سرفصل دوره: طبقه‌بندی سیگنال EEG با یادگیری عمیق CNN (تصور حرکتی)
Telegram: t.me/matlabanyone
t.me/hassan_saadatmand
h.saadatmand22@yahoo.com
www.matlablearning.com
09155137038
مدرس بیش از 250 دوره آموزشی در متلب و پایتون
با بیش از 15 سال تجربه در زمینه تدریس

1. مقدمه و آشنایی با سیگنال EEG و کاربردهای تصور حرکتی
معرفی سیگنال EEG و کاربردهای آن در حوزه‌های مختلف
تعریف و اهمیت طبقه‌بندی تصور حرکتی
مروری بر چالش‌های طبقه‌بندی سیگنال‌های EEG
2. آماده‌سازی داده‌ها و پیش‌پردازش
معرفی پایگاه داده‌های EEG معتبر (مثلاً BCI Competition II Dataset)
گام‌های لازم برای آماده‌سازی داده‌ها
پیش‌پردازش سیگنال‌ها: فیلترینگ و حذف نویز
3. تبدیل سیگنال به تصویر دوبعدی (فرکانس-زمان) با استفاده از ویولت و اسکالوگرام
توضیح کوتاهی از تبدیل ویولت و اهمیت آن در تحلیل سیگنال‌های EEG
ساخت اسکالوگرام از سیگنال‌های EEG و تبدیل آنها به تصویر فرکانس-زمان
نمونه‌ای از کدهای پیاده‌سازی برای تبدیل سیگنال به اسکالوگرام
4. معرفی مدل‌های یادگیری عمیق و استفاده از شبکه‌های از پیش‌آموزش‌دیده
معرفی شبکه‌های عصبی پیچشی (CNN) و مزایای آنها برای تحلیل تصاویر EEG
بررسی مدل‌های از پیش آموزش‌دیده مثل AlexNet
تنظیم و تغییر پارامترهای شبکه برای داده‌های EEG
5. آموزش مدل و ارزیابی نتایج
فرآیند آموزش مدل با داده‌های آموزشی EEG
بررسی و تحلیل معیارهای ارزیابی (دقت، حساسیت، f-score)
اجرای تست روی داده‌های آزمایشی و تحلیل نتایج

свернуть