر شکسته است.

رکورد قبلی با ۰.۳۰۵ ثانیه در اختیار شرکت «میتسوبیشی الکتریک» بود و کمتر از یک سال دوام آورد اما ربات تیم دانشگاه پردو با حل روبیک در زمانی کمتر از یک‌سوم رکورد پیشین، جهش بزرگی در این حوزه رقم زده است. این زمان حتی از یک پلک‌زدن نیز سریع‌تر می‌تواند روبیک را حل کند؛ زیرا پلک‌زدن انسان بین ۲۰۰ تا ۳۰۰ میلی‌ثانیه طول می‌کشد.
Digiato

@Onlinebme

✅ الگوریتم ICA در مثال cocktail party برای جدا کردن صداهای مستقل

💡همین مفهوم در بحث پردازش سیگنال های مغزی استفاده می شود.

@Onlinebme

☑️پزشک متخصصی که میگه شغلش رو از دست خواهد داد!

💡 یک متخصص ریه با ۲۰ سال تجربه میگه: الان هوش مصنوعی سریعتر و دقیقتر از من میتونه عکسهای X-ray رو تحلیل کنه!

می‌گه قبلاً خودش خیلی سریع میتونست ذات‌الریه رو تشخیص بده، ولی حالا هوش مصنوعی این کارو توی چند ثانیه انجام میده!
واقعاً شگفت‌انگیزه!

@Onlinebme

🔥 چالش 10 هفته ای یادگیری پایتون: هفته پنجم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته پنجم
◾️ آشنایی با برنامه نویسی به سبک OOP

☑️ لطفا، تمرینات رو به صورت فایل زیپ شده ایمیل کنید. بعد از بررسی در همان ایمیل فیدبک لازم داده خواهد شد.
مهلت ارسال: 7 روز
موفق باشید

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

📺 آموزش کاربردی تولباکس EEGLAB- پیش پردازش سیگنال مغزی

📢 خوشحالم که اعلام کنم دوره‌ی آموزشی کوتاه مدت EEGLAB آماده شده و به صورت رایگان در وبسایت قرار گرفته است.

✅ در این دوره سعی کردم مراحل اصلی پیش‌پردازش سیگنال EEG در محیط EEGLAB رو به صورت مرحله به مرحله روی یک داده واقعی اموزش بدهم.
 
🔘دوره EEGLAB

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@Onlinebme

 🎯 فهرست مطالب دوره EEGLAB
🔹 نصب و راه‌اندازی  EEGLAB
🔹  خواندن و ذخیره سازی سیگنال EEG
🔹  تصویرسازی سیگنال EEG (حوزه زمان، طیف فرکانسی، توپوگرافی)
🔹  ریسمپلینگ سیگنال  EEG
🔹 فیلترینگ سیگنال EEG
🔹 نحوه Re-referencing
🔹 درونیابی کانالهای EEG
🔹 حذف آرتیفکت‌های بزرگ به صورت دستی
🔹 تحلیل کامل ICA  و  نحوه انتخاب مؤلفه‌های مناسب
🔹 آشنایی با ابزار ICLabel  برای لیبل‌گذاری و تشخیص نویز
🔹 حذف آرتیفکتهای EEG با استفاده از ICA
🔹 جداسازی Epoch ها و Baseline correction
 
 
💡الگوریتم ICA و EEG
حذف آرتفیکتهای EEG با کمک ICA یکی از مهمترین مراحل در پیش پردازش سیگنال EEG هست و برای اینکه بتوانیم به شکل بهینه از این ابزار برای کاهش نویز سیگنال مغزی استفاده کنیم، لازمش اینه که شناخت دقیقی از مولفه های ICA داشته باشیم. سعی کردم در این دوره روی این مبحث بیشتر تمرکز کنم و با تحلیل چندین نمونه ی مختلف، شناخت کافی نسبت به این مولفه ها داشته باشیم. یک وبسایت خوب هم جهت تحلیل، تمرین و تست معرفی کردم که خیلی میتونه در تحلیل مولفه های ICA کمک کننده باشند.

🔗 لینک ویدیوها:
🧠 نصب و راه اندازی  EEGLAB، تصویرسازی سیگنال  EEG
🧠 فیلترینگ و Resampling سیگنال  EEG
🧠 بحث Re-referencing  در EEGLAB
🧠  حذف دستی آرتیفکت‌ها و Channel interpolation
🧠 مفاهیم اولیه در مورد ICA
🧠 تحلیل مؤلفه‌های ICA
🧠 معرفی وبسایت ICLabel برای یادگیری تحلیل مولفه های ICA
🧠 حذف نویز EEG با کمک ICA
🧠 جداسازی Epochها و Baseline correction

 

رفتار من با ChatGPT بعد از صحبتهای هم‌بنیان‌گذار گوگل😅

⚠️ هوش مصنوعی را تهدید کنید تا پاسخ‌های بهتری بگیرید!
@Onlinebme

💡چند منبع خوب برای یادگیری پردازش سیگنال مغزی EEG


برای پردازش سیگنال های مغزی (EEG) داشتن دانش پایه بسیار میتواند کمک کننده باشد.
آشنا بودن با مباحثی مانند ساختار مغز، فرایند تولید امواج مغزی، نحوه ثبت سیگنال EEG، انواع نویزها در سیگنالهای مغزی و نحوه حذف آنها و روشهای استخراج ویژگی، در درک و پردازش اصولی سیگنال مغزی و طراحی الگوریتمها بسیار میتوانند مفید باشند.

در این پست چندین وبسایت مفید و معتبر را معرفی میکنم که میتونند به درک بهتر مفاهیم پایه و پیش‌ پردازش سیگنال مغزی EEG کمک زیادی کنند.

✅ اگر تازه با EEG آشنا شده اید یا قصد دارید یادگیری رو از پایه شروع کنید، این منابع میتونند نقطه شروع مناسبی باشند.


🔹آموزش مفاهیم پایه EEG
🌐 learningeeg.com
این وبسایت به صورت ساده و تصویری مفاهیم پایه‌ای EEG رو توضیح میدهد. از نحوه ثبت سیگنال شروع میکند و بعدش سیستم 10-20 رو توضیح میدهد و در ادامه هم نویزهای رایج و آرتیفکت‌ها در EEG رو به صورت تصویری توضیح میدهد. در آخر هم اطلاعاتی درباره سیگنال EEG در بیماران مبتلا به صرع ارائه میدهد که برای افرادی که میخواهند روی این بیماری کار کنند میتواند مفید باشد. به طور کل انیمیشن‌ها و تصاویر این سایت به درک شهودی مطالب کمک زیادی می‌کنند.


🔹وبسایت رسمی EEGLAB
🌐 sccn.ucsd.edu/eeglab
در این سایت، ابزار EEGLAB به ‌طور کامل معرفی شده و مستندات و ویدیوهای آموزشی آقای Arnold Delorme، خالق EEGLAB، در دسترس هستند. البته ویدیوها کمی تخصصی هستند و فرض شده مخاطب با مفاهیم اولیه آشنایی دارد. با این حال، این وبسایت مرجع اصلی یادگیری EEGLAB محسوب می‌شود.


🔹آموزش تحلیل و لیبل‌ گذاری مولفه‌های  ICA در ICALabel
همه افرادی که کار پیش پردازش با EEGLAB انجام داده اند با چالش انتخاب مولفه های ICA روبرو شده اند. این وبسایت اطلاعات خیلی کاربردی ای برای آشنایی با این مولفه ها ارائه داده است.
🌐 آشنایی با مولفه‌های ICA 
🌐 تمرین و  تحلیل صدها مولفه نمونه (لیبل گذاری شده با متخصصین)
🌐 تست عملی جهت لیبل گذاری مولفه ها (همراه با جواب)
در این مجموعه کاربردی، شما ابتدا با مولفه‌های ICA آشنا میشوید، بعدش تعداد زیادی مولفه که توسط چندین expert لیبل گذاری شده‌اند را تحلیل میکنید، و در نهایت در یک آزمون شرکت میکنید. اگر این سه مرحله را با دقت طی کنید، به دانش کافی برای تشخیص و حذف آرتیفکت‌ها با کمک ICA خواهید رسید.


🔹وب‌سایت رسمی MNE-Python
🌐 mne.tools/stable/auto_tutorials
این سایت، مستندات رسمی کتابخانه MNE را شامل میشود که یکی از قدرتمندترین ابزارهای تحلیل EEG با پایتون است. در هر بخش از مفاهیم پایه گرفته تا پردازش‌های پیشرفته، همراه با کد و خروجی نمونه توضیح داده شده است.



🔹سایت Neural Data Science in Python
🌐 neuraldatascience.io – EEG section
مخاطب اصلی این وبسایت محققین حوزه علوم اعصاب شناختی و روانشناسی هست و با کمک مستندات این وبسایت افراد یاد میگیرند که چطوری با استفاده از پایتون، داده‌های مغزی رو تحلیل کنند. بخشی از آموزشها به EEG و نحوه کار با MNE اختصاص پیدا کرده، ولی تمرکز اصلی آن بر آموزش مفاهیم داده محور در نوروساینس هست.


🔹 Onlinebme (گروه ما)
🌐https://onlinebme.com/product-category/signal-processing/
گروه ما هم چندین دوره تخصصی برای آموزش پردازش سیگنالهای مغزی (پیش پردازش، استخراج ویژگی و یادگیری ماشین) ارائه داده است که به افراد دید کافی برای انجام تحقیقات عملی روی EEG را میدهد.
آموزش‌ها از سطح پایه شروع شده و به صورت گام ‌به ‌گام به مباحث پیشرفته مانند تشخیص بیماری‌ از روی سیگنال مغزی، و طراحی سیستم های واسط مغز کامپیوتر مبتنی بر EEG  آموزش داده شده است.

💡 جمع‌بندی:
و نکته اخر اینکه برای وارد شدن به دنیای EEG بهتره اول با مفاهیم پایه با EEG آشنا شوید که شامل نحوه ثبت سیگنال مغزی، پیش پردازش سیگنال مغزی (که لازمش آشنایی با انواع نویز و نحوه حذف آنها هست) و روشهای استخراج ویژگی (زمان، فرکانس، زمان-فرکانس) میشود. فردی که این مباحث رو به خوبی بلد باشه در هر حوزه ای راحتتر میتونه مطالعات خودش رو پیش ببره

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@Onlinebme