پردازش سیگنال مغزی با کتابخانه MNE پایتون

دسته:پایتون, پردازش سیگنال, پکیج‌های آموزشی
0 دیدگاه

برای پردازش و کار با سیگنال EEG (سیگنال مغزی الکتروانسفالوگرافی) در محیط برنامه‌نویسی پایتون، راه‌های مختلفی پیش روی شماست. می‌توانید مراحل پردازش را خودتان با توابع و کتابخانه‌های موجود انجام دهید. علاوه بر این‌ها پایتون، پکیج‌هایی برای پردازش و کار با سیگنال EEG ارائه کرده است. یکی از این پکیج‌ها، MNE-Python است. این پکیج نه تنها برای سیگنال‌های EEG بلکه برای بررسی، تجسم‌سازی و تحلیل سایر داده‌های نوروفیزیولوژیکی انسان مانند MEG, EEG, ECoG و … طراحی شده است. دوره‌ی MNE-Python از دو بخش تشکیل شده است. در بخش اول، مفاهیم پایه‌ای پردازش سیگنال EEG با استفاده از کتابخانه‌ی MNE-Python آموزش داده می‌شود. تمامی مراحل اعم از خواندن دیتاست به فرمت‌های مختلف، جدا کردن سیگنال‌های پیوسته و خام به ترایال‌ها و پیش پردازش و … مرحله به مرحله ارائه می‌شوند. در بخش دوم، برای دیتاست‌های معروف EEG با استفاده از پکیج MNE و الگوریتم‌های یادگیری ماشین و یادگیری عمیق، پروژه انجام می‌شود و مقاله‌های جدید پیاده‌سازی می‌شوند. سیگنال‌های EEG مورد استفاده در این دوره شامل سیگنال‌های تصورحرکتی، صرع، SSVEP، Distance Learning هستند.

هدف اصلی دوره‌ی MNE-Python

هدف اصلی ما در دوره‌ی MNE-Python این است که ابتدا مفاهیم پردازش سیگنال مغزی EEG را به خوبی یاد بگیریم و اگر هر نوع سیگنال EEG داشتیم بتوانیم آن را در محیط MNE-Python یا خود پایتون بخوانیم و در صورت نیاز سیگنال پیوسته را به بخش‌های کوچکتر تقسیم کنیم و پیش پردازش کنیم. تصویرسازی سیگنال مغزی با کتابخانه MNE پایتون

تصویرسازی سیگنال مغزی با کتابخانه MNE پایتون

هدف بعدی و مهم‌تر ما در این دوره این است که بعد از یادگیری مراحل خواندن و پردازش‌های اولیه در محیط MNE-Python، بتوانیم پروژه‌های مختلف یادگیری ماشین و یادگیری عمیق با سیگنال‌های EEG مختلف انجام دهیم. مانند سیگنال EEG تصور حرکتی، سیگنال EEG صرع، سیگنال SSVEP. همچنین بتوانیم مقاله‌های اخیر در این حوزه را پیاده‌سازی کنیم. پردازش سیگنال مغزی با یادگیری ماشین

به منظور انجام پروژه‌های فوق می‌توان به شیوه‌های مختلفی، سیگنال EEG را به عنوان ورودی به الگوریتم یادگیری ماشین یا یادگیری عمیق داد. برای مثال می‌توان سیگنال را به همان صورت ماتریس اولیه (کانال*زمان) به شبکه وارد کرد. طبقه بندی سیگنال مغزی با یادگیری عمیق

می توان سیگنال را به تصور تبدیل کرد و به شبکه وارد کرد. طبقه بندی سیگنال مغزی با یادگیری عمیق

سرفصل دوره‌ی جامع و پروژه محور پردازش سیگنال مغزی EEG با پکیج MNE پایتون

فصل اول: مفاهیم مقدماتی و آموزش کار با MNE-Python

جلسه اول: آشنایی با مبانی سیگنال EEG

ویژگی‌های سیگنال EEG
نحوه‌ی ثبت سیگنال EEG
معرفی سیستم بین المللی 10-20
توضیح باندهای فرکانسی EEG (دلتا، تتا، آلفا، بتا و گاما) و مشخصات آنها
نویز و آرتیفکت‌های شایع در زمان ثبت سیگنال EEG
آشنایی با سیگنال‌های ثبت شده به همراه EEG
- سیگنال عصب و عضله
- سیگنال قلبی
- حرکت چشم
- پلک زدن
انواع پارادایم‌های ثبت سیگنال EEG
مفاهیم مربوط به نمونه‌برداری سیگنال، نرخ نمونه‌برداری، اصل نایکوئیست، مفهوم سیگنال در حوزه‌ی زمان و حوزه‌ی فرکانس
نحوه‌ی طراحی و اعمال فیلتر به سیگنال EEG
مقدمه‌ای بر پردازش سیگنال مغزی EEG با الگوریتم‌های یادگیری ماشین
مقدمه‌ای بر پردازش سیگنال مغزی EEG با الگوریتم‌های یادگیری عمیق
- رویکردهای مختلف اعمال سیگنال مغزی EEG به شبکه‌های عمیق

جلسه دوم: نصب VScode و پایتون و خواندن دیتاست‌های فرمت .gdf و .fif

طریقه نصب VScode
طریقه نصب پایتون
طریقه نصب و راه‌اندازی پکیج MNE پایتون در دو محیط VScode و Google Colab
خواندن دیتاست فرمت .gdf
خواندن دیتاست فرمت .fif

جلسه سوم: خواندن دیتاست‌های فرمت .mat و .CSV و آموزش‌های اولیه

خواندن دیتاست فرمت .mat
خواندن دیتاست فرمت .CSV
کار با ماژول‌های In-Place
کار با موقعیت‌های سنسور

جلسه چهارم: پیش پردازش سیگنال مغزی در پایتون

کار با داده‌ی پیوسته
پیش پردازش

تصویرسازی سیگنال مغزی با کتابخانه MNE پایتون

جلسه پنجم: پیش پردازش سیگنال مغزی در پایتون

کار با داده‌ی پیوسته
داده‌ی پیوسته با ساختار داده‌ی Raw
کار با eventها
حاشیه نویسی داده‌ی پیوسته
پیش پردازش

جلسه ششم: Epochها و تحلیل زمان-فرکانس، پروژه یادگیری ماشین

کار با ساختار داده‌ی Epoch
تحلیل زمان-فرکانس
انجام پروژه با یادگیری ماشین
- پروژه‌ی کلاسبندی سیگنال EEG تصور حرکتی با استفاده از الگوریتم‌های یادگیری ماشین
  - چارچوب پیاده‌سازی رویکردهای یادگیری ماشین برای تشخیص سیگنال‌های EEG
  - خواندن داده با توجه به فرمت آن با توابع MNE
  - پیش پردازش سیگنال EEG
  - استخراج ویژگی از سیگنال‌ها با استفاده از تبدیل موجک
  - انتخاب ویژگی با استفاده از CSP
  - کلاسبندی ویژگی‌های بدست آمده با استفاده از الگوریتم‌های کلاسبندی
  - بررسی عملکرد مدل با نمایش پارامترهای ارزیابی و نمودارهای loss, accuracy
  - بررسی نتایج و معرفی راه‌هایی برای بهبود عملکرد مدل