چکیده:
این مقاله یک روش جدید برای مدل سازی، شناخت و فهم های داده های فضا- زمانی الکتروانسفالو گرافی و اندازه گیری شناختی پیچیده مغز را در طول فرآیندهای فعالیت ذهنی ارائه می دهد. عنصر کلیدی این است که فعالیت ذهنی از طریق انجام فرآیندهای فضا- زمانی پیچیده مغز بوده و تنها در صورتی می توان آنها را قابل درک دانست که ما مدل درستی داده های طیفی فضایی- زمانی این فرآیند را اندازه گیری کنیم. روش پیشنهادی بر روی شبکه عصبی ،spiking اخیراً ارائه شده است، معماری NeoCube نامیده شده است به عنوان چهارچوب کلی برای مدل سازی داده های فضا- زمان مبتنی بر داده های الکتروانسفالوگرافی است. نتایج مدل سازی داده ها با نرم افزار متلب مورد شبیه سازی انجام گرفته و ارائه شده است
خلاصه ماشینی:
"از طرق یادگیری اطلاعات، اطلاعات سیناپسی جهت بازتاب زمان بندی دقیق تر داده ها از ورودی های حسی اصلاح می شوند و این یکی از اصول SNN است از نسل سوم شبکه های عصبی الهام گرفته از مغز آنرا در نظر گرفته اند روش های SNN برای یادگیری دادها در زنجیره های دسته ای مانند شبکه سیلیکون و دستگاه های حسی سیلیکون حلزونی و محاسبه عصبی ژنتیکی با عملکرد بالا سیستم های مهندسی نروموروفیک توسعه یافته اند مشخصات امیدوار کننده SNN این موارد هستند نمایش فشرده فضا و زمان پردازش سریع اطلاعات و پردازش سریع اطلاعات نمایشی پایه زمانی و پایه فرکانسی اطلاعات همچنین روش هایی ازSNN در شناخت الگوی فضا و زمانی توسعه یافته است از جمله طبقه SNN در حال تحول، برنامه آزمایشی برای تشخیص شی در حال حرکت برنامه شناختی برای طبقه بندی داده های EEG ، محاسبه مخزن SNN، ساختار حالت مایع مدل سازی محدود اتوماتیک.
NECUBE (مکعب نئو) یک نوع جدیدی از معماری محاسباتی است که ایجاد روش های متفاوت در STBD بر پایه ی اصول پردازش اطلاعات را مجاز می سازد: 1- این مدل دارای یک ساختار فضایی است که تقریبا از نواحی منطقه ای مغزی را که در آن STBD جمع آوری شده نقشه برداری می کند.
تمامی اصول بالا مکعب نئو را یک ساختار SNN مناسب جهت کسب و آشکارسازی الگوهای فضایی-زمانی پیچیده در STBD ساخته چون در توسعه روش جدید جهت مدل سازی EEG STBD شناختی همان طور که در بخش فرعی بعدی خلاصه شده انتخاب شده اند."