پردازش سیگنال‌های EEG برای مبتدیان: آموزش عملی با پایتون - آخرین آپدیت

دانلود EEG Signal Processing for Beginners: Hands-on with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره جامع، پردازش سیگنال‌های EEG را با پایتون بیاموزید: از پیش‌پردازش داده‌ها تا تحلیل در حوزه‌های زمان، فرکانس و زمان-فرکانس. مفاهیم بنیادی EEG، شامل تاریخچه، نحوه تولید سیگنال‌های مغزی و کاربردهای کلیدی در علوم اعصاب و محیط‌های بالینی را درک کنید. یاد بگیرید چگونه با استفاده از پایتون و کتابخانه MNE، داده‌های EEG را وارد کرده، پیش‌پردازش و پاک‌سازی کنید؛ از جمله تکنیک‌هایی مانند فیلتر کردن و حذف آرتیفکت‌ها. در متدهای تحلیل EEG، شامل رویکردهای حوزه زمان، حوزه فرکانس و زمان-فرکانس تسلط یابید تا بتوانید بینش‌های معناداری از سیگنال‌های مغزی استخراج کنید. تحلیل داده‌های EEG را در سناریوهای واقعی، مانند مطالعه فرآیندهای شناختی، الگوهای خواب و کاربردهای رابط مغز و رایانه (BCI) به کار بگیرید. پیش نیازها: دانش پایه پایتون: آشنایی با برنامه‌نویسی پایتون (مانند متغیرها، حلقه‌ها و توابع) توصیه می‌شود اما اجباری نیست. علاقه به علوم اعصاب: کنجکاوی در مورد عملکرد مغز و تکنولوژی EEG به یادگیری کمک می‌کند، اما هیچ دانش قبلی در علوم اعصاب مورد نیاز نیست. دسترسی به کامپیوتر: داشتن سیستمی که قادر به اجرای پایتون و کتابخانه‌های مربوطه (مانند Jupyter Notebook و MNE) باشد برای تمرینات عملی ضروری است. ذهن باز و اشتیاق به یادگیری: هیچ مهارت فنی پیشرفته یا تجربه قبلی در تحلیل EEG لازم نیست؛ این دوره کاملاً مناسب مبتدیان طراحی شده است!

با این دوره جامع و کاربرپسند، به دنیای جذاب الکتروانسفالوگرافی (EEG) وارد شوید و مفاهیم پیچیده علوم اعصاب را به دانشی قابل فهم تبدیل کنید. دوره «رمزگشایی امواج مغزی» شما را با مبانی تئوری و مهارت‌های عملی برای تحلیل فعالیت‌های الکتریکی مغز با استفاده از پایتون تجهیز می‌کند.

با شروع از مبانی تکنولوژی EEG و سیر تکامل آن، به سرعت به سمت تحلیل عملی داده‌ها با پایتون و کتابخانه قدرتمند MNE پیش خواهید رفت. ساختار این دوره به گونه‌ای است که شما را در تمام مراحل گردش‌کار تحلیل EEG هدایت کند:

ابتدا، تکنیک‌های ضروری پیش‌پردازش را برای پاک‌سازی داده‌های خام EEG، از جمله بازمرجع‌دهی (Re-referencing)، فیلتر کردن و حذف آرتیفکت‌ها با استفاده از تحلیل مؤلفه‌های مستقل (ICA) می‌آموزید. این مهارت‌ها تضمین می‌کنند که تحلیل‌های شما بر اساس سیگنال‌های باکیفیت باشد، نه نویز.

سپس، سه چارچوب تحلیلی مکمل را بررسی خواهید کرد:

  • تحلیل حوزه زمان: ثبت پاسخ‌های فوری مغز به محرک‌ها از طریق پتانسیل‌های وابسته به رویداد (ERPs) و یادگیری تفسیر مؤلفه‌هایی مانند P300 و N400.

  • تحلیل حوزه فرکانس: رمزگشایی الگوهای ریتمیک مغز با استفاده از تبدیل فوریه و تحلیل طیفی، برای شناسایی وضعیت‌های شناختی از طریق امواج آلفا، بتا و تتا.

  • تحلیل زمان-فرکانس: بصری‌سازی تغییرات دینامیک نوسانات عصبی با استفاده از تبدیل فوریه کوتاه‌مدت و تحلیل موجک (Wavelet)، که برای درک فرآیندهای شناختی پیچیده ضروری است.

در طول دوره، شما با مجموعه‌داده‌های واقعی در کاربردهای متنوع — از آزمایش‌های شناختی تا مطالعات خواب و پارادایم‌های تصور حرکتی — کار خواهید کرد تا برای سناریوهای پژوهشی عملی آماده شوید. هر مفهوم با مثال‌های بصری، آنالوژی‌های ساده و پیاده‌سازی گام‌به‌گام کدها تقویت شده است.

آنچه این دوره را متمایز می‌کند، تعادل میان تئوری و کاربرد است. به جای غرق شدن در مشتقات ریاضی، بر ایجاد درک شهودی از طریق بصری‌سازی‌های دقیق و مثال‌های واقعی تمرکز می‌کنیم. شما یاد می‌گیرید مانند یک پژوهشگر EEG فکر کنید و نقاط ضعف رایج در جمع‌آوری و تحلیل داده‌ها را شناسایی و رفع کنید.

مهارت‌های اکتسابی در این دوره فراتر از پژوهش‌های آکادمیک است و در زمینه‌های در حال رشدی مانند نورومارکتینگ (بازاریابی عصبی)، نورو-ارگونومیک و تشخیص‌های بالینی کاربرد دارد. با پیشرفت رابط‌های مغز و رایانه، متخصصان تحلیل EEG در صنایع مختلف از بهداشت و درمان تا گیمینگ مورد نیاز هستند.

هیچ تجربه قبلی در علوم اعصاب یا پردازش سیگنال نیاز نیست؛ ما دانش شما را از پایه می‌سازیم. در پایان دوره، شما قادر خواهید بود به طور مستقل مطالعات EEG را با پایتون طراحی، اجرا و تفسیر کنید و به جامعه‌ای از علاقه‌مندان به فناوری‌های عصبی بپیوندید.

در پایان این مسیر، شما یک جعبه‌ابزار همه‌کاره برای تحلیل EEG خواهید داشت که در پژوهش‌های علوم اعصاب، کاربردهای بالینی و رابط‌های پیشرفته مغز و رایانه قابل استفاده است.


سرفصل ها و درس ها

مقدمه Introduction

  • ریشه‌ها و تکامل EEG The Origins and Evolution of EEG

  • چرا مغز ما سیگنال‌های الکتریکی ارسال می‌کند؟ Why Does Our Brain Fire Electrical Signals

  • اندازه‌گیری EEG EEG Measurement

وارد کردن و پیش‌پردازش داده‌های EEG با پایتون Importing and Preprocessing EEG Data Using Python

  • وارد کردن داده‌های EEG با استفاده از پایتون Importing EEG Data Using Python

  • بصری‌سازی سیگنال‌های EEG EEG Signal Visualization

  • بازمرجع‌دهی (Re-reference) Re-reference

  • آرتیفکت‌های EEG EEG artifact

  • فیلتر کردن سیگنال‌های EEG با پایتون Filtering EEG Signals Using Python

  • تحلیل مؤلفه‌های مستقل (ICA) Independent Component Analysis

تحلیل حوزه زمان در EEG: ثبت پاسخ‌های لحظه‌ای مغز Time-Domain Analysis of EEG - Capturing the Brain’s Instantaneous Responses

  • پتانسیل وابسته به رویداد (ERP) Event-Related Potential (ERP)

  • مجموعه داده‌های باز EEG - هسته ERP Open EEG Dataset – ERP Core

  • قفل زمانی و بخش‌بندی (Segmentation) Time-Locking and Segmentation

  • اصلاح خط پایه (Baseline Correction) Baseline Correction

  • میانگین‌گیری (Averaging) Averaging

  • تحلیل مؤلفه‌ها Component Analysis

تحلیل حوزه فرکانس در EEG: سمفونی ریتمیک مغز Frequency-Domain Analysis of EEG - The Brain’s Rhythmic Symphony

  • فعالیت الکتریکی خودبه‌خودی مغز Spontaneous Brain Electrical Activity

  • مجموعه داده‌های باز EEG - مطالعه محرومیت از خواب Open EEG Dataset - A Sleep Deprivation Study

  • بخش‌بندی پنجره‌های زمانی Segmenting Time Windows

  • تبدیل فوریه Fourier Transform

  • تحلیل چگالی طیفی توان - روش پریودوگرام Power Spectral Density Analysis-Periodogram Method

  • تحلیل چگالی طیفی توان - روش ولچ (Welch) Power Spectral Density Analysis-Welch Method

  • کاربرد طیف EEG - تحلیل تفاضلی محرومیت از خواب Application of EEG Spectrum - Differential Analysis of Sleep Deprivation

تحلیل زمان-فرکانس در EEG: ردیابی تغییرات دینامیک مغز Time-Frequency Analysis of EEG - Tracking Dynamic Brain Changes

  • چرا به تحلیل حوزه زمان-فرکانس نیاز داریم؟ Why Time Frequency Domain Analysis Is Needed

  • مجموعه داده‌های حرکت و تصور حرکتی EEG EEG Motor Movement and Imagery Dataset

  • تبدیل فوریه کوتاه‌مدت (STFT) Short Time Fourier Transform

  • همگام‌سازی و ناهمگام‌سازی وابسته به رویداد Event Related Desynchronization and Synchronization

نمایش نظرات

پردازش سیگنال‌های EEG برای مبتدیان: آموزش عملی با پایتون
جزییات دوره
3 hours
26
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
125
4.4 از 5
ندارد
دارد
دارد
Shengjian Hu
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Shengjian Hu Shengjian Hu

دکترای متخصص در پردازش سیگنال‌های زیستی