ترجمه مقاله توصیف مشخصه حفظ وزن در شبکه های پیچیده کارکردی مغزی - نشریه الزویر

قیمت خرید این محصول

۴۱,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

توصیف مشخصه حفظ وزن در شبکه های پیچیده کارکردی مغزی

عنوان انگلیسی

Weight-conserving characterization of complex functional brain networks

صفحات مقاله فارسی

31

صفحات مقاله انگلیسی

12

سال انتشار

2011

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده و pdf

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

5.879 در سال 2018

شاخص H_index مجله

320 در سال 2019

شاخص SJR مجله

3.354 در سال 2018

شناسه ISSN مجله

1053-8119

شاخص Q یا Quartile (چارک)

Q1 در سال 2018

کد محصول

9979

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت انگلیسی درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

بیس

است ✓

مدل مفهومی

دارد ✓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در داخل متن و انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

پزشکی، انفورماتیک پزشکی و مغز و اعصاب

مجله

تصویر عصبی - NeuroImage

دانشگاه

بخش تحقیقات بهداشت روان، انستیتوی تحقیقات پزشکی کوئینزلند، استرالیا

کلمات کلیدی

اتصال کارکردی، شبکه های پیچیده

کلمات کلیدی انگلیسی

Functional connectivity - Complex networks

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.neuroimage.2011.03.069

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
مقدمه
روش
ارزیابی پارتیشن های پیمانگی
سهم وزن های مثبت، سهم وزن های منفی، کل پیمانگی
ردیابی پارتیشن های منحنط با پیمانگی بالا
مدل صفر حفظ درجه، وزن و قدرت
نتایج
برازندگی پارتیشن هایی که پیمانگی بالایی دارند
انحطاط پیمانه هایی که پیمانگی آنها زیاد است
خصوصیات مرکزیت ناحیه ای
بحث
منابع

نمونه چکیده متن اصلی انگلیسی

Abstract

Complex functional brain networks are large networks of brain regions and functional brain connections. Statistical characterizations of these networks aim to quantify global and local properties of brain activity with a small number of network measures. Important functional network measures include measures of modularity (measures of the goodness with which a network is optimally partitioned into functional subgroups) and measures of centrality (measures of the functional influence of individual brain regions). Characterizations of functional networks are increasing in popularity, but are associated with several important methodological problems. These problems include the inability to characterize densely connected and weighted functional networks, the neglect of degenerate topologically distinct high-modularity partitions of these networks, and the absence of a network null model for testing hypotheses of association between observed nontrivial network properties and simple weighted connectivity properties. In this study we describe a set of methods to overcome these problems. Specifically, we generalize measures of modularity and centrality to fully connected and weighted complex networks, describe the detection of degenerate high-modularity partitions of these networks, and introduce a weighted-connectivity null model of these networks. We illustrate our methods by demonstrating degenerate high-modularity partitions and strong correlations between two complementary measures of centrality in resting-state functional magnetic resonance imaging (MRI) networks from the 1000 Functional Connectomes Project, an open-access repository of resting-state functional MRI datasets. Our methods may allow more sound and reliable characterizations and comparisons of functional brain networks across conditions and subjects.

نمونه چکیده ترجمه متن فارسی

چکیده
شبکه های پیچیده کارکردی مغزی شبکه هایی بزرگ از نواحی مغزی و اتصالات کارکردی مغزی می باشند. تعیین مشخصات آماری این شبکه ها با هدف تعیین خصوصیات سراسری و محلی فعالیت مغزی از طریق تعداد کمی از اندازه گیری های شبکه ای انجام می شود. برخی از مهمترین اندازه گیری های کارکردی شبکه عبارتند از اندازه گیری پیمانگی شبکه (اندازه گیری میزان بهینگی تقسیم شبکه به زیر گروه های کارکردی) و اندازه گیری مرکزیت (اندازه گیری اثر کارکردی نواحی انفرادی مغز). تعیین مشخصه های شبکه های کارکردی بیش از پیش محبوب شده اند اما با مشکلاتی در زمینه روش مواجه هستند. این مشکلات عبارتند از عدم توانایی در مشخص سازی شبکه های کارکردی با اتصالات متراکم و وزن دار، نادیده گرفتن قسمت هایی متمایز از شبکه که پیمانگی آنها بالا بوده و همچنین، نبود یک شبکه ی صفر (null) برای تست فرضیه ی ارتباط بین خصوصیات با اهمیت و مشاهده شده در شبکه و خصوصیات اتصال وزن دار. در این مطالعه، ما مجموعه ای از روش ها جهت غلبه بر این مشکلات را بررسی می کنیم. ما به طور خاص اندازه گیری پیمانگی و مرکزیت را به شبکه های پیچیده وزن دار با اتصال کامل تعمیم می دهیم، ردیابی قسمت های منحط با پیمانگی بالا در این شبکه ها را توصیف می کنیم و یک مدل صفر با اتصالات وزن دار را برای این شبکه ها معرفی می کنیم. ما روش خود را با نمایش قسمت های منحط با پیمانگی بالا و همبستگی های زیاد بین دو معیار مکمل مرکزیت در شبکه های کارکردی MRI از 1000 کانکتوم (Connectome) کارکردی که مخزنی از دیتاست های کارکردی MRI است، مطرح می نماییم. روش های ما منجر به تعیین منطقی و مطمئن مشخصات و مقایسه ی شبکه های کارکردی مغزی در شرایط و آزمودنی های مختلف می گردند.

برچسب‌ها: دانلود رایگان مقالات انگلیسی پزشکی