آینده ی هوش مصنوعی

اظهار نظر افراد مختلف درباره ی آینده ی هوش مصنوعی  در اینجا گزارش بیان شده است:

 

 

ولادمیر پوتین رئیس‌جمهور روسیه : در آینده کشوری رهبری دنیا را در دست می گیرد که در زمینه هوش مصنوعی برتر از بقیه باشد، تولید هوش مصنوعی فرصت‌ها و تهدید خارق العاده ای را پیش رو می‌گذارد که پیش بینی کردن آن سخت است.

در پی این صحبت‌ها الون ماسک (بنیان‌گذار تسلا)، چهره معروف در دنیای فناوری با ابراز نگرانی از تهدیدات هوش مصنوعی گفت:

به نظر من جاه طلبی‌های هسته‌ای کره شمالی کمتر از صحبت‌های پوتین نگران کننده است. اگر پیونگ یانگ موشک هسته‌ای خود را راه اندازی کند، خودکشی خواهد کرد، اما هوش مصنوعی می‌تواند برای همه بسیار خطرناک باشد. رقابت برای برتری در هوش مصنوعی عامل وقوع جنگ جهانی سوم خواهد بود .

چند روز بعد، مارک زاکربرگ در برادکستی زنده،  ماسک را فردی منفی باف خواند و عنوان کرد که نیازی نیست مردم را با این تئوری های آخرالزمانی ترساند: به نوعی باور دارم که این کار از بی مسئولیتی سرچشمه می گیردماسک سپس توییت کرد: با مارک در این باره صحبت کرده ام. درکش از موضوع محدود است.

مارک زاکربرگ مدیرعامل فیس بوک: 

مهم ترین مبحث مرتبط با هوش مصنوعی که اکنون تمرکز کامل خود را بر آن معطوف ساخته ایم، توسعه کامپیوترهایی است که درکی فراتر از قدرت درک انسان داشته باشند. در نتیجه اموری نظیر شنیدن، دیدن، و درک گفتار در مرکزیت توجه ما قرار گرفته است. تصور می کنم در پنج الی ده سال آینده می توانیم به نقطه ای برسیم که کامپیوترها بتوانند در هر یک از موارد یاد شده، برتر از انسان شوند.

استفان هاوکینگ فیزیکدان برجسته:

هوش مصنوعی تمدن بشری را نابود خواهد کرد. هاوکینگ معتقد است انسان‌ها از نقطه نظر طبیعی، تکامل زیستی بسیار کندی دارند. این موضوع می‌تواند دلیلی بر عدم توانایی ما در مواجه شدن با خطراتی نظیر روبات‌های هوشمند باشد. در اظهار نظری جالب و البته جنجالی این دانشمند ۷۲ساله انگلیسی اعلام کرده که توسعه دادن هوش مصنوعی تا سر حد کمال به معنی پایان یافتن حاکمیت انسان بر کره خاکی خواهد بود.
در حالی هاوکینگ درباره هوش مصنوعی هشدار می‌دهد که وی به دلیل ابتلا به بیماری ALS تقریباً توانایی تحرک و تکلم خود را به طور کامل از دست داده و با استفاده از ابزارهای دیجیتال که به طور مختصر از هوش مصنوعی استفاده می‌کند. این ابزار دیجیتالی ساخت کمپانی اینتل است می‌تواند با دنیای اطراف خود ارتباط برقرار کند.

هوش مصنوعی به قدری بین قدرت طلبان اهمیت پیدا کرده که دولت امارات متحده عربی، که یک تولیدکننده مهم نفتی است، می‌خواهد به یک اقتصاد دیجیتال تغییر پیدا کند. این دولت در سه سال گذشته سرمایه‌گذاری خود در هوش مصنوعی را تا ۷۰درصد افزایش داده است. نکته قابل تاملش اینه که امسال امارات سه وزارت جدید ایجاد کرده که یکیش هوش مصنوعی است

 

سوالی که شاید ذهن اکثر ما را مشغول کرده اینه که وضیعت هوش مصنوعی در ایران به چه صورت است؟ آیا دولت مردان ما هم به اهمیت این حوزه پی برده اند؟  منتظر نظرات شما هستیم.


 

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید

کلاسیفایرهای مبتنی بر تئوری تصمیم گیری بیز

مقدمه ای بر تئوری تصمیم گیری بیز

در این بخش و چند بخش آتی،در مورد کلاسیفایرهای مبتنی بر تئوری تصمیم­ گیری بیز صحبت می­کنیم. الگوریتم ­های این بخش و همچنین تمرین هایی که در این بخش گفته می شود برای درک بهتر این مفهموم و همچنین آشنایی با برخی از مفاهیم اساسی مربوط به کلاس­بندی بسیار مهم هستند. برخی از الگوریتم ها  در ساختار و درک ساده هستند.

بطور کلی در تسک کلاسبندی، یک پترن را دریافت میکنیم و تسک این است که آن را به یکی از c کلاس ،کلاس­بندی کنیم. تعداد کلاس­ها، c است و فرض میشود که از قبل معلوم است. هر الگو، با یک مجموعه از ویژگی­ها بصورت x(i)=1.2…,L مشخص می­شود، که یک بردار ویژگی Lبعدی را بصورت x={ [x(1),x(2),...x(l)] }^{ T }\in { R }^{ L } را ایجاد می­کنیم. فرض می­کنیم که هر الگو بطور یکتایی با بردار ویژگی منحصربفرد معرفی می­شود که می­تواند فقط به یکی از کلا­س­ها تعلق یابد.

تعریف 

یک X\in { R }^{ L } و یک مجموعه از کلاس­های c که بصورت  { w }_{ i },i=1,2,..,c   را دریافت می­کنیم. قاعده­ ی بیزین بصورت زیر است:

که { P(w }_{ i })  احتمال پیشینه ­ی کلاس { w }_{ i },i=1,2,..,c و { p(w }_{ i }|x) احتمال پاستریور برای کلاس{ w }_{ i }  نسبت به  xاست وp(x) تابع دانسیته­ ی احتمال(pdf) برحسب x و    { p(x|w }_{ i })    احتمال شرطی x نسبت به [

latex]{ w }_{ i }[/latex] است (که برخی اوقات دانسیته ­ی احتمال  برحسب x نامیده می­شود).

  

 تئوری تصمیم­ گیری بیز

الگویی که برچسب کلاس آن نامعلوم است را درنظر بگیرید که x={ [x(1),x(2),...x(l)] }^{ T }\in { R }^{ L } بردار ویژگی متناظر آن باشد، که براساس برخی اندازگیری­ ها بدست آمده ­اندو تعدادکلاس ­های ممکن، هم برابر است با c که عبارتند از{ w }_{ 1 },{ w }_{ 2 },...{ w }_{ c } .

مطابق با تئوری تصمیم ­گیری بیز، درصورتی x به کلاس { w }_{ i }  تعلق می­گیرد که داشته باشیم:

و یا داشته باشیم:

نکته: کلاسیفایر بیز  درحالتی بهینه است که احتمال خطا را حداقل کند.

 

تابع دانسیته­ ی احتمال گوسین:

Pdf گوسین، بدلیل سادگی ریاضیاتی و همچنین بدلیل تئوری محدوده­ ی مرکزی  بطور گسترده در شناسایی آماری الگو استفاده می­شود.  براساس تئوری محدوده­ ی مرکزی، pdf مجموعِ متغیرهای رندوم مستقل به یک عدد گاوسی تمایل دارند زیرا تعداد جملات به بینهایت میل می­کنند. در عمل، این تئوری برای تعداد زیاد و کافی از مجموع ­ها صادق است.

Pdf گاوسی چندبعدی بصورت زیر است:

کهm=E[x] بردار میانگین است و S ماتریس کوواریانس می­باشد که بصورت    S=E[(x-m){ (x-m) }^{ T }]تعریف می­شود و |S| دترمینان S است.

اغلب به pdf گوسی، pdfنرمال گفته می­شود و از نمادN(m,S) استفاده می­کنیم. برای حالت یک­ بعدی کهx\in R است، رابطه­ ی بالا بصورت زیر است:

که{ \sigma }^{ 2 }  واریانس متغیر رندوم x است.

 

در اینجا دو تمرین برای شما دوستان عزیر مطرح شده است، برای درک بهتر این بخش، کد مربوط به  این دو سوال را در متلب بنویسد(در صورتی که مشکلی در نوشتن کد داشتید در قسمت دیدگاه بیان کنید تا در اسرع وقت پاسخ داده شود ). در پست های آتی پاسخ آنها را  در این بخش از سایت قرار خواهم داد.

تمرین۱:

Pdf گوسی،  و بعبارت دیگر N(m,S) را در { x }_{ 1 }={ [2.2\quad -1.3] }^{ T } و { x }_{ 1 }={ [0.2\quad 1.3] }^{ T } را براساس اطلاعات زیر محاسبه کنید.

 

  

تمرین۲:

یک تسک کلاس­بندی دوبعدی را در فضای دوبعدی درنظر بگیرید، که دیتاها در هر دو کلاس دارای توزیع گوسی بصورتN({ m }_{ 1 },{ S }_{ 1 }) و N({ m }_{ 2 },{ S }_{ 2 }) هستند و داریم:

اگر { P(w }_{ 1 })={ P(w }_{ 2 })=1/2 باشد، { x }_{ 1 }={ [1.8\quad 1.8] }^{ T } را در یکی از کلاس­های { w }_{ 1 }  و یا { w }_{ 2 }  کلاس­بندی کنید.

 

 

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید

اولین دوره ‏ی جامع تخصصی و عملی برای دانشجویان مهندسی پزشکی در مشهد

ویژگی های اصلی دوره

یکی از مشخصه های برجسته ی دوره ی جامع تخصصی و عملی این است که برای اولین بار در ایران برگزار می شود و همانطور که از عنوان دوره مشخص است تنها دوره ای است که سعی شده تمام مباحث مهندسی پزشکی را پوشش دهد!

در این دوره علاوه بر مباحث شناسایی آماری الگو و داده کاوی، چندین پروژه عملی مطابق با مقالات معتبر آموزش داده می شود که دانشجویان با پروژه های مختلفی در حوزه مهندسی پزشکی آشنا شده و بعد از دوره دید بهتری نسبت به مباحث مهندسی پزشکی پیدا می کنند و با آگاهی کامل موضوعات مورد علاقه شان را برای پایان نامه انتخاب کنند.

نکته: این دوره کاملا تخصصی است و مخصوص دانشجویان ارشد و دکتری هست. برای دانشجویان کارشناسی توصیه نمیشود!

 

البته یه سری دوستان غیرمهندسی پزشکی با توجه به عنوان دوره،  مهندسی پزشکی هست دید مناسبی از محتوای دوره ندارند، که باید بگوییم هدف و تمرکز  این  دوره بر روی مباحث درس شناسایی آماری الگو (پترن) و درس داده کاوی است که اساس تمام پروژه های مهندسی در شاخه های مختلف است.

سعی ما براین است که مباحث این دو درس را کامل آموزش دهیم و برای اینکه مطلب ملموس‌تر شوند، الگوریتم‌ها را روی داده های واقعی اعمال می‌کنیم. داده هایی که در این دوره استفاده می شود داده های مرتبط با مهندسی پزشکی است.

بطبع این دوره برای دوستان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها می دهد. پروژه‌هایی که طول دوره آموزش داده می شوند نتیجه چهار سال تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی کردیم پروژه های خوب و بروزی که امروزه در این رشته کار میشود را انتخاب کنیم و براساس مقالات معتبر شبیه سازی کنیم.

 بعد اتمام دوره انتظار داریم دوستان شرکت کننده دید بهتری از پروژه ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناسی ارشد انتخاب کنند. این دوره برای اولین بار در ایران برگزار می شود و هدف این است که دوستان به طور مناسب آموزش ببینند تا در شبیه سازی مقالات تخصصی در حوزه مهندسی پزشکی و در انجام پروژه پایان‌نامه مشکلی نداشته باشند. در این دوره ما نحوه کار با داده‌های مختلف را نیز آموزش میدهیم و دوستان سختی کار با داده ها را دیگر تجربه نخواهند کرد.

همانطور که گفتیم هدف اصلی از برگزاری دوره این است که مباحث تخصصی را پروژه محور آموزش دهیم تا شرکت‌کنندگان بعد از اتمام دوره، بتوانند پایان‌نامشون رو خودشون انجام دهند و مشکلاتی از قبیل کار با داده، برنامه‌نویسی در متلب، تجزیه و تحلیل داده‌ها نداشته باشند.

 تو این چند سال متوجه شدیم که اکثر دوستان مهندسی پزشکی مباحث را بلدند ولی در پیاده‌سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند. علاوه بر آموزش مباحث درس شناسایی آماری الگو و داده کاوی، ۵ پروژه عملی از صفر تا صد در متلب پیاده‌سازی می‌شوند و شرکت‌کنندگان با موضوعات مختلفی آشنا شده و کار با داده‌های مختلف پزشکی را یاد می‌گیرند.


ادامه مطلب …

روش اعتبار سنجی k- fold cross validation


 

 

 

در این ویدئو روش های اعتبارسنجی توضیح داده شده است

۱- Model selection

در این روش هدف رسیدن به یک مدل و ساختار بهینه است. برای مثال در شبکه های عصبی، تعداد لایه‌های پنهان و تعداد نورون‌ها در لایه های مختلف، پارامترهای آزادی که کاربر تعیین میکند، را با استفاده از این روش تعیین می کنیم یا در کلاسبند KNN ، تعداد همسایه های نزدیک را تعیین می‌کنیم. 

یکی از روشهای معروفی که استفاده می شود، cross validation  است.

در این روش داده را به سه بخش تقسیم می کنند:

  • داده آموزش
  • داده validation
  • داده تست

در ابتدا یک ساختار توسط کاربر تعیین می شود و با استفاده از داده آموزش کلاسبند را با ساختار تعیین شده آموزش می دهند. سپس با استفاده از داده validation کلاسبند آموزش دیده را تست کرده و پارامترهای ارزیابی (برای مثال دقت کلاسبندی)را به ازای آن ساختار بدست می‌آورند. سپس ساختار دیگری را در نظر می گیرند و مراحل قبل را تکرار می کنند.

به ازای ساختارهای مختلف این عمل انجام می شود و در نهایت ساختاری که بیشترین دقت کلاسبندی را داشته انتخاب می کنند.

در نهایت، داده های آموزش و validation را باهم ترکیب کرده و کلاسبند با ساختار بهینه بدست آمده تست کرده و پارامترهای ارزیابی نهایی را محاسبه میکنند.… برای مشاهده ی ادامه ی این متن به  این بخش از سایت ببینید.

 


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال

 

 

 

روش‌های اعتبارسنجی کلاسبند

۱- Model selection

هدف از این روش اعتبارسنجی، رسیدن به یک مدل و ساختار بهینه است.

برای مثال در شبکه های عصبی، تعداد لایه‌های پنهان، تعداد نورون‌ها در لایه های مختلف و پارامترهای آزاد تعیین شده توسط کاربر؛ با این روش تعیین یا در کلاسبند KNN ، تعداد همسایه های نزدیک را تعیین می‌کنیم.

یکی از روشهای معروفی که استفاده می شود، cross validation  است.

در این روش داده را به سه بخش تقسیم می کنند:

  • داده آموزش
  • داده validation
  • داده تست

در ابتدا یک ساختار توسط کاربر تعیین  و با استفاده از داده آموزش کلاسبند  با ساختار تعیین شده آموزش داده می شود. سپس با استفاده از داده validation کلاسبند آموزش دیده را تست کرده و پارامترهای ارزیابی (برای مثال دقت کلاسبندی)را به ازای آن ساختار بدست می‌آورند. سپس ساختار دیگری را در نظر می گیرند و مراحل قبل را تکرار می کنند. به ازای ساختارهای مختلف این عمل انجام می شود و در نهایت ساختاری که بیشترین دقت کلاسبندی را داشته انتخاب می کنند. در نهایت، داده های آموزش و validation را باهم ترکیب کرده و کلاسبند با ساختار بهینه بدست آمده تست کرده و پارامترهای ارزیابی نهایی را محاسبه میکنند.

ادامه مطلب …

آموزش تجزیه مولفه های اساسی (PCA) در متلب

تجزیه مولفه های اساسی PCA

بخش اول
در این بخش مبحث تئوری pca با یک مثال عملی و ساده آموزش داده میشود.

 

در بخش دوم پیاده سازی الگوریتم pca در متلب را آموزش خواهیم داد و سپس جهت این الگوریتم را روی داده های واقعی اعمال می کنیم و نتیجه را بررسی می کنیم.

 

کد و فایل pdf مربوط به این بخش در کانال تلگراممون قرار داده شده است، میتوانید به صورت رایگان از کانال دانلود کنید.


✅ دوستان علاقه مند به برنامه نویسی متلب، پردازش تصویر، پردازش سیگنال ، شبکه های عصبی ، شناسایی آماری الگو (پترن ) به کانال تلگراممون مراجعه کنند.

✅ تمامی ویدیوها در کانال به صورت رایگان قرار داده می شوند و هدف اشتراک اطلاعات برای دوستانی است که فرصت شرکت در دوره های مهندسی پزشکی را ندارند.

 

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید

 


 

الگورتیم خوشه بندی FCM

در جلسات قبل برای ناحیه بندی تصاویر و یا خوشه بندی داده ها (سیگنالهای حیاتی و …) الگوریتم خوشه بندی K-means  را به طور کامل در کانال تلگرام توضیح دادیم و در محیط متلب پیاده سازی کردیم.

در اینجا قصد داریم الگوریتم خوشه بندی برمبنای منطق فازی را توضیح دهیم.

همانند الگوریتم های خوشه بندی این الگوریتم نیز برای کاربرد زیادی در ناحیه بندی تصاویر، خوشه بندی داده ها و غیره دارد.

ادامه مطلب …

پردازش سیگنالهای حیاتی(EEG)

سیگنالهای حیاتی
بخش اول : الکتروانسفالوگرافی (EEG)


نوار مغزی(EEG)

نوارمغزی یا الکتروانسفالوگرافی (Electroencephalography) یا الکترومغزنگاری، ثبت فعالیت الکتریکی مغز است، این تکنیک شامل اخذ سیگنال توسط الکترودهای سطحی، بهبود سیگنال (معمولاً تقویت و حذف نویز)، چاپ سیگنال و آنالیز آن می‌شود. آنچه روی کاغذ چاپ می‌شود، الکتروانسفالوگرام نامیده می‌شود.

مغز انسان دارای میلیاردها سلول عصبی است. این سلولها برای برقراری ارتباط با یکدیگر و دیگر سلولهای بدن ، پیامهای عصبی رد و بدل می کنند. پیامهای عصبی ماهیت الکتریکی-شیمیایی دارند. در اینجا بیشتر ماهیت الکتریکی پیام های عصبی مدنظر است و به آن سیگنال الکتریکی گفته می شود. جهت ثبت سیگنال های الکتریکی مغز می توان از دستگاه EEG یا Electroencephalography استفاده کرد. این دستگاه با استفاده از الکترودهایی که در سطح سر قرار می گیرند، سیگنال های الکتریکی مغز را ثبت می کند. الکترودها به منظور دریافت سیگنال در مکانهای خاصی از سر قرار می¬گیرند. خروجی این الکترودها به ورودی تقویت کننده EEG متصل می شود و پس از انجام تقویت و فیلتر شدن، مورد استفاده قرار می گیرد.

دستگاه ثبت EEG
ماشین‌های EEG بالینی، معمولاً شامل ۸، ۱۶ یا ۳۲ کانال است. به صورت معمول ۲۰ الکترود روی سر بیمار قرار می‌گیرد که پتانسیل حیاتی مذکور را به پیش تقویت کننده می‌رساند. معمولاً با استفاده از یک سیگنالکالیبراسیون پالسی، سیستم کالیبره می‌شود. سیگنال‌های دریافت شده، تقویت و حذف نویز می‌شود. سیگنال‌ها را می‌توان به همین شکل ثبت کرد یا جهت انجام پردازش‌های بیشتر مانند محاسبه طیف فرکانسی سیگنال و طبقه‌بندی و اعمال الگوریتم‌های تشخیصی، به دیجیتال تبدیل و وارد کامپیوتر کرد. ثبت پتانسیل‌هایی که پس از تحریک‌های بینایی و شنوایی ثبت می‌شوند را پتانسیل‌های برانگیخت (evoked potential) می‌نامند. می‌توان این گونه تفسیر کرد که قسمت اعظم سیگنالی که از این طریق ثبت می‌شود در نتیجه محرک‌های بینایی یا شنوایی است. از این یافته‌ها می‌توان در مطالعه اعصاب مربوط به این دو حس استفاده کرد.

خصوصیات امواج مغزی
دامنه امواج مغزی قابل ثبت در سطح جمجمه بسیار ضعیف و در حدود ۱۰۰-۰ میکرو ولت و فرکانس آنها در حدود ۱۰۰-۰/۵ هرتز است. امواج مغزی را می توان بر اساس فرکانس آنها به دسته های زیر طبقه بندی کرد:

امواج دلتا: ۴ – ۰/۵ هرتز
امواج تتا: ۸ – ۴  هرتز
امواج آلفا: ۱۳ – ۸ هرتز
امواج بتا: ۳۰ – ۱۳ هرتز
امواج گاما: بیشتر از ۳۰ هرتز

مقدار امواج فوق به عوامل متعددی از جمله وضعیت فعلی فرد (خواب بودن ، بیدار بودن ، باز یا بسته بودن چشم و …) سن ، جنسیت و … بستگی دارد. متخصصان با توجه به این ویژگی ها ، وضعیت افراد را مورد بررسی قرار می دهند. به طور کلی می توان گفت که یک رابطه عمومی بین درجه فعالیت مغزی و فرکانس متوسط امواج الکتروانسفالوگرام وجود دارد. بدین صورت که فرکانس متوسط امواج به تدریج با زیاد شدن درجه فعالیت مغز افزایش می یابد. در دستگاه های EEG بسته به کاربرد ، ۳ تا ۲۵۶ عدد الکترود روی پوست سر قرار می گیرد. برای کاربردهای بالینی معمولا بین ۳۲-۸ کانال EEG موردنیاز است. به منظور کاهش امپدانس بین سطح الکترود و پوست ، از ژل استفاده می شود. بهترین مقدار امپدانس تماسی بین ۱ تا ۱۰ کیلو اُهم است. امپدانس بیش از ۱۰ کیلو اهم می تواند سبب ایجاد آرتیفکت شود. همچنین مواردی از قبیل: خشک شدن ژل ، عرق کردن پوست سر ، حرکات فرد (پلک زدن ، تنفس و …) در ثبت سیگنال ها تأثیر منفی دارند.

الکترود های ثبت EEG

الکترودهای EEG، جریان‌های یونی را از بافت سربرال به صورت ولتاژ اخذ کرده و به پیش‌ تقویت‌کننده های  EEG، منتقل می‌کند. مشخصات الکترود در ثبت، بسیار مهم است. معمولاً در صفحات این الکترودها، از کلرید نقره – نقره (Ag-AgCl) استفاده می‌شود.  

معمولاً پنج نوع الکترود جهت ثبت EEG  به کار می‌رود:
۱- الکترود پوست سر، کاپ‌ها، دیسک‌های پد نقره، میله‌هایی از جنس فولاد ضد زنگ و سیم‌های نقره کلریده شده
۲- الکترودهای sphenoidal: در این الکترودها، نقره عایق و سیم لخت که نوک آن کلریده شده به صورت متناوب قرار گرفته و به وسیله بافت ماهیچه توسط یک سوزن در جای خود قرار می‌گیرد
۳- الکترودهای Nasopharyngeal: میله نقره‌ای با توپ نقره که از طریق سوراخ بینی وارد می‌شود
۴- الکترودهای Electrocorticoyraphic: فیلترهای کتانی خیس خورده در محلول سالین که روی سطح مغز قرارداده می‌شود 
۵- الکترودهای اینتراسربرال: دسته‌های سیم‌های پلاتین یا طلای پوشیده شده از تفلون که در فواصل مختلف از نوک دسته بریده شده است و برای تحریک الکتریکی مغز به کار می‌رود.
الکترودهای کاپ یا دیسک، قابلیت استفاده مجدد دارد، هر بار با استفاده از یک کرم هادی روی پوست سر قرار می‌گیرد. قبل از قراردادن الکترود بایستی، چربی‌های نقطه مورد نظر در سر را با الکل یا استون پاک کرد. دامنه، فاز و فرکانس سیگنال‌های EEG به طرز قرار گرفتن الکترودها بستگی دارد. الکترودگذاری سطحی (روی سطح پوست) طبق یک الگوی استاندارد انجام می‌گیرد.

روش های ثبت سیگنال EEG

دو روش برای ثبت سیگنال های EEG استفاده می شود که عبارت اند از:

  • ثبت نسبت به مرجع: در این روش پتانسیل تمام الکترودها نسبت به یک مرجع سنجیده می شود.
  • ثبت دو قطبی: در این روش اختلاف پتانسیل بین دو الکترود دلخواه بنا به انتخاب کاربر ثبت می شود و لذا در اینجا مرجع مشخصی وجود ندارد.

نحوه چیدمان الکترودها

برای داشتن امکان مقایسه نتایج ثبت سیگنال مغزی و امکان تعمیم نتایج ، یک شیوه چیدمان الکترود به عنوان استاندارد بین لمللی شناخته شده است. این چیدمان جهانی الکترودها که به عنوان استاندارد ۲۰-۱۰ شناخته می شود ، امکان پوشاندن تقریباً تمام نواحی سر را توسط الکترودها فراهم می کند.  انتخاب محل الکترودها بر اساس نقاط ویژه استخوان جمجمه انجام پذیرفته است. الکترودها در نواحی تلاقی سطوح استخوان جمجمه قرار می گیرند و سایر الکترودهای میانی بر اساس ۱۰ و ۲۰ درصد کل فاصله چیده خواهند شد. در شکل زیر این چیدمان نشان داده شده است.

کاربردهای بالینی:

نتایج حاصل از مغزنگاره (انسفالوگرام) را نمی‌توان به صورت مستقیم و تنها با مشاهده سیگنال مورد بررسی و تفسیر قرار داد و از روی آن ناهنجاری را تشخیص داد.

معمولاً طیف فرکانسی این سیگنال حاوی اطلاعات مفیدی است که کاربردهای تشخیصی و تحقیقاتی از جمله موارد زیر دارد:

  1. کمک به تشخیص و تعیین محل آسیب مغزی سربرال
  2. کمک به مطالعه صرع ( حملات گذرای برگشت‌پذیر عمل مغز دچار مشکل با حس نامنظم و فعالیت حرکتی نظیر تشنج)
  3. کمک به تشخیص اختلالات روانی
  4. کمک به مطالعه خواب
  5. اجازه مشاهده و آنالیز پاسخ‌های مغز به محرک‌های سنسوری

 


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید

آموزش نحوه خواندن داده از سایت فیزیونت

آموزش نحوه خواندن داده از سایت فیزیونت

سایت فیزیونت یک سایت معتبری است که دیتاهای مربوط به مهندسی پرشکی را دارد. در بیشتر مقالات از این دیتاها استفاده میکنند. افراد مبتدی در هنگام دانلود دیتا از سایت فیزیونت دچار مشکل می شوند که در این مقاله ما این مشکلات را بیان می کنیم و راه حل های آنها را نیز بیان خواهیم کرد.

یکی از این مشکلات این است که دیتا را با چه فرمتی از  دانلود کنیم؟ دیتاهای سایت فیزیونت بصورت .dat هستند که در متلب نمیتوانیم این فایل ها را اجرا کنیم. یک روش این است که باید یک تولباکسی را اضافه کنیم و از طریق تولباکس این کار را انجام دهیم. روش دوم این  است که خود سایت فیزیونت بخشی دارد که میتوانیم تغییر فرمت را انجام دهیم. در ویدئوی زیر نحوه ی دانلود دیتا از سایت فیزیونت را بطور کامل توضیح می دهیم.

 

 

 


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید