دوره جامع پيشرفته “پردازش داده هاي علوم اعصاب با روش هاي يادگيري عميق مبتني بر پايتون”

بخش اول:(مباحث تئوری)

1- آشنایی با انواع مدل های یادگیری عمیق

  - شبکه عصبی کانولوشن (CNN) Convolutional neural network

  - شبکه های عصبی (LSTM) Long short-term memory

  - شبکه های عصبی خودرمزنگار عمیق Autoencoder (AE) Deep

  - شبکه عصبی (GAN) Generative adversarial network

  - آشنایی با شبکه های عصبی کانولوشن معروف مبتنی بر ساختار CNN

-AlexNet-ResNet-Inception V3- Google Net-VGG Net- DenseNet

ResNeXt-Mobile Net- Efficient Net 

  - تکنیک Transfer Learning یا یادگیری انتقالی

   - آموزش مدل های کانولوشنی-بازگشتی مبتنی بر مکانیسم توجه(Attention)

  - آموزش مدل های یادگیری عمیق مبتنی بر ترنسفورمرها(Transformer)

2- کاربردهای هوش مصنوعی و یادگیری عمیق در پردازش داده های علوم اعصاب با استفاده از سیگنال EEG ، تصاویر MRI و fMRI شامل:

Emotion recognition, Mental workload, Motor imagery, Sleep stage scoring, Seizure detection, Alzheimer and Mild Cognitive Impairment (MCI) classification, Major depressive disorder (MDD), Schizophrenia and Obsessive-compulsive disorder (OCD) detection, rTMS treatment prediction, Brain Tumor segmentation and classification, Driver Fatigue Detection.

3- معرفی دیتابیس های (EEG, MRI, fMRI) قابل دانلود معتبر حوزه علوم اعصاب

 زمان: پنجشنبه ١١ خرداد ١٤٠٢، ساعت 8:30 الي 17:30 

مدرس: دكتر احمد شالباف، دكتري مهندسي پزشكي، دانشيار دانشگاه علوم پزشكي شهيد بهشتي 

بخش دوم: دسته بندی سیگنال های مغزی EEG با یادگیری عمیق (کد نویسی)

- معرفی دیتاست EEG برای تشخیص و پیش بینی پاسخ به درمان داروییدر افراد افسرده

- تحلیل و پیش پردازش سیگنال های مغزی با استفاده از روش ICA وتوسعه اسکریپت پیش پردازش خودکار داده ها

- ساخت ورودی تصویر تبدیل فوریه زمان کوتاه و تبدیل ویولت از رویسیگنال های EEG برای مدل های شبکه های عصبی کانولوشنی (CNN)

- ساخت ورودی تصویر داده خام از روی سیگنال های EEG برای مدلهای شبکه های عصبی کانولوشنی

- ساخت ورودی تصویر ارتباطات مغزی از روی سیگنال های EEG برایمدل های شبکه های عصبی کانولوشنی

- پیاده سازی و استفاده از مدل های Pre-trained CNN محبوب همچون VGG16 ، Efficient Net , Inception, Resnet, و بررسی آنها در مسائل Transfer Learning       برای حل مسائل طبقه بندی سیگنال EEG

- آماده سازی توالی تصاویر برای استفاده در مدل های شبکه های عصبیکانولوشنی-بازگشتی      (CNN-LSTM)

- توسعه مدل های کانولوشنی-بازگشتی مبتنی بر مکانیسم توجه(Attention)

-  توسعه مدل های یادگیری عمیق مبتنی بر ترنسفورمرها (Transformer)

- استفاده از روش های رای گیری اکثریت برای ترکیب مدل ها و پیادهسازی روش های بهینه سازی برای ترکیب مدل ها

- تقسیم داده ها برای آموزش و استفاده از Cross-Validation و ثبتخروجی های مدل و نمایش نمودارهای آموزش

- تولید انواع معیارهای ارزیابی مدل شامل ماتریس کانفیوژن، نمودارROC، دقت و صحت

- تحلیل خروجی های مدل های مختلف و مقایسه آنها و جمع بندی مباحث      

 زمان: پنجشنبه ١٨ خرداد ١٤٠٢، ساعت ٨:٣٠ الي ١٤:٣٠

مدرس: مهندس محسن شهابی، دانشجوي دكتري مهندسي پزشكي، دانشگاه علوم پزشكي شهيد بهشتي 

بخش سوم:  (کد نویسی)

- بررسی و پیاده سازی Autoencoder Deep و Variational Autoencoder در مسائلanomaly  detection و data augmentation

- بررسی و پیاده سازی شبکه های (GAN) جهت افزایش دادگان و تولید داده fake (بر روی داده های EEG)

- بخش بندی (Segmentation) تصاویر MRI به کمک شبکه Unet جهتتشخیص ناحیه تومور های مغزی

-  طراحی لایه به لایه شبکه Unet و اتصالات بهینه مابین شبکه به شکلی کهدر فرآیند آموزش همگرایی بهتر و سریع‌تری رخ دهد

- طبقه بندی تصاویر سه بعدی FMRI به کمک شبکه های سه بعدی عصبی کانولوشنی