بلاگ علمی
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.
هما کاشفی 
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…
محمد نوری زاده چرلو 
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…
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…
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…
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…
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…
تفاوت تنسورهای PyTorch با آرایه های NumPy
تنسورهای پایتورچ بسیار شبیه به آرایه های نامپای هستند. از آنها هم برای ذخیره و عملیات روی آرایه های عددی استفاده می‌شود. اما با این حال یک سری تفاوتهایی بین آرایه های نامپای و تنسورهای پایتورچ وجود دارد. در این…
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…
نحوه نصب Pytorch
همانطور که میدانیم پایتورچ یک کتابخانه قدرتمند پایتون است. کتابخانه PyTorch برای افزایش سرعت و انعطاف در پیادهسازی شبکه‌های عصبی عمیق طراحی شده است. در این پست نحوه نصب pytorch را توضیح میدهیم.
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…
کتابخانه پایتورچ (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…
