دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Gerard O'Leary , Jianxiong Xu , Liam Long , Jose Sales Filho , Camilo Tejeiro , Maged ElAnsary , Chenxi Tang , Homeira Moradi, Prajay Shah, Taufik A. Valiante, Roman Genovl University of Toronto سری: ISBN (شابک) : 9781728132051 ناشر: IEEE سال نشر: 2020 تعداد صفحات: [3] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 Mb
در صورت تبدیل فایل کتاب IEEE International Solid- State Circuits Conference A Neuromorphic Multiplier-Less Bit-Serial Weight- Memory-Optimized 1024-Tree Brain-State Classifier and Neuromodulation SoC with an 8-Channel Noise-Shaping SAR ADC Array 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 کنفرانس بین المللی مدارهای حالت جامد IEEE یک ضرب کننده نورومورفیک-وزن کمی کمتر-حافظه-بهینه سازی شده 1024 درختی طبقه بندی کننده حالت مغز و سیستم عصبی با یک آرایه SAR ADC 8 کانال Noise-Shaping 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.
ایمپلنت های مغز پزشکی شخصی سازی شده پتانسیل ایجاد انقلابی در درمان اختلالات عصبی و تقویت شناخت را دارند. به طور اساسی، این دستگاهها به طبقهبندیکنندههای دقیق و کارآمد وضعیت مغزی نیاز دارند تا لحظه دقیقی را تعیین کنند که اثربخشی تعدیل عصبی درمان به حداکثر میرسد، مانند قبل از شروع تشنج در صرع [1]. SoC ارائه شده در این کار با ترکیب یک بانک متشکل از 8 ADC سیگنال عصبی با BrainForest، یک هسته طبقه بندی دقیق و کم مصرف متشکل از یک جنگل تصمیم گیری حافظه نمایی در حال پوسیدگی 1024 درختی (EDM-DF) به این نیاز پاسخ می دهد. نورومدولاسیون کامل حلقه بسته از طریق فعال سازی پاسخگوی یک محرک عصبی الکتریکی روی تراشه پشتیبانی می شود.
Personalized medical brain implants have the potential to revolutionize the treatment of neurological disorders and augment cognition. Critically, these devices require accurate, energy-efficient brain-state classifiers to determine the precise moment when the treatment neuromodulation efficacy is maximized, such as before the onset of a seizure in epilepsy [1]. The SoC presented in this work addresses this requirement by combining a bank of 8 neural signal ADCs with BrainForest, an accurate, low-power classification core comprised of a 1024-tree exponentially decaying memory decision forest (EDM-DF). Full closed-loop neuromodulation is supported through the responsive actuation of an on-chip electrical neurostimulator.