EEG workshop

🔰 آزمایشگاه ملی نقشه برداری مغز برگزار می‌کند:        💠 دهمین کارگاه مبانی پردازش سیگنال های حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی💠        🟢مدرس: دکتر علی مطیع نصر آبادی، استاد دانشگاه شاهد     🕑زمان: ۶ و ۷ دی ماه ۱۴۰۳                ‼️ظرفیت محدود ‼️       🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.       ☎️ تماس با ما: 02186093155          💠Telegram 💠Instagram 💠LinkedIn 🌐Website

🌐 ۱۰ ابزار برتر هوش مصنوعی که هر پژوهشگری باید آن ها را بشناسد Storm 🔗 👈این هوش مصنوعی که توسط دانشگاه استنفورد توسعه داده شده می تواند برای مطالب و عناوین علمی رفرنس های علمی پیدا کند و همچنین یک پیشینه علمی برای موضوعات مد نظر شما نگارش کند. Elicit 🔗 👈 این ابزار برای یافتن مقالات پژوهشی مرتبط و استخراج نکات کلیدی طراحی شده است، بدون اینکه نیاز باشد ساعت‌ها در میان PDFهای بی‌پایان سردرگم شوید. Elicit کمک می‌کند به‌سرعت مطالعات مفید را پیدا کنید. برای زمانی که نیاز دارید استدلال‌های خود را با منابع معتبر پشتیبانی کنید، بدون این‌که در ده‌ها وب‌سایت ژورنال غرق شوید، بسیار کاربردی است. Consensus 🔗 👈تاکنون به این موضوع فکر کرده‌اید که بتوانید سوالی بپرسید و پاسخ‌های مبتنی بر پژوهش را بدون زبان تخصصی پیچیده دریافت کنید؟ Consensus دقیقاً برای همین است. این ابزار با تحلیل مقالات داوری‌شده، یافته‌های آنها را به شکلی قابل هضم خلاصه می‌کند. ChatPDF 🔗 👈خواندن مقالات پژوهشی طولانی می‌تواند دلهره‌آور باشد، به‌خصوص وقتی وقت کمی دارید. ChatPDF به شما امکان می‌دهد هر فایل PDF را بارگذاری کرده و سپس درباره آن سوال بپرسید — انگار که با خود سند گفتگو می‌کنید. فرقی نمی‌کند یک مقاله پژوهشی باشد، گزارشی طولانی یا حتی بخشی از یک کتاب، می‌توانید خلاصه‌ها، نکات کلیدی و توضیحات سریع را دریافت کنید. مثل داشتن یک خواننده در دسترس که مهم‌ترین بخش‌ها را نشانتان می‌دهد. Research Rabbit 🔗 👈تصور کنید یک ابزار هوش مصنوعی دارید که مانند یک دوست پژوهشی کنجکاو عمل می‌کند. Research Rabbit دقیقاً همین است. به شما کمک می‌کند مقالات پژوهشی مرتبط را کشف کنید و ارتباط بین آنها را در قالب یک نقشه شبکه‌ای تصویری نشان می‌دهد. این برای یافتن روندها، خلاهای تحقیقاتی و فرصت‌های همکاری بسیار مفید است. Scite 🔗 👈استناد به منابع قابل اعتماد برای هر پژوهشگری حیاتی است و Scite این کار را آسان می‌کند. این ابزار نشان می‌دهد که یک مقاله چگونه توسط سایر آثار استناد شده و آیا حمایت یا نقد شده است. با Scite، می‌توانید درک عمیق‌تری از منابع موجود در حوزه خود به دست آورید. Jasper AI 🔗 👈اگر نیاز دارید محتوایی تولید کنید — چه برای مقالات آکادمیک، درخواست‌های گرنت یا ارائه در کنفرانس‌ها — Jasper AI ابزاری چندمنظوره است که می‌تواند به شما در نگارش متنی شسته‌رفته کمک کند. هرچند به طور خاص برای پژوهش طراحی نشده، اما قابلیت‌های تولیدی قدرتمند آن، آن را به ابزاری مفید برای مواقعی تبدیل می‌کند که نیاز به بهبود نوشته‌هایتان دارید. Scholarcy 🔗 👈خلاصه کردن مقالات و گزارش‌های طولانی زمان‌بر است، اما Scholarcy این روند را با ایجاد خلاصه‌های خودکار سرعت می‌بخشد. این ابزار نکات کلیدی، روش‌ها و یافته‌های هر متن آکادمیک را برجسته می‌کند. برای پژوهشگرانی که باید به سرعت چندین مقاله را مرور کرده و تصمیم بگیرند کدام را عمیق‌تر بخوانند، ایده‌آل است. Perplexity AI 🔗 👈برای لحظاتی که فقط به پاسخ‌های سریع و قابل استناد نیاز دارید، Perplexity AI به دادتان می‌رسد. این ابزار جواب‌های مختصری را به سوالات شما می‌دهد و منابعش را هم ذکر می‌کند، به همین دلیل ابزاری قابل اعتماد برای ایجاد پس‌زمینه دانشی است. Paperpile 🔗 👈مدیریت منابع گاهی می‌تواند دردسر ساز باشد، به‌ویژه وقتی دارید با منابع متعدد کلنجار می‌روید. Paperpile این کار را ساده‌تر می‌کند، زیرا با Google Docs و دیگر پلتفرم‌ها، یکپارچه می‌شود و مدیریت استنادات را آسان می‌سازد. این ابزار به‌ویژه برای پروژه‌های گروهی که اعضای مختلف تیم در آن مشارکت دارند، بسیار کارآمد است. ✔️برای کسب اطلاعات بیشتر درباره کارگاه حضوری آموزش مبانی و ابزارهای کاربردی هوش مصنوعی برای تبلیغات، فروش و تجربه مشتری کلیک کنید #گروه_علمی_سیناپس 📷 http://instagram.com/synapse_media ✈️ @synapsemedia

⭕ فراخوان «حمایت از موضوعات پیشرو» اعلام شد این فراخوان به مدت ۲ سال از آذرماه ۱۴۰۳ تا آذرماه ۱۴۰۵ اجرا می‌گردد و مدت حمایت از رساله‌های دانشجویان دکتری تا ۲ سال و مبلغ حمایت تا ۲۵۰ میلیون تومان جهت کمک به دانشجو و تا سقف ۵۰ میلیون تومان جهت کمک به تأمین هزینه‌های طرح به استاد راهنما خواهد بود. کانال دفتر: @shahed_tech_info

سرفصل مطالب: - مباحث مقدماتی درباره سیگنال های گسسته شامل تعریف سیگنال، انواع سیگنال ها، نمونه برداری، تعیین فرکانس نمونه برداری، کمی سازی یا کوانتیزاسیون، آنالوگ کردن خروجی و ... معرفی متلب -صفحه و محیط کاربری متلب -ماتریس و کار با آن -معرفی و کار با استراکچر، سلول و دیگر متغیرهای متلب -عملیات های ریاضی و فرمتها -مبانی گرافیک و نمایش -نمایش اولیه داده ها -خواندن سيگنال ها و نمایش -وارد کردن داده هاو پایگاه داده های ثبت شده به محیط متلب -تغییر و کار با داده ها -ورود داده های ECG و EEG -نمایش های دو بعدی و سه بعدی در متلب -کنترل جریان برنامه -دستور If -دستور switch -دستور while -دستور For -تابع نویسی مثال ها کار عملی با داده ها🦾🦾🦾 -استخراج و نمایش پتانسیل های وابسته به رخداد ERP  -هیستوگرام،پیدا کردن  ماکزیممهای نسبی و ... و کاربردهای انها در سیگنالهای حیاتی، پیدا کردن QRS در سیگنال ECG و محاسبهHRV -اسکریپت نویسی و چند مثال -تبدیل فوریه و نمایش فرکانسی -استخراج باندهای فرکانسی از سیگنالهای EEG -فیلترها -طراحی فیلترهای FIR,IIR  با دستورات متلب -تبدیل فوریه زمان کوتاه STFT و wavelet -استخراج و نمایش ویژگیهای زمان-فرکانس از سیگنالهای مغزی -مبانی ریاضی تحلیل مولفه اساسی (PCA) -کاربردها -مثال تبدیل و تحلیل در PCA  روی داده های fisheriris  و spikes sorting(دراوردن چند نوع اسپایک از داده ثبت LFP) -کاهش بعد ویژگی ها باPCA -تحلیل تمایز اماری ttest paired and unpaired و annova و kstest Kolmogorov–Smirnov test -طبقه بندی با knn , LDA, QDA,SVM, decision tree -confusion matrix -TP,TN,FP,FN تعاریف -ROC و کاربرد در انتخاب ویژگی -Cross validation: k_fold, hold out, permuted cv, loo, ... -قسمتهای عملی و مثالها بصورت m فایل در اختیار شرکت کنندگان قرار میگیرد تا متناسب با کارهای خودشان بتوانند انها را تغییر دهند

دهمین کارگاه  مبانی پردازش سیگنالهای حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی بر اساس این کتاب طراحی شده است و اکثر فصول ۱تا ۱۹ ان بطور کامل یا نسبی  پوشانده شده است علاوه بر ان مطالب مرتبط با یادگیری ماشین نیز اورده شده است

به درخواست شرکت کنندگان دوره eeg قرار شد کارگاه کد نویسی برگزار شود سرفصل در زیر اورده شده است

🔰 آزمایشگاه ملی نقشه برداری مغز برگزار می‌کند:        💠 دهمین کارگاه مبانی پردازش سیگنال های حیاتی و یادگیری ماشین با نرم افزار متلب با محوریت علوم اعصاب محاسباتی💠        🟢مدرس: دکتر علی مطیع نصر آبادی، استاد دانشگاه شاهد     🕑زمان: ۶ و ۷ دی ماه ۱۴۰۳                ‼️ظرفیت محدود ‼️       🌐برای ثبت نام و کسب اطلاعات بیشتر کلیک کنید.       ☎️ تماس با ما: 02186093155          💠Telegram 💠Instagram 💠LinkedIn 🌐Website

گزارش مورد بررسی که توسط گروه مشاوره Implement و با حمایت گوگل تهیه شده است، به تحلیل فرصت‌های اقتصادی ناشی از هوش مصنوعی (AI) به‌ویژه هوش مصنوعی مولد (Generative AI) در اتحادیه اروپا می‌پردازد. هدف این گزارش، فراتر رفتن از فضای تبلیغاتی پیرامون AI و ارزیابی پتانسیل واقعی آن در حل چالش‌های اقتصادی و بهره‌وری اروپا است. چالش‌های اصلی اتحادیه اروپا رشد اقتصادی کند: رشد تولید ناخالص داخلی (GDP) اتحادیه اروپا از سال ۲۰۱۰ به طور مداوم از آمریکا عقب‌تر بوده و اقتصاد آمریکا اکنون ۱۶٪ بزرگ‌تر از اقتصاد اتحادیه اروپا است. شکاف در تحقیق و توسعه (R&D): سهم اتحادیه اروپا از GDP در زمینه R&D تنها ۲٪ است، در حالی که کشورهای پیشرو مانند کره جنوبی و اسرائیل بیش از ۵٪ از GDP خود را در این زمینه سرمایه‌گذاری می‌کنند. توسعه ضعیف فناوری: اروپا در حوزه‌های کلیدی آینده مانند محاسبات کوانتومی، نیمه‌هادی‌های پیشرفته و هوش مصنوعی از آمریکا و چین عقب‌تر است. به عنوان مثال، در سال ۲۰۲۲ تنها ۲٪ از پتنت‌های هوش مصنوعی متعلق به اتحادیه اروپا بوده است، در حالی که چین با ۶۱٪ و آمریکا با ۲۱٪ پیشرو هستند. پتانسیل هوش مصنوعی مولد برای اتحادیه اروپا افزایش GDP: تخمین زده می‌شود که در صورت پذیرش گسترده هوش مصنوعی مولد، تولید ناخالص داخلی اتحادیه اروپا طی ۱۰ سال آینده بین ۱.۲ تا ۱.۴ تریلیون یورو افزایش یابد، معادل ۸٪ رشد سالانه. افزایش بهره‌وری: هوش مصنوعی مولد می‌تواند بهره‌وری ۶۱٪ از مشاغل را با بهبود کیفیت و سرعت کار افزایش دهد. مشاغلی مانند تحلیلگران، مهندسان، مدیران و کارکنان دولتی از جمله گروه‌هایی هستند که بیشترین بهره را می‌برند. خلاقیت و نوآوری: این فناوری با تولید محتوا، شبیه‌سازی‌های پیشرفته، و تجزیه‌وتحلیل داده‌ها می‌تواند به تسریع فرآیندهای نوآوری در بخش‌های علمی و اقتصادی کمک کند. تأثیر بر مشاغل مشاغل تکمیل‌شده توسط AI: ۶۱٪ مشاغل موجود با استفاده از هوش مصنوعی مولد تقویت خواهند شد. این شامل مشاغلی است که نیاز به تفکر خلاق و حل مسائل پیچیده دارند. مشاغل متأثر از اتوماسیون: حدود ۷٪ از مشاغل (۱۵ میلیون شغل) ممکن است نیاز به تغییرات اساسی داشته باشند. این شامل مشاغلی با وظایف تکراری، مانند کارمندان دفتری و مترجمان، است. بازآموزی و انتقال شغلی: گزارش تأکید دارد که با برنامه‌های بازآموزی و مهارت‌افزایی، می‌توان این تغییرات را مدیریت کرد و نیروی کار را به حوزه‌های جدید هدایت کرد. مزایای بالقوه در بخش‌های مختلف خدمات عمومی: هوش مصنوعی مولد می‌تواند با ارائه راهکارهای هوشمند، کیفیت خدمات عمومی را بهبود بخشد و زمان آزاد شده را به خدمات ارزشمندتر اختصاص دهد. نوآوری علمی: هوش مصنوعی با توانایی‌های پیشرفته خود می‌تواند کشفیات علمی را سرعت بخشد، به ویژه در زمینه‌هایی مانند پیش‌بینی مولکولی، ژنومیک، و کشف دارو. افزایش بهره‌وری در بخش خدمات: برخلاف فناوری‌های گذشته که بیشتر به بخش تولیدی کمک می‌کردند، هوش مصنوعی مولد می‌تواند بهره‌وری در بخش خدمات، مانند آموزش، بهداشت و تجارت را به طور قابل توجهی افزایش دهد. چالش‌ها و موانع پذیرش AI پذیرش کم در میان کسب‌وکارهای کوچک و متوسط (SME): تنها ۷٪ از SMEها در سال ۲۰۲۳ از AI استفاده کرده‌اند، در مقایسه با ۳۰٪ شرکت‌های بزرگ. مشکلات قانونی و شفافیت: عدم اطمینان قانونی و هزینه‌های تطبیق با مقررات می‌تواند سرعت پذیرش AI را کاهش دهد، به‌ویژه برای SMEها. نیاز به زیرساخت‌ها و مهارت‌ها: زیرساخت‌های محاسباتی و مهارت‌های انسانی برای بهره‌برداری کامل از هوش مصنوعی هنوز در بسیاری از نقاط اتحادیه اروپا محدود است. راهکارهای پیشنهادی برای موفقیت سرمایه‌گذاری در تحقیق و توسعه: افزایش بودجه R&D و حمایت از همکاری‌های بین‌المللی، به‌ویژه با آمریکا، برای انتقال فناوری و مهارت‌ها. ایجاد مقررات شفاف: تدوین سیاست‌های واضح برای حفاظت از حریم خصوصی و امنیت داده‌ها در عین تسهیل نوآوری. آموزش نیروی کار: برنامه‌های آموزشی برای بازآموزی کارکنان و آماده‌سازی آن‌ها برای همکاری با فناوری‌های جدید. ترویج پذیرش گسترده: حمایت از SMEها از طریق کمک‌های فنی و برنامه‌های آموزشی. نتیجه‌گیری این گزارش نتیجه می‌گیرد که هوش مصنوعی مولد فرصتی بی‌نظیر برای اروپا فراهم می‌کند تا از کاهش قدرت اقتصادی خود جلوگیری کرده و رقابت‌پذیری جهانی خود را افزایش دهد. با این حال، بهره‌برداری کامل از این فرصت مستلزم سرمایه‌گذاری، نوآوری، آموزش و ایجاد قوانین مناسب است.

آیا خواندن ذهن امکان پذیر است؟! در پژوهشی که اخیرا به چاپ رسیده است، پژوهشگران دانشگاه برکلی کالیفورنیا موفق شدند با پخش موسیقی (دیوار اثر پینک فلوید) فعالیت الکتریکی قشر شنوایی افراد را ثبت کرده و با استفاده از روش‌های هوش مصنوعی در نهایت این موسیقی را با استفاده از فعالیت الکتریکی مغز بازسازی کنند. گرچه هنوز این موسیقی تا حدودی مبهم است ولی کاملا قابل تشخیص است. شاید بتوان گفت یک قدم به "خواندن ذهن" نزدیک شده ایم. با بهبود تدریجی این روش‌ها میتوان کم کم به برگرداندن شنوایی و حتی شاید بینایی به افراد ناتوان با استفاده از تحریک الکتریکی مغز امیدوار بود! فیلم در مورد همین پژوهش است. http://t.me/pubethicsmums/2473 https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3002176