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