EEG workshop

برای جستجو و پیدا کردن ebook ها این سایت مناسبه http://gen.lib.rus.ec

برای دانلود رابگان مقاله ابتدا در google سرچ کنید و مقالات مورد نظر را عنوان کامل یا doi شان را در سایت زیر وارد کنید

Dear EEGLAB users, A new EEGLAB version (v2019.0) is now available (yes, we have changed the EEGLAB version numbering scheme). This is major update, long delayed by a few nagging problems, now addressed. Below we list some of the included enhancements: - Single-trial processing in STUDY processing functions. This version includes a new STUDY framework compatible with LIMO (LInear MOdeling) applied to EEG data (Pernet et al., 2011). We also reworked STUDY-based computations (ERP, ERSP, ITC, mean spectra). You now only need to precompute these measures once, no matter how many statistical designs you want to run on the STUDY data. Note: While all existing EEGLAB STUDY sets can be processed using STUDY functions in v2019.0, to perform additional statistical testing on an existing STUDY (prior v2019.0), the STUDY functions will need to recompute the pre-computed measure files. - There is a new plug-in manager with plugin rating capabilities (with now over 100 plug-ins available, this was much needed), - Full Octave compatibility from the command line: The freely available open source app Octave will now run EEGLAB command line MATLAB scripts without requiring a MATLAB license. Note, however, that the EEGLAB graphic interface and menu are not available under Octave. - New open source license: The open source license EEGLAB has been changed to BSD (from GNU) to allow commercial re-use of EEGLAB code (Note: each EEGLAB plug-in is released under its own license). - See more detail about changes to EEGLAB since the last revision, including bug fixes and improvements, on this page https://sccn.ucsd.edu/wiki/EEGLAB_revision_history_version_2019

برای روند پردازش سیگنالهای مغزی چندین pipeline معرفی شده است که یکی از کاربردی ترین آنها Makato's preprocessing pipleline است. که براساس تجربیات و مقالات زیادی نوشته شده است که در لینک زیر آمده است: https://sccn.ucsd.edu/wiki/Makoto%27s_preprocessing_pipeline 💢 همچنین یکی از کارا ترین روشهای حذف اتوماتیک نویز که در لینک بالا هم آمده است روش ASR می باشد که برای افراد مبتدی می تواند مفید باشد: http://sccn.ucsd.edu/eeglab/plugins/clean_rawdata0.32.zip برای استفاده پس از دانلود ازحالت فشرده خارج کنید و در شاخه plugins در پوشه حاوی eeglab کپی کنید. پس از باز کردن دوباره eeglab خواهید دید که به منوی tools یک قسمت به نام clean continuous data using ASR اضافه شده است. توضیحات منوهای آن در انتهای لینک Makoto آمده است. همچنین فایل نحوه کار روش در ادامه ارسال می شود. 💯پی نوشت: اگر روی داده هایی که در کارگاه کار شد بزنید می بینید که نتیجه آن مشابه تمیز کردن دستی می باشد. ----- ارتباط با ما: @EEGworkshops لینک عضویت کانال: https://t.me/joinchat/AAAAAD7DKCCSYN9in_TFWQ

درحال برنامه ریزی برگزاری کارگاه ۳ روزه هستیم. بدلیل امتحانات دانشگاه ها به احتمال زیاد کارگاه تیرماه ۱۹تا۲۱ در مرکز ملی نقشه برداری دانشگاه تهران برگزار خواهد شد. نحوه و لینک ثبت نام به زودی اعلام خواهد شد

این یک سمپوزیوم مجازی است که تو امریکا برگزار میشه. برنامه اش جالبه و ایده های خوبی داره

این پادکست دراین قسمت شبه علم و خطاهای روش تحلیل را در شرکتها میگوید.این بحثها برای تحقیقات دانشگاهی هم خوب است و نحوه برخورد با مقالات را بیان میکند.

قسمت بعدی این فیلم انشاءالله تا اخر هفته در گروه قرار خواهد گرفت

فایل را extract کنید در مسیر work matlab یا هرجای دلخواه با اجرای csp_example بر نامه روی داده های x و y اجرا میشود ترتیب بعد داده ها بصورت تریال، نمونه های زمانی و کانال میباشد اگر ترتیب بعد دادهای شما متفاوت است از دستور permute میتوانید استفاده کنید برای داده های خودتان باید داده اول بجای x و داده دوم بجای y قرار داده شود زیرفضای لازم در csp در ارگومان اخر قرار می گیرد

عیدی🌺🌺🌺🌺🌺🌺 دوستان الگوریتم csp را میخواستند در فایل اول مقاله مرتبط با این الگوریتم و در فایل دوم الگوریتم و مثال انرا که سرکار خانم دکتر جمالو زحمت تهیه اش را کشیدند گذاشته ایم داده x همان داده کار شده تو کارگاه روی چهرهface است و داده y روی اشیاء object است خروجی الگوریتم csp_w دوبرابر num_weightsارگومان چهارم اخر تابع است که نصف اول مربوط به داده اول و نصف دوم مربوط به داده دوم است(مشابه شکل fig7.5 فایل pdf)