دانلود کتاب A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding – رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان

توضیحات

Given a stationary state-space model that relates a sequence of hidden states and corresponding measurements or observations, Bayesian filtering provides a principled statistical framework for inferring the posterior distribution of the current state given all measurements up to the present time. For example, the Apollo lunar module implemented a Kalman filter to infer its location from a sequence of earth-based radar measurements and land safely on the moon.

To perform Bayesian filtering, we require a measurement model that describes the conditional distribution of each observation given state. The Kalman filter takes this measurement model to be linear, Gaussian. Here we show how a nonlinear, Gaussian approximation to the distribution of state given observation can be used in conjunction with Bayes rule to build a nonlinear, non-Gaussian measurement model. The resulting approach, called the Discriminative Kalman Filter (DKF), retains fast closed-form updates for the posterior. We argue there are many cases where the distribution of state given measurement is better-approximated as Gaussian, especially when the dimensionality of measurements far exceeds that of states and the Bernsteinvon Mises theorem applies.

Online neural decoding for brain-computer interfaces provides a motivating example, where filtering incorporates increasingly detailed measurements of neural activity to provide users control over external devices. Within the BrainGate2 clinical trial, the DKF successfully enabled three volunteers with quadriplegia to control an on-screen cursor in real-time using mental imagery alone. Participant T9 used the DKF to type out messages on a tablet PC. Nonstationarities, or changes to the statistical relationship between states and measurements that occur after model training, pose a significant challenge to effective filtering. In brain-computer interfaces, one common type of nonstationarity results from wonkiness or dropout of a single neuron. We show how a robust measurement model can be used within the DKF framework to effectively ignore large changes in the behavior of a single neuron. At BrainGate2, a successful online human neural decoding experiment validated this approach against the commonly-used Kalman filter.

————————————————————–

ترجمه ماشینی :

با توجه به یک مدل حالت-فضای ثابت که دنباله ای از حالت های پنهان و اندازه گیری ها یا مشاهدات مربوطه را به هم مرتبط می کند، فیلتر بیزی یک چارچوب آماری اصولی برای استنباط توزیع خلفی وضعیت فعلی با توجه به تمام اندازه گیری ها تا زمان حاضر فراهم می کند. به عنوان مثال، ماژول قمری آپولو یک فیلتر کالمن را برای استنباط موقعیت آن از توالی اندازه‌گیری‌های رادار مبتنی بر زمین و فرود ایمن روی ماه اجرا کرد. برای انجام فیلتر بیزی، به یک مدل اندازه گیری نیاز داریم که توزیع شرطی هر وضعیت مشاهداتی را توصیف کند. فیلتر کالمن این مدل اندازه گیری را خطی، گاوسی می گیرد. در اینجا نشان می‌دهیم که چگونه می‌توان از یک تقریب غیرخطی گاوسی برای توزیع وضعیت داده‌شده در رابطه با قانون بیز برای ساخت یک مدل اندازه‌گیری غیرخطی و غیر گاوسی استفاده کرد. رویکرد حاصل که فیلتر کالمن متمایز (DKF) نامیده می‌شود، به‌روزرسانی‌های سریع شکل بسته را برای قسمت‌های بعدی حفظ می‌کند. ما استدلال می‌کنیم که موارد زیادی وجود دارد که توزیع اندازه‌گیری حالت داده‌شده به‌عنوان گاوسی بهتر تقریب می‌شود، به‌ویژه زمانی که ابعاد اندازه‌گیری‌ها بسیار بیشتر از حالت‌ها باشد و قضیه برنشتاینون میزس اعمال شود. رمزگشایی عصبی آنلاین برای رابط های مغز و رایانه یک مثال انگیزشی را ارائه می دهد، جایی که فیلتر کردن اندازه گیری های دقیق و فزاینده ای از فعالیت عصبی را در بر می گیرد تا کنترل دستگاه های خارجی را برای کاربران فراهم کند. در کارآزمایی بالینی BrainGate2، DKF با موفقیت سه داوطلب مبتلا به چهار پلژی را قادر ساخت تا مکان نما روی صفحه را در زمان واقعی با استفاده از تصاویر ذهنی به تنهایی کنترل کنند. شرکت‌کننده T9 از DKF برای تایپ پیام‌ها در رایانه لوحی استفاده کرد. غیر ثابت بودن، یا تغییرات در رابطه آماری بین حالت ها و اندازه گیری هایی که پس از آموزش مدل رخ می دهد، چالش مهمی را برای فیلتر کردن موثر ایجاد می کند. در رابط‌های مغز و رایانه، یک نوع متداول غیرایستایی ناشی از انحراف یا افت یک نورون منفرد است. ما نشان می‌دهیم که چگونه می‌توان از یک مدل اندازه‌گیری قوی در چارچوب DKF برای نادیده گرفتن مؤثر تغییرات بزرگ در رفتار یک نورون استفاده کرد. در BrainGate2، یک آزمایش آنلاین موفق رمزگشایی عصبی انسان، این رویکرد را در برابر فیلتر رایج کالمن تأیید کرد.

tag : دانلود کتاب رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان , Download رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان , دانلود رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان , Download A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding Book , رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان دانلود , buy رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان , خرید کتاب رویکردی تبعیض آمیز به فیلتر بیزی با کاربردهای رمزگشایی عصبی انسان , دانلود کتاب A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding , کتاب A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding , دانلود A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding , خرید A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding , خرید کتاب A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding ,