ترجمه فارسی مقاله مدل سازی وضعیت مکانی فضا-زمانی سلسله مراتبی برای تجزیه و تحلیل FMRI

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Hierarchical Spatio-Temporal State-Space Modeling for fMRI Analysis
عنوان مقاله به فارسی مدل سازی وضعیت مکانی فضا-زمانی سلسله مراتبی برای تجزیه و تحلیل FMRI
نویسندگان Yuxiang Wei, Anees Abrol, Reihaneh Hassanzadeh, Vince Calhoun
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 23 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Recent advances in deep learning structured state space models, especially the Mamba architecture, have demonstrated remarkable performance improvements while maintaining linear complexity. In this study, we introduce functional spatiotemporal Mamba (FST-Mamba), a Mamba-based model designed for discovering neurological biomarkers using functional magnetic resonance imaging (fMRI). We focus on dynamic functional network connectivity (dFNC) derived from fMRI and propose a hierarchical spatiotemporal Mamba-based network that processes spatial and temporal information separately using Mamba-based encoders. Leveraging the topological uniqueness of the FNC matrix, we introduce a component-wise varied-scale aggregation (CVA) mechanism to aggregate connectivity across individual components within brain networks, enabling the model to capture both inter-component and inter-network information. To better handle the FNC data, we develop a new component-specific scanning order. Additionally, we propose symmetric rotary position encoding (SymRope) to encode the relative positions of each functional connection while considering the symmetric nature of the FNC matrix. Experimental results demonstrate significant improvements in the proposed FST-Mamba model on various brain-based classification and regression tasks. Our work reveals the substantial potential of attention-free sequence modeling in brain discovery.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در مدل های فضایی دولتی ساختار یافته یادگیری عمیق ، به ویژه معماری Mamba ، ضمن حفظ پیچیدگی خطی ، پیشرفت های قابل توجهی را نشان داده است.در این مطالعه ، ما Mamba مکانی کاربردی (FST-Mamba) را معرفی می کنیم ، یک مدل مبتنی بر Mamba که برای کشف نشانگرهای زیستی عصبی با استفاده از تصویربرداری رزونانس مغناطیسی عملکردی (FMRI) طراحی شده است.ما بر روی اتصال شبکه عملکردی پویا (DFNC) حاصل از FMRI تمرکز می کنیم و یک شبکه مبتنی بر Mamba مبتنی بر Mamba سلسله مراتبی را پیشنهاد می کنیم که اطلاعات مکانی و زمانی را به طور جداگانه با استفاده از رمزگذارهای مبتنی بر Mamba پردازش می کند.با استفاده از منحصر به فرد بودن توپولوژیکی ماتریس FNC ، ما یک مکانیزم تجمع در مقیاس متنوع (CVA) مؤلفه را معرفی می کنیم تا اتصال را در بین اجزای جداگانه در شبکه های مغز جمع کند ، و این مدل را قادر می سازد تا اطلاعات بین مؤلفه و اطلاعات بین شبکه را ضبط کند.برای رسیدگی بهتر از داده های FNC ، ما یک دستور اسکن خاص برای مؤلفه جدید تهیه می کنیم.علاوه بر این ، ما رمزگذاری موقعیت چرخشی متقارن (سیمروپ) را برای رمزگذاری موقعیت های نسبی هر اتصال عملکردی در حالی که ماهیت متقارن ماتریس FNC را در نظر می گیریم ، پیشنهاد می کنیم.نتایج تجربی نشان دهنده پیشرفت های قابل توجهی در مدل FST-MAMBA پیشنهادی در طبقه بندی مختلف طبقه بندی و رگرسیون مبتنی بر مغز است.کار ما پتانسیل قابل توجهی از مدل سازی توالی بدون توجه را در کشف مغز نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.