توضیحات

معرفی دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی ( motor imagery)

واسط مغز و کامپیوتر، BCI، که نقش راه ارتباطی بین مغز و کامپیوتر را بازی می‌کند، اخیر مورد توجه بسیاری از محفقین قرار گرفته است. BCI سیستمی است که برخی از سیگنال‌های حیاتی اندازه‌گیری شده فرد را دریافت کرده و به صورت زمان حقیقی یا تک ترایال جنبه‌های انتزاعی حالت شناختی فرد را پیش بینی می‌کند.  در دوره تخصصی پردازش سیگنال EEG  بطور کامل در مورد سیستم BCI  توضیح داده شده است.

BCI  مبتنی بر تصور حرکتی(motor imagery BCI)

 در BCI  مبتنی بر تصور حرکتی(motor imagery)، واسط مغز و کامپیوتر( BCI) حالتی که شخص تصور می‌کند را از روی سیگنال‌های مغزی( EEG) فرد، تشخیص داده و به دستور تبدیل می‌کند. هدف فناوری BCI این است که یک راه ارتباطی جدید برای افراد معلول (فلج) ایجاد کند به طوری که افراد هیچ وابستگی‌ای به کنترل عضلات نداشته باشند. سیگنال EEG یکی از ورودی‌هایی هست که BCI از طریق این سیگنال ارتباط بین شخص و محیط بیرونی را فراهم می‌کند. در BCI مبتنی بر تصور حرکتی از شخص خواسته‌ می‌شود تا حرکتی را بدون اینکه انجام دهد تصور کند، که در نتیجه آن رخدادهایی مرتبط با تصور در مغز رخ می‌دهد. هدف BCI این است که از روی سیگنال‌های EEG نوع حرکت تصور شده توسط شخص را تشخیص دهد. تشخیص نوع تصوری که فرد انجام داده از روی  سیگنال eeg که روزلوشن مکانی مناسبی ندارد کار بسیار سختی است و به الگوریتمهای پیشرفته ای نیاز است.

دوره مبتنی بر پیاده سازی مقالات تخصصی در متلب

ما در این دوره تخصصی تمام مباحثی که برای پردازش داده‌های EEG تصوری حرکتی هست را آموزش می‌دهیم.  و برای اینکه با عملکرد عملی این الگوریتم ها آشنا شوید، چندین پروژه عملی طبق چند مقاله تخصصی روی داده های واقعی سایت BCI competition انجام میدهیم.  از سه مجموع داده EEG مبتنی بر تصور حرکتی در این دوره استفاده شده است. در ابتدا پروسه ثبت و اطلاعات مربوط به این داده‌ها را کامل توضیح می‌دهیم، باندهای فرکانسی که مرتبط با تصور حرکتی و مناطق مغزی مرتبط با تصور حرکتی را توضیح می‌هیم. سپس شروع به تحلیل داده‌ها می‌کنیم. در ادامه انواع فیلترهای مکانی و فرکانسی جهت کاهش نویز سیگنال و source localization را توضیح داده  و به صورت گام به گام در متلب پیاده سازی کرده و روی داده اعمال می‌کنیم، در ادامه روش‌های استخراج ویژگی و کلاسبندی داده تصوری حرکتی را توضیح داده و روی داده پیاده‌‌سازی می‌کنیم. در این دوره تئوری الگوریتم معروف CSP)Common Special Patterns) به زبان ساده توضیح داده و سپس گام به گام در متلب پیاده‌سازی کرده و بر روی داده اعمال می‌کنیم،  در نهایت معایب و مزایای CSP را بررسی می‌کنیم و برای حل مشکل این الگورتیم معروف، الگورتیم‌ بهبود یافته شده CSP، FBCSP) filter bank CSP)  را پیاده‌سازی می‌کنیم. در این دوره برای کلاسبندی داده‌ها از سه کلاسبند معروف بنام SVM)support vector machine)،  (knn)k nearest neighbors)  و  lda)linear discriminant analysis)استفاده کرده‌ایم.

برای ارزیابی و اعتبارسنجی مدلهای طراحی شده از چهار روش معروف k-fold cross validation، the hold out method، random subsampling و leave one out استفاده کرده ایم.

در پایان این دوره، شرکت‌کننده دیگر هیچ مشکلی در انجام پروژه‌های عملی  و پردازش سیگنال‌هایEEG مبتنی بر تصوری حرکتی و پیاده‌سازی مقالات تخصصی جهت بهبود عملکرد کلاسبندی نخواهد داشت.

سرفصل دوره‌ی تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

    • واسط مغز و کامپیوتر چیست؟
    • انواع واسط مغز و کامپیوتر؟
    • کاربردهای واسط مغز کامپیوتر
    • واسط مغز و کامپیوتر مبتنی بر EEG
    • سیگنال EEG
    • ریتمهای سیگنال EEG
    • تصور حرکتی
    • ریتمهای مرتبط با تصور حرکتی
    • نواحی مرتبط با تصور حرکتی
    • سیگنال در حوزه فرکانس
    • تفاوت حوزه فرکانس و حوزه زمان
    • سری فوریه و تبدیل فوریه
    • مفهوم نرخ نایکوئیست و فرکانس نمونه‌برداری
    • نحوه طراحی فیلتر در حوزه فرکانس
    • مفهوم ringing effect
    • نحوه اعمال فیلتر در حوزه فرکانس
    • نحوه استخراج ریتم های EEG از سیگنال EEG
    • معرفی داده EEG مبتنی بر تصور حرکت سایت BCI Competition
    • مفهوم ترایال
    • مفهوم source localization
    • فیلترمکانی CAR(common average reference)
    • فیلتر مکانی لاپلاسین کوچک(Low laplacian)
    • فیلتر مکانی لاپلاسین بزرگ(high laplacian)
    • تئوری فیلترهای مکانی مشترک CSP(common spatial patterns)
    • پیاده سازی گام به گام فیلترهای مکانی مشترک CSP(common spatial patterns)
    • استخراج ویژگی
    • کلاسبندی
    • کلاسبند SVM
    • کلاسبند KNN
    • کلاسبند LDA
    • پارامترهای ارزیابی
    • ماتریس کانفیوژن
    • روشهای ارزیابی مدل
    • روش ارزیابی The hold out method
    • روش ارزیابی k-fold cross validation
    • روش ارزیابی leave one out
    • روش ارزیابی random subsampling
    • عیب فیلتر مکانی csp
    • پیاده سازی الگوریتم بهبود یافته شده csp، fbcsp
    • انتخاب ویژگی
    • تعیمیم CSP دو کلاسه برای چند کلاسه با استفاده از روش یکی در مقابل همه
    • تعیمیم CSP دو کلاسه برای چند کلاسه با استفاده از روش یکی در مقابل یکی
    • توضیح داده 4 کلاسه سایت BCI competition
    • تعمیم svm دوکلاسه برای چند کلاسه
    • نحوه تبدیل فایل .gdf به .mat در متلب

داده‌های استفاده شده  در دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

در این دوره 4 مقاله تخصصی در متلب پیاده سازی می شود و از سه مجموعه داده سایت BCI competition در پیاده سازی پروژه ها استفاده شده است.

پایگاه داده اول:

http://www.bbci.de/competition/iv/desc_1.html

پایگاه داده دوم:

http://www.bbci.de/competition/iii/desc_IVa.html

پایگاه داده سوم:

http://www.bbci.de/competition/iv/#dataset2a


دوره پردازش سیگنال eeg مبتنی بر تصور حرکتی یک دوره تخصصی و پروژه محوری است که در آن هدف ما  این بوده که مطالب طوری آموزش داده بشوند که دوستان بتوانند علاوه بر یادگیری مباحث، از پروژه‌ها و مقالات پیاده‌سازی شده در پروژه های خود استفاده کنند.

در این دوره 4 مقاله تخصصی  در این دوره پیاده سازی شده که دوستان میتوانند از آنها در کارهای خود استفاده کنند.  برای اینکه دوره برای همه علاقه مندان مفید باشه پروژه های عملی روی سه داده معروف سایت bci competition   پیاده سازی شده اند. دو تا از پایگاه داده ها دوکلاسه هستند و یکیش 4 کلاسه هست.

این دوره تنها یک یک ویدیوی آموزشی نیست، پروژه‌ها و مقالاتی که در این دوره پیاده‌سازی شده‌اند میتوانند برای افرادی که پایان‌نامه یا پروژه‌های درسی دارند مورد استفاده قرار بگیرند!

پروژه مناسب برای درس پردازش سیگنالهای حیاتی

پروژه مناسب برای درس واسط مغز و کامپیوتر (BCI)

پروژه مناسب برای درس شناسایی آماری الگو (پترن)

 دوستانی که هر دوره رو تهیه کرده اند میتوانند هر دو دوره رو باهم ترکیب کنند و برای پروژه هایی درسی و پایان نامه خودشون استفاده کنند. از روشهای گفته شده در این دوره برای پیش پردازش و استخراج ویژگی استفاده کنند.

Butterworth filter + CAR/Laplacian + CSP /FCSP 

و برای کلاسبندی به جای کلاسبندهای آموزش داده شده در این دوره (از قبیل SVM, KNN, LDA ) از شبکه‌های عصبی آموزش داده شده در دوره شبکه عصبی استفاده کنند و پروژه و پایان نامه خودشون رو پیش ببرند.

ELM ,PNNDelta bar rule MLP ,RBF

دوستانی که این دوره رو بگذرونن در پیاده سازی مقالات  RCSP, CSSP ,CSSSP و مقالاتی شبیه به اینها مشکلی نخواهند داشت.


ایده‌ی پیشنهادی ما برای شما:

 Butterworth Filter + CAR/Laplacian + CSP /FBCSP + MLP (Delta-bar-rule) /RBF/ELM/PNN

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.

تمام حقوق مادی و معنوی این سایت مربوط به آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی می باشد
X