بنابراین , دوباره , در مقایسه با مدل ساده‌ای که قبلا ً از آن استفاده کردیم , یعنی غشای خطی , که در قرمز است , می‌توانید ببینید که مدل‌های ما , مدل‌های واقعی‌تر , که ستون‌های سبز هستند , به داده‌های واقعی نزدیک‌تر هستند , که در مقایسه با مدل قرمز است . به طور کلی , در انحراف معیار نتایج . پس , دوباره , به نظر می‌رسد که ما ابزاری داریم که در پیش‌بینی آینده بهتر است . و جالب اینجاست که این نتایج دقیقا ً نشان می‌دهند که چطور ناحیه شما از کدام نورون‌ها را تعریف می‌کنید . پس , زیرکی بیشتری وجود دارد که باید با دقت بررسی کنیم .
و در نهایت , فقط یک آگهی سریع , ما فقط با مدل‌ها بازی نمی‌کنیم , بلکه ضبط واقعی نورون‌های واقعی را در مغز میمون‌ها انجام می‌دهیم . در طول ام. و ما این تصاویر زیبا را داریم که وقتی شما یک پالس tms را تحویل می‌دهید , شدت‌های مختلف دارد , درست ? اگر بالا بروید یک پالس قوی‌تر است . و بعد می‌توانید ببینید که چقدر آرام حرکت می‌کنید .
ام . و می‌توانیم ببینیم - - می‌توانیم نقطه عناصر عصبی مختلف , آکسون‌ها و نورون‌های تحریکی و برانگیزاننده را شناسایی کنیم . بنابراین , واقعا ً به ما یک پنجره هیجان‌انگیز می‌دهد که واقعا ً اتفاق می‌افتد , و حقیقتا , اینکه ما با مدل‌سازی مان برای توسعه مدل‌های بهتر , جفت می‌کنیم .
بنابراین , در نتیجه , حتی اگر صحبت من احتمالا ً همان تکنیک‌های چند مدل نیست که در آن tms را با eeg ترکیب کنید و یا آن را با eeg ترکیب کنید . و یک عامل مهم استفاده از mri به عنوان تکنیکی است که به ما درک ساختار مغز را می‌دهد و سپس می‌توانید از این ساختار در مدل‌های پیچیده استفاده کنید که به ما اجازه می‌دهد تا مکانیسم‌های ام .
ما همچنین در حال توسعه ابزار هستیم , مانند [ 1 . و هر دوی اینها می‌توانند نوع پالسی کمتری داشته باشند و همچنین اثرات جانبی و اثرات مایل در تحریک مغز طی تحریک و تصویربرداری دارند . به عنوان مثال , از آنجایی که مولفه شنوایی در هر دو بخش مهم است , یک اختلاف بسیار چشمگیر در هر دو بخش دارد . علاوه بر این , ما می‌توانیم مدل‌های برگرفته از mri را با پر کردن نورونی که از تحریک مشتق شده‌اند , به دست آوریم . و همچنین می‌توانیم با الکتروفیزیولوژی در سطح نورونی انجام دهیم تا بفهمیم در واقع چه چیزی در مغز وجود دارد و از آن برای مدل خود استفاده می‌کنیم . بنابراین از توجه شما متشکرم و خوشحال می‌شوم که به یک سوال یا دو سوال پاسخ دهم .
o , اگر هر کدام از شرکتکنندگان پرسش‌هایی دارند , می‌توانید آن‌ها را در پنجره گپ قرار دهید . من می‌خواستم بپرسم که مدل‌سازی یافته‌های تاج در برابر دیوار ( غیرقابل شنیدن ) بزرگ‌تر , چه جهتی [ غیرقابل شنیدن ] است ?
سوال این است که این یک جهش وسیع است . ما همچنین روی تهیه مدل‌های قشری مغز کار می‌کنیم , جایی که شما , می‌دانید , سعی کنید همه چیز را سیم‌کشی کنید . و بعد باید به آن اضافه کنید . پس می‌توانیم واقعا ً آن را بهتر درک کنیم . ما هنوز آنجا نیستیم . بنابراین , ما نمی‌توانیم - - می‌دانید , من حتی سعی در توضیح آن غیر از اینکه بگوییم , نگاه کنید , ما با تحریک انواع مختلف عصبی در سطوح مختلف شروع می‌کنیم , درست ? می‌توانید ببینید که در نهایت به اثرات تعدیلی متفاوتی منجر می‌شود .

منبع سایت

مقایسه‌ای که شما با خطی ساده ، واقع گرایانه و سپس منتشر کردید ، این بود که تنها برای داده‌های هنجاری چاپ‌شده یا استفاده از آن - - MRIs واقعی از آن مطالعات منتشر شده ؟
بنابراین , این اساسا [ indiscernible ] در مقایسه با آستانه مدل بود . و سپس شما - - بنابراین , تنها برای تکرار این سوال , سوال این است که آیا ما این موارد را داریم - - زمانی که با این مدل‌های ساده و داده‌های اندازه‌گیری و مدل‌های پیچیده تری برای آستانه ها مقایسه می‌کنیم . ما اغلب به نسبت‌ها نگاه می‌کنیم چون , از نظر آستانه کاملا مطلق , ما هنوز هم می‌دانیم که این می‌تواند تا چند درصد کاهش یابد . پس , این به این معنی است که شما می‌توانید تمرین کنید , می‌دانید , در مدل . بنابراین , برای ما اهمیت بیشتری دارد این است که به نسبت‌ها نگاه کنیم زیرا متفاوت است - - و در آنجا ما آنچه را که انجام دادیم را نرمال می‌کنیم - آنچه که انجام دادیم , یک چیز عادی شده بود . برای مثال , ما تحریک تحریک برای یک پالس را نرمال کردیم , و سپس به تفاوت‌ها برای پالس دیگر می‌پردازیم , که معادل با نگاه کردن به نسبت‌ها است .
البته , اما شما با داده‌های هنجاری منتشر شده مقایسه می‌کنید , درست است? شما به تک‌تک افراد MRI نگاه نمی‌کنید و سپس آن را بازسازی می‌کنید و سپس به آن نسبت به آن نگاه می‌کنید - -
با شه . بله . شماره
با شه . بسیار خوب .
ما به افراد MRIs نگاه نمی‌کنیم , نه . این یک مدل [ yeah ] , یک مدل [ indiscernible ] , یک مدل [ indiscernible ] است . به همین دلیل است که I’m می‌گویند که خطای مناسب در داده‌ها انحراف معیار است , که تغییر در موضوعات را به شما می‌دهد زیرا سوژه گذشته آن حتی بخشی از آن مطالعه نبوده است . پس , هنوز , می‌دانید , باید - - دوباره , ما از زمین بالا می‌رویم , درست است? [ indiscernible ] نورون‌ها , و سپس , شما می‌دانید , و سپس یک نفر می‌تواند آن‌ها را در مدل‌های سر فرد قرار دهد . در حقیقت یک راست به سمت جلو حرکت می‌کند . تنها یک موضوع برای بدست آوردن MRI , از همان موضوعی که تجربیات خود را با آن انجام دادید , و سپس پر کردن آن و انجام دادن نتایج این محاسبات . بنابراین , آن‌ها باید شدنی باشند [ indiscernible ] .
کمی بیشتر اضافه می‌کنم . بنابراین , شما این [ indiscernible ] را نشان داده‌اید که چگونه پیش‌بینی شما برای لایه‌های firing [ pH ] با داده‌های EFIS [ pH ] را مقایسه کنید ? واضح است که شما به یک مدل چند سر با آن نیاز دارید , اما .
بنابراین , ما با انتخاب [ indiscernible ] بر خلاف شبیه‌سازی‌ها که زمان زیادی برای انتخاب داده طول می‌کشد , هستیم . پس , شما اینجا می‌بینید که ما دارای 287 نورون هستیم . اساسا برابر با 287 تاریخ کاری است , به اضافه , از این مطالعه . می‌دانید , خیلی پیچیده است, خیلی پیچیده است. بنابراین , ما به تلاش برای بدست آوردن اطلاعات در مورد دقیقا جایی که دقیقا الکترود [ pH ] است , علاقه‌مند هستیم . و شما می‌توانید - - اگر حیوان را قربانی کنید , می‌توانید بگویید که اینها میمون‌ها هستند که برای سالیان متمادی مورد استفاده قرار می‌گیرند , بنابراین آن‌ها دوست ندارند یک تجربه را آزمایش کنند و حیوان را قربانی کنید . پس , کمی مهارت پیدا کنید تا مشخص کنید دقیقا کجا هستید . و ما به تکنیک‌هایی نگاه می‌کنیم که به ما اجازه می‌دهد تا دقیق‌تر شناسایی کنیم و سپس ما باید قادر به دستیابی به این اطلاعات باشیم .
و همچنین ما از این کانال ساده ولی قوی [ indiscernible ] استفاده می‌کنیم . و از آن به بعد تجزیه و تحلیل کردیم . شما می‌توانید مانند سه نورون در بهترین حالت با تفسیر کردن شکل موج و شکل دادن شکل بگیرید , اما همچنین می‌توانید از الکترودهای پیچیده تری استفاده کنید که تماس‌های متعددی دارند , به عنوان مثال , شما می‌دانید , [ indiscernible ] تماس‌های چندگانه در میان لایه‌ها ایجاد می‌کنند . و این ممکن است رویکردی به سمت جلو باشد .
می‌دانید , مساله اینجا این است که توان عملیاتی این مطالعه برای رسیدن به خروجی بالا بسیار چالش برانگیز است , اما ما یک سرمایه‌گذاری خوب داریم . بنابراین , ما modules را در مقیاس [ indiscernible ] انجام می‌دهیم تا بتوانیم شرایط بیشتری را اجرا کنیم و در همان زمان سوالات بیشتری را حل کنیم . و این کار [ indiscernible ] است که می‌خواهم اشاره کنم در آزمایشگاه با هم‌کار من , مارک سامر انجام شده‌است . من معتقدم که یک سوال آنلاین وجود دارد .

منبع سایت

و سپس در اینجا ، با تحریک میکرو ، آن‌ها نورون‌های دیوار را تحریک می‌کنند که به شما فشار را در انگشتان [ indiscernible ] می‌دهد ؛ درست ؟ بنابراین ، شما می‌بینید که نورون‌های خروجی در اینجا هستند ، اما نورون‌های دیگر در تاج ، در لبه تاج ، هنوز هم می‌توانند ” synaptically ” را فعال کنند . بسیار خوب ، رسیدیم . بنابراین ، به نظر می‌رسد که از چیزی که ما با پالس monophasic در یک مورد دیده‌ایم ، هنگامی که ما دیوار را تحریک می‌کنیم ، خروجی مستقیم بیشتری داریم ، اما وقتی شما تاج را در اینجا تحریک می‌کنید ، و میدان در اینجا قوی‌تر است ، محرک غیر مستقیم داریم ، که transsynaptic است . بنابراین ، این تصویر زیبا که تطابق بسیار خوبی با این درک [ indiscernible ] دارد . بنابراین ، این مثالی از این است که چگونه این شبیه‌سازی‌ها می‌تواند واقعا ً، ترکیب با بخش‌های دیگر اطلاعات ، می‌تواند با [ indiscernible ] به ما کمک کند.
بنابراین ، زمان ما کاملا ً محدود است . بنابراین ، I’m قصد دارد تا به طور خلاصه در مورد یک تکنولوژی صحبت کند که ما به سیستم پالس قابل‌کنترل موسوم به سیستم پالس controllable ( TMS ) توسعه‌یافته ، cTMS ، که به ما اجازه می‌دهد شکل موج پالس را بیش از آنچه که می‌توانید با دستگاه‌های معمولی مقایسه کنید ، شکل دهیم . بنابراین ، پالس‌های مستطیلی بیشتری تولید می‌کند . شما می‌توانید نبض را با مسیر پالس ( indiscernible ) تر و پیوسته نسبت به دستگاه‌های معمولی کنترل کنید . و این است که می‌تواند به شما اجازه دهد شکل موج بیشتری از expansively را کشف کنید .
و این خانواده وسایلی است که ما توسعه داده‌ایم . و اکنون یک وسیله تجاری به نام تحقیقات [ indiscernible ] وجود دارد . و در حقیقت من این دستگاه را دیدم - - دستگاه TMS که [ indiscernible ] در NIH . و بنابراین اگر می‌خواهید با یکی از آن‌ها بازی کنید ، ما یک نفر را داریم . آزمایشگاه‌های دیگر نیز [ indiscernible ] نیز هستند . بنابراین ، it’s - - شکل موج عظیمی از [ indiscernible ] را می‌دهد .
بنابراین ، با آن ، شما می‌توانید کارهایی مثل منحنی‌های مدت [ indiscernible ] را انجام دهید که شما می‌توانید با وسایل معمولی انجام دهید . شما می‌توانید ضربان قلب را تغییر دهید و می‌توانید آستانه ‌های مختلف را از عرض پالس مختلف به دست آورید . بنابراین ، در اینجا ، ما مدل خود را با عرض پالس [ indiscernible ] اجرا کردیم . و منحنی قرمز منحنی مدت [ indiscernible ] است که ما از مدل دریافت کردیم و منحنی سیاه همان چیزی است که ما از تجربه بدست آوردیم .
حال ، دامنه کلی که ما مجزا هستیم، بنابراین عادی می‌شویم تا بتوانیم انحنای آن را ببینیم . و انحنا بین مدل و آزمایش بخوبی تطبیق داده شد. ما همچنین اولین مطالعه خود را با تحریک [ indiscernible ] آغاز کرده‌ایم . پالس‌های کمی انجام دادیم . یکی از آن‌ها مرسوم است و سه تای آن‌ها cTMS پالس هستند . بنابراین ، من جزییات زیادی را شرح می‌دهم . نکته این است که - - ما مقادیر متفاوتی از مهار در طول پالس داریم وقتی که شکل پالس را تغییر دادیم .
و دوباره ، ” TMS ” کاری انجام می‌دهد . و هنگامی که به آن نگاه می‌کنید ، دوباره ، [ indiscernible ] در اینجا ، ما نبض داریم که دوباره ، ویژگی‌های تک‌بعدی تری دارند ، ما آن‌ها را در جهات مختلف داریم . و دوباره ، وقتی آن‌ها را شبیه‌سازی می‌کنید ، این پدیده را در استخدام دیفرانسیلی - - تفاضلی تاج gyral در مقابل دیوار gyral می‌بینید . بنابراین ، اساسا ً همان نوع پدیده که ، دوباره ، منجر به این تفاوت در زمان تاخیر زمانی است که ما این پالس‌های را اندازه‌گیری می‌کنیم .
و جالب اینکه ، اینها پالس‌های مغناطیسی biphasic هستند که more های unidirectional را تولید می‌کنند ، چون شما می‌توانید واقعا ً با [ indiscernible ] میدان مغناطیسی بازی کنید ، که احتمالا ً من وقت دارم آن را ادامه دهم . و همچنین ما با این که آیا ما بخوبی با آستانه هایی که هستیم خوب پیش‌بینی می‌کنیم - - که برای این پالس‌های مختلف داریم .

منبع سایت

و این قسمت واقعا ً خطای استاندارد است , بنابراین واقعا ً کار درستی است که اینجا باید به انحراف استاندارد نگاه کنیم چون می‌خواهید در میان سوژه‌ها جستجو کنید , که بخش بیشتری را به دنبال دارد. بنابراین , به هر حال , در قرمز یک مدل بسیار ساده از غشای عصبی است که ثابت سینوسی خطی را فرض می‌کند . این یک مدل ساده و یکپارچه است که مردم از آن استفاده کرده‌اند و ما در ادبیات از آن استفاده کرده‌ایم . و شما می‌توانید ببینید که این مدل نیز در جهت درست است , اما واقعا ً میزان کامل تفاوت را به شما نمی‌دهد . واقعا ً بد است .
حالا , با مدل ما , خیلی بهتر می‌شه . بنابراین , در حال حاضر در یک نوار خطای استاندارد است . و این بار بسته به نحوه تعریف شما از پوسته شما متفاوت است . این نیز شروع به برآوردی بهتر از آنچه در ادبیات مشاهده می‌کنیم می‌شود . و حالا من فکر می‌کنم که به شما یک بینش بسیار جالب و اهمیت بینشی نسبت به آن پدیده می‌دهد که کمون را افزایش می‌دهد .
پس می‌توانیم آن را مدل کنیم . چیزی که اینجا می‌بینید , مقطع عرضی دستگیره , راست , دستگیره در قشر حرکتی است . افرادی مانند مارک [ 3 ] به احتمال زیاد در طول چند سال گذشته , این ناحیه از قشر حرکتی را مطالعه می‌کنند . بنابراین , دستگیره در دست است . و اگر یک برش عرضی بردارید , می‌بینید که این جهت قدامی است , این جهت خلفی است . بنابراین , این - - دستگیره در شکنج دندانه‌دار است . بنابراین , در اینجا , ما تفاوت مجزا یا سه‌راه مختلف را با دو جهت برای هر کدام شبیه‌سازی کرده‌ایم . و دوباره می‌توانیم آستانه را برای هر لایه در هر مکان نورون‌ها در لایه شبیه‌سازی کنیم . می‌توانید اسلاید بعدی را ببینید که از آن می‌آید , می‌دانید , همان یک دستگیره در دست است .
این پالس تاخیر عجیب و طولانی را به شما داد . پس چه اتفاقی دارد می‌افتد ? پس , توجه داشته باشید که چه اتفاقی در دیوار حائل در مقابل تاجی در اینجا رخ می‌دهد ; درست ? این تاج پادشاهی است . این دیوار است . و چرا این منطقه خاص ? اینها مناطقی هستند که ماهیچه‌های انگشت شما را کنترل می‌کنند . بنابراین , شما می‌توانید ببینید که وقتی مسیر را معکوس می‌کنید , می‌توانید از قدامی - قدامی تا قدامی - خلفی حرکت کنید , فعال شدن در طوقه , توسط و بزرگ , همانطور که می‌دانید , تقریبا ً مشابه است. اما ما تغییر چشمگیری در فعال‌سازی در وال سینوسی داریم . پس وقتی مسیر را عوض می‌کنید , این یک تفاوت بسیار قابل‌توجه است . توزیع میدان دقیقا ً یک‌سان است . شما فقط مسیر میدان را تغییر می‌دهید . و این اتفاق در مورد پالس‌های دیگر که دوطرفه هستند رخ نمی‌دهد , درست است? ما شاهد تغییر هستیم , اما با این حال , شما این نوع از چیزهایی را که این نسبت به آن در نظر گرفته‌اید را ندارید .
پس جالب است . بنابراین , آیا این کار از نظر شکل گرفتن دستگیره دستی منطقی است ? و روشن می‌شود که در واقع حس زیادی ایجاد می‌کند , و شما می‌توانید ببینید که با نگاه کردن به این شکل زیبا ( ph ) و شکل ( ph ) در یک مقاله از سایت www . این شبیه تصویر مسطح دستگیره در میمون است . و اینجا , این دیوار شکنج است . و این ناحیه لب تاج یا تاج است - - لبه تاج و تاج شکنج . بنابراین , این نقاط در اینجا به شما می‌گویند که نورون‌ها به طور مستقیم کنترل را کنترل می‌کنند - - نورون‌های خروجی که ناحیه انگشت را کنترل می‌کنند .

منبع سایت

و بعد ، با این جمعیت‌ها ، شما می‌توانید - - می‌دانید ، شما [ indiscernible ] شبیه‌سازی دارید . و سپس [ indiscernible ] که هر یک از این نورون‌ها را با [ indiscernible ] محلی تحریک می‌کند . و سپس می‌توانید فعال‌سازی را با جمعیت‌های عصبی برای هر لایه انتخاب کنید . و حتی در [ indiscernible ] شما جمعیت‌های عصبی متفاوتی دارید . بنابراین ، در اینجا ، شما می‌توانید آنچه را که از این شبیه‌سازی‌ها خارج می‌شویم را مشاهده کنیم، ما می‌توانیم این نقشه‌های قشری را که اکنون برای هر لایه می‌توانیم بدست آوریم - - لایه را ببینیم ، فقط یک لایه ، می‌توانیم نقشه آستانه برای فعال‌سازی را بدست آوریم ؛ درست است؟ بنابراین ، معمولا ً در سیستم ام اس ام ، شما یک آستانه در آستانه مدل خود می‌گیرید ، اما در اینجا ما داریم - - برای هر نورون ، ما یک آستانه داریم . بنابراین ، در حال حاضر ، یک نقشه آستانه که ما می‌توانیم همه کارها را با آن انجام دهیم ، تنظیم می‌کنیم .
این کتابخانه of است که ما در هر لایه مدل می‌کنیم . بنابراین ، در هر لایه ، شما بیش از یک لایه از نورون‌ها دارید . ما برای این شبیه‌سازی خاص ، برای سادگی ، نورون‌ها را با کم‌ترین آستانه در لایه انتخاب کردیم . و می‌توانید اضافه کنید - - و ما مدل‌های دیگری داریم که می‌توان آن‌ها را اضافه کرد . و اینها مهم‌ترین چیزی هستند که می‌بینید لایه‌های دو ، سه ، و چهار هستند ، که در آن‌ها در دو ، سه ، و پنج ، شما سلول‌های هرمی دارید ، و در چهار شما interneurons دارید که در آستانه پایین سلول‌های بزرگ سبد هستند .
بنابراین ، let’s اولین چیزی که از این نوع نتایج کمی به دست آوردیم را دید . خوب ، شما می‌توانید بپرسید که چگونه آستانه برای فعال کردن لایه‌های مختلف مقایسه می‌شود ، می‌دانید ، دیگر لایه‌های ؟ و این نتایجی که شما برای لایه‌های مختلف می‌بینید ، از یک تا شش در نظر گرفته می‌شوند ، و می‌بینید که این یک خوشه متفاوت است - همه اینها متفاوت هستند ، مانند ، ، نیمه - دور ، و biphasic در جهات مختلف ، همانطور که قبلا ً در مطالعه تجربی دیدیم . ما همه این ها را برای سرگرمی پرتاب کردیم . شما می‌توانید روی آن تمرکز کنید ، می‌دانید ، یک رنگ خاص . اما می‌بینید که این گرایش کاملا ً روشن است .
و این روند این است که این لایه در پایین‌ترین حد آستانه قرار دارد و پس از آن بیش از حد در پشت لایه‌های چهار و سه قرار ندارد . بنابراین ، یک لایه خوب است ، می‌دانید ، ما این سلول‌هایی را داریم که در آن بالا هستند . احتمالا ً آن‌ها به احتمال زیاد فعال خواهند شد . در لایه ۶ ، به خصوص با توجه به اینکه it’s [ indiscernible ] ضعیف‌تر است ، it’s احتمالا ً فعال خواهد شد . بنابراین ، به نظر می‌رسد این لایه‌ای باشد که ما باید بر روی آن تمرکز کنیم .
و من می‌خواهم اشاره کنم که آن‌هایی از شما که در واقع دامنه پالس را از نظر of به ازای هر ثانیه ارزیابی می‌کنند ، که این چیزی است که ما باید دامنه پالس را به عنوان مثال ، [ indiscernible ] به شما نشان دهیم که معیار مقدار دامنه را به شما می‌دهد . این مقادیر در واقع ، مانند پایین‌ترین مقدار در اینجا هستند ، آن‌ها به ترتیب ۶۰ درصد از خروجی طراحی مرسوم هستند .
بنابراین ، برخلاف برخی مطالعات دیگر با مدل‌های عصبی ساده ‌تری در مقالات ، ما موفق شده‌ایم چیزی را بدست آوریم که از نظر آستانه ، برحسب آستانه [ indiscernible ] ، که خوب است ، به نظر می‌رسد ، درست است؟ و ما باید [ indiscernible ] و یک سری از این تنظیمات نوع را انجام دهیم که مناسب هستند ، و این آستانه . بنابراین ، ما فکر می‌کنیم که ما مدل‌های خوبی داریم . و حالا ما می‌توانیم با آن‌ها بازی کنیم .
بنابراین ، ما دوست داریم - - یک روش که ما دوست داریم با آن‌ها بازی کنیم این است که ببینیم آن‌ها چطور - - چطور در مقایسه با مطالعات تجربی به نظر می‌رسند ، درست ؟ اگر رابطه‌ای نداشته باشید ، این امر در مطالعات تجربی منطقی به نظر می‌رسد . بنابراین ، نگاهی به برخی چیزهای اساسی مانند ادبیات ، از مطالعاتی که قبلا ً نشان‌داده شده‌است ، و یک زوج از سامر و ، آن‌ها نسبت آستانه مدل را برای monophasic در مقابل پالس‌های biphasic اندازه‌گیری کردند . انتظار نمی‌رود که پالس‌های monophasic آستانه‌های بالاتر داشته باشند ، و آستانه در مقابل آستانه برابر با نیمه سینوسی ، و آستانه تقریبا ً یک‌سان است . بنابراین ، این داده‌های تجربی در اینجا هستند .

منبع سایت