ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Inferring Spike Trains From Local Field Potentials

دانلود کتاب استنتاج قطارهای اسپایک از پتانسیل‌های میدانی محلی

Inferring Spike Trains From Local Field Potentials

مشخصات کتاب

Inferring Spike Trains From Local Field Potentials

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: , , ,   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 17 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 853 کیلوبایت

قیمت کتاب (تومان) : 41,000



کلمات کلیدی مربوط به کتاب استنتاج قطارهای اسپایک از پتانسیل‌های میدانی محلی: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 24


در صورت تبدیل فایل کتاب Inferring Spike Trains From Local Field Potentials 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 استنتاج قطارهای اسپایک از پتانسیل‌های میدانی محلی 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 استنتاج قطارهای اسپایک از پتانسیل‌های میدانی محلی

ما بررسی کردیم که آیا می توان قطارهای سنبله را فقط بر اساس پتانسیل های میدانی محلی (LFPs) استنباط کرد. با استفاده از ماشین‌های بردار پشتیبان و مدل‌های رگرسیون خطی، متوجه شدیم که در قشر بینایی اولیه (V1) میمون‌ها، میخ‌ها را می‌توان از LFPها حداقل با موفقیت متوسط ​​استنباط کرد. اگرچه درجه قابل توجهی از تغییرات در الکترودها وجود دارد، ساختار فرکانس پایین در قطارهای سنبله (در محدوده 100 میلی ثانیه) را می توان با دقت معقولی استنباط کرد، در حالی که موقعیت های دقیق سنبله به طور قابل اعتماد پیش بینی نشده است. دو نوع ویژگی LFP برای پیش‌بینی مورد استفاده قرار می‌گیرد: توان فرکانس باندها در محدوده بالا (40 تا 90 هرتز) و اطلاعات موجود در نوسانات فرکانس پایین (10 هرتز)، که در آن مدولاسیون‌های فاز و توان آموزنده هستند. تجزیه و تحلیل اطلاعات نشان داد که هر دو ویژگی (عمدتاً) جنبه‌های مستقل رابطه سنبله به LFP را کد می‌کنند، با کدگذاری فاز LFP با فرکانس پایین برای فعالیت خوشه‌ای خوشه‌ای زمانی. اگرچه هر دو ویژگی و کیفیت پیش بینی در طول محرک های فیلم نیمه طبیعی و فعالیت خود به خودی مشابه هستند، عملکرد پیش بینی در طول فعالیت خود به خودی با افزایش فاصله الکترود بسیار کندتر کاهش می یابد. روند کلی داده‌های به‌دست‌آمده با حیوانات بیهوش از نظر کیفی در مجموعه داده‌های محدودتر ثبت‌شده در V1 میمون‌های بی‌هوش منعکس می‌شود. برخلاف پتانسیل‌های میدان قشر مغز، LFP‌های تالاموس (به عنوان مثال، LFP‌های مشتق‌شده از ضبط‌شده در هسته ژنیکوله جانبی پشتی) هیچ اطلاعات مفیدی برای پیش‌بینی فعالیت اسپکینگ ندارند.


توضیحاتی درمورد کتاب به خارجی

We investigated whether it is possible to infer spike trains solely on the basis of the underlying local field potentials (LFPs). Using support vector machines and linear regression models, we found that in the primary visual cortex (V1) of monkeys, spikes can indeed be inferred from LFPs, at least with moderate success. Although there is a considerable degree of variation across electrodes, the low-frequency structure in spike trains (in the 100-ms range) can be inferred with reasonable accuracy, whereas exact spike positions are not reliably predicted. Two kinds of features of the LFP are exploited for prediction: the frequency power of bands in the high -range (40–90 Hz) and information contained in lowfrequency oscillations (10 Hz), where both phase and power modulations are informative. Information analysis revealed that both features code (mainly) independent aspects of the spike-to-LFP relationship, with the low-frequency LFP phase coding for temporally clustered spiking activity. Although both features and prediction quality are similar during seminatural movie stimuli and spontaneous activity, prediction performance during spontaneous activity degrades much more slowly with increasing electrode distance. The general trend of data obtained with anesthetized animals is qualitatively mirrored in that of a more limited data set recorded in V1 of non-anesthetized monkeys. In contrast to the cortical field potentials, thalamic LFPs (e.g. , LFPs derived from recordings in the dorsal lateral geniculate nucleus) hold no useful information for predicting spiking activity.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی