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: 1 نویسندگان: Young K. Truong, Mechelle M. Lewis سری: Frontiers in neuroscience (Boca Raton Fla.) ISBN (شابک) : 1466566140, 1315356759 ناشر: CRC Press سال نشر: 2016 تعداد صفحات: 405 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب تکنیک های آماری برای دانشمندان علوم اعصاب: علوم اعصاب، روش های آماری، آمار به عنوان موضوع، علوم اعصاب، سلامت و تناسب اندام، بیماری ها، عمومی، پزشکی، پزشکی بالینی، پزشکی، بیماری ها، پزشکی، پزشکی مبتنی بر شواهد، پزشکی، داخلی
در صورت تبدیل فایل کتاب Statistical techniques for neuroscientists 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 تکنیک های آماری برای دانشمندان 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.
تکنیک های آماری برای دانشمندان علوم اعصاب روش های جدید و مفیدی را برای تجزیه و تحلیل داده ها معرفی می کند که شامل ثبت همزمان فعالیت نورون یا خوشه بزرگ (منطقه مغز) می شود. تخمین آماری و آزمونهای فرضیهها بر اساس اصل احتمال برگرفته از فرآیندهای نقطه ثابت و سریهای زمانی است. الگوریتمها و توسعه نرمافزار در هر فصل برای بازتولید نتایج شبیهسازیشده رایانهای که در آن توضیح داده شدهاند، ارائه میشوند.
این کتاب روشهای آماری فعلی را برای حل مشکلات نوظهور در علوم اعصاب بررسی میکند. این روشها برای دادههای شامل قطار سنبله عصبی چند کانالی، مرتبسازی سنبله، جداسازی منبع کور، اتصال عصبی عملکردی و مؤثر، مدلسازی فضایی-زمانی و تکنیکهای تصویربرداری عصبی چندوجهی به کار گرفته شدهاند. نویسنده با تأکید بر اصول آماری و نرمافزار آنها، مروری بر روشهای مختلفی که در حوزههای تحقیقاتی خاص علوم اعصاب اعمال میشوند، ارائه میکند. این کتاب شامل مثالها و دادههای تجربی است تا خوانندگان بتوانند اصول را درک کنند و بر روشها مسلط شوند.
قسمت اول کتاب به تجزیه و تحلیل سریهای زمانی چند متغیره سنتی میپردازد که در زمینه قطارهای اسپایک چند کانالی و fMRI اعمال میشود. به ترتیب با استفاده از ساختارهای احتمال یا احتمال مرتبط با تبدیل فوریه گسسته (DFT) زمان تا آتش و فرآیندهای نقطه ای. بخش دوم شکل نسبتا جدیدی از مدلسازی مکانی-زمانی آماری را برای تجزیه و تحلیل دادههای fMRI و EEG معرفی میکند. علاوه بر دانشمندان علوم اعصاب و آمار، هرکسی که بخواهد از روشهای محاسباتی شدید برای استخراج ویژگیها و اطلاعات مهم بهطور مستقیم از دادهها استفاده کند، به جای اتکای شدید به مدلهای ساخته شده بر روی موارد پیشرو مانند رگرسیون خطی یا فرآیندهای گاوسی، این کتاب را بسیار مفید خواهد یافت. P>
Statistical Techniques for Neuroscientists introduces new and useful methods for data analysis involving simultaneous recording of neuron or large cluster (brain region) neuron activity. The statistical estimation and tests of hypotheses are based on the likelihood principle derived from stationary point processes and time series. Algorithms and software development are given in each chapter to reproduce the computer simulated results described therein.
The book examines current statistical methods for solving emerging problems in neuroscience. These methods have been applied to data involving multichannel neural spike train, spike sorting, blind source separation, functional and effective neural connectivity, spatiotemporal modeling, and multimodal neuroimaging techniques. The author provides an overview of various methods being applied to specific research areas of neuroscience, emphasizing statistical principles and their software. The book includes examples and experimental data so that readers can understand the principles and master the methods.
The first part of the book deals with the traditional multivariate time series analysis applied to the context of multichannel spike trains and fMRI using respectively the probability structures or likelihood associated with time-to-fire and discrete Fourier transforms (DFT) of point processes. The second part introduces a relatively new form of statistical spatiotemporal modeling for fMRI and EEG data analysis. In addition to neural scientists and statisticians, anyone wishing to employ intense computing methods to extract important features and information directly from data rather than relying heavily on models built on leading cases such as linear regression or Gaussian processes will find this book extremely helpful.
Content: Cover
Half Title
Title Page
Copyright Page
Dedication
Table of Contents
Preface
Editors
Contributors
List of Figures
List of Tables
PART I Statistical Analysis of Neural Spike Train Data
Chapter 1 Statistical Modeling of Neural Spike Train Data
1.1 Introduction
1.2 Point Process and Conditional Intensity Function
1.3 The Likelihood Function of a Point Process Model
1.4 Continuous State-Space Model
1.4.1 Kernel Smoothing
1.4.2 Adaptive Kernel Smoothing
1.4.3 Kernel Bandwidth Optimization
1.4.4 Smoothing Splines
1.4.5 Real Data Analysis
1.5 M-Files for Simulation. 1.6 M-Files for Real Data1.7 R Files for Real Data
Bibliography
Chapter 2 Regression Spline Model for Neural Spike Train Data
2.1 Introduction
2.2 Linear Models for the Conditional Log-Intensity Function
2.3 Maximum Likelihood Estimation
2.4 Simulation Studies
2.4.1 Case 1: Fixed Number of Basis Functions
2.4.2 Case 2: Adaptive Knots Selection
2.5 Data Analysis
2.6 Conclusion
2.6.1 A Parametric Model for Interacting Neurons
2.7 R Code for Real Data Analysis
2.8 R Code for Simulation
Bibliography
PART II Statistical Analysis of fMRI Data. Chapter 3 A Hypothesis Testing Approach for Brain Activation3.1 Introduction
3.1.1 Model
3.1.2 Ordinary Least Square Estimate
3.1.2.1 Window Estimate
3.2 Hypothesis Testing
3.2.1 Key Concepts
3.2.2 Testing the Linearity
3.2.3 Testing the Effect from a Specific Stimulus
3.2.4 Detecting the Activation
3.2.5 Testing the Difference between HRF
3.2.6 Remarks
3.3 Simulation
3.4 Real Data Analysis
3.4.1 Auditory Data
3.4.2 Event-Related Visual Data
3.5 Discussion
3.6 Software: R
Bibliography
Chapter 4 An Efficient Estimate of HRF
4.1 Introduction. 4.1.1 Experiment Design for Detecting HRF4.1.2 General Guideline for Estimating HRF
4.1.3 The General Linear Model Framework
4.1.4 HRF Modeling
4.1.4.1 Time-Domain Methods
4.1.4.2 Frequency-Domain Methods
4.1.4.3 Comparison of the Current Methods & 4.2 TFE Method: WLS Estimate
4.3 Simulation
4.3.1 Simulation 1: WLS
4.3.2 Simulation 2: Comparison
4.4 Real Data Analysis
4.5 Software: R
Bibliography
Chapter 5 Independent Component Analysis: An Overview
5.1 Introduction
5.2 Neuroimaging Data Analysis
5.3 Single-Subject and the Group Structure Assumptions
5.4 Homogeneous in Space. 5.5 Homogeneous in Both Space and Time5.6 Homogeneous in Both Space and Time with Subject- Specific Weights
5.7 Inhomogeneous in Space
5.8 Approaches with Multiple Group Structures
5.9 Software
5.10 Conclusion
Bibliography
Chapter 6 Polynomial Spline Independent Component Analysis with Application to fMRI Data
6.1 Introduction
6.2 Method
6.3 Simulation Study
6.4 Application
6.5 Discussions and Conclusions
6.6 Logspline Density Estimation
6.6.1 Methodology
6.6.2 Numerical Results
6.7 Stochastic EM Algorithm
6.8 Software: R
6.8.1 Example. R
6.8.2 MLICA.r
6.8.3 a24random.r.