پردازش سیگنال مغزی با کتابخانه MNE پایتون
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](https://onlinebme.com/wp-content/uploads/2024/04/1-Multi-channel-EEG-Signal.jpg)
![پردازش سیگنال مغزی با یادگیری ماشین](https://onlinebme.com/wp-content/uploads/2024/04/2-Machine-Learning-approach-for-EEG-signal-Processing.jpg)
![پردازش سیگنال مغزی با یادگیری عمیق](https://onlinebme.com/wp-content/uploads/2024/04/3-Deep-Learning-approach-for-EEG-Signal-classification.jpg)
![طبقه بندی سیگنال مغزی با یادگیری عمیق](https://onlinebme.com/wp-content/uploads/2024/04/4-EEG-signal-Classification-using-CNN.jpg)
![طبقه بندی سیگنال مغزی با یادگیری عمیق](https://onlinebme.com/wp-content/uploads/2024/04/5-Converting-EEG-to-image_CNN.jpg)
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
![پردازش سیگنال مغزی با کتابخانه MNE پایتون](https://onlinebme.com/wp-content/uploads/2024/04/6-EEG-Referencing-using-MNE-Python.jpg)
جلسه چهارم: پیش پردازش سیگنال مغزی در پایتون
- کار با دادهی پیوسته
- پیش پردازش
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
- پروژهی کلاسبندی سیگنال EEG تصور حرکتی با استفاده از الگوریتمهای یادگیری ماشین
فصل دوم: انجام پروژه با یادگیری عمیق
جلسه هفتم: انجام پروژه با دیتاست صرع
- معرفی دیتاست صرع بن آلمان
- معرفی شبکههای RNN و انواع آن
- نحوهی ایجاد مدل یادگیری عمیق در پایتون با استفاده از فریم ورک تنسورفلو و کراس
- ایجاد مدل RNN برای کلاسبندی دیتاست صرع بن آلمان
جلسه هشتم: ادامهی پروژهی یادگیری عمیق با دیتاست صرع و کلاسبندی EEG تصورحرکتی با مدل CNN-Fusion
- معرفی شبکههای CNN
- پیادهسازی مقالهی 2023 کلاسبندی دیتاست صرع بن آلمان
- پیادهسازی مقاله 2019 CNN-Fusion برای کلاسبندی سیگنال EEG تصورحرکتی
![طبقه بندی سیگنال مغزی با یادگیری عمیق](https://onlinebme.com/wp-content/uploads/2024/04/8-CNN_Fusion.jpg)
جلسه نهم: ادامهی کلاسبندی EEG تصورحرکتی با مدل CNN-Fusion و پروژهی تبدیل سیگنال به تصویر
- تبدیل سیگنالEEG تصور حرکتی به تصویر
- پروژه کلاسبندی سیگنال تبدیل شده به تصویر با مدل CNN (پیادهسازی مقاله)
جلسه دهم: پروژه کلاسبندی سیگنال SSVEP با CNN
- معرفی دیتاست SSVEP معروف 40 کلاسه
- کلاسبندی دیتاست SSVEP بر اساس کد موجود در گیت هاب
![تشخیص فرکانس SSVEP با یادگیری عمیق](https://onlinebme.com/wp-content/uploads/2024/04/10-40class_SSVEP_EEG_Dataset.jpg)
مدرس: هما کاشفی امیری مدت زمان دوره: 33 ساعت
محتوای دوره:
- ویدیوهای آموزشی
- اسلایدها و جزوه ی آموزشی
- دیتاستهای مورد استفاده
- کدها
- ویدیوهای پرسش و پاسخ