Onlinebme

چرا ارشد می‌خوانیم؟ هدف این مقطع چیست؟ بعد از گذراندن این دوره، چه کارهایی می‌توانیم بکنیم؟ در طول دوره‌ی ارشد چه کارهایی قرار است انجام دهیم؟ واحدهای درسی در این دوره چگونه می‌گذرند؟ سمینار، پروپوزال، پایان‌نامه، دفاع، مقاله و... کلمه‌های دیگری که ممکن است به گوش‌تان آشنا باشد؛ اما مبهم. دانستن این‌ها و وسیع‌تر و دقیق‌تر دیدن مسیر پیش رو، کمک می‌کند تا این راه پر فراز و نشیب و کوتاه را بهتر و آسان‌تر طی کنید و در نهایت، با رزومه‌ی پربارتری از آن خارج شوید. زمان برگزاری: دوشنبه ۲۵ تیرماه ساعت ۱۸:۳۰ ظرفیت: ۲۰ نفر تا ۱۰ تیر ماه می‌توانید با وارد کردن کد EARLY، از ۲۰ درصد تخفیف ثبت‌نام زودهنگام استفاده کنید. لینک ثبت نام: https://evnd.co/grznB

از آنجاییکه انتخاب دیتاست یا پایگاه داده نقش بسیار مهمی در پژوهش های ما دارد، لازم است با دیتاست هایی که در مقالات اخیر استفاده می شود آشنا باشیم. 🟪معرفی دیتاست EEG تشنج صرعی CHB-MIT 🟣یکی از پایگاه داده‌ یا دیتاست‌های مهم EEG صرع تشنجی که در مقالات اخیر از آن استفاده شده است CHB-MIT است که در این مقاله به بررسی آن می‌پردازیم. اطلاعات بیشتر👇 https://onlinebme.com/chb-mit-database/ @onlinebme

✅مفهوم Early Stopping در یادگیری ماشین چیست؟ هما کاشفی امیری ۳۱ خرداد ۱۴۰۳ ✍️زمانی که مدل‌های یادگیری ماشین را آموزش می‌دهیم ممکن است این مدل‌ها روی داده‌ی آموزش بیش از حد آموزش ببینند و یا به اصطلاح داده‌ی آموزشی را حفظ کنند و بیش برازش (Overfitting) رخ دهد. اغلب در چنین مواقعی می‌بینیم که خطای مجموعه داده‌ی آموزش به طور پیوسته در طول زمان کاهش پیدا می‎‌کند اما خطای مجموعه داده‌ی Validation دوباره افزایش می‌یابد. رویکرد Early Stopping برای جلوگیری از این مسئله پیشنهاد شده است.  🔘 جزئیات بیشتر 👇 https://onlinebme.com/what-is-early-stopping-in-machine-learning/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅ محاسبه چگالی طیفی توان طبق روش Welch 👨‍💻محمد نوری زاده چرلو 🗓21 خرداد 1403 🔺️ چگالی طیفی توان (Power Spectral Density) توزیع توان در بازه‌های فرکانسی را مشخص می‌کند که میتوان با کمک تبدیل فوریه آنرا محاسبه کنیم. از آنجا که PSD اطلاعات زیادی در مورد پدیده‌ای که بررسی می‌کنیم ارائه می‌دهد، استفاده از آن در پردازش سیگنال‌های حیاتی برای تحلیل و استخراج ویژگی بسیار رایج است.  در این پست موارد زیر را بررسی می‌کنیم: ▪️        آشنایی با مفهوم PSD ▪️        نحوه محاسبه PSD طبق رویکرد Welch ▪️        محاسبه توان طبق قاعده‌ی ذوزنقه‌ای 🔘 جزئیات بیشتر 👇 https://onlinebme.com/power-spectral-density-calculation-using-welch-method/ 📌 فایل PDF 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅یادگیری بازنمایی یا Representation Learning چیست؟ هما کاشفی امیری 24 خرداد 1403 ✍️یادگیری بازنمایی یا Representation Learningروشی برای آموزش یک مدل یادگیری ماشین است تا بتواند مفیدترین بازنمایی داده‌ی ورودی را یاد بگیرد. این بازنمایی‌ها که اغلب به عنوان ویژگی (feature) شناخته می‌شوند، حالت‌های داخلی مدل هستند که می‌توانند داده‌های ورودی را به خوبی خلاصه‌ کنند و از این طریق به الگوریتم کمک می‌کنند تا الگوهای کلی داده‌ها را بهتر درک کنند. 🔘 جزئیات بیشتر https://onlinebme.com/representation-learning/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️ 🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆 〰〰〰〰〰 برنامه‌نویسی متلب 〰〰〰〰〰 🔲 اصول برنامه‌نویسی در متلب (رایگان) ▪️مدت دوره: 11 ساعت 🔘 Link 〰〰〰〰〰 برنامه‌نویسی پایتون  〰〰〰〰〰 ⚪️ فصل 1: اصول برنامه‌نویسی پایتون  ◽️مدت دوره: 32 ساعت 🔘 Link ⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib ◽️مدت دوره: 18 ساعت 🔘 Link ⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون ◽️مدت دوره: 14 ساعت 30 دقیقه 🔘 Link 〰〰〰 شناسایی الگو و یادگیری ماشین 〰〰〰 ⚠️ 140 ساعت ویدیوی آموزشی 🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر 🔹پیاده‌سازی مرحله به مرحله الگوریتمها 🔹انجام پروژه های عملی و تخصصی 🔹پیاده سازی گام به گام مقالات تخصصی   ⚪️فصل 1 تا 4: از بیزین تا SVM ◽️مدت دوره: 75 ساعت 🔘 Link ⚪️فصل 5: یادگیری جمعی ◽️مدت دوره: 18 ساعت 🔘 Link ⚪️فصل 6: الگوریتم‌های کاهش بعد ◽️مدت دوره: 11 ساعت 🔘 Link ⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی ◽️مدت دوره: 16 ساعت 🔘 Link ⚪️فصل 8: الگوریتم‌های خوشه‌بندی ◽️مدت دوره: 13 ساعت 🔘 Link 〰〰〰〰〰 شبکه‌های عصبی 〰〰〰〰〰 ⚪️ پیاده سازی گام به گام شبکه های عصبی ◽️مدت دوره: 25 ساعت 🔘 Link ⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN) ◽️مدت دوره: 11 ساعت 🔘 Link ⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN) ◽️مدت دوره: 13 ساعت 🔘 Link ⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین ◽️مدت دوره: 16 ساعت 🔘 Link ⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch ◽️مدت دوره: 70 ساعت 🔘 Link 〰〰〰〰 پردازش سیگنال مغزی 〰〰〰〰 ⚪️ دوره جامع پردازش سیگنال مغزی(EEG) ◽️مدت دوره: 50 ساعت 🔘 Link ⚪️ واسط مغز-کامپیوتر مبتنی بر P300 ◽️مدت دوره: 28 ساعت 🔘 Link ⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP ◽️ مدت دوره: 33 ساعت 🔘 Link ⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی ◽️مدت دوره: 21 ساعت 🔘 Link ⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI) ◽️مدت دوره: 7 ساعت و 30 دقیقه 🔘 Link ⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI) ◽️مدت دوره: 5 ساعت 🔘 Link ⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی ◽️مدت دوره: 8 ساعت 🔘 Link ⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون ◽️مدت دوره: 33 ساعت 🔘 Link 〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰 ⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی ◽️مدت دوره: 30 ساعت 🔘 Link ⚪️فصل 2: پردازش هیستوگرام تصویر ◽️مدت دوره: 6 ساعت و 30 دقیقه 🔘 Link ⚪️فصل 3: فیلترهای مکانی ◽️مدت دوره: 15 ساعت و 30 دقیقه 🔘 Link ⚪️فصل 4: عملیات مورفورلوژی ◽️مدت دوره: 6 ساعت 🔘 Link 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️ 🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆 〰〰〰〰〰 برنامه‌نویسی متلب 〰〰〰〰〰 🔲 اصول برنامه‌نویسی در متلب (رایگان) ▪️مدت دوره: 11 ساعت 🔘 Link 〰〰〰〰〰 برنامه‌نویسی پایتون  〰〰〰〰〰 ⚪️ فصل 1: اصول برنامه‌نویسی پایتون  ◽️مدت دوره: 32 ساعت 🔘 Link ⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib ◽️مدت دوره: 18 ساعت 🔘 Link ⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون ◽️مدت دوره: 14 ساعت 30 دقیقه 🔘 Link 〰〰〰 شناسایی الگو و یادگیری ماشین 〰〰〰 ⚠️ 140 ساعت ویدیوی آموزشی 🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر 🔹پیاده‌سازی مرحله به مرحله الگوریتمها 🔹انجام پروژه های عملی و تخصصی 🔹پیاده سازی گام به گام مقالات تخصصی   ⚪️فصل 1 تا 4: از بیزین تا SVM ◽️مدت دوره: 75 ساعت 🔘 Link ⚪️فصل 5: یادگیری جمعی ◽️مدت دوره: 18 ساعت 🔘 Link ⚪️فصل 6: الگوریتم‌های کاهش بعد ◽️مدت دوره: 11 ساعت 🔘 Link ⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی ◽️مدت دوره: 16 ساعت 🔘 Link ⚪️فصل 8: الگوریتم‌های خوشه‌بندی ◽️مدت دوره: 13 ساعت 🔘 Link 〰〰〰〰〰 شبکه‌های عصبی 〰〰〰〰〰 ⚪️ پیاده سازی گام به گام شبکه های عصبی ◽️مدت دوره: 25 ساعت 🔘 Link ⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN) ◽️مدت دوره: 11 ساعت 🔘 Link ⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN) ◽️مدت دوره: 13 ساعت 🔘 Link ⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین ◽️مدت دوره: 16 ساعت 🔘 Link ⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch ◽️مدت دوره: 70 ساعت 🔘 Link 〰〰〰〰 پردازش سیگنال مغزی 〰〰〰〰 ⚪️ دوره جامع پردازش سیگنال مغزی(EEG) ◽️مدت دوره: 50 ساعت 🔘 Link ⚪️ واسط مغز-کامپیوتر مبتنی بر P300 ◽️مدت دوره: 28 ساعت 🔘 Link ⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP ◽️ مدت دوره: 33 ساعت 🔘 Link ⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی ◽️مدت دوره: 21 ساعت 🔘 Link ⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI) ◽️مدت دوره: 7 ساعت و 30 دقیقه 🔘 Link ⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI) ◽️مدت دوره: 5 ساعت 🔘 Link ⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی ◽️مدت دوره: 8 ساعت 🔘 Link ⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون ◽️مدت دوره: 33 ساعت 🔘 Link 〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰 ⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی ◽️مدت دوره: 30 ساعت 🔘 Link ⚪️فصل 2: پردازش هیستوگرام تصویر ◽️مدت دوره: 6 ساعت و 30 دقیقه 🔘 Link ⚪️فصل 3: فیلترهای مکانی ◽️مدت دوره: 15 ساعت و 30 دقیقه 🔘 Link ⚪️فصل 4: عملیات مورفورلوژی ◽️مدت دوره: 6 ساعت 🔘 Link 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

✅الگوریتم Pan-Tompkins در تشخیص پیکهای R سیگنال ECG محمد نوری زاده چرلو 14 خرداد 1403 در پردازش سیگنال ECG اولین مرحله آشکارسازی پیکهای R است. از طریق این موقعیت پیکهای R کمپلکس QRS، سیگنال RRI و HR استخراج می‌شود. آشکارسازی دقیق موقعیت پیکهای R برای تحلیل های بعدی بسیار با اهمیت است. 💡الگوریتم Pan-Tompkins یکی از معروفترین روشها در تشخیص پیکهای R در سیگنال قلبی هست. این الگوریتم یک سری فیلتر روی سیگنال ECG اعمال می‌کند و نواحی مرتبط با QRS را برجسته تر می‌کند و در نهایت پیکهای R را تشخیص میدهد. در این پست میخواهیم با مراحل این روش توسط یک مثال عملی آشنا شویم. ⭕️جزئیات بیشتر 👇 🔘https://onlinebme.com/pan-tompkins-algorithm-for-qrs-detection/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅تبدیل موجک چیست؟ هما کاشفی امیری 10 خرداد 1403 ✍️تبدیل موجک (Wavelet Transform) یک ابزار ریاضیاتی است که یک تابع یا سیگنال را به یک مجموعه توابع پایه به نام موجک، تجزیه می‌کند. تبدیل موجک، ابزار قدرتمندی در پردازش سیگنال EEG است؛ با استفاده از آن می‌توان از سیگنال EEG، ویژگی استخراج کرد یا نویز آن را حذف کرد. #Python #EEG #Deep_Learning 🔘 جزئیات بیشتر 👇 https://onlinebme.com/wavelet-transform/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅شبکه‌های عمیق در نقش‌های مختلف در تحلیل سیگنال EEG هما کاشفی امیری 3 خرداد 1403 ✍️اگر تابحال مقالات مربوط به کاربرد شبکه‌های عمیق در پردازش انواع مختلف سیگنال EEG را بررسی کرده باشید، احتمالاً متوجه شده‌اید که بسته به کاربرد و عملکرد مناسب مدل، شبکه‌های عمیق در نقش‌های مختلفی ظاهر شده‌اند. برای مثال در برخی از مقالات از شبکه‌های عمیق به عنوان استخراج کننده ویژگی استفاده شده است و در برخی دیگر، نقش کاهش دهنده ی ابعاد را بازی کرده‌اند. در برخی از مقالات هم کل مراحل توسط شبکه عمیق انجام شده و هیچ مرحله پیش پردازش یا استخراج ویژگی وجود ندارد (End to End Learning). در این مقاله، به این موارد می‌پردازیم و اینکه کدامیک از شبکه‌ها برای هر یک از این عملیات مناسب هستند. #Python #EEG #Deep_Learning 🔘 جزئیات بیشتر 👇 https://onlinebme.com/different-roles-of-deep-learning-networks-in-eeg-signal-processing/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

معرفی تابع dir متلب (خواندن فایلها با اسم های مختلف) محمد نوری زاده چرلو 31 اردیبهشت 1403 احتمالا شما هم موقع خواندن فایلها با اسمهای مختلف در متلب، مخصوصا اگر اسم فایلها الگوی خاصی نداشته باشند، به مشکل خورده اید. همانند ماژول glob پایتون، متلب تابعی به اسم dir داره که این کار رو براتون راحت میکنه و اسم فایلها رو به صورت لیست به شما میده و شما راحت میتونید فایلها رو بخونید. تو این ویدیو کار با تابع dir متلب را توضیح داده ایم ⭕️ جزئیات بیشتر 👇 https://onlinebme.com/matlab-dir-function/ 🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

☑️تشخیص تشنج های صرع سیگنال EEG با الگوریتم های یادگیری عمیق هما کاشفی امیری 20 اردیبهشت 1403 ✍️در محیط بالینی، تشخیص خودکار تشنج های صرع اهمیت فزاینده ای پیدا می کند، زیرا می تواند به طور قابل توجهی بار مراقبت از بیماران مبتلا به صرع صعب العلاج را کاهش دهد. سیگنال های الکتروانسفالوگرافی (EEG) فعالیت الکتریکی مغز را ثبت می کنند و حاوی اطلاعات غنی در مورد اختلال عملکرد مغز هستند. به عنوان یک ابزار غیر تهاجمی و ارزان برای تشخیص تشنج های صرع، ارزیابی بصری ضبط EEG کار فشرده و ذهنی است و نیاز به بهبود قابل توجهی دارد. با استفاده از الگوریتم های یادگیری عمیق می توان تشخیص تشنج های صرعی را با بالاترین دقت انجام داد. #Python #EEG #Deep_Learning 🔘 جزئیات بیشتر 👇 https://onlinebme.com/epilepsy-eeg-signal-detection-using-deep-learning/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

#بازوی_مصنوعی @Onlinebme