This media is not supported in your browser
VIEW IN TELEGRAM
✍️ فناوری رابط مغز و کامپیوتر
اپل در حال آزمایش فناوری رابط مغز و کامپیوتر (BCI) برای iOS، iPadOS و visionOS است که به کاربران امکان میدهد دستگاههای خود را بدون هیچ حرکت فیزیکی کنترل کنند. این ویژگی که "کنترل سوئیچ" نام دارد، به گونهای طراحی شده است که به کاربران اجازه میدهد تنها با استفاده از سیگنالهای مغزی تعامل داشته باشند
این سیستم که در حال حاضر در حال آزمایش با گروه کوچکی از کاربران است، گامی مهم در جهت دسترسیپذیری محسوب میشود. رابطهای مغز و کامپیوتر به عنوان یک نوآوری متحولکننده برای افراد دارای محدودیت حرکتی دیده میشوند و این اقدام، تعهد مداوم اپل به فناوری فراگیر و پیشرفته را برجسته میکند.
#هوش_مصنوعی #علم_داده
#BCI
اپل در حال آزمایش فناوری رابط مغز و کامپیوتر (BCI) برای iOS، iPadOS و visionOS است که به کاربران امکان میدهد دستگاههای خود را بدون هیچ حرکت فیزیکی کنترل کنند. این ویژگی که "کنترل سوئیچ" نام دارد، به گونهای طراحی شده است که به کاربران اجازه میدهد تنها با استفاده از سیگنالهای مغزی تعامل داشته باشند
این سیستم که در حال حاضر در حال آزمایش با گروه کوچکی از کاربران است، گامی مهم در جهت دسترسیپذیری محسوب میشود. رابطهای مغز و کامپیوتر به عنوان یک نوآوری متحولکننده برای افراد دارای محدودیت حرکتی دیده میشوند و این اقدام، تعهد مداوم اپل به فناوری فراگیر و پیشرفته را برجسته میکند.
#هوش_مصنوعی #علم_داده
#BCI
🎯 انقلاب در رابطهای مغز-کامپیوتر با فناوری عضلهخوانی پیشرفته!
📡 پروژهای نوآورانه از پژوهشگران دانشگاه Caltech و مؤسسه Nature
---
🧠 این پژوهش بهتازگی در مجله معتبر Nature منتشر شده و هدف آن توسعهی یک رابط عصبی-عضلانی غیرتهاجمی (non-invasive neuromotor interface) است که بتواند بهصورت دقیق و سریع، حرکات دست و انگشتان را از طریق الکترومیوگرافی سطحی (sEMG) رمزگشایی کند—بدون نیاز به کاشت الکترود در بدن یا آموزشهای پیچیده.
---
📦 اجزای سیستم:
1. مچبند sEMG-RD با الکترودهای چندکاناله دقیق که فعالیتهای عضلانی را با وضوح بالا ثبت میکند
2. کپسول پردازشگر تعبیهشده روی مچبند برای تحلیل آنی سیگنالها
3. وبکم و واسط گرافیکی برای تنظیم تمرینها و تعامل با کاربر
4. تحلیل الگوهای زمانی-فضایی EMG برای تشخیص حرکات خاص مثل pinch، swipe، tap
---
🔍 کاربردها و تواناییها:
✅ کنترل دقیق نشانگر موس با حرکت مچ دست
✅ تشخیص حرکات انگشتان (مثل pinch یا tap شست) با دقت بالا
✅ امکان نوشتن متن تنها با تصور نوشتن آن (رمزگشایی از سیگنالهای عضلانی هنگام نوشتن ذهنی کلمات مثل “Cat”)
✅ بدون نیاز به کالیبراسیون فردی یا آموزش بلندمدت
✅ مناسب برای بیماران ناتوان حرکتی یا طراحی رابطهای نسل آینده انسان-ماشین (HMI)
---
📊 دقت عملکرد:
مطالعه نشان داده این سیستم میتواند حرکات خاص را با دقت بیش از 95٪ تشخیص دهد و در سناریوهای واقعی (مثل نوشتن، حرکت مکاننما، تعامل لمسی مجازی) عملکردی قابل اتکا ارائه دهد.
---
📎 لینک مقاله اصلی در Nature:
https://www.nature.com/articles/s41586-025-09255-w
---
🔬 این پژوهش میتواند مسیر آیندهی ابزارهای کمکی پزشکی، رابطهای مغز-ماشین، بازیهای رایانهای، و حتی سیستمهای واقعیت افزوده را متحول کند.
——
@rss_ai_ir
#هوش_مصنوعی #علوم_پزشکی #سیگنال_زیستی #رابط_عصبی #Neurotech #EMG #BCI #مقاله_علمی
📡 پروژهای نوآورانه از پژوهشگران دانشگاه Caltech و مؤسسه Nature
---
🧠 این پژوهش بهتازگی در مجله معتبر Nature منتشر شده و هدف آن توسعهی یک رابط عصبی-عضلانی غیرتهاجمی (non-invasive neuromotor interface) است که بتواند بهصورت دقیق و سریع، حرکات دست و انگشتان را از طریق الکترومیوگرافی سطحی (sEMG) رمزگشایی کند—بدون نیاز به کاشت الکترود در بدن یا آموزشهای پیچیده.
---
📦 اجزای سیستم:
1. مچبند sEMG-RD با الکترودهای چندکاناله دقیق که فعالیتهای عضلانی را با وضوح بالا ثبت میکند
2. کپسول پردازشگر تعبیهشده روی مچبند برای تحلیل آنی سیگنالها
3. وبکم و واسط گرافیکی برای تنظیم تمرینها و تعامل با کاربر
4. تحلیل الگوهای زمانی-فضایی EMG برای تشخیص حرکات خاص مثل pinch، swipe، tap
---
🔍 کاربردها و تواناییها:
✅ کنترل دقیق نشانگر موس با حرکت مچ دست
✅ تشخیص حرکات انگشتان (مثل pinch یا tap شست) با دقت بالا
✅ امکان نوشتن متن تنها با تصور نوشتن آن (رمزگشایی از سیگنالهای عضلانی هنگام نوشتن ذهنی کلمات مثل “Cat”)
✅ بدون نیاز به کالیبراسیون فردی یا آموزش بلندمدت
✅ مناسب برای بیماران ناتوان حرکتی یا طراحی رابطهای نسل آینده انسان-ماشین (HMI)
---
📊 دقت عملکرد:
مطالعه نشان داده این سیستم میتواند حرکات خاص را با دقت بیش از 95٪ تشخیص دهد و در سناریوهای واقعی (مثل نوشتن، حرکت مکاننما، تعامل لمسی مجازی) عملکردی قابل اتکا ارائه دهد.
---
📎 لینک مقاله اصلی در Nature:
https://www.nature.com/articles/s41586-025-09255-w
---
🔬 این پژوهش میتواند مسیر آیندهی ابزارهای کمکی پزشکی، رابطهای مغز-ماشین، بازیهای رایانهای، و حتی سیستمهای واقعیت افزوده را متحول کند.
——
@rss_ai_ir
#هوش_مصنوعی #علوم_پزشکی #سیگنال_زیستی #رابط_عصبی #Neurotech #EMG #BCI #مقاله_علمی
👍2🔥1👏1
🧠✨ بازسازی تصاویر ذهنی با سیگنال EEG و یادگیری عمیق!
به دنیای آینده خوش آمدید: پروژه [EEGStyleGAN-ADA](https://github.com/prajwalsingh/EEGStyleGAN-ADA) یکی از جدیدترین دستاوردهای هوش مصنوعی است که با استفاده از سیگنال مغزی (EEG)، تصاویری که افراد تصور میکنند را بازسازی میکند!
🔬 این پروژه چگونه کار میکند؟
1. استخراج ویژگی از سیگنال EEG:
ابتدا سیگنالهای مغزی وارد شبکههای عمیق (LSTM, CNN با یادگیری contrastive) میشوند تا بازنماییهای قوی و قابل تفکیکی از فکر فرد به دست آید.
2. تولید تصویر با StyleGAN-ADA:
ویژگیهای استخراجشده به فضای latent مدل StyleGAN-ADA نگاشت میشوند تا تصویر ذهنی فرد روی بوم دیجیتال (واقعاً!) نقاشی شود.
📈 دستاوردها و نقاط قوت:
- امتیاز بالای Inception Score روی دیتاستهای تخصصی مثل EEGCVPR40 و Thoughtviz (بهبود چشمگیر نسبت به روشهای قبلی)
- استخراج نمایههای مغزی مستقل از سوژه (Generalizable)
- ارائه checkpoints و کد باز برای استفاده پژوهشگران
🥽 کاربردها:
- رابط مغز و کامپیوتر (BCI) و کمک به افراد با محدودیت حرکتی یا گفتاری
- درک بهتر رمزگذاری اطلاعات بصری در مغز انسان
آینده تعامل با مغز انسان را جدی بگیرید...
منبع کد و توضیحات بیشتر:
🔗 https://github.com/prajwalsingh/EEGStyleGAN-ADA
🔗 [مقاله علمی arXiv:2310.16532](https://arxiv.org/abs/2310.16532)
---
❤️ برای اطلاعات بیشتر و پروژههای مشابه، ما را دنبال کنید!
#BCI #EEG #DeepLearning #AI #NeuroAI
به دنیای آینده خوش آمدید: پروژه [EEGStyleGAN-ADA](https://github.com/prajwalsingh/EEGStyleGAN-ADA) یکی از جدیدترین دستاوردهای هوش مصنوعی است که با استفاده از سیگنال مغزی (EEG)، تصاویری که افراد تصور میکنند را بازسازی میکند!
🔬 این پروژه چگونه کار میکند؟
1. استخراج ویژگی از سیگنال EEG:
ابتدا سیگنالهای مغزی وارد شبکههای عمیق (LSTM, CNN با یادگیری contrastive) میشوند تا بازنماییهای قوی و قابل تفکیکی از فکر فرد به دست آید.
2. تولید تصویر با StyleGAN-ADA:
ویژگیهای استخراجشده به فضای latent مدل StyleGAN-ADA نگاشت میشوند تا تصویر ذهنی فرد روی بوم دیجیتال (واقعاً!) نقاشی شود.
📈 دستاوردها و نقاط قوت:
- امتیاز بالای Inception Score روی دیتاستهای تخصصی مثل EEGCVPR40 و Thoughtviz (بهبود چشمگیر نسبت به روشهای قبلی)
- استخراج نمایههای مغزی مستقل از سوژه (Generalizable)
- ارائه checkpoints و کد باز برای استفاده پژوهشگران
🥽 کاربردها:
- رابط مغز و کامپیوتر (BCI) و کمک به افراد با محدودیت حرکتی یا گفتاری
- درک بهتر رمزگذاری اطلاعات بصری در مغز انسان
آینده تعامل با مغز انسان را جدی بگیرید...
منبع کد و توضیحات بیشتر:
🔗 https://github.com/prajwalsingh/EEGStyleGAN-ADA
🔗 [مقاله علمی arXiv:2310.16532](https://arxiv.org/abs/2310.16532)
---
❤️ برای اطلاعات بیشتر و پروژههای مشابه، ما را دنبال کنید!
#BCI #EEG #DeepLearning #AI #NeuroAI
GitHub
GitHub - prajwalsingh/EEGStyleGAN-ADA: Pytorch code of paper "Learning Robust Deep Visual Representations from EEG Brain Recordings".…
Pytorch code of paper "Learning Robust Deep Visual Representations from EEG Brain Recordings". [WACV 2024] - prajwalsingh/EEGStyleGAN-ADA
🎉20🔥17👏17🥰16😁16❤15👍8