دانلود ترجمه مقاله مدلینگ مخفی مارکوف واکنش به فرکانس جهت تن لغوی ماندارین (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

 

 

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۳۷ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۳۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

مدلینگ مخفی مارکوف واکنش به فرکانس جهت تن لغوی ماندارین

عنوان انگلیسی مقاله:

Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones

 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۳۷ صفحه با فرمت pdf
رشته های مرتبط با این مقاله پزشکی، مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی، شنوایی شناسی یا ادیولوژی
چاپ شده در مجله (ژورنال) مجله متدهای علوم اعصاب – Journal of Neuroscience Methods
کلمات کلیدی یادگیری ماشینی (machine learning)، مدل مخفی مارکوف (hidden Markov model)، پاسخ به فرکانس (Frequency-following response)، انعطاف پذیری (plasticity)، رمزگذاری گام (pitch encoding)
ارائه شده از دانشگاه گروه علوم ارتباطات و اختلالات، دانشکده ارتباطات مودی، دانشگاه تگزاس
نویسندگان Fernando Llanos, Zilong Xie, Bharath Chandrasekaran
شناسه دیجیتال – doi https://doi.org/10.1016/j.jneumeth.2017.08.010
رفرنس دارد  
کد محصول ۳۷۹
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۳۰ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
منابع داخل متن به صورت فارسی درج شده است  

 

فهرست مطالب

نکات برجسته

چکیده

۱٫ مقدمه

۲٫ روش ها

۲٫۱٫ شرکت کنندگان

۲٫۲٫ محرک

۲٫۳٫ کسب داده های الکتروفیزیولوژیک

۲٫۴٫ پیش پردازش داده های الکتروفیزیولوژیک

۳٫ مدلسازی مخفی مارکوف الگوسازی گام عصبی

۳٫۱٫ روند استخراج F0

۳٫۲٫ ۲ توپولوژی تصادفی و کمّی سازی بردار

۳٫۳٫ آموزش، آزمون، و اعتبارسنجی متقابل

۳٫۴٫ روش میانگین گیری

۳٫۵ دستکاری در اندازه آموزش، آزمون و میانگین گیری

۳٫۶٫ صحت و دقت رمزگشایی تُن در طی زمان

۴٫ تجزیه و تحلیل آماری و نتایج

۴٫۱ اعتبارسنجی مجموعه داده های FFR

۴٫۲٫ صحت و دقت رمزگشایی تُن

۴٫۳٫ تفاوت های گروه زبانی

۴٫۴٫ صحت و دقت رمزگشایی تُن در طی زمان

۵٫ بحث کلی

۵٫۱٫ نتایج و نقش آفرینی های عمده

۵٫۲٫ انعطاف پذیری عصبی وابسته به زبان

۵٫۳٫ صحت و دقت رمزگشایی تُن در طی زمان

۵٫۴٫ نتیجه گیری و جهت گیری های آتی

قدردانی

معیارهای اخلاقی

تضاد منافع

 

بخشی از ترجمه

چکیده

سابقه. پاسخ به فرکانس (FFR) پتانسیل الکتروفیزیولوژیک ثبت شده توسط پوست سر می باشد که منعکس کننده فعالیت قفل شده فاز از گروه های عصبی در سیستم شنوایی است. از FFR اغلب برای ارزیابی استحکام پردازش گام زیرقشری استفاده می شود. با توجه به نسبت کم سیگنال به نویز در سطح تک آزمون، FFR معمولاً میانگین هزاران تکرار محرک می باشد. کار پیشین با استفاده از رویکرد مزبور نشان داد که رمزگذاری زیرقشری الگوهای گام زبانی مربوطه توسط تجربیات زبانی درازمدت تعدیل شده اند. روش جدید. ما به بررسی میزان بکارگیری رویکرد یادگیری ماشینی با استفاده از مدلسازی مخفی مارکوف (HMM) برای رمزگشایی دسته بندی های تُن ماندارین از روی فعالیت الکتروفیزیولوژیکی ثبت شده توسط پوست سر می پردازیم. پس از آن میزان ثبت اثرات بیولوژیکی مربوطه (انعطاف پذیری مبتنی بر تجربه زبانی) توسط HMM را ارزیابی می نماییم. بدین منظور، ما FFR را برای چهار تُن ماندارین از ۱۴ چینی زبان بزرگسال بومی و از ۱۴ انگلیسی زبان بزرگسال بومی ثبت نمودیم. ما یک HMM را برای رمزگشایی دسته بندی های تُن از FFR با اندازه میانگین مختلف آماده نمودیم. نتایج و مقایسه با روش های موجود. دسته بندی های تُن با استفاده از HMM با احتمال صحت و دقت بالا رمزگشایی شدند. مقیاس مشتق از HMM (صحت و دقت رمزگشایی) اثر قدرتمند تجربیات زبانی را آشکار ساخت به طوری که FFR حاصل از چینی زبانان بومی دارای صحت و دقت بیشتری از انگلیسی زبانان بومی بود. به صورت خاص، انعطاف پذیری مبتنی بر تجربه زبانی اخذ شده با اندازه میانگین به صورت معنی داری کمتر از میزان استفاده شده آن در ادبیات موجود بود. نتیجه گیری ها. نتایج ما امکان پذیری HMM را در ارزیابی استحکام گام های عصبی نشان داد. رویکردهای یادگیری ماشینی می توانند مکمل روش های تحلیلی موجود باشند که کارکرد شنوایی را به دست آورده و می توانند تعداد آزمایشات مورد نیاز برای اخذ پدیده های بیولوژیکی را کاهش دهند.

 

۵٫۴٫ نتیجه گیری و جهت گیری های آتی

نتایج ما امکان پذیری رویکردهای یادگیری ماشینی را برای توصیف FFR نشان داد که یک نشانگر زیستی نویدبخش برای کارکرد شنوایی محسوب می شود (چاندراسکاران و کراوس، ۲۰۱۰؛ چاندراسکاران و همکاران، ۲۰۱۲؛ چاندراسکاران، اسکو، و کراوس، ۲۰۱۴). نکته مهم آنکه، مطالعه ما نشان داد که مقیاس های مشتق از یادگیری ماشینی می توانند تاثیرات بیولوژیکی مربوطه را در پردازش شنیداری منعکس نمایند. یکی از یافته های ارزشمند آن است که رویکرد یادگیری ماشینی مزبور را می توان برای تعیین کمیت FFR با تعداد آزمون های پایین تر از مقدار گزارش شده در ادبیات موجود استفاده نمود. مطالعاتی که از تُن های ماندارین استفاده می کنند غالباً FFR را برای حداقل ۱۵۰۰ تکرار محرک ثبت می کنند (بیدلمن و همکاران، ۲۰۱۳؛ کریشنان و همکاران، ۲۰۱۰؛ کریشنان و همکاران، ۲۰۰۵؛ وانگ و همکاران، ۲۰۰۷؛ زو و همکاران، ۲۰۰۶). هنگامی که همه تُن ها در نظر گرفته شدند، اثر تجربه زبانی در بیش از ۵۵۰ آزمایش (اندازه آموزش = ۳۵۰، اندازه آزمون = ۲۰۰، اندازه میانگین گیری = ۱۰۰) از نظر آماری قابل اعتماد می گردد (۰٫۰۱ p <). هنگامی که تنها T3 در نظر گرفته شود، این آستانه به سمت ۳۰۰ آزمایش حرکت می کند (اندازه آموزش = ۱۵۰، اندازه میانگین گیری = ۵۷، اندازه آزمون = ۱۵۰).

 

بخشی از مقاله انگلیسی

Abstract

Background. The frequency-following response (FFR) is a scalp-recorded electrophysiological potential reflecting phase-locked activity from neural ensembles in the auditory system. The FFR is often used to assess the robustness of subcortical pitch processing. Due to low signal-to-noise ratio at the single-trial level, FFRs are typically averaged across thousands of stimulus repetitions. Prior work using this approach has shown that subcortical encoding of linguistically-relevant pitch patterns is modulated by long-term language experience. New method. We examine the extent to which a machine learning approach using hidden Markov modeling (HMM) can be utilized to decode Mandarin tone-categories from scalp-record electrophysiolgical activity. We then assess the extent to which the HMM can capture biologically-relevant effects(language experience-driven plasticity). To this end, we recorded FFRs to four Mandarin tones from 14 adult native speakers of Chinese and 14 of native English. We trained a HMM to decode tone categories from the FFRs with varying size of averages. Results and comparisons with existing methods. Tone categories were decoded with above-chance accuracies using HMM. The HMM derived metric (decoding accuracy) revealed a robust effect of language experience, such that FFRs from native Chinese speakers yielded greater accuracies than native English speakers. Critically, the language experience-driven plasticity was captured with average sizessignificantly smaller than those used in the extant literature. Conclusions. Our results demonstrate the feasibility of HMM in assessing the robustness of neural pitch. Machine-learning approaches can complement extant analytical methods that capture auditory function and could reduce the number of trials needed to capture biological phenomena.

 

۵٫۴ Conclusion and future directions

Our results demonstrate the feasibility of machine learning approaches to characterize the FFR, which is considered a promising biomarker of auditory function (Chandrasekaran & Kraus, 2010; Chandrasekaran et al., 2012; Chandrasekaran., Skoe, & Kraus, 2014). Importantly, our study shows that the machine learning derived metrics can reflect biologically-relevant influences on auditory processing. One important finding worth highlighting is that this machine learning approach can be used to quantify FFR with trial numbers well below those reported in the existing literature. Studies using Mandarin tones often recorded FFRs to at least 1500 stimulus repetitions (Bidelman et al., 2013; Krishnan et al., 2010; Krishnan et al., 2005; Wong et al., 2007; Xu et al., 2006). When all tones are considered, the language experience effect becomes statistically reliable (p<0.01) at or above 550 trials (training size = 350, testing size = 200, averaging size = 100). When only T3 is considered, this threshold moves to 300 trials (training size = 150, averaging size = 57, testing size = 150).

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

مدلینگ مخفی مارکوف واکنش به فرکانس جهت تن لغوی ماندارین

عنوان انگلیسی مقاله:

Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones

 

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا