EEG workshop poster with chatgpt

با چت جی پی تی تولید شده است

خلاصه مقاله:
عنوان: "Decoding Intracranial EEG With Machine Learning: A Systematic Review"
این مقاله به بررسی سیستماتیک استفاده از تکنیک‌های یادگیری ماشین (ML) در تحلیل داده‌های الکتروانسفالوگرافی داخل جمجمه‌ای (iEEG) پرداخته است. پیشرفت در فناوری iEEG امکان مطالعه دقیق نواحی عمیق مغز با وضوح بالا را فراهم کرده است که می‌تواند به شناسایی الگوهای عصبی در شرایط طبیعی و بیماری‌ها کمک کند. یادگیری ماشین با قابلیت شناسایی الگوهای پیچیده، به بهبود تفسیر داده‌های iEEG و کاربردهای بالینی آن، به‌ویژه در حوزه جراحی مغز و اعصاب کمک می‌کند.
روش تحقیق: نویسندگان 107 مقاله مرتبط را از سه پایگاه داده معتبر استخراج کرده و بر اساس نوع الگوریتم ML و کاربردهای بالینی دسته‌بندی کرده‌اند. این کاربردها به چهار حوزه اصلی تقسیم شدند:
تحلیل تشنج و پیش‌بینی آن
طبقه‌بندی حرکات
ارزیابی شناختی
تعیین مراحل خواب
نکات کلیدی و نتایج:
بیشترین کاربرد ML در تشخیص تشنج و پیش‌بینی زمان شروع آن بوده است.
الگوریتم‌های یادگیری عمیق (Deep Learning) نسبت به روش‌های استاندارد یادگیری نظارت‌شده، عملکرد بهتری در طبقه‌بندی تشنج‌ها نشان داده‌اند.
در طبقه‌بندی حرکات، الگوریتم‌های مختلفی از جمله شبکه‌های عصبی و ماشین بردار پشتیبان (SVM) استفاده شده که هر یک مزایا و محدودیت‌های خاص خود را دارند.
استفاده از ML در تشخیص مراحل خواب می‌تواند به بهبود درمان‌های مرتبط با اختلالات خواب کمک کند.
از جمله چالش‌های موجود، نیاز به مجموعه داده‌های بزرگ و مشکل تفسیرپذیری الگوریتم‌های یادگیری عمیق است.
پیشنهادات: نویسندگان توصیه می‌کنند که در تحقیقات آینده:
مقایسه دقیق‌تری بین عملکرد الگوریتم‌ها و تحلیل‌های انسانی انجام شود.
مجموعه داده‌های بزرگ‌تر و نماینده‌تر جمع‌آوری شود.
الگوریتم‌های قابل‌تفسیرتر توسعه یابد تا اعتماد بیشتری در استفاده بالینی از آن‌ها ایجاد شود.
این مقاله نشان می‌دهد که یادگیری ماشین پتانسیل بالایی در بهبود روش‌های تشخیصی و درمانی مرتبط با مغز و اعصاب دارد و می‌تواند در آینده نقش مهمی در شخصی‌سازی درمان‌ها ایفا کند.

در ادامه، فهرستی از شبکه‌های عمیق معروف و معرفی‌شده در مقالات که به‌طور خاص روی داده‌های EEG آموزش داده شده‌اند را ارائه می‌کنم:
1. EEGNet
معرفی: شبکه‌ای بسیار سبک و کارآمد که به طور خاص برای تحلیل داده‌های EEG و کاربردهای مرتبط با رابط‌های مغز-رایانه (BCI) طراحی شده است.
کاربردها: طبقه‌بندی وظایف حرکتی، تشخیص تشنج و پیش‌بینی حالات شناختی.
2. DeepConvNet
معرفی: شبکه کانولوشنی عمیق با چندین لایه کانولوشنی و تمام‌متصل که به‌خوبی روی داده‌های EEG کار می‌کند.
کاربردها: طبقه‌بندی وظایف حرکتی در BCI.
3. ShallowConvNet
معرفی: نسخه کم‌عمق‌تر DeepConvNet که برای استخراج ویژگی‌های فرکانسی طراحی شده است.
کاربردها: تشخیص سریع و کاربردهای بلادرنگ در BCI.
4. CNN-LSTM Hybrid
معرفی: ترکیب CNN برای استخراج ویژگی‌های مکانی و LSTM برای مدل‌سازی وابستگی‌های زمانی.
کاربردها: تشخیص تشنج، پیش‌بینی حرکت و طبقه‌بندی مراحل خواب.
5. WaveNet
معرفی: شبکه‌ای کانولوشنی با لایه‌های دیلاته که به طور خاص برای پردازش سیگنال‌های EEG و استخراج الگوهای زمانی-فرکانسی طراحی شده است.
کاربردها: تشخیص تشنج و طبقه‌بندی حالات شناختی.
6. RCNN (Recurrent Convolutional Neural Network)
معرفی: شبکه‌ای ترکیبی از CNN و RNN که به طور خاص برای داده‌های EEG استفاده می‌شود.
کاربردها: پیش‌بینی تشنج و طبقه‌بندی وظایف شناختی.
7. DeepSleepNet
معرفی: شبکه‌ای عمیق که به طور خاص برای طبقه‌بندی مراحل خواب از سیگنال‌های EEG طراحی شده است.
کاربردها: تحلیل و طبقه‌بندی مراحل مختلف خواب (REM، NREM و بیداری).
8. SEEGNet
معرفی: نسخه‌ای بهینه‌شده از EEGNet برای داده‌های iEEG و sEEG.
کاربردها: تشخیص تشنج و طبقه‌بندی نواحی مغزی.
9. TFA-CNN
معرفی: شبکه‌ای که از تبدیل‌های زمانی-فرکانسی (Time-Frequency Analysis) برای استخراج ویژگی‌های ورودی به CNN استفاده می‌کند.
کاربردها: تحلیل مراحل خواب و طبقه‌بندی وظایف شناختی.
10. Attention-based EEG Models
معرفی: شبکه‌هایی که از مکانیزم توجه (Attention Mechanism) برای شناسایی بخش‌های مهم سیگنال‌های EEG استفاده می‌کنند.
کاربردها: طبقه‌بندی وظایف شناختی و کنترل رابط‌های مغز-رایانه.
اگر نیاز به توضیحات بیشتر یا دسترسی به مقالات مرتبط با هر یک از این شبکه‌ها دارید، می‌توانم لیست مقالات و توضیحات دقیق‌تری را نیز ارائه کنم.

یه مناسبت ۴ ژانویه، زادروز می بریت موزر.
کشف GPS موجود در مغز موجودات زنده و جایزه نوبل ۲۰۱۴

در سال ۱۹۷۱، John O'Keefe توانست سلول‌هایی را در هیپوکامپ کشف کند که نقشه‌ای از محیط اطراف را ترسیم می‌کردند و در حافظه موش ذخیره می‌کردند. او نام این سلول‌ها را Place cells گذاشت.
در سال ۲۰۰۴، زوج نروژی
Edvard & May-Brit Moser،
در ناحیه entorhinal cortex  موفق به کشف سلول‌هایی شدند که به صورت شش‌ضلعی هایی منظم شده بودند و بر اساس سرعت حرکت موجود زنده در محیط، مکان دقیق موجود را مشخص می‌کردند. نام این سلول‌ها را Grid cells گذاشتند.

در سال ۲۰۱۴، سه دانشمند فوق به خاطر کشف چگونگی مکان یابی جانوران و GPS درونی مغز، موفق به دریافت جایزه نوبل شدند.

فیلم درمورد همین اکتشافات بحث می‌کند.
https://youtu.be/GmFspbHHZ_w


در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید
http://www.tgoop.com/pubethicsmums/2525

مقاله به بررسی تأثیر عوامل مختلف بر داده‌های EEG (الکتروانسفالوگرافی) پرداخته است. این عوامل شامل سیستم‌های EEG، سوژه‌ها و جلسات ضبط داده‌ها هستند. هدف این مطالعه اندازه‌گیری میزان تأثیر هر یک از این عوامل بر داده‌های EEG است.

یافته‌های اصلی به شرح زیر است:

عوامل تأثیرگذار بر داده‌های EEG:

عامل سوژه بیشترین تأثیر را در واریانس داده‌ها داشت و تا ۳۲٪ از واریانس را شامل می‌شد.
سیستم EEG ۹٪ از واریانس را ایجاد کرد.
عامل جلسه (جلسات تکراری) کمترین تأثیر را داشت و تنها ۱٪ از واریانس را شامل می‌شد.
مقایسه سیستم‌های EEG:

چهار سیستم EEG مورد آزمایش قرار گرفتند: دو سیستم تحقیقاتی استاندارد، یک سیستم موبایل با الکترود خشک و یک سیستم موبایل کم‌هزینه.
سوژه‌ها بیشترین تأثیر را بر تغییرات داده‌ها در پارادایم‌های مختلف داشتند.
تفاوت‌هایی در داده‌ها بین سیستم‌های تحقیقاتی و سیستم‌های موبایل (g.Nautilus و Emotiv) مشاهده شد. سیستم‌های موبایل و کم‌هزینه معمولاً نتایج متفاوت‌تری نسبت به سیستم‌های تحقیقاتی نشان دادند.
به‌طور کلی، Emotiv EPOC و g.Nautilus نتایج متفاوت‌تری نسبت به سیستم‌های تحقیقاتی در حداقل نیمی از پارادایم‌ها داشتند.
پارادایم‌های آزمایش:

شش پارادایم EEG برای آزمایش پاسخ‌های شنوایی، بصری و حرکتی استفاده شد که شامل پتانسیل‌های برانگیخته شنوایی (AEPs)، پتانسیل‌های بصری برانگیخته پایدار (SSVEPs)، پتانسیل‌های حرکتی (MPs)، منفی‌نگری بصری ناهماهنگ (vMMN)، اجزای حساس به صورت N170 و تصمیم‌گیری بصری (vDM) بود.
تحلیل واریانس (ANOVA):

نتایج تحلیل واریانس نشان داد که عامل سوژه بزرگترین منبع واریانس است، به ویژه در وظایف شناختی و تصمیم‌گیری. عامل جلسه تأثیر چندانی بر نتایج نداشت و عامل سیستم نیز در اکثر موارد تأثیر قابل توجهی بر واریانس داشت.
پیامدها برای سیستم‌های EEG موبایل:

این مطالعه معیاری برای مقایسه سیستم‌های جدید EEG موبایل با سیستم‌های تحقیقاتی استاندارد فراهم می‌کند و به ارزیابی عملکرد راه‌حل‌های جدید و کم‌هزینه در مطالعات علمی کمک می‌کند.
نتایج این مطالعه نشان می‌دهند که اگرچه سیستم‌های EEG تأثیراتی بر واریانس دارند، تفاوت‌های فردی سوژه‌ها تأثیر بسیار بیشتری بر داده‌ها دارند. علاوه بر این، سیستم‌های موبایل مانند Emotiv EPOC و g.Nautilus معمولاً نتایج متفاوتی نسبت به سیستم‌های تحقیقاتی نشان می‌دهند. این مطالعه برای تعیین معیارهایی برای مقایسه سیستم‌های EEG در آینده، به ویژه سیستم‌های موبایل و کم‌هزینه، اهمیت دارد.

این مقاله به بررسی استفاده از EEG کم‌چگالی برای طبقه‌بندی و بازسازی تصاویر بر اساس فعالیت مغزی پرداخته است. نکات کلیدی و جزئیات شامل موارد زیر است:

نکات کلیدی:
هدف: هدف این مطالعه توسعه یک سیستم EEG مقرون به صرفه و قابل حمل برای طبقه‌بندی و بازسازی تصاویر بر اساس فعالیت مغزی است. روش‌های سنتی بیشتر به تجهیزات گران‌قیمت و حجیم مانند fMRI یا EEG با چگالی بالا وابسته بودند که کاربرد آن‌ها در شرایط دنیای واقعی دشوار است.

راه‌اندازی و روش‌شناسی:

سیستم EEG: از یک سیستم EEG قابل حمل با ۸ کانال استفاده شد که انعطاف‌پذیری و هزینه کمتری دارد. الکترودهای این سیستم در مکان‌هایی قرار گرفتند که پیش‌تر نشان داده شده بود که برای اطلاعات بصری پیش‌بینی‌کننده هستند.
مجموعه داده تصویر: ۶۰۰ تصویر از ۲۰ دسته (شامل چهره‌ها) به ۹ سوژه نشان داده شد و ترتیب تصاویر به‌طور تصادفی مخلوط شد تا از ایجاد تعصبات مبتنی بر بلوک در داده‌ها جلوگیری شود.
آزمایش: داده‌های EEG در حین نمایش تصاویر ضبط شدند. سپس طبقه‌بندی و بازسازی با استفاده از پنج مدل معاصر یادگیری ماشین آزمایش شدند که شامل EEGNet، TSCeption و EEG-ChannelNet بودند.
طبقه‌بندی:

بهترین مدل، EEGNet، به دقت ۳۴.۴٪ میانگین در بین سوژه‌ها دست یافت. این مدل از دیگر مدل‌ها پیشی گرفت و TSCeption و EEG Conformer در رده‌های بعدی قرار گرفتند.
دقت بر اساس دسته‌ها: چهره‌ها آسان‌ترین تصاویر برای طبقه‌بندی بودند و پس از آن دسته‌هایی مانند هواپیمای مسافربری و شراب قرمز قرار داشتند. دسته‌های دشوارتر شامل مواردی مانند پرچسل بودند.
بازسازی:

با استفاده از مدل EEGNet به‌عنوان یک کدگذار EEG، تصاویر با استفاده از یک مدل پیش‌آموزش‌دیده به نام مدل انتشار نهفته (LDM) بازسازی شدند. برای تصاویر از دسته‌هایی که در طول آموزش دیده شده بودند، مدل دقت ۳۵.۳٪ در بازسازی تصاویر بدست آورد.
دقت زمانی که تلاش شد تصاویر از دسته‌های قبلاً دیده‌نشده بازسازی شوند، به‌طور قابل توجهی کاهش یافت و دقت ۸.۲٪ در مجموعه آزمایشی پیشرفته به‌دست آمد.
یافته‌ها و چالش‌ها:

بهترین دسته‌های تصویری: بازسازی برای تصاویر با چهره یا حیوانات موفق‌تر بود، اما با اشیاء بی‌جان مشکل بیشتری داشت.
چالش‌ها: دقت پایین‌تر فضای مغزی EEG و محدود بودن نواحی مغزی که توسط ۸ کانال پوشش داده می‌شود، باعث چالش‌ها در بازسازی تصاویر، به‌ویژه برای دسته‌های دیده‌نشده، شد.
بهبود در هزینه و انعطاف‌پذیری: راه‌اندازی این مطالعه یک جایگزین ارزان‌تر و انعطاف‌پذیرتر نسبت به سیستم‌های مبتنی بر fMRI ارائه می‌دهد که استفاده آن را در شرایط واقعی ممکن می‌سازد.
محدودیت‌ها و کارهای آینده:

این مطالعه اذعان دارد که این روش هنوز برای کاربردهای زمان واقعی کامل نیست و کارهای آینده ممکن است شامل آزمایش بازسازی "تصاویر تجسم‌شده" به جای تصاویر درک‌شده باشد.
علاوه بر این، مطالعه پیشنهاد می‌کند که بهبود مدل‌های طبقه‌بندی‌کننده و کدگذارهای مبتنی بر EEG می‌تواند قابلیت‌های بازسازی را بهبود بخشد.
در نهایت، این مطالعه قابلیت استفاده از یک سیستم EEG قابل حمل و کم‌چگالی برای رمزگشایی بصری و بازسازی تصاویر را نشان می‌دهد، هرچند هنوز به سطح روش‌های مبتنی بر fMRI برای بازسازی تصاویر دیده‌نشده نرسیده است. با این حال، این روش گام مهمی به سوی کاربردهای عملی مانند ابزارهای ارتباطی برای بیماران با ناتوانی‌ها است

The article discusses the electrophysiological signatures and neural dynamics of empathy for pain using intracranial EEG (iEEG). Here are the key points and insights:

Key Points:
Objective and Method:

The study explores the neural mechanisms involved in empathy for pain by recording iEEG from 22 epilepsy patients while they observed painful or non-painful stimuli. The focus was on key empathy-related brain regions: the anterior insula (AI), anterior cingulate cortex (ACC), amygdala, and inferior frontal gyrus (IFG).
The study used time-frequency analyses to examine oscillatory patterns and inter-regional communications involved in vicarious pain perception.
Neural Responses to Pain:

High-Gamma Activity in IFG: The perception of others' pain induced early increases in high-gamma activity in the IFG.
Beta and Low-Frequency Activity: In regions like the ACC, AI, and amygdala, the study observed distinct changes in beta-band and low-frequency oscillations. For example, vicarious pain perception led to suppression of low-frequency power (theta, alpha, beta) in the AI and amygdala, while beta power increased in the ACC.
Time and Region-Specific Activity: Different brain regions exhibited unique temporal and spectral patterns, with early activity observed in the IFG and delayed responses in the amygdala.
Inter-Regional Communication:

Low-Frequency Coupling: The study identified significant low-frequency coupling between the ACC, AI, and amygdala, which facilitates long-range communication between these regions during pain empathy.
Phase-Amplitude Coupling (PAC): High-gamma amplitude in the IFG was modulated by low-frequency phases in the ACC, AI, and amygdala, which is crucial for integrating information across brain regions.
Model of Empathy for Pain:

The study proposes a neurodynamic model of empathy for pain based on these findings. This model emphasizes the role of specific neural features (e.g., low-frequency activity in ACC/AI/amygdala, cross-frequency coupling) in decoding vicarious pain perception.
The model suggests that empathy for pain involves coordinated oscillatory dynamics across multiple brain regions, with specific inter-regional interactions being crucial for processing others' pain.
Neural Features for Empathy Decoding:

Using machine learning, the study identified several critical neural features for classifying vicarious pain perception. The strongest features were beta power in the ACC, phase-amplitude coupling between the ACC and IFG, and low-frequency power in the AI.
Disruption Analysis: The study tested how removing certain features impacted the ability to decode pain perception, finding that a combination of features was necessary for accurate decoding.
Behavioral Correlations:

Empathy and Neural Features: The study found that certain neural features (such as ACC alpha power and AI low-frequency power) were correlated with subjective ratings of empathy strength, perceived pain intensity, and unpleasantness.
Conclusion:
This study provides an in-depth understanding of the neural dynamics involved in empathy for pain. By identifying the specific neural oscillations and inter-regional communications within the empathy network, it advances the understanding of how the brain processes vicarious pain. These findings offer a sophisticated model for empathy, which can inform future research on empathy-related disorders and guide therapeutic interventions for improving empathy in clinical settings.