Обнаружение изменений

В статистическом анализе обнаружение изменений или обнаружение точек изменений пытается определить моменты времени, когда изменяется распределение вероятностей стохастического процесса или временного ряда . В общем, проблема касается как определения того, произошло ли изменение или могло произойти несколько изменений, так и определения времени любых таких изменений.

Конкретные приложения, такие как обнаружение шагов и обнаружение границ , могут быть связаны с изменениями среднего значения , дисперсии , корреляции или спектральной плотности процесса. В более общем смысле обнаружение изменений также включает в себя обнаружение аномального поведения: обнаружение аномалий .

Обнаружение точки изменения в автономном режиме предполагается, что последовательность длины $T$ доступен, и цель состоит в том, чтобы определить, произошли ли какие-либо точки изменения в серии. Это пример апостериорного анализа , к которому часто подходят методы проверки гипотез . Напротив, онлайн- обнаружение точек изменения связано с обнаружением точек изменения во входящем потоке данных.

Фон

Временной ряд измеряет изменение одной или нескольких величин во времени. Например, на рисунке выше показан уровень воды в реке Нил между 1870 и 1970 годами. Обнаружение точки изменения связано с определением того, , и если да, то когда существенно ли меняется поведение ряда . В примере с рекой Нил объем воды значительно меняется после того, как на реке была построена плотина. Важно отметить, что аномальные наблюдения, которые отличаются от текущего поведения временного ряда, обычно не считаются точками изменения, если впоследствии ряд возвращается к своему прежнему поведению.

Математически мы можем описать временной ряд как упорядоченную последовательность наблюдений. $(x_{1},x_{2},\ldots )$ . Мы можем написать совместное распределение подмножества $x_{a:b}=(x_{a},x_{a+1},\ldots ,x_{b})$ временного ряда как $p(x_{a:b})$ . Если цель состоит в том, чтобы определить, произошла ли точка изменения в определенный момент времени $\tau$ в конечном временном ряду длины $T$ , то мы действительно спрашиваем, действительно ли $p(x_{1:\tau })$ равно $p(x_{\tau +1:T})$ . Эту проблему можно обобщить на случай более чем одной точки изменения.

Алгоритмы

Онлайн-обнаружение изменений

Используя подход последовательного анализа («онлайн»), любой тест изменений должен найти компромисс между этими общими показателями:

В задаче обнаружения изменений Байеса для времени изменения доступно априорное распределение.

Обнаружение изменений в режиме онлайн также осуществляется с использованием алгоритмов потоковой передачи .

Обнаружение изменений в автономном режиме

Бассвиль (1993, раздел 2.6) обсуждает автономное обнаружение изменения среднего значения с проверкой гипотез на основе работ Пейджа. ^{[ 2 ]} и Пикард ^{[ 3 ]} и оценка максимального правдоподобия времени изменения, связанная с двухфазной регрессией . Другие подходы используют кластеризацию на основе оценки максимального правдоподобия . ^{[ нужна ссылка ]}, используйте оптимизацию , чтобы определить количество и время изменений, ^{[ 4 ]} с помощью спектрального анализа, ^{[ 5 ]} или анализ сингулярного спектра. ^{[ 6 ]}

С точки зрения статистики, обнаружение изменений часто рассматривается как проблема выбора модели. ^{[ 8 ]}^{[ 9 ]}^{[ 10 ]} Модели с большим количеством точек изменения лучше соответствуют данным, но имеют больше параметров. Наилучший компромисс можно найти путем оптимизации критерия выбора модели, такого как информационный критерий Акаике и байесовский информационный критерий . Также использовался выбор байесовской модели. Байесовские методы часто количественно оценивают неопределенности всех видов и отвечают на вопросы, которые трудно решить классическими методами, например, какова вероятность изменения в данный момент времени и какова вероятность того, что данные будут иметь определенное количество точек изменения. ^{[ 8 ]}

«Офлайновые» подходы нельзя использовать для потоковой передачи данных, поскольку их необходимо сравнивать со статистикой полного временного ряда, и они не могут реагировать на изменения в режиме реального времени, но часто обеспечивают более точную оценку времени и величины изменений.

Приложения

Тесты на обнаружение изменений часто используются на производстве для контроля качества , обнаружения вторжений , фильтрации спама , отслеживания веб-сайтов и медицинской диагностики.

Обнаружение лингвистических изменений

Обнаружение лингвистических изменений означает способность обнаруживать изменения на уровне слов в нескольких представлениях одного и того же предложения. Исследователи обнаружили, что степень семантического совпадения (т. е. родства) между измененным словом и новым словом влияет на легкость, с которой происходит такое обнаружение (Sturt, Sanford, Stewart & Dawydiak, 2004). Дополнительные исследования показали, что концентрация внимания на слове, которое будет изменено во время первоначального чтения исходного предложения, может улучшить обнаружение. Это было показано с использованием текста , выделенного курсивом для привлечения внимания, при этом слово, которое будет меняться, выделено курсивом в исходном предложении (Sanford, Sanford, Molle & Emott, 2006), а также с использованием расщепляющихся конструкций, таких как « Это было дерево, которое нужна вода». (Кеннетт, Вурм и Ван Хавермат, 2010 г.). Эти феномены обнаружения изменений кажутся устойчивыми и возникают даже в разных языках, когда билингвы читают исходное предложение на своем родном языке , а измененное предложение на своем родном языке. второй язык (Кеннетт, Вурм и Ван Хавермат, 2010). Недавно исследователи обнаружили изменения семантики на уровне слов с течением времени путем компьютерного анализа временных корпусов (например: слово «гей» временем приобрело со новое значение ) с использованием обнаружения точек изменения. ^{[ 11 ]} Это также применимо к чтению неслов, например музыки. Несмотря на то, что музыка не является языком, она все равно пишется, и люди понимают ее значение, что требует восприятия и внимания, что позволяет обнаружить изменения. ^{[ 12 ]}

Визуальное обнаружение изменений

Обнаружение визуальных изменений — это способность человека обнаруживать различия между двумя или более изображениями или сценами. ^{[ 13 ]} Это важно во многих повседневных задачах. Одним из примеров является обнаружение изменений на дороге для безопасного и успешного вождения. Обнаружение изменений имеет решающее значение при эксплуатации транспортных средств для обнаружения других транспортных средств, сигналов управления дорожным движением, пешеходов и многого другого. ^{[ 14 ]} Еще одним примером использования обнаружения визуальных изменений является распознавание лиц. При рассмотрении своей внешности жизненно важно обнаруживать изменения, поскольку лица «динамичны» и могут менять внешний вид из-за различных факторов, таких как «условия освещения, выражение лица, старение и окклюзия». ^{[ 15 ]} Алгоритмы обнаружения изменений используют различные методы, такие как «отслеживание, выравнивание и нормализация функций», для захвата и сравнения различных черт и моделей лица разных людей, чтобы правильно идентифицировать людей. ^{[ 15 ]} Обнаружение визуальных изменений предполагает интеграцию «входов от нескольких датчиков, когнитивных процессов и механизмов внимания», часто сосредотачиваясь на нескольких стимулах одновременно. ^{[ 16 ]} Мозг обрабатывает визуальную информацию, поступающую от глаз, сравнивает ее с предыдущими знаниями, хранящимися в памяти, и определяет различия между двумя стимулами. Этот процесс происходит быстро и бессознательно, позволяя людям реагировать на изменение окружающей среды и вносить необходимые коррективы в свое поведение. ^{[ 17 ]}

Обнаружение когнитивных изменений

Было проведено несколько исследований для анализа когнитивных функций обнаружения изменений. Используя обнаружение когнитивных изменений, исследователи обнаружили, что большинство людей переоценивают свое обнаружение изменений, хотя на самом деле они более подвержены слепоте к изменениям, чем они думают. ^{[ 18 ]} Обнаружение когнитивных изменений имеет множество сложностей, основанных на внешних факторах, и сенсорные пути играют ключевую роль в определении успеха в обнаружении изменений. Одно исследование предлагает и доказывает, что сеть мультисенсорных путей, состоящая из трех сенсорных путей, значительно повышает эффективность обнаружения изменений. ^{[ 19 ]} Первый сенсорный путь объединяет стимулы, второй сенсорный путь включает использование средней стратегии конкатенации для изучения измененного поведения, а третий сенсорный путь включает использование стратегии среднего различия для изучения измененного поведения. ^{[ 19 ]} Когда все три из них работают вместе, вероятность успеха обнаружения изменений значительно возрастает. ^{[ 19 ]} Ранее считалось, что задняя теменная кора (PPC) играет роль в улучшении обнаружения изменений благодаря своей ориентации на «сенсорную и связанную с задачами деятельность». ^{[ 20 ]} Однако исследования также опровергли необходимость PPC для обнаружения изменений; хотя они имеют высокую функциональную корреляцию друг с другом, механистическое участие PPC в обнаружении изменений незначительно. ^{[ 20 ]} Более того, нисходящая обработка играет важную роль в обнаружении изменений, поскольку она позволяет людям прибегнуть к базовым знаниям, которые затем влияют на восприятие, что также часто встречается у детей. Исследователи провели продольное исследование развития детей и выявления изменений на протяжении периода от младенчества до взрослой жизни. ^{[ 21 ]} При этом было обнаружено, что обнаружение изменений сильнее у младенцев по сравнению с детьми старшего возраста, причем основной вклад в этот результат вносит обработка сверху вниз. ^{[ 21 ]}

См. также

Структурный разрыв — Изменение структуры модели.
Теория обнаружения
Проверка гипотез
Скорость отзыва
Рабочая характеристика приемника
Изменить слепоту

Ссылки

^ ван ден Бург, Геррит Дж.Дж.; Уильямс, Кристофер К.И. (26 мая 2020 г.). «Оценка алгоритмов обнаружения точек изменения». arXiv : 2003.06222 [ stat.ML ].
^ Пейдж, ES (июнь 1957 г.). «О задачах, в которых изменение параметра происходит в неизвестной точке». Биометрика . 44 (1/2): 248–252. дои : 10.1093/biomet/44.1-2.248 . JSTOR 2333258 .
^ Пикард, Доминик (1985). «Тестирование и оценка точек изменения во временных рядах». Достижения в области прикладной теории вероятности . 17 (4): 841–867. дои : 10.2307/1427090 . JSTOR 1427090 . S2CID 123026208 .
^ Яо, И-Цзин (1 февраля 1988 г.). «Оценка количества точек изменения по критерию Шварца». Статистика и вероятностные буквы . 6 (3): 181–189. дои : 10.1016/0167-7152(88)90118-6 . ISSN 0167-7152 .
^ Гадерпур, Э.; Вуядинович, Т. (2020). «Обнаружение изменений во временных рядах изображений, полученных с помощью дистанционного зондирования, с помощью спектрального анализа» . Дистанционное зондирование . 12 (23): 4001. Бибкод : 2020RemS...12.4001G . дои : 10.3390/rs12234001 . hdl : 11573/1655315 .
^ Аланкари, Арва (2021). «Обнаружение точки изменения с помощью многомерного анализа сингулярного спектра». Достижения в области нейронных систем обработки информации . 34 : 23218–30. ISBN 978-1-7138-4539-3 .
^ Ли, Ян; Чжао, Кайгуан; Ху, Тунси; Чжан, Сюэсун. «BEAST: байесовский ансамблевый алгоритм для обнаружения точек изменения и разложения временных рядов» . Гитхаб .
^ Jump up to: ^а ^б Чжао, Кайгуан; Вулдер, Майкл А; Ху, Тонкс; Брайт, Райан; У, Цюшэн; Цинь, Хаймин; Ли, Ян (2019). «Обнаружение точки изменения, тренда и сезонности в данных спутниковых временных рядов для отслеживания резких изменений и нелинейной динамики: алгоритм байесовского ансамбля» . Дистанционное зондирование окружающей среды . 232 : 111181. Бибкод : 2019RSEnv.23211181Z . дои : 10.1016/j.rse.2019.04.034 . hdl : 11250/2651134 . S2CID 201310998 .
^ Чен, Цзе; Гупта, Арджун К. (2001). «Об обнаружении и оценке точки изменения». Коммуникации в статистике – моделирование и вычисления . 30 (3): 665–697. дои : 10.1081/SAC-100105085 . S2CID 121138768 .
^ Ёсиюки, Ниномия (2015). «Выбор модели точки изменения через AIC». Летопись Института статистической математики . 67 (5): 943–961. дои : 10.1007/s10463-014-0481-x . S2CID 254234584 .
^ Кулкарни Вивек; Рфу Рами; Пероцци Брайан; Скиена Стивен (2015). «Статистически значимое обнаружение языковых изменений» . Материалы 24-й Международной конференции по Всемирной паутине . стр. 625–635. arXiv : 1411.3315 . дои : 10.1145/2736277.2741627 . ISBN 9781450334693 . S2CID 9298083 .
^ Кляйнсмит, Эбигейл Л. (2023). «Экспертное влияние на обнаружение визуальных изменений в области чтения музыки: данные по движениям глаз» . В Dissertation Abstracts International: Раздел B: Науки и техника (том 84, выпуск 3–B) .
^ Рэми, Мишель М.; Хендерсон, Джон М.; Йонелинас, Эндрю П. (декабрь 2022 г.). «Движения глаз разграничивают восприятие, ощущение и бессознательное обнаружение изменений в сценах» . Психономический бюллетень и обзор . 29 (6): 2122–2132. дои : 10.3758/s13423-022-02122-z . ISSN 1069-9384 . ПМЦ 11110961 . ПМИД 35653039 . S2CID 249276616 .
^ Моргенштерн, Тина; Троммлер, Дэниел; Науйокс, Фредерик; Карл, Инес; Кремс, Йозеф Ф.; Кейнат, Андреас (февраль 2023 г.). «Сравнение чувствительности задачи коробки в сочетании с задачей реагирования на обнаружение к тесту смены полосы движения» . Транспортные исследования, часть F: Психология дорожного движения и поведение . 93 : 159–171. Бибкод : 2023ТРПФ...93..159М . дои : 10.1016/j.trf.2023.01.004 . S2CID 256050914 .
^ Jump up to: ^а ^б ВЕНТУРА, Пауло; Геррейро, Хосе Карлос; Перейра, Александр; Дельгадо, Жуан; Розарио, Вивьен; Фаринья-Фернандеш, Антониу; ДОМИНГ, Мигель; КРУЗ, Франциско; ФАУСТИНО, Бруно; Вонг, Алан К.-Н. (апрель 2022 г.). «Обнаружение изменений и локализация изменений для лиц своей расы и лиц другой расы» . Внимание, восприятие и психофизика . 84 (3): 627–637. дои : 10.3758/s13414-022-02448-9 . ISSN 1943-3921 . ПМИД 35174465 . S2CID 246904080 .
^ Он, Чуаньсююэ; Рэтбан, Зоя; Буонауро, Даниэль; Мейерхофф, Хауке С.; Франконери, Стивен Л.; Штифф, Майк; Хегарти, Мэри (август 2022 г.). «Симметрия и пространственная способность улучшают обнаружение изменений в зрительно-пространственных структурах» . Память и познание . 50 (6): 1186–1200. дои : 10.3758/s13421-022-01332-z . ISSN 0090-502X . ПМЦ 9365739 . ПМИД 35705852 .
^ Уильямс, Джамал Р.; Робинсон, Мария М.; Шургин, Марк В.; Уикстед, Джон Т.; Брэди, Тимоти Ф. (декабрь 2022 г.). «Вы не можете «подсчитать», сколько элементов люди помнят в зрительной рабочей памяти: важность мер, основанных на обнаружении сигналов, для понимания эффективности обнаружения изменений» . Журнал экспериментальной психологии: человеческое восприятие и деятельность . 48 (12): 1390–1409. дои : 10.1037/xhp0001055 . ISSN 1939-1277 . ПМЦ 10257385 . ПМИД 36222675 .
^ Барнас, Адам Дж.; Уорд, Эмили Дж. (октябрь 2022 г.). «Метакогнитивные суждения об обнаружении изменений предсказывают слепоту к изменениям» . Познание . 227 : 105208. doi : 10.1016/j.cognition.2022.105208 . ПМИД 35792349 . S2CID 239626887 .
^ Jump up to: ^а ^б ^с Лю, Канг; Ли, Сюэлун (июль 2022 г.). «Биологическая сеть мультисенсорных путей для обнаружения изменений» . Когнитивные вычисления . 14 (4): 1421–1434. doi : 10.1007/s12559-021-09968-w . ISSN 1866-9956 . S2CID 247283289 .
^ Jump up to: ^а ^б Оуде Лоуис, Маттейс Н.; Маркези, Пьетро; Пеннарц, Сириэль М.А.; Ольчезе, Умберто (29 июня 2022 г.). «Функциональная (ир) значимость задней теменной коры при обнаружении аудиовизуальных изменений» . Журнал неврологии . 42 (26): 5229–5245. doi : 10.1523/JNEUROSCI.2150-21.2022 . ISSN 0270-6474 . ПМЦ 9236290 . ПМИД 35641187 .
^ Jump up to: ^а ^б Дегуайр, Флоренция; Лопес-Аранго, Габриэла; Кнот, Инга София; Коте, Валери; Агбогба, Кристиан; Липпе, Сара (21 ноября 2022 г.). «Тур развития эффекта повторения и реакции обнаружения изменений от младенчества до детства: продольное исследование» . Кора головного мозга . 32 (23): 5467–5477. дои : 10.1093/cercor/bhac027 . ISSN 1047-3211 . ПМЦ 9712715 . ПМИД 35149872 .

Дальнейшее чтение

Басвиль, Мишель; Никифоров, Игорь В. (апрель 1993 г.). Обнаружение резких изменений: теория и применение . Прентис-Холл . ISBN 0-13-126780-9 .
Бедный, Х. Винсент; Хаджилиадис, Олимпия (2009). Самое быстрое обнаружение . Издательство Кембриджского университета . ISBN 978-0-521-62104-5 .

[1] ван ден Бург, Геррит Дж.Дж.; Уильямс, Кристофер К.И. (26 мая 2020 г.). «Оценка алгоритмов обнаружения точек изменения». arXiv : 2003.06222 [ stat.ML ].

[2] Пейдж, ES (июнь 1957 г.). «О задачах, в которых изменение параметра происходит в неизвестной точке». Биометрика . 44 (1/2): 248–252. дои : 10.1093/biomet/44.1-2.248 . JSTOR 2333258 .

[3] Пикард, Доминик (1985). «Тестирование и оценка точек изменения во временных рядах». Достижения в области прикладной теории вероятности . 17 (4): 841–867. дои : 10.2307/1427090 . JSTOR 1427090 . S2CID 123026208 .

[4] Яо, И-Цзин (1 февраля 1988 г.). «Оценка количества точек изменения по критерию Шварца». Статистика и вероятностные буквы . 6 (3): 181–189. дои : 10.1016/0167-7152(88)90118-6 . ISSN 0167-7152 .

[5] Гадерпур, Э.; Вуядинович, Т. (2020). «Обнаружение изменений во временных рядах изображений, полученных с помощью дистанционного зондирования, с помощью спектрального анализа» . Дистанционное зондирование . 12 (23): 4001. Бибкод : 2020RemS...12.4001G . дои : 10.3390/rs12234001 . hdl : 11573/1655315 .

[6] Аланкари, Арва (2021). «Обнаружение точки изменения с помощью многомерного анализа сингулярного спектра». Достижения в области нейронных систем обработки информации . 34 : 23218–30. ISBN 978-1-7138-4539-3 .

[7] Ли, Ян; Чжао, Кайгуан; Ху, Тунси; Чжан, Сюэсун. «BEAST: байесовский ансамблевый алгоритм для обнаружения точек изменения и разложения временных рядов» . Гитхаб .

[zhao2019-8] Jump up to: ^а ^б Чжао, Кайгуан; Вулдер, Майкл А; Ху, Тонкс; Брайт, Райан; У, Цюшэн; Цинь, Хаймин; Ли, Ян (2019). «Обнаружение точки изменения, тренда и сезонности в данных спутниковых временных рядов для отслеживания резких изменений и нелинейной динамики: алгоритм байесовского ансамбля» . Дистанционное зондирование окружающей среды . 232 : 111181. Бибкод : 2019RSEnv.23211181Z . дои : 10.1016/j.rse.2019.04.034 . hdl : 11250/2651134 . S2CID 201310998 .

[9] Чен, Цзе; Гупта, Арджун К. (2001). «Об обнаружении и оценке точки изменения». Коммуникации в статистике – моделирование и вычисления . 30 (3): 665–697. дои : 10.1081/SAC-100105085 . S2CID 121138768 .

[10] Ёсиюки, Ниномия (2015). «Выбор модели точки изменения через AIC». Летопись Института статистической математики . 67 (5): 943–961. дои : 10.1007/s10463-014-0481-x . S2CID 254234584 .

[11] Кулкарни Вивек; Рфу Рами; Пероцци Брайан; Скиена Стивен (2015). «Статистически значимое обнаружение языковых изменений» . Материалы 24-й Международной конференции по Всемирной паутине . стр. 625–635. arXiv : 1411.3315 . дои : 10.1145/2736277.2741627 . ISBN 9781450334693 . S2CID 9298083 .

[12] Кляйнсмит, Эбигейл Л. (2023). «Экспертное влияние на обнаружение визуальных изменений в области чтения музыки: данные по движениям глаз» . В Dissertation Abstracts International: Раздел B: Науки и техника (том 84, выпуск 3–B) .

[13] Рэми, Мишель М.; Хендерсон, Джон М.; Йонелинас, Эндрю П. (декабрь 2022 г.). «Движения глаз разграничивают восприятие, ощущение и бессознательное обнаружение изменений в сценах» . Психономический бюллетень и обзор . 29 (6): 2122–2132. дои : 10.3758/s13423-022-02122-z . ISSN 1069-9384 . ПМЦ 11110961 . ПМИД 35653039 . S2CID 249276616 .

[14] Моргенштерн, Тина; Троммлер, Дэниел; Науйокс, Фредерик; Карл, Инес; Кремс, Йозеф Ф.; Кейнат, Андреас (февраль 2023 г.). «Сравнение чувствительности задачи коробки в сочетании с задачей реагирования на обнаружение к тесту смены полосы движения» . Транспортные исследования, часть F: Психология дорожного движения и поведение . 93 : 159–171. Бибкод : 2023ТРПФ...93..159М . дои : 10.1016/j.trf.2023.01.004 . S2CID 256050914 .

[:0-15] Jump up to: ^а ^б ВЕНТУРА, Пауло; Геррейро, Хосе Карлос; Перейра, Александр; Дельгадо, Жуан; Розарио, Вивьен; Фаринья-Фернандеш, Антониу; ДОМИНГ, Мигель; КРУЗ, Франциско; ФАУСТИНО, Бруно; Вонг, Алан К.-Н. (апрель 2022 г.). «Обнаружение изменений и локализация изменений для лиц своей расы и лиц другой расы» . Внимание, восприятие и психофизика . 84 (3): 627–637. дои : 10.3758/s13414-022-02448-9 . ISSN 1943-3921 . ПМИД 35174465 . S2CID 246904080 .

[16] Он, Чуаньсююэ; Рэтбан, Зоя; Буонауро, Даниэль; Мейерхофф, Хауке С.; Франконери, Стивен Л.; Штифф, Майк; Хегарти, Мэри (август 2022 г.). «Симметрия и пространственная способность улучшают обнаружение изменений в зрительно-пространственных структурах» . Память и познание . 50 (6): 1186–1200. дои : 10.3758/s13421-022-01332-z . ISSN 0090-502X . ПМЦ 9365739 . ПМИД 35705852 .

[17] Уильямс, Джамал Р.; Робинсон, Мария М.; Шургин, Марк В.; Уикстед, Джон Т.; Брэди, Тимоти Ф. (декабрь 2022 г.). «Вы не можете «подсчитать», сколько элементов люди помнят в зрительной рабочей памяти: важность мер, основанных на обнаружении сигналов, для понимания эффективности обнаружения изменений» . Журнал экспериментальной психологии: человеческое восприятие и деятельность . 48 (12): 1390–1409. дои : 10.1037/xhp0001055 . ISSN 1939-1277 . ПМЦ 10257385 . ПМИД 36222675 .

[18] Барнас, Адам Дж.; Уорд, Эмили Дж. (октябрь 2022 г.). «Метакогнитивные суждения об обнаружении изменений предсказывают слепоту к изменениям» . Познание . 227 : 105208. doi : 10.1016/j.cognition.2022.105208 . ПМИД 35792349 . S2CID 239626887 .

[:1-19] Jump up to: ^а ^б ^с Лю, Канг; Ли, Сюэлун (июль 2022 г.). «Биологическая сеть мультисенсорных путей для обнаружения изменений» . Когнитивные вычисления . 14 (4): 1421–1434. doi : 10.1007/s12559-021-09968-w . ISSN 1866-9956 . S2CID 247283289 .

[:2-20] Jump up to: ^а ^б Оуде Лоуис, Маттейс Н.; Маркези, Пьетро; Пеннарц, Сириэль М.А.; Ольчезе, Умберто (29 июня 2022 г.). «Функциональная (ир) значимость задней теменной коры при обнаружении аудиовизуальных изменений» . Журнал неврологии . 42 (26): 5229–5245. doi : 10.1523/JNEUROSCI.2150-21.2022 . ISSN 0270-6474 . ПМЦ 9236290 . ПМИД 35641187 .

[:3-21] Jump up to: ^а ^б Дегуайр, Флоренция; Лопес-Аранго, Габриэла; Кнот, Инга София; Коте, Валери; Агбогба, Кристиан; Липпе, Сара (21 ноября 2022 г.). «Тур развития эффекта повторения и реакции обнаружения изменений от младенчества до детства: продольное исследование» . Кора головного мозга . 32 (23): 5467–5477. дои : 10.1093/cercor/bhac027 . ISSN 1047-3211 . ПМЦ 9712715 . ПМИД 35149872 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]