هما کاشفی
یادگیری عمیق برای کاربردهای واسط مغز-کامپیوتر مبتنی بر EEG
یادگیری عمیق، چشم اندازهای عالی برای حل تسک‌های پیچیده‌ی مرتبط مانند کلاسبندی تصاویر حرکتی، تشخیص تشنج صرع و تشخیص توجه راننده با استفاده از داده‌ی EEG نشان داده است. محققان در حال حاضر کارهای زیادی روی رویکردهای مبتنی بر یادگیری…
هما کاشفی 
الگوریتم‌های یادگیری عمیق در پردازش سیگنال EEG
در سال‌های اخیر، الگوریتم‌های یادگیری عمیق به سرعت توسعه یافته‌اند و در حال تبدیل شدن به ابزاری قدرتمند در مهندسی پزشکی هستند. به طور خاص، تمرکز زیادی بر کاربرد الگوریتم‌های یادگیری عمیق در رمزگشایی وضعیت فیزیولوژیکی یا پاتولوژیک مغز از…
تعریف ICA و نحوه ی اعمال آن در پکیج MNE-Python
روش تحلیل مولفه‌های مستقل (Independent Components Analysis (ICA)) تکنیکی برای برآورد سیگنال‌های منابع مستقل از مجموعه‌ای از ضبط‌هاست که در آن سیگنال‌های منبع در نسبت‌های ناشناخته با هم ترکیب شده‌اند. در این مقاله با ICA آشنا می شویم و اینکه…
کتابخانه‌های ضروری مکمل کار با پکیج MNE پایتون
به منظور کار با پکیج MNE پایتون، شناخت و یادگیری چند مورد از کتابخانه‌های پایتون ضروری است. این کتابخانه در خواندن دیتاست‌هایی مثل EEG، ذخیره سازی و جداسازی و تقسیم دیتاست به بخش‌های آموزش و آزمایش و همچنین استفاده از…
حاشیه‌نویسی سیگنال پیوسته با استفاده از پکیج MNE پایتون
با استفاده از پکیج MNE پایتون می‌توانیم سیگنال پیوسته را نشانه‌گذاری یا به اصطلاح حاشیه‌نویسی کنیم و همچنین از این حاشیه‌نویسی‌ها در مراحل بعدی پردازش استفاده کنیم. در این مقاله، روند انجام آن را توضیح می‌دهیم.
مقدمه‌ای بر Generative Adversarial Networks (GANs) یا شبکه‌های مولد تخاصمی
شبکه‌های GAN حوزه‌ای مهیج و به سرعت در حال تغییر هستند که نوید مدل‌های مولد با قابلیت بالا را می‌دهند. برای مثال می‌توانند نمونه‌های واقعی در طیف وسیعی از مسائل تولید کنند، مانند تبدیل تصاویر تابستان به زمستان، تبدیل تصاویر…
خواندن و پردازش داده ی EEG فرمت .gdf با استفاده از پکیج MNE-Python
فرمت داده‌ی General Data Format (GDF) برای سیگنال‌های پزشکی یک فرمت فایل داده‌ی پزشکی و علمی است. هدف GDF ترکیب و ادغام بهترین ویژگی‌های همه‌ی فرمت‌های فایل بیوسیگنال در یک فرمت فایل واحد است. در این مقاله بررسی می‌کنیم که…
رسم موقعیت مکانی الکترودهای سیگنال EEG با استفاده از پکیج MNE پایتون
در این مقاله توضیح می‌دهیم که چطور می‌توان با استفاده از پکیج MNE پایتون، موقعیت مکانی حسگرها را خواند و رسم کرد و پکیچ MNE چطور موقعیت مکانی حسگرها را تشخیص می‌دهد.
مکانیزیم Attention در یادگیری عمیق
با پیچیده‌تر شدن مدل‌های یادگیری عمیق، نیاز به روش‌های موثر پردازش میزان زیادی داده، اهمیت فزاینده‌ای پیدا کرده است. یکی از این روشها، مکانیزیم توجه است که به مدل امکانی می‌دهد تا در هنگام پیش بینی بر مرتبط‌ترین اطلاعات، تمرکز…
کار با داده‌های حوزه‌ی فرکانس در پکیج MNE پایتون
در این مقاله یاد می‌گیریم که با استفاده از پکیج MNE پایتون چطور بازنمایی‌های حوزه فرکانس داده‌ی خود را تجسم سازی کنیم و برای این منظور کلاس‌های Spectrum و EpochsSpectrum را معرفی می‌کنیم.
ترنسفورمرها (Transformers) چطور کار می‌کنند؟
ترنسفورمرها نوعی از معماری شبکه عصبی هستند که محبوبیت زیادی پیدا کرده‌اند. ترنسفورما اخیراً توسط OpenAI در مدل‌های زبانی مورد استفاده قرار گرفته‌اند همچنین اخیراً توسط DeepMind برای AlphaStar استفاده شده‌اند. ترنسفورمرها برای حل مسائل انتقال توالی (Sequence Transduction) یا…
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.
