پردازش سیگنال های EEG: ورود به دنیای امواج مغزی

ساختار دوره

این دوره از سه بخش تشکیل شده است:

بخش اول: معرفی سیگنال‌های EEG، ویژگی‌ها و کاربردهای آن

جلسه 1:

• • دستگاه‌های ثبت EEG: روش‌های قرارگیری الکترودها و اصول کار با دستگاه‌های ثبت EEG.
  • ویژگی‌های سیگنال‌های EEG: مقایسه EEG با سایر مدالیتی‌های عملکردی مثل fMRI و بیان ویژگی‌های خاص آن.
  • انواع امواج مغزی: معرفی امواج دلتا، تتا، آلفا، بتا، گاما و ویژگی‌های هرکدام.
  • کاربردها: کاربردهای بالینی (تشخیص صرع، نظارت بر خواب) و تحقیقاتی (مطالعه فعالیت‌های شناختی).
  • چالش‌ها و محدودیت‌ها: نویزها، تداخلات و محدودیت‌های فضایی و زمانی EEG.

————————–

بخش دوم: پردازش سیگنال‌های EEG با استفاده از نرم‌افزار EEGLAB

جلسه 2:

• • معرفی و نصب EEGLAB.
  • آشنایی با رابط کاربری EEGLAB.
  • وارد کردن داده‌های EEG به EEGLAB.
  • مصورسازی داده‌های EEG.
  • تشخیص و حذف نویز و آرتیفکت‌ها.
  • فیلتر کردن داده‌ها.

جلسه 3:

• • استفاده از ابزار ICA (تجزیه و تحلیل اجزای مستقل) برای شناسایی منابع سیگنال.
  • استخراج ویژگی‌های مهم برای تحلیل‌های بعدی.

————————–

بخش سوم: پردازش سیگنال‌های EEG با استفاده از پایتون

جلسه 4: NumPy

• • توضیحات: کتابخانه‌ای پایه برای محاسبات عددی و ماتریسی در پایتون. هنگام کار با سیگنال‌های EEG در پایتون معمولاً آن‌ها را به شکل یک ماتریس NumPy درآورده و با آن‌ها کار می‌کنیم.
  • نمونه کاربردها: انجام عملیات‌های سگمنت کردن سیگنال‌ها، انتخاب مجموعه خاصی از کانال‌ها یا بازه زمانی خاصی از سیگنال، و بسیاری کاربرد دیگر.

جلسه ۵: Pandas

• • توضیحات: کتابخانه‌ای قدرتمند برای دستکاری و تحلیل داده‌های جدولی. هنگام کار با دیتاست‌های EEG در پایتون، معمولاً یک فایل اکسل حاوی اطلاعات تکمیلی برای هر سیگنال، مانند جنسیت، سن، و تسکی که فرد هنگام ثبت سیگنال درگیر آن بوده، وجود دارد.
  • نمونه کاربردها: تشخیص مجموعه‌ای از سیگنال‌ها که در هنگام انجام تسک مد نظر ما ثبت شده‌اند، شناسایی کانال‌های خراب سیگنال از روی متادیتا و بدون نیاز به بررسی دستی خود سیگنال، استخراج اطلاعات مربوط به افرادی که سیگنال‌ها از آن‌ها ثبت شده است، و بسیاری کاربردهای دیگر.

جلسه 6: Matplotlib

• • توضیحات: کتابخانه‌ای برای ترسیم سیگنال‌ها و همچنین مصور سازی هرگونه اطلاعات آماری استخراج شده از دیتاست.
  • نمونه کاربردها: رسم سیگنال‌های EEG در پایتون، رسم اطلاعات آماری استخراج شده از دیتاست مثل سن و جنسیت افراد، رسم نمودارهای آماری از دقت محاسباتی که روی دیتاست انجام داده‌اید، و بسیاری کاربرد دیگر.

جلسه 7: Scikit-learn

• • توضیحات: کتابخانه‌ای پرکاربرد برای انجام عملیات‌های فیلترینگ و عملیات‌های پیشرفته‌تر مثل الگوریتم‌های یادگیری.
  • نمونه کاربردها: پیش‌پردازش و فیلترینگ داده‌ها، استانداردسازی و normalization داده‌ها، پردازش missing valueها و جایگزینی مقادیر، فیلتر کردن نویز و داده‌های ناخواسته، الگوریتم‌های یادگیری ماشین و ابزارهای مکمل یادگیری ماشین مانند و تقسیم‌بندی داده‌ها به دیتای train و دیتای test.

جلسه 8 و 9: MNE-Python

• • توضیحات: کتابخانه‌ای جامع و تخصصی برای تجزیه و تحلیل داده‌های EEG و MEG.
  • نمونه کاربردها: پردازش و تحلیل سیگنال‌های EEG، فیلتر کردن و پاکسازی داده‌های سیگنال، تجسم داده‌های مغزی به صورت سه‌بعدی، شناسایی و اصلاح نویزهای موجود در سیگنال، و استخراج ویژگی‌های زمانی و مکانی از داده‌ها، و بسیاری کاربرد دیگر.

نکات تکمیلی

• هر جلسه دارای جزوه می‌باشد که در دسترس دانشجویان قرار می‌گیرد.
• جلسات ضبط می‌شود و فایل ضبط شده در اختیار دانشجویان قرار می‌گیرد.
• هر جلسه دارای کارگاه تمرینی برای تثبیت مطالب یاد گرفته شده توسط دانشجویان است.

نقشه راه

این دوره بر اساس نقشه راه پردازش سیگنال‌های EEG که توسط تیم نورای لاجیک تهیه شده، طراحی شده است. تصویر زیر این نقشه راه را نشان می‌دهد. در این دوره، سه مرحله اول از چهار مرحله این نقشه راه پوشش داده می‌شود و مباحث پیشرفته مرحله چهارم در دوره‌ای جداگانه تدریس خواهند شد.

ارتباط با مدرس دوره