Nature.com ની મુલાકાત લેવા બદલ આભાર. તમે જે બ્રાઉઝર વર્ઝનનો ઉપયોગ કરી રહ્યા છો તેમાં મર્યાદિત CSS સપોર્ટ છે. શ્રેષ્ઠ અનુભવ માટે, અમે ભલામણ કરીએ છીએ કે તમે અપડેટેડ બ્રાઉઝરનો ઉપયોગ કરો (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડને અક્ષમ કરો). તે દરમિયાન, સતત સપોર્ટ સુનિશ્ચિત કરવા માટે, અમે સાઇટને સ્ટાઇલ અને JavaScript વિના રેન્ડર કરીશું.
એક જ સમયે ત્રણ સ્લાઇડ્સ દર્શાવતું કેરોયુઝલ. એક સમયે ત્રણ સ્લાઇડ્સમાંથી આગળ વધવા માટે પહેલાના અને આગળના બટનોનો ઉપયોગ કરો, અથવા એક સમયે ત્રણ સ્લાઇડ્સમાંથી આગળ વધવા માટે અંતે સ્લાઇડર બટનોનો ઉપયોગ કરો.
ઉચ્ચ-રિઝોલ્યુશન દ્રષ્ટિ માટે પદાર્થ ગુણધર્મોનું પુનર્નિર્માણ કરવા માટે બારીક રેટિના નમૂના અને એકીકરણની જરૂર પડે છે. એ નોંધવું મહત્વપૂર્ણ છે કે જ્યારે વિવિધ પદાર્થોમાંથી સ્થાનિક નમૂનાઓનું મિશ્રણ કરવામાં આવે છે, ત્યારે ચોકસાઈ ખોવાઈ જાય છે. તેથી, વિભાજન, અલગ પ્રક્રિયા માટે છબીના ક્ષેત્રોનું જૂથ, દ્રષ્ટિ માટે મહત્વપૂર્ણ છે. અગાઉના કાર્યમાં, બિસ્ટેબલ જાળી માળખાં, જેને એક અથવા વધુ ગતિશીલ સપાટી તરીકે ગણી શકાય, તેનો ઉપયોગ આ પ્રક્રિયાનો અભ્યાસ કરવા માટે કરવામાં આવ્યો હતો. અહીં, અમે પ્રાઈમેટ દ્રશ્ય માર્ગના મધ્યવર્તી પ્રદેશોમાં પ્રવૃત્તિ અને વિભાજન નિર્ણયો વચ્ચેના સંબંધની જાણ કરીએ છીએ. ખાસ કરીને, અમે જોયું કે પસંદગીયુક્ત રીતે દિશામાન મધ્ય ટેમ્પોરલ ચેતાકોષો બિસ્ટેબલ ગ્રેટિંગ્સની ધારણાને વિકૃત કરવા માટે ઉપયોગમાં લેવાતા ટેક્સચર સંકેતો પ્રત્યે સંવેદનશીલ હતા અને પરીક્ષણો અને સતત ઉત્તેજનાની વ્યક્તિલક્ષી ધારણા વચ્ચે નોંધપાત્ર સહસંબંધ દર્શાવ્યો હતો. આ સહસંબંધ એકમોમાં વધારે છે જે બહુવિધ સ્થાનિક દિશાઓ સાથે પેટર્નમાં વૈશ્વિક ગતિને સંકેત આપે છે. આમ, અમે તારણ કાઢીએ છીએ કે મધ્યવર્તી સમય ડોમેનમાં જટિલ દ્રશ્યોને ઘટક પદાર્થો અને સપાટીઓમાં અલગ કરવા માટે ઉપયોગમાં લેવાતા સંકેતો છે.
દ્રષ્ટિ ફક્ત ધાર દિશા અને ગતિ જેવી પ્રાથમિક છબી લાક્ષણિકતાઓના ચોક્કસ ભેદભાવ પર જ નહીં, પરંતુ વધુ મહત્વપૂર્ણ રીતે પદાર્થ આકાર અને માર્ગ1 જેવા પર્યાવરણીય ગુણધર્મોની ગણતરી કરવા માટે આ લાક્ષણિકતાઓના યોગ્ય સંકલન પર પણ આધાર રાખે છે. જો કે, જ્યારે રેટિના છબીઓ ઘણા સમાન રીતે સંભવિત લક્ષણ જૂથો 2, 3, 4 (આકૃતિ 1a) ને સમર્થન આપે છે ત્યારે સમસ્યાઓ ઊભી થાય છે. ઉદાહરણ તરીકે, જ્યારે ગતિ સંકેતોના બે સેટ ખૂબ નજીક હોય છે, ત્યારે આને એક ગતિશીલ પદાર્થ અથવા અનેક ગતિશીલ પદાર્થો (આકૃતિ 1b) તરીકે વાજબી રીતે અર્થઘટન કરી શકાય છે. આ વિભાજનની વ્યક્તિલક્ષી પ્રકૃતિને દર્શાવે છે, એટલે કે તે છબીનો નિશ્ચિત ગુણધર્મ નથી, પરંતુ અર્થઘટનની પ્રક્રિયા છે. સામાન્ય દ્રષ્ટિ માટે તેના સ્પષ્ટ મહત્વ હોવા છતાં, ગ્રહણશીલ વિભાજનના ચેતા આધારની આપણી સમજણ શ્રેષ્ઠ રીતે અપૂર્ણ રહે છે.
ગ્રહણશીલ વિભાજન સમસ્યાનું કાર્ટૂન ચિત્ર. નેકર ક્યુબ (ડાબે) માં ઊંડાઈની નિરીક્ષકની ધારણા બે સંભવિત સમજૂતીઓ (જમણે) વચ્ચે વૈકલ્પિક થાય છે. આનું કારણ એ છે કે છબીમાં કોઈ સંકેતો નથી જે મગજને આકૃતિના 3D ઓરિએન્ટેશન (જમણી બાજુના મોનોક્યુલર ઓક્લુઝન સિગ્નલ દ્વારા પ્રદાન કરવામાં આવે છે) ને અનન્ય રીતે નક્કી કરવાની મંજૂરી આપે છે. b જ્યારે બહુવિધ ગતિ સંકેતો અવકાશી નિકટતામાં રજૂ કરવામાં આવે છે, ત્યારે દ્રષ્ટિ પ્રણાલીએ નક્કી કરવું આવશ્યક છે કે સ્થાનિક નમૂનાઓ એક અથવા વધુ પદાર્થોમાંથી છે કે નહીં. સ્થાનિક ગતિ સંકેતોની સહજ અસ્પષ્ટતા, એટલે કે પદાર્થ ગતિનો ક્રમ સમાન સ્થાનિક ગતિ ઉત્પન્ન કરી શકે છે, જેના પરિણામે દ્રશ્ય ઇનપુટના બહુવિધ સમાન રીતે બુદ્ધિગમ્ય અર્થઘટન થાય છે, એટલે કે અહીં વેક્ટર ક્ષેત્રો એક જ સપાટીની સુસંગત ગતિ અથવા ઓવરલેપિંગ સપાટીઓની પારદર્શક ગતિમાંથી ઉદ્ભવી શકે છે. c (ડાબે) આપણા ટેક્ષ્ચર ગ્રીડ ઉત્તેજનાનું ઉદાહરણ. લંબચોરસ ગ્રેટિંગ્સ તેમની દિશા ("ઘટક દિશાઓ" - સફેદ તીર) પર લંબરૂપ વહેતા એકબીજાને ઓવરલેપ કરીને ગ્રેટિંગ પેટર્ન બનાવે છે. જાળીને દિશાઓની એકલ, નિયમિત, જોડાયેલ ગતિ (લાલ તીર) અથવા સંયોજન દિશાઓની પારદર્શક ગતિ તરીકે જોઈ શકાય છે. રેન્ડમ પોઈન્ટ ટેક્સચર સંકેતોના ઉમેરા દ્વારા જાળીની ધારણા વિકૃત થાય છે. (મધ્યમ) પીળા રંગમાં પ્રકાશિત થયેલ વિસ્તાર વિસ્તૃત થાય છે અને અનુક્રમે સુસંગત અને પારદર્શક સંકેતો માટે ફ્રેમ્સની શ્રેણી તરીકે પ્રદર્શિત થાય છે. દરેક કિસ્સામાં બિંદુની ગતિ લીલા અને લાલ તીર દ્વારા દર્શાવવામાં આવે છે. (જમણે) પસંદગી બિંદુની સ્થિતિ (x, y) નો ગ્રાફ ફ્રેમ્સની સંખ્યા વિરુદ્ધ. સુસંગત કિસ્સામાં, બધા ટેક્સચર એક જ દિશામાં વહે છે. પારદર્શિતાના કિસ્સામાં, ટેક્સચર ઘટકની દિશામાં આગળ વધે છે. d અમારા ગતિ વિભાજન કાર્યનું કાર્ટૂન ચિત્ર. વાંદરાઓએ દરેક ટ્રાયલ એક નાનું બિંદુ ઠીક કરીને શરૂ કર્યું. ટૂંકા વિલંબ પછી, MT RF ના સ્થાન પર ચોક્કસ પ્રકારની ગ્રેટિંગ પેટર્ન (સુસંગતતા/પારદર્શિતા) અને ટેક્સચર સિગ્નલ કદ (દા.ત. કોન્ટ્રાસ્ટ) દેખાયા. દરેક પરીક્ષણ દરમિયાન, ગ્રેટિંગ પેટર્નની બે શક્ય દિશામાંથી એકમાં વહેતું થઈ શકે છે. ઉત્તેજના ઉપાડ પછી, પસંદગી લક્ષ્યો MT RF ઉપર અને નીચે દેખાયા. વાંદરાઓએ યોગ્ય પસંદગી લક્ષ્યને સેકેડ્સમાં ગ્રીડની તેમની ધારણા દર્શાવવી આવશ્યક છે.
દ્રશ્ય ગતિવિધિઓની પ્રક્રિયા સારી રીતે લાક્ષણિકતા ધરાવે છે અને આમ ગ્રહણશીલ વિભાજનના ન્યુરલ સર્કિટનો અભ્યાસ કરવા માટે એક ઉત્તમ મોડેલ પૂરું પાડે છે. ઘણા કોમ્પ્યુટેશનલ અભ્યાસોએ બે-તબક્કાની ગતિ પ્રક્રિયા મોડેલોની ઉપયોગિતા નોંધી છે જેમાં ઉચ્ચ-રીઝોલ્યુશન પ્રારંભિક અંદાજ સ્થાનિક નમૂનાઓના પસંદગીયુક્ત એકીકરણ દ્વારા અનુસરવામાં આવે છે જેથી અવાજ દૂર થાય અને પદાર્થ વેગ પુનઃસ્થાપિત થાય7,8. એ નોંધવું મહત્વપૂર્ણ છે કે દ્રષ્ટિ પ્રણાલીઓએ આ સમૂહને ફક્ત સામાન્ય પદાર્થોના સ્થાનિક નમૂનાઓ સુધી મર્યાદિત રાખવાની કાળજી લેવી જોઈએ. સાયકોફિઝિકલ અભ્યાસોએ ભૌતિક પરિબળોનું વર્ણન કર્યું છે જે સ્થાનિક ગતિ સંકેતોને કેવી રીતે વિભાજિત કરવામાં આવે છે તેના પર અસર કરે છે, પરંતુ એનાટોમિકલ ટ્રેજેક્ટોરીઝ અને ન્યુરલ કોડ્સનો આકાર ખુલ્લા પ્રશ્નો રહે છે. અસંખ્ય અહેવાલો સૂચવે છે કે પ્રાઈમેટ કોર્ટેક્સના ટેમ્પોરલ (MT) પ્રદેશમાં ઓરિએન્ટેશન-પસંદગીયુક્ત કોષો ન્યુરલ સબસ્ટ્રેટ્સ માટે ઉમેદવાર છે.
મહત્વપૂર્ણ રીતે, આ અગાઉના પ્રયોગોમાં, ચેતા પ્રવૃત્તિમાં થતા ફેરફારો દ્રશ્ય ઉત્તેજનામાં થતા ભૌતિક ફેરફારો સાથે સંકળાયેલા હતા. જો કે, ઉપર જણાવ્યા મુજબ, વિભાજન એ મૂળભૂત રીતે એક સમજશક્તિ પ્રક્રિયા છે. તેથી, તેના ચેતા સબસ્ટ્રેટના અભ્યાસ માટે ચેતા પ્રવૃત્તિમાં થતા ફેરફારોને નિશ્ચિત ઉત્તેજનાની ધારણામાં થતા ફેરફારો સાથે જોડવાની જરૂર છે. તેથી, અમે બે વાંદરાઓને તાલીમ આપી કે સુપરઇમ્પોઝ્ડ ડ્રિફ્ટિંગ લંબચોરસ ગ્રેટિંગ દ્વારા રચાયેલી દેખાતી બિસ્ટેબલ ગ્રેટિંગ પેટર્ન એક સપાટી હતી કે બે સ્વતંત્ર સપાટી. ચેતા પ્રવૃત્તિ અને વિભાજન નિર્ણયો વચ્ચેના સંબંધનો અભ્યાસ કરવા માટે, જ્યારે વાંદરાઓ આ કાર્ય કરે છે ત્યારે અમે MT માં એક જ પ્રવૃત્તિ રેકોર્ડ કરી.
અમને MT પ્રવૃત્તિ અને ધારણાના અભ્યાસ વચ્ચે નોંધપાત્ર સહસંબંધ મળ્યો. ઉત્તેજનામાં સ્પષ્ટ વિભાજન સંકેતો હતા કે નહીં તે અંગે આ સહસંબંધ અસ્તિત્વમાં હતો. વધુમાં, આ અસરની મજબૂતાઈ વિભાજન સંકેતો પ્રત્યે સંવેદનશીલતા તેમજ પેટર્ન ઇન્ડેક્સ સાથે સંબંધિત છે. બાદમાં જટિલ પેટર્નમાં સ્થાનિક ગતિવિધિને બદલે એકમ વૈશ્વિક સ્તરે કેટલી માત્રામાં ફેલાય છે તેનું પ્રમાણ નક્કી કરે છે. જોકે ફેશન દિશા માટે પસંદગીને લાંબા સમયથી MT ના વ્યાખ્યાયિત લક્ષણ તરીકે ઓળખવામાં આવી છે, અને ફેશન-પસંદગીયુક્ત કોષો તે ઉત્તેજનાની માનવ ધારણા સાથે સુસંગત જટિલ ઉત્તેજના સાથે ટ્યુનિંગ દર્શાવે છે, અમારા શ્રેષ્ઠ જ્ઞાન મુજબ, પેટર્ન. ઇન્ડેક્સ અને સમજશક્તિ વિભાજન વચ્ચેના સહસંબંધ માટે આ પ્રથમ પુરાવો છે.
અમે બે વાંદરાઓને ડ્રિફ્ટિંગ ગ્રીડ ઉત્તેજના (સુસંગત અથવા પારદર્શક હલનચલન) ની તેમની ધારણા દર્શાવવા માટે તાલીમ આપી. માનવ નિરીક્ષકો સામાન્ય રીતે આ ઉત્તેજનાને લગભગ સમાન આવર્તનની સુસંગત અથવા પારદર્શક હલનચલન તરીકે જુએ છે. આ ટ્રાયલમાં સાચો જવાબ આપવા અને ઓપરેટ પુરસ્કાર માટે આધાર સેટ કરવા માટે, અમે જાળી બનાવતા ઘટકના રાસ્ટરને ટેક્સચર કરીને સેગ્મેન્ટેશન સિગ્નલો બનાવ્યા (આકૃતિ 1c, d). સુસંગત પરિસ્થિતિઓમાં, બધા ટેક્સચર પેટર્નની દિશામાં આગળ વધે છે (આકૃતિ 1c, "સુસંગત"). પારદર્શક સ્થિતિમાં, ટેક્સચર તે જાળીની દિશામાં લંબરૂપ ખસે છે જેના પર તે સુપરઇમ્પોઝ થયેલ છે (આકૃતિ 1c, "પારદર્શક"). અમે આ ટેક્સચર લેબલના કોન્ટ્રાસ્ટને બદલીને કાર્યની મુશ્કેલીને નિયંત્રિત કરીએ છીએ. ક્યુડ ટ્રાયલ્સમાં, વાંદરાઓને ટેક્સચર સંકેતોને અનુરૂપ પ્રતિભાવો માટે પુરસ્કાર આપવામાં આવ્યો હતો, અને ટેક્સચર સંકેતો (શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ સ્થિતિ) વગર પેટર્ન ધરાવતા ટ્રાયલ્સમાં રેન્ડમલી (50/50 ઓડ્સ) પુરસ્કારો આપવામાં આવ્યા હતા.
બે પ્રતિનિધિ પ્રયોગોમાંથી વર્તણૂકીય ડેટા આકૃતિ 2a માં દર્શાવવામાં આવ્યો છે, અને પ્રતિભાવોને અનુક્રમે ઉપર અથવા નીચે શિફ્ટ થતા પેટર્ન માટે ટેક્સચર સિગ્નલો (પારદર્શિતા કોન્ટ્રાસ્ટ વ્યાખ્યા દ્વારા નકારાત્મક માનવામાં આવે છે) ના કોન્ટ્રાસ્ટ વિરુદ્ધ સુસંગતતાના ચુકાદાઓના પ્રમાણ તરીકે રચવામાં આવ્યા છે. એકંદરે, વાંદરાઓની સુસંગતતા/પારદર્શિતાની ધારણા ટેક્સચર કયૂના ચિહ્ન (પારદર્શક, સુસંગત) અને તાકાત (વિરોધાભાસ) બંને દ્વારા વિશ્વસનીય રીતે પ્રભાવિત થઈ હતી (ANOVA; વાનર N: દિશા – F = 0.58, p = 0.45, ચિહ્ન – F = 1248, p < 10−10, કોન્ટ્રાસ્ટ – F = 22.63, p < 10;−10 વાનર S: દિશા – F = 0.41, p = 0.52, ચિહ્ન – F = 2876.7, p < 10−10, કોન્ટ્રાસ્ટ – F = 36.5, p < 10−10). એકંદરે, વાંદરાઓની સુસંગતતા/પારદર્શિતાની ધારણા ટેક્સચર કયૂના ચિહ્ન (પારદર્શક, સુસંગત) અને તાકાત (વિરોધાભાસ) બંને દ્વારા વિશ્વસનીય રીતે પ્રભાવિત થઈ હતી (ANOVA; વાનર N: દિશા – F = 0.58, p = 0.45, ચિહ્ન – F = 1248, p < 10−10, કોન્ટ્રાસ્ટ – F = 22.63, p < 10; −10 વાનર S: દિશા – F = 0.41, p = 0.52, ચિહ્ન – F = 2876.7, p < 10−10, કોન્ટ્રાસ્ટ – F = 36.5, p < 10−10). В целом на восприятие обезьянами когерентности/прозрачности достоверно влияли как знак (прозрачность, когерентность), так (ислан) текстурного признака (ANOVA; обезьяна N: направление — F = 0,58, p = 0,45, знак — F = 1248, p < 10−10, контраст – F = 22,63, p - бояна; бояна: боя < з11 направление – F = 0,41, p = 0,52, признак – F = 2876,7, p < 10−10, контраст – F = 36,5, р < 10-10). સામાન્ય રીતે, વાંદરાઓ દ્વારા સુસંગતતા/પારદર્શિતાની ધારણા પર ટેક્સચરલ લક્ષણ (ANOVA; વાંદરો N: દિશા — F = 0.58, p = 0.45, ચિહ્ન — F = 1248, p < 10−10, કોન્ટ્રાસ્ટ – F = 22.63, p < 10; -10 વાંદરો S: દિશા – F = 0.41, p = 0.52, ચિહ્ન – F = 2876.7, p < 10 −10, કોન્ટ્રાસ્ટ – F = 36.5, p < 10-10) બંને દ્વારા નોંધપાત્ર અસર પડી હતી.总体而言,猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;−10 猴子S: 方向– F = 0.41, p = 0.52, 符号– F = 2876.7, p < 10−10, 对比度– F = 36.5，p < 10-10）.总体而言,猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;−10 36.5，p < 10-10）.સામાન્ય રીતે, વાંદરાની સુસંગતતા/પારદર્શિતાની ધારણા ટેક્સચર સિગ્નલો (ANOVA) ના સંકેત (પારદર્શિતા, સુસંગતતા) અને તીવ્રતા (વિરોધાભાસ) દ્વારા નોંધપાત્ર રીતે પ્રભાવિત થઈ હતી;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p < 10−10, Контрастность — F = 22,63, p < 10; વાંદરો N: ઓરિએન્ટેશન – F = 0.58, p = 0.45, ચિહ્ન – F = 1248, p < 10−10, કોન્ટ્રાસ્ટ – F = 22.63, p < 10; −10 Обезьяна S: Ориентация — F = 0,41, p = 0,52, Знак — F = 2876,7, p < 10−10, Контрастность — F = 36,5, p < 10-10). −10 મંકી S: ઓરિએન્ટેશન – F = 0.41, p = 0.52, ચિહ્ન – F = 2876.7, p < 10-10, કોન્ટ્રાસ્ટ – F = 36.5, p < 10-10).વાંદરાઓની મનોભૌતિક લાક્ષણિકતાઓ દર્શાવવા માટે દરેક સત્રના ડેટામાં ગૌસીયન સંચિત કાર્યો ફીટ કરવામાં આવ્યા હતા. આકૃતિ 2b માં બંને વાંદરાઓ માટે બધા સત્રોમાં આ મોડેલો માટે સંમતિનું વિતરણ બતાવવામાં આવ્યું છે. એકંદરે, વાંદરાઓએ કાર્ય સચોટ અને સતત પૂર્ણ કર્યું, અને અમે સંચિત ગૌસીયન મોડેલમાં નબળા ફિટને કારણે બે-વાંદરાના સત્રોમાંથી 13% કરતા ઓછાને નકારી કાઢ્યા.
a પ્રતિનિધિ સત્રોમાં વાંદરાઓના વર્તણૂકીય ઉદાહરણો (ઉત્તેજનાની સ્થિતિ દીઠ n ≥ 20 ટ્રાયલ). ડાબી (જમણી) પેનલમાં, એક N(S) વાંદરાના સત્રમાંથી ડેટાને સુસંગત પસંદગી સ્કોર્સ (ઓર્ડિનેટ) વિરુદ્ધ ટેક્સચર સિગ્નલોના સાઇન કોન્ટ્રાસ્ટ (એબ્સિસા) તરીકે પ્લોટ કરવામાં આવે છે. અહીં એવું માનવામાં આવે છે કે પારદર્શક (સુસંગત) ટેક્સચરમાં નકારાત્મક (હકારાત્મક) મૂલ્યો હોય છે. પરીક્ષણમાં પેટર્નની ગતિ (ઉપર (90°) અથવા નીચે (270°)) ની દિશા અનુસાર પ્રતિભાવો અલગથી બનાવવામાં આવ્યા હતા. બંને પ્રાણીઓ માટે, પ્રદર્શન, પ્રતિભાવ 50/50 કોન્ટ્રાસ્ટ (PSE - ઘન તીરો) દ્વારા વિભાજિત હોય કે પ્રદર્શનના ચોક્કસ સ્તર (થ્રેશોલ્ડ - ખુલ્લા તીરો) ને ટેકો આપવા માટે જરૂરી ટેક્સચરલ કોન્ટ્રાસ્ટની માત્રા, આ ડ્રિફ્ટ દિશાઓમાં છે. b ગૌસીયન સંચિત કાર્યના R2 મૂલ્યોનો ફીટ કરેલ હિસ્ટોગ્રામ. મંકી S(N) ડેટા ડાબી (જમણી) બાજુએ બતાવવામાં આવ્યો છે. c (ટોચ) ગ્રીડ નીચે શિફ્ટ (ઓર્ડિનેટ) માટે માપવામાં આવેલ PSE, પ્લોટેડ ગ્રીડ (એબ્સીસા) ઉપર શિફ્ટ થયેલ PSE ની સરખામણીમાં, દરેક સ્થિતિ માટે PSE વિતરણનું પ્રતિનિધિત્વ કરતી ધાર અને દરેક સ્થિતિ માટે સરેરાશ દર્શાવતા તીરો સાથે. બધા N(S) મંકી સત્રો માટેનો ડેટા ડાબી (જમણી) કોલમમાં આપવામાં આવ્યો છે. (નીચે) PSE ડેટા માટે સમાન પરંપરા, પરંતુ ફીટ કરેલ સુવિધા થ્રેશોલ્ડ માટે. PSE થ્રેશોલ્ડ અથવા ફેશન વલણોમાં કોઈ નોંધપાત્ર તફાવત નહોતા (ટેક્સ્ટ જુઓ). d PSE અને ઢાળ (ઓર્ડિનેટ) કોણીય વિભાજન ઘટક ("ઇન્ટિગ્રલ ગ્રેટિંગ એંગલ" - એબ્સીસા) ના સામાન્યકૃત રાસ્ટર ઓરિએન્ટેશનના આધારે પ્લોટ કરવામાં આવે છે. ખુલ્લા વર્તુળો માધ્યમ છે, ઘન રેખા શ્રેષ્ઠ ફિટિંગ રીગ્રેશન મોડેલ છે, અને ડોટેડ લાઇન રીગ્રેશન મોડેલ માટે 95% કોન્ફિડન્સ અંતરાલ છે. PSE અને નોર્મલાઇઝ્ડ ઇન્ટિગ્રેશન એંગલ વચ્ચે નોંધપાત્ર સહસંબંધ છે, પરંતુ ઢાળ અને નોર્મલાઇઝ્ડ ઇન્ટિગ્રેશન એંગલ નથી, જે સૂચવે છે કે સાયકોમેટ્રિક ફંક્શન બદલાય છે કારણ કે કોણ ઘટક જાળીઓને અલગ કરે છે, પરંતુ શાર્પનિંગ અથવા ફ્લેટનિંગ નથી. (મંકી N, n = 32 સત્રો; મંકી S, n = 43 સત્રો). બધા પેનલમાં, ભૂલ બાર સરેરાશની પ્રમાણભૂત ભૂલ દર્શાવે છે. હાહા. સુસંગતતા, PSE વ્યક્તિલક્ષી સમાનતા સ્કોર, ધોરણ. માનકીકરણ.
ઉપર નોંધ્યું છે તેમ, ટેક્સચર સંકેતોનો વિરોધાભાસ અને પેટર્નની ગતિશીલતાની દિશા બંને ટ્રાયલ્સમાં બદલાતા હતા, આપેલ ટ્રાયલમાં ઉત્તેજના ઉપર અથવા નીચે વહી જતી હતી. આ મનોભૌતિક11 અને ન્યુરોનલ28 અનુકૂલનશીલ અસરોને ઘટાડવા માટે કરવામાં આવે છે. પેટર્ન ઓરિએન્ટેશન વિરુદ્ધ પૂર્વગ્રહ (વ્યક્તિગત સમાનતા બિંદુ અથવા PSE) (વિલ્કોક્સન રેન્ક સમ ટેસ્ટ; મંકી N: z = 0.25, p = 0.8; મંકી S: z = 0.86, p = 0.39) અથવા ફીટ કરેલ ફંક્શન થ્રેશોલ્ડ (વિલ્કોક્સન રેન્કનો સરવાળો; મંકી N: z = 0.14, p = 0.89, મંકી S: z = 0.49, p = 0.62) (આકૃતિ 2c). વધુમાં, પ્રદર્શન થ્રેશોલ્ડ સ્તર જાળવવા માટે જરૂરી ટેક્સચર કોન્ટ્રાસ્ટની ડિગ્રીમાં વાંદરાઓ વચ્ચે કોઈ નોંધપાત્ર તફાવત નહોતો (N વાંદરો = 24.5% ± 3.9%, S વાંદરો = 18.9% ± 1.9%; વિલ્કોક્સન રેન્ક સરવાળો, z = 1.01, p = 0.31).
દરેક સત્રમાં, અમે ઘટક જાળીઓના દિશા નિર્દેશોને અલગ કરતા ઇન્ટરલેટીસ કોણ બદલ્યા. મનોભૌતિક અભ્યાસોએ દર્શાવ્યું છે કે જ્યારે આ ખૂણો નાનો હોય છે ત્યારે લોકો કોષ 10 ને જોડાયેલ તરીકે સમજવાની શક્યતા વધુ હોય છે. જો વાંદરાઓ વિશ્વસનીય રીતે સુસંગતતા/પારદર્શિતાની તેમની ધારણાની જાણ કરી રહ્યા હોય, તો આ તારણોના આધારે, કોઈ પણ વ્યક્તિ અપેક્ષા રાખશે કે PSE, સુસંગતતા અને પારદર્શિતા પસંદગીઓ વચ્ચે સમાન વિભાજનને અનુરૂપ ટેક્સચર કોન્ટ્રાસ્ટ, ક્રિયાપ્રતિક્રિયા પર વધશે. જાળી કોણ. ખરેખર આ કેસ હતો (આકૃતિ 2d; પેટર્ન દિશાઓમાં તૂટી પડવું, ક્રુસ્કલ-વોલિસ; વાનર N: χ2 = 23.06, p < 10−3; વાનર S: χ2 = 22.22, p < 10−3; સામાન્યકૃત ઇન્ટર-ગ્રેટિંગ એંગલ અને PSE - વાનર N વચ્ચેનો સંબંધ: r = 0.67, p < 10−9; વાનર S: r = 0.76, p < 10−13). ખરેખર આ કેસ હતો (આકૃતિ 2d; પેટર્ન દિશાઓમાં તૂટી પડવું, ક્રુસ્કલ-વોલિસ; વાનર N: χ2 = 23.06, p < 10−3; વાનર S: χ2 = 22.22, p < 10−3; સામાન્યકૃત ઇન્ટર-ગ્રેટિંગ એંગલ અને PSE - વાનર N વચ્ચેનો સંબંધ: r = 0.67, p < 10−9; વાનર S: r = 0.76, p < 10−13). Это действительно имело место (рис. 2d; коллапс поперек направления паттерна, Крускал-Уоллис; обезьяна N: χ2 = p, 23; Sb: 23; χ2 = 22,22, p < 10–3; корреляция между нормализованными угол решетки и PSE – обезьяна N: r = 0,67, p < 10-9, p <10-9, p = обез: 10-13). આ ખરેખર બન્યું (આકૃતિ 2d; પેટર્નની દિશામાં પતન, ક્રુસ્કલ-વોલિસ; વાનર N: χ2 = 23.06, p < 10–3; વાનર S: χ2 = 22.22, p < 10–3; સામાન્યકૃત જાળીના ખૂણા અને PSE - વાનર N વચ્ચેનો સંબંધ: r = 0.67, p < 10-9, વાનર S: r = 0.76, p < 10-13).情况确实如此（图2d；跨模式方向折叠，Kruskal-Wallis；猴子N：χ2 = 23.06，p <10-3＼2S=2χp <10-3；S 10-3；标准化间光栅角和PSE – 猴子N：r = 0.67，p <10-9；猴子S：r = 0.76，p < 10-13）.આ 22.22 ， p <10-3 ； 间 光栅角 和 pse-猴子 猴子 猴子 猴子 猴子 猴子 猴子 猴子 猴子 N：r = 0.7 10-9；猴子S：r = 0.76，p <10-13）. Это действительно имело место (рис. 2d; кратность по оси моды, Крускал-Уоллис; обезьяна N: χ2 = 23,06, p < 10-3 = боя;χ 22,22, p < 10-3; ખરેખર આ કેસ હતો (આકૃતિ 2d; મોડ અક્ષ સાથે ફોલ્ડ કરો, ક્રુસ્કલ-વોલિસ; મંકી N: χ2 = 23.06, p < 10-3; મંકી S: χ2 = 22.22, p < 10-3; નોર્મલાઇઝ્ડ ઇન્ટરલેટીસ કોર્નર). PSE-обезьяна N: r = 0,67, p < 10–9, обезьяна S: r = 0,76, p < 10–13). PSE વાનર N: r = 0.67, p < 10–9, વાનર S: r = 0.76, p < 10–13).તેનાથી વિપરીત, ઇન્ટરલેટીસ એંગલ બદલવાથી સાયકોમેટ્રિક ફંક્શનના ઢાળ પર કોઈ નોંધપાત્ર અસર પડી ન હતી (આકૃતિ 2d; ક્રોસ-મોડલ ઓરિએન્ટેશન ફોલ્ડ, ક્રુસ્કલ-વોલિસ; મંકી N: χ2 = 8.09, p = 0.23; મંકી S χ2 = 3.18, p = 0.67, સામાન્યકૃત ઇન્ટરલેટીસ એંગલ અને ઢાળ વચ્ચેનો સંબંધ - મંકી N: r = -0.4, p = 0.2, મંકી S: r = 0.03, p = 0.76). આમ, વ્યક્તિના સાયકોફિઝિકલ ડેટા અનુસાર, ગ્રેટિંગ્સ વચ્ચેના ખૂણાને બદલવાની સરેરાશ અસર વિસ્થાપન બિંદુઓમાં ફેરફાર છે, અને વિભાજન સંકેતો પ્રત્યે સંવેદનશીલતામાં વધારો અથવા ઘટાડો નથી.
છેલ્લે, શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ સાથેના ટ્રાયલ્સમાં 0.5 ની સંભાવના સાથે પુરસ્કારો રેન્ડમલી સોંપવામાં આવે છે. જો બધા વાંદરાઓ આ અનોખા રેન્ડમનેસથી વાકેફ હોત અને શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ અને ક્યૂ સ્ટિમ્યુલી વચ્ચે તફાવત કરી શકતા હોત, તો તેઓ બે પ્રકારના ટ્રાયલ માટે અલગ અલગ વ્યૂહરચના વિકસાવી શક્યા હોત. બે અવલોકનો ભારપૂર્વક સૂચવે છે કે આ કેસ નથી. પ્રથમ, ગ્રેટિંગ એંગલ બદલવાથી ક્યુ અને શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ સ્કોર્સ પર ગુણાત્મક રીતે સમાન અસરો પડી હતી (આકૃતિ 2d અને પૂરક આકૃતિ 1). બીજું, બંને વાંદરાઓ માટે, બિસ્ટેબલ ટ્રાયલ પસંદગી સૌથી તાજેતરના (પાછલા) પુરસ્કાર પસંદગીનું પુનરાવર્તન થવાની શક્યતા નથી (દ્વિપદી પરીક્ષણ, N વાંદરાઓ: 0.52, z = 0.74, p = 0.22; S વાંદરાઓ: 0.51, r = 0.9, p = 0.18).
નિષ્કર્ષમાં, અમારા સેગ્મેન્ટેશન કાર્યમાં વાંદરાઓનું વર્તન સારા ઉત્તેજના નિયંત્રણ હેઠળ હતું. ટેક્સચર સંકેતોના ચિહ્ન અને કદ પર સમજશક્તિના નિર્ણયોની અવલંબન, તેમજ ગ્રેટિંગ એંગલ સાથે PSE માં ફેરફારો, સૂચવે છે કે વાંદરાઓએ મોટર સુસંગતતા/પારદર્શિતાની તેમની વ્યક્તિલક્ષી ધારણાની જાણ કરી. અંતે, શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ ટ્રાયલ્સમાં વાંદરાઓના પ્રતિભાવો અગાઉના ટ્રાયલ્સના પુરસ્કાર ઇતિહાસથી પ્રભાવિત થયા ન હતા અને આંતર-રાસ્ટર કોણીય ફેરફારોથી નોંધપાત્ર રીતે પ્રભાવિત થયા હતા. આ સૂચવે છે કે વાંદરાઓ આ મહત્વપૂર્ણ સ્થિતિ હેઠળ જાળી સપાટી ગોઠવણીની તેમની વ્યક્તિલક્ષી ધારણાની જાણ કરવાનું ચાલુ રાખે છે.
ઉપર જણાવ્યા મુજબ, ટેક્સચર કોન્ટ્રાસ્ટનું નકારાત્મકથી હકારાત્મકમાં સંક્રમણ એ ઉત્તેજનાના પારદર્શકથી સુસંગતમાં સંક્રમણ સમાન છે. સામાન્ય રીતે, આપેલ કોષ માટે, ટેક્સચર કોન્ટ્રાસ્ટ નકારાત્મકથી હકારાત્મકમાં બદલાતા MT પ્રતિભાવમાં વધારો અથવા ઘટાડો થાય છે, અને આ અસરની દિશા સામાન્ય રીતે પેટર્ન/ઘટકની ગતિની દિશા પર આધાર રાખે છે. ઉદાહરણ તરીકે, બે પ્રતિનિધિ MT કોષોના દિશાત્મક ટ્યુનિંગ વણાંકો આ કોષોના ઓછા અથવા ઉચ્ચ કોન્ટ્રાસ્ટ સુસંગત અથવા પારદર્શક ટેક્સચર સિગ્નલો ધરાવતા ગ્રેટિંગ્સના પ્રતિભાવો સાથે આકૃતિ 3 માં દર્શાવવામાં આવ્યા છે. અમે આ ગ્રીડ પ્રતિભાવોને વધુ સારી રીતે માપવાનો પ્રયાસ કર્યો છે, જે અમારા વાંદરાઓના મનોશારીરિક પ્રદર્શન સાથે સંબંધિત હોઈ શકે છે.
એક જ સાઇનસૉઇડલ એરેના પ્રતિભાવમાં પ્રતિનિધિ વાનર MT કોષ S ના દિશાત્મક ટ્યુનિંગ વળાંકનો ધ્રુવીય પ્લોટ. કોણ ગ્રેટિંગની ગતિની દિશા સૂચવે છે, પરિમાણ ઉત્સર્જન સૂચવે છે, અને પસંદગીની કોષ દિશા ગ્રેટિંગ પેટર્નની દિશામાં ઘટકોમાંથી એકની દિશા સાથે લગભગ 90° (ઉપર) ઓવરલેપ થાય છે. b પ્રતિભાવ ગ્રીડનો સાપ્તાહિક ઉત્તેજના-સમય હિસ્ટોગ્રામ (PSTH), a માં બતાવેલ કોષ માટે ટેમ્પલેટ દિશામાં 90° (ડાબી બાજુ યોજનાકીય રીતે બતાવેલ) દ્વારા શિફ્ટ થયેલ છે. પ્રતિભાવો ટેક્સચર હિન્ટ પ્રકાર (અનુક્રમે સુસંગત/પારદર્શક - મધ્યમ/જમણી પેનલ) અને મિશેલસન કોન્ટ્રાસ્ટ (PSTH રંગ સંકેત) દ્વારા સૉર્ટ કરવામાં આવે છે. દરેક પ્રકારના લો-કોન્ટ્રાસ્ટ અને હાઇ-કોન્ટ્રાસ્ટ ટેક્સચર સિગ્નલો માટે ફક્ત સાચા પ્રયાસો બતાવવામાં આવે છે. કોષો પારદર્શક ટેક્સચર સંકેતો સાથે ઉપર તરફ વહેતા જાળીના પેટર્નને વધુ સારી રીતે પ્રતિભાવ આપે છે, અને આ પેટર્નનો પ્રતિભાવ વધતા ટેક્સચર કોન્ટ્રાસ્ટ સાથે વધે છે. c, d એ a અને b જેવા જ રૂઢિઓ છે, પરંતુ મંકી S સિવાયના MT કોષો માટે, તેમની પસંદગીની દિશા લગભગ નીચે તરફ જતા ગ્રીડને ઓવરલેપ કરે છે. એકમ સુસંગત ટેક્સચર સંકેતો સાથે નીચે તરફ જતા ગ્રીડને પસંદ કરે છે, અને આ પેટર્નનો પ્રતિભાવ વધતા ટેક્સચર કોન્ટ્રાસ્ટ સાથે વધે છે. બધા પેનલમાં, છાંયડો વિસ્તાર સરેરાશની પ્રમાણભૂત ભૂલ દર્શાવે છે. સ્પોક્સ. સ્પાઇક્સ, સેકન્ડ. સેકન્ડ.
અમારા ટેક્સચર સિગ્નલો અને MT પ્રવૃત્તિ દ્વારા સૂચવ્યા મુજબ જાળી સપાટી રૂપરેખાંકન (સુસંગત અથવા પારદર્શક) વચ્ચેના સંબંધનું અન્વેષણ કરવા માટે, અમે સૌપ્રથમ સુસંગત ગતિ (હકારાત્મક ઢાળ) અથવા પારદર્શક ગતિ (નકારાત્મક ઢાળ) માટે કોષો વચ્ચેના સહસંબંધને રીગ્રેસ કર્યો. કોન્ટ્રાસ્ટ (દરેક મોડ દિશા માટે અલગથી) ની તુલનામાં સાઇન પ્રતિભાવ દર દ્વારા કોષોને વર્ગીકૃત કરવા માટે આપવામાં આવ્યું. આકૃતિ 3 માં સમાન ઉદાહરણ કોષમાંથી આ જાળી ટ્યુનિંગ વળાંકોના ઉદાહરણો આકૃતિ 4a માં બતાવવામાં આવ્યા છે. વર્ગીકરણ પછી, અમે ટેક્સચર સિગ્નલોના મોડ્યુલેશન માટે દરેક કોષની સંવેદનશીલતાને માપવા માટે રીસીવર પ્રદર્શન વિશ્લેષણ (ROC) નો ઉપયોગ કર્યો (પદ્ધતિઓ જુઓ). આ રીતે મેળવેલા ન્યુરોમેટ્રિક કાર્યોની સીધી સરખામણી સમાન સત્રમાં વાંદરાઓની સાયકોફિઝિકલ લાક્ષણિકતાઓ સાથે કરી શકાય છે જેથી ચેતાકોષોની સાયકોફિઝિકલ સંવેદનશીલતાની જાળી ટેક્સચર સાથે સીધી તુલના કરી શકાય. અમે નમૂનામાં બધા એકમો માટે બે સિગ્નલ શોધ વિશ્લેષણ કર્યા, પેટર્નની દરેક દિશા (ફરીથી, ઉપર અથવા નીચે) માટે અલગ ન્યુરોમેટ્રિક સુવિધાઓની ગણતરી કરી. એ નોંધવું મહત્વપૂર્ણ છે કે, આ વિશ્લેષણ માટે, અમે ફક્ત એવા પરીક્ષણોનો સમાવેશ કર્યો છે જેમાં (i) ઉત્તેજનામાં ટેક્સચર કયૂ હોય અને (ii) વાંદરાઓ તે સંકેત (એટલે કે, "સાચા" પરીક્ષણો) અનુસાર પ્રતિભાવ આપે.
અનુક્રમે, ટેક્સચર સાઇન કોન્ટ્રાસ્ટ સામે ફાયર રેટનું આયોજન કરવામાં આવે છે, ગ્રેટિંગ્સ ઉપર (ડાબે) અથવા નીચે (જમણે) શિફ્ટ થવા માટે, સોલિડ લાઇન શ્રેષ્ઠ ફિટ રેખીય રીગ્રેશનનું પ્રતિનિધિત્વ કરે છે, અને ઉપર (નીચે) પંક્તિમાં ડેટા આકૃતિમાં બતાવેલ ડેટામાંથી લેવામાં આવે છે. . ચોખા. 3a કોષ, b (આકૃતિ 3c, d). રીગ્રેશન ઢાળ સુવિધાઓનો ઉપયોગ દરેક કોષ/જાળી ઓરિએન્ટેશન સંયોજન (n ≥ પ્રતિ ઉત્તેજના સ્થિતિ 20 ટ્રાયલ) ને પસંદગીના ટેક્સચર સંકેતો (સુસંગત/પારદર્શક) સોંપવા માટે કરવામાં આવ્યો હતો. ભૂલ બાર સરેરાશના પ્રમાણભૂત વિચલનનું પ્રતિનિધિત્વ કરે છે. ba માં બતાવેલ એકમોના ન્યુરોમેટ્રિક કાર્યોનું વર્ણન સમાન સત્ર દરમિયાન એકત્રિત કરવામાં આવેલા સાયકોમેટ્રિક કાર્યો સાથે કરવામાં આવે છે. હવે, દરેક સુવિધા માટે, અમે ટેક્સચરના સાઇન કોન્ટ્રાસ્ટ (abscissa) ના ટકાવારી તરીકે પસંદગીના ટૂલટિપ પસંદગી (ઓર્ડિનેટ) (ટેક્સ્ટ જુઓ) ને પ્લોટ કરીએ છીએ. ટેક્સચર કોન્ટ્રાસ્ટ બદલવામાં આવ્યો છે જેથી પસંદગીના ટૂલટિપ્સ હકારાત્મક હોય અને ખાલી ટૂલટિપ્સ નકારાત્મક હોય. ઉપર તરફ (નીચે તરફ) ડ્રિફ્ટિંગ ગ્રીડમાંથી ડેટા ડાબી (જમણી) પેનલમાં, ઉપર (નીચલી) પંક્તિઓમાં બતાવવામાં આવ્યો છે - આકૃતિ 3a,b (આકૃતિ 3c,d) માં બતાવેલ કોષોમાંથી ડેટા. દરેક પેનલમાં ન્યુરોમેટ્રિક અને સાયકોમેટ્રિક થ્રેશોલ્ડ (N/P) ના ગુણોત્તર બતાવવામાં આવ્યા છે. સ્પોક્સ. સ્પાઇક્સ, સેકન્ડ. સેકન્ડ, ડિરેક્ટરી. દિશા, પ્રાંત પસંદ કરેલ, psi. સાયકોમેટ્રી, ન્યુરોલોજી.
બે પ્રતિનિધિ MT કોષોના જાળી ટ્યુનિંગ વણાંકો અને ન્યુરોમેટ્રિક કાર્યો અને તેમના સંકળાયેલ સાયકોમેટ્રિક કાર્યો, આ પ્રતિભાવો સાથે એકત્રિત, અનુક્રમે આકૃતિ 4a,b ના ઉપર અને નીચેના પેનલમાં દર્શાવવામાં આવ્યા છે. આ કોષો લગભગ એકવિધ વધારો અથવા ઘટાડો દર્શાવે છે કારણ કે રચનાનો સંકેત પારદર્શકથી સુસંગત તરફ જાય છે. વધુમાં, આ બંધનની દિશા અને મજબૂતાઈ જાળી ગતિની દિશા પર આધાર રાખે છે. અંતે, આ કોષોના પ્રતિભાવોમાંથી ગણતરી કરાયેલ ન્યુરોમેટ્રિક કાર્યો ફક્ત એક દિશાત્મક ગ્રીડ ચળવળના મનોભૌતિક ગુણધર્મો સુધી પહોંચ્યા (પરંતુ હજુ પણ અનુરૂપ નહોતા). ન્યુરોમેટ્રિક અને સાયકોમેટ્રિક બંને કાર્યોનો સારાંશ થ્રેશોલ્ડ સાથે કરવામાં આવ્યો હતો, એટલે કે યોગ્ય રીતે પસંદ કરેલા કોન્ટ્રાસ્ટના લગભગ 84% (ફિટ કરેલા સંચિત ગૌસીયન કાર્યના સરેરાશ + 1 sd ને અનુરૂપ) ને અનુરૂપ. સમગ્ર નમૂનામાં, N/P ગુણોત્તર, ન્યુરોમેટ્રિક થ્રેશોલ્ડનો સાયકોમેટ્રિક થ્રેશોલ્ડ સાથેનો ગુણોત્તર, વાનર N માં સરેરાશ 12.4 ± 1.2 અને વાનર S માં 15.9 ± 1.8 હતો, અને જાળી ઓછામાં ઓછી એક દિશામાં આગળ વધવા માટે, વાનર N (વાનર S) (આકૃતિ 5a) થી ફક્ત ~16% (18). % એકમો પર. આકૃતિમાં બતાવેલ કોષના ઉદાહરણમાંથી. આકૃતિ 3 અને 4 માં બતાવ્યા પ્રમાણે, કોષના પસંદગીના ઓરિએન્ટેશન અને પ્રયોગોમાં ઉપયોગમાં લેવાતી જાળીની ગતિની દિશા વચ્ચેના સંબંધ દ્વારા ચેતાકોષોની સંવેદનશીલતા પ્રભાવિત થઈ શકે છે. ખાસ કરીને, આકૃતિ 3a,c માં ઓરિએન્ટેશન ગોઠવણ વણાંકો એક જ સાઇનસૉઇડલ એરેના ન્યુરોન ઓરિએન્ટેશન સેટિંગ અને આપણા ટેક્ષ્ચર એરેમાં પારદર્શક/સુસંગત ગતિ પ્રત્યે તેની સંવેદનશીલતા વચ્ચેનો સંબંધ દર્શાવે છે. આ બંને વાંદરાઓ માટે કેસ હતો (ANOVA; 10° રિઝોલ્યુશન સાથે જોડાયેલા સંબંધિત પસંદગીના દિશાઓ; વાનર N: F = 2.12, p < 0.01; વાનર S: F = 2.01, p < 0.01). આ બંને વાંદરાઓ માટે કેસ હતો (ANOVA; 10° રિઝોલ્યુશન સાથે જોડાયેલા સંબંધિત પસંદગીના દિશાઓ; વાનર N: F = 2.12, p < 0.01; વાનર S: F = 2.01, p < 0.01). Это имело место для обеих обезьян (ANOVA; относительные предпочтительные направления объединены в группы с; N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). આ બંને વાંદરાઓ માટે કેસ હતો (ANOVA; 10° રિઝોલ્યુશન પર જૂથબદ્ધ સંબંધિત પસંદગીની દિશાઓ; વાનર N: F=2.12, p<0.01; વાનર S: F=2.01, p<0.01).两只猴子都是这种情况（方差分析；以10° 分辨率合并的相对首选方向；猴, 2p. 0.01；猴子S：F = 2.01, p < 0.01）.两 只 猴子 都 是 这 种 （方差 分析 以 10 ° 分辨率 合并 的 ； 对 方向 （方差2.12 ， p <0.01 ； ： ： f = 2.01 ， p <0.01….….…..))))))) Это имело место для обеих обезьян (ANOVA; относительная предпочтительная ориентация объединена при разрешениена при разрешении 10°, F12°; <0,01; обезьяна S: F = 2,01, p <0,01). આ બંને વાંદરાઓ માટે કેસ હતો (ANOVA; 10° રિઝોલ્યુશન પર એકત્રિત સંબંધિત પસંદગીનું ઓરિએન્ટેશન; વાનર N: F=2.12, p<0.01; વાનર S: F=2.01, p<0.01).ચેતાકોષ સંવેદનશીલતામાં મોટા પ્રમાણમાં પરિવર્તનશીલતાને ધ્યાનમાં રાખીને (આકૃતિ 5a), સંબંધિત પસંદગીના ઓરિએન્ટેશન પર ચેતાકોષ સંવેદનશીલતાની અવલંબન કલ્પના કરવા માટે, અમે સૌપ્રથમ દરેક કોષના પસંદગીના ઓરિએન્ટેશનને ગ્રીડ પેટર્ન (એટલે કે દિશા) ની ગતિ માટે "શ્રેષ્ઠ" ઓરિએન્ટેશન માટે સામાન્ય બનાવ્યું. જેમાં ગ્રેટિંગ પસંદગીના કોષ ઓરિએન્ટેશન અને ગ્રેટિંગ પેટર્નના ઓરિએન્ટેશન વચ્ચેનો સૌથી નાનો કોણ બનાવે છે. અમને જાણવા મળ્યું કે ચેતાકોષોના સંબંધિત થ્રેશોલ્ડ ("સૌથી ખરાબ" જાળી ઓરિએન્ટેશન માટે થ્રેશોલ્ડ/"શ્રેષ્ઠ" જાળી ઓરિએન્ટેશન માટે થ્રેશોલ્ડ) આ સામાન્યકૃત પસંદગીના ઓરિએન્ટેશન સાથે બદલાય છે, આ થ્રેશોલ્ડ ગુણોત્તરમાં શિખરો પેટર્ન અથવા ઘટક ઓરિએન્ટેશનની આસપાસ થાય છે (આકૃતિ 5b). )). આ અસરને દરેક નમૂનામાં એકમોમાં પ્લેઇડ પેટર્ન અથવા ઘટક દિશાઓમાંથી એક તરફ પસંદગીની દિશાઓના વિતરણમાં પૂર્વગ્રહ દ્વારા સમજાવી શકાતી નથી (આકૃતિ 5c; રેલે ટેસ્ટ; મંકી N: z = 8.33, p < 10−3, ગોળાકાર સરેરાશ = 190.13 deg ± 9.83 deg; મંકી S: z = 0.79, p = 0.45) અને પ્લેઇડ ઇન્ટર-ગ્રેટિંગ ખૂણાઓમાં સુસંગત હતી (પૂરક આકૃતિ 2). આ અસર દરેક નમૂનામાં એકમોમાં પ્લેઇડ પેટર્ન અથવા ઘટક દિશાઓમાંથી એક તરફ પસંદગીની દિશાઓના વિતરણમાં પૂર્વગ્રહ દ્વારા સમજાવી શકાતી નથી (આકૃતિ 5c; રેલે ટેસ્ટ; મંકી N: z = 8.33, p < 10−3, ગોળાકાર સરેરાશ = 190.13 deg ± 9.83 deg; મંકી S: z = 0.79, p = 0.45) અને પ્લેઇડ ઇન્ટર-ગ્રેટિંગ ખૂણાઓમાં સુસંગત હતી (પૂરક આકૃતિ 2). Этот эффект нельзя было объяснить смещением распределения предпочтительных направлений в единицах в каждой выбогодусть выбогодок клетчатых направлений или направлений компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,33, p < 10–3). આ અસર દરેક નમૂનામાં એકમોમાં પસંદગીની દિશાઓના વિતરણમાં ચેકર્ડ દિશાઓ અથવા ઘટક દિશાઓમાંથી એક તરફના પરિવર્તન દ્વારા સમજાવી શકાતી નથી (આકૃતિ 5c; રેલે ટેસ્ટ; મંકી N: z = 8.33, p < 10–3)., ગોળાકાર સરેરાશ = 190.13 ડિગ્રી ± 9.83 ડિગ્રી; મંકી S: z = 0.79, p = 0.45) અને પ્લેઇડ ગ્રીડના બધા ખૂણાઓ માટે સમાન હતું (પૂરક આકૃતિ 2).这种效应不能通过每个样本中单元中的优选方向分布偏向格子图案或组件方向之一来解释（图5c；瑞利测试；猴子N：z = 8.33，p < 10-3 ，圆形平均值= 190.13 度± 9.83 度；猴子S：z = 0.79，p = 0.45）并且在格子间光栅角上是一致的（补充图2）.这 种 效应 不 能 通过 每 样本 中 单元 中 优选 方向 分布 偏向 偏向 偏向 偏向 图滈滈 滈 偏向来 解释 （图 图 图 瑞利 测试 ； 猴子 n ： z = 8.33 ， p <10-3 ， 平均值 平均圽 平均圽圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形z Этот эффект не может быть объяснен тем, что распределение предпочтительных ориентаций в клетках в каждом обрацовеще в кажмоцовет. структуры решетки, либо в сторону одной из ориентаций компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,30–3, p <). આ અસર એ હકીકત દ્વારા સમજાવી શકાતી નથી કે દરેક નમૂનામાં કોષોમાં પસંદગીના ઓરિએન્ટેશનનું વિતરણ જાળીના બંધારણ તરફ અથવા ઘટક ઓરિએન્ટેશનમાંથી એક તરફ પક્ષપાતી છે (આકૃતિ 5c; રેલેનો ટેસ્ટ; વાનર N: z = 8.33, p < 10–3)., ગોળાકાર સરેરાશ) = 190.13 ડિગ્રી ± 9.83 ડિગ્રી; મંકી S: z = 0.79, p = 0.45) અને ગ્રીડ વચ્ચેના જાળીના ખૂણામાં સમાન હતા (પૂરક આકૃતિ 2).આમ, ટેક્ષ્ચર ગ્રીડ પ્રત્યે ચેતાકોષોની સંવેદનશીલતા, ઓછામાં ઓછા આંશિક રીતે, MT ટ્યુનિંગના મૂળભૂત ગુણધર્મો પર આધાર રાખે છે.
ડાબી પેનલ N/P ગુણોત્તર (ન્યુરોન/સાયકોફિઝીયોલોજીકલ થ્રેશોલ્ડ) નું વિતરણ દર્શાવે છે; દરેક કોષ બે ડેટા પોઈન્ટ પૂરા પાડે છે, દરેક દિશા માટે એક જેમાં પેટર્ન ફરે છે. જમણી પેનલ નમૂનામાંના બધા એકમો માટે સાયકોફિઝિકલ થ્રેશોલ્ડ (ઓર્ડિનેટ) વિરુદ્ધ ન્યુરોનલ થ્રેશોલ્ડ (એબ્સીસા) પ્લોટ કરે છે. ટોચની (નીચલી) પંક્તિમાં ડેટા વાનર N (S) માંથી છે. b નોર્મલાઇઝ્ડ થ્રેશોલ્ડ રેશિયો શ્રેષ્ઠ જાળી ઓરિએન્ટેશન અને પસંદગીના કોષ ઓરિએન્ટેશન વચ્ચેના તફાવતની તીવ્રતા સામે પ્લોટ કરવામાં આવે છે. "શ્રેષ્ઠ" દિશાને પસંદગીના કોષ દિશાની સૌથી નજીક ગ્રેટિંગ સ્ટ્રક્ચર (સિંગલ સાઇનુસોઇડલ ગ્રેટિંગ સાથે માપવામાં આવે છે) ની દિશા તરીકે વ્યાખ્યાયિત કરવામાં આવે છે. ડેટાને પહેલા સામાન્યકૃત પસંદગીના ઓરિએન્ટેશન (10° ડબ્બા) દ્વારા બાઈન કરવામાં આવ્યો હતો, પછી થ્રેશોલ્ડ રેશિયોને મહત્તમ મૂલ્ય સુધી સામાન્ય કરવામાં આવ્યો હતો અને દરેક ડબ્બામાં સરેરાશ કરવામાં આવ્યો હતો. જાળીના ઘટકોના ઓરિએન્ટેશન કરતા થોડા મોટા અથવા નાના પસંદગીના ઓરિએન્ટેશનવાળા કોષોમાં જાળી પેટર્નના ઓરિએન્ટેશન પ્રત્યે સંવેદનશીલતામાં સૌથી મોટો તફાવત હતો. c દરેક વાંદરામાં રેકોર્ડ કરાયેલા તમામ MT એકમોના પસંદગીના ઓરિએન્ટેશન વિતરણનો ગુલાબી હિસ્ટોગ્રામ.
છેલ્લે, MT નો પ્રતિભાવ ગ્રેટિંગ ચળવળની દિશા અને આપણા સેગ્મેન્ટેશન સંકેતો (ટેક્ષ્ચર) ની વિગતો દ્વારા મોડ્યુલેટ થાય છે. ચેતાકોષીય અને મનોભૌતિક સંવેદનશીલતાની સરખામણી દર્શાવે છે કે, સામાન્ય રીતે, MT એકમો વાંદરાઓ કરતાં વિરોધાભાસી રચના સંકેતો પ્રત્યે ખૂબ ઓછા સંવેદનશીલ હતા. જો કે, એકમના પસંદગીના અભિગમ અને ગ્રીડ ચળવળની દિશા વચ્ચેના તફાવતના આધારે ચેતાકોષની સંવેદનશીલતા બદલાઈ ગઈ. સૌથી સંવેદનશીલ કોષોમાં દિશા પસંદગીઓ હોય છે જે લગભગ જાળી પેટર્ન અથવા ઘટક દિશાઓમાંના એકને આવરી લે છે, અને અમારા નમૂનાઓનો એક નાનો સબસેટ વાંદરાઓની વિરોધાભાસ તફાવતોની ધારણા કરતાં સંવેદનશીલ અથવા વધુ સંવેદનશીલ હતો. આ વધુ સંવેદનશીલ એકમોના સંકેતો વાંદરાઓમાં ધારણા સાથે વધુ નજીકથી સંકળાયેલા હતા કે કેમ તે નક્કી કરવા માટે, અમે ધારણા અને ચેતાકોષીય પ્રતિભાવો વચ્ચેના સહસંબંધની તપાસ કરી.
ચેતા પ્રવૃત્તિ અને વર્તન વચ્ચે જોડાણ સ્થાપિત કરવા માટે એક મહત્વપૂર્ણ પગલું એ છે કે ચેતાકોષો અને સતત ઉત્તેજના પ્રત્યે વર્તણૂકીય પ્રતિભાવો વચ્ચે સહસંબંધ સ્થાપિત કરવો. સેગ્મેન્ટેશન જજમેન્ટ્સ સાથે ચેતા પ્રતિભાવોને જોડવા માટે, એક ઉત્તેજના બનાવવી મહત્વપૂર્ણ છે જે સમાન હોવા છતાં, વિવિધ પરીક્ષણોમાં અલગ રીતે જોવામાં આવે. વર્તમાન અભ્યાસમાં, આ સ્પષ્ટપણે શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ ગ્રેટિંગ દ્વારા રજૂ થાય છે. જોકે અમે ભાર મૂકીએ છીએ કે, પ્રાણીઓના સાયકોમેટ્રિક કાર્યોના આધારે, ન્યૂનતમ (~20% કરતા ઓછા) ટેક્સચર કોન્ટ્રાસ્ટ સાથે ગ્રેટિંગ સામાન્ય રીતે સુસંગત અથવા પારદર્શક માનવામાં આવે છે.
MT પ્રતિભાવો ગ્રહણશીલ અહેવાલો સાથે કેટલી હદ સુધી સંકળાયેલા છે તે માપવા માટે, અમે અમારા ગ્રીડ ડેટાનું પસંદગી સંભાવના (CP) વિશ્લેષણ કર્યું (જુઓ 3). ટૂંકમાં, CP એ એક બિન-પેરામેટ્રિક, બિન-માનક માપ છે જે સ્પાઇક પ્રતિભાવો અને ગ્રહણશીલ નિર્ણયો વચ્ચેના સંબંધનું પ્રમાણ નક્કી કરે છે30. શૂન્ય ટેક્સ્ચરલ કોન્ટ્રાસ્ટ અને સત્રો સાથે ગ્રીડનો ઉપયોગ કરીને ટ્રાયલ સુધી વિશ્લેષણને મર્યાદિત કરીને જેમાં વાંદરાઓએ આ ટ્રાયલના દરેક પ્રકાર માટે ઓછામાં ઓછા પાંચ પસંદગીઓ કરી હતી, અમે ગ્રીડ ગતિની દરેક દિશા માટે અલગથી SR ની ગણતરી કરી. વાંદરાઓમાં, અમે સરેરાશ CP મૂલ્ય આકસ્મિક રીતે અપેક્ષા કરતા નોંધપાત્ર રીતે વધારે જોયું (આકૃતિ 6a, d; વાંદરો N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 6.7, p < 10−9 ના શૂન્ય સામે બે-બાજુવાળા t-પરીક્ષણ; વાંદરો S: સરેરાશ CP: 0.55, 95% CI: (0.54, 0.57), બે-બાજુવાળા t-પરીક્ષણ, t = 9.4, p < 10−13). વાંદરાઓમાં, અમે સરેરાશ CP મૂલ્ય આકસ્મિક રીતે અપેક્ષા કરતા નોંધપાત્ર રીતે વધારે જોયું (આકૃતિ 6a, d; વાંદરો N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 6.7, p < 10−9 ના શૂન્ય સામે બે-બાજુવાળા t-પરીક્ષણ; વાંદરો S: સરેરાશ CP: 0.55, 95% CI: (0.54, 0.57), બે-બાજુવાળા t-પરીક્ષણ, t = 9.4, p < 10−13).વાંદરાઓમાં, અમે સરેરાશ CP રેન્ડમલી અપેક્ષા કરતા નોંધપાત્ર રીતે વધારે જોયું (આકૃતિ 6a, d; વાંદરો N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), બે-પૂંછડીવાળા ટી-ટેસ્ટ વિરુદ્ધ શૂન્ય મૂલ્યો).CP = 0,5, t = 6,7, p < 10–9; CP = 0.5, t = 6.7, p < 10–9; обезьяна S: среднее CP: 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10–13) . વાંદરો S: સરેરાશ CP: 0.55, 95% CI: (0.54, 0.57), બે-પૂંછડીવાળો t-પરીક્ષણ, t = 9.4, p < 10–13).在猴子中，我们观察到平均CP 值显着大于我们偶然预期的值（图6a，d；猴子N：5% CI：（0.53，0.56），针对空值的双边t 检验CP = 0.5, t = 6.7, p < 10−9;猴子S: 平均CP: 0.55, 9.5%, 9.5% (95%),双边t 检验, t = ૯.૪, પૃષ્ઠ < ૧૦−૧૩) .在 猴子 中, 我们 观察 平均 平均 值 显着 大于 我们 偶然 的 值 （图 图 值 （图 图 值平均 ： 0.54，95% Ci ： 0.53，0.56）, 空值 检验 CP = 0.5, t = 6.7, p < 10−9; 猴子S: 平均CP: 0.55, 95% CI: (0.54, 0.57), 双边t检验, t=9.4, p < 10−13) У обезьян мы наблюдали средние значения CP, значительно превышающие то, что мы могли бы ожидать случайно (рис; 6a. среднее CP: 0,54, 95% ДИ: (0,53, 0,56), двусторонний t- тест CP против нуля = 0,5, t = 6,7, p < 10-9, обезьяна , 59 CP: DI: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10- 13) . વાંદરાઓમાં, અમે સરેરાશ CP મૂલ્યો આકસ્મિક રીતે અપેક્ષા કરતા ઘણા વધારે જોયા (આકૃતિ 6a, d; વાનર N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), બે-પૂંછડીવાળા ટી-ટેસ્ટ CP વિરુદ્ધ શૂન્ય = 0.5, t = 6.7, p < 10-9, વાનર S: સરેરાશ CP: 0.55, 95% CI: (0.54, 0.57), બે-પૂંછડીવાળા ટી- માપદંડ, t = 9.4, p < 10-13).આમ, જ્યારે પ્રાણીની જાળી ગતિની ધારણા કોષની પસંદગીઓ સાથે મેળ ખાય છે, ત્યારે કોઈપણ સ્પષ્ટ વિભાજન સંકેતોની ગેરહાજરીમાં પણ MT ચેતાકોષો વધુ મજબૂત રીતે કાર્ય કરે છે.
વાંદરાઓ N માંથી રેકોર્ડ કરાયેલા નમૂનાઓ માટે ટેક્સચર સિગ્નલો વિના ગ્રીડ માટે પસંદગી સંભાવના વિતરણ. દરેક કોષ બે ડેટા પોઈન્ટ (ગ્રીડ ગતિની દરેક દિશા માટે એક) સુધી ફાળો આપી શકે છે. રેન્ડમ (સફેદ તીર) ઉપર સરેરાશ CP મૂલ્ય સૂચવે છે કે એકંદરે MT પ્રવૃત્તિ અને ધારણા વચ્ચે નોંધપાત્ર સંબંધ છે. b કોઈપણ સંભવિત પસંદગી પૂર્વગ્રહની અસરની તપાસ કરવા માટે, અમે કોઈપણ ઉત્તેજના માટે અલગથી CP ની ગણતરી કરી જેના માટે વાંદરાઓ ઓછામાં ઓછી એક ભૂલ કરે છે. પસંદગી સંભાવનાઓ બધી ઉત્તેજના (ડાબે) માટે પસંદગી ગુણોત્તર (પ્રીફ/નલ) અને ટેક્સચર માર્ક કોન્ટ્રાસ્ટના સંપૂર્ણ મૂલ્યો (જમણે, 120 વ્યક્તિગત કોષોમાંથી ડેટા) ના કાર્ય તરીકે પ્લોટ કરવામાં આવે છે. ડાબી પેનલમાં ઘન રેખા અને છાંયડો વિસ્તાર 20-પોઇન્ટ મૂવિંગ એવરેજના સરેરાશ ± સેમનું પ્રતિનિધિત્વ કરે છે. અસંતુલિત પસંદગી ગુણોત્તર સાથે ઉત્તેજના માટે ગણતરી કરાયેલ પસંદગી સંભાવનાઓ, જેમ કે ઉચ્ચ સિગ્નલ કોન્ટ્રાસ્ટ સાથે ગ્રીડ, વધુ અલગ હતા અને શક્યતાઓની આસપાસ ક્લસ્ટર કરવામાં આવ્યા હતા. જમણી પેનલમાં ગ્રે-શેડેડ વિસ્તાર ઉચ્ચ પસંદગી સંભાવનાની ગણતરીમાં સમાવિષ્ટ સુવિધાઓના વિરોધાભાસ પર ભાર મૂકે છે. c મોટી પસંદગી (ઓર્ડિનેટ) ની સંભાવના ચેતાકોષ (એબ્સીસા) ના થ્રેશોલ્ડ સામે પ્લોટ કરવામાં આવી છે. પસંદગીની સંભાવના થ્રેશોલ્ડ સાથે નોંધપાત્ર રીતે નકારાત્મક રીતે સંકળાયેલી હતી. કન્વેન્શન df એ ac જેવું જ છે પરંતુ વાનર S ના 157 સિંગલ ડેટા પર લાગુ પડે છે સિવાય કે અન્યથા નોંધવામાં આવે. g બે વાંદરાઓમાંથી દરેક માટે સર્વોચ્ચ પસંદગીની સંભાવના (ઓર્ડિનેટ) નો સામાન્યકૃત પસંદગીની દિશા (એબ્સીસા) સામે પ્લોટ કરવામાં આવે છે. દરેક MT કોષે બે ડેટા પોઈન્ટ (જાળી માળખાની દરેક દિશા માટે એક) ફાળો આપ્યો. h દરેક આંતર-રાસ્ટર કોણ માટે પસંદગીની સંભાવનાના મોટા બોક્સ પ્લોટ. ઘન રેખા મધ્યકને ચિહ્નિત કરે છે, બોક્સની નીચેની અને ઉપરની ધાર અનુક્રમે 25મી અને 75મી ટકાવારી દર્શાવે છે, મૂછો ઇન્ટરક્વાર્ટાઇલ શ્રેણીના 1.5 ગણા સુધી વિસ્તૃત છે, અને આ મર્યાદાથી આગળના આઉટલાયર નોંધવામાં આવે છે. ડાબી (જમણી) પેનલમાં ડેટા 120 (157) વ્યક્તિગત N(S) વાનર કોષોમાંથી છે. i ઉત્તેજના (એબ્સીસા) ની શરૂઆતના સમય સામે પસંદગી (ઓર્ડિનેટ) ની સૌથી વધુ સંભાવના પ્લોટ કરવામાં આવી છે. સમગ્ર પરીક્ષણ દરમિયાન મોટા CP ની ગણતરી સ્લાઇડિંગ લંબચોરસ (પહોળાઈ 100 ms, પગલું 10 ms) માં કરવામાં આવી હતી અને પછી એકમો પર સરેરાશ કરવામાં આવી હતી.
કેટલાક અગાઉના અભ્યાસોએ અહેવાલ આપ્યો છે કે CP બેઝલ રેટ ડિસ્ટ્રિબ્યુશનમાં ટ્રાયલ્સની સંબંધિત સંખ્યા પર આધાર રાખે છે, જેનો અર્થ એ થાય કે આ માપ ઉત્તેજના માટે ઓછો વિશ્વસનીય છે જે દરેક પસંદગીના પ્રમાણમાં મોટા તફાવતનું કારણ બને છે. અમારા ડેટામાં આ અસર ચકાસવા માટે, અમે સાઇન ટેક્સચર કોન્ટ્રાસ્ટને ધ્યાનમાં લીધા વિના, બધી ઉત્તેજના માટે અલગથી CP ની ગણતરી કરી, અને વાંદરાઓએ ઓછામાં ઓછું એક ખોટું ટ્રાયલ કર્યું. CP અનુક્રમે આકૃતિ 6b અને e (ડાબી પેનલ) માં દરેક પ્રાણી માટે પસંદગી ગુણોત્તર (પ્રીફ/નલ) સામે રચાયેલ છે. મૂવિંગ એવરેજને જોતા, તે સ્પષ્ટ છે કે CP પસંદગીના મતભેદોની વિશાળ શ્રેણી પર સંભાવનાથી ઉપર રહે છે, જ્યારે મતભેદ 0.2 (0.8) થી નીચે (વધારો) આવે છે ત્યારે જ ઘટે છે. પ્રાણીઓની સાયકોમેટ્રિક લાક્ષણિકતાઓના આધારે, અમે અપેક્ષા રાખીએ છીએ કે આ તીવ્રતાના પસંદગી ગુણાંક ફક્ત ઉચ્ચ-કોન્ટ્રાસ્ટ ટેક્સચર સંકેતો (સુસંગત અથવા પારદર્શક) સાથે ઉત્તેજના પર લાગુ થશે (આકૃતિ 2a, b માં સાયકોમેટ્રિક સુવિધાઓના ઉદાહરણો જુઓ). આ કેસ હતો કે કેમ અને સ્પષ્ટ સેગ્મેન્ટેશન સિગ્નલો સાથે ઉત્તેજના માટે પણ નોંધપાત્ર પીસી ચાલુ રહે છે કે કેમ તે નક્કી કરવા માટે, અમે પીસી પર સંપૂર્ણ ટેક્સ્ચરલ કોન્ટ્રાસ્ટ મૂલ્યોની અસરની તપાસ કરી (આકૃતિ 6b, e-જમણે). અપેક્ષા મુજબ, મધ્યમ (~20% કોન્ટ્રાસ્ટ અથવા ઓછા) સેગ્મેન્ટેશન સંકેતો ધરાવતી ઉત્તેજના માટે સંભાવના કરતાં CP નોંધપાત્ર રીતે વધારે હતું.
ઓરિએન્ટેશન, સ્પીડ અને મિસમેચ ઓળખ કાર્યોમાં, MT CP સૌથી સંવેદનશીલ ચેતાકોષોમાં સૌથી વધુ હોય છે, કદાચ કારણ કે આ ચેતાકોષો સૌથી વધુ માહિતીપ્રદ સંકેતો વહન કરે છે30,32,33,34.આ તારણોની સાથે સુસંગત, અમે ગ્રાન્ડ સીપી વચ્ચે એક સામાન્ય પરંતુ નોંધપાત્ર સહસંબંધ જોયો, જે આકૃતિના સૌથી જમણી પેનલમાં પ્રકાશિત ટેક્સચર ક્યૂ કોન્ટ્રાસ્ટમાં z-સ્કોર્ડ ફાયરિંગ રેટથી ગણતરી કરવામાં આવ્યો હતો.6b, e, અને ન્યુરોનલ થ્રેશોલ્ડ (આકૃતિ 6c, f; ભૌમિતિક સરેરાશ રીગ્રેશન; વાનર N: r = −0.12, p = 0.07 વાનર S: r = −0.18, p < 10−3). 6b, e, અને ન્યુરોનલ થ્રેશોલ્ડ (આકૃતિ 6c, f; ભૌમિતિક સરેરાશ રીગ્રેશન; વાનર N: r = −0.12, p = 0.07 વાનર S: r = −0.18, p < 10−3).આ તારણોની સાથે સુસંગત, અમે આકૃતિ 6b, e, અને ન્યુરોનલ થ્રેશોલ્ડ (આકૃતિ 6c, f; ભૌમિતિક) ના સૌથી જમણી પેનલમાં પ્રકાશિત ટેક્સચર સિગ્નલ કોન્ટ્રાસ્ટમાંથી ઉત્તેજના આવર્તન z-સ્કોરમાંથી ગણતરી કરાયેલ મોટા CP વચ્ચે એક સામાન્ય પરંતુ નોંધપાત્ર સહસંબંધ જોયો. ભૌમિતિક સરેરાશ રીગ્રેશન;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p < 10-3). વાંદરો N: r = -0.12, p = 0.07 વાંદરો S: r = -0.18, p < 10-3).与这些发现一致,我们观察到大CP 之间存在适度但显着的相关性,这是根捀图e6b和神经元阈值（图6c、f；几何平均回归；猴子N：r = -0.12，p = 0.07 猴子S：r = -0.8.与 这些 发现 一致 ， 我们 到 大 之间 存在 适度 但 显着 的 相关 性 这湛 湛 6和 元 阈值 （图 图 6c 、 f ； 回归 ； 猴子 n ： r = -0.12 ， p = 0.07 猴子S：r = -0.18.આ તારણોની સાથે સુસંગત, અમે આકૃતિ 6b,e અને ચેતાકોષ થ્રેશોલ્ડ (આકૃતિ 6c,f; ભૌમિતિક સરેરાશ રીગ્રેશન; વાનર N: r = -0.12, p = 0.07) માં બતાવ્યા પ્રમાણે મોટા CV વચ્ચે એક સામાન્ય પરંતુ નોંધપાત્ર સહસંબંધ જોયો.Обезьяна S: г = -0,18, р < 10-3). મંકી S: r = -0.18, p < 10-3).તેથી, સૌથી વધુ માહિતીપ્રદ એકમોના સંકેતો વાંદરાઓમાં વ્યક્તિલક્ષી વિભાજનના નિર્ણયો સાથે વધુ સહ-પ્રસાર દર્શાવે છે, જે ગ્રહણાત્મક પૂર્વગ્રહમાં ઉમેરાયેલા કોઈપણ ટેક્સચરલ સંકેતોને ધ્યાનમાં લીધા વિના મહત્વપૂર્ણ છે.
આપેલ છે કે અમે અગાઉ ગ્રીડ ટેક્સચર સિગ્નલો પ્રત્યે સંવેદનશીલતા અને પસંદગીના ન્યુરોનલ ઓરિએન્ટેશન વચ્ચે સંબંધ સ્થાપિત કર્યો હતો, અમને આશ્ચર્ય થયું કે શું CP અને પસંદગીના ઓરિએન્ટેશન વચ્ચે સમાન સંબંધ છે (આકૃતિ 6g). આ જોડાણ વાનર S માં થોડું નોંધપાત્ર હતું (ANOVA; વાનર N: 1.03, p=0.46; વાનર S: F=1.73, p=0.04). અમે કોઈપણ પ્રાણીમાં જાળી વચ્ચે જાળીના ખૂણા માટે CP માં કોઈ તફાવત જોયો નથી (આકૃતિ 6h; ANOVA; વાનર N: F = 1.8, p = 0.11; વાનર S: F = 0.32, p = 0. 9).
છેલ્લે, અગાઉના કાર્ય દર્શાવે છે કે સમગ્ર ટ્રાયલ દરમિયાન CP બદલાય છે. કેટલાક અભ્યાસોએ તીવ્ર વધારો નોંધાવ્યો છે અને ત્યારબાદ પ્રમાણમાં સરળ પસંદગી અસર જોવા મળી છે, 30 જ્યારે અન્ય અભ્યાસોએ ટ્રાયલ દરમિયાન પસંદગી સિગ્નલમાં સતત વધારો નોંધાવ્યો છે31. દરેક વાંદરાઓ માટે, અમે ટ્રાયલ્સમાં દરેક એકમના CP ની ગણતરી શૂન્ય ટેક્સચરલ કોન્ટ્રાસ્ટ (અનુક્રમે, પેટર્ન ઓરિએન્ટેશન અનુસાર) સાથે 100 ms કોષોમાં કરી હતી જે પ્રી-સ્ટીમ્યુલસ શરૂઆતથી પોસ્ટ મીન પ્રી-સ્ટીમ્યુલસ ઓફસેટ સુધી દર 20 ms પર આગળ વધે છે. બે વાંદરાઓ માટે સરેરાશ CP ગતિશીલતા આકૃતિ 6i માં બતાવવામાં આવી છે. બંને કિસ્સાઓમાં, ઉત્તેજનાની શરૂઆત પછી લગભગ 500 ms સુધી CP રેન્ડમ સ્તરે અથવા તેની ખૂબ નજીક રહ્યો, જેના પછી CP ઝડપથી વધ્યો.
સંવેદનશીલતામાં ફેરફાર ઉપરાંત, CP ને સેલ ટ્યુનિંગ લાક્ષણિકતાઓના ચોક્કસ ગુણોથી પણ અસર થતી હોવાનું દર્શાવવામાં આવ્યું છે. ઉદાહરણ તરીકે, ઉકા અને ડીએન્જેલિસ34 એ શોધી કાઢ્યું કે બાયનોક્યુલર મિસમેચ ઓળખ કાર્યમાં CP ઉપકરણના બાયનોક્યુલર મિસમેચ ટ્યુનિંગ વળાંકની સમપ્રમાણતા પર આધાર રાખે છે. આ કિસ્સામાં, એક સંબંધિત પ્રશ્ન એ છે કે શું પેટર્ન દિશા પસંદગીયુક્ત (PDS) કોષો ઘટક દિશા પસંદગીયુક્ત (CDS) કોષો કરતાં વધુ સંવેદનશીલ છે. PDS કોષો બહુવિધ સ્થાનિક દિશાઓ ધરાવતા પેટર્નના સામાન્ય દિશાને એન્કોડ કરે છે, જ્યારે CDS કોષો દિશા પેટર્ન ઘટકોની ગતિવિધિને પ્રતિભાવ આપે છે (આકૃતિ 7a).
મોડ કમ્પોનન્ટ ટ્યુનિંગ સ્ટિમ્યુલસ અને કાલ્પનિક ગ્રેટિંગ (ડાબે) અને ગ્રેટિંગ ઓરિએન્ટેશન ટ્યુનિંગ વણાંકો (જમણે) નું યોજનાકીય પ્રતિનિધિત્વ (સામગ્રી અને પદ્ધતિઓ જુઓ). ટૂંકમાં, જો કોષ પેટર્ન ગતિને સિગ્નલ કરવા માટે ગ્રીડ ઘટકોમાં એકીકૃત થાય છે, તો વ્યક્તિ વ્યક્તિગત ગ્રીડ અને ગ્રીડ ઉત્તેજના (છેલ્લો સ્તંભ, ઘન વળાંક) માટે સમાન ટ્યુનિંગ વણાંકોની અપેક્ષા રાખશે. તેનાથી વિપરીત, જો કોષ સિગ્નલ પેટર્નની ગતિમાં ઘટકોની દિશાઓને એકીકૃત ન કરે, તો વ્યક્તિ ગ્રેટિંગ ગતિની દરેક દિશામાં ટોચ સાથે દ્વિપક્ષીય ટ્યુનિંગ વણાંકોની અપેક્ષા રાખશે જે એક ઘટકને કોષની પસંદગીની દિશામાં રૂપાંતરિત કરે છે (છેલ્લો સ્તંભ, ડેશેડ વણાંકો). . આકૃતિઓ 1 અને 2 માં બતાવેલ કોષો માટે સાઇનસૉઇડલ એરેના ઓરિએન્ટેશનને સમાયોજિત કરવા માટે b (ડાબે) વણાંકો. 3 અને 4 (ટોચની પંક્તિ - આકૃતિઓ 3a, b અને 4a, b (ટોચમાં) માં કોષો; નીચેનું પેનલ - આકૃતિ 3c, d અને 4a, b (નીચે) ના કોષો). (મધ્યમ) જાળી ટ્યુનિંગ પ્રોફાઇલ્સમાંથી ગણતરી કરેલ પેટર્ન અને ઘટક આગાહીઓ. (જમણે) આ કોષોના ગ્રીડને સમાયોજિત કરવું. ટોચ (નીચે) પેનલના કોષોને ટેમ્પલેટ (ઘટક) કોષો તરીકે વર્ગીકૃત કરવામાં આવ્યા છે. નોંધ કરો કે પેટર્ન ઘટકોના વર્ગીકરણ અને સુસંગત/પારદર્શક કોષ ચળવળ માટેની પસંદગીઓ વચ્ચે કોઈ એક-થી-એક પત્રવ્યવહાર નથી (આકૃતિ 4a માં આ કોષો માટે ટેક્સચર લેટીસ પ્રતિભાવો જુઓ). c N (ડાબે) અને S (જમણા) વાંદરાઓમાં નોંધાયેલા બધા કોષો માટે z-સ્કોર ઘટક (abscissa) ના આંશિક સહસંબંધ ગુણાંક સામે પ્લોટ કરાયેલ z-સ્કોર મોડ (ઓર્ડિનેટ) ના આંશિક સહસંબંધનો ગુણાંક. જાડી રેખાઓ કોષોને વર્ગીકૃત કરવા માટે ઉપયોગમાં લેવાતા મહત્વના માપદંડ સૂચવે છે. d ઉચ્ચ પસંદગી સંભાવના (ઓર્ડિનેટ) વિરુદ્ધ મોડ ઇન્ડેક્સ (Zp - Zc) (abscissa) નો પ્લોટ. ડાબી (જમણી) પેનલમાં ડેટા વાંદરો N(S) નો સંદર્ભ આપે છે. કાળા વર્તુળો અંદાજિત એકમોમાં ડેટા સૂચવે છે. બંને પ્રાણીઓમાં, ઉચ્ચ પસંદગી સંભાવના અને પેટર્ન ઇન્ડેક્સ વચ્ચે નોંધપાત્ર સહસંબંધ હતો, જે બહુવિધ ઘટક ઓરિએન્ટેશન સાથે ઉત્તેજનામાં સિગ્નલ પેટર્ન ઓરિએન્ટેશન ધરાવતા કોષો માટે વધુ સમજશક્તિપૂર્ણ સહસંબંધ સૂચવે છે.
તેથી, એક અલગ પરીક્ષણ સમૂહમાં, અમે અમારા નમૂનાઓમાં ચેતાકોષોને PDS અથવા CDS તરીકે વર્ગીકૃત કરવા માટે સાઇનસૉઇડલ ગ્રીડ અને ગ્રીડના પ્રતિભાવો માપ્યા (પદ્ધતિઓ જુઓ). આ ટ્યુનિંગ ડેટામાંથી બનાવેલ જાળી ટ્યુનિંગ વણાંકો, ટેમ્પલેટ ઘટક આગાહીઓ, અને આકૃતિઓ 1 અને 3 માં બતાવેલ કોષો માટે જાળી ટ્યુનિંગ વણાંકો. આકૃતિઓ 3 અને 4 અને પૂરક આકૃતિ 3 આકૃતિ 7b માં બતાવવામાં આવી છે. પેટર્ન વિતરણ અને ઘટક પસંદગી, તેમજ દરેક શ્રેણીમાં પસંદગીનું કોષ દિશા, અનુક્રમે આકૃતિ 7c અને પૂરક આકૃતિ 4 માં દરેક વાંદરાઓ માટે બતાવવામાં આવી છે.
પેટર્ન ઘટકોના સુધારા પર CP ની અવલંબનનું મૂલ્યાંકન કરવા માટે, અમે સૌપ્રથમ પેટર્ન ઇન્ડેક્સ 35 (PI) ની ગણતરી કરી, જેમાંથી મોટા (નાના) મૂલ્યો મોટા PDS (CDS) સમાન વર્તન સૂચવે છે. ઉપરોક્ત નિદર્શનને ધ્યાનમાં રાખીને કે: (i) ન્યુરોનલ સંવેદનશીલતા પસંદગીના કોષ દિશા અને ઉત્તેજનાની ગતિ વચ્ચેના તફાવત સાથે બદલાય છે, અને (ii) અમારા નમૂનામાં ન્યુરોનલ સંવેદનશીલતા અને પસંદગીની સંભાવના વચ્ચે નોંધપાત્ર સહસંબંધ છે, અમને PI વચ્ચેનો સંબંધ મળ્યો અને દરેક કોષની ગતિની "શ્રેષ્ઠ" દિશા માટે કુલ CP નો અભ્યાસ કરવામાં આવ્યો (ઉપર જુઓ). અમને જાણવા મળ્યું કે CP નોંધપાત્ર રીતે PI સાથે સંકળાયેલું હતું (આકૃતિ 7d; ભૌમિતિક સરેરાશ રીગ્રેશન; ગ્રાન્ડ CP મંકી N: r = 0.23, p < 0.01; દ્વિ-સ્થિર CP મંકી N r = 0.21, p = 0.013; ગ્રાન્ડ CP મંકી S: r = 0.30, p < 10−4; દ્વિ-સ્થિર CP મંકી S: r = 0.29, p < 10−3), જે દર્શાવે છે કે PDS તરીકે વર્ગીકૃત કોષો CDS અને અવર્ગીકૃત કોષો કરતાં વધુ પસંદગી-સંબંધિત પ્રવૃત્તિ દર્શાવે છે. અમને જાણવા મળ્યું કે CP નોંધપાત્ર રીતે PI સાથે સંકળાયેલું હતું (આકૃતિ 7d; ભૌમિતિક સરેરાશ રીગ્રેશન; ગ્રાન્ડ CP મંકી N: r = 0.23, p < 0.01; દ્વિ-સ્થિર CP મંકી N r = 0.21, p = 0.013; ગ્રાન્ડ CP મંકી S: r = 0.30, p < 10−4; દ્વિ-સ્થિર CP મંકી S: r = 0.29, p < 10−3), જે દર્શાવે છે કે PDS તરીકે વર્ગીકૃત કોષો CDS અને અવર્ગીકૃત કોષો કરતાં વધુ પસંદગી-સંબંધિત પ્રવૃત્તિ દર્શાવે છે. Мы обнаружили, что CP значительно коррелирует с PI (рис. 7d; регрессия среднего геометрического; большая обезьяна, большая обезьяна,
અમે MT વિસ્તારમાં એક જ પ્રવૃત્તિ રેકોર્ડ કરી, અને વાંદરાઓએ એવા પેટર્નની તેમની ધારણાની જાણ કરી જે સુસંગત અથવા પારદર્શક હિલચાલ તરીકે દેખાઈ શકે છે. પક્ષપાતી ધારણાઓમાં ઉમેરાતા સેગ્મેન્ટેશન સંકેતો પ્રત્યે ચેતાકોષોની સંવેદનશીલતા વ્યાપકપણે બદલાય છે અને ઓછામાં ઓછા આંશિક રીતે, એકમના પસંદગીના ઓરિએન્ટેશન અને ઉત્તેજનાની ગતિવિધિની દિશા વચ્ચેના સંબંધ દ્વારા નક્કી થાય છે. સમગ્ર વસ્તીમાં, ચેતાકોષીય સંવેદનશીલતા મનોભૌતિક સંવેદનશીલતા કરતાં નોંધપાત્ર રીતે ઓછી હતી, જોકે સૌથી સંવેદનશીલ એકમો સેગ્મેન્ટેશન સિગ્નલો સાથે વર્તણૂકીય સંવેદનશીલતા સાથે મેળ ખાતા હતા અથવા ઓળંગી ગયા હતા. વધુમાં, ફાયરિંગ ફ્રીક્વન્સી અને ધારણા વચ્ચે નોંધપાત્ર સહવિચલન છે, જે સૂચવે છે કે MT સિગ્નલિંગ સેગ્મેન્ટેશનમાં ભૂમિકા ભજવે છે. પસંદગીના ઓરિએન્ટેશનવાળા કોષોએ જાળીના સેગ્મેન્ટેશન સિગ્નલોમાં તફાવતો પ્રત્યે તેમની સંવેદનશીલતાને ઑપ્ટિમાઇઝ કરી અને બહુવિધ સ્થાનિક ઓરિએન્ટેશન સાથે ઉત્તેજનામાં વૈશ્વિક ગતિવિધિને સંકેત આપવાનું વલણ રાખ્યું, જે ઉચ્ચતમ સમજશક્તિ સંબંધ દર્શાવે છે. અહીં આપણે આ પરિણામોની અગાઉના કાર્ય સાથે સરખામણી કરતા પહેલા કેટલીક સંભવિત સમસ્યાઓનો વિચાર કરીએ છીએ.
પ્રાણી મોડેલોમાં બિસ્ટેબલ ઉત્તેજનાનો ઉપયોગ કરીને સંશોધન કરવામાં એક મોટી સમસ્યા એ છે કે વર્તણૂકીય પ્રતિભાવો રસના પરિમાણ પર આધારિત ન હોઈ શકે. ઉદાહરણ તરીકે, આપણા વાંદરાઓ જાળી સુસંગતતાની તેમની ધારણાથી સ્વતંત્ર રીતે ટેક્સચર ઓરિએન્ટેશનની તેમની ધારણાની જાણ કરી શકે છે. ડેટાના બે પાસાં સૂચવે છે કે આ કેસ નથી. પ્રથમ, અગાઉના અહેવાલો અનુસાર, અલગ પાડતા એરે ઘટકોના સંબંધિત ઓરિએન્ટેશન કોણને વ્યવસ્થિત રીતે બદલવાથી સુસંગત ધારણાની સંભાવના બદલાઈ ગઈ. બીજું, સરેરાશ, અસર એવા પેટર્ન માટે સમાન છે જેમાં ટેક્સચર સિગ્નલો હોય છે અથવા ન હોય. એકસાથે લેવામાં આવે તો, આ અવલોકનો સૂચવે છે કે વાંદરાઓના પ્રતિભાવો સતત જોડાણ/પારદર્શિતાની તેમની ધારણાને પ્રતિબિંબિત કરે છે.
બીજી સંભવિત સમસ્યા એ છે કે આપણે ચોક્કસ પરિસ્થિતિ માટે ગ્રેટિંગ ગતિ પરિમાણોને ઑપ્ટિમાઇઝ કર્યા નથી. ચેતાકોષીય અને મનોભૌતિક સંવેદનશીલતાની તુલના કરતા ઘણા અગાઉના કાર્યોમાં, દરેક નોંધાયેલ એકમ [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45] માટે ઉત્તેજના વ્યક્તિગત રીતે પસંદ કરવામાં આવી હતી. અહીં આપણે દરેક કોષના ઓરિએન્ટેશનના ગોઠવણને ધ્યાનમાં લીધા વિના, જાળી પેટર્નની ગતિની સમાન બે દિશાઓનો ઉપયોગ કર્યો છે. આ ડિઝાઇન અમને જાળીની ગતિ અને પસંદગીના ઓરિએન્ટેશન વચ્ચે ઓવરલેપ સાથે સંવેદનશીલતા કેવી રીતે બદલાય છે તેનો અભ્યાસ કરવાની મંજૂરી આપે છે, જો કે, તે કોષો સુસંગત અથવા પારદર્શક જાળી પસંદ કરે છે કે કેમ તે નક્કી કરવા માટે પ્રાથમિક આધાર પૂરો પાડતો નથી. તેથી, અમે દરેક કોષના ટેક્ષ્ચર મેશના પ્રતિભાવનો ઉપયોગ કરીને, મેશ ચળવળની દરેક શ્રેણીને પસંદગી અને શૂન્ય લેબલ્સ સોંપવા માટે પ્રયોગમૂલક માપદંડો પર આધાર રાખીએ છીએ. જોકે અસંભવિત હોવા છતાં, આ આપણા સંવેદનશીલતા વિશ્લેષણ અને CP સિગ્નલ શોધના પરિણામોને વ્યવસ્થિત રીતે વિકૃત કરી શકે છે, સંભવિત રીતે કોઈપણ માપને વધારે પડતો અંદાજ આપી શકે છે. જો કે, નીચે ચર્ચા કરાયેલ વિશ્લેષણ અને ડેટાના ઘણા પાસાઓ સૂચવે છે કે આ કેસ નથી.
પ્રથમ, વધુ (ઓછી) પ્રવૃત્તિ ઉત્પન્ન કરતી ઉત્તેજનાને પસંદગીના (નલ) નામો આપવાથી આ પ્રતિભાવ વિતરણોની ભેદભાવક્ષમતા પર કોઈ અસર થતી નથી. તેના બદલે, તે ફક્ત ખાતરી કરે છે કે ન્યુરોમેટ્રિક અને સાયકોમેટ્રિક કાર્યોમાં સમાન ચિહ્ન છે, તેથી તેમની સીધી તુલના કરી શકાય છે. બીજું, CP ની ગણતરી કરવા માટે ઉપયોગમાં લેવાતા પ્રતિભાવો (ટેક્ષ્ચર ગ્રેટિંગ્સ માટે "ખોટા" ટ્રાયલ અને ટેક્સચર કોન્ટ્રાસ્ટ વિના ગ્રેટિંગ્સ માટેના બધા ટ્રાયલ) રીગ્રેશન વિશ્લેષણમાં શામેલ નહોતા જે નક્કી કરે છે કે દરેક કોષ કનેક્ટેડ છે કે પારદર્શક રમતો "પસંદ" કરે છે. આ ખાતરી કરે છે કે પસંદગીની અસરો પસંદગીના/અમાન્ય હોદ્દાઓ તરફ પક્ષપાતી નથી, જેના પરિણામે નોંધપાત્ર પસંદગીની સંભાવના થાય છે.
ન્યુસમ અને તેમના સાથીદારો [36, 39, 46, 47] ના અભ્યાસો ગતિની દિશાના અંદાજિત અંદાજમાં MT ની ભૂમિકા નક્કી કરનારા સૌપ્રથમ હતા. ત્યારબાદના અહેવાલોમાં ઊંડાણમાં MT ભાગીદારી પર ડેટા એકત્રિત કરવામાં આવ્યો છે34,44,48,49,50,51 અને ગતિ32,52, સૂક્ષ્મ દિશા33 અને ગતિ31,53,54 (3D ટકાઉ જંગલો) થી 3D માળખાની ધારણા. અમે આ પરિણામોને બે મહત્વપૂર્ણ રીતે વિસ્તૃત કરીએ છીએ. પ્રથમ, અમે પુરાવા પ્રદાન કરીએ છીએ કે MT પ્રતિભાવો વિઝ્યુમોટર સિગ્નલોના સમજશક્તિ વિભાજનમાં ફાળો આપે છે. બીજું, અમે MT મોડ ઓરિએન્ટેશન પસંદગી અને આ પસંદગી સંકેત વચ્ચેનો સંબંધ જોયો.
સૈદ્ધાંતિક રીતે, હાલના પરિણામો 3-D SFM પરના કાર્ય જેવા જ છે, કારણ કે બંને જટિલ બિસ્ટેબલ ધારણા છે જેમાં ગતિ અને ઊંડાઈ ક્રમનો સમાવેશ થાય છે. ડોડ એટ અલ.31 ને બિસ્ટેબલ 3D SFM સિલિન્ડરના રોટેશનલ ઓરિએન્ટેશનની જાણ કરતા મંકી ટાસ્કમાં મોટી પસંદગી સંભાવના (0.67) મળી. અમને બિસ્ટેબલ ગ્રીડ ઉત્તેજના માટે ઘણી નાની પસંદગી અસર મળી (બંને વાંદરાઓ માટે લગભગ 0.55). CP નું મૂલ્યાંકન પસંદગી ગુણાંક પર આધારિત હોવાથી, વિવિધ કાર્યોમાં વિવિધ પરિસ્થિતિઓ હેઠળ મેળવેલ CP નું અર્થઘટન કરવું મુશ્કેલ છે. જો કે, અમે અવલોકન કરેલી પસંદગી અસરની તીવ્રતા શૂન્ય અને ઓછી ટેક્સચર કોન્ટ્રાસ્ટ ગ્રેટિંગ માટે સમાન હતી, અને જ્યારે અમે પાવર વધારવા માટે ઓછી/કોઈ ટેક્સચર કોન્ટ્રાસ્ટ ઉત્તેજનાને જોડી હતી ત્યારે પણ. તેથી, CP માં આ તફાવત ડેટાસેટ્સ વચ્ચે પસંદગી દરમાં તફાવતને કારણે હોવાની શક્યતા નથી.
3-D SFM ઉત્તેજના અને બિસ્ટેબલ ગ્રીડ માળખા દ્વારા પ્રેરિત તીવ્ર અને ગુણાત્મક રીતે અલગ ગ્રહણશીલ સ્થિતિઓની તુલનામાં, બાદમાંના કિસ્સામાં ધારણા સાથે આવતા MT ફાયરિંગ રેટમાં સામાન્ય ફેરફારો મૂંઝવણભર્યા લાગે છે. એક શક્યતા એ છે કે અમે ઉત્તેજનાના સમગ્ર સમયગાળા દરમિયાન ફાયરિંગ રેટની ગણતરી કરીને પસંદગી અસરને ઓછો અંદાજ આપ્યો હતો. 31 3-D SFM ના કિસ્સામાં વિપરીત, જ્યાં MT પ્રવૃત્તિમાં તફાવત ટ્રાયલ દરમિયાન લગભગ 250 ms જેટલો વિકસિત થયો અને પછી સમગ્ર ટ્રાયલ દરમિયાન સતત વધ્યો, પસંદગી સંકેતોની ટેમ્પોરલ ગતિશીલતાનું અમારું વિશ્લેષણ (બંને વાંદરાઓમાં ઉત્તેજનાની શરૂઆત પછી 500 ms જુઓ. વધુમાં, આ સમયગાળા દરમિયાન તીવ્ર વધારો થયા પછી, અમે ટ્રાયલના બાકીના સમયગાળા દરમિયાન CP માં વધઘટ જોયા. હુપે અને રુબિન55 અહેવાલ આપે છે કે લાંબા ટ્રાયલ દરમિયાન બિસ્ટેબલ લંબચોરસ એરેની માનવ ધારણા ઘણીવાર બદલાય છે. જોકે અમારી ઉત્તેજના ફક્ત 1.5 સેકન્ડ માટે રજૂ કરવામાં આવી હતી, અમારા વાંદરાઓની ધારણા પણ ટ્રાયલ દરમિયાન સુસંગતતાથી પારદર્શિતા સુધી બદલાઈ શકે છે (તેમના પ્રતિભાવો સંકેત પસંદગી સમયે તેમની અંતિમ ધારણાને પ્રતિબિંબિત કરે છે.) તેથી, અમારા કાર્યનું પ્રતિક્રિયા સમય સંસ્કરણ, અથવા યોજના જેમાં વાંદરાઓ સતત તેમની ધારણાની જાણ કરી શકે છે, તે મોટી પસંદગી અસર ધરાવશે તેવી અપેક્ષા છે. છેલ્લી શક્યતા એ છે કે MT સિગ્નલ બે કાર્યોમાં અલગ રીતે વાંચવામાં આવે છે. જોકે લાંબા સમયથી એવું માનવામાં આવે છે કે CPU સિગ્નલો સંવેદનાત્મક ડીકોડિંગ અને સહસંબંધિત અવાજથી પરિણમે છે,56 Gu અને સાથીદારો57 એ શોધી કાઢ્યું કે કોમ્પ્યુટેશનલ મોડેલોમાં, વિવિધ પૂલિંગ વ્યૂહરચનાઓ, સહસંબંધિત પરિવર્તનશીલતાના સ્તરો કરતાં, ડોર્સલ મીડિયા-સુપિરિયર ટેમ્પોરલ ચેતાકોષોમાં CPU ને વધુ સારી રીતે સમજાવી શકે છે. શીટ ચેન્જ ઓરિએન્ટેશન રેકગ્નિશન ટાસ્ક (MSTd). MT માં આપણે જે નાની પસંદગી અસર જોઈ છે તે કદાચ સુસંગતતા અથવા પારદર્શિતાની ધારણાઓ બનાવવા માટે ઘણા ઓછા માહિતીપ્રદ ચેતાકોષોના વ્યાપક એકત્રીકરણને પ્રતિબિંબિત કરે છે. કોઈપણ કિસ્સામાં જ્યાં સ્થાનિક ગતિ સંકેતોને એક અથવા બે પદાર્થો (બિસ્ટેબલ ગ્રેટિંગ્સ) અથવા સામાન્ય પદાર્થોની અલગ સપાટીઓ (3-D SFM) માં જૂથબદ્ધ કરવાના હતા, સ્વતંત્ર પુરાવા છે કે MT પ્રતિભાવો નોંધપાત્ર રીતે સમજશક્તિના નિર્ણયો સાથે સંકળાયેલા હતા, ત્યાં મજબૂત MT પ્રતિભાવો હતા. દ્રશ્ય ગતિ માહિતીનો ઉપયોગ કરીને જટિલ છબીઓને બહુ-ઓબ્જેક્ટ દ્રશ્યોમાં વિભાજીત કરવામાં ભૂમિકા ભજવવાનો પ્રસ્તાવ છે.
ઉપર જણાવ્યા મુજબ, અમે MT પેટર્ન સેલ્યુલર પ્રવૃત્તિ અને ધારણા વચ્ચેના જોડાણની જાણ કરનારા સૌપ્રથમ હતા. Movshon અને તેમના સાથીદારો દ્વારા મૂળ બે-તબક્કાના મોડેલમાં ઘડવામાં આવ્યા મુજબ, મોડ યુનિટ MT નો આઉટપુટ સ્ટેજ છે. જો કે, તાજેતરના કાર્યમાં દર્શાવવામાં આવ્યું છે કે મોડ અને ઘટક કોષો સાતત્યના વિવિધ છેડાઓનું પ્રતિનિધિત્વ કરે છે અને ગ્રહણશીલ ક્ષેત્રની રચનામાં પેરામેટ્રિક તફાવતો મોડ ઘટકોના ટ્યુનિંગ સ્પેક્ટ્રમ માટે જવાબદાર છે. તેથી, અમને CP અને PI વચ્ચે નોંધપાત્ર સહસંબંધ મળ્યો, જે ઊંડાણ ઓળખ કાર્યમાં બાયનોક્યુલર મિસમેચ એડજસ્ટમેન્ટ સમપ્રમાણતા અને CP વચ્ચેના સંબંધ અથવા ફાઇન ઓરિએન્ટેશન ડિસ્ક્રિમિશન કાર્યમાં ઓરિએન્ટેશન સેટિંગ ગોઠવણી વચ્ચેના સંબંધ જેવો જ છે. દસ્તાવેજો અને CP 33 વચ્ચેના સંબંધો. વાંગ અને Movshon62 એ MT ઓરિએન્ટેશન પસંદગી સાથે મોટી સંખ્યામાં કોષોનું વિશ્લેષણ કર્યું અને જોયું કે, સરેરાશ, મોડ ઇન્ડેક્સ ઘણા ટ્યુનિંગ ગુણધર્મો સાથે સંકળાયેલો હતો, જે સૂચવે છે કે મોડ પસંદગી MT વસ્તીમાંથી વાંચી શકાય તેવા અન્ય ઘણા પ્રકારના સંકેતોમાં અસ્તિત્વ ધરાવે છે. . તેથી, MT પ્રવૃત્તિ અને વ્યક્તિલક્ષી દ્રષ્ટિ વચ્ચેના સંબંધના ભવિષ્યના અભ્યાસ માટે, એ નક્કી કરવું મહત્વપૂર્ણ રહેશે કે પેટર્ન ઇન્ડેક્સ અન્ય કાર્ય અને ઉત્તેજના પસંદગી સંકેતો સાથે સમાન રીતે સંબંધિત છે કે નહીં, અથવા શું આ સંબંધ ગ્રહણાત્મક વિભાજનના કિસ્સામાં વિશિષ્ટ છે.
એ જ રીતે, નિએનબોર્ગ અને કમિંગ 42 એ શોધી કાઢ્યું કે V2 માં બાયનોક્યુલર મિસમેચ માટે પસંદગીયુક્ત નજીકના અને દૂરના કોષો ઊંડાઈ ભેદભાવ કાર્યમાં સમાન રીતે સંવેદનશીલ હતા, ફક્ત નજીક-પસંદગી ધરાવતા કોષ વસ્તીએ નોંધપાત્ર CP દર્શાવ્યું હતું. જો કે, વાંદરાઓને પ્રાધાન્યતાપૂર્વક દૂરના તફાવતોનું વજન કરવા માટે ફરીથી તાલીમ આપવાથી વધુ પસંદ કરેલા પાંજરામાં નોંધપાત્ર CP થયા. અન્ય અભ્યાસોએ એવું પણ નોંધ્યું છે કે તાલીમ ઇતિહાસ ગ્રહણાત્મક સહસંબંધો34,40,63 અથવા MT પ્રવૃત્તિ અને વિભેદક ભેદભાવ48 વચ્ચેના કારણભૂત સંબંધ પર આધાર રાખે છે. CP અને શાસન દિશા પસંદગી વચ્ચે આપણે જે સંબંધ જોયો તે સંભવતઃ વાંદરાઓએ અમારી સમસ્યાને ઉકેલવા માટે ઉપયોગમાં લીધેલી ચોક્કસ વ્યૂહરચના પ્રતિબિંબિત કરે છે, અને દ્રશ્ય-મોટર દ્રષ્ટિમાં મોડ પસંદગી સંકેતોની ચોક્કસ ભૂમિકા નહીં. ભવિષ્યના કાર્યમાં, તે નક્કી કરવું મહત્વપૂર્ણ રહેશે કે શું શીખવાનો ઇતિહાસ કયા MT સંકેતોને પસંદગીયુક્ત અને લવચીક રીતે ભારિત કરવામાં આવે છે તે નક્કી કરવા પર નોંધપાત્ર અસર કરે છે કે વિભાજન નિર્ણયો લેવા માટે.
સ્ટોનર અને તેમના સાથીઓ 14,23 એ સૌપ્રથમ અહેવાલ આપ્યો હતો કે ઓવરલેપિંગ ગ્રીડ પ્રદેશોની તેજસ્વીતામાં ફેરફાર માનવ નિરીક્ષક અહેવાલોની સુસંગતતા અને પારદર્શિતા અને મેકાક MT ચેતાકોષોમાં દિશાત્મક ગોઠવણોને અનુમાનિત રીતે અસર કરે છે. લેખકોએ શોધી કાઢ્યું કે જ્યારે ઓવરલેપિંગ પ્રદેશોની તેજસ્વીતા ભૌતિક રીતે પારદર્શિતા સાથે મેળ ખાય છે, ત્યારે નિરીક્ષકોએ વધુ પારદર્શક દ્રષ્ટિકોણની જાણ કરી હતી, જ્યારે MT ચેતાકોષો રાસ્ટર ઘટકોની ગતિશીલતાનો સંકેત આપે છે. તેનાથી વિપરીત, જ્યારે ઓવરલેપિંગ તેજસ્વીતા અને પારદર્શક ઓવરલેપ ભૌતિક રીતે અસંગત હોય છે, ત્યારે નિરીક્ષક સુસંગત ગતિશીલતાને અનુભવે છે, અને MT ચેતાકોષો પેટર્નની વૈશ્વિક ગતિશીલતાને સંકેત આપે છે. આમ, આ અભ્યાસો દર્શાવે છે કે દ્રશ્ય ઉત્તેજનામાં ભૌતિક ફેરફારો જે વિભાજન અહેવાલોને વિશ્વસનીય રીતે પ્રભાવિત કરે છે તે MT ઉત્તેજનામાં પણ અનુમાનિત ફેરફારો પ્રેરિત કરે છે. આ ક્ષેત્રમાં તાજેતરના કાર્યમાં શોધ કરવામાં આવી છે કે કયા MT સંકેતો જટિલ ઉત્તેજનાના ગ્રહણાત્મક દેખાવને ટ્રેક કરે છે18,24,64. ઉદાહરણ તરીકે, MT ચેતાકોષોના સબસેટને રેન્ડમ પોઈન્ટ મોશન મેપ (RDK) માં બાયમોડલ ટ્યુનિંગ પ્રદર્શિત કરતા દર્શાવવામાં આવ્યા છે જેમાં બે દિશાઓ એક દિશાહીન RDK કરતા ઓછી અંતરે છે. સેલ્યુલર ટ્યુનિંગની બેન્ડવિડ્થ 19, 25. નિરીક્ષકો હંમેશા પ્રથમ પેટર્નને પારદર્શક ગતિ તરીકે જુએ છે, ભલે મોટાભાગના MT ચેતાકોષો આ ઉત્તેજનાના પ્રતિભાવમાં યુનિમોડલ અનુકૂલન દર્શાવે છે, અને બધા MT કોષોનો સાદો સરેરાશ યુનિમોડલ વસ્તી પ્રતિભાવ આપે છે. આમ, બાયમોડલ ટ્યુનિંગ દર્શાવતા કોષોનો સબસેટ આ ધારણા માટે ન્યુરલ સબસ્ટ્રેટ બનાવી શકે છે. રસપ્રદ વાત એ છે કે, માર્મોસેટ્સમાં, પરંપરાગત ગ્રીડ અને ગ્રીડ ઉત્તેજનાનો ઉપયોગ કરીને પરીક્ષણ કરવામાં આવ્યું ત્યારે આ વસ્તી PDS કોષો સાથે મેળ ખાતી હતી.
અમારા પરિણામો ઉપરોક્ત કરતાં એક પગલું આગળ વધે છે, જે ગ્રહણશીલ વિભાજનમાં MT ની ભૂમિકા સ્થાપિત કરવા માટે મહત્વપૂર્ણ છે. હકીકતમાં, વિભાજન એક વ્યક્તિલક્ષી ઘટના છે. ઘણા પોલિસ્ટેબલ દ્રશ્ય પ્રદર્શનો દ્રશ્ય પ્રણાલીની એક કરતાં વધુ રીતે સતત ઉત્તેજનાને ગોઠવવા અને અર્થઘટન કરવાની ક્ષમતા દર્શાવે છે. અમારા અભ્યાસમાં ચેતા પ્રતિભાવો અને ગ્રહણશીલ અહેવાલો એકસાથે એકત્રિત કરવાથી અમને MT ફાયરિંગ રેટ અને સતત ઉત્તેજનાના ગ્રહણશીલ અર્થઘટન વચ્ચેના સહવિચલનનું અન્વેષણ કરવાની મંજૂરી મળી. આ સંબંધ દર્શાવ્યા પછી, અમે સ્વીકારીએ છીએ કે કાર્યકારણની દિશા સ્થાપિત થઈ નથી, એટલે કે, અમારા દ્વારા અવલોકન કરાયેલ ગ્રહણશીલ વિભાજનનો સંકેત, જેમ કે કેટલાક દલીલ કરે છે [65, 66, 67], સ્વચાલિત છે કે કેમ તે નક્કી કરવા માટે વધુ પ્રયોગોની જરૂર છે. પ્રક્રિયા ફરીથી ઉચ્ચ વિસ્તારો 68, 69, 70 (આકૃતિ 8) માંથી સંવેદનાત્મક કોર્ટેક્સમાં પાછા આવતા ઉતરતા સંકેતોનું પ્રતિનિધિત્વ કરે છે. MT ના મુખ્ય કોર્ટિકલ લક્ષ્યોમાંના એક, MSTd71 માં પેટર્ન-પસંદગીયુક્ત કોષોના મોટા પ્રમાણના અહેવાલો સૂચવે છે કે MT અને MSTd ના એક સાથે રેકોર્ડિંગનો સમાવેશ કરવા માટે આ પ્રયોગોનો વિસ્તાર કરવો એ ધારણાના ચેતા મિકેનિઝમ્સને વધુ સમજવા તરફ એક સારું પ્રથમ પગલું હશે. સેગ્મેન્ટેશન.
મશીન ટ્રાન્સલેશનમાં પસંદગી-સંબંધિત પ્રવૃત્તિ પર ઘટક અને મોડ ઓરિએન્ટેશન પસંદગી અને ટોપ-ડાઉન પ્રતિસાદની સંભવિત અસરનું બે-તબક્કાનું મોડેલ. અહીં, MT સ્ટેપમાં મોડ દિશા પસંદગી (PDS – “P”) (i) ચોક્કસ મોડ વેલોસિટી સાથે સુસંગત દિશા પસંદગીયુક્ત ઇનપુટ ડેટાના મોટા નમૂના અને (ii) મજબૂત ટ્યુનિંગ સપ્રેશન દ્વારા બનાવવામાં આવે છે. MT (“C”) સ્ટેજના દિશા પસંદગીયુક્ત (CDS) ઘટકમાં ઇનપુટ દિશામાં સાંકડી નમૂના શ્રેણી હોય છે અને તેમાં વધુ ટ્યુનિંગ સપ્રેશન હોતું નથી. અનટ્યુન્ડ ઇન્હિબિશન બંને વસ્તી પર નિયંત્રણ આપે છે. રંગીન તીર પસંદગીના ઉપકરણ ઓરિએન્ટેશન સૂચવે છે. સ્પષ્ટતા માટે, V1-MT કનેક્શન્સનો માત્ર એક સબસેટ અને એક ઘટક મોડ અને ઓરિએન્ટેશન પસંદગી બોક્સ બતાવવામાં આવ્યું છે. અમારા ફીડ-ફોરવર્ડ (FF) પરિણામોનું અર્થઘટન કરવાના સંદર્ભમાં, PDS કોષોમાં વ્યાપક ઇનપુટ સેટિંગ અને મજબૂત ટ્યુનિંગ ઇન્હિબિશન (લાલ રંગમાં પ્રકાશિત) બહુવિધ હિલચાલ પેટર્નના પ્રતિભાવમાં પ્રવૃત્તિમાં મોટા તફાવતો પ્રેરિત કરે છે. અમારી સેગમેન્ટેશન સમસ્યામાં, આ જૂથ નિર્ણય સાંકળો ચલાવે છે અને ધારણાને વિકૃત કરે છે. તેનાથી વિપરીત, પ્રતિસાદ (FB) ના કિસ્સામાં, સંવેદનાત્મક ડેટા અને જ્ઞાનાત્મક પૂર્વગ્રહો દ્વારા અપસ્ટ્રીમ સર્કિટમાં ગ્રહણાત્મક નિર્ણયો ઉત્પન્ન થાય છે, અને PDS કોષો (જાડી રેખાઓ) પર ડાઉનસ્ટ્રીમ FB ની વધુ અસર પસંદગી સંકેતો ઉત્પન્ન કરે છે. b CDS અને PDS ઉપકરણોના વૈકલ્પિક મોડેલોનું યોજનાકીય પ્રતિનિધિત્વ. અહીં MT માં PDS સિગ્નલો ફક્ત V1 ના સીધા ઇનપુટ દ્વારા જ નહીં, પણ V1-V2-MT પાથના પરોક્ષ ઇનપુટ દ્વારા પણ ઉત્પન્ન થાય છે. મોડેલના પરોક્ષ પાથને ટેક્સચર સીમાઓ (ગ્રીડ ઓવરલેપિંગ વિસ્તારો) ને પસંદગી આપવા માટે ગોઠવવામાં આવે છે. MT લેયર CDS મોડ્યુલ પ્રત્યક્ષ અને પરોક્ષ ઇનપુટ્સનો ભારિત સરવાળો કરે છે અને આઉટપુટ PDS મોડ્યુલમાં મોકલે છે. PDS સ્પર્ધાત્મક અવરોધ દ્વારા નિયંત્રિત થાય છે. ફરીથી, ફક્ત તે જ જોડાણો બતાવવામાં આવે છે જે મોડેલના મૂળભૂત આર્કિટેક્ચરને દોરવા માટે જરૂરી છે. અહીં, a માં પ્રસ્તાવિત કરતા અલગ FF મિકેનિઝમ PDS ને સેલ્યુલર જાળી પ્રતિભાવમાં વધુ પરિવર્તનશીલતા તરફ દોરી શકે છે, જે ફરીથી નિર્ણય પેટર્નમાં પૂર્વગ્રહ તરફ દોરી જાય છે. વૈકલ્પિક રીતે, PDS કોષોમાં વધુ CP હજુ પણ PDS કોષો સાથે FB જોડાણની શક્તિ અથવા કાર્યક્ષમતામાં પૂર્વગ્રહનું પરિણામ હોઈ શકે છે. પુરાવા બે અને ત્રણ તબક્કાના MT PDS મોડેલો અને CP FF અને FB અર્થઘટનને સમર્થન આપે છે.
અભ્યાસના હેતુઓ માટે બે પુખ્ત મકાક (મકાકા મુલાટ્ટા), એક નર અને એક માદા (અનુક્રમે 7 અને 5 વર્ષ), 4.5 થી 9.0 કિલો વજન ધરાવતા, નો ઉપયોગ કરવામાં આવ્યો હતો. બધા જંતુરહિત શસ્ત્રક્રિયા પ્રયોગો પહેલાં, પ્રાણીઓને MT વિસ્તારની નજીક આવતા વર્ટિકલ ઇલેક્ટ્રોડ્સ માટે કસ્ટમ-મેઇડ રેકોર્ડિંગ ચેમ્બર, સ્ટેનલેસ સ્ટીલ હેડરેસ્ટ સ્ટેન્ડ (ક્રિસ્ટ ઇન્સ્ટ્રુમેન્ટ્સ, હેગરસ્ટાઉન, MD), અને માપેલા સ્ક્લેરલ સર્ચ કોઇલ સાથે આંખની સ્થિતિ સાથે ઇમ્પ્લાન્ટ કરવામાં આવ્યા હતા. (કુનર વાયર, સાન ડિએગો, કેલિફોર્નિયા). બધા પ્રોટોકોલ યુનાઇટેડ સ્ટેટ્સ ડિપાર્ટમેન્ટ ઓફ એગ્રીકલ્ચર (USDA) ના નિયમો અને નેશનલ ઇન્સ્ટિટ્યૂટ ઓફ હેલ્થ (NIH) ના લેબોરેટરી પ્રાણીઓના માનવીય સંભાળ અને ઉપયોગ માટેની માર્ગદર્શિકાનું પાલન કરે છે અને યુનિવર્સિટી ઓફ શિકાગો ઇન્સ્ટિટ્યૂશનલ એનિમલ કેર એન્ડ યુઝ કમિટી (IAUKC) દ્વારા મંજૂર કરવામાં આવ્યા છે.
બધી દ્રશ્ય ઉત્તેજના કાળા અથવા રાખોડી પૃષ્ઠભૂમિ સામે ગોળાકાર છિદ્રમાં રજૂ કરવામાં આવી હતી. રેકોર્ડિંગ દરમિયાન, આ છિદ્રની સ્થિતિ અને વ્યાસ ઇલેક્ટ્રોડ ટોચ પર ચેતાકોષોના શાસ્ત્રીય ગ્રહણશીલ ક્ષેત્ર અનુસાર ગોઠવવામાં આવ્યા હતા. અમે દ્રશ્ય ઉત્તેજનાની બે વ્યાપક શ્રેણીઓનો ઉપયોગ કર્યો: સાયકોમેટ્રિક ઉત્તેજના અને ટ્યુનિંગ ઉત્તેજના.
સાયકોમેટ્રિક ઉત્તેજના એ એક ગ્રેટિંગ પેટર્ન છે (20 cd/m2, 50% કોન્ટ્રાસ્ટ, 50% ડ્યુટી ચક્ર, 5 ડિગ્રી/સેકન્ડ) જે બે લંબચોરસ ગ્રેટિંગ્સને તેમની દિશાને લંબ દિશામાં વહેતા સુપરઇમ્પોઝ કરીને બનાવવામાં આવે છે (આકૃતિ 1b). અગાઉ દર્શાવવામાં આવ્યું છે કે માનવ નિરીક્ષકો આ ગ્રીડ પેટર્નને બિસ્ટેબલ ઉત્તેજના તરીકે જુએ છે, ક્યારેક એક જ દિશામાં ફરતી એક પેટર્ન તરીકે (સુસંગત ગતિ) અને ક્યારેક બે અલગ સપાટીઓ તરીકે જુદી જુદી દિશામાં ફરતી (પારદર્શક ગતિ). જાળી પેટર્નના ઘટકો, સમપ્રમાણરીતે લક્ષી - જાળી વચ્ચેનો ખૂણો 95° થી 130° સુધીનો છે (સેટમાંથી દોરેલા: 95°, 100°, 105°, 115°, 120°, 125°, 130° °, સમગ્ર સત્ર દરમિયાન 115° પર આઇસોલેશન એંગલ ચેતાકોષો સાચવવામાં આવ્યા ન હતા, પરંતુ અમે અહીં સાયકોફિઝિકલ ડેટાનો સમાવેશ કરીએ છીએ) - આશરે 90° અથવા 270° (પેટર્ન ઓરિએન્ટેશન). દરેક સત્રમાં, ઇન્ટરલેટીસ જાળીના ફક્ત એક ખૂણાનો ઉપયોગ કરવામાં આવ્યો હતો; દરેક સત્ર દરમિયાન, દરેક ટ્રાયલ માટે પેટર્નનું દિશાનિર્દેશ બે શક્યતાઓમાંથી રેન્ડમલી પસંદ કરવામાં આવ્યું હતું.
ગ્રીડની ધારણાને સ્પષ્ટ કરવા અને ક્રિયા માટેના પુરસ્કાર માટે પ્રયોગમૂલક આધાર પૂરો પાડવા માટે, અમે દરેક ગ્રીડ ઘટકના લાઇટ બાર સ્ટેપ 72 માં રેન્ડમ પોઇન્ટ ટેક્સચર દાખલ કરીએ છીએ. આ રેન્ડમલી પસંદ કરેલા પિક્સેલ્સના સબસેટ (આકૃતિ 1c) ની તેજ વધારીને અથવા ઘટાડીને (નિશ્ચિત રકમ દ્વારા) પ્રાપ્ત થાય છે. ટેક્સચર હિલચાલની દિશા એક મજબૂત સંકેત આપે છે જે નિરીક્ષકની ધારણાને સુસંગત અથવા પારદર્શક હિલચાલ તરફ ખસેડે છે (આકૃતિ 1c). સુસંગત પરિસ્થિતિઓમાં, બધા ટેક્સચર, ટેક્સચર લેટીસ કવરના કોઈપણ ઘટકને ધ્યાનમાં લીધા વિના, પેટર્નની દિશામાં અનુવાદિત થાય છે (આકૃતિ 1c, સુસંગત). પારદર્શક સ્થિતિમાં, ટેક્સચર તે આવરી લેતી ગ્રેટિંગની દિશામાં લંબરૂપ ખસે છે (આકૃતિ 1c, પારદર્શક) (પૂરક મૂવી 1). કાર્યની જટિલતાને નિયંત્રિત કરવા માટે, મોટાભાગના સત્રોમાં આ ટેક્સચર માર્ક માટે મિશેલસન કોન્ટ્રાસ્ટ (Lmax-Lmin/Lmax+Lmin) (-80, -40, -20, -10, -5, 0, 5) ના સમૂહથી બદલાય છે. , 10, 20, 40, 80). કોન્ટ્રાસ્ટને રાસ્ટરની સંબંધિત તેજ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે (તેથી 80% ના કોન્ટ્રાસ્ટ મૂલ્યના પરિણામે 36 અથવા 6 cd/m2 ની રચના થશે). મંકી N માં 6 સત્રો અને મંકી S માં 5 સત્રો માટે, અમે સાંકડી ટેક્સ્ચરલ કોન્ટ્રાસ્ટ રેન્જ (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) નો ઉપયોગ કર્યો, જ્યાં મનોભૌતિક લાક્ષણિકતાઓ પૂર્ણ-શ્રેણી કોન્ટ્રાસ્ટ જેવી જ પેટર્નને અનુસરે છે, પરંતુ સંતૃપ્તિ વિના.
ટ્યુનિંગ ઉત્તેજના એ સાઇનસૉઇડલ ગ્રીડ (કોન્ટ્રાસ્ટ 50%, 1 ચક્ર/ડિગ્રી, 5 ડિગ્રી/સેકન્ડ) છે જે 16 સમાન અંતરવાળી દિશાઓમાંથી એકમાં ફરે છે, અથવા સાઇનસૉઇડલ ગ્રીડ છે જે આ દિશામાં ફરે છે (એકબીજાની ટોચ પર બે વિરુદ્ધ 135° ખૂણાઓ સુપરઇમ્પોઝ્ડ સાઇનસૉઇડલ ગ્રેટિંગ્સનો સમાવેશ થાય છે). પેટર્નની સમાન દિશામાં.
પોસ્ટ સમય: નવેમ્બર-૧૩-૨૦૨૨
