معرفی FleXray؛ مدلی برای بخش‌بندی خودکار ۶۰ ساختار آناتومیکی در تصاویر X-ray!

تصاویر رادیوگرافی از پرکاربردترین ابزارهای تصویربرداری پزشکی هستند؛ اما استخراج دقیق ساختارهای آناتومیکی از آن‌ها، به‌دلیل افتادن ساختارهای سه‌بعدی روی یک تصویر دوبعدی، کار ساده‌ای نیست.

🔬 ایده‌ی FleXray چیست؟
پژوهشگران به‌جای برچسب‌گذاری دستی تعداد زیادی تصویر X-ray، از داده‌های CT سه‌بعدی که ساختارهای آناتومیکی آن‌ها قبلاً مشخص شده‌اند، استفاده کرده‌اند. سپس با شبیه‌سازی فرایند تصویربرداری، مجموعه‌ای از X-rayهای مصنوعی با برچسب‌های دقیق ساخته‌اند تا یک مدل عمومی برای بخش‌بندی تصاویر رادیوگرافی آموزش دهند.

📊 مدل روی هشت مجموعه‌داده‌ی مستقل ارزیابی شده و به میانگین Dice برابر با 0.875 رسیده است؛ نتیجه‌ای امیدوارکننده برای مدلی که قرار نیست برای هر مجموعه‌داده از ابتدا آموزش ببیند.

🎯 چرا این دستاورد مهم است؟
روش FleXray می‌تواند ۶۰ ساختار آناتومیکی را در تصاویر X-ray از نواحی مختلف بدن بخش‌بندی کند. این یعنی تصاویر روتین رادیولوژی می‌توانند به داده‌هایی قابل‌اندازه‌گیری تبدیل شوند؛ داده‌هایی که برای اندازه‌گیری‌های خودکار، ارزیابی شدت بیماری، استخراج نشانگرهای زیستی و بررسی تغییرات بیمار در طول زمان کاربرد دارند.
پژوهشگران همچنین کاربرد این مدل را در اندازه‌گیری‌های بالینی، هدایت جراحی با کمک تصویر و آموزش مدل‌های جدید برای وظایف تخصصی‌تر بررسی کرده‌اند.

💡 نکته‌ی جالب: به‌جای اینکه برای هر تصویر دوبعدی از ابتدا برچسب‌گذاری کنیم، می‌توانیم از دانش آناتومیکی موجود در تصاویر سه‌بعدی CT برای ساخت داده‌های آموزشی استفاده کنیم.
 
💡 گاهی پیشرفت فقط از معماری پیچیده‌تر شبکه نمی‌آید؛ گاهی راه‌حل اصلی، ساختن داده‌ی آموزشی بهتر و متنوع‌تر است.
 
📌 مقاله:
https://arxiv.org/abs/2609.26756
💻 کد پروژه:
https://github.com/VictorButoi/FleXray
🧪 دموی آنلاین:
https://flexray.csail.mit.edu/

🔺البته FleXray یک ابزار پژوهشی امیدوارکننده است؛ عملکرد آن در کاربردهای واقعی باید با توجه به نوع تصویر و وظیفه‌ی بالینی ارزیابی شود.
 

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

اگر هوش مصنوعی بتواند مسئله‌ای را حل کند که ریاضی‌دانان دهه‌ها برای آن تلاش کرده‌اند، نقش انسان در علم چه خواهد بود؟

هوش مصنوعی وارد مرحله‌ای شده که دیگر فقط در حل تمرین‌ها یا انجام محاسبات کمک نمی‌کند؛ بلکه به مرزهای پژوهش علمی نزدیک شده است.

🔹 از حل مسئله تا کشف ارتباطات
بر اساس گزارش‌های اخیر، OpenAI اعلام کرده است که مدل‌هایش به حل صدها مسئله حل‌نشده ریاضی دست یافته‌اند؛ پیشرفتی که بحث‌های جدی درباره آینده پژوهش و جایگاه ریاضی‌دانان به راه انداخته است.
اما شاید مهم‌ترین بخش ماجرا، خودِ پاسخ‌ها نباشند؛ بلکه پرسش‌هایی باشند که این پیشرفت ایجاد می‌کند.

🔹 وقتی پاسخ‌دادن آسان‌تر می‌شود، چه چیزی ارزشمندتر خواهد شد؟
استاد ریاضی دانشگاه KTU ، Svante Linusson، معتقد است حتی اگر مدل‌های هوش مصنوعی از همین امروز دیگر پیشرفت نکنند، تأثیر آن‌ها بر ریاضیات عظیم خواهد بود.
به‌تدریج، تمرکز می‌تواند از حل تک‌مسئله‌ها به درک ارتباطات عمیق‌تر، شناخت ساختارها و بررسی پرسش‌های بزرگ‌تر تغییر کند.
این تحول فقط به ریاضیات محدود نیست. در بسیاری از حوزه‌ها، وقتی هوش مصنوعی توانایی تولید پاسخ و راه‌حل را پیدا می‌کند، ارزش مهارت‌های انسانی نیز تغییر می‌کند.

🔹 پس در عصر هوش مصنوعی چه مهارت‌هایی اهمیت بیشتری دارند؟
شاید سه توانایی بیش از گذشته تعیین‌کننده باشند:
▪️ مسئله‌یابی: تشخیص اینکه چه پرسشی ارزش حل‌کردن دارد.
▪️ درک عمیق: فهم چرایی پاسخ‌ها و ارتباط آن‌ها با مفاهیم دیگر، نه صرفاً تولید یک نتیجه.
▪️ ارزیابی و قضاوت: بررسی اعتبار پاسخ‌ها، تشخیص خطاها و تعیین اینکه کدام نتیجه واقعاً ارزش علمی دارد.
این تغییر، آموزش دانشگاهی را هم به چالش می‌کشد. اگر تولید پاسخ یا حتی اثبات یک گزاره با کمک هوش مصنوعی آسان‌تر شود، دانشگاه‌ها چگونه باید میزان یادگیری، توانایی پژوهش و شایستگی علمی افراد را ارزیابی کنند؟

نگاهPiko : آینده، رقابت ساده‌ای میان انسان و هوش مصنوعی نیست؛ بلکه بازتعریف نقش انسان در فرایند تولید دانش است.
هرچه هوش مصنوعی در تولید پاسخ توانمندتر شود، توانایی انسان در انتخاب مسئله درست، هدایت فرایند تحقیق، ارزیابی نتایج و ساختن درکی عمیق‌تر اهمیت بیشتری پیدا می‌کند.
شاید سؤال اصلی دیگر این نباشد که «هوش مصنوعی چه چیزی می‌تواند حل کند؟» بلکه این باشد:
وقتی ماشین‌ها می‌توانند پاسخ‌های بیشتری تولید کنند، ما چگونه یاد می‌گیریم سؤال‌های بهتری بپرسیم؟
 
Reference

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

💡وقتی از آدم‌ها می‌خواهیم بدون فکر کردن یک عدد انتخاب کنند، عدد 7 به‌ طرز عجیبی محبوب است. اما اتفاق جالب‌ تر وقتی می‌افتد که همین سؤال را از هوش مصنوعی می‌پرسیم...

🔬 پژوهش‌ها نشان می‌دهند بسیاری از مدل‌های زبانی بزرگ (LLM) تمایل حتی بیشتری به انتخاب عدد 7 دارند؛ در بعضی شرایط آزمایشی، تقریبا هر بار همین عدد را انتخاب می‌کنند! البته نتیجه به مدل، نوع سؤال و شرایط آزمایش بستگی دارد و این نمودار را نباید یک قانون همیشگی در نظر گرفت.

⚠️اما به نظرم پیام اصلی ماجرا فراتر از انتخاب یک عدد است.

🔻وقتی میلیون‌ها نفر برای تولید ایده، بررسی گزینه‌ها و تصمیم‌گیری به سیستم‌های هوش مصنوعی مشابه تکیه می‌کنند، آیا ممکن است ناخواسته باعث شویم طرز فکرمان هم شبیه‌تر به هم شود؟

💡پژوهشی که در مجله‌ی Science Advances منتشر شده، به نکته‌ی جالبی رسیده است: هوش مصنوعی مولد توانسته خلاقیت افراد را در نوشتن داستان‌های کوتاه افزایش دهد، اما در عین حال، داستان‌های تولیدشده در مجموع شباهت بیشتری به یکدیگر پیدا کرده‌اند.

البته این به معنای آن نیست که لزوما همین اتفاق در سازمان‌ها و همه‌ی زمینه‌های دیگر هم رخ می‌دهد.

☑️ اما یک سؤال مهم مطرح می‌شود:

اگر همه برای تدوین استراتژی، به چالش کشیدن فرضیات و ارزیابی گزینه‌ها از هوش مصنوعی کمک بگیریم، آیا واقعا داریم هوش جمعی‌مانراگسترش می‌دهیم؟ یا گاهی ناخواسته تنوع دیدگاه‌ها را محدود می‌کنیم؟

💡هوش مصنوعی می‌تواند توانایی هر یک از ما را افزایش دهد؛ اما بهتر شدن عملکرد تک‌ تک افراد، لزوما به تصمیم‌گیری بهتر در سطح جمع منجر نمی‌شود.

▪️شاید دقیقاً همین‌جاست که نقش رهبری انسانی مهم‌تر می‌شود.

🔷 نه فقط در تشویق دیگران به استفاده از هوش مصنوعی، بلکه در حفظ تفکر مستقل، مخالفت سازنده و شجاعت زیر سؤال بردن چیزی که همه با آن موافق‌اند.

💡 هوش مصنوعی می‌تواند دسترسی به دانش و توانایی را گسترده‌تر کند؛ اما این وظیفه‌ی ماست که نگذاریم تفکرمان بیش از حد شبیه یکدیگر شود.
Fabio Moioli



Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

✅اما Optogenetics دقیقاً چیست؟

🔦🧠 تصور کنید بتوانیم در مغز، فقط یک نوع خاص از نورون‌ها را انتخاب کنیم و با پالس‌های نور آن‌ها را روشن یا خاموش کنیم.

🌱 ایده از یک موجود خیلی ساده شروع شد. Hegemann و Nagel پروتئین‌های حساس به نور، از جمله Channelrhodopsin، را مطالعه کردند. بعدها این ایده به نورون‌ها منتقل شد و Deisseroth و همکارانش نشان دادند که می‌توان از این پروتئین‌ها مثل یک کلید نوری برای کنترل نورون‌ها استفاده کرد.

🎯 اما چرا این کشف این‌قدر مهم است؟
فرض کنید هنگام لمس یک جسم، نورون خاصی فعال می‌شود.

با روش‌های معمول می‌توانیم بگوییم:
«این نورون هنگام لمس فعال شد.»
اما سؤال مهم‌تر این است:
«اگر خودمان این نورون را فعال کنیم، آیا مغز واقعاً احساس لمس خواهد کرد؟»
اینجاست که Optogenetics بازی را عوض می‌کند.

می‌توانیم یک گروه از نورون‌ها را فعال کنیم و ببینیم چه اتفاقی می‌افتد؛ یا برعکس، آن‌ها را برای یک بازه‌ی زمانی مشخص خاموش کنیم و ببینیم کدام رفتار یا عملکرد از بین می‌رود.
چیزی شبیه ساختن یک ضایعه‌ی موقت و قابل برگشت در مغز؛ بدون اینکه واقعاً بافت مغز را تخریب کنیم.

💡یعنی از همبستگی (Correlation) به سمت علیت (Causation) حرکت میکنیم.

دیگر فقط نمی‌پرسیم: «این نورون با این رفتار ارتباط دارد؟»
بلکه می‌توانیم بپرسیم: «اگر فعالیت این نورون را تغییر بدهم، آیا رفتار هم تغییر می‌کند؟» و فناوری هر روز دقیق‌تر شده است.
در روش‌های پیشرفته‌تر، حتی می‌توان الگوهای سه‌بعدی و بسیار دقیق فعالیت را در مجموعه‌ای از نورون‌ها ایجاد کرد؛ یعنی به‌جای تحریک یک منطقه‌ی بزرگ، می‌توان الگوهای پیچیده‌تری از فعالیت عصبی را شبیه‌سازی کرد.

🚀 و شاید جذاب‌ترین قسمت داستان، آینده باشد:  اگر بتوانیم فعالیت مغز را بخوانیم، یک الگوی خاص را تشخیص دهیم و سپس با نور، فعالیت مشخصی را دستکاری کنیم، می‌توانیم به سمت سیستم‌های Closed-loop  برویم:

Brain activity → Detection → Stimulation → Brain response

چنین رویکردهایی در پژوهش‌های حافظه و بیماری‌های عصبی و حتی بازگرداندن بخشی از بینایی در حال بررسی هستند؛ البته بسیاری از این کاربردها هنوز در مرحله‌ی پژوهش و توسعه‌اند.


🌱 یک پروتئین حساس به نور در یک جلبک
🔦 یک کلید برای نورون‌ها
🧠 ابزاری برای فهم رابطه‌ی مغز و رفتار
🚀 و شاید در آینده، ابزاری برای درمان برخی اختلالات عصبی

💡گاهی یک کشف بنیادی، سال‌ها بعد تبدیل به ابزاری می‌شود که حتی سؤال‌هایی را که می‌توانیم از مغز بپرسیم، تغییر می‌دهد. 

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

Onlinebme Podcast: IDEOMOTOR BCI
PikoCast: 01
@Onlinebme

Читать полностью…

🧠 اگر BCI به‌جای «حرکت»، «نیت» را بخواند چه می‌شود؟

💡در بیشتر BCIهای حرکتی، تلاش می‌کنیم از فعالیت مغز بفهمیم کاربر چه حرکتی می‌خواهد انجام دهد. اما مقاله‌ی Moving intentions from brains to machines یک قدم عقب‌تر می‌رود و سؤال متفاوتی می‌پرسد:
شاید بهتر باشد به‌جای Decode کردن خودِ حرکت، هدف و پیامد مورد انتظار از حرکت را Decode کنیم.

@Onlinebme

Читать полностью…

🧠 صحبت کردن با کمک ذهن | Neuralink

💡 شرکت Neuralink ویدیوی جدیدی منتشر کرده که در آن «تری» (Terry)، مردی مبتلا به ALS، با استفاده از ایمپلنت مغزی صحبت می‌کند.
او دیگر نمی‌تواند واضح حرف بزند، اما فقط با فکر کردن به کلمات، سیستم Neuralink سیگنال‌های مغزش را به صدای طبیعی تبدیل می‌کند. یکی از تأثیرگذارترین لحظات ویدیو زمانی است که او فقط با فکر کردن به همسرش می‌گوید: «دوستت دارم».

لینک ویدیواصلی:
https://www.youtube.com/watch?v=_j806JHhCRo


Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#Neuralink

Читать полностью…

روش PC-ALM؛ یک رویکرد Local Learning به‌عنوان جایگزینی برای Backpropagation

@Onlinebme

Читать полностью…

📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

GitHub: https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch


@onlinebme

Читать полностью…

📚 به نظرم اگر قرار است به صورت تخصصی وارد حوزه deep Learning شویم، درک مبانی Pattern Recognition می‌تواند پایه بسیار خوبی باشد؛ مخصوصاً وقتی هدف فقط استفاده از مدل‌ها نیست و می‌خواهیم بفهمیم پشت الگوریتم‌ها چه می‌گذرد. خوندن این مفاهیم، یادگیری مباحث مدرن مثل Deep Learning را هم راحت‌تر می‌کند.
در ادامه دو کتابی که خودم خوانده‌ام و برای شروع و ساختن بینش و ذهنیت پایه مناسب هست رو معرفی می‌کنم.

📚 عنوان کتاب اول: Introduction to Pattern Recognition: A MATLAB Approach
نویسندگان:  Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras
 
این کتاب یک راهنمای عملی و مکمل برای کتاب معروف Pattern Recognition است و تمرکز اصلی‌اش روی پیاده‌سازی الگوریتم‌ها با MATLAB است.
  
💡 ویژگی‌های کتاب:
-         شامل کدهای MATLAB اکثر الگوریتم‌های مهم
-         مثال‌های حل‌شده با داده‌های واقعی  
-         مناسب برای دانشجویان و مهندسانی که می‌خواهند همزمان تئوری و پیاده‌سازی یاد بگیرند
-         رویکرد آموزشی و قدم به قدم

📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006

لینک کدهای GitHub:
https://github.com/pikrakis/Introduction-to-Pattern-Recognition-a-Matlab-Approach

📚 عنوان کتاب دوم:  Pattern Classification (Second Edition)
نویسندگان:  Richard O. Duda, Peter E. Hart, David G. Stork
 
یکی از کلاسیک‌ترین و تأثیرگذارترین کتاب‌های تاریخ شناسایی الگو که نسخه دوم آن با مباحث شبکه‌های عصبی و یادگیری ماشین به روزرسانی شده است.

💡ویژگی‌های کتاب:
-         پوشش عمیق و سیستماتیک مفاهیم بنیادین
-         توضیح واضح روش‌های کلاسیک و جدید
-         مثال‌های کارشده و مقایسه‌های دقیق بین روش‌ها
-         پایه‌ای بسیار قوی برای درک تئوری تصمیم و شناسایی الگوی آماری

📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006

📚 مطالعه در سایت:
https://onlinebme.com/pattern-recognition-books/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

Me vs ChatGPT!
@Onlinebme

Читать полностью…

 🧠 آیا می‌توان شبکه‌ای ساخت که کمی شبیه مغز یاد بگیرد؟

▪️در شبکه‌های عصبی معمولی، یک نورون می‌تواند از طریق وزن‌های مختلف هم اثر مثبت و هم اثر منفی روی نورون‌های بعدی بگذارد.

▫️اما در مغز، وضعیت متفاوت است. نورون‌ها عمدتاً تحریکی (Excitatory) یا مهاری (Inhibitory) هستند؛ یعنی ماهیت اثر خروجی آن‌ها ثابت می‌ماند. این ویژگی را با نام Dale’s principle  می‌شناسیم.

☑️ حالا یک سؤال جالب مطرح می‌شود:
اگر شبکه عصبی را مجبور کنیم این محدودیت زیستی را رعایت کند، آیا هنوز می‌تواند یاد بگیرد؟

📑مقاله‌ی جدید Diffusing Blame دقیقاً همین سؤال را بررسی می‌کند.

پژوهشگران شبکه را به دو جریان جداگانه‌ی تحریکی و مهاری تقسیم کردند و وزن‌های قابل یادگیری را غیرمنفی نگه داشتند.

🔺اما چالش مهم دیگری باقی می‌ماند: Backpropagation برای محاسبه‌ی سهم هر لایه در خطا، به اطلاعات وزن‌های مسیر forward  در مسیر backward وابسته است؛ مسئله‌ای که به Weight Transport Problem  معروف است و سازوکار مشخصی برای آن در مغز نمی‌شناسیم.

💡راه‌حل این مقاله، استفاده از Error Diffusion  است.
به‌جای اینکه خطا مثل Backpropagation لایه ‌به ‌لایه به عقب برگردد، یک سیگنال خطای خروجی مستقیماً به بخش‌های مختلف شبکه می‌رسد. نویسندگان با معرفی Modulo Error Routing  این ایده را برای مسائل چندکلاسه نیز گسترش داده‌اند.
و نتیجه؟

✅ این شبکه واقعاً توانست یاد بگیرد:
MNIST → 96.7٪
CIFAR-10 → 61.7٪
در یادگیری تقویتی نیز Error Diffusion را با PPO ترکیب کردند و روی چند محیط آزمایش کردند. در بعضی موارد عملکرد رقابتی بود، اما در مسائل دشوارتر همچنان فاصله و ناپایداری نسبت به روش‌های مبتنی بر Backpropagation دیده می‌شود.

💡اما شاید مهم‌ترین پیام مقاله همین باشد:
این پژوهش نمی‌گوید Backpropagation را کنار بگذاریم.

بلکه نشان می‌دهد می‌توان محدودیت‌هایی الهام‌گرفته از ساختار واقعی مغز را وارد شبکه کرد و بدون Weight Transport و با رعایت  Dale’s principle، همچنان یک سیستم یادگیرنده ساخت.

و این ما را به یک سؤال عمیق‌تر می‌رساند:
اگر مغز از Backpropagation کلاسیک استفاده نمی‌کند، پس چگونه مسئله‌ی Credit Assignment  را حل می‌کند؟
این مقاله پاسخ نهایی را پیدا نکرده؛
اما یک قدم جالب در مسیر پیدا کردن آن است.

 📄 مقاله:
Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks
مطالعه مقاله در arXiv

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#Backpropagation
#Neuroscience
#DeepLearning #BiologicallyPlausibleAI
 

Читать полностью…

⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین!

داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو با
یه «واترمارک نامرئی» علامت گذاری می‌کنه.  این کار رو برای رعایت قوانین جدید شفافیت
اتحادیه اروپا انجام دادن، اما نکته‌ی مهم اینه که این علامت‌گذاری فقط مال اروپا
نیست؛ جهانیه و همه‌جا اعمال می‌شه.

▪️حالا دقیقاً چی می‌شه؟
وقتی Claude براتون متن می‌نویسه، یه علامت ماشینی (watermark) خیلی ریز و نامرئی رو مستقیم توی خودِ متن جاسازی
میکنه.  شما با چشم نمی‌بینینش، معنای جمله رو خراب نمی‌کنه، کیفیتش هم همون‌طور می‌مونه.
ولی وقتی کپی می‌کنین و جای دیگه پیست می‌کنین، این علامت همراهش میره. حتی بعضی وقتا بعد از ویرایش‌های سبک هم هنوز پابرجاست!

🔺 برای فایل‌ها و عکس‌ها هم قضیه جداست. اونا رو با متادیتای امضاشده‌ی دیجیتال (استاندارد C2PA) نشونه‌دار می‌کنه تا معلوم بشه این فایل از زیر دست Claude رد شده.


▪️ولی بخش واقعاً نگران‌کننده‌ش اینه:
فرض کنین خودتون متن رو نوشتین و فقط دادین به Claude که یه کم ویرایش کنه، ترجمه‌ش کنه، خلاصه‌ش کنه یا نگارشش رو بهتر کنه. باز هم ممکنه خروجی نهایی این علامت رو داشته باشه. سیستم فقط می‌فهمه که «این متن از Claude عبور کرده»، نه اینکه لزوماً خودِ Claude نویسنده‌ی اصلیش بود.

▪️شرکت Anthropic گفته قراره ابزار تشخیص این علامت‌ها رو در اختیار ناشرها، ژورنال‌های علمی، دانشگاه‌ها و پلتفرم‌ها بذاره. جزئیاتش
هنوز نیومده، اما مسیر مشخصه: ردیابی محتواهایی که با هوش مصنوعی تولید یا پردازش شدن، داره خیلی راحت‌تر می‌شه.

💡 این موضوع مخصوصاً برای دنیای دانشگاه و پژوهش مهمه.
 تصور کنین در آینده یه ژورنال یا دانشگاه بتونه علاوه بر ابزارهای تشخیص AI، بررسی کنه که آیا یه متن یا فایل ردپایی از تولید یا پردازش توسط یه مدل هوش مصنوعی داره یا نه.

▪️دیگه فقط بحث این نیست که «آیا این متن شبیه نوشته‌ی AI هست؟» بلکه می‌شه پرسید: ؟ « این محتوا کجا و چطور تولید یا پردازش شده؟ » به این مفهوم می‌گن Content Provenance؛ یعنی منشأ و سابقه‌ی تولید محتوا.

▪️البته Anthropic تأکید کرده که وجود این علامت به‌معنی اثبات صددرصدی «نویسندگی کامل توسط هوش مصنوعی» نیست و اگه متن رو حسابی بازنویسی کنین، ممکنه علامت ضعیف بشه یا از بین بره. ولی واقعیت اینه که عصر متن‌های کاملاً بدون ردپا، داره کم‌کم تموم می‌شه.

🧐 شما چطور با این موضوع برخورد می‌کنین؟ اینو اقدام مثبتی برای شفافیت می‌دونین، یا محدودیت
جدیدی برای استفاده‌ی آزاد از ابزارهای هوش مصنوعی؟
نظرتون رو بگین.


📚 مطالعه بیشتر:
🔗 راهنمای رسمی Anthropic درباره نحوه علامت‌گذاری محتوای Claude:
How Claude marks AI-generated content




Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

📱 گوشی شما زمان رو دو بار ازتون می‌دزده!

فرض کنید صبح گوشی رو فقط برای چک کردن یه پیام برمیدارید...

یه ویدئو می‌بینید، بعد یکی دیگه، یه خبر، یه پست، یه استوری...

سرتون رو که بلند می‌کنید، می‌بینید یک ساعت گذشته! 😐

حالا از خودتون می‌پرسید: «من توی این یک ساعت دقیقاً چی کار کردم؟»
و عجیب اینجاست که خیلی وقت‌ها جواب مشخصی ندارید. همه‌چیز یه جور مبهمه.

🔺این فقط یه حس شخصی نیست.

🔬پژوهش‌ها درباره ادراک زمان و رسانه‌های دیجیتال نشون میدن که وقتی شدیداً درگیر محتوای دیجیتال می‌شیم، توجه ما مدام از یک محرک به محرک بعدی منتقل می‌شه. مغز برای دنبال کردن این جریان بی‌پایان محتوا انرژی و توجه زیادی مصرف می‌کنه و در نتیجه، توجه کمتری برای دنبال کردن گذر زمان باقی می‌مونه
.
یعنی یک ساعت واقعاً سریع‌تر نگذشته؛ ما فقط کمتر متوجه گذشتنش شدیم.

حتی جالب‌تر اینکه در یک مطالعه، وقتی افراد خودشان محتوای بعدی را انتخاب می‌کردند، کم‌برآورد کردن زمان شدیدتر از زمانی بود که فقط همان محتوا را به ‌صورت منفعلانه تماشا می‌کردند.

اما قسمت عجیب‌تر ماجرا بعداً اتفاق می‌افته!
شب که میشه و میخواید روزتون رو مرور کنید، مغز برای ساختن یک تصویر از گذشته به نقاط عطف حافظه تکیه میکنه.
·▪️ یه گفت‌وگوی خوب
·▪️ یه پیاده ‌روی
·▪️ یه غذای خوب با دوستتون
·▪️ یه اتفاق جالب

این‌ها تبدیل میشن به لنگرهایی که روزمون رو در حافظه نگه میدارن.

اما یک ساعت اسکرول کردن چی؟
ده‌ها و شاید صدها محتوای کاملاً متفاوت...
خبر، طنز، تبلیغ، گربه، ورزش، سیاست، یک ویدئو، یک دستور غذا...

آنقدر متنوع و پراکنده که در نهایت ممکنه هیچ‌کدوم تبدیل به یک خاطره مشخص نشن.
و اینجاست که گوشی میتونه زمان رو دو بار از ما بدزده:
⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.
🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه می‌کنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.

و حتی عجیب‌تر...
گاهی لازم نیست اصلاً گوشی رو دستتون گرفته باشید.
برخی پژوهش‌ها نشون داده‌اند که صرف حضور گوشی هوشمند روی میز، حتی وقتی خاموش و صفحه‌اش رو به پایینه، می‌تونه با عملکرد توجه تداخل داشته باشه.

اما شاید مهم‌ترین بخش این داستان این باشه:
🧠 ما لزوماً خاطرات کمتری پیدا نمی‌کنیم؛ داریم خاطرات کم‌رنگ‌تری می‌سازیم.

هر روز حجم بسیار زیادی از محتوای دیجیتال وارد زندگی ما میشه. تجربه‌های زیادی داریم، اما بخش زیادی از آن‌ها ممکنه هیچ وقت به یک «نقطه عطف» در حافظه تبدیل نشن.

💡خبر خوب؟ این اتفاق قابل تغییر دادنه.
شاید گاهی گوشی رو بذاریم توی اتاق دیگه.
گاهی چند ساعت بدون صفحه‌ نمایش داشته باشیم.

و شاید از همه مهم‌تر، به جای اینکه همیشه دنبال محتوای بیشتر باشیم، کمی بیشتر در همان چیزی که داریم تجربه می‌کنیم بمانیم.
چون شاید مشکل این نباشه که زندگی‌مون اتفاقات کمی داره.

شاید فقط باید به مغزمون فرصت بدیم اتفاقات مهم رو ثبت کنه...

📚 مطالعه بیشتر:
https://msense.de/posts/your-phone-steals-time-twice/


Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

سلام اقای دکتر وقتتون بخیر مقاله من هم چاپ شد خواستم ازتون تشکر کنم راهنمایی ها و دوره های شما نبود من هیچوقت نمیتونست این مسیر رو شروع کنم.
یه دنیا تشکر برای لطف و محبتتون

Читать полностью…

FleXray: Universal Clinical X-ray Segmentation

@Onlinebme

Читать полностью…

💡ریاضیات از حل مسئله به درک عمیق آن در حال تغییر است.

@Onlinebme

Читать полностью…

💡جالب‌ترین نکته‌ی این نمودار، خود عدد 7 نیست!
@Onlinebme

Читать полностью…

🧠🔦 نوبل پزشکی ۲۰۲۶؛ وقتی نور، مغز را روشن و خاموش می‌کند!
اولین نوبل امسال به سه دانشمند رسید:
👨‍🔬 Karl Deisseroth
👨‍🔬 Peter Hegemann
👨‍🔬 Georg Nagel

💡برای کشف کانال‌های یونی حساس به نور و توسعه‌ی Optogenetics؛ فناوری‌ای که امکان کنترل فعالیت نورون‌ها با نور را فراهم کرد.

@Onlinebme

Читать полностью…

✅ ایده مقاله بر پایه‌ی Ideomotor Theory است؛ یعنی این نگاه که اعمال ما تا حد زیادی بر اساس پیامد حسی‌ای که انتظار داریم سازمان‌دهی می‌شوند.

در این رویکرد، مثلاً به‌جای اینکه BCI فقط بفهمد «دست را به سمت راست حرکت بده»، تلاش می‌کند بفهمد:
🎯 «می‌خواهم این فنجان را بردارم.»
و سپس یک مدل هوشمند، با توجه به محیط و بازخورد، مسیر مناسب برای رسیدن به این هدف را پیدا کند.

این یعنی حرکت از Motor Decoding به سمت Intention & Goal Decoding.
البته مقاله یک BCI آماده و اثبات‌شده برای جایگزینی روش‌های فعلی ارائه نمی‌کند؛ بلکه یک نقشه‌راه برای نسل بعدی BCI پیشنهاد می‌دهد. چالش‌هایی مثل رمزگشایی نیت از فعالیت‌های توزیع‌شده مغز، تفاوت بین افراد، feedback حسی، real-time processing و تشخیص intention واقعی از imagination همچنان جدی هستند.
📄 Moving intentions from brains to machines

💡 شاید سؤال آینده BCI دیگر این نباشد که:
«مغز می‌خواهد چه حرکتی انجام دهد؟»
بلکه:
«مغز می‌خواهد چه اتفاقی بیفتد؟»

⭕️مطالعه بیشتر در سایت👇👇
https://onlinebme.com/moving-intentions-from-brains-to-machines/


Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#IDEOMOTOR

Читать полностью…

🧠 Neuralink BCI

⁉️ ابهامات و سؤالات مطرح‌شده
این لحظه در حوزه واسط مغز-کامپیوتر بسیار زیبا و احساسی هست، اما همزمان چند سؤال مهم را هم ایجاد کرده است. در همین راستا، یکی از پژوهشگران باتجربه این حوزه، ، میخائیل لبدف (Mikhail Lebedev) در پست اخیرش به ویدیوی Neuralink واکنش نشان داده.
این نقد بسیار مهم هست چرا که توسط یکی از دانشمندان پیشگام این حوزه مطرح شده است.

💁‍♂ میخائیل لبدف یکی از پژوهشگران شناخته‌شده و باتجربه در حوزهٔ رابط مغز-کامپیوتر (BCI) است. او سال‌ها در دانشگاه دوک آمریکا در کنار میگل نیکوللیس (یکی از پیشگامان این حوزه) کار کرده و آزمایشگاه نورو فیزیولوژی میمون‌ها را مدیریت می‌کرده. تمرکز کارش روی رمزگشایی سیگنال‌های مغزی برای کنترل بازوهای رباتیک و دستگاه‌های کمکی بوده است.
💡الان در روسیه (در اسکلتک و مؤسسهٔ سچنوف) به عنوان استاد و پژوهشگر ارشد فعالیت می‌کند و بیش از ۱۰۰ مقالهٔ علمی در زمینهٔ رابط مغز-ماشین منتشر کرده.
https://scholar.google.com/citations?user=cvd2xxcAAAAJ&hl=en
 

 او می‌گوید لحظهٔ احساسی و زیباست، اما چند سؤال مهم مطرح می‌کند:

1⃣ آیا این بیمار واقعاً به جراحی تهاجمی نیاز داشت؟
لبدف می‌گوید تری (Terry) مبتلا به ALS است، اما هنوز قدرت حرکت دارد و فلج کامل یا locked-in نیست. او هنوز می‌تواند از روش‌های ساده‌تر و غیرتهاجمی مثل تایپ کردن
روی گوشی و تبدیل متن به گفتار استفاده کند.
سؤال او این است: آیا برای کسی که هنوز می‌تواند حرکت کند و صحبت ناقصی داشته باشد، جراحی باز کردن جمجمه و کاشت ایمپلنت داخل مغز توجیه کافی دارد؟ یا این کار بیشتر برای نمایش فناوری انجام شده؟

2⃣ ما فقط ویدیو می‌بینیم، نه داده علمی
لبدف تأکید می‌کند که آنچه منتشر شده یک
ویدیوی احساسی و تأثیرگذار است، نه یک مقاله علمی.
هنوز هیچ دادهٔ بررسی‌شده و منتشرشده‌ای
دربارهٔ موارد زیر وجود ندارد:
   ◾️دقت سیستم در تشخیص کلمات
   ◾️میزان تأخیر بین فکر کردن و شنیده شدن صدا (ظاهراً چند ثانیه تأخیر وجود دارد)
   ◾️نرخ خطا
   ◾️عملکرد سیستم در شرایط واقعی و طولانی‌مدت

او می‌گوید Neuralink سابقهٔ تأخیر در ثبت کارآزمایی‌ها و پاسخ ندادن به سؤالات مجلات علمی معتبر را هم دارد. بنابراین این ویدیو بیشتر جنبهٔ تبلیغاتی دارد تا گزارش علمی.
3⃣ دوام و سازگاری بلندمدت ایمپلنت با مغز
یکی از مهم‌ترین نگرانی‌های علمی در حوزهٔ BCIهای تهاجمی، واکنش مغز به جسم خارجی است. مغز معمولاً بافت اسکار (glial scarring) تشکیل می‌دهد و الکترودها به مرور زمان سیگنال ضعیف‌تری ثبت می‌کنند یا
جابه‌جا می‌شوند.

لبدف می‌گوید،  Neuralink ادعا کرده پاسخ بافتی مطلوب بوده، اما بررسی‌های مستقل هنوز نگرانی‌هایی دربارهٔ جابه‌جایی الکترودها و پایداری بلندمدت مطرح می‌کنند.
اگر ایمپلنت بعد از چند ماه یا یکی دو سال عملکردش افت کند، ارزش جراحی برای بیمار
بسیار کم می‌شود.

4⃣ مسائل اخلاقی و آسیب‌پذیری بیماران
بیمارانی که در مراحل اولیهٔ این کارآزمایی‌ها شرکت می‌کنند، معمولاً در وضعیت بیماری پیشرفته و ناامیدکننده‌ای هستند. این موضوع می‌تواند باعث شود آن‌ها در فرآیند رضایت آگاهانه، بیشتر تحت
تأثیر امید و تبلیغات قرار بگیرند.

🔺در مورد تری، چون هنوز قدرت تکلم نسبی دارد و بیماری در حال پیشرفت است، لبدف سؤال تندتری مطرح می‌کند: آیا منافع احتمالی جراحی، ریسک‌هایی مثل عفونت، خونریزی، آسیب بافتی و داشتن یک وسیلهٔ دائمی در مغز را توجیه می‌کند؟




Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#Neuralink

Читать полностью…

🧠 آیا می‌شود شبکه‌های بسیار عمیق را بدون Backpropagation آموزش داد؟

💡 یک مقاله جالب با عنوان Augmented Lagrangian Predictive Coding (PC-ALM) به سراغ همین سؤال رفته است.

✅ روش PC-ALM؛ یک رویکرد Local Learning به‌عنوان جایگزینی برای Backpropagation

در Predictive Coding خبری از backward pass سراسری Backpropagation نیست؛ هر لایه با استفاده از prediction errorهای محلی و ارتباط با لایه‌های مجاور به‌روزرسانی می‌شود.

اما همین local بودن، در شبکه‌های عمیق یک چالش ایجاد می‌کند: سیگنال credit که از خروجی وارد می‌شود، هنگام عبور از لایه‌های متوالی می‌تواند به‌تدریج ضعیف شود و در نتیجه، آموزش شبکه‌های عمیق و باریک برای Predictive Coding معمولی دشوارتر می‌شود.

💡 ایده‌ی PC-ALM این است که با اضافه کردن Lagrange Multipliers (Dual Neurons) به این دینامیک محلی، این مشکل را برطرف کند. در نتیجه، هر لایه با یک سازوکار محلی و شبیه به PI feedback controller در فرآیند یادگیری مشارکت می‌کند.

نکته جالب اینکه نویسندگان گزارش کرده‌اند این روش می‌تواند شبکه‌هایی تا ۱۰۰۰ لایه را بدون Backpropagation آموزش دهد؛ به‌خصوص در شبکه‌های عمیق و باریک که Predictive Coding معمولی با مشکل مواجه می‌شود.

و اتفاقاً این نکته، هسته‌ی جذاب مقاله است:

روش PC-ALM نمی‌خواهد Backpropagation را بهتر کند؛ بلکه می‌خواهد نشان دهد آیا می‌توان credit assignment شبیه BP را با محاسبات کاملاً محلی انجام داد یا نه.

در حالت خطی، نویسندگان نشان می‌دهند که متغیرهای دوگان می‌توانند در حالت همگرایی، credit signalهای Backpropagation را بازسازی کنند.

💻 نکته جذاب دیگر اینکه کد رسمی مقاله هم روی GitHub منتشر شده و می‌توان روش را از نزدیک بررسی و اجرا کرد.

📄 مقاله:
https://arxiv.org/abs/2605.31022

💻 کد:
https://github.com/SakanaAI/pc-alm

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#Backpropagation
#Neuroscience
#DeepLearning

Читать полностью…

📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

در یادگیری و تدریس یادگیری ماشین همیشه برام مهم بوده که به جای اینکه فقط یاد بگیرم چطور یک الگوریتم را با یک تابع آماده اجرا کنم، ابتدا ریاضیات و منطق آن را درک کنم و حداقل یک‌بار از صفر پیاده‌سازی‌اش کنم و بعد سراغ ابزارهای آماده بروم.
این روش کمک می‌کند شناخت عمیق‌تری از الگوریتم، پارامترها و روش‌های بهینه‌سازی آن داشته باشم و در صورت نیاز، بتوانم الگوریتم را تغییر داده یا توسعه بدهم. در دوره جامع یادگیری ماشین هم همین رویکرد را دنبال کردیم که در نهایت به یک دوره ۸ فصلی و ۱۴۰ ساعته شد.

https://onlinebme.com/product-category/machine-learning

☑️حالا بخشی از کدهایی طی سالها روی پروژه‌های مختلف پیاده‌سازی کرده‌ام را در قالب یک Repository در GitHub قرار داده‌ام.

☑️این کدها نتیجه سال‌ها مطالعه و آموزش من در زمینه یادگیری ماشین و شناسایی الگو هستند و حالا سعی کرده‌ام مجموعه‌ای از پیاده‌سازی‌های انجام‌شده، به همراه پروژه‌های عملی، را در یک Repository یکجا جمع‌آوری کنم.

💡 هدفم از آماده‌کردن این Repository این بوده که پیاده‌سازی الگوریتم‌ها در کنار پروژه‌های واقعی، در یک مجموعه جامع در دسترس باشد تا بتوان از طریق کد، نحوه کار الگوریتم‌ها را بهتر درک کرد و با آن‌ها کار کرد.

🔹 Classification & Regression
Naive Bayes, Maximum Likelihood, Euclidean , Mahalanobis, KNN, WKNN, SVM, SVR
🔹 Ensemble Learning
Voting, Stacking, AdaBoost, Bootstrap Bagging
🔹 Dimensionality Reduction
PCA , LDA
🔹 Clustering
K-Means, Fuzzy C-Means , G-Means

💡 در کنار این الگوریتم‌ها، پروژه‌های عملی متنوعی هم در Repository قرار گرفته‌اند؛ از طبقه‌بندی داده‌های Iris و سرطان سینه گرفته تا پیش‌بینی کیفیت هوا، تخمین زاویه مفصل از سیگنال‌های sEMG، Spike Sorting سیگنال‌های عصبی و استخراج تومور از تصاویر پزشکی.

🔗 GitHub Repository:
https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
📖 توضیحات و معرفی کامل‌تر:
https://onlinebme.com/machine-learning-algorithms-implemented-from-scratch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

💡آیا یادگیری عمیق برای داده‌های جدولی (Tabular Data) همیشه بهترین انتخاب است؟

✍

وقتی از Deep Learning صحبت می‌کنیم، معمولاً ذهنمان به سمت تصویر، ویدئو، صدا یا مدل‌های زبانی بزرگ می‌رود. اما بخش قابل‌توجهی از داده‌های واقعی دنیا شکل بسیار ساده‌تری دارند: داده‌های جدولی یا همان  Tabular Data. داده‌های جدولی بخش بزرگی از داده‌های واقعی دنیا را تشکیل می‌دهند. اما آیا شبکه‌های عصبی عمیق (deep neural networks) که در تصویر و زبان عالی عمل می‌کنند، برای داده جدولی هم بهترین گزینه‌اند؟ یک مقاله مروری این موضوع رو بررسی کرده است که در این پست به این موضوع میپردازیم.

📺 مشاهده ویدیو 👇
https://youtu.be/k72AIR1VjNI?is=cpk2he8fyLe84Urfp

⭕️ مطالعه در سایت👇
https://onlinebme.com/deep-learning-or-xgboost-in-tabular-data/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️

🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆


〰〰〰 برنامه‌نویسی متلب 〰〰〰

🔲 اصول برنامه‌نویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link


〰〰〰 برنامه‌نویسی پایتون  〰〰〰

⚪️ فصل 1: اصول برنامه‌نویسی پایتون 
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link


〰〰 شناسایی الگو و یادگیری ماشین 〰〰

⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
 
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتم‌های کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتم‌های خوشه‌بندی
◽️مدت دوره: 13 ساعت
🔘 Link


〰〰〰〰 شبکه‌های عصبی 〰〰〰〰

⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link

⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link

〰〰〰 پردازش سیگنال مغزی 〰〰〰

⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link

⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link

〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰

⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link


〰〰〰〰〰 پردازش سیگنال قلبی 〰〰〰〰

⚪️ دوره پردازش سیگنال ECG
◽️مدت زمان دوره: 37 ساعت و 45 دقیقه
🔘 Link


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

🎯 چارچوب انجام یک پروژه تشخیص آریتمی قلبی با سیگنال  ECG؛ از معرفی داده تا روال ارزیابی مدل

متأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آن‌طور که باید به نحوه طراحی آزمایش‌ها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.

یک مطالعه مروری در 2023 این روش هارو بررسی کرده که از این 357 مقاله، فقط 38 مقاله به شکل استاندارد روش خودشون رو ارزیابی کردند!

اکثرا هم یک مدل با Accuracy بسیار بالا گزارش می‌شود، اما وقتی دقیق‌تر بررسی می‌کنیم، متوجه می‌شویم که نحوه تقسیم داده‌ها یا روش ارزیابی، قابلیت واقعی مدل برای تعمیم به بیماران جدید را نشان نمی‌دهد.

مشکل اینجاست که اگر ما هم صرفاً همان چارچوب‌های رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم.

☑️ به نظر من در پروژه‌های پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست می‌آوریم واقعاً قابل اعتماد باشد؟»

🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کرده‌ام و چارچوبی را که برای طراحی آزمایش‌ها و ارزیابی روش‌های تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح داده‌ام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالش‌هایی که در مسیر وجود دارند.
اگر روی پایان‌نامه، مقاله یا پروژه‌ای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار می‌کنید، فکر می‌کنم این ویدیو قبل از شروع آزمایش‌های نهایی می‌تواند برایتان مفید باشد.

🎥 ویدئو
https://youtu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM

⭕️ جزییات بیشتر 👇
https://onlinebme.com/arrhythmia-detection-using-ecg-evaluation-paradigms/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Читать полностью…

📄مقاله تازه‌ای با عنوان
 Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks 
منتشر شده است که مستقیماً به قلب مسئله‌ی Credit Assignment و محدودیت‌های بیولوژیکی شبکه‌های عصبی می‌زند.

نکته اصلی مقاله رو اگه بخوایم به صورت خلاصه بگیم اینه:
پژوهشگران می‌خواستند ببینند آیا می‌شود یک شبکه عصبی بسازیم که از نظر نحوه اتصال نورون‌ها بیشتر شبیه مغز باشد، اما همچنان بتواند یاد بگیرد؛ بدون اینکه برای آموزش از Backpropagation معمولی استفاده کند.

و جواب مقاله این است:
 تا حدی بله، اما هنوز با شبکه‌های معمولی فاصله دارد. 

@onlinebme

Читать полностью…

⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین!

داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو با
یه «واترمارک نامرئی» علامت گذاری می‌کنه.  این کار رو برای رعایت قوانین جدید شفافیت
اتحادیه اروپا انجام دادن، اما نکته‌ی مهم اینه که این علامت‌گذاری فقط مال اروپا
نیست؛ جهانیه و همه‌جا اعمال می‌شه.

@onlinebme

Читать полностью…

📱 گوشی شما زمان رو دو بار ازتون می‌دزده!

⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.
🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه می‌کنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.
و حتی عجیب‌تر...


@onlinebme

Читать полностью…

این پژوهش یک مدل یادگیری عمیق ترکیبی با نام ResSPNet برای احراز هویت افراد بر اساس سیگنال‌های EEG ارائه می‌کند. در این مدل، شبکه  SPCNN ویژگی‌های زمانی و مکانی سیگنال خام EEG را استخراج می‌کند و شبکه ResNet-101 نیز ویژگی‌های فرکانسی را از تصاویر طیف‌نگار حاصل از تبدیل STFT یاد می‌گیرد. سپس این ویژگی‌ها با یکدیگر ترکیب می‌شوند تا فرایند احراز هویت با دقت و اطمینان بیشتری انجام شود.
برای افزایش کاربردپذیری سیستم، تعداد کانال‌های EEG از ۲۲ کانال به ۶ کانال کاهش یافته است. مدل با ۲۲ کانال به F-score  برابر با ۹۸٫۸ درصد و با ۶ کانال منتخب به ۹۶٫۱ درصد رسید؛ بنابراین، با افت اندک عملکرد، پیچیدگی و هزینه سیستم کاهش یافت.

Читать полностью…