تحلیل EEG/ERP با پایتون و MNE: دوره آموزشی مقدماتی - آخرین آپدیت
دانلود EEG/ERP Analysis with Python and MNE: An Introductory Course
از مبانی سیگنال مغزی تا تحلیل پیشرفته
یادگیری مبانی دادههای الکتروفیزیولوژی (EEG)
شروع کار با پایتون
کسب تخصص در تحلیل حوزه فرکانس دادههای الکتروفیزیولوژی
یادگیری شناسایی و تحلیل ERPها
کسب مهارتهای عملی برای انجام تحلیل زمان-فرکانس با استفاده از پایتون و کتابخانه MNE
پیشنیازها: بدون نیاز به دانش برنامهنویسی. تنها نرمافزار مورد نیاز Anaconda است، که یک توزیع محبوب پایتون است و مدیریت بستهها و تنظیمات محیط را ساده میکند. نیازی نیست از قبل آن را نصب کرده باشید، زیرا نحوه نصب و استفاده از آن را در طول دوره آموزش خواهیم داد. بنابراین تنها چیزی که نیاز دارید یک کامپیوتر و یک کیبورد است!
چه در این زمینه مبتدی باشید یا به دنبال ارتقاء مهارتهای خود، این دوره دروازه ورود شما به درک مبانی تحلیل دادههای EEG است.
سفری در تاریخچه EEG: با ما در یک کاوش جذاب در مورد منشاء دادههای EEG، از معرفی آن تا تکنیکهای پیشرفته امروزی همراه شوید.
ضبط دادههای EEG: اصول ضبط دادههای EEG با کیفیت بالا و ویژگیهای دادههای EEG خوب را بیاموزید. مبانی حذف آرتیفکت (Artifact Removal)، تشخیص انواع نویزها و مشاهده حذف نویز در عمل از طریق تکنیکهای مختلف فیلتر کردن را یاد بگیرید.
تحلیل حوزه فرکانس و زمان: پیچیدگیهای تحلیل حوزه فرکانس و زمان را رمزگشایی کنید. فرکانسهای مختلف مغزی را درک کنید، تحلیل فرکانس انجام دهید، تحلیل حوزه زمان و پتانسیلهای وابسته به رویداد (ERPs) را بررسی کنید و وارد تحلیل زمان-فرکانس شوید.
پایتون برای تحلیل EEG: با مبانی پایتون، نصب ANACONDA، اصول برنامهنویسی و رسم نمودار دادهها آشنا شوید. MNE (MNE-Python) را نصب کنید و سفر خود را به دنیای تحلیل EEG آغاز کنید.
پیشپردازش با MNE-Python: MNE-Python را برای پیشپردازش دادههای EEG کاوش کنید. دادهها را وارد کنید، یک نمای کلی به دست آورید، فیلتر کردن را پیادهسازی کنید، کانالهای بد را حذف کنید و تجزیه مولفههای مستقل (ICA) را برای حذف نویز انجام دهید.
تحلیل فرکانس با پایتون و MNE: از تابع PSD در MNE برای تحلیل فرکانس استفاده کنید. نمودارهای باند فرکانسی و نقشههای توپوگرافی بصری خیرهکننده ایجاد کنید تا اسرار پنهان در دادههای EEG را کشف کنید.
بررسی ERPهای مهم: پتانسیلهای وابسته به رویداد (ERPs) ضروری، مانند مولفههای P300 و N170، به همراه مولفههای مرتبط با زبان را مرور کنید. اهمیت و کاربردهای آنها را در تحلیل EEG درک کنید.
تحلیل ERP و زمان-فرکانس در پایتون و MNE: هنر تجسم ERPها را با استفاده از پایتون یاد بگیرید. از MNE برای تفسیر ERPها استفاده کنید و به رسم و تفسیر تحلیلهای زمان-فرکانس بپردازید.
چرا این دوره را انتخاب کنید:
این دوره برای مبتدیان طراحی شده است و یک انتقال بینقص از مبانی به تکنیکهای پیشرفته تحلیل EEG را فراهم میکند. با تمرینهای کدنویسی عملی پایتون و مثالهای کاربردی با استفاده از MNE-Python، مهارتهای عملی را کسب خواهید کرد که برای هر کسی که به دنبال تسلط بر تحلیل دادههای EEG است ضروری است.
در این سفر آموزشی با ما همراه شوید و بیایید با هم اسرار EEG را کشف کنیم! اکنون ثبت نام کنید تا ماجراجویی تحلیل EEG خود را آغاز کنید.
Introduction to EEG-فصل ۱-مقدمهای بر ایایجی Introduction to EEG
-
A short history-ویدیو ۱-۱-تاریخچه مختصر A short history
-
The Origins of EEG data-ویدیو ۱-۲-منشا دادههای ایایجی The Origins of EEG data
-
How to record EEG-ویدیو ۱-۳-نحوه ثبت ایایجی How to record EEG
-
What is a Good EEG-ویدیو ۱-۴-ایایجی خوب چیست؟ What is a Good EEG
Frequency and time domain analyses-فصل ۲-تحلیلهای حوزه فرکانس و زمان Frequency and time domain analyses
-
Different types of brain frequencies-ویدیو ۲-۱-انواع مختلف فرکانسهای مغزی Different types of brain frequencies
-
Frequency analysis-ویدیو ۲-۲-تحلیل فرکانس Frequency analysis
-
Time-domain analysis and ERP-ویدیو ۲-۳-تحلیل حوزه زمان و پتانسیلهای وابسته به رویداد (ERP) Time-domain analysis and ERP
-
Time-frequency analysis-ویدیو ۲-۴-تحلیل زمان-فرکانس Time-frequency analysis
The essence of artifacting-فصل ۳-ماهیت آرتیفکتها The essence of artifacting
-
Different types of noises-ویدیو ۳-۱-انواع مختلف نویزها Different types of noises
-
A symphony of noises in action-ویدیو ۳-۲-سمفونی نویزها در عمل A symphony of noises in action
-
Filters-ویدیو ۳-۳-فیلترها Filters
Start working with Python-فصل ۴-شروع کار با پایتون Start working with Python
-
ANACONDA installation-ویدیو ۴-۱-نصب آناکوندا ANACONDA installation
-
Basics of coding-Variables-ویدیو ۴-۲-مبانی کدنویسی-متغیرها Basics of coding-Variables
-
Basics of coding-Dictionary-ویدیو ۴-۳-مبانی کدنویسی-دیکشنری Basics of coding-Dictionary
-
Working with functions-ویدیو ۴-۴-کار با توابع Working with functions
-
Control statements-ویدیو ۴-۵-دستورات کنترلی Control statements
-
Plotting-ویدیو ۴-۶-رسم نمودار Plotting
-
MNE Installation-ویدیو ۴-۷-نصب MNE MNE Installation
Pre-processing with MNE-Python-فصل ۵-پیشپردازش با MNE-Python Pre-processing with MNE-Python
-
Importing and reviewing EEG data with MNE-ویدیو ۵-۱-وارد کردن و بررسی دادههای ایایجی با MNE Importing and reviewing EEG data with MNE
-
Filtering the data with MNE-ویدیو ۵-۲-فیلتر کردن دادهها با MNE Filtering the data with MNE
-
Saving steps into files-ویدیو ۵-۳-ذخیره مراحل در فایلها Saving steps into files
-
Removing artifacts considering ICA-ویدیو ۵-۴-حذف آرتیفکتها با در نظر گرفتن ICA Removing artifacts considering ICA
-
Manual removal of remaining artifacts-ویدیو ۵-۵-حذف دستی آرتیفکتهای باقیمانده Manual removal of remaining artifacts
Frequency analysis in Python and MNE-فصل ۶-تحلیل فرکانس در پایتون و MNE Frequency analysis in Python and MNE
-
Importing EEG in Python-ویدیو ۶-۱-وارد کردن ایایجی در پایتون Importing EEG in Python
-
Frequency analysis in Python with FFT-ویدیو ۶-۲-تحلیل فرکانس در پایتون با FFT Frequency analysis in Python with FFT
-
Frequency analysis in MNE-ویدیو ۶-۳-تحلیل فرکانس در MNE Frequency analysis in MNE
-
Building custom frequency topographic maps-ویدیو ۶-۴-ساخت نقشههای توپوگرافی فرکانسی سفارشی Building custom frequency topographic maps
Review of important ERPs-فصل ۷-مروری بر ERPهای مهم Review of important ERPs
-
Time course of stimuli in the brain-ویدیو ۷-۱-روند زمانی محرکها در مغز Time course of stimuli in the brain
-
The P300 component-ویدیو ۷-۲-مولفه P300 The P300 component
-
The N170 component-ویدیو ۷-۳-مولفه N170 The N170 component
-
The language-related components-ویدیو ۷-۴-مولفههای مرتبط با زبان The language-related components
-
Age and development ERP issues-ویدیو ۷-۵-مسائل مربوط به سن و رشد در ERP Age and development ERP issues
ERP and time-frequency analysis in Python and MNE-فصل ۸-تحلیل ERP و زمان-فرکانس در پایتون و MNE ERP and time-frequency analysis in Python and MNE
-
Trial-based EEG data-ویدیو ۸-۱-دادههای ایایجی مبتنی بر تریال Trial-based EEG data
-
Visualize single trials in Python-ویدیو ۸-۲-تصویرسازی تریالهای منفرد در پایتون Visualize single trials in Python
-
Compute mean ERPs in Python-ویدیو ۸-۳-محاسبه ERPهای میانگین در پایتون Compute mean ERPs in Python
-
Structure of EEG data with seperate condition-ویدیو ۸-۴-ساختار دادههای ایایجی با شرایط جداگانه Structure of EEG data with seperate condition
-
Attaching labels to continues EEG data in MNE-ویدیو ۸-۵-برچسبزنی به دادههای ایایجی پیوسته در MNE Attaching labels to continues EEG data in MNE
-
Epoching the events for MNE-ویدیو ۸-۶-قطعهبندی رویدادها برای MNE Epoching the events for MNE
-
Compute and visualize ERPs in MNE-ویدیو ۸-۷-محاسبه و تصویرسازی ERPها در MNE Compute and visualize ERPs in MNE
-
Compute and visualze time-frequency in MNE-ویدیو ۸-۸-محاسبه و تصویرسازی زمان-فرکانس در MNE Compute and visualze time-frequency in MNE
-
Final words-ویدیو ۸-۹-سخن پایانی Final words
Extra+Advance with ChatGPT-فصل ۹-اضافه+پیشرفته با ChatGPT Extra+Advance with ChatGPT
-
Extra Advance with ChatGPT-ویدیو ۹-۱-اضافه پیشرفته با ChatGPT Extra Advance with ChatGPT
-
Example-ویدیو ۹-۲-مثال Example
-
ChatGPT Prompts-ویدیو ۹-۳-دستورات ChatGPT ChatGPT Prompts
Course Materials-فصل ۱۰-مواد آموزشی دوره Course Materials
-
Course Materials-ویدیو ۱۰-۱-مواد آموزشی دوره Course Materials
Bonus Lecture-فصل ۱۱-جلسه جایزه Bonus Lecture
-
Bonus Lecture-ویدیو ۱۱-۱-جلسه جایزه Bonus Lecture
Neura Skills
Neura Skills Team
نمایش نظرات