we used a cluster-based permutation approach50 that is ideallysuited f的简体中文翻译

we used a cluster-based permutation

we used a cluster-based permutation approach50 that is ideallysuited for evaluating the reliability of neural patterns at multiple neighboring datapoints, as in our case along the dimensions of time and (for the spectral analysis)frequency. This approach effectively circumvents the multiple-comparisonsproblem by evaluating clusters in the observed group-level data against a singlepermutation distribution of the largest clusters that are found after randompermutations (or sign-flipping) of the trial-average data at the participant-level. Weused 10,000 permutations and used Fieldtrip’s default cluster-settings (groupingadjacent same-signed data points that were significant in a mass univariate t-test ata two-sided alpha level of 0.05, and defining cluster-size as the sum of all t valuesin a cluster). The P value for each cluster in the non-permuted data is calculatedas the proportion of permutations for which the size of the largest cluster is largerthan the size of the considered cluster in the non-permuted data. When zeropermutations yield a larger cluster (as was the case for all our analyses), this MonteCarlo P value is thus smaller than 1/N permutations (in our case P
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
我们使用了基于聚类的置换方法50,该方法非常<br>适合评估多个相邻数据<br>点的神经模式的可靠性,例如在我们的情况下,沿着时间和(用于频谱分析)<br>频率。这种方法<br>通过针对参与者的试验平均数据进行<br>随机<br>排列(或符号翻转)后发现的最大聚类的单个排列分布,对观察到的组级别数据中的聚类进行评估,从而有效地避免了多重比较问题。水平。我们<br>使用了10,000个排列,并使用了Fieldtrip的默认聚类设置(将<br>在质量单变量t检验中<br>双向alpha级别0.05,并将簇大小定义为簇中所有t值的总和<br>)。非排列数据中每个簇的P值计算<br>为排列的比例,最大排列的簇<br>的大小大于非排列数据中考虑的簇的大小。当零<br>排列产生较大的聚类时(就像我们所有分析的情况一样),因此此蒙特卡洛<br>P值小于1 / N排列(在我们的情况下为P
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
我们使用基于群集的置换方法 50, 这是理想的<br>适合评估多个相邻数据中神经模式的可靠性<br>点,如我们沿时间和(光谱分析)<br>频率。这种方法有效地规避了多重比较<br>通过将观察到的组级数据中的群集与单个<br>随机找到的最大群集的排列分布<br>参与者级别的试用平均数据的排列(或符号翻转)。我们<br>使用了 10,000 个排列,并使用了 Fieldtrip 的默认群集设置(分组)<br>相邻的相同签名的数据点,在质量单变量 t 测试中具有显著意义,<br>双面 Alpha 级别为 0.05,将群集大小定义为所有 t 值的总和<br>在群集中)。计算非置换数据中每个群集的 P 值<br>作为最大群集大小的排列比例<br>比非置换数据中考虑的群集的大小。当零时<br>排列产生一个更大的集群(正如我们所有的分析的情况),这个蒙特<br>因此,Carlo P 值小于 1/N 排列(在我们的案例中 P
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
我们使用了一种基于集群的置换方法50,这是理想的<br>适合于多个相邻数据下神经模式可靠性的评估<br>点,如我们所说的时间维度和(用于光谱分析)<br>频率。这种方法有效地避免了多重比较<br>通过对单个数据评估观察到的组级数据中的簇来解决问题<br>随机后发现的最大簇的排列分布<br>参与者级试验平均数据的排列(或符号翻转)。我们<br>使用10000个置换并使用了Fieldtrip的默认群集设置(分组<br>在质量单变量t检验中,相邻的具有符号的数据点在<br>一个双面alpha级别为0.05,并将集群大小定义为所有t值的总和<br>在集群中)。计算未分配数据中每个群集的P值<br>因为最大簇的大小较大的排列比例<br>大于未分配数据中考虑的群集的大小。零时<br>置换产生了一个更大的簇(就像我们所有分析的情况一样),这个Monte<br>因此,Carlo P值小于1/N置换(在我们的情况下为P<br>
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: