Výsledky vyhledávání - "THESEN, THOMAS"

Akademický článek

Towards precision well-being in medical education.

Autor: Thesen, Thomas^1,2 (AUTHOR) thomas.thesen@dartmouth.edu, Marrero, Wesley J.³ (AUTHOR), Konopasky, Abigail J.¹ (AUTHOR), Duncan, Matthew S.^1,4 (AUTHOR), Blackmon, Karen E.⁵ (AUTHOR)

Publikováno v: Medical Teacher. May2024, p1-5. 5p. 2 Illustrations.

Zobrazit plný text záznamu

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Akademický článek

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Report

Computer modelling of connectivity change suggests epileptogenesis mechanisms in idiopathic generalised epilepsy

Autor: Sinha, Nishant, Wang, Yujiang, Dauwels, Justin, Kaiser, Marcus, Thesen, Thomas, Forsyth, Rob, Taylor, Peter Neal

Publikováno v: NeuroImage.Clinical 21 (2019) 101655

Patients with idiopathic generalised epilepsy (IGE) typically have normal conventional magnetic resonance imaging (MRI), hence MRI based diagnosis is challenging. Anatomical abnormalities underlying brain dysfunctions in IGE are unclear and their rel

Externí odkaz: http://arxiv.org/abs/1807.03696

Zobrazit plný text záznamu

Akademický článek

Ongoing neural oscillations influence behavior and sensory representations by suppressing neuronal excitability

Autor: Iemi, Luca ^{a, b, ⁎}, Gwilliams, Laura ^c, Samaha, Jason ^d, Auksztulewicz, Ryszard ^{e, f}, Cycowicz, Yael M ^{a, b}, King, Jean-Remi ^g, Nikulin, Vadim V ^{h, i}, Thesen, Thomas ^j, Doyle, Werner ^j, Devinsky, Orrin ^j, Schroeder, Charles E ^{a, k, l}, Melloni, Lucia ^{e, j}, Haegens, Saskia ^{a, b, m}

Publikováno v: In NeuroImage 15 February 2022 247

Zobrazit plný text záznamu

Report

Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy

Autor: Ahmed, Bilal, Thesen, Thomas, Blackmon, Karen E., Kuzniecky, Ruben, Devinsky, Orrin, Dy, Jennifer G., Brodley, Carla E.

Multi-task learning (MTL) is useful for domains in which data originates from multiple sources that are individually under-sampled. MTL methods are able to learn classification models that have higher performance as compared to learning a single mode

Externí odkaz: http://arxiv.org/abs/1608.00148

Zobrazit plný text záznamu

Vyhledávací nástroje:

Upřesnit hledání