تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

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

عنوان فارسی: توصیف مشخصه حفظ وزن در شبکه های پیچیده کارکردی مغزی
عنوان انگلیسی: Weight-conserving characterization of complex functional brain networks
تعداد صفحات مقاله انگلیسی : 12 تعداد صفحات ترجمه فارسی : 31 (شامل 1 صفحه رفرنس انگلیسی)
سال انتشار : 2011 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده و pdf
نوع مقاله : ISI نوع نگارش : مقالات پژوهشی (تحقیقاتی)
پایگاه : اسکوپوس نوع ارائه مقاله : ژورنال
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
محتوای فایل : zip حجم فایل : 4.32Mb
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
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: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.neuroimage.2011.03.069
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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 متن 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 متن ترجمه

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.