✅ سرفصل دوره جامع پردازش سیگنال  مغزی(eeg)
#اولین دوره تخصصی در ایران

1⃣ فصل اول: مقدمه
🔻  مقدمه ای بر پردازش سیگنال  EEG از دید شناسایی الگو
🔺 مقدمه ای بر الکتروانسفالوگرافی(eeg)

2⃣ فصل دوم: پردازش سیگنال eeg در حوزه زمان
🔹    معرفی پایگاه داده صرع و نحوه خواندن آن در متلب
🔸     نحوه استخراج ریتم های eeg در حوزه زمان
🔹     استخراج ویژگی از سیگنال eeg در حوزه زمان

3⃣ فصل سوم: پردازش سیگنال  eeg در حوزه فرکانس(تبدیل فوریه)
🔹    تبدیل فوریه
🔸    نحوه محاسبه رزولوشن فرکانسی
🔹    تحلیل سیگنال در حوزه فرکانس
🔸   نحوه طراحی و اعمال فیلتر در حوزه فرکانس
🔹    نحوه فیلتر کردن سیگنال eeg در حوزه فرکانس
🔸     حذف نویز سیگنال eeg با کمک تبدیل فوریه
🔹    استخراج ریتمهای eeg در حوزه زمان با کمک تبدیل فوریه
🔸    استخراج اطلاعات ریتمهای eeg در حوزه فرکانس
🔹    استخراج ویژگی از سیگنال eeg در حوزه فرکانس

4⃣ فصل چهارم: طبقه بندی سیگنال eeg
🔹    مفهوم طبقه بندی
🔸   روال انجام استاندارد پروژه های eeg از دید شناسایی الگو
🔹    طبقه بندی سیگنال eeg با کمک طبقه بند knn
🔸   طبقه بندی سیگنال eeg با کمک طبقه بند svm
🔹    ماشین بردار پشتیان خطی و غیرخطی
🔸    تعمیم svm دو کلاسه به چند کلاسه با کمک تکنیک یکی در مقابل یکی
🔹    تعمیم svm دو کلاسه به چند کلاسه با کمک تکنیک یکی در مقابل همه
🔸    طبقه بندی سیگنال eeg با کمک طبقه بند درخت تصمیم(decision tree)
🔹    طبقه بندی سیگنال eeg با کمک طبقه بند LDA
🔶                   روشهای ارزیابی
o      روش ارزیابی K-fold cross validation
o      روش ارزیابی the hold out method
o      روش ارزیابی leave one out
o      روش ارزیابی random subsampling
🔷                   پارامترهای ارزیابی
o      accuracy
o      sensitivity
o      specificity
o      ماتریس کانفیوژن
 
5⃣ فصل پنجم: پردازش سیگنال  eeg در حوزه زمان-فرکانس(تبدیل ویولت)
🔻    ایراد تبدیل فوریه
🔺    ایراد تبدیل فوریه زمان کوتاه(STFT)
🔻   تبدیل ویولت
🔺    مقایسه عملی تبدیل ویولت و تبدیل فوریه
🔻     نحوه اعمال تبدیل ویولت بر روی سیگنال EEG
🔺    نحوه استخراج اطلاعات ریتمهای EEG از روی ضرایب ویولت
🔻    استخراج ویژگی از سیگنال EEG در حوزه زمان-فرکانس(ویولت)
 
6⃣ فصل6 : انتخاب ویژگی
🔸   نحوه ترکیب ویژگیهای استخراج شده در سه حوزه زمان، فرکانس(فوریه) و ویولت
🔹    نحوه نرمالسازی ویژگیهای استخراج شده در سه حوزه مختلف
🔸    مفهوم انتخاب ویژگی
🔹    انواع روشهای انتخاب ویژگی
🔸    مفهوم p-value
🔹    انتخاب ویژگیهای مناسب با استفاده از روش آماری T-test
🔸     انتخاب ویژگیهای مناسب با استفاده از روش آماری آنوا(anova)
🔹    انتخاب ویژگی های مناسب با استفاده از روش جستجوی بهینه(SFFS)
 
7⃣ فصل7 : انتخاب باندهای فرکانسی بهینه سیگنال EEG در مسائل مختلف
🔹    انتخاب باندهای فرکانسی بهینه سیگنال EEG با کمک روشهای اسکالر(filter methods)
🔸   انتخاب باندهای فرکانسی بهینه سیگنال EEG با کمک روشهای برداری -ترکیبی(wrapper methods)
 
8⃣ فصل8:طبقه بندی سیگنال EEG مبتنی بر تسک تصور حرکتی
🔸    مفاهیم پایه در مورد سیگنال eeg مبتنی بر تسک تصور حرکتی
🔹    مراحل انجام پروژه bci
🔸    معرفی پایگاه داده bci-competition
🔹    استخراج اطلاعات مرتبط با تسک تصور حرکتی(ریتم میو و بتا)
🔸  برجسته سازی اطلاعات کانالها ( Source
localization car)
🔷   طبقه بندی سیگنال eeg مبتنی بر تسک تصور حرکتی
🔶    انتخاب کانالهای بهینه سیگنال eeg با کمک روشهای اسکالر(filter methods)
🔷    انتخاب کانالهای بهینه سیگنال eeg با کمک روشهای ترکیبی(wrapper methods)
 ➖➖➖➖➖➖➖➖➖➖➖➖
⭕️جزئیات بیشتر 👇
🌀https://onlinebme.com/product/eeg-signal-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme