نبذة عن المشروع:
في هذا المشروع المتقدم، قمت بتطوير نظام ذكاء اصطناعي متكامل (Brain-Computer Interface) لتحليل وتصنيف الإشارات الكهربائية للدماغ (EEG) بالاعتماد على شبكات التعلم العميق (Deep Learning). تم استخدام مجموعة بيانات طبية ضخمة (PhysioNet) تتضمن تسجيلات لـ 109 أشخاص، بهدف قراءة الإشارات الحيوية وترجمتها، مما يفتح آفاقاً واسعة في التقنيات الطبية المساعدة (Assistive Technologies) لمرضى الإعاقة الحركية.
خطوات العمل والتقنيات المستخدمة:
معالجة الإشارات الحيوية (EEG Signal Processing): استخدام مكتبة MNE-Python لتنظيف البيانات، وتطبيق مرشحات التردد (Notch & Bandpass Filters 8-30Hz) لعزل إشارات الحركة (Sensorimotor rhythms)، بالإضافة إلى توحيد معدل أخذ العينات (Resampling) وإزالة التشويش (Artifact Removal).
بناء معمارية التعلم العميق (Deep Learning Architecture): تصميم نموذج هجين متقدم باستخدام PyTorch يدمج بين:
1D-CNN (الشبكات العصبية الالتفافية): لاستخراج الميزات المكانية والزمانية المعقدة من الإشارات.
Bidirectional GRU (الشبكات التكرارية ثنائية الاتجاه): لفهم التسلسل الزمني للإشارات الدماغية والاعتماديات طويلة الأمد.
التحسين التلقائي للمعلمات (Hyperparameter Tuning): دمج مكتبة Optuna لتنفيذ بحث ذكي (Bayesian Optimization) لاختيار أفضل المعلمات للنموذج (مثل عدد الطبقات، معدل التعلم، وحجم الـ Dropout) لضمان أعلى أداء ممكن.
التدريب السريع (Mixed Precision Training): استخدام تقنية (Autocast & GradScaler) في PyTorch لتسريع عملية التدريب وتقليل استهلاك الذاكرة.
التقييم والتصور البصري (Evaluation & Visualization): تحقيق دقة ممتازة تتجاوز 97% على بيانات الاختبار، واستخدام تقنيات العرض المتقدمة مثل:
t-SNE: لتصور البيانات المعقدة في بُعدين وإثبات قدرة النموذج على فصل الفئات بوضوح.
Spectrograms: لتحليل كثافة الترددات عبر الزمن (Time-Frequency Analysis).
Confusion Matrix: لتحليل دقة التصنيف لكل فئة.
القيمة المضافة (Value Delivered):
يُظهر هذا المشروع قدرة احترافية على التعامل مع البيانات الطبية المعقدة (Time-Series Medical Data) وبناء أنظمة ذكاء اصطناعي يمكن تطبيقها في الرعاية الصحية، الأطراف الصناعية الذكية، وتحليل السلوك العصبي.
🛠️ المهارات المستخدمة (Skills / Tags)
Python
Deep Learning (التعلم العميق)
PyTorch
Signal Processing (معالجة الإشارات)
MNE-Python
Optuna (Hyperparameter Tuning)
CNN & RNN/GRU
Data Visualization (t-SNE, Spectrograms)
Healthcare AI (الذكاء الاصطناعي في الرعاية الصحية)
