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