دوره کامپیوتیشنال نوروساینس پیشرفته I

هدف دوره

هدف این دوره، صرفاً آموزش مجموعه‌ای از ابزارهای منفصل نیست؛ بلکه
شرکت‌کنندگان در طول دوره یاد می‌گیرند که چگونه از یک
سیگنال خام عصبی، یک مسیر تحلیلی
منظم، قابل دفاع و قابل بازتولید (Reproducible Workflow)
خلق کنند.

تمرکز هفته:
بررسی مفاهیم بنیادی سیگنال‌های عصبی و تحلیل در حوزه زمان و فرکانس

• آشنایی با ساختار سیگنال‌های EEG و LFP
• مفاهیم Amplitude، Phase، Frequency، Power و Noise
• Sampling Rate، Nyquist Frequency و Aliasing
• بررسی مفاهیم Stationarity و Nonstationarity
• دیدگاه زمانی در برابر دیدگاه فرکانسی
• Fourier Transform و مفهوم Frequency Resolution
• Power Spectrum و Power Spectral Density (PSD)
• بررسی Periodogram، Windowing و Spectral Leakage
• روش Welch و مفهوم Segment Overlap
• محاسبه Absolute Band Power و Relative Band Power
• فراخوانی و ساختاردهی داده‌های EEG/LFP در EEGLAB و MNE-Python
• استخراج ویژگی‌های فرکانسی و تفسیر علمی نتایج

تمرکز هفته:
پیش‌پردازش سیگنال و تصمیم‌گیری روش‌شناختی برای ساخت یک Pipeline استاندارد

• بررسی فیلترهای High-pass، Low-pass، Band-pass و Notch
• مفاهیم فیلترهای FIR و IIR
• بررسی Filter Order و Transition Bands
• Phase Distortion و Zero-phase Filtering
• مدیریت Edge Artifacts، Ringing و خطر Over-filtering
• مفهوم Reference و وابستگی دامنه و توپوگرافی به آن
• پیاده‌سازی Average Reference و Linked-mastoid Reference
• آشنایی با Surface Laplacian و Current Source Density (CSD)
• شناسایی و مدیریت Bad Channels و Bad Segments
• روش‌های Artifact Rejection، Correction و Interpolation
• کنترل کیفیت (Quality Control) داده‌ها پیش و پس از Preprocessing
• توجیه و پیاده‌سازی Preprocessing بر اساس سؤال پژوهش در EEGLAB و MNE

تمرکز هفته:
حرکت از داده‌های پیوسته به سمت تحلیل‌های وابسته به رویداد (Event-Related)

• دیدگاه سیگنال به عنوان ترکیبی از منابع نهفته (Latent Sources)
• مفروضات و الزامات تکنیک Independent Component Analysis (ICA)
• تفاوت مفهومی Component و Channel
• بررسی Topography، Time Course و طیف فرکانسی مؤلفه‌ها
• شناسایی مؤلفه‌های مربوط به چشم، عضله، قلب و نویز شبکه
• ساختار Event Markers و فرایند Epoching
• بازه‌های Pre-event و Post-event
• اعمال Baseline Correction و معیار انتخاب آن
• تکنیک‌های Trial Rejection
• فرایند ERP Averaging و بهبود نسبت سیگنال به نویز (SNR)
• تحلیل پارامترهای Amplitude، Latency و Topography
• مقایسه شرایط مختلف تجربی در تحلیل ERP
• اجرای ICA و تحلیل ERP در محیط EEGLAB و MNE-Python

تمرکز هفته:
تحلیل تعامل میان نواحی مغزی و آماده‌سازی داده‌ها برای مدل‌های هوش مصنوعی

• مقایسه Univariate Analysis و Multivariate Analysis
• مفاهیم Functional، Effective و Structural Connectivity
• محاسبات Auto-spectrum و Cross-spectrum
• پیاده‌سازی Magnitude-squared Coherence
• Frequency-specific Coupling و Phase Consistency
• ساخت ماتریس‌های Correlation و Covariance
• بررسی Coherence و Phase-Locking Value (PLV)
• شاخص‌های Phase-lag و Amplitude-envelope
• تشکیل Connectivity Matrix و دیدگاه شبکه‌ای (Network View)
• بررسی تفاوت Sensor Space و Source Space
• خطاهای رایج: Volume Conduction و اثرات Common-source
• اثر سوگیری‌های ناشی از Reference بر Connectivity
• ساختار داده: Subjects، Trials و Windows
• مفاهیم Pseudoreplication و Multiple Comparisons
• آشنایی با منطق Permutation-based Analysis
• تفاوت عمیق Connectivity و Causality
• ساخت یک Workflow کامل و قابل بازتولید
• سازمان‌دهی Metadataها، Events، Labels و Parameters
• ساخت ماتریس Subject-by-feature
• پیشگیری از Subject-level Train/Test Leakage
• آماده‌سازی خروجی‌ها برای ورود به پروژه‌های Data Science و AI