مشخصات کتاب

A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding

ویرایش:  
نویسندگان: Michael C. Burkhart  
سری:  
ISBN (شابک) : 9798664701937 
ناشر: Brown University 
سال نشر: 2019 
تعداد صفحات: 0
[134] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

در صورت تبدیل فایل کتاب A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان

با توجه به یک مدل حالت-فضای ثابت که دنباله ای از حالت های پنهان و اندازه گیری ها یا مشاهدات مربوطه را به هم مرتبط می کند، فیلتر بیزی یک چارچوب آماری اصولی برای استنباط توزیع خلفی وضعیت فعلی با توجه به همه اندازه گیری ها تا زمان حاضر ارائه می دهد. به عنوان مثال، ماژول قمری آپولو یک فیلتر کالمن را برای استنباط موقعیت آن از توالی اندازه گیری های رادار مبتنی بر زمین و فرود ایمن بر روی ماه پیاده سازی کرد. برای انجام فیلتر بیزی، به یک مدل اندازه گیری نیاز داریم که توزیع شرطی هر وضعیت مشاهداتی را توصیف کند. فیلتر کالمن این مدل اندازه گیری را خطی، گاوسی می گیرد. در اینجا نشان می‌دهیم که چگونه می‌توان از یک تقریب غیرخطی و گاوسی برای توزیع وضعیت داده‌شده در رابطه با قانون بیز برای ساخت یک مدل اندازه‌گیری غیرخطی و غیر گاوسی استفاده کرد. رویکرد حاصل که فیلتر کالمن متمایز (DKF) نامیده می‌شود، به‌روزرسانی‌های سریع فرم بسته را برای قسمت‌های بعدی حفظ می‌کند. ما استدلال می‌کنیم که موارد زیادی وجود دارد که توزیع اندازه‌گیری حالت داده‌شده به‌عنوان گاوسی بهتر تقریب می‌شود، به‌ویژه زمانی که ابعاد اندازه‌گیری‌ها بسیار بیشتر از ابعاد حالت‌ها است و قضیه برنشتاین-فون میزس اعمال می‌شود. رمزگشایی عصبی آنلاین برای رابط های مغز و رایانه یک مثال انگیزشی را ارائه می دهد، جایی که فیلتر کردن اندازه گیری های دقیق و فزاینده ای از فعالیت عصبی را در بر می گیرد تا کنترل دستگاه های خارجی را برای کاربران فراهم کند. در کارآزمایی بالینی BrainGate2، DKF با موفقیت سه داوطلب مبتلا به کوادری پلژی را قادر ساخت تا مکان نما روی صفحه را در زمان واقعی با استفاده از تصاویر ذهنی به تنهایی کنترل کنند. شرکت‌کننده «T9» از DKF برای تایپ پیام‌ها در رایانه لوحی استفاده کرد. غیر ثابت بودن، یا تغییرات در رابطه آماری بین حالت ها و اندازه گیری هایی که پس از آموزش مدل رخ می دهد، چالش مهمی را برای فیلترینگ موثر ایجاد می کند. در رابط‌های مغز و رایانه، یک نوع متداول غیرایستایی ناشی از انحراف یا افت یک نورون منفرد است. ما نشان می‌دهیم که چگونه می‌توان از یک مدل اندازه‌گیری قوی در چارچوب DKF برای نادیده گرفتن مؤثر تغییرات بزرگ در رفتار یک نورون استفاده کرد. در BrainGate2، یک آزمایش آنلاین موفق رمزگشایی عصبی انسان، این رویکرد را در برابر فیلتر رایج کالمن تأیید کرد.

توضیحاتی درمورد کتاب به خارجی

Given a stationary state-space model that relates a sequence of hidden states and corresponding measurements or observations, Bayesian filtering provides a principled statistical framework for inferring the posterior distribution of the current state given all measurements up to the present time. For example, the Apollo lunar module implemented a Kalman filter to infer its location from a sequence of earth-based radar measurements and land safely on the moon. To perform Bayesian filtering, we require a measurement model that describes the conditional distribution of each observation given state. The Kalman filter takes this measurement model to be linear, Gaussian. Here we show how a nonlinear, Gaussian approximation to the distribution of state given observation can be used in conjunction with Bayes’ rule to build a nonlinear, non-Gaussian measurement model. The resulting approach, called the Discriminative Kalman Filter (DKF), retains fast closed-form updates for the posterior. We argue there are many cases where the distribution of state given measurement is better-approximated as Gaussian, especially when the dimensionality of measurements far exceeds that of states and the Bernstein—von Mises theorem applies. Online neural decoding for brain-computer interfaces provides a motivating example, where filtering incorporates increasingly detailed measurements of neural activity to provide users control over external devices. Within the BrainGate2 clinical trial, the DKF successfully enabled three volunteers with quadriplegia to control an on-screen cursor in real-time using mental imagery alone. Participant “T9” used the DKF to type out messages on a tablet PC. Nonstationarities, or changes to the statistical relationship between states and measurements that occur after model training, pose a significant challenge to effective filtering. In brain-computer interfaces, one common type of nonstationarity results from wonkiness or dropout of a single neuron. We show how a robust measurement model can be used within the DKF framework to effectively ignore large changes in the behavior of a single neuron. At BrainGate2, a successful online human neural decoding experiment validated this approach against the commonly-used Kalman filter.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب More Innovative Redesign and Reorganization of Library Technical Services

دانلود کتاب The Global Public Sphere: Public Communication in the Age of Reflective Interdependence

دانلود کتاب Asperger Syndrome: Natural Steps Toward a Better Life for You or Your Child (Complementary and Alternative Medicine)

دانلود کتاب Underneath

دانلود کتاب Interpreting remote sensing imagery: human factors