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 Time series modeling of neuroscience data

دانلود کتاب مدل سازی سری زمانی داده های علوم اعصاب

مشخصات کتاب

Time series modeling of neuroscience data

دسته بندی: پزشکی
ویرایش:  
نویسندگان: Tohru Ozaki  
سری: Interdisciplinary statistics 
ISBN (شابک) : 9781420094602, 1420094602 
ناشر: Taylor & Francis 
سال نشر: 2012 
تعداد صفحات: 561 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت

قیمت کتاب (تومان) : 56,000

کلمات کلیدی مربوط به کتاب مدل سازی سری زمانی داده های علوم اعصاب: رشته های پزشکی، فیزیولوژی انسان، فیزیولوژی عصبی انسان

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 7

در صورت تبدیل فایل کتاب Time series modeling of neuroscience data 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 مدل سازی سری زمانی داده های علوم اعصاب 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 مدل سازی سری زمانی داده های علوم اعصاب

"پیشرفت‌های اخیر در فناوری اندازه‌گیری علوم مغز به محققان امکان دسترسی به داده‌های سری زمانی بسیار بزرگ مانند داده‌های EEG/MEG (20 تا 100 بعدی) و داده‌های fMRI (140000 بعدی) را داده است. برای تجزیه و تحلیل چنین داده‌های عظیم، محاسبات کارآمد و روش‌های آماری مورد نیاز است مدل‌سازی سری‌های زمانی داده‌های علوم اعصاب نشان می‌دهد که چگونه می‌توان داده‌های علوم اعصاب را با رویکرد Wiener-Kalman-Akaike تحلیل کرد، که در آن انواع مدل‌های پویا از جمله مدل‌های معادلات دیفرانسیل خطی/غیرخطی و مدل‌های سری زمانی، برای سفید کردن سری‌های زمانی وابسته به زمانی در چارچوب مدل‌های فضای حالت خطی/غیرخطی استفاده می‌شود. این کتاب با استفاده از کمترین حد ممکن از ریاضیات، برخی از مفاهیم اساسی آن را بررسی می‌کند. مشتقات آنها به عنوان ابزارهای مفید برای تجزیه و تحلیل سری های زمانی ویژگی های منحصر به فرد عبارتند از: روش شناسایی آماری سیستم های دینامیکی بسیار غیرخطی مانند مدل هوچکین-هاکسلی، مدل آشوب لورنز، مدل زتربرگ، و روش ها و کاربردهای بیشتر برای تحلیل علیت پویا که توسط وینر توسعه یافته است. روش مدل‌سازی فضای حالت گرنجر و آکایک برای پویایی راه‌حل‌ها برای مسائل معکوس روش مدل‌سازی فضای حالت ناهمسان برای تجزیه سیگنال غیر ثابت دینامیکی برای کاربردهای مشکلات تشخیص سیگنال در تجزیه و تحلیل داده‌های EEG یک روش مبتنی بر نوآوری برای توصیف غیرخطی و/ یا سری زمانی غیر گاوسی روشی مبتنی بر نوآوری برای مدل‌سازی سری‌های زمانی فضایی برای تجزیه و تحلیل داده‌های fMRI نکته اصلی مورد علاقه در این کتاب نشان دادن این است که داده‌های یکسان را می‌توان با استفاده از یک سیستم دینامیکی و رویکرد سری‌های زمانی درمان کرد، به طوری که اطلاعات عصبی و فیزیولوژیکی را می توان با کارایی بیشتری استخراج کرد. البته، مدل‌سازی سری‌های زمانی نه تنها در تجزیه و تحلیل داده‌های علوم اعصاب، بلکه در بسیاری از علوم و زمینه‌های مهندسی دیگر که استنتاج آماری از داده‌های سری زمانی مشاهده‌شده نقش مهمی ایفا می‌کند، معتبر است. < span class='showMoreLessControlElement showMoreLessInline'>بیشتر بخوانید...

توضیحاتی درمورد کتاب به خارجی

"Recent advances in brain science measurement technology have given researchers access to very large-scale time series data such as EEG/MEG data (20 to 100 dimensional) and fMRI (140,000 dimensional) data. To analyze such massive data, efficient computational and statistical methods are required. Time Series Modeling of Neuroscience Data shows how to efficiently analyze neuroscience data by the Wiener-Kalman-Akaike approach, in which dynamic models of all kinds, such as linear/nonlinear differential equation models and time series models, are used for whitening the temporally dependent time series in the framework of linear/nonlinear state space models. Using as little mathematics as possible, this book explores some of its basic concepts and their derivatives as useful tools for time series analysis. Unique features include: statistical identification method of highly nonlinear dynamical systems such as the Hodgkin-Huxley model, Lorenz chaos model, Zetterberg Model, and more Methods and applications for Dynamic Causality Analysis developed by Wiener, Granger, and Akaike state space modeling method for dynamicization of solutions for the Inverse Problems heteroscedastic state space modeling method for dynamic non-stationary signal decomposition for applications to signal detection problems in EEG data analysis An innovation-based method for the characterization of nonlinear and/or non-Gaussian time series An innovation-based method for spatial time series modeling for fMRI data analysis The main point of interest in this book is to show that the same data can be treated using both a dynamical system and time series approach so that the neural and physiological information can be extracted more efficiently. Of course, time series modeling is valid not only in neuroscience data analysis but also in many other sciences and engineering fields where the statistical inference from the observed time series data plays an important role"--Provided by publisher. Read more...

فهرست مطالب


 Content: Introduction Time-Series Modeling Continuous-Time Models and Discrete-Time Models Unobserved Variables and State Space Modeling  Dynamic Models for Time Series Prediction Time Series Prediction and the Power Spectrum Fantasy and Reality of Prediction Errors Power Spectrum of Time Series  Discrete-Time Dynamic Models Linear Time Series Models Parametric Characterization of Power Spectra Tank Model and Introduction of Structural State Space Representation Akaike\'s Theory of Predictor Space Dynamic Models with Exogenous Input Variables  Multivariate Dynamic Models Multivariate AR Models Multivariate AR Models and Feedback Systems  Multivariate ARMA Models Multivariate State Space Models and Akaike\'s Canonical Realization  Multivariate and Spatial Dynamic Models with Inputs  Continuous-Time Dynamic Models Linear Oscillation Models Power Spectrum Continuous-Time Structural Modeling Nonlinear Differential Equation Models  Some More Models Nonlinear AR Models Neural Network Models RBF-AR Models Characterization of Nonlinearities Hammerstein Model and RBF-ARX Model Discussion on Nonlinear Predictors Heteroscedastic Time Series Models  Related Theories and Tools Prediction and Doob Decomposition Looking at the Time Series from Prediction Errors Innovations and Doob Decompositions Innovations and Doob Decomposition in Continuous Time  Dynamics and Stationary Distributions Time Series and Stationary Distributions Pearson System of Distributions and Stochastic Processes Examples Different Dynamics Can Arise from the Same Distribution.  Bridge between Continuous-Time Models and Discrete-Time Models Four Types of Dynamic Models Local Linearization Bridge LL Bridges for the Higher Order Linear/Nonlinear Processes  LL Bridges for the Processes from the Pearson System LL Bridge as a Numerical Integration Scheme  Likelihood of Dynamic Models Innovation Approach Likelihood for Continuous-Time Models Likelihood of Discrete-Time Models Computationally Efficient Methods and Algorithms Log-Likelihood and the Boltzmann Entropy  State Space Modeling Inference Problem (a) for State Space Models State Space Models and Innovations Solutions by the Kalman Filter Nonlinear Kalman Filters Other Solutions Discussions  Inference Problem (b) for State Space Models Introduction Log-Likelihood of State Space Models in Continuous Time Log-Likelihood of State Space Models in Discrete Time Regularization Approach and Type II Likelihood Identifiability Problems  Art of Likelihood Maximization Introduction Initial Value Effects and the Innovation Likelihood Slow Convergence Problem Innovation-Based Approach versus Innovation-Free .Approach  Innovation-Based Approach and the Local Levy State Space Models  Heteroscedastic State Space Modeling  Causality Analysis Introduction Granger Causality and Limitations Akaike Causality How to Define Pair-Wise Causality with Akaike Method Identifying Power Spectrum for Causality Analysis Instantaneous Causality Application to fMRI Data Discussions  Conclusion: The New and Old Problems References Index
 Abstract:             \"Recent advances in brain science measurement technology have given researchers access to very large-scale time series data such as EEG/MEG data (20 to 100 dimensional) and fMRI (140,000 dimensional) data. To analyze such massive data, efficient computational and statistical methods are required. Time Series Modeling of Neuroscience Data shows how to efficiently analyze neuroscience data by the Wiener-Kalman-Akaike approach, in which dynamic models of all kinds, such as linear/nonlinear differential equation models and time series models, are used for whitening the temporally dependent time series in the framework of linear/nonlinear state space models. Using as little mathematics as possible, this book explores some of its basic concepts and their derivatives as useful tools for time series analysis. Unique features include: statistical identification method of highly nonlinear dynamical systems such as the Hodgkin-Huxley model, Lorenz chaos model, Zetterberg Model, and more Methods and applications for Dynamic Causality Analysis developed by Wiener, Granger, and Akaike state space modeling method for dynamicization of solutions for the Inverse Problems heteroscedastic state space modeling method for dynamic non-stationary signal decomposition for applications to signal detection problems in EEG data analysis An innovation-based method for the characterization of nonlinear and/or non-Gaussian time series An innovation-based method for spatial time series modeling for fMRI data analysis The main point of interest in this book is to show that the same data can be treated using both a dynamical system and time series approach so that the neural and physiological information can be extracted more efficiently. Of course, time series modeling is valid not only in neuroscience data analysis but also in many other sciences and engineering fields where the statistical inference from the observed time series data plays an important role\"--Provided by publisher