خرید و دانلود نسخه کامل کتاب Time series modeling of neuroscience data

توضیحاتی در مورد کتاب

”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…