EEG workshop

🔰 ظرفیت پژوهشی هر عضو هیئت‌علمی اعلام شد/ براساس مصوبه ۲۷ تیرماه ۱۴۰۵ شورای علمی 🔻 اعضای هیئت‌علمی می‌توانند هم‌زمان از حمایت‌های بنیاد در قالب طرح پژوهشی، رساله دکتری، پسادکتری و پایان‌نامه کارشناسی ارشد (تفاهم‌نامه‌ای) مطابق ظرفیت‌های مصوب استفاده کنند. 🔹ظرفیت هر استاد ممتاز شامل: ۲ طرح پژوهشی، ۳ رساله دکتری، ۳ پسادکتری و ۱ پایان‌نامه کارشناسی ارشد (تفاهم‌نامه‌ای) است. ظرفیت هر استاد شامل: ۲ طرح پژوهشی، ۲ رساله دکتری، ۲ پسادکتری و ۱ پایان‌نامه کارشناسی ارشد، ظرفیت هر دانشیار شامل: ۲ طرح پژوهشی، ۲ رساله دکتری، ۱ پسادکتری و ۱ پایان‌نامه کارشناسی ارشد و ظرفیت هر استادیار شامل: ۲ طرح پژوهشی، ۱ رساله دکتری و ۱ پایان‌نامه کارشناسی ارشد است. 🔸طرح پژوهشی شامل: طرح پژوهشی مستقل، طرح پژوهشی مأموریت‌گرا، کرسی، خوشه پژوهشی، مرز دانش جهانی، گرنت، طرح‌های بین‌الملل و طرح‌های فراخوانی است. برای اعضای هیئت‌علمی با مرتبه استاد ممتاز و استاد، یک سهمیه طرح بین‌الملل علاوه بر ظرفیت طرح‌های پژوهشی در نظر گرفته می‌شود. توصیه می‌شود مجریان، طرح‌های پژوهشی مستمر را به‌صورت همزمان ارسال نکنند . 📎 متن کامل خبر⁠ 🆔 @insf_pr

#dataset https://www.nature.com/articles/s41597-025-06512-5

#فراخوان 🔰 *اعلام فراخوان ذیل برنامه حمایت از پژوهش عمیق شرکت‌های دانش‌بنیان؛ فراخوان «توسعه سیستم مکان‌یابی دقیق با حداکثر خطای قابل قبول مبتنی بر فیوژن سنسور برای هدست‌های واقعیت افزوده در جراحی مغز و اعصاب»* 🔻بنیاد ملی علم ایران در راستای مأموریت‌گرا‌شدن پژوهش‌ها و حمایت از طرح‌های پژوهشی که به فناوری روز دنیا می‌پردازد و می‌تواند باری از دوش صنعتگران کشور بردارد، فراخوان‌هایی را با عنوان برنامه حمایت از پژوهش عمیق شرکت‌های دانش‌بنیان منتشر می‌کند. 🔸 «توسعه سیستم مکان‌یابی دقیق با حداکثر خطای قابل قبول مبتنی بر فیوژن سنسور برای هدست‌های واقعیت افزوده در جراحی مغز و اعصاب» به عنوان یکی دیگر از فراخوان‌های این برنامه، منتشر می‌شود. 🔹کلیه افراد واجد شرایط به مدت یک ماه از تاریخ انتشار فراخوان یعنی تا ۴ شهریور فرصت دارند که پروپوزال خود را از طریق [سامانه کایپر](https://rtms.insf.org/) برای بنیاد ملی علم ایران ارسال نمایند. 📎 جزئیات 👇 🌐https://insf.org/fa/news/1039 🆔@insf_pr

#فراخوان 🔰 *اعلام فراخوان «حمایت از پژوهش‌های عمیق شرکت‌های دانش‌بنیان» با اولویت پژوهش‌های مرتبط با فناوری‌های پیشران و اقتدار آفرین* 🔻مخاطب این برنامه، همه انواع شرکت‌های دانش‌بنیانی هستند که می‌خواهند با هدف تولید محصولات نسل جدید، نیاز پژوهشی خود را به پژوهشگران مؤسسات علمی (دانشگاه و پژوهشگاه) برون‌سپاری نمایند و این حمایت به واسطه مشارکت مالی بنیاد ملی علم و شرکت متقاضی به پژوهشگر منتخب اعطا خواهد شد. 🔸حوزه‌های اولویت‌دار این فراخوان مطابق بند «ت» ماده ۹۹ برنامه هفتم پیشرفت هستند، به شرح ادامه می‌باشد : هوش مصنوعی، کوانتوم، زیست مهندسی، مواد و ساخت پیشرفته، ریزفناوری و ریزالکترونیک (میکروالکترونیک)، فناوری‌های عصبی و مغز و علوم شناختی 🔹از تمامی شرکت‌های متقاضی و مجریان درخواست می‌شود مسائل و چالش‌های خود را با ایمیل hatamkhani.a@insf.org در میان بگذارید یا جهت برقراری تماس و دریافت اطلاعات بیشتر با شماره ۰۲۱۸۲۱۶۱۱۵۰ تماس حاصل فرمایید. برای طرح سوالات و رفع ابهامات می‌توانید عضو [گروه بله مرتبط با برنامه](http://ble.ir/join/2z8bguFKyi) شوید. 📎 جزئیات 👇 🌐 https://insf.org/fa/news/1460 🆔@insf_pr

در استفاده از هوش مصنوعی مراقب توهم hallucination باشید مخصوصا در قسمت تولید مراجع. حتما از وجود مراجع داده شده با جستجوی اینترنتی مطمئن شوید

Our contributions are three-fold: 1. Dataset: We release Alljoined-1.6M as part of the THINGS initiative, a large scale EEG dataset of visual perception containing 32-channel recordings from 20 participants, 4 sessions each, totaling 1.6 M trials across 16,740 unique images, all collected on affordable EEG hardware (Fig. 1A,B). 2. Benchmarks and Decoding Analysis: We provide extensive benchmarks and analysis of existing EEG-to-Image reconstruction, retrieval, and semantic decoding models on our dataset, setting a baseline for future research developing methods for decoding affordable EEG responses to visual stimuli. 3. Scaling and Cost Analysis: We conduct a detailed analysis of the within-subject scaling properties of our dataset, finding that, despite the lower SNR, decoding performance still increases log-linearly no signs of saturation, demonstrating that scaling is still an effective approach for improving decoding performance on consumer-grade EEG hardware. We also demonstrate (in Fig. 1C) the degree of financial investment necessary to obtain certain benchmarks for decoding performance.