Tiedot

Apuohjelma tai ohjelmisto hermoverkon visualisoimiseksi?

Apuohjelma tai ohjelmisto hermoverkon visualisoimiseksi?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Käytän Octavea luomaan hermoverkon, jossa on yksi piilotettu kerros, ja tallennan sen kahdena CSV -tiedostona.

Onko olemassa apuohjelmaa tai ohjelmistoa, joka lataa tiedostot ja luo kuvan, PDF- tai HTML -sivun, joka näyttää painot neuroneja yhdistävien reunojen yli?


Jos sinulla on CSV -tiedostoja, nopea tapa luoda kuvia olisi avata se Excelissä (tai vastaavassa laskentataulukko -ohjelmistossa) ja käyttää jonkinlaista väriasteikon ehdollista muotoilua (etusivu> tyylit Microsoft Excelissä) - aseta solut pieniksi, jotta voit tarkastella kaikkia tietoja kerralla.

Voit myös käyttää pintakaaviota tietojen visualisointiin Excelissä.

Muussa tapauksessa, jos tunnet työkalun, kuten Matlabin tai R: n, voit halutessasi käyttää sitä jollakin graafisella työkalulla, esim. meshgrid Matlabissa saattaa toimia.

Matlab ja/tai R voidaan ohjelmoida lataamaan useita CSV -tiedostoja ja luomaan niistä grafiikkaa. Kaksi ensimmäistä mainitsemaani tekniikkaa (vaikkakin aloittelevamman tietokoneen käyttäjän käytettävissä) on suoritettava manuaalisesti.


Mitä se kannattaa, tein paljon tutkimusta enkä löytänyt ratkaisua.

Joten loin oman HTML: n, jQueryn ja kankaan avulla. Se ei ole kaunis, mutta se ei vaadi paljon työtä, koska toiminnot ovat yksinkertaisia: Kun napsautat solmua, näytä sen reunat ja niihin liittyvät painot.


Ilmainen avoimen lähdekoodin Mac -tekoälyohjelmisto

Discuss.io tarjoaa kokonaisvaltaisen kuluttajakeskustelualustan, jossa yhdistyvät alan johtava video ja laadukkaat tutkimusvälineet.

BugHerd on web -kehittäjien suunnittelema ja rakentama kehittäjille, suunnittelijoille, markkinoijille ja projektipäälliköille.

Koneoppimisohjelmisto tiedonlouhintaongelmien ratkaisemiseksi

JTDS - SQL Server- ja Sybase JDBC -ohjain

Tesseract OCR

Armadillo

nopea C ++ -kirjasto lineaariselle algebralle ja tieteelliselle laskennalle

Keskittää ja virtaviivaistaa välillisten verojen hallintaa koko yrityksessä.

TensorFlow

TensorFlow on avoimen lähdekoodin kirjasto koneoppimiseen

LabelImg

Graafinen kuvan merkintätyökalu ja tarraobjektin rajauslaatikot

Robokoodi

Robocode on Java -ja .NET -ohjelmointisäiliöpeli

AirSim

Unreal Engineen rakennettu simulaattori droneille, autoille ja muille

Tietokoneen visio -huomautustyökalu (CVAT)

Vuorovaikutteinen video- ja kuvamerkintatyökalu tietokoneen näkemiseen

Zoho Assist, all-in-one-etäkäyttöratkaisusi, auttaa sinua käyttämään ja hallitsemaan etälaitteita.

Keras

Python-pohjainen hermoverkkojen sovellusliittymä

Neural Network Intelligence

AutoML -työkalupakki automatisoi koneoppimisen elinkaaren

OpenFace

Uusin kasvojen käyttäytymisen analysointityökalupakki

CLIPS -sääntöpohjainen ohjelmointikieli

Kasvojen tunnistus

Maailman yksinkertaisin kasvojentunnistusohjelma Pythonille ja komentorivin vahvistaminen


Neurotieteilijät visualisoivat hermopiirejä kerralla saavuttamattomissa syvyyksissä

Kuva 2: Fluoresoivasti leimattujen neuronien visualisointi suorakulmaisessa tilavuudessa, joka kattaa aivokuoren ja hippokampuksen solut. Tämä kuva otettiin erikoislinssillä, joka mahdollistaa tunkeutumisen 4 millimetrin syvyyteen aivopinnan alapuolella. Luotto: 2011 Atsushi Miyawaki

Wakon RIKEN Brain Science Institute -tutkijoiden äskettäinen läpimurto biologisten näytteiden valmistelussa voi antaa Astro Boy ’s ‘x-ray vision ’: lle rahansa. Käsittelemällä kudosnäytteitä helposti valmistettavalla kemikaaliseoksella, Atsushi Miyawaki, Hiroshi Hama ja heidän kollegansa voivat tehdä aivot ja muut kudokset kirkkaiksi kuin lasi, mikä on palautuva muutos, joka antaa tutkijoille esteetön näkymä fluoresoivasti leimattujen solujen sisällä1 .

Käytettävissä olevan tekniikan rajat ovat vuosikymmenien ajan estäneet yritykset kartoittaa aivojen huimaavia käänteitä. Neurotieteilijät ovat saavuttaneet jonkin verran menestystä yksinkertaisemmissa organismeissa, kuten mato tai kärpäsi, käyttämällä pieniä teriä kuorimaan peräkkäin erittäin ohuet kudosliuskat, jotka voidaan sitten kuvata elektronimikroskopian avulla ja koota uudelleen laskennallisesti. Tämä lähestymistapa on kuitenkin aivan liian työläs ja aikaa vievä niin monimutkaisen järjestelmän kuin nisäkkään hermoston järjestelmän jälleenrakentamiseen.

Viimeaikaiset läpimurrot optisen mikroskopian tekniikassa ja nopeasti kasvava moniväristen fluoresoivien proteiinien arsenaali ovat antaneet tutkijoille tehokkaita uusia työkaluja aivojen kartoittamiseen. Rajoittamalla tiettyjen fluoresoivien etikettien ilmentymisen tiettyihin solujen osajoukkoihin, voidaan selvästi visualisoida hermopiirit niiden luonnollisessa, kolmiulotteisessa kontekstissa, mutta aivojen tiheä kudos pyrkii hajottamaan valoa, mikä rajoittaa syvyyttä, johon tällaiset kuvantamisstrategiat voivat tunkeutua.

Useat tutkimusryhmät ovat kehittäneet ‘puhdistusaineita ’, jotka parantavat biologisten näytteiden läpinäkyvyyttä, kuten bentsyylialkoholi/bentsyylibentsoaatti (BABB) ja oma ratkaisu, joka tunnetaan nimellä FocusClear, mutta jokaisella on merkittäviä rajoituksia. “BABB on orgaaninen liuotin, joka vaatii näytteiden kuivumisen puhdistamista, ” sanoo Miyawaki. Hän lisää, että tällainen hoito voi merkittävästi vähentää näytteen kokonaisfluoresenssia, ja#147ja FocusClear ei tyhjennä hiiren aivonäytteitä [helposti]. ” Näin ollen hänen tiiminsä kehittämä reagenssi, jota he kutsuvat ‘Scale ’, voivat avata uusia rajoja hiiren aivojen kuvantamisessa.

Vaaka syntyi alun perin odottamattomasta, sattumanvaraisesta havainnosta, että polyvinylideenifluoridimateriaalista koostuvat kalvot, jotka tavallisesti muistuttavat valkoisen paperin arkkia, muuttuvat täysin läpinäkyviksi, kun ne liotetaan korkean pitoisuuden urealiuokseen. Tämän ratkaisun avulla Miyawaki ja hänen kollegansa pääsivät ScaleA2: een, seokseen, joka saavuttaa saman saavutuksen biologisten kudosten kanssa.

ScaleA2 voi tehdä hiiren aivot olennaisesti läpinäkyviksi kahden viikon kuluessa (kuva 1). Tämä hoito aiheuttaa myös kudoksen turpoamisen vedenoton seurauksena, mutta tutkijat päättivät, että näytteet säilyttävät yleisen muodonsa ja mittasuhteensa, mikä viittaa siihen, että tämä laajentuminen ei vaikuta merkittävästi kuvattujen solurakenteiden järjestelyyn.

Kuvantamismenetelmänsä ensimmäisessä testissä Miyawaki ja hänen kollegansa havaitsivat, että ScaleA2-käsitellyissä näytteissä olevat solut säilyttivät täysin fluoresoivat etiketit, kun taas BABB: llä käsitellyt kudokset antoivat huomattavasti heikentyneen signaalin. Vielä tärkeämpää on, että ScaleA2: n indusoima läpinäkyvyys antoi tutkijoille mahdollisuuden visualisoida paljon syvemmälle aivoihin kuin ennen, vaikka he käyttäisivät tavanomaisia ​​ja#145one-fotoni -mikroskooppisia lähestymistapoja, jotka ovat tyypillisesti alttiita sironnalle ja taustakuvan häiriöille.

“Vaikka kahden fotonin viritysfluoresenssimikroskopian kuvantamissyvyysraja on yleensä noin 0,7 millimetriä aivoissa, pystyimme kuvaamaan fluoresoivia neuroneja skaalalla 2 millimetrin syvyyteen aivopinnan alapuolella, Miyawaki sanoo. Suunnittelemalla erikoistuneen mikroskoopin linssin he pystyivät tunkeutumaan vielä kauemmaksi ennennäkemättömään 4 millimetrin työskentelyetäisyyteen aivopinnan alapuolelle (kuva 2). ScaleA2: lla saatu yksityiskohtien taso osoittautui riittäväksi tutkijoille kartoittaakseen aksonaalisia yhteyksiä korpukalvon neuronien välillä, sillan aivojen ja pallonpuoliskojen välillä, ja antoi heille mahdollisuuden analysoida hermosolujen ja verisuonten välistä vuorovaikutusta kehittyvissä hiiren aivot.

Kuva 1: Kahden viikon ScaleA2 -hoidon jälkeen hiiren aivot ovat riittävän läpinäkyvät (vasemmalla), jotta ne voidaan helposti kulkea lasersäteen valolla (oikealla). Luotto: 2011 H.Hama et ai.

Koska kaikki näytteet eivät ole samanarvoisia, Miyawaki ja hänen kollegansa kokeilivat myös vaihtoehtoisia Scale -formulaatioita erikoistuneisiin kuvantamissovelluksiin. Yksi näistä, ScaleU2, vaatii pidemmän näytteen inkuboinnin, mutta johtaa vähemmän kudoksen laajentumiseen, joten se voi tarjota etuja käytettäväksi alkionäytteiden tai muiden hauraiden kudosten kanssa. Alustavassa kokeessa 13,5 päivän ikäisille hiiren alkioille tutkijat käyttivät ScaleU2: ta visualisoidakseen aktiivisen solujakautumisen alueita diencephalonissa ja#151a-osassa aivoja.

Tärkeää on, että Scale -hoidon vaikutukset osoittautuivat täysin palautuviksi, ja selvityksestä toipuneet näytteet osoittautuivat erottamattomiksi epäselvistä vastineistaan, mikä vahvistaa tämän hoidon vähäisen vaikutuksen kudosrakenteeseen.

Selkeä näkymä tulevaisuuteen

Jotkut tutkijat ovat suunnitelleet erityisen kunnianhimoisia strategioita hermopiirin kartoittamiseksi, kuten Harvardin lääketieteellisessä koulussa kehitetty ‘Brainbow ’ -hiiri, joka yhdistää suuren määrän erilaisia ​​fluoresoivia proteiineja ja tekee hiiren aivoista häikäisevän valonäyttelyn, jossa lähes jokainen neuroni erottuu selvästi naapureistaan. Miyawaki uskoo, että skaalan pitäisi täydentää täydellisesti näitä ponnisteluja. “ Kaikki fluoresoivat proteiinit, joita olemme tähän mennessä testanneet, kestävät suuria ureapitoisuuksia, ja niiden pitäisi olla käyttökelpoisia, ” hän sanoo, “ja niin tämän lähestymistavan pitäisi olla yhteensopiva Brainbowin kanssa. ”

Hänen tiiminsä on jo mukana yhteistyössä Scalen soveltamiseksi hiirien kohdistettuihin tutkimuksiin. Vaikka tähän mennessä kuvattu työ on keskittynyt geneettisesti ilmenneisiin fluoresoiviin markkereihin, tämän lähestymistavan tulisi olla yhteensopiva myös muiden merkintämenetelmien kanssa. Kun tällaiset tekniikat on kehitetty, asteikon pitäisi osoittautua tehokkaaksi työskenneltäessä suurempien kudosnäytteiden kanssa, jotka on saatu lajeilta, jotka eivät ole helposti alttiita geneettiselle muuntamiselle, kuten kädellisiltä.

Suurin Miyawakin tällä hetkellä havaitsema rajoitus on tarve työskennellä ‘dead ’ -kudoksen kanssa, mutta hän ehdottaa, että jopa tämä saattaa muuttua. “Skaala rajoittuu tällä hetkellä kiinteisiin biologisiin näytteisiin, ” hän sanoo, “mutta jossain vaiheessa tulevaisuudessa saattaa esiintyä ‘live Scale ’. ”


Ilmainen avoimen lähdekoodin Windowsin tekoälyohjelmisto

Työnnä laskut ja tilauslaskut helposti kirjanpitojärjestelmääsi.

Kokonaisvaltainen hyvinvointiteknologia #1

Koneoppimisohjelmisto tiedonlouhintaongelmien ratkaisemiseksi

DeepFaceLab

Johtava ohjelmisto syväväärennösten luomiseen

Ohjelmointi ilman koodaustekniikkaa

Luo ohjelmisto kirjoittamatta yhtä koodiriviä

JTDS - SQL Server- ja Sybase JDBC -ohjain

Yhdistä heti ja suoraan yleisöösi laajamittaisella tekstiviestillä.

Tesseract OCR

Armadillo

nopea C ++ -kirjasto lineaariselle algebralle ja tieteelliselle laskennalle

TensorFlow

TensorFlow on avoimen lähdekoodin kirjasto koneoppimiseen

LabelImg

Graafinen kuvan merkintätyökalu ja tarraobjektin rajauslaatikot

Robokoodi

Robocode on Java -ja .NET -ohjelmointisäiliöpeli

Isännöity kassalle, sovellusliittymän integrointiin tai verkkokaupan laajennukseen - me autamme sinua.


Kuinka visualisoida hermoverkko

Haluan piirtää dynaamisen kuvan hermoverkolle katsomaan painojen muuttumista ja neuronien aktivoitumista oppimisen aikana. Kuinka voisin simuloida prosessia Pythonissa?

Tarkemmin sanottuna, jos verkon muoto on: [1000, 300, 50], haluan piirtää kolmikerroksisen NN: n, joka sisältää vastaavasti 1000, 300 ja 50 neuronia. Lisäksi toivon, että kuva voisi heijastaa neuronien kylläisyyttä jokaisella kerroksella kunkin aikakauden aikana.

Minulla ei ole aavistustakaan miten se tehdään. Voiko joku valaista minua?


Keskustelu

Tässä tutkimuksessa loimme fasettiatlan järjestämään ja tekemään yhteenvedon fasettitason persoonallisuuspiirteiden mittaamisen nykytilasta. Tämän atlasin hyödyllisyyden havainnollistamiseksi tutkimme yhdistettyjen puolien esiintyvyyttä, tunnistimme ydin- ja perifeeriset piirteet kullekin suurelle viidelle ja tutkimme, miten tutkijat voivat käyttää tätä kasvopohjaista atlasta ymmärtämään paremmin tiettyjä rakenteita ja mittauksia. Seuraavassa keskustelemme tämän tutkimuksen vaikutuksista sovellettuun persoonallisuuden arviointiin ja käsitteelliseen ymmärrykseemme persoonallisuuden piirteiden rakenteesta.

Sekoitettujen puolien yleisyys

Useimmat asteikot (59%) sisälsivät useiden Big Five -verkkotunnusten yhdistelmän. Vaikka emme todellakaan ole ensimmäisiä, jotka huomauttavat yksinkertaisen rakenteen puutteesta persoonallisuushierarkiassa (ks. [11,15,30]), perus- ja soveltavat persoonallisuustutkijat näyttävät haluttomilta sisällyttää tämän monimutkaisen, sekoitetun todellisuuden persoonallisuuden arviointiin ja teoriaan, Kuten todistaa yksinkertainen rakenne, joka sisältyy useimpiin ei-kiertokulkuisiin persoonallisuusmittauksiin (esim. [8,10,12]). Sekoitetun sisällön yleisempi tunnustaminen kokonaisvaltaisesti asteikkoasteikolla voi lisätä toimenpiteiden välistä yhteensopivuutta ja parantaa rakenteellisia teorioita.

Tulokset osoittivat myös, että kolme erityistä verkkotunnusyhdistelmää esitettiin yleisesti sekoitusten kautta. Yksi näistä, miellyttävyyden ja ekstraversion välinen sekoitus, heijastaa tunnettua ihmissuhdekiertoa [23]. Kaksi muuta sekoitusta, sopivuuden ja neuroottisuuden sekä tunnollisuuden ja avoimuuden välillä, olivat myös yleisiä, mutta niihin on kiinnitetty vähemmän empiiristä huomiota. Hyväksyttävyyden ja neuroottisuuden sekoitukset voivat muodostaa kehityksen, joka mittaa ihmissuhteiden affektiivisia taipumuksia [31]. Tällaisen kierteen käsitteellistäminen voi olla hyödyllistä ihmissuhdeongelmien diagnosoinnissa ja hoidossa. Tunnollisuuden ja avoimuuden sekoitus voi muodostaa kehityksen ihmisen arvojärjestelmän ympärille (korkea C korkea O = egokehitys, korkea C matala O = jäykkyys, alhainen C korkea O = epätavanomainen, matala O matala C = irtautuminen). Tämä kehityskulku voi olla hyödyllinen persoonallisuuden humanististen näkökohtien ymmärtämisessä ja voi auttaa syntetisoimaan viiden suuren persoonallisuustutkimuksen egon kehitystä koskevan tutkimuksen kanssa (esim. [63]).

Kaksi erityistä kasvojen sekoitustyyppiä, ekstraversion ja avoimuuden sekä sopivuuden ja tunnollisuuden välillä, olivat harvinaisia ​​tässä kasvopaneelissa. Tämä havainto oli suhteellisen yllättävä, koska nämä kaksi verkkotunnusparia liittyvät tyypillisesti toisiinsa [4, 13]. Ekstraversion ja avoimuuden osa -alueiden välinen sekoitusten vähäisyys ei näytä heijastavan tyhjää tilaa, koska tunnistimme muutamia positiivisia sekoituksia (TCI: n etsivä kiihottavuus ja AB5C -johtajuus) ja muutamia vastakkaisia ​​sekoituksia (AB5C -introspektio ja sosiaalisuus). Myös aiemmat kiertotutkimukset ovat myös havainneet, että kekseliäisyyttä, luovuutta ja rohkeaa johtajuutta mittaavat piirteet mittaavat yhdistelmän suurta avoimuutta ja suurta ekstraversiota [30,64]. Pikemminkin näyttää siltä, ​​että ekstraversion ja avoimuuden sekoituksia mittaavat asteikot ovat vain harvinaisia. Näiden piirteiden yhdistelmän nimenomaisesti mittaavien mittakaavojen kehittäminen voi olla hyödyllistä, koska ne muodostavat plastisuuden metatyypin ja on teoreettisesti toiminut rinnakkain osana lähestymistapaa [65]. Vertailun vuoksi se, että sopivuuden ja tunnollisuuden välillä ei ole sekoitettua sisältöä, voi heijastaa ominaispiirteitä, jotka ovat välttämättä harvinaisempia. Löysimme yhden negatiivisen sekoituksen (AB5C -järkevyys) ja kolme positiivista sekoitusta (AB5C -velvollisuus, AB5C -moraali ja HEXACO -oikeudenmukaisuus), ja muut tutkimukset ovat vastaavasti kamppailleet tunnistamaan sekoitettua sisältöä näiden kahden piirteen välillä [65]. Huomaamme, että jokainen näistä neljästä piirteestä merkitsee jonkinlaista ihmissuhteisiin keskittyvää sääntöjen noudattamista, mikä on yleistä käytöstä jokapäiväisessä elämässä, mutta ei näytä olevan hyvin koodattu vakaiden yksilöllisten erojen kielelle (mistä on osoituksena se, että me ei pysty tunnistamaan yksittäistä adjektiivitermiä kuvaamaan tällaista käyttäytymistä). Tuleva tutkimus voi haluta syventyä persoonallisuustilaan, jossa on miellyttävyyden ja tunnollisuuden yhdistelmä, ja kehittää mittakaavoja, jotka mittaavat tätä sisältöä nimenomaisesti. Tämä voisi parantaa kattavampaa lähestymistapaa persoonallisuuden arviointiin.

Kunkin toimialueen ytimet

Tunnistimme kunkin Big Five -verkkotunnuksen ydin- ja perifeeriset puolet laskemalla kunkin osa -alueen vahvuuden vastaavassa verkossa. Heterogeeninen puolien joukko luonnehti viittä verkkotunnuksen ydintä. Esimerkiksi tunnollisuuden ydin sisälsi sisältöä mittaavia puolia, kuten mestaruus, määrätietoisuus ja organisointi. Nämä havainnot tunnistavat jingle- ja jangle -tapauksia puolien nimissä. Esimerkiksi AB5C sosiaalisuus sijaitsi ekstraversion ja JPI: n ytimessä sosiaalisuus oli reuna -alueella, vaikka heillä on sama nimi. Tämä havaintomalli korostaa myös luontaista vaikeutta tunnistaa yksi käsitteellinen "ydin" kullekin suuresta viidestä laaja -alueesta. Pikemminkin verkkotunnuksen ydin voidaan parhaiten ymmärtää kokonaisuutena, ja osa -alueet voidaan sijoittaa suhteellisin ehdoin (esim. "Enemmän ydintä" tai "reuna -alueita" kuin toinen puoli).

Havaitsimme myös, että kussakin verkkotunnuksessa verkon keskitettävyysarviot korreloivat suuresti kyseisen verkkotunnuksen tekijäkuormitusten absoluuttiseen arvoon (rs = .71-.86). Tämän korrelaation laajuus, vaikkakin pienempi kuin näiden kahden parametrin väliset lähes yhtenäisyyden korrelaatiot simulointitutkimuksissa [66], viittaa siihen, että samanlaisia ​​tietoja saadaan molemmista analyyseistä (huomaamme, että simulaatiot arvioivat verkkoja osittaisten korrelaatioiden perusteella , kun taas arvioimme verkkoja täydellisten korrelaatioiden perusteella). Suurin ristiriidan lähde näiden kahden arvioinnin välillä johtuu todennäköisesti siitä, että tekijäanalyysi esittää yhteenvedon siitä, kuinka näkökohdat ovat samankaltaisia ​​niiden yhdistämisessä yhteen laajempaan Big Five -alueeseen, kun taas vahvuuskeskeisyysarviot tiivistävät kaikki samankaltaisuuden ja kunkin parin väliset erot puolia. Esimerkiksi TCI: n sosiaalinen hyväksyntä ja AB5C -empatia kuormittavat voimakkaasti piilevää sopivuustekijää, mutta tämä yhteys vahvistuu entisestään jaetun avoimuuden jaetun toissijaisen kuormituksen ansiosta, joka näkyy vain verkon vahvuusarvioissa. Kaiken kaikkiaan tämä päällekkäisyys tekijäanalyyttisten ja verkkoanalyyttisten tulosten välillä viittaa siihen, että näillä kahdella menetelmällä on monia ominaisuuksia, varsinkin kun verkkoanalyysit perustuvat poikkileikkauskorrelaatioihin.

Kunkin alueen kehät

Vaikka suurta huomiota on kiinnitetty kunkin viiden suuren verkkotunnuksen ytimien tunnistamiseen, tämä tutkimus oli yksi ensimmäisistä, joka tutki viiden verkkotunnuksen reuna -alueita. Tulokset osoittivat, että kukin verkkotunnus sisälsi merkittävää oheismateriaalia, joka katettiin muutamilla toimenpiteillä. Aiempien tutkimusten [34, 36] ohella tämä viittaa siihen, että useimpien nykyaikaisten persoonallisuusmittarien sisältö on kattava. Esimerkiksi NEO-PI-R ja HPI luottamus, sopivuuden osa, mutta muut EKPJ: n hierarkkiset persoonallisuusmittarit eivät. Nämä erot oheislaitteiden kattavuudessa voivat johtua osittain niistä kohtuullisista korrelaatioista, jotka on raportoitu saman Big Five -alueen eri mittauksissa (esim. r = 0,66 [10]). Tulevaisuuden tutkimus, joka keskittyy piirrealueiden reuna -alueille, voi auttaa ratkaisemaan eri mittareiden eroja verkkotunnusten pisteissä, selventämään, kuinka eri välineet ovat enemmän tai vähemmän tehokkaita tiettyjen piirteiden huomioon ottamisessa, ja parantamaan pyrkimyksiä arvioida kokonaisvaltaisesti persoonallisuutta.

Rajoitukset

Tämän tutkimuksen suurimmat rajoitukset liittyvät EKPJ: n kokoonpanoon. Näyte on etnisesti homogeeninen. Yli 98% osallistujista on valkoisia, kaikki ovat amerikkalaisia ​​ja useimmat ovat keski-ikäisiä. Koska persoonallisuuspiirteiden rakenne, etenkin sivutasolla, ei yleisty eri kulttuureissa [67] tai ikäryhmissä [68], tutkijoiden tulee olla varovaisia, kun yleistetään tätä atlasia eri ihmisryhmille. Laajemman näkökulman mukaan ESCS: ää on käytetty paljon aiemmissa persoonallisuuden rakennetutkimuksissa (esim. [10, 12, 30)]), koska osallistujat ovat suorittaneet niin monenlaisia ​​persoonallisuusmittauksia. Tämän liiallisen riippuvuuden valitettava sivuvaikutus ESCS: ään ja samankaltaisiin näytteisiin on se, että persoonallisuuden rakennetutkimuksemme sulkee usein pois laajemmat ei -valkoiset populaatiot jopa Yhdysvalloissa. Tämän korjaamiseksi tulevassa työssä, jossa kerätään persoonallisuuden rakenteen tutkimiseen käytettyjä tietoja käyttämällä monia puoliasteikkoja, on keskityttävä aktiivisesti näytteen monimuotoisuuteen (kuten [69]). Odotamme innokkaasti tulevia, edustavampia karttoja.

Lisäksi kaikki tämän tutkimuksen välineet olivat itseraportoitavia kyselylomakkeita, ja tulokset voivat vaihdella käytettäessä eri menetelmää. Lisäksi jotkin viiveasteikot mitattiin muutamilla kohteilla, ja tämä lyhyys lisää mittausten epäluotettavuutta. Korjasimme tämän käyttämällä kunkin asteikon alfa -luotettavuutta, mutta tämä karkea korjaus on suhteellisen konservatiivinen eikä välttämättä palauta jokaista korrelaatiota sen todelliseen suuruuteen. Näin ollen lyhyillä asteikoilla mitattujen puolien väliset korrelaatiot voivat olla jonkin verran heikentyneet.


Keras -mallin visualisoimiseksi mielestäni on parasta, jos keskustelemme siitä ensin.

Tänään visualisoimme Convolutional Neural Network -verkon, jonka loimme aiemmin osoittaaksemme CNN: n käytön edut tiheästi yhdistettyihin.

Tämä on kyseisen mallin koodi:

Suosittelen, että luet viestin, jos haluat ymmärtää sen hyvin syvästi, mutta kerron sen lyhyesti täällä.

Se yksinkertaisesti luokittelee MNIST -tietojoukon. Tämä aineisto sisältää 28 x 28 pikselin kuvia numeroista tai numeroista 0 ja 9 välillä, ja CNN luokittelee ne hämmästyttävän 99%: n tarkkuudella. Se tekee niin yhdistämällä kaksi konvoluutiolohkoa (jotka koostuvat kaksiulotteisesta konvoluutiokerroksesta, kaksiulotteisesta maksimipoolista ja pudotuksesta) tiheästi yhdistettyihin kerroksiin. Se on molempien maailmojen paras tulkinnan kannalta ja tuottaa lopullisia ennusteita.


Tutkijat kehittävät tekniikan käyttäytymisen taustalla olevien hermostotoimintojen visualisoimiseksi ja hallitsemiseksi

Kaavamainen piirustus Cal-Light-järjestelmästä. M13 ja kalmoduliiniproteiinit fuusioidaan TEV-proteaasin (TEV-C ja TEV-N) vastaavasti c-päähän ja n-päähän. Kun Ca2+ syntyy sytosolissa, M13 ja kalmoduliini sitoutuvat toisiinsa ja sen jälkeen TEV-C ja TEV-N saavat takaisin proteolyyttiset toiminnot. TEV-proteaasi ei kuitenkaan voi tunnistaa TEVseqia helposti pimeässä tilassa, koska TEVseq on lisätty AsLOV2 J-helixin c-päähän. Sininen valo aiheuttaa J-helixin konformaation muutoksen, jolloin TEVseq paljastuu. Pilkottu tTA siirtyy ytimeen ja käynnistää geeniekspression. Luotto: Max Planck Florida Institute for Neuroscience

Siitä lähtien, kun tutkijat alkoivat tutkia aivoja, he ovat kysyneet, voiko heidän havaitsemansa biologia todella liittyä ulkoiseen käyttäytymiseen. Tutkijat rakentavat merkittävää ymmärrystä neuronien biofysikaalisista, molekyyli- ja soluvaihtoehdoista, mutta näiden vuorovaikutusten suora yhdistäminen ulkoiseen käyttäytymiseen on jatkuva haaste tällä alalla. "Neuronien biofysikaaliset ominaisuudet ovat melko tunnettuja", sanoo Hyungbae Kwon, Ph.D., Max Planck Floridan neurotieteen instituutin (MPFI) tutkimusryhmän johtaja. "Emme tiedä hyvin, miten nämä yhteydet ja viestintä laukaisevat käyttäytymisemme."

Tämä on kunnianhimoinen kysymys, jonka tohtori Kwon ja hänen laboratorionsa pyrkivät vastaamaan katsomalla aivoja aivan uudella tavalla. Lehdessä julkaistussa tutkimuksessa Luonnon biotekniikka kesäkuussa 2017, Ph.D. Dongmin Lee ja Jung Ho Hyun, Ph.D., tohtorin tutkijat Kwon Labissa, kuvaavat uutta työkalua, jonka he ovat kehittäneet neuronien tunnistamiseksi ja hallitsemiseksi. Uusi tekniikka, nimeltään Calcium and Light-Induced Gene Handling Toolkit tai "Cal-Light", mahdollistaa tutkijoiden havaita ja manipuloida käyttäytymisen taustalla olevia hermoaktiviteetteja ennennäkemättömällä spesifisyydellä ja toivottavasti antaa tutkijoille mahdollisuuden tunnistaa syy-yhteys hermoston toiminnan ja käyttäytymisen välillä .

Tähän asti tutkijat, jotka halusivat tarkkailla hermosolujen toimintaa reaaliajassa, käyttivät usein kalsiumkuvantamismenetelmää. Tekniikka hyödyntää sitä tosiasiaa, että aktiivisesti ampuvat neuronit saavat kalsiumia. Kalsiumionien merkitseminen fluoresoivalla väriaineella helpottaa niiden palaamista reaaliajassa, mutta se ei sido niitä tiettyihin hermosolupopulaatioihin.

Max Planck Floridan neurotieteen instituutin tutkijat ovat kehittäneet työkalun neuronien tunnistamiseen ja hallintaan. Uusi tekniikka, nimeltään Calcium and Light-Induced Gene Handling Toolkit tai "Cal-Light", mahdollistaa tutkijoiden havaita ja manipuloida käyttäytymisen taustalla olevia hermoaktiviteetteja ennennäkemättömällä spesifisyydellä ja toivottavasti antaa tutkijoille mahdollisuuden tunnistaa syy-yhteys hermoston toiminnan ja käyttäytymisen välillä . Luotto: Max Planck Florida Institute for Neuroscience

Perustuen perinteiseen kalsiumkuvantamiseen ja viimeaikaisiin optogeneettisiin tekniikoihin neuronaalisen aktiivisuuden manipuloimiseksi, Cal-Light-järjestelmä yhdistää fluoresoivan geenin ilmentymisen sekä aktiivisuuteen että valoon. Neuronit fluoresoivat vain, jos ne ampuvat ja tutkija antaa heille erityisen valon. Jos tutkija sammuttaa valon, neuronit lakkaavat fluoresoimasta, mikä lisää merkittävästi signaali-kohinasuhdetta ja ajallista spesifisyyttä. Kun tutkijat tunnistavat Cal-Lightin avulla tiettyyn toimintaan osallistuvan solupopulaation, he voivat käyttää optogenetiikkaa näiden solujen manipulointiin. Näin he voivat leikata käyttäytymistä uskomattoman tarkasti ja mahdollisesti jopa auttaa kehittämään todisteita syy -yhteyksistä.

Osoittaakseen Cal-Light-tekniikan olevan tehokas, tohtori Kwonin ryhmä testasi sitä ensin soluviljelmässä ja sitten in vivo hiirimallissa. Mallissa tiimi käytti tekniikkaa tunnistaakseen, merkitsemään ja manipuloimaan motorisen kuoren neuronipopulaatiota, joka ampui, kun hiiri työnsi vipua saadakseen palkinnon vastauksena ärsykkeeseen. Kun kiinnostuksen kohteena olevat neuronit oli tunnistettu ja merkitty, hänen tiiminsä esittivät ärsykkeen hiirelle estäen samalla optogeneettisesti neuroniryhmän. Kun solut estettiin, hiiri ei enää painanut vipua, mikä osoitti, että näiden solujen aktiivisuus oli tarpeen hiirelle käyttäytymisen suorittamiseksi.

(TOP) Oppimiseen liittyvän hermosolupopulaation merkitsemiseksi koulutimme vesirajoitettuja hiiriä oppimaan toistuvan vivun painamiskäyttäytymisen vesipalkkioiden saamiseksi. Kuituoptiikkaa istutettiin M1 -alueen molemmille pallonpuoliskoille ja sininen laser oli ohjelmoitu kytkeytymään päälle 5 sekunniksi aina, kun hiiret painavat vipua. Kun valo oli päällä 5 sekuntia, seuraava sininen valo oli kielletty seuraavien 25 sekunnin ajan, vaikka hiiret painivat vipua. (ALA) Edustavia kuvia hiiren aivoista, jotka on koulutettu sinisen valon kumulatiivisella G / R -jakaumalla tai ilman sitä (vain valo: n = 448 solua / 8 hiirtä Vain aktiivisuus: n = 585 solua / 9 hiirtä valo + aktiivisuus: n = 504 solua / 11 hiirtä) ja yhteenveto laatikkokaaviosta G / R (vain valo: 0,32 & plusmn 0,09, n = 448 Vain aktiivisuus: 0,36 & plusmn 0,11, n = 585, p = 0,34 valo + aktiivisuus: 1,1 + plusmn 0,97, n = 504, s

Tämä äskettäin kehitetty tekniikka tarjoaa ennennäkemättömän mahdollisuuden merkitsemällä tiettyjä toimintoja ohjaavia neuroneja ja tarjoamalla keinoja niiden hallitsemiseksi. Tohtori Kwonin mukaan "Cal-Light-tekniikka tarjoaa mahdollisuuden hajottaa hermopiirit, jotka ovat monimutkaisen käyttäytymisen, tuntemuksen ja kognition taustalla, ja esittelee uuden tavan lähestyä monimutkaisia ​​kysymyksiä neurotieteessä."


1. Esittely

Kuva 1: Esimerkki visualisointimenetelmästämme: selittää, miksi DCNN (GoogLeNet) ennustaa "kakadua". Näytetään todisteet (punaisella) ja (sinisellä) ennusteella. Näemme, että kakadun kasvonpiirteet tukevat eniten päätöstä, ja kehon osat näyttävät olevan todisteita sitä vastaan. Itse asiassa luokittelija pitää niitä todennäköisesti todisteena toiseksi eniten pisteitä saanut luokka, valkoinen susi.

Viime vuosina syvät hermoverkot (DNN) ovat nousseet valintamenetelmäksi havaintotehtäviin, kuten puheentunnistukseen ja kuvien luokitteluun. Pohjimmiltaan DNN on erittäin monimutkainen epälineaarinen funktio, minkä vuoksi on vaikea ymmärtää, miten tietty luokitus syntyy. Tämä avoimuuden puute on merkittävä este perusteellisen oppimisen omaksumiselle teollisuuden, hallituksen ja terveydenhuollon aloilla, joilla virheiden hinta on korkea.

Jotta voitaisiin toteuttaa yhteiskunnallinen lupaus syvällisestä oppimisesta - esimerkiksi itseohjautuvista autoista tai henkilökohtaisesta lääketieteestä - on välttämätöntä, että luokittelijat oppivat selittämään päätöksensä, olipa se sitten laboratoriossa, klinikalla tai oikeussalissa. Tieteellisissä sovelluksissa syvien verkostojen oppimien monimutkaisten riippuvuuksien parempi ymmärtäminen voisi johtaa uusiin näkemyksiin ja teorioihin huonosti ymmärretyillä aloilla.

Tässä artikkelissa esittelemme uuden, todennäköisesti todennäköisen metodologian syvien hermoverkkojen tekemien luokituspäätösten selittämiseksi. Menetelmää voidaan käyttää tuottamaan jokaiselle (ilmentymä, solmu) -parille pelastuskartta, joka korostaa syötteen osat (piirteet), jotka muodostavat eniten todisteita annetun (sisäisen tai ulostulosolmun) aktivoinnin puolesta tai sitä vastaan. Katso esimerkki kuvasta 1.

Seuraavissa kahdessa osassa tarkastellaan aiheeseen liittyvää työtä ja esittelemme sitten lähestymistapamme. Osassa 4

Tarjoamme useita demonstraatioita tekniikastamme syviin konvoluutioverkkoihin (DCNN), jotka on koulutettu ImageNet -tietojen perusteella, ja lisäksi miten menetelmää voidaan soveltaa neurodegeneratiivista sairautta sairastavien HIV -potilaiden MRI -aivotutkimusten luokittelussa.


Neurotieteen ohjelmisto

Ohjelmistotyökalut visuaalisen psykofysiikan tutkimukseen. Näiden työkalujen painopiste on amblyopia -tutkimus, mutta niitä voidaan käyttää joissakin niihin liittyvissä visuaalisen neurotutkimuksen tehtävissä.

  • Tiedostonimi: screencontrast2.jar
  • Kirjailija: jpsychovis
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko: 19 Kb
  • Toimii: Windows Mac Linux

Neurospaces on laskennallisen neurotieteen työkalujen kehittämiskeskus. Katso http: //www.neurospaces.

  • Tiedostonimi: developer-prealpha-1.tar.gz
  • Tekijä: neurospaces
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko: 154 Kb
  • Toimii: BSD Linux

NeurAnim on tutkimusapu laskennalliseen neurotieteeseen. Sitä käytetään visualisoimaan ja animoimaan hermoverkkosimulaatioita 3D -muodossa ja tekemään näistä animaatioista elokuvia käytettäväksi esityksissä.

  • Tiedostonimi: neuranim-1.0-win.zip
  • Kirjailija: neuranim
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko: 19,14 Mb
  • Toimii: Linux

PEBL (Psychology Experiment Building Language) on järjestelmä, joka on suunniteltu luomaan psykologiaa ja neurotiede kokeita ja testejä. Se on monialustainen, ja sen tarkoituksena on suorittaa sama kokeilu muuttumattomana Linuxissa, Windowsissa ja Macintoshissa. .

  • Tiedostonimi: PEBL_OSX.0.12.3.zip
  • Kirjailija: pebl
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko: 29,8 Mt
  • Toimii: Windows BSD Linux

Tohtori Jefferson Kinneyn laboratorio -sivusto Nevadan yliopistossa Las Vegasissa, joka on erikoistunut käyttäytymiseen liittyvään neurotieteeseen, oppimiseen ja muistiin sekä mallit Alzheimerin tautia.

  • Tiedostonimi: Kiney Lab
  • Kirjailija: Nathan Van Arsdale
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko:
  • Toimii: Windows

Spiking Neuronal Network Simulator (SpiNNSim) on avoimen lähdekoodin ohjelmistokirjasto laskennallisten neurotiede sovelluksia Java -ohjelmointikielellä. Kehys tukee animaatiota ja samanaikaisuutta.

  • Tiedostonimi: Spiking Neuronal Network Simulator
  • Kirjailija: David Wallace Croft
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko:
  • Toimii: Windows

BBrain -hankkeen tavoitteena on kehittää innovatiivinen neuroverkko, joka perustuu vuoden uusiin havaintoihin Neurotiede ja biologia. Lopullinen tavoite on jäljitellä täydellisiä ja itsetietoisia "aivoja", jotka perustuvat Dennetin ajattelukoulun teorioihin.

  • Tiedostonimi: BBrain
  • Kirjailija: Behshad D God
  • Lisenssi: Freeware (ilmainen)
  • Tiedoston koko:
  • Toimii: Windows

Kokoelma matlab -skriptejä psykologisten kokeiden ja kognitiivisen neurotieteen liittyvän analyysin tueksi.

  • File Name: AronMatlab
  • Author: Mike Claffey
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

OpenGL based , OS-independent C++ library for the presentation of visual stimuli in Neuroscience experiments..

  • File Name: neurostim
  • Author: Bart Krekelberg
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

NeuraPy is now hosted on github This is a collection of Python modules that read files encountered in neuroscience kokeita. Included are modules to read lablib files and modules to read Cyberkinetics Cerebus system .nev and .ns3 files. .

  • File Name: NeuraPy
  • Author: kghose github user
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

Simulator of virtual animals made up of biological neural networks for research in the Computational Neuroscience field..

  • File Name: NeuroLife
  • Author: Gabriel Gonzalez
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

Ablator is a suite of software that automates the microscopic detection of cell targets and also directs a 2-photon microscope to lesion these targets in arbitrary patterns for neuroscience tutkimus. See Hayes et al 2012 for an example of its usage .


Katso video: Ohjausvideo pään magneettikuvaukseen menevälle lapsipotilaalle (Heinäkuu 2022).


Kommentit:

  1. Etchemin

    Tarkalleen! Loistava idea, pidän yllä.

  2. Kesho

    the message Competent :), cognitively ...

  3. Tobrecan

    Sinä, sattumalta, et ole asiantuntija?

  4. Musho

    Sinä sallit virheen. Kirjoita minulle PM, niin hoidamme asian.



Kirjoittaa viestin