ترجمه فارسی مقاله مدل احتمال نامناسب مبتنی بر Correntropy برای تصویربرداری منبع الکتروفیزیولوژیکی قوی

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 Correntropy-Based Improper Likelihood Model for Robust Electrophysiological Source Imaging
عنوان مقاله به فارسی مدل احتمال نامناسب مبتنی بر Correntropy برای تصویربرداری منبع الکتروفیزیولوژیکی قوی
نویسندگان Yuanhao Li, Badong Chen, Zhongxu Hu, Keita Suzuki, Wenjun Bai, Yasuharu Koike, Okito Yamashita
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Neural and Evolutionary Computing,Signal Processing,یادگیری ماشین , محاسبات عصبی و تکاملی , پردازش سیگنال ,
توضیحات Submitted 27 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 27 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

Bayesian learning provides a unified skeleton to solve the electrophysiological source imaging task. From this perspective, existing source imaging algorithms utilize the Gaussian assumption for the observation noise to build the likelihood function for Bayesian inference. However, the electromagnetic measurements of brain activity are usually affected by miscellaneous artifacts, leading to a potentially non-Gaussian distribution for the observation noise. Hence the conventional Gaussian likelihood model is a suboptimal choice for the real-world source imaging task. In this study, we aim to solve this problem by proposing a new likelihood model which is robust with respect to non-Gaussian noises. Motivated by the robust maximum correntropy criterion, we propose a new improper distribution model concerning the noise assumption. This new noise distribution is leveraged to structure a robust likelihood function and integrated with hierarchical prior distributions to estimate source activities by variational inference. In particular, the score matching is adopted to determine the hyperparameters for the improper likelihood model. A comprehensive performance evaluation is performed to compare the proposed noise assumption to the conventional Gaussian model. Simulation results show that, the proposed method can realize more precise source reconstruction by designing known ground-truth. The real-world dataset also demonstrates the superiority of our new method with the visual perception task. This study provides a new backbone for Bayesian source imaging, which would facilitate its application using real-world noisy brain signal.

چکیده به فارسی (ترجمه ماشینی)

یادگیری بیزی یک اسکلت یکپارچه برای حل کار تصویربرداری منبع الکتروفیزیولوژیکی فراهم می کند.از این منظر ، الگوریتم های تصویربرداری منبع موجود از فرض گاوسی برای سر و صدای مشاهده برای ایجاد عملکرد احتمال برای استنباط بیزی استفاده می کنند.با این حال ، اندازه گیری الکترومغناطیسی فعالیت مغز معمولاً تحت تأثیر مصنوعات متفرقه قرار می گیرد و منجر به توزیع بالقوه غیر گاوسی برای سر و صدای مشاهده می شود.از این رو مدل احتمال گاوسی معمولی یک انتخاب زیر حد متوسط ​​برای کار تصویربرداری منبع در دنیای واقعی است.در این مطالعه ، ما با هدف حل این مشکل با ارائه یک مدل احتمال جدید که با توجه به صداهای غیر گاوسی قوی است ، حل می کنیم.با انگیزه با معیار حداکثر کرنتروپی قوی ، ما یک مدل توزیع نادرست جدید در مورد فرض نویز پیشنهاد می کنیم.این توزیع نویز جدید برای ساختار یک عملکرد احتمال قوی اعمال می شود و با توزیع های قبلی سلسله مراتبی برای برآورد فعالیت های منبع با استنتاج متغیر یکپارچه می شود.به طور خاص ، تطبیق نمره برای تعیین بیش از حد پارامترها برای مدل احتمال نادرست اتخاذ شده است.ارزیابی جامع عملکرد برای مقایسه فرض نویز پیشنهادی با مدل گاوسی معمولی انجام می شود.نتایج شبیه سازی نشان می دهد که ، روش پیشنهادی می تواند با طراحی مسیر شناخته شده زمین ، بازسازی منبع دقیق تری را تحقق بخشد.مجموعه داده های دنیای واقعی همچنین برتری روش جدید ما را با کار ادراک بصری نشان می دهد.این مطالعه ستون فقرات جدیدی را برای تصویربرداری منبع بیزی فراهم می کند ، که می تواند کاربرد آن را با استفاده از سیگنال مغزی پر سر و صدا در دنیای واقعی تسهیل کند.

📚 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.