⚡️سلام دوباره به همگی!
آغاز سری پست‌های علمی #چیپستر_میگه
از امشب، هر دوشنبه
امشب با معرفی ماژول وای‌فای (ESP8266) در خدمت شما خواهیم بود👾

⚡️@EESSA_IUST⚡️

⚡️سلام دوستان، من چیپسترم!
امروز میخوام ماژول وای‌فای رو بهتون معرفی کنم، که بیشتر در حوزه‌ی IOT کاربرد داره.
#چیپستر_میگه👾:

💥 ماژول وای‌فای ESP8266:


ماژول ESP8266 یک SoC مقرون‌به‌صرفه از شرکت Espressif Systems است که هسته اصلی بسیاری از پروژه‌های اینترنت اشیا (IoT) محسوب می‌شود. این تراشه فراتر از یک رابط Wi-Fi ساده عمل می‌کند و در واقع یک میکروکنترلر کامل با قابلیت‌های شبکه است.


⚡️معماری هسته و عملکرد پردازشی

* پردازنده: هسته مرکزی ESP8266 مبتنی بر معماری Tensilica Xtensa L106 است؛ یک پردازنده‌ی ۳۲ بیتی RISC با کارایی بالا که به‌صورت اختصاصی برای کاربردهای کم‌مصرف و سیستم‌های نهفته بهینه‌سازی شده است. این هسته به‌صورت پیش‌فرض با فرکانس کاری ۸۰ مگاهرتز عمل می‌کند و در صورت نیاز، می‌تواند تا ۱۶۰ مگاهرتز اورکلاک شود تا توان پردازشی بیشتری فراهم گردد. توان محاسباتی قابل توجه این معماری امکان اجرای پشته کامل پروتکل TCP/IP و همچنین سیستم‌عامل‌های بلادرنگ سبک مانند FreeRTOS را به‌صورت هم‌زمان فراهم می‌سازد، بدون آن‌که نیاز به پردازنده‌ی کمکی یا کنترلر خارجی وجود داشته باشد.

* حافظه: این ماژول دارای SRAM داخلی برای اجرای دستورالعمل‌ها و داده‌ها و همچنین حافظه فلش خارجی مبتنی بر SPI (معمولاً تا ۴ مگابایت یا بیشتر) است.
پشتیبانی از قابلیت XIP (Execute-In-Place) به پردازنده اجازه می‌دهد کد فریم‌ور را مستقیماً از فلش اجرا کند، که موجب صرفه‌جویی در حافظه RAM و افزایش کارایی سیستم می‌شود.


⚡️زیرسیستم Wi-Fi و اتصال‌پذیری

* استاندارد و فرکانس: پشتیبانی از استاندارد 802.11 b/g/n در باند 2.4 گیگاهرتز.

* پشته شبکه: ESP8266 دارای پشته داخلی TCP/IP است و می‌تواند در حالت‌های Station، Access Point (AP) یا AP+Station کار کند. این یکپارچگی، طراحی و پیاده‌سازی ارتباطات Wi-Fi را به‌طور چشمگیری ساده می‌سازد.

* توان RF: این ماژول به تقویت‌کننده توان (PA) داخلی با خروجی حدود +20 dBm مجهز است که برد ارتباطی بالا و پایداری سیگنال مناسبی را برای کاربردهای بی‌سیم و توزیع‌شده فراهم می‌کند.


⚡️رابط‌های جانبی و کاربردهای مهندسی

* پریفرال‌ها (Peripherals):
شامل پین‌های GPIO چندمنظوره، رابط‌های سریال استاندارد مانند UART، SPI، و I²C، و یک مبدل ADC (آنالوگ به دیجیتال) است. این رابط‌ها امکان اتصال مستقیم به سنسورها، نمایشگرها و عملگرها را فراهم می‌کنند.

* توسعه نرم‌افزار: ماژول ESP8266 از محیط‌های توسعه متنوعی پشتیبانی می‌کند؛ از جمله ESP8266 SDK رسمی برای کنترل سطح پایین، Arduino Core برای توسعه آسان‌تر و سریع‌تر، و همچنین زبان‌های اسکریپت‌نویسی مانند MicroPython برای پیاده‌سازی سریع نمونه‌ها و کاربردهای سبک.

* کاربرد محوری: ماژول ESP8266 در شبکه‌های حسگر بی‌سیم (WSN) و سیستم‌های اتوماسیون (با پروتکل‌هایی مانند MQTT) نقش کلیدی دارد. پشتیبانی از به‌روزرسانی فریم‌ور Over-the-Air (OTA)، آن را به گزینه‌ای ایده‌آل برای محصولات تجاری و کاربردهای توسعه‌پذیر تبدیل می‌کند.


به‌طور خلاصه، ESP8266 یک SoC قدرتمند و بهینه از لحاظ مصرف انرژی و هزینه است که با ادغام میکروکنترلر و قابلیت Wi-Fi، به عنوان یک کنترل‌کننده هوشمند لبه (Smart Edge Controller) در Embedded systems و IoT عمل می‌کند.


⚡️@EESSA_IUST⚡️

🎙✨ خبر خوب برای همه‌ی علاقه‌مندان به دنیای فناوری و مهندسی برق!

به‌زودی اپیزود صفر پادکست انجمن علمی مهندسی برق دانشگاه علم و صنعت ایران منتشر میشه! 🚀
اینجا جاییه برای شنیدن بحث‌های جذاب و متفاوت در مورد:

🔹 موضوعات داغ و ترندهای روز دنیای تکنولوژی

🔹 چالش‌ها و فرصت‌های پیش‌روی دانشجویان در داخل و خارج دانشگاه

🔹 سختی‌ها و تجربه‌های رشته‌ی برق و آینده‌ی شغلیش

🔹مصاحبه با اساتید و مهندسین برق

🔹آشنایی با حوزه های تخصصی مهندسی برق


ما می‌خوایم فضایی بسازیم که هم مفید باشه، هم شنیدنی! 🎧



📱VolteraCat_Channel
💡EESSA_Channel

🎙 اپیزود صفر پادکست وُلتِراکت
▫️این قسمت: آشنایی با ولتراکت⚡️

🔹 تیمی که در این اپیزود مشارکت داشتند:
امیرمسعود درخشان (سرپرست و تدوین‌گر صدا)
پریا محمودی (گوینده)
مانی حیدرپور (گوینده و نویسنده)
آنیسا اکبرزاده (نویسنده)
آنیا میرفلاح (طراح کاور)

🔹 دبیر انجمن: آیدین تقی‌پور


• Voltera Cat •

مرکز کارآفرینی دانشگاه صنعتی شریف با همکاری انجمن عمران علم و صنعت برگزار می‌کند:

📦مسابقه خلاقانه "ایستاباکس"📦

تصور کن با چند تکه کارتن، یه صندلی بسازی که بتونه وزن یه نفر رو تحمل کنه!
توی رویداد ایستاباکس (ISTABOX)، قراره خلاقیت، دقت مهندسی و هوش طراحی‌ات رو به چالش بکشی.

💡مسابقه‌ای که همه‌ چیز از جنس تفکره!
از تا کردن یه صفحه‌ی ساده تا خلق یه سازه‌ی پایدار.

🧨جوایز:
تیم اول: ۲۰ میلیون تومان
تیم دوم: ۱۵ میلیون تومان
تیم سوم: ۱۰ میلیون تومان


📍مکان: دانشگاه صنعتی شریف
⏰زمان: ۲۷ آبان ماه ۱۴۰۴

🎓ثبت نام برای تمام دانشجویان خلاق دانشگاه های سراسر تهران مجاز می‌باشد.

🔗لینک ثبت نام:
https://survey.porsline.ir/s/xaHkIrQh

🆔@istabox

🔻المپیک فناوری چیست؟

المپیک فناوری بستری برای رقابت افراد در حوزه‌های مختلف فنی است که برای دومین بار در شش رشته اصلی شامل هوش مصنوعی، برنامه‌نویسی، امنیت سایبری، ربات‌ جنگجو، اینترنت اشیا و پهپاد برگزار می‌شود.
Olympics.tech

پارک فناوری پردیس به دنبال اثرگذاری در کشف استعدادهای فناوری و به‌کارگیری آن‌ها اقدام به برگزاری رویداد المپیک فناوری می‌نماید.

آدرس: کیلومتر 20 جاده دماوند، پارک فناوری پردیس


📌برای کسب اطلاعات بیشتر به آیدی زیر مراجعه کنید:
@EEIUST_Admin

⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️
🆔 TelegramEESSA
🆔InstagramEESSA
🆔LinkedInEESSA

⚡️انجمن علمی برق علم و صنعت برگزار می‌کند:

بازدید از المپیک بین‌المللی فناوری 2025💡✨

🗓 تاریخ برگزاری:
۷ آبان: خانم‌ها
۸ آبان: آقایان

🕰 زمان بازدید:
ساعت ۸ تا ۱۳:۳۰

• همراه با سرویس رفت و برگشت و پذیرایی

• هزینه‌ی ثبت نام: 65 هزار تومان

📌برای کسب اطلاعات بیشتر و ثبتنام به آیدی زیر مراجعه کنید:
@EEIUST_Admin

⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️⚡️
🆔 TelegramEESSA
🆔InstagramEESSA
🆔LinkedInEESSA

🔷انجمن علمی دانشجویی مهندسی برق دانشگاه صنعتی شاهرود برگزار میکند:

[دوره آموزشی مجازی متلب مقدماتی]

📝مدرس: دکتر محسن فیروزی
مدرس دانشکده صنعتی شاهرود
فارغ التحصیل دانشگاه فنی مونیخ
و دانشگاه صنعتی شریف

📆زمان برگزاری:

پنجشنبه و جمعه 8و9 تا 15و16 اُم آبان ماه به مدت دو هفته در بستر LMS ساعت 10 الی 11:30

هزینه دوره رایگان می باشد
(اما مبلغ ۵۰هزار تومان جهت امورات انجمن علمی اخذ میگردد)
(ثبت نام برای عموم آزاد است)

🖇️لينک ثبت نام:
http://zarinp.al/751850

🔵پس از ثبت‌نام موارد زیر را برای آیدی زیر ارسال بفرمایید
• رسید ثبت نام
• نام و نام خانوادگی
• شماره دانشجویی

محمد مهدی رحیمی 👤

SUT IEE ⚡️

⚡️ سلام! به یه دوشنبه ی دیگه با چیپستر خوش اومدین!
امروز میخوایم راجع به تحلیل سیگنال های مغزی صحبت کنیم.

#چیپستر_میگه👾:

"تحلیل سیگنال‌های مغزی با استفاده از الگوریتم‌های یادگیری ماشین" یک حوزه پیشرفته و بین‌رشته‌ای است که در تقاطع پردازش سیگنال، یادگیری ماشین و مهندسی پزشکی قرار دارد.

مراحل این فرآیند به ترتیب زیر است:

💢1. جمع‌آوری سیگنال مغزی

یکی از متداول‌ترین روش‌های ثبت فعالیت مغزی استفاده از الکتروانسفالوگرافی (EEG) است. در این روش الکترودهایی روی پوست سر قرار داده می‌شوند تا تغییرات ولتاژ ناشی از فعالیت نورون‌ها اندازه‌گیری شود.

از ویژگی‌ها و مشخصات EEG می‌توان به غیرتهاجمی و کم‌هزینه بودن نسبت به دیگر روش‌ها مانند تصویربرداری تشدید مغناطیسی کارکردی (fMRI) اشاره کرد.


💢2. پیش‌پردازش سیگنال (Preprocessing)

سیگنال‌های مغزی بسیار پرنویز و غیرایستا هستند؛ بنابراین قبل از ورود به مدل یادگیری ماشین باید تمیز شوند.

مراحل معمول پیش‌پردازش:

- فیلتر کردن: حذف نویزهای ناشی از برق شهر (مثلاً 50 یا 60 هرتز)، تنفس، ضربان قلب.

- حذف آرتیفکت‌ها: مثل حرکات چشم و عضلات (با روش‌هایی مانند تحلیل مؤلفه‌های مستقل (ICA)).

- بازه‌بندی: تقسیم سیگنال به پنجره‌های زمانی مشخص.

- نرمال‌سازی: استاندارد کردن دامنه سیگنال‌ها برای مدل.


💢3. استخراج ویژگی‌ها (Feature Extraction)

الگوریتم‌های یادگیری ماشین به ویژگی‌های عددی نیاز دارند؛ در نتیجه باید اطلاعات مهم از سیگنال خام استخراج شود.

روش‌های متداول استخراج این ویژگی ها:

- تحلیل حوزه زمان: میانگین، واریانس، انحراف معیار، انرژی سیگنال و …

- تحلیل حوزه فرکانس: تبدیل فوریه یا تبدیل فوریه سریع (FFT) برای یافتن قدرت باندهای فرکانسی (دلتا، تتا، آلفا، بتا، گاما).

- تحلیل زمان-فرکانس: مثل تبدیل موجک گسسته (DWT).

💡 مثال: در BCI معمولاً توان باند آلفا و بتا برای کنترل حرکات ذهنی دست استفاده می‌شود.


💢4. انتخاب ویژگی‌ها (Feature Selection)

بعد از استخراج ویژگی‌های زیاد از سیگنال، فقط مهم‌ترین‌ها نگه داشته می‌شوند تا مدل ساده‌تر و دقیق‌تر شود.

روش‌های متداول:

- تحلیل واریانس (ANOVA)

- روش‌های مبتنی بر اطلاعات متقابل

- الگوریتم‌های انتخاب ترتیبی (SFS / SBS)

- مدل‌های درختی و وزن‌دهی ویژگی‌ها



💢5. آموزش مدل (Model Training)

ویژگی‌های انتخاب‌شده به مدل یادگیری ماشین داده می‌شود تا الگوها را یاد بگیرد.

مدل‌ها معمولاً دو دسته‌اند:

- مدل‌های کلاسیک: مثل Support Vector Machine یا Random Forest (سریع‌تر، مناسب داده کم)

- مدل‌های یادگیری عمیق: مثل Convolutional Neural Network (برای سیگنال خام یا الگوهای پیچیده).


کاربردهای عملی این فرآیند:

- تشخیص بیماری‌ها: مثل صرع، بیماری آلزایمر، پارکینسون با تحلیل الگوهای غیرعادی.

- رابط مغز و کامپیوتر (BCI): کنترل ویلچر، بازوهای رباتیک یا نشانگر موس با فکر.

- تشخیص حالت‌های ذهنی: خواب، استرس، تمرکز.

- نوروفیدبک: آموزش ذهن برای کنترل امواج مغزی


⚡️@EESSA_IUST⚡️