Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್ ಆವೃತ್ತಿಯು ಸೀಮಿತ CSS ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಅನುಭವಕ್ಕಾಗಿ, ನೀವು ನವೀಕರಿಸಿದ ಬ್ರೌಸರ್ ಅನ್ನು ಬಳಸಬೇಕೆಂದು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿ). ಈ ಮಧ್ಯೆ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಶೈಲಿಗಳು ಮತ್ತು ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ರೆಂಡರ್ ಮಾಡುತ್ತೇವೆ.
ಒಂದೇ ಸಮಯದಲ್ಲಿ ಮೂರು ಸ್ಲೈಡ್‌ಗಳನ್ನು ತೋರಿಸುವ ಕ್ಯಾರೋಸೆಲ್. ಒಂದೇ ಸಮಯದಲ್ಲಿ ಮೂರು ಸ್ಲೈಡ್‌ಗಳ ಮೂಲಕ ಚಲಿಸಲು ಹಿಂದಿನ ಮತ್ತು ಮುಂದಿನ ಬಟನ್‌ಗಳನ್ನು ಬಳಸಿ, ಅಥವಾ ಒಂದೇ ಸಮಯದಲ್ಲಿ ಮೂರು ಸ್ಲೈಡ್‌ಗಳ ಮೂಲಕ ಚಲಿಸಲು ಕೊನೆಯಲ್ಲಿರುವ ಸ್ಲೈಡರ್ ಬಟನ್‌ಗಳನ್ನು ಬಳಸಿ.
ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ದೃಷ್ಟಿಗೆ ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ಉತ್ತಮ ರೆಟಿನಲ್ ಮಾದರಿ ಮತ್ತು ಏಕೀಕರಣದ ಅಗತ್ಯವಿದೆ. ವಿಭಿನ್ನ ವಸ್ತುಗಳಿಂದ ಸ್ಥಳೀಯ ಮಾದರಿಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುವಾಗ, ನಿಖರತೆ ಕಳೆದುಹೋಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ. ಆದ್ದರಿಂದ, ಪ್ರತ್ಯೇಕ ಪ್ರಕ್ರಿಯೆಗಾಗಿ ಚಿತ್ರದ ಪ್ರದೇಶಗಳ ಗುಂಪು ಮಾಡುವಿಕೆಯಾದ ವಿಭಜನೆಯು ಗ್ರಹಿಕೆಗೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಹಿಂದಿನ ಕೆಲಸದಲ್ಲಿ, ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಚಲಿಸುವ ಮೇಲ್ಮೈಗಳೆಂದು ಪರಿಗಣಿಸಬಹುದಾದ ಬಿಸ್ಟಬಲ್ ಲ್ಯಾಟಿಸ್ ರಚನೆಗಳನ್ನು ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತಿತ್ತು. ಇಲ್ಲಿ, ಪ್ರೈಮೇಟ್ ದೃಶ್ಯ ಮಾರ್ಗದ ಮಧ್ಯಂತರ ಪ್ರದೇಶಗಳಲ್ಲಿ ಚಟುವಟಿಕೆ ಮತ್ತು ವಿಭಜನಾ ತೀರ್ಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಾವು ವರದಿ ಮಾಡುತ್ತೇವೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಆಯ್ದ ಓರಿಯಂಟಿಂಗ್ ಮೀಡಿಯನ್ ಟೆಂಪರಲ್ ನ್ಯೂರಾನ್‌ಗಳು ಬಿಸ್ಟಬಲ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳ ಗ್ರಹಿಕೆಯನ್ನು ವಿರೂಪಗೊಳಿಸಲು ಬಳಸುವ ವಿನ್ಯಾಸ ಸೂಚನೆಗಳಿಗೆ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ ಮತ್ತು ಪ್ರಯೋಗಗಳು ಮತ್ತು ನಿರಂತರ ಪ್ರಚೋದಕಗಳ ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಯ ನಡುವೆ ಗಮನಾರ್ಹ ಸಂಬಂಧವನ್ನು ತೋರಿಸಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ. ಬಹು ಸ್ಥಳೀಯ ದಿಕ್ಕುಗಳೊಂದಿಗೆ ಮಾದರಿಗಳಲ್ಲಿ ಜಾಗತಿಕ ಚಲನೆಯನ್ನು ಸೂಚಿಸುವ ಘಟಕಗಳಲ್ಲಿ ಈ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ. ಹೀಗಾಗಿ, ಮಧ್ಯಂತರ ಸಮಯ ಡೊಮೇನ್ ಸಂಕೀರ್ಣ ದೃಶ್ಯಗಳನ್ನು ಘಟಕ ವಸ್ತುಗಳು ಮತ್ತು ಮೇಲ್ಮೈಗಳಾಗಿ ಬೇರ್ಪಡಿಸಲು ಬಳಸುವ ಸಂಕೇತಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ.
ದೃಷ್ಟಿಯು ಅಂಚಿನ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ವೇಗದಂತಹ ಪ್ರಾಥಮಿಕ ಚಿತ್ರ ಗುಣಲಕ್ಷಣಗಳ ನಿಖರವಾದ ತಾರತಮ್ಯವನ್ನು ಮಾತ್ರವಲ್ಲದೆ, ವಸ್ತುವಿನ ಆಕಾರ ಮತ್ತು ಪಥ1 ನಂತಹ ಪರಿಸರ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಈ ಗುಣಲಕ್ಷಣಗಳ ಸರಿಯಾದ ಏಕೀಕರಣವನ್ನು ಅವಲಂಬಿಸಿದೆ. ಆದಾಗ್ಯೂ, ರೆಟಿನಾದ ಚಿತ್ರಗಳು ಹಲವಾರು ಸಮಾನವಾಗಿ ತೋರಿಕೆಯ ವೈಶಿಷ್ಟ್ಯ ಗುಂಪುಗಳನ್ನು 2, 3, 4 ಬೆಂಬಲಿಸಿದಾಗ ಸಮಸ್ಯೆಗಳು ಉದ್ಭವಿಸುತ್ತವೆ (ಚಿತ್ರ 1a). ಉದಾಹರಣೆಗೆ, ಎರಡು ಸೆಟ್ ವೇಗ ಸಂಕೇತಗಳು ತುಂಬಾ ಹತ್ತಿರದಲ್ಲಿದ್ದಾಗ, ಇದನ್ನು ಒಂದು ಚಲಿಸುವ ವಸ್ತು ಅಥವಾ ಹಲವಾರು ಚಲಿಸುವ ವಸ್ತುಗಳು ಎಂದು ಸಮಂಜಸವಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬಹುದು (ಚಿತ್ರ 1b). ಇದು ವಿಭಜನೆಯ ವ್ಯಕ್ತಿನಿಷ್ಠ ಸ್ವರೂಪವನ್ನು ವಿವರಿಸುತ್ತದೆ, ಅಂದರೆ ಇದು ಚಿತ್ರದ ಸ್ಥಿರ ಆಸ್ತಿಯಲ್ಲ, ಆದರೆ ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕ್ರಿಯೆ. ಸಾಮಾನ್ಯ ಗ್ರಹಿಕೆಗೆ ಅದರ ಸ್ಪಷ್ಟ ಪ್ರಾಮುಖ್ಯತೆಯ ಹೊರತಾಗಿಯೂ, ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ನರ ಆಧಾರದ ಬಗ್ಗೆ ನಮ್ಮ ತಿಳುವಳಿಕೆ ಅತ್ಯುತ್ತಮವಾಗಿ ಅಪೂರ್ಣವಾಗಿಯೇ ಉಳಿದಿದೆ.
ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ಸಮಸ್ಯೆಯ ಕಾರ್ಟೂನ್ ವಿವರಣೆ. ನೆಕ್ಕರ್ ಘನದಲ್ಲಿ (ಎಡ) ಆಳದ ವೀಕ್ಷಕನ ಗ್ರಹಿಕೆ ಎರಡು ಸಂಭಾವ್ಯ ವಿವರಣೆಗಳ ನಡುವೆ (ಬಲ) ಪರ್ಯಾಯವಾಗಿರುತ್ತದೆ. ಏಕೆಂದರೆ ಚಿತ್ರದಲ್ಲಿ ಮೆದುಳಿಗೆ ಆಕೃತಿಯ 3D ದೃಷ್ಟಿಕೋನವನ್ನು ಅನನ್ಯವಾಗಿ ನಿರ್ಧರಿಸಲು ಅನುಮತಿಸುವ ಯಾವುದೇ ಸಂಕೇತಗಳಿಲ್ಲ (ಬಲಭಾಗದಲ್ಲಿರುವ ಏಕವರ್ಣದ ಮುಚ್ಚುವಿಕೆ ಸಂಕೇತದಿಂದ ಒದಗಿಸಲಾಗಿದೆ). b ಬಹು ಚಲನೆಯ ಸಂಕೇತಗಳನ್ನು ಪ್ರಾದೇಶಿಕ ಸಾಮೀಪ್ಯದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ, ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಯು ಸ್ಥಳೀಯ ಮಾದರಿಗಳು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ವಸ್ತುಗಳಿಂದ ಬಂದಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಬೇಕು. ಸ್ಥಳೀಯ ಚಲನೆಯ ಸಂಕೇತಗಳ ಅಂತರ್ಗತ ಅಸ್ಪಷ್ಟತೆ, ಅಂದರೆ ವಸ್ತು ಚಲನೆಗಳ ಅನುಕ್ರಮವು ಒಂದೇ ಸ್ಥಳೀಯ ಚಲನೆಯನ್ನು ಉತ್ಪಾದಿಸಬಹುದು, ಇದರ ಪರಿಣಾಮವಾಗಿ ದೃಶ್ಯ ಇನ್‌ಪುಟ್‌ನ ಬಹು ಸಮಾನವಾಗಿ ತೋರಿಕೆಯ ವ್ಯಾಖ್ಯಾನಗಳು ಉಂಟಾಗಬಹುದು, ಅಂದರೆ ಇಲ್ಲಿ ವೆಕ್ಟರ್ ಕ್ಷೇತ್ರಗಳು ಒಂದೇ ಮೇಲ್ಮೈಯ ಸುಸಂಬದ್ಧ ಚಲನೆಯಿಂದ ಅಥವಾ ಅತಿಕ್ರಮಿಸುವ ಮೇಲ್ಮೈಗಳ ಪಾರದರ್ಶಕ ಚಲನೆಯಿಂದ ಉದ್ಭವಿಸಬಹುದು. c (ಎಡ) ನಮ್ಮ ಟೆಕ್ಸ್ಚರ್ಡ್ ಗ್ರಿಡ್ ಪ್ರಚೋದನೆಯ ಉದಾಹರಣೆ. ಆಯತಾಕಾರದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳು ಅವುಗಳ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿ ಚಲಿಸುವ ("ಘಟಕ ನಿರ್ದೇಶನಗಳು" - ಬಿಳಿ ಬಾಣಗಳು) ಪರಸ್ಪರ ಅತಿಕ್ರಮಿಸಿ ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯನ್ನು ರೂಪಿಸುತ್ತವೆ. ಲ್ಯಾಟಿಸ್ ಅನ್ನು ಏಕ, ನಿಯಮಿತ, ಸಂಪರ್ಕಿತ ದಿಕ್ಕುಗಳ ಚಲನೆ (ಕೆಂಪು ಬಾಣಗಳು) ಅಥವಾ ಸಂಯುಕ್ತ ದಿಕ್ಕುಗಳ ಪಾರದರ್ಶಕ ಚಲನೆ ಎಂದು ಗ್ರಹಿಸಬಹುದು. ಯಾದೃಚ್ಛಿಕ ಬಿಂದು ವಿನ್ಯಾಸ ಸೂಚನೆಗಳನ್ನು ಸೇರಿಸುವುದರಿಂದ ಜಾಲರಿಯ ಗ್ರಹಿಕೆ ವಿರೂಪಗೊಳ್ಳುತ್ತದೆ. (ಮಧ್ಯ) ಹಳದಿ ಬಣ್ಣದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಪ್ರದೇಶವನ್ನು ಕ್ರಮವಾಗಿ ವಿಸ್ತರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸುಸಂಬದ್ಧ ಮತ್ತು ಪಾರದರ್ಶಕ ಸಂಕೇತಗಳಿಗಾಗಿ ಚೌಕಟ್ಟುಗಳ ಸರಣಿಯಾಗಿ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಸಂದರ್ಭದಲ್ಲಿ ಚುಕ್ಕೆಯ ಚಲನೆಯನ್ನು ಹಸಿರು ಮತ್ತು ಕೆಂಪು ಬಾಣಗಳಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. (ಬಲ) ಚೌಕಟ್ಟುಗಳ ಸಂಖ್ಯೆಗೆ ವಿರುದ್ಧವಾಗಿ ಆಯ್ಕೆ ಬಿಂದುವಿನ ಸ್ಥಾನದ (x, y) ಗ್ರಾಫ್. ಸುಸಂಬದ್ಧ ಸಂದರ್ಭದಲ್ಲಿ, ಎಲ್ಲಾ ರಚನೆಗಳು ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುತ್ತವೆ. ಪಾರದರ್ಶಕತೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ರಚನೆಯು ಘಟಕದ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ. d ನಮ್ಮ ಚಲನೆಯ ವಿಭಜನೆ ಕಾರ್ಯದ ಕಾರ್ಟೂನ್ ವಿವರಣೆ. ಕೋತಿಗಳು ಪ್ರತಿ ಪ್ರಯೋಗವನ್ನು ಸಣ್ಣ ಚುಕ್ಕೆಯನ್ನು ಸರಿಪಡಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸಿದವು. ಸ್ವಲ್ಪ ವಿಳಂಬದ ನಂತರ, MT RF ನ ಸ್ಥಳದಲ್ಲಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ತುರಿಯುವ ಮಾದರಿ (ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆ) ಮತ್ತು ವಿನ್ಯಾಸ ಸಂಕೇತದ ಗಾತ್ರ (ಉದಾ. ಕಾಂಟ್ರಾಸ್ಟ್) ಕಾಣಿಸಿಕೊಂಡವು. ಪ್ರತಿ ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ, ತುರಿಯುವಿಕೆಯು ಮಾದರಿಯ ಎರಡು ಸಂಭಾವ್ಯ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಚಲಿಸಬಹುದು. ಪ್ರಚೋದನೆಯ ಹಿಂತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯ ನಂತರ, ಆಯ್ಕೆ ಗುರಿಗಳು MT RF ಮೇಲೆ ಮತ್ತು ಕೆಳಗೆ ಕಾಣಿಸಿಕೊಂಡವು. ಕೋತಿಗಳು ಸ್ಯಾಕೇಡ್‌ಗಳಲ್ಲಿ ಗ್ರಿಡ್‌ನ ತಮ್ಮ ಗ್ರಹಿಕೆಯನ್ನು ಸೂಕ್ತ ಆಯ್ಕೆ ಗುರಿಗೆ ಸೂಚಿಸಬೇಕು.
ದೃಶ್ಯ ಚಲನೆಗಳ ಸಂಸ್ಕರಣೆಯನ್ನು ಉತ್ತಮವಾಗಿ ನಿರೂಪಿಸಲಾಗಿದೆ ಮತ್ತು ಹೀಗಾಗಿ ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ನರ ಸರ್ಕ್ಯೂಟ್‌ಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಹಲವಾರು ಕಂಪ್ಯೂಟೇಶನಲ್ ಅಧ್ಯಯನಗಳು ಎರಡು-ಹಂತದ ಚಲನೆಯ ಸಂಸ್ಕರಣಾ ಮಾದರಿಗಳ ಉಪಯುಕ್ತತೆಯನ್ನು ಗಮನಿಸಿವೆ, ಇದರಲ್ಲಿ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಆರಂಭಿಕ ಅಂದಾಜನ್ನು ಸ್ಥಳೀಯ ಮಾದರಿಗಳ ಆಯ್ದ ಏಕೀಕರಣದಿಂದ ಶಬ್ದವನ್ನು ತೆಗೆದುಹಾಕಲು ಮತ್ತು ವಸ್ತುವಿನ ವೇಗವನ್ನು ಪುನಃಸ್ಥಾಪಿಸಲು 7,8. ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಗಳು ಈ ಸಮೂಹವನ್ನು ಸಾಮಾನ್ಯ ವಸ್ತುಗಳಿಂದ ಸ್ಥಳೀಯ ಮಾದರಿಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತಗೊಳಿಸಲು ಕಾಳಜಿ ವಹಿಸಬೇಕು ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ. ಸ್ಥಳೀಯ ಚಲನೆಯ ಸಂಕೇತಗಳನ್ನು ಹೇಗೆ ವಿಂಗಡಿಸಲಾಗಿದೆ ಎಂಬುದರ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಭೌತಿಕ ಅಂಶಗಳನ್ನು ಮನೋಭೌತಿಕ ಅಧ್ಯಯನಗಳು ವಿವರಿಸಿವೆ, ಆದರೆ ಅಂಗರಚನಾ ಪಥಗಳು ಮತ್ತು ನರ ಸಂಕೇತಗಳ ಆಕಾರವು ಮುಕ್ತ ಪ್ರಶ್ನೆಗಳಾಗಿಯೇ ಉಳಿದಿವೆ. ಪ್ರೈಮೇಟ್ ಕಾರ್ಟೆಕ್ಸ್‌ನ ತಾತ್ಕಾಲಿಕ (MT) ಪ್ರದೇಶದಲ್ಲಿನ ದೃಷ್ಟಿಕೋನ-ಆಯ್ದ ಕೋಶಗಳು ನರ ತಲಾಧಾರಗಳಿಗೆ ಅಭ್ಯರ್ಥಿಗಳಾಗಿವೆ ಎಂದು ಹಲವಾರು ವರದಿಗಳು ಸೂಚಿಸುತ್ತವೆ.
ಮುಖ್ಯವಾಗಿ, ಈ ಹಿಂದಿನ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ನರ ಚಟುವಟಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳು ದೃಶ್ಯ ಪ್ರಚೋದಕಗಳಲ್ಲಿನ ಭೌತಿಕ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ. ಆದಾಗ್ಯೂ, ಮೇಲೆ ಹೇಳಿದಂತೆ, ವಿಭಜನೆಯು ಮೂಲಭೂತವಾಗಿ ಒಂದು ಗ್ರಹಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಆದ್ದರಿಂದ, ಅದರ ನರ ತಲಾಧಾರದ ಅಧ್ಯಯನವು ನರ ಚಟುವಟಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳನ್ನು ಸ್ಥಿರ ಪ್ರಚೋದಕಗಳ ಗ್ರಹಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಜೋಡಿಸುವ ಅಗತ್ಯವಿದೆ. ಆದ್ದರಿಂದ, ಅತಿಕ್ರಮಿಸಿದ ಡ್ರಿಫ್ಟಿಂಗ್ ಆಯತಾಕಾರದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಂದ ರೂಪುಗೊಂಡ ಗ್ರಹಿಸಿದ ಬಿಸ್ಟಬಲ್ ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯು ಒಂದೇ ಮೇಲ್ಮೈಯೇ ಅಥವಾ ಎರಡು ಸ್ವತಂತ್ರ ಮೇಲ್ಮೈಯೇ ಎಂದು ವರದಿ ಮಾಡಲು ನಾವು ಎರಡು ಮಂಗಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ. ನರ ಚಟುವಟಿಕೆ ಮತ್ತು ವಿಭಜನೆಯ ತೀರ್ಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು, ಮಂಗಗಳು ಈ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಿದಾಗ ನಾವು MT ಯಲ್ಲಿ ಒಂದೇ ಚಟುವಟಿಕೆಯನ್ನು ದಾಖಲಿಸಿದ್ದೇವೆ.
MT ಚಟುವಟಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆಯ ಅಧ್ಯಯನದ ನಡುವೆ ಗಮನಾರ್ಹ ಸಂಬಂಧವನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ. ಪ್ರಚೋದಕಗಳು ಬಹಿರಂಗ ವಿಭಜನೆ ಸೂಚನೆಗಳನ್ನು ಒಳಗೊಂಡಿವೆಯೋ ಇಲ್ಲವೋ ಎಂಬುದನ್ನು ಲೆಕ್ಕಿಸದೆ ಈ ಪರಸ್ಪರ ಸಂಬಂಧ ಅಸ್ತಿತ್ವದಲ್ಲಿತ್ತು. ಇದರ ಜೊತೆಗೆ, ಈ ಪರಿಣಾಮದ ಬಲವು ವಿಭಜನೆ ಸಂಕೇತಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆಗೆ ಹಾಗೂ ಮಾದರಿ ಸೂಚ್ಯಂಕಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ. ಎರಡನೆಯದು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ಸ್ಥಳೀಯ ಚಲನೆಗಿಂತ ಘಟಕವು ಜಾಗತಿಕವಾಗಿ ಹೊರಸೂಸುವ ಮಟ್ಟವನ್ನು ಪರಿಮಾಣಿಸುತ್ತದೆ. ಫ್ಯಾಷನ್ ನಿರ್ದೇಶನಕ್ಕಾಗಿ ಆಯ್ಕೆಯು MT ಯ ವ್ಯಾಖ್ಯಾನಿಸುವ ಲಕ್ಷಣವೆಂದು ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಗುರುತಿಸಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಫ್ಯಾಷನ್-ಆಯ್ದ ಕೋಶಗಳು ಆ ಪ್ರಚೋದಕಗಳ ಮಾನವ ಗ್ರಹಿಕೆಗೆ ಅನುಗುಣವಾಗಿ ಸಂಕೀರ್ಣ ಪ್ರಚೋದಕಗಳಿಗೆ ಟ್ಯೂನಿಂಗ್ ಅನ್ನು ತೋರಿಸುತ್ತವೆ, ನಮ್ಮ ಜ್ಞಾನದ ಅತ್ಯುತ್ತಮ ಮಟ್ಟಿಗೆ, ಮಾದರಿಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧಕ್ಕೆ ಇದು ಮೊದಲ ಪುರಾವೆಯಾಗಿದೆ. ಸೂಚ್ಯಂಕ ಮತ್ತು ಗ್ರಹಿಕೆಯ ವಿಭಜನೆ.
ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳ (ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಗಳು) ಗ್ರಹಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಾವು ಎರಡು ಮಂಗಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ. ಮಾನವ ವೀಕ್ಷಕರು ಸಾಮಾನ್ಯವಾಗಿ ಈ ಪ್ರಚೋದಕಗಳನ್ನು ಸರಿಸುಮಾರು ಒಂದೇ ಆವರ್ತನದ ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಗಳೆಂದು ಗ್ರಹಿಸುತ್ತಾರೆ. ಈ ಪ್ರಯೋಗದಲ್ಲಿ ಸರಿಯಾದ ಉತ್ತರವನ್ನು ನೀಡಲು ಮತ್ತು ಆಪರೇಂಟ್ ಪ್ರತಿಫಲಕ್ಕೆ ಆಧಾರವನ್ನು ಹೊಂದಿಸಲು, ಲ್ಯಾಟಿಸ್ ಅನ್ನು ರೂಪಿಸುವ ಘಟಕದ ರಾಸ್ಟರ್ ಅನ್ನು ಟೆಕ್ಸ್ಚರ್ ಮಾಡುವ ಮೂಲಕ ನಾವು ಸೆಗ್ಮೆಂಟೇಶನ್ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 1c, d). ಸುಸಂಬದ್ಧ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಎಲ್ಲಾ ಟೆಕಶ್ಚರ್‌ಗಳು ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುತ್ತವೆ (ಚಿತ್ರ 1c, "ಸುಸಂಬದ್ಧ"). ಪಾರದರ್ಶಕ ಸ್ಥಿತಿಯಲ್ಲಿ, ಟೆಕಶ್ಚರ್ ಅದನ್ನು ಅತಿಕ್ರಮಿಸಲಾದ ಗ್ರ್ಯಾಟಿಂಗ್‌ನ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿ ಚಲಿಸುತ್ತದೆ (ಚಿತ್ರ 1c, "ಪಾರದರ್ಶಕ"). ಈ ಟೆಕಶ್ಚರ್ ಲೇಬಲ್‌ನ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಬದಲಾಯಿಸುವ ಮೂಲಕ ನಾವು ಕಾರ್ಯದ ಕಷ್ಟವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತೇವೆ. ಕ್ಯೂಡ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಟೆಕಶ್ಚರ್ ಸೂಚನೆಗಳಿಗೆ ಅನುಗುಣವಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಮಂಗಗಳಿಗೆ ಬಹುಮಾನ ನೀಡಲಾಯಿತು ಮತ್ತು ಟೆಕಶ್ಚರ್ ಸೂಚನೆಗಳಿಲ್ಲದ (ಶೂನ್ಯ ಟೆಕಶ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಸ್ಥಿತಿ) ಮಾದರಿಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಯಾದೃಚ್ಛಿಕವಾಗಿ (50/50 ಆಡ್ಸ್) ಬಹುಮಾನಗಳನ್ನು ನೀಡಲಾಯಿತು.
ಎರಡು ಪ್ರಾತಿನಿಧಿಕ ಪ್ರಯೋಗಗಳಿಂದ ಬಂದ ವರ್ತನೆಯ ದತ್ತಾಂಶವನ್ನು ಚಿತ್ರ 2a ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ, ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಕ್ರಮವಾಗಿ ಮೇಲಕ್ಕೆ ಅಥವಾ ಕೆಳಕ್ಕೆ ಬದಲಾಗುವ ಮಾದರಿಗಳಿಗೆ ಸುಸಂಬದ್ಧತೆ ಮತ್ತು ವಿನ್ಯಾಸ ಸಂಕೇತಗಳ ವ್ಯತಿರಿಕ್ತತೆಯ ತೀರ್ಪುಗಳ ಅನುಪಾತವಾಗಿ (ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕಾರ ಪಾರದರ್ಶಕತೆ ವ್ಯತಿರಿಕ್ತತೆಯು ಋಣಾತ್ಮಕವಾಗಿರುತ್ತದೆ ಎಂದು ಭಾವಿಸಲಾಗಿದೆ) ರೂಪಿಸಲಾಗಿದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, ಕೋತಿಗಳ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ವಿನ್ಯಾಸ ಸಂಕೇತದ ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕ, ಸುಸಂಬದ್ಧ) ಮತ್ತು ಶಕ್ತಿ (ವ್ಯತ್ಯಾಸ) ಎರಡರಿಂದಲೂ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿದೆ (ANOVA; ಮಂಕಿ N: ದಿಕ್ಕು – F = 0.58, p = 0.45, ಚಿಹ್ನೆ – F = 1248, p < 10−10, ಕಾಂಟ್ರಾಸ್ಟ್ – F = 22.63, p < 10;−10 ಮಂಕಿ S: ದಿಕ್ಕು – F = 0.41, p = 0.52, ಚಿಹ್ನೆ – F = 2876.7, p < 10−10, ಕಾಂಟ್ರಾಸ್ಟ್ – F = 36.5, p < 10−10). ಒಟ್ಟಾರೆಯಾಗಿ, ಕೋತಿಗಳ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ವಿನ್ಯಾಸ ಸಂಕೇತದ ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕ, ಸುಸಂಬದ್ಧ) ಮತ್ತು ಶಕ್ತಿ (ವ್ಯತ್ಯಾಸ) ಎರಡರಿಂದಲೂ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿದೆ (ANOVA; ಮಂಕಿ N: ದಿಕ್ಕು – F = 0.58, p = 0.45, ಚಿಹ್ನೆ – F = 1248, p < 10−10, ಕಾಂಟ್ರಾಸ್ಟ್ – F = 22.63, p < 10; −10 ಮಂಕಿ S: ದಿಕ್ಕು – F = 0.41, p = 0.52, ಚಿಹ್ನೆ – F = 2876.7, p < 10−10, ಕಾಂಟ್ರಾಸ್ಟ್ – F = 36.5, p < 10−10). В целом на восприятие обезьяними когрентности/prozrachnosti ಡೋಸ್ಟೋವರ್ನೋ ವಲ್ಕ್ ಕಾಕ್ ಝನಾಕ್ (ಪ್ರೋಜರ್, ಛಾಯಾಗ್ರಾಹಕ), так и сила (контрастность) ಟೆಕ್ಸ್ಟುರ್ನೋಗೊ ಪ್ರೈಸ್ನಾಕಾ (ANOVA; ಒಬೆಝಿಯಾನಾ N: направление - F = 0,58, p = 0,45, <120-8, p = 120-8 контраст - F = 22,63, p <10; обезьяна S: направление - F = 0,41, p = 0,52, признак - F = 2876,7, p < 10−10, контраст - F = 36,5, р < 10-10). ಸಾಮಾನ್ಯವಾಗಿ, ಕೋತಿಗಳ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ರಚನಾತ್ಮಕ ವೈಶಿಷ್ಟ್ಯದ ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕತೆ, ಸುಸಂಬದ್ಧತೆ) ಮತ್ತು ಶಕ್ತಿ (ವ್ಯತ್ಯಾಸ) ಎರಡರಿಂದಲೂ ಗಮನಾರ್ಹವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ (ANOVA; ಮಂಕಿ N: ದಿಕ್ಕು — F = 0.58, p = 0.45, ಚಿಹ್ನೆ — F = 1248, p < 10−10, ವ್ಯತಿರಿಕ್ತತೆ – F = 22.63, p < 10; -10 ಮಂಕಿ S: ದಿಕ್ಕು – F = 0.41, p = 0.52, ಚಿಹ್ನೆ – F = 2876.7, p < 10 −10, ವ್ಯತಿರಿಕ್ತತೆ – 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 S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, ಪು < 10-10).ಸಾಮಾನ್ಯವಾಗಿ, ಮಂಕಿ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ವಿನ್ಯಾಸ ಸಂಕೇತಗಳ (ANOVA) ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕತೆ, ಸುಸಂಬದ್ಧತೆ) ಮತ್ತು ತೀವ್ರತೆ (ವ್ಯತಿರಿಕ್ತತೆ) ಯಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p <10−10, Контрастность — F = 22,63, p <10; ಮಂಕಿ N: ದೃಷ್ಟಿಕೋನ – F = 0.58, p = 0.45, ಚಿಹ್ನೆ – F = 1248, p < 10−10, ಕಾಂಟ್ರಾಸ್ಟ್ – F = 22.63, p < 10; −10 Обезьяна S: Ориентация - F = 0,41, p = 0,52, Знак - F = 2876,7, p <10−10, Контрастность - F = 10-310). −10 ಮಂಕಿ ಎಸ್: ದೃಷ್ಟಿಕೋನ – F = 0.41, p = 0.52, ಚಿಹ್ನೆ – F = 2876.7, p < 10-10, ಕಾಂಟ್ರಾಸ್ಟ್ – F = 36.5, p < 10-10).ಕೋತಿಗಳ ಮನೋಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರೂಪಿಸಲು ಪ್ರತಿ ಅಧಿವೇಶನದ ದತ್ತಾಂಶಕ್ಕೆ ಗಾಸಿಯನ್ ಸಂಚಿತ ಕಾರ್ಯಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ. ಚಿತ್ರ 2b ನಲ್ಲಿ ಎರಡೂ ಕೋತಿಗಳಿಗೆ ಎಲ್ಲಾ ಅಧಿವೇಶನಗಳಲ್ಲಿ ಈ ಮಾದರಿಗಳಿಗೆ ಒಪ್ಪಂದದ ವಿತರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, ಕೋತಿಗಳು ಕಾರ್ಯವನ್ನು ನಿಖರವಾಗಿ ಮತ್ತು ಸ್ಥಿರವಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿದವು, ಮತ್ತು ಸಂಚಿತ ಗಾಸಿಯನ್ ಮಾದರಿಗೆ ಸರಿಯಾಗಿ ಹೊಂದಿಕೆಯಾಗದ ಕಾರಣ ನಾವು ಎರಡು-ಕೋತಿ ಅವಧಿಗಳಲ್ಲಿ 13% ಕ್ಕಿಂತ ಕಡಿಮೆ ತಿರಸ್ಕರಿಸಿದ್ದೇವೆ.
a ಪ್ರತಿನಿಧಿ ಅವಧಿಗಳಲ್ಲಿ ಕೋತಿಗಳ ವರ್ತನೆಯ ಉದಾಹರಣೆಗಳು (ಪ್ರತಿ ಪ್ರಚೋದನಾ ಸ್ಥಿತಿಗೆ n ≥ 20 ಪ್ರಯೋಗಗಳು). ಎಡ (ಬಲ) ಫಲಕಗಳಲ್ಲಿ, ಒಂದು N(S) ಮಂಕಿ ಅವಧಿಯಿಂದ ಡೇಟಾವನ್ನು ಸುಸಂಬದ್ಧ ಆಯ್ಕೆ ಅಂಕಗಳು (ಆರ್ಡಿನೇಟ್) ಮತ್ತು ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳ (ಅಬ್ಸಿಸ್ಸಾ) ಚಿಹ್ನೆ ವ್ಯತಿರಿಕ್ತತೆಯಾಗಿ ರೂಪಿಸಲಾಗಿದೆ. ಇಲ್ಲಿ ಪಾರದರ್ಶಕ (ಸುಸಂಬದ್ಧ) ಟೆಕಶ್ಚರ್‌ಗಳು ನಕಾರಾತ್ಮಕ (ಧನಾತ್ಮಕ) ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿವೆ ಎಂದು ಭಾವಿಸಲಾಗಿದೆ. ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮಾದರಿಯ ಚಲನೆಯ ದಿಕ್ಕಿನ ಪ್ರಕಾರ (ಮೇಲಕ್ಕೆ (90°) ಅಥವಾ ಕೆಳಕ್ಕೆ (270°)) ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. ಎರಡೂ ಪ್ರಾಣಿಗಳಿಗೆ, ಕಾರ್ಯಕ್ಷಮತೆ, ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು 50/50 ಕಾಂಟ್ರಾಸ್ಟ್ (PSE - ಘನ ಬಾಣಗಳು) ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಮಟ್ಟದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು (ಥ್ರೆಶೋಲ್ಡ್ - ತೆರೆದ ಬಾಣಗಳು) ಬೆಂಬಲಿಸಲು ಅಗತ್ಯವಿರುವ ಪಠ್ಯ ವ್ಯತಿರಿಕ್ತತೆಯ ಪ್ರಮಾಣ) ಈ ದಿಕ್ಚ್ಯುತ ದಿಕ್ಕುಗಳಲ್ಲಿದೆ. b ಗೌಸಿಯನ್ ಸಂಚಿತ ಕಾರ್ಯದ R2 ಮೌಲ್ಯಗಳ ಅಳವಡಿಸಲಾದ ಹಿಸ್ಟೋಗ್ರಾಮ್. ಮಂಕಿ S(N) ಡೇಟಾವನ್ನು ಎಡ (ಬಲ)ದಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. c (ಮೇಲ್ಭಾಗ) PSE ಅನ್ನು PSE ಮೇಲಕ್ಕೆ ವರ್ಗಾಯಿಸಿದ ಗ್ರಿಡ್‌ಗೆ ಹೋಲಿಸಿದರೆ ಕೆಳಗೆ (ಆರ್ಡಿನೇಟ್) ಬದಲಾಯಿಸಿದ ಗ್ರಿಡ್‌ಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ, ಪ್ರತಿ ಸ್ಥಿತಿಗೆ PSE ವಿತರಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಅಂಚುಗಳು ಮತ್ತು ಪ್ರತಿ ಸ್ಥಿತಿಗೆ ಸರಾಸರಿಯನ್ನು ಸೂಚಿಸುವ ಬಾಣಗಳು. ಎಲ್ಲಾ N(S) ಮಂಕಿ ಸೆಷನ್‌ಗಳ ಡೇಟಾವನ್ನು ಎಡ (ಬಲ) ಕಾಲಮ್‌ನಲ್ಲಿ ನೀಡಲಾಗಿದೆ. (ಕೆಳಗೆ) PSE ಡೇಟಾಗೆ ಅದೇ ಸಂಪ್ರದಾಯ, ಆದರೆ ಅಳವಡಿಸಲಾದ ವೈಶಿಷ್ಟ್ಯ ಮಿತಿಗಳಿಗೆ. PSE ಮಿತಿಗಳು ಅಥವಾ ಫ್ಯಾಷನ್ ಪ್ರವೃತ್ತಿಗಳಲ್ಲಿ ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳಿಲ್ಲ (ಪಠ್ಯವನ್ನು ನೋಡಿ). d PSE ಮತ್ತು ಇಳಿಜಾರು (ಆರ್ಡಿನೇಟ್) ಅನ್ನು ಕೋನೀಯ ಬೇರ್ಪಡಿಕೆ ಘಟಕದ ("ಇಂಟಿಗ್ರಲ್ ಗ್ರ್ಯಾಟಿಂಗ್ ಕೋನ" - ಅಬ್ಸಿಸ್ಸಾ) ಸಾಮಾನ್ಯೀಕರಿಸಿದ ರಾಸ್ಟರ್ ದೃಷ್ಟಿಕೋನವನ್ನು ಅವಲಂಬಿಸಿ ಗುರುತಿಸಲಾಗಿದೆ. ತೆರೆದ ವೃತ್ತಗಳು ಸಾಧನಗಳಾಗಿವೆ, ಘನ ರೇಖೆಯು ಅತ್ಯುತ್ತಮವಾದ ಫಿಟ್ಟಿಂಗ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯಾಗಿದೆ ಮತ್ತು ಚುಕ್ಕೆಗಳ ರೇಖೆಯು ರಿಗ್ರೆಷನ್ ಮಾದರಿಗೆ 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವಾಗಿದೆ. PSE ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಏಕೀಕರಣ ಕೋನದ ನಡುವೆ ಗಮನಾರ್ಹ ಸಂಬಂಧವಿದೆ, ಆದರೆ ಇಳಿಜಾರು ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಏಕೀಕರಣ ಕೋನವಲ್ಲ, ಕೋನವು ಘಟಕ ಲ್ಯಾಟಿಸ್‌ಗಳನ್ನು ಬೇರ್ಪಡಿಸಿದಂತೆ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯವು ಬದಲಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ಆದರೆ ತೀಕ್ಷ್ಣಗೊಳಿಸುವಿಕೆ ಅಥವಾ ಚಪ್ಪಟೆಯಾಗುವುದಿಲ್ಲ. (ಮಂಕಿ N, n = 32 ಅವಧಿಗಳು; ಮಂಕಿ S, n = 43 ಅವಧಿಗಳು). ಎಲ್ಲಾ ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ, ದೋಷ ಪಟ್ಟಿಗಳು ಸರಾಸರಿಯ ಪ್ರಮಾಣಿತ ದೋಷವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಹಹಹ. ಸುಸಂಬದ್ಧತೆ, PSE ವ್ಯಕ್ತಿನಿಷ್ಠ ಸಮಾನತೆಯ ಸ್ಕೋರ್, ರೂಢಿ. ಪ್ರಮಾಣೀಕರಣ.
ಮೇಲೆ ಗಮನಿಸಿದಂತೆ, ವಿನ್ಯಾಸ ಸೂಚನೆಗಳ ವ್ಯತಿರಿಕ್ತತೆ ಮತ್ತು ಮಾದರಿಯ ಚಲನೆಯ ದಿಕ್ಕು ಎರಡೂ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬದಲಾಗುತ್ತವೆ, ನಿರ್ದಿಷ್ಟ ಪ್ರಯೋಗದಲ್ಲಿ ಪ್ರಚೋದಕಗಳು ಮೇಲಕ್ಕೆ ಅಥವಾ ಕೆಳಕ್ಕೆ ಚಲಿಸುತ್ತವೆ. ಮನೋಭೌತಿಕ11 ಮತ್ತು ನರಕೋಶ28 ಹೊಂದಾಣಿಕೆಯ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಇದನ್ನು ಮಾಡಲಾಗುತ್ತದೆ. ಪ್ಯಾಟರ್ನ್ ಓರಿಯಂಟೇಶನ್ ವರ್ಸಸ್ ಬಯಾಸ್ (ವ್ಯಕ್ತಿನಿಷ್ಠ ಸಮಾನತೆಯ ಬಿಂದು ಅಥವಾ PSE) (ವಿಲ್ಕಾಕ್ಸನ್ ಶ್ರೇಣಿ ಮೊತ್ತ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 0.25, p = 0.8; ಮಂಕಿ S: z = 0.86, p = 0.39) ಅಥವಾ ಅಳವಡಿಸಲಾದ ಕಾರ್ಯ ಮಿತಿ (ವಿಲ್ಕಾಕ್ಸನ್ ಶ್ರೇಣಿಗಳ ಮೊತ್ತ; ಮಂಕಿ N: z = 0.14, p = 0.89, ಮಂಕಿ S: z = 0.49, p = 0.62) (ಚಿತ್ರ 2c). ಇದರ ಜೊತೆಗೆ, ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಿತಿ ಮಟ್ಟವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ವಿನ್ಯಾಸ ವ್ಯತಿರಿಕ್ತತೆಯ ಮಟ್ಟದಲ್ಲಿ ಕೋತಿಗಳ ನಡುವೆ ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳಿಲ್ಲ (N ಮಂಕಿ = 24.5% ± 3.9%, S ಮಂಕಿ = 18.9% ± 1.9%; ವಿಲ್ಕಾಕ್ಸನ್ ಶ್ರೇಣಿಯ ಮೊತ್ತ, z = 1.01, p = 0.31).
ಪ್ರತಿ ಅಧಿವೇಶನದಲ್ಲಿ, ಘಟಕ ಲ್ಯಾಟಿಸ್‌ಗಳ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಬೇರ್ಪಡಿಸುವ ಇಂಟರ್ಲ್ಯಾಟಿಸ್ ಕೋನವನ್ನು ನಾವು ಬದಲಾಯಿಸಿದ್ದೇವೆ. ಈ ಕೋನವು ಚಿಕ್ಕದಾಗಿದ್ದಾಗ ಜನರು ಕೋಶ 10 ಅನ್ನು ಸಂಪರ್ಕಿತವಾಗಿದೆ ಎಂದು ಗ್ರಹಿಸುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು ಎಂದು ಮನೋಭೌತಿಕ ಅಧ್ಯಯನಗಳು ತೋರಿಸಿವೆ. ಕೋತಿಗಳು ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ವರದಿ ಮಾಡುತ್ತಿದ್ದರೆ, ಈ ಸಂಶೋಧನೆಗಳ ಆಧಾರದ ಮೇಲೆ, ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಮೇಲೆ ಸುಸಂಬದ್ಧತೆ ಮತ್ತು ಪಾರದರ್ಶಕತೆ ಆಯ್ಕೆಗಳ ನಡುವಿನ ಏಕರೂಪದ ವಿಭಜನೆಗೆ ಅನುಗುಣವಾದ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆ PSE ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಒಬ್ಬರು ನಿರೀಕ್ಷಿಸಬಹುದು. ಲ್ಯಾಟಿಸ್ ಕೋನ. ಇದು ನಿಜಕ್ಕೂ ಹಾಗೆಯೇ ಆಗಿತ್ತು (ಚಿತ್ರ 2d; ಮಾದರಿ ದಿಕ್ಕುಗಳಲ್ಲಿ ಕುಸಿಯುವುದು, ಕ್ರುಸ್ಕಲ್–ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p < 10−3; ಮಂಕಿ S: χ2 = 22.22, p < 10−3; ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಅಂತರ-ಗ್ರೇಟಿಂಗ್ ಕೋನ ಮತ್ತು PSE ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ - ಮಂಕಿ N: r = 0.67, p < 10−9; ಮಂಕಿ S: r = 0.76, p < 10−13). ಇದು ನಿಜಕ್ಕೂ ಹಾಗೆಯೇ ಆಗಿತ್ತು (ಚಿತ್ರ 2d; ಮಾದರಿಯ ದಿಕ್ಕುಗಳಲ್ಲಿ ಕುಸಿಯುವುದು, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p < 10−3; ಮಂಕಿ S: χ2 = 22.22, p < 10−3; ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಇಂಟರ್-ಗ್ರೇಟಿಂಗ್ ಕೋನ ಮತ್ತು PSE ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ - ಮಂಕಿ N: r = 0.67, p < 10−9; ಮಂಕಿ S: r = 0.76, p < 10−13). ಎಟೊ ಡೈಸ್ಟ್ವಿಟೆಲ್ನೊ ಇಮೆಲೊ ಮೆಸ್ಟೊ (ರಿಸ್. 2 ಡಿ; ಕೊಲಾಪ್ಸ್ ಪೊಪೆರೆಕ್ ನ್ಯಾಪ್ರವ್ಲೇನಿಯ ಪ್ಯಾಟರ್ನಾ, ಕ್ರುಸ್ಕಲ್, ಯುಯೋಲಿಸ್ = 2009 < 10–3; 10-9, обезьяна S: r = 0,76, p <10-13). ಇದು ನಿಜಕ್ಕೂ ಸಂಭವಿಸಿದೆ (ಚಿತ್ರ 2d; ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿ ಕುಸಿತ, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p < 10–3; ಮಂಕಿ S: χ2 = 22.22, p < 10–3; ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಲ್ಯಾಟಿಸ್ ಕೋನ ಮತ್ತು PSE ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ - ಮಂಕಿ N: r = 0.67, p < 10-9, ಮಂಕಿ S: r = 0.76, p < 10-13).情况确实如此（图2d；跨模式方向折叠，ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್；猴子N：χ2 = 23.06,p <10-3 10-3;情况 确实 如此 （图 图 2D 22.22 , ಪು <10-3 10-9；猴子S 10-13). ಇದು ಡೈಸ್ಟ್ವಿಟೆಲ್ನೋ ಮಾದರಿ ಮೆಸ್ಟೊ (ರಿಸ್. 2 ಡಿ; ಕ್ರಾಟ್ನೋಸ್ಟ್ ಪೋ ಒಸಿ ಮೋಡಿ, ಕ್ರುಸ್ಕಾಲ್-ಯುಯೋಲ್ಲಿಸ್; ಒಬೆಸಿಯಾನಾ ಎನ್: 3, 102 =, ಪು. обезьяна S: χ2 = 22,22, p <10-3; ಇದು ನಿಜಕ್ಕೂ ಹಾಗೆಯೇ ಇತ್ತು (ಚಿತ್ರ 2d; ಮೋಡ್ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಮಡಿಸಿ, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p < 10-3; ಮಂಕಿ S: χ2 = 22.22, p < 10-3; ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಇಂಟರ್ಲ್ಯಾಟಿಸ್ ಮೂಲೆ). PSE-обезьяна N: r = 0,67, p <10-9, обезьяна S: r = 0,76, p <10-13). PSE ಮಂಕಿ N: r = 0.67, p < 10–9, ಮಂಕಿ S: r = 0.76, p < 10–13).ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಇಂಟರ್ಲ್ಯಾಟಿಸ್ ಕೋನವನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯದ ಇಳಿಜಾರಿನ ಮೇಲೆ ಯಾವುದೇ ಗಮನಾರ್ಹ ಪರಿಣಾಮ ಬೀರಲಿಲ್ಲ (ಚಿತ್ರ 2d; ಕ್ರಾಸ್-ಮೋಡಲ್ ಓರಿಯಂಟೇಶನ್ ಫೋಲ್ಡ್, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 8.09, p = 0.23; ಮಂಕಿ S χ2 = 3.18, p = 0.67, ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಇಂಟರ್ಲ್ಯಾಟಿಸ್ ಕೋನ ಮತ್ತು ಇಳಿಜಾರಿನ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ - ಮಂಕಿ N: r = -0.4, p = 0.2, ಮಂಕಿ S: r = 0.03, p = 0.76). ಹೀಗಾಗಿ, ವ್ಯಕ್ತಿಯ ಸೈಕೋಫಿಸಿಕಲ್ ಡೇಟಾಗೆ ಅನುಗುಣವಾಗಿ, ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳ ನಡುವಿನ ಕೋನವನ್ನು ಬದಲಾಯಿಸುವ ಸರಾಸರಿ ಪರಿಣಾಮವು ಸ್ಥಳಾಂತರ ಬಿಂದುಗಳಲ್ಲಿನ ಬದಲಾವಣೆಯಾಗಿದೆ, ಮತ್ತು ವಿಭಜನೆ ಸಂಕೇತಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆಯ ಹೆಚ್ಚಳ ಅಥವಾ ಇಳಿಕೆಯಲ್ಲ.
ಅಂತಿಮವಾಗಿ, ಶೂನ್ಯ ವಿನ್ಯಾಸ ವ್ಯತಿರಿಕ್ತತೆಯೊಂದಿಗೆ ಪ್ರಯೋಗಗಳಲ್ಲಿ 0.5 ಸಂಭವನೀಯತೆಯೊಂದಿಗೆ ಪ್ರತಿಫಲಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿಗದಿಪಡಿಸಲಾಗುತ್ತದೆ. ಎಲ್ಲಾ ಕೋತಿಗಳು ಈ ವಿಶಿಷ್ಟ ಯಾದೃಚ್ಛಿಕತೆಯ ಬಗ್ಗೆ ತಿಳಿದಿದ್ದರೆ ಮತ್ತು ಶೂನ್ಯ ವಿನ್ಯಾಸ ವ್ಯತಿರಿಕ್ತತೆ ಮತ್ತು ಕ್ಯೂ ಪ್ರಚೋದಕಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾದರೆ, ಅವು ಎರಡು ರೀತಿಯ ಪ್ರಯೋಗಗಳಿಗೆ ವಿಭಿನ್ನ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು. ಎರಡು ಅವಲೋಕನಗಳು ಇದು ಹಾಗಲ್ಲ ಎಂದು ಬಲವಾಗಿ ಸೂಚಿಸುತ್ತವೆ. ಮೊದಲನೆಯದಾಗಿ, ಗ್ರ್ಯಾಟಿಂಗ್ ಕೋನವನ್ನು ಬದಲಾಯಿಸುವುದು ಕ್ಯೂ ಮತ್ತು ಶೂನ್ಯ ವಿನ್ಯಾಸ ವ್ಯತಿರಿಕ್ತತೆ ಸ್ಕೋರ್‌ಗಳ ಮೇಲೆ ಗುಣಾತ್ಮಕವಾಗಿ ಒಂದೇ ರೀತಿಯ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಿತು (ಚಿತ್ರ 2d ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 1). ಎರಡನೆಯದಾಗಿ, ಎರಡೂ ಕೋತಿಗಳಿಗೆ, ಬಿಸ್ಟಬಲ್ ಪ್ರಯೋಗ ಆಯ್ಕೆಯು ಇತ್ತೀಚಿನ (ಹಿಂದಿನ) ಪ್ರತಿಫಲ ಆಯ್ಕೆಯ ಪುನರಾವರ್ತನೆಯಾಗುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ (ದ್ವಿಪದ ಪರೀಕ್ಷೆ, N ಮಂಗಗಳು: 0.52, z = 0.74, p = 0.22; S ಮಂಗಗಳು: 0.51, r = 0.9, p = 0.18).
ಕೊನೆಯಲ್ಲಿ, ನಮ್ಮ ವಿಭಜನಾ ಕಾರ್ಯದಲ್ಲಿ ಕೋತಿಗಳ ನಡವಳಿಕೆಯು ಉತ್ತಮ ಪ್ರಚೋದಕ ನಿಯಂತ್ರಣದಲ್ಲಿತ್ತು. ವಿನ್ಯಾಸ ಸೂಚನೆಗಳ ಚಿಹ್ನೆ ಮತ್ತು ಗಾತ್ರದ ಮೇಲೆ ಗ್ರಹಿಕೆಯ ತೀರ್ಪುಗಳ ಅವಲಂಬನೆ, ಹಾಗೆಯೇ ಗ್ರ್ಯಾಟಿಂಗ್ ಕೋನದೊಂದಿಗೆ PSE ಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳು, ಕೋತಿಗಳು ಮೋಟಾರ್ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ತಮ್ಮ ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಶೂನ್ಯ ವಿನ್ಯಾಸ ವ್ಯತಿರಿಕ್ತ ಪ್ರಯೋಗಗಳಲ್ಲಿನ ಕೋತಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಹಿಂದಿನ ಪ್ರಯೋಗಗಳ ಪ್ರತಿಫಲ ಇತಿಹಾಸದಿಂದ ಪ್ರಭಾವಿತವಾಗಲಿಲ್ಲ ಮತ್ತು ಇಂಟರ್-ರಾಸ್ಟರ್ ಕೋನೀಯ ಬದಲಾವಣೆಗಳಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿವೆ. ಈ ಪ್ರಮುಖ ಸ್ಥಿತಿಯಲ್ಲಿ ಕೋತಿಗಳು ಲ್ಯಾಟಿಸ್ ಮೇಲ್ಮೈ ಸಂರಚನೆಯ ತಮ್ಮ ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತವೆ ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ.
ಮೇಲೆ ಹೇಳಿದಂತೆ, ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಋಣಾತ್ಮಕದಿಂದ ಧನಾತ್ಮಕಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದು ಪ್ರಚೋದಕಗಳ ಪಾರದರ್ಶಕದಿಂದ ಸುಸಂಬದ್ಧಕ್ಕೆ ಗ್ರಹಿಕೆಯ ಪರಿವರ್ತನೆಗೆ ಸಮನಾಗಿರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ನಿರ್ದಿಷ್ಟ ಕೋಶಕ್ಕೆ, ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯು ಋಣಾತ್ಮಕದಿಂದ ಧನಾತ್ಮಕಕ್ಕೆ ಬದಲಾದಂತೆ MT ಪ್ರತಿಕ್ರಿಯೆಯು ಹೆಚ್ಚಾಗುತ್ತದೆ ಅಥವಾ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಮತ್ತು ಈ ಪರಿಣಾಮದ ದಿಕ್ಕು ಸಾಮಾನ್ಯವಾಗಿ ಮಾದರಿ/ಘಟಕದ ಚಲನೆಯ ದಿಕ್ಕನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಎರಡು ಪ್ರತಿನಿಧಿ MT ಕೋಶಗಳ ದಿಕ್ಕಿನ ಶ್ರುತಿ ವಕ್ರಾಕೃತಿಗಳನ್ನು ಚಿತ್ರ 3 ರಲ್ಲಿ ಕಡಿಮೆ ಅಥವಾ ಹೆಚ್ಚಿನ ವ್ಯತಿರಿಕ್ತ ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳನ್ನು ಹೊಂದಿರುವ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗೆ ಈ ಕೋಶಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳೊಂದಿಗೆ ತೋರಿಸಲಾಗಿದೆ. ನಮ್ಮ ಮಂಗಗಳ ಮನೋಭೌತಶಾಸ್ತ್ರೀಯ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಸಂಬಂಧಿಸಿರಬಹುದಾದ ಈ ಗ್ರಿಡ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಪರಿಮಾಣೀಕರಿಸಲು ನಾವು ಕೆಲವು ರೀತಿಯಲ್ಲಿ ಪ್ರಯತ್ನಿಸಿದ್ದೇವೆ.
ಒಂದೇ ಸೈನುಸೈಡಲ್ ಶ್ರೇಣಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಪ್ರತಿನಿಧಿ ಮಂಗ MT ಕೋಶ S ನ ದಿಕ್ಕಿನ ಶ್ರುತಿ ವಕ್ರರೇಖೆಯ ಧ್ರುವ ನಕ್ಷೆ. ಕೋನವು ತುರಿಯುವಿಕೆಯ ಚಲನೆಯ ದಿಕ್ಕನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಪ್ರಮಾಣವು ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಆದ್ಯತೆಯ ಕೋಶದ ದಿಕ್ಕು ತುರಿಯುವಿಕೆಯ ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿರುವ ಘಟಕಗಳಲ್ಲಿ ಒಂದರ ದಿಕ್ಕಿನೊಂದಿಗೆ ಸುಮಾರು 90° (ಮೇಲಕ್ಕೆ) ಅತಿಕ್ರಮಿಸುತ್ತದೆ. b ಪ್ರತಿಕ್ರಿಯೆ ಗ್ರಿಡ್‌ನ ಸಾಪ್ತಾಹಿಕ ಪ್ರಚೋದಕ-ಸಮಯದ ಹಿಸ್ಟೋಗ್ರಾಮ್ (PSTH), a ನಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಕ್ಕಾಗಿ ಟೆಂಪ್ಲೇಟ್ ದಿಕ್ಕಿನಲ್ಲಿ 90° (ಎಡಭಾಗದಲ್ಲಿ ಕ್ರಮಬದ್ಧವಾಗಿ ತೋರಿಸಲಾಗಿದೆ) ರಷ್ಟು ಬದಲಾಯಿಸಲಾಗಿದೆ. ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಟೆಕ್ಸ್ಚರ್ ಸುಳಿವು ಪ್ರಕಾರ (ಒಗ್ಗೂಡಿನ/ಪಾರದರ್ಶಕ - ಮಧ್ಯ/ಬಲ ಫಲಕ ಕ್ರಮವಾಗಿ) ಮತ್ತು ಮೈಕೆಲ್ಸನ್ ಕಾಂಟ್ರಾಸ್ಟ್ (PSTH ಬಣ್ಣದ ಸುಳಿವು) ಮೂಲಕ ವಿಂಗಡಿಸಲಾಗುತ್ತದೆ. ಕಡಿಮೆ-ವ್ಯತ್ಯಾಸ ಮತ್ತು ಹೆಚ್ಚಿನ-ವ್ಯತ್ಯಾಸ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳ ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರಕ್ಕೂ ಸರಿಯಾದ ಪ್ರಯತ್ನಗಳನ್ನು ಮಾತ್ರ ತೋರಿಸಲಾಗುತ್ತದೆ. ಪಾರದರ್ಶಕ ವಿನ್ಯಾಸ ಸೂಚನೆಗಳೊಂದಿಗೆ ಮೇಲ್ಮುಖವಾಗಿ ಚಲಿಸುವ ಲ್ಯಾಟಿಸ್ ಮಾದರಿಗಳಿಗೆ ಕೋಶಗಳು ಉತ್ತಮವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಿದವು ಮತ್ತು ಹೆಚ್ಚುತ್ತಿರುವ ವಿನ್ಯಾಸ ವ್ಯತಿರಿಕ್ತತೆಯೊಂದಿಗೆ ಈ ಮಾದರಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಹೆಚ್ಚಾಯಿತು. c, d ಗಳು a ಮತ್ತು b ನಲ್ಲಿರುವಂತೆಯೇ ಒಂದೇ ರೀತಿಯ ಸಂಪ್ರದಾಯಗಳಾಗಿವೆ, ಆದರೆ ಮಂಕಿ S ಹೊರತುಪಡಿಸಿ MT ಕೋಶಗಳಿಗೆ, ಅವುಗಳ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವು ಕೆಳಮುಖ ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರಿಡ್ ಅನ್ನು ಬಹುತೇಕ ಅತಿಕ್ರಮಿಸುತ್ತದೆ. ಘಟಕವು ಸುಸಂಬದ್ಧವಾದ ಟೆಕ್ಸ್ಚರ್ ಸೂಚನೆಗಳೊಂದಿಗೆ ಕೆಳಮುಖ ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಆದ್ಯತೆ ನೀಡುತ್ತದೆ ಮತ್ತು ಈ ಮಾದರಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯು ಹೆಚ್ಚುತ್ತಿರುವ ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ನೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಎಲ್ಲಾ ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ, ಮಬ್ಬಾದ ಪ್ರದೇಶವು ಸರಾಸರಿಯ ಪ್ರಮಾಣಿತ ದೋಷವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಸ್ಪೋಕ್‌ಗಳು. ಸ್ಪೈಕ್‌ಗಳು, ಸೆಕೆಂಡುಗಳು. ಸೆಕೆಂಡ್.
ನಮ್ಮ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳು ಮತ್ತು MT ಚಟುವಟಿಕೆಯಿಂದ ಸೂಚಿಸಲಾದ ಜಾಲರಿ ಮೇಲ್ಮೈ ಸಂರಚನೆ (ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ) ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅನ್ವೇಷಿಸಲು, ನಾವು ಮೊದಲು ಸುಸಂಬದ್ಧ ಚಲನೆ (ಧನಾತ್ಮಕ ಇಳಿಜಾರು) ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆ (ಋಣಾತ್ಮಕ ಇಳಿಜಾರು) ಗಾಗಿ ಜೀವಕೋಶಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಹಿಂಜರಿತದಿಂದ ಹಿಮ್ಮೆಟ್ಟಿಸಿದೆವು. ಚಿಹ್ನೆ ಪ್ರತಿಕ್ರಿಯೆ ದರದಿಂದ ಕೋಶಗಳನ್ನು ವ್ಯತಿರಿಕ್ತತೆಗೆ ಹೋಲಿಸಿದರೆ ವರ್ಗೀಕರಿಸಲು ನೀಡಲಾಗಿದೆ (ಪ್ರತಿ ಮೋಡ್ ದಿಕ್ಕಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ). ಚಿತ್ರ 3 ರಲ್ಲಿನ ಅದೇ ಉದಾಹರಣೆ ಕೋಶದಿಂದ ಈ ಜಾಲರಿ ಶ್ರುತಿ ವಕ್ರಾಕೃತಿಗಳ ಉದಾಹರಣೆಗಳನ್ನು ಚಿತ್ರ 4a ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ವರ್ಗೀಕರಣದ ನಂತರ, ವಿನ್ಯಾಸ ಸಂಕೇತಗಳ ಮಾಡ್ಯುಲೇಶನ್‌ಗೆ ಪ್ರತಿ ಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ನಾವು ರಿಸೀವರ್ ಕಾರ್ಯಕ್ಷಮತೆ ವಿಶ್ಲೇಷಣೆ (ROC) ಅನ್ನು ಬಳಸಿದ್ದೇವೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ). ಈ ರೀತಿಯಲ್ಲಿ ಪಡೆದ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳನ್ನು ನ್ಯೂರಾನ್‌ಗಳ ಸೈಕೋಫಿಸಿಕಲ್ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಲ್ಯಾಟಿಸ್ ಟೆಕಶ್ಚರ್‌ಗಳಿಗೆ ನೇರವಾಗಿ ಹೋಲಿಸಲು ಒಂದೇ ಅಧಿವೇಶನದಲ್ಲಿ ಕೋತಿಗಳ ಸೈಕೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಹೋಲಿಸಬಹುದು. ಮಾದರಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಘಟಕಗಳಿಗೆ ನಾವು ಎರಡು ಸಿಗ್ನಲ್ ಪತ್ತೆ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಮಾಡಿದ್ದೇವೆ, ಮಾದರಿಯ ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿಗೆ ಪ್ರತ್ಯೇಕ ನರಮೆಟ್ರಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತೇವೆ (ಮತ್ತೆ, ಮೇಲಕ್ಕೆ ಅಥವಾ ಕೆಳಕ್ಕೆ). ಈ ವಿಶ್ಲೇಷಣೆಗಾಗಿ, ನಾವು (i) ಪ್ರಚೋದಕಗಳು ವಿನ್ಯಾಸ ಸಂಕೇತವನ್ನು ಹೊಂದಿರುವ ಮತ್ತು (ii) ಕೋತಿಗಳು ಆ ಸಂಕೇತಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಿದ ಪ್ರಯೋಗಗಳನ್ನು ಮಾತ್ರ ಸೇರಿಸಿದ್ದೇವೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ (ಅಂದರೆ, "ಸರಿಯಾದ" ಪ್ರಯೋಗಗಳು).
ಬೆಂಕಿಯ ದರಗಳನ್ನು ಕ್ರಮವಾಗಿ ಟೆಕ್ಸ್ಚರ್ ಚಿಹ್ನೆಯ ವ್ಯತಿರಿಕ್ತತೆಯ ವಿರುದ್ಧ ಗುರುತಿಸಲಾಗಿದೆ, ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳು ಮೇಲಕ್ಕೆ (ಎಡ) ಅಥವಾ ಕೆಳಕ್ಕೆ (ಬಲಕ್ಕೆ) ಬದಲಾಯಿಸಲು, ಘನ ರೇಖೆಯು ಅತ್ಯುತ್ತಮವಾದ ಫಿಟ್ ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ಮೇಲಿನ (ಕೆಳಗಿನ) ಸಾಲಿನಲ್ಲಿರುವ ಡೇಟಾವನ್ನು ಚಿತ್ರದಲ್ಲಿ ತೋರಿಸಿರುವವುಗಳಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ. ಅಕ್ಕಿ. 3a ಕೋಶ, b (ಚಿತ್ರ 3c, d). ಪ್ರತಿ ಕೋಶ/ಲ್ಯಾಟಿಸ್ ಓರಿಯಂಟೇಶನ್ ಸಂಯೋಜನೆಗೆ ಆದ್ಯತೆಯ ಟೆಕ್ಸ್ಚರ್ ಸೂಚನೆಗಳನ್ನು (ಸುಸಂಬದ್ಧ/ಪಾರದರ್ಶಕ) ನಿಯೋಜಿಸಲು ಹಿಂಜರಿತ ಇಳಿಜಾರಿನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಲಾಗುತ್ತಿತ್ತು (n ≥ ಪ್ರತಿ ಪ್ರಚೋದಕ ಸ್ಥಿತಿಗೆ ಪ್ರಯೋಗಗಳು). ದೋಷ ಪಟ್ಟಿಗಳು ಸರಾಸರಿಯ ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ba ನಲ್ಲಿ ತೋರಿಸಿರುವ ಘಟಕಗಳ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳನ್ನು ಒಂದೇ ಅಧಿವೇಶನದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾದ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳೊಂದಿಗೆ ವಿವರಿಸಲಾಗಿದೆ. ಈಗ, ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯಕ್ಕೂ, ನಾವು ಆದ್ಯತೆಯ ಟೂಲ್‌ಟಿಪ್ ಆಯ್ಕೆ (ಆರ್ಡಿನೇಟ್) (ಪಠ್ಯವನ್ನು ನೋಡಿ) ಅನ್ನು ಟೆಕ್ಸ್ಚರ್‌ನ ಚಿಹ್ನೆಯ ವ್ಯತಿರಿಕ್ತತೆಯ (ಅಬ್ಸಿಸ್ಸಾ) ಶೇಕಡಾವಾರು ಪ್ರಮಾಣದಲ್ಲಿ ಗುರುತಿಸುತ್ತೇವೆ. ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಅನ್ನು ಬದಲಾಯಿಸಲಾಗಿದೆ ಆದ್ದರಿಂದ ಆದ್ಯತೆಯ ಟೂಲ್‌ಟಿಪ್‌ಗಳು ಧನಾತ್ಮಕವಾಗಿರುತ್ತವೆ ಮತ್ತು ಖಾಲಿ ಟೂಲ್‌ಟಿಪ್‌ಗಳು ಋಣಾತ್ಮಕವಾಗಿರುತ್ತವೆ. ಮೇಲ್ಮುಖ (ಕೆಳಮುಖ) ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರಿಡ್‌ಗಳಿಂದ ಡೇಟಾವನ್ನು ಎಡ (ಬಲ) ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ, ಮೇಲಿನ (ಕೆಳಗಿನ) ಸಾಲುಗಳಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ - ಚಿತ್ರ 3a,b (ಚಿತ್ರ 3c,d) ನಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಗಳಿಂದ ಡೇಟಾವನ್ನು ತೋರಿಸಲಾಗಿದೆ. ಪ್ರತಿ ಪ್ಯಾನೆಲ್‌ನಲ್ಲಿ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮತ್ತು ಸೈಕೋಮೆಟ್ರಿಕ್ ಥ್ರೆಶೋಲ್ಡ್ (N/P) ಅನುಪಾತಗಳನ್ನು ತೋರಿಸಲಾಗಿದೆ. ಸ್ಪೋಕ್ಸ್. ಸ್ಪೈಕ್‌ಗಳು, ಸೆಕೆಂಡುಗಳು. ಸೆಕೆಂಡು, ಡೈರೆಕ್ಟರಿ. ನಿರ್ದೇಶನ, ಪ್ರಾಂತ್ಯ ಆದ್ಯತೆ, psi. ಸೈಕೋಮೆಟ್ರಿ, ನರವಿಜ್ಞಾನ.
ಎರಡು ಪ್ರತಿನಿಧಿ MT ಕೋಶಗಳ ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ವಕ್ರಾಕೃತಿಗಳು ಮತ್ತು ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಮತ್ತು ಈ ಪ್ರತಿಕ್ರಿಯೆಗಳೊಂದಿಗೆ ಒಟ್ಟುಗೂಡಿಸಲಾದ ಅವುಗಳ ಸಂಬಂಧಿತ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಕ್ರಮವಾಗಿ ಚಿತ್ರ 4a,b ನ ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಫಲಕಗಳಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ವಿನ್ಯಾಸದ ಸುಳಿವು ಪಾರದರ್ಶಕದಿಂದ ಸುಸಂಬದ್ಧಕ್ಕೆ ಹೋದಂತೆ ಈ ಕೋಶಗಳು ಸರಿಸುಮಾರು ಏಕತಾನತೆಯ ಹೆಚ್ಚಳ ಅಥವಾ ಇಳಿಕೆಯನ್ನು ತೋರಿಸುತ್ತವೆ. ಇದರ ಜೊತೆಗೆ, ಈ ಬಂಧದ ದಿಕ್ಕು ಮತ್ತು ಬಲವು ಲ್ಯಾಟಿಸ್ ಚಲನೆಯ ದಿಕ್ಕನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಈ ಕೋಶಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲಾದ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಏಕಮುಖ ಗ್ರಿಡ್ ಚಲನೆಯ ಸೈಕೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಮಾತ್ರ ಸಮೀಪಿಸುತ್ತವೆ (ಆದರೆ ಇನ್ನೂ ಹೊಂದಿಕೆಯಾಗಲಿಲ್ಲ). ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮತ್ತು ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳೆರಡನ್ನೂ ಮಿತಿಗಳೊಂದಿಗೆ ಸಂಕ್ಷೇಪಿಸಲಾಗಿದೆ, ಅಂದರೆ ಸರಿಯಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ವ್ಯತಿರಿಕ್ತತೆಯ ಸುಮಾರು 84% ಗೆ ಅನುಗುಣವಾಗಿ (ಹೊಂದಾಣಿಕೆಯ ಸಂಚಿತ ಗಾಸಿಯನ್ ಕಾರ್ಯದ ಸರಾಸರಿ + 1 sd ಗೆ ಅನುಗುಣವಾಗಿ). ಇಡೀ ಮಾದರಿಯಾದ್ಯಂತ, N/P ಅನುಪಾತ, ಸೈಕೋಮೆಟ್ರಿಕ್ ಒಂದಕ್ಕೆ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮಿತಿಯ ಅನುಪಾತ, ಮಂಕಿ N ನಲ್ಲಿ ಸರಾಸರಿ 12.4 ± 1.2 ಮತ್ತು ಮಂಕಿ S ನಲ್ಲಿ 15.9 ± 1.8, ಮತ್ತು ಲ್ಯಾಟಿಸ್ ಕನಿಷ್ಠ ಒಂದು ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸಲು, ಮಂಕಿ N (ಮಂಕಿ S) ನಿಂದ ~16% (18). %) ಘಟಕಗಳಲ್ಲಿ ಮಾತ್ರ (ಚಿತ್ರ 5a). ಚಿತ್ರದಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶ ಉದಾಹರಣೆಯಿಂದ. ಚಿತ್ರ 3 ಮತ್ತು 4 ರಲ್ಲಿ ನೋಡಿದಂತೆ, ಜೀವಕೋಶದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಸಲಾದ ಲ್ಯಾಟಿಸ್ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ಸಂಬಂಧದಿಂದ ನರಕೋಶಗಳ ಸೂಕ್ಷ್ಮತೆಯು ಪರಿಣಾಮ ಬೀರಬಹುದು. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಚಿತ್ರ 3a,c ನಲ್ಲಿನ ಓರಿಯಂಟೇಶನ್ ಹೊಂದಾಣಿಕೆ ವಕ್ರಾಕೃತಿಗಳು ಒಂದೇ ಸೈನುಸೈಡಲ್ ಶ್ರೇಣಿಯ ನ್ಯೂರಾನ್ ಓರಿಯಂಟೇಶನ್ ಸೆಟ್ಟಿಂಗ್ ಮತ್ತು ನಮ್ಮ ಟೆಕ್ಸ್ಚರ್ಡ್ ಶ್ರೇಣಿಯಲ್ಲಿ ಪಾರದರ್ಶಕ/ಸುಸಂಬದ್ಧ ಚಲನೆಗೆ ಅದರ ಸೂಕ್ಷ್ಮತೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ. ಎರಡೂ ಕೋತಿಗಳಿಗೂ ಇದೇ ಪರಿಸ್ಥಿತಿ ಇತ್ತು (ANOVA; 10° ರೆಸಲ್ಯೂಶನ್‌ನೊಂದಿಗೆ ಬಿನ್ ಮಾಡಲಾದ ಸಾಪೇಕ್ಷ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳು; ಮಂಕಿ N: F = 2.12, p < 0.01; ಮಂಕಿ S: F = 2.01, p < 0.01). ಎರಡೂ ಕೋತಿಗಳಿಗೂ ಇದೇ ಪರಿಸ್ಥಿತಿ ಇತ್ತು (ANOVA; 10° ರೆಸಲ್ಯೂಶನ್‌ನೊಂದಿಗೆ ಬಿನ್ ಮಾಡಲಾದ ಸಾಪೇಕ್ಷ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳು; ಮಂಕಿ N: F = 2.12, p < 0.01; ಮಂಕಿ S: F = 2.01, p < 0.01). ಈ ಮಾದರಿಯ ಮೆಸ್ಟೊ ಒಬಿಹ್ ಒಬೆಜಿಯನ್ (ANOVA; ಒಟ್ನೊಸಿಟೆಲಿನಿ ಪ್ರೊಡ್ಪೋಕ್ಟಿಟೆಲ್ ನ್ಯಾಪ್ರೊಲೆನಿಯಮ್ ಒಬ್ಜೆಡಿನೆನ್ಸ್ ವಿಂಗ್ 10°; обезьяна N: F = 2,12, p <0,01; ಎರಡೂ ಕೋತಿಗಳಿಗೂ ಇದು ಅನ್ವಯಿಸಿತು (ANOVA; 10° ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಗುಂಪು ಮಾಡಲಾದ ಸಾಪೇಕ್ಷ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳು; ಕೋತಿ N: F=2.12, p<0.01; ಕೋತಿ 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，2 0.01；猴子S）两 只 猴子 都 是 这 种2.12 , p <0.01 ； ： : f = 2.01 , p <0.01. . . . . . ) ಈ ಮಾದರಿಯ ಮೆಸ್ಟೊ ಒಬೆಯಿಹ್ ಒಬೆಸಿಯಾನ್ (ANOVA; ಒಟ್ನೊಸಿಟೆಲ್ನ ಪ್ರೆಡ್ಪೋಚ್ಟಿಥೆಲ್ನಯಾ ಒರಿಯೆಂಟಾಷಿಯಾ ಒಬ್ರೆಡಿನೇನಾ ಡಿಗ್ರಿ;10 обезьяна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ಎರಡೂ ಕೋತಿಗಳಿಗೂ ಇದೇ ಪರಿಸ್ಥಿತಿ ಇತ್ತು (ANOVA; 10° ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಸಾಪೇಕ್ಷ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ; ಕೋತಿ N: F=2.12, p<0.01; ಕೋತಿ S: F=2.01, p<0.01).ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯಲ್ಲಿನ ದೊಡ್ಡ ಪ್ರಮಾಣದ ವ್ಯತ್ಯಾಸವನ್ನು (ಚಿತ್ರ 5a) ನೀಡಿದರೆ, ಸಾಪೇಕ್ಷ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನಗಳ ಮೇಲೆ ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯ ಅವಲಂಬನೆಯನ್ನು ದೃಶ್ಯೀಕರಿಸಲು, ನಾವು ಮೊದಲು ಪ್ರತಿ ಕೋಶದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಗ್ರಿಡ್ ಮಾದರಿಯ ಚಲನೆಗಾಗಿ "ಉತ್ತಮ" ದೃಷ್ಟಿಕೋನಕ್ಕೆ ಸಾಮಾನ್ಯೀಕರಿಸಿದ್ದೇವೆ (ಅಂದರೆ ದಿಕ್ಕು). ಇದರಲ್ಲಿ ಗ್ರ್ಯಾಟಿಂಗ್ ಆದ್ಯತೆಯ ಕೋಶ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ಚಿಕ್ಕ ಕೋನವನ್ನು ರೂಪಿಸುತ್ತದೆ. ನ್ಯೂರಾನ್‌ಗಳ ಸಾಪೇಕ್ಷ ಮಿತಿಗಳು ("ಕೆಟ್ಟ" ಲ್ಯಾಟಿಸ್ ದೃಷ್ಟಿಕೋನ/"ಉತ್ತಮ" ಲ್ಯಾಟಿಸ್ ದೃಷ್ಟಿಕೋನಕ್ಕಾಗಿ ಮಿತಿ) ಈ ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನದೊಂದಿಗೆ ಬದಲಾಗುತ್ತವೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ಈ ಮಿತಿ ಅನುಪಾತದಲ್ಲಿ ಶಿಖರಗಳು ಮಾದರಿಗಳು ಅಥವಾ ಘಟಕ ದೃಷ್ಟಿಕೋನಗಳ ಸುತ್ತಲೂ ಸಂಭವಿಸುತ್ತವೆ (ಚಿತ್ರ 5b). ಈ ಪರಿಣಾಮವನ್ನು ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಘಟಕಗಳಲ್ಲಿ ಪ್ಲೈಡ್ ಮಾದರಿ ಅಥವಾ ಘಟಕ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರ ಕಡೆಗೆ ಆದ್ಯತೆಯ ದಿಕ್ಕುಗಳ ವಿತರಣೆಯಲ್ಲಿನ ಪಕ್ಷಪಾತದಿಂದ ವಿವರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ (ಚಿತ್ರ 5c; ರೇಲೀ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 8.33, p < 10−3, ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ = 190.13 ಡಿಗ್ರಿ ± 9.83 ಡಿಗ್ರಿ; ಮಂಕಿ S: z = 0.79, p = 0.45) ಮತ್ತು ಪ್ಲೈಡ್ ಇಂಟರ್-ಗ್ರೇಟಿಂಗ್ ಕೋನಗಳಲ್ಲಿ ಸ್ಥಿರವಾಗಿತ್ತು (ಪೂರಕ ಚಿತ್ರ 2). ಈ ಪರಿಣಾಮವನ್ನು ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಘಟಕಗಳಲ್ಲಿ ಪ್ಲೈಡ್ ಮಾದರಿ ಅಥವಾ ಘಟಕ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರ ಕಡೆಗೆ ಆದ್ಯತೆಯ ದಿಕ್ಕುಗಳ ವಿತರಣೆಯಲ್ಲಿನ ಪಕ್ಷಪಾತದಿಂದ ವಿವರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ (ಚಿತ್ರ 5c; ರೇಲೀ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 8.33, p < 10−3, ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ = 190.13 ಡಿಗ್ರಿ ± 9.83 ಡಿಗ್ರಿ; ಮಂಕಿ S: z = 0.79, p = 0.45) ಮತ್ತು ಪ್ಲೈಡ್ ಇಂಟರ್-ಗ್ರೇಟಿಂಗ್ ಕೋನಗಳಲ್ಲಿ ಸ್ಥಿರವಾಗಿತ್ತು (ಪೂರಕ ಚಿತ್ರ 2). ಎಟೋಟ್ ಎಫೆಕ್ಟ್ ನೆಲ್ಜಿಯಾ ಬೈಲೋ ಒಬ್ಯಾಸ್ನಿಟ್ ಸ್ಮೆಸ್ನಿಯೆಮ್ ರಾಸ್ಪ್ರೆಡೆಲೆನಿಯ ಪ್ರೆಡ್ಪೋಚ್ಟಿಥೆಲೆನಿಕ್ಸ್ ನ್ಯಾಪ್ರ್ಯಾವ್ಲೆನಿಯ್ ಇನ್ ವೆಡ್ನಿಸ್ಟ್ ವ್ಯೋಬೋರ್ಕೆ ವ್ ಸ್ಟೊರೊನು ಆಡ್ನೋಗೊ ಇಸ್ ಕ್ಲೆಚ್ಚತ್ ನಪ್ರವ್ಲೇನಿ ಅಥವಾ ನ್ಯಾಪ್ರವ್ಲೆನಿ ಕಾಮ್ಪೊನೆಂಟೋವ್ (ರಿಸ್. 5 ವಿ; ಕ್ರಿಟೇರಿ = ಕ್ರಿಟೇರಿ; 8,33, ಪು < 10–3). ಈ ಪರಿಣಾಮವನ್ನು ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಘಟಕಗಳಲ್ಲಿನ ಆದ್ಯತೆಯ ದಿಕ್ಕುಗಳ ವಿತರಣೆಯಲ್ಲಿನ ಬದಲಾವಣೆಯಿಂದ ವಿವರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ (ಚಿತ್ರ 5c; ರೇಲೀ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 8.33, p < 10–3)., ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ = 190.13 ಡಿಗ್ರಿ ± 9.83 ಡಿಗ್ರಿಗಳು; ಮಂಕಿ S: z = 0.79, p = 0.45) ಮತ್ತು ಪ್ಲೈಡ್ ಗ್ರಿಡ್‌ನ ಎಲ್ಲಾ ಮೂಲೆಗಳಿಗೂ ಒಂದೇ ಆಗಿತ್ತು (ಪೂರಕ ಚಿತ್ರ 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）。ಚಿತ್ರ来 解释 （图 图 图 图 瑞利 测试 ； 猴子 n z = 8.33 , p <10-3 , 圢值 彳 均圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形z ಎಫ಼ೆಕ್ಟ್ ಇಲ್ಲ ಒಬ್ರಝ್ ಸ್ಮೆಷೆನೊ ಲಿಬೋ ವ್ ಸ್ಟೊರೊನು ಸ್ಟ್ರಕ್ಟುರಿ ರೆಶೆಟ್ಕಿ, ಲಿಬೊ ವಿ ಸ್ಟೊರೊನು ಒಡ್ನೊಯ್ ಐಝ್ ಒರಿಯೆಂಟಸ್ ಕಾಮ್ಪೋನ್; ಕ್ರಿಟೇರಿ ರೇಲಿಯಾ; обезьяна N: z = 8,33, p <10-3). ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಕೋಶಗಳಲ್ಲಿನ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನಗಳ ವಿತರಣೆಯು ಲ್ಯಾಟಿಸ್ ರಚನೆಯ ಕಡೆಗೆ ಅಥವಾ ಘಟಕ ದೃಷ್ಟಿಕೋನಗಳಲ್ಲಿ ಒಂದರ ಕಡೆಗೆ ಪಕ್ಷಪಾತ ಹೊಂದಿದೆ ಎಂಬ ಅಂಶದಿಂದ ಈ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಲಾಗುವುದಿಲ್ಲ (ಚಿತ್ರ 5c; ರೇಲೀ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 8.33, p < 10–3)., ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ) = 190.13 ಡಿಗ್ರಿ ± 9.83 ಡಿಗ್ರಿಗಳು; ಮಂಕಿ S: z = 0.79, p = 0.45) ಮತ್ತು ಗ್ರಿಡ್‌ಗಳ ನಡುವಿನ ಲ್ಯಾಟಿಸ್ ಕೋನಗಳಲ್ಲಿ ಸಮಾನವಾಗಿದ್ದವು (ಪೂರಕ ಚಿತ್ರ 2).ಹೀಗಾಗಿ, ಟೆಕ್ಸ್ಚರ್ಡ್ ಗ್ರಿಡ್‌ಗಳಿಗೆ ನ್ಯೂರಾನ್‌ಗಳ ಸೂಕ್ಷ್ಮತೆಯು ಕನಿಷ್ಠ ಭಾಗಶಃ MT ಟ್ಯೂನಿಂಗ್‌ನ ಮೂಲಭೂತ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.
ಎಡ ಫಲಕವು N/P ಅನುಪಾತಗಳ ವಿತರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ (ನ್ಯೂರಾನ್/ಸೈಕೋಫಿಸಿಯೋಲಾಜಿಕಲ್ ಥ್ರೆಶೋಲ್ಡ್); ಪ್ರತಿ ಕೋಶವು ಎರಡು ಡೇಟಾ ಬಿಂದುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಮಾದರಿಯು ಚಲಿಸುವ ಪ್ರತಿ ದಿಕ್ಕಿಗೆ ಒಂದು. ಬಲ ಫಲಕವು ಮಾದರಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಘಟಕಗಳಿಗೆ ಸೈಕೋಫಿಸಿಕಲ್ ಥ್ರೆಶೋಲ್ಡ್‌ಗಳನ್ನು (ಆರ್ಡಿನೇಟ್) ಮತ್ತು ನ್ಯೂರಾನಲ್ ಥ್ರೆಶೋಲ್ಡ್‌ಗಳನ್ನು (ಅಬ್ಸಿಸ್ಸಾ) ಪ್ಲಾಟ್ ಮಾಡುತ್ತದೆ. ಮೇಲಿನ (ಕೆಳಗಿನ) ಸಾಲಿನಲ್ಲಿರುವ ಡೇಟಾವು ಮಂಕಿ N (S) ನಿಂದ ಬಂದಿದೆ. b ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಥ್ರೆಶೋಲ್ಡ್ ಅನುಪಾತಗಳನ್ನು ಸೂಕ್ತ ಲ್ಯಾಟಿಸ್ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಆದ್ಯತೆಯ ಕೋಶ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ವ್ಯತ್ಯಾಸದ ಪ್ರಮಾಣಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ ರೂಪಿಸಲಾಗಿದೆ. "ಉತ್ತಮ" ದಿಕ್ಕನ್ನು ಆದ್ಯತೆಯ ಕೋಶ ದಿಕ್ಕಿಗೆ ಹತ್ತಿರವಿರುವ ಗ್ರ್ಯಾಟಿಂಗ್ ರಚನೆಯ ದಿಕ್ಕು (ಒಂದೇ ಸೈನುಸೈಡಲ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ನೊಂದಿಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ) ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಡೇಟಾವನ್ನು ಮೊದಲು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನದಿಂದ (10° ಬಿನ್‌ಗಳು) ಬಿನ್ ಮಾಡಲಾಯಿತು, ನಂತರ ಮಿತಿ ಅನುಪಾತಗಳನ್ನು ಗರಿಷ್ಠ ಮೌಲ್ಯಕ್ಕೆ ಸಾಮಾನ್ಯೀಕರಿಸಲಾಯಿತು ಮತ್ತು ಪ್ರತಿ ಬಿನ್‌ನೊಳಗೆ ಸರಾಸರಿ ಮಾಡಲಾಯಿತು. ಲ್ಯಾಟಿಸ್ ಘಟಕಗಳ ದೃಷ್ಟಿಕೋನಕ್ಕಿಂತ ಸ್ವಲ್ಪ ದೊಡ್ಡದಾದ ಅಥವಾ ಚಿಕ್ಕದಾದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಹೊಂದಿರುವ ಕೋಶಗಳು ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನಕ್ಕೆ ಸೂಕ್ಷ್ಮತೆಯಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿದ್ದವು. c ಪ್ರತಿ ಮಂಗದಲ್ಲಿ ದಾಖಲಾಗಿರುವ ಎಲ್ಲಾ MT ಘಟಕಗಳ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ವಿತರಣೆಯ ಗುಲಾಬಿ ಹಿಸ್ಟೋಗ್ರಾಮ್.
ಅಂತಿಮವಾಗಿ, MT ಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಗ್ರ್ಯಾಟಿಂಗ್ ಚಲನೆಯ ದಿಕ್ಕು ಮತ್ತು ನಮ್ಮ ಸೆಗ್ಮೆಂಟೇಶನ್ ಸಿಗ್ನಲ್‌ಗಳ (ಟೆಕ್ಸ್ಚರ್) ವಿವರಗಳಿಂದ ಮಾರ್ಪಡಿಸಲಾಗುತ್ತದೆ. ನರಕೋಶ ಮತ್ತು ಮನೋಭೌತಿಕ ಸೂಕ್ಷ್ಮತೆಯ ಹೋಲಿಕೆಯು, ಸಾಮಾನ್ಯವಾಗಿ, MT ಘಟಕಗಳು ಕೋತಿಗಳಿಗಿಂತ ವ್ಯತಿರಿಕ್ತ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳಿಗೆ ಕಡಿಮೆ ಸಂವೇದನಾಶೀಲವಾಗಿರುತ್ತವೆ ಎಂದು ತೋರಿಸಿದೆ. ಆದಾಗ್ಯೂ, ಘಟಕದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಗ್ರಿಡ್ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಅವಲಂಬಿಸಿ ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು ಬದಲಾಯಿತು. ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಕೋಶಗಳು ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯನ್ನು ಅಥವಾ ಘಟಕ ದೃಷ್ಟಿಕೋನಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಹುತೇಕ ಆವರಿಸುವ ಓರಿಯಂಟೇಶನಲ್ ಆದ್ಯತೆಗಳನ್ನು ಹೊಂದಿದ್ದವು ಮತ್ತು ನಮ್ಮ ಮಾದರಿಗಳ ಒಂದು ಸಣ್ಣ ಉಪವಿಭಾಗವು ಕೋತಿಗಳ ವ್ಯತಿರಿಕ್ತ ವ್ಯತ್ಯಾಸಗಳ ಗ್ರಹಿಕೆಗಿಂತ ಸೂಕ್ಷ್ಮ ಅಥವಾ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿತ್ತು. ಈ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಘಟಕಗಳಿಂದ ಬರುವ ಸಂಕೇತಗಳು ಮಂಗಗಳಲ್ಲಿನ ಗ್ರಹಿಕೆಯೊಂದಿಗೆ ಹೆಚ್ಚು ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿವೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು, ಗ್ರಹಿಕೆ ಮತ್ತು ನರಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನಾವು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ.
ನರ ಚಟುವಟಿಕೆ ಮತ್ತು ನಡವಳಿಕೆಯ ನಡುವಿನ ಸಂಪರ್ಕವನ್ನು ಸ್ಥಾಪಿಸುವಲ್ಲಿ ಒಂದು ಪ್ರಮುಖ ಹೆಜ್ಜೆಯೆಂದರೆ, ನರಕೋಶಗಳು ಮತ್ತು ನಿರಂತರ ಪ್ರಚೋದಕಗಳಿಗೆ ವರ್ತನೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸುವುದು. ನರಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ವಿಭಜನೆಯ ತೀರ್ಪುಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಲು, ವಿಭಿನ್ನ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಒಂದೇ ಆಗಿದ್ದರೂ, ವಿಭಿನ್ನವಾಗಿ ಗ್ರಹಿಸಲ್ಪಡುವ ಪ್ರಚೋದನೆಯನ್ನು ರಚಿಸುವುದು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ, ಇದನ್ನು ಶೂನ್ಯ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತ ಗ್ರ್ಯಾಟಿಂಗ್‌ನಿಂದ ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ಪ್ರಾಣಿಗಳ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ, ಕನಿಷ್ಠ (~20% ಕ್ಕಿಂತ ಕಡಿಮೆ) ರಚನಾತ್ಮಕ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಹೊಂದಿರುವ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಎಂದು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ.
ಗ್ರಹಿಕೆಯ ವರದಿಗಳೊಂದಿಗೆ MT ಪ್ರತಿಕ್ರಿಯೆಗಳು ಎಷ್ಟರ ಮಟ್ಟಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ಪರಿಮಾಣೀಕರಿಸಲು, ನಾವು ನಮ್ಮ ಗ್ರಿಡ್ ಡೇಟಾದ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆ (CP) ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸಿದ್ದೇವೆ (ನೋಡಿ 3). ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, CP ಎಂಬುದು ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಅಲ್ಲದ, ಪ್ರಮಾಣಿತವಲ್ಲದ ಅಳತೆಯಾಗಿದ್ದು ಅದು ಸ್ಪೈಕ್ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಗ್ರಹಿಕೆಯ ತೀರ್ಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪರಿಮಾಣಿಸುತ್ತದೆ30. ಶೂನ್ಯ ಟೆಕ್ಚರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಹೊಂದಿರುವ ಗ್ರಿಡ್‌ಗಳನ್ನು ಬಳಸುವ ಪ್ರಯೋಗಗಳಿಗೆ ಮತ್ತು ಈ ಪ್ರಯೋಗಗಳ ಪ್ರತಿಯೊಂದು ಪ್ರಕಾರಕ್ಕೂ ಮಂಗಗಳು ಕನಿಷ್ಠ ಐದು ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಿದ ಅವಧಿಗಳಿಗೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ಬಂಧಿಸಿ, ಗ್ರಿಡ್ ಚಲನೆಯ ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿಗೆ ನಾವು SR ಅನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ. ಕೋತಿಗಳಲ್ಲಿ, ನಾವು ಆಕಸ್ಮಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಿದ್ದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಸರಾಸರಿ CP ಮೌಲ್ಯವನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), ಎರಡು-ಬದಿಯ ಟಿ-ಪರೀಕ್ಷೆ ಶೂನ್ಯ CP = 0.5, t = 6.7, p < 10−9; ಮಂಕಿ S: ಸರಾಸರಿ CP: 0.55, 95% CI: (0.54, 0.57), ಎರಡು-ಬದಿಯ ಟಿ-ಪರೀಕ್ಷೆ, t = 9.4, p < 10−13). ಕೋತಿಗಳಲ್ಲಿ, ನಾವು ಆಕಸ್ಮಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಿದ್ದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಸರಾಸರಿ CP ಮೌಲ್ಯವನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), ಎರಡು-ಬದಿಯ ಟಿ-ಪರೀಕ್ಷೆ ಶೂನ್ಯ CP = 0.5, t = 6.7, p < 10−9; ಮಂಕಿ S: ಸರಾಸರಿ CP: 0.55, 95% CI: (0.54, 0.57), ಎರಡು-ಬದಿಯ ಟಿ-ಪರೀಕ್ಷೆ, t = 9.4, p < 10−13).ಮಂಗಗಳಲ್ಲಿ, ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಿದ್ದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಸರಾಸರಿ CP ಅನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6a, d; ಮಂಗ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), ಎರಡು-ಬಾಲದ ಟಿ-ಪರೀಕ್ಷೆ vs. ಶೂನ್ಯ ಮೌಲ್ಯಗಳು).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) . ಮಂಕಿ ಎಸ್: ಸರಾಸರಿ ಸಿಪಿ: 0.55, 95% ಸಿಐ: (0.54, 0.57), ಎರಡು ಬಾಲದ ಟಿ-ಪರೀಕ್ಷೆ, ಟಿ = 9.4, ಪಿ < 10–13).ಚಿತ್ರ 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, 0.55双边t 检验, t = 9.4, p <10−13) .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 图 图平均: 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) ಒಬೆಸಿಯನ್ ನನ್ನ ನಾಬ್ಲಿಡಾಲಿ ಸ್ರೆಡ್ನಿ ಸಿಪಿ, ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ಪ್ರಚಾರ ಮಾಡಲಾಗುತ್ತಿದೆ ಡಿ ಎಸ್: средний CP: 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p <10- 13) . ಮಂಗಗಳಲ್ಲಿ, ನಾವು ಆಕಸ್ಮಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಬಹುದಾದ ಸರಾಸರಿ CP ಮೌಲ್ಯಗಳಿಗಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), ಎರಡು-ಬಾಲದ ಟಿ-ಪರೀಕ್ಷೆ CP vs. ಶೂನ್ಯ = 0.5, t = 6.7, p < 10-9, ಮಂಕಿ S: ಸರಾಸರಿ CP: 0.55, 95% CI: (0.54, 0.57), ಎರಡು-ಬಾಲದ t- ಮಾನದಂಡ, t = 9.4, p < 10-13).ಹೀಗಾಗಿ, ಯಾವುದೇ ಸ್ಪಷ್ಟವಾದ ವಿಭಜನೆಯ ಸೂಚನೆಗಳಿಲ್ಲದಿದ್ದರೂ ಸಹ, ಲ್ಯಾಟಿಸ್ ಚಲನೆಯ ಪ್ರಾಣಿಗಳ ಗ್ರಹಿಕೆಯು ಜೀವಕೋಶದ ಆದ್ಯತೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾದಾಗ MT ನರಕೋಶಗಳು ಹೆಚ್ಚು ಬಲವಾಗಿ ಗುಂಡು ಹಾರಿಸುತ್ತವೆ.
ಮಂಕಿ N ನಿಂದ ದಾಖಲಿಸಲಾದ ಮಾದರಿಗಳಿಗೆ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳಿಲ್ಲದ ಗ್ರಿಡ್‌ಗಳಿಗೆ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆ. ಪ್ರತಿ ಕೋಶವು ಎರಡು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳವರೆಗೆ (ಗ್ರಿಡ್ ಚಲನೆಯ ಪ್ರತಿ ದಿಕ್ಕಿಗೆ ಒಂದು) ಕೊಡುಗೆ ನೀಡಬಹುದು. ಯಾದೃಚ್ಛಿಕ (ಬಿಳಿ ಬಾಣಗಳು) ಮೇಲಿನ ಸರಾಸರಿ CP ಮೌಲ್ಯವು ಒಟ್ಟಾರೆಯಾಗಿ MT ಚಟುವಟಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆಯ ನಡುವೆ ಗಮನಾರ್ಹ ಸಂಬಂಧವಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. b ಯಾವುದೇ ಸಂಭಾವ್ಯ ಆಯ್ಕೆ ಪಕ್ಷಪಾತದ ಪರಿಣಾಮವನ್ನು ಪರೀಕ್ಷಿಸಲು, ಮಂಗಗಳು ಕನಿಷ್ಠ ಒಂದು ದೋಷವನ್ನು ಮಾಡಿದ ಯಾವುದೇ ಪ್ರಚೋದನೆಗೆ ನಾವು ಪ್ರತ್ಯೇಕವಾಗಿ CP ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ. ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಗಳನ್ನು ಎಲ್ಲಾ ಪ್ರಚೋದಕಗಳಿಗೆ (ಎಡ) ಆಯ್ಕೆ ಅನುಪಾತದ (ಪೂರ್ವಭಾವಿ/ಶೂನ್ಯ) ಕಾರ್ಯವಾಗಿ ಮತ್ತು ಟೆಕ್ಸ್ಚರ್ ಮಾರ್ಕ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ನ ಸಂಪೂರ್ಣ ಮೌಲ್ಯಗಳಾಗಿ (ಬಲ, 120 ಪ್ರತ್ಯೇಕ ಕೋಶಗಳಿಂದ ಡೇಟಾ) ರೂಪಿಸಲಾಗಿದೆ. ಎಡ ಫಲಕದಲ್ಲಿ ಘನ ರೇಖೆ ಮತ್ತು ಮಬ್ಬಾದ ಪ್ರದೇಶವು 20-ಬಿಂದು ಚಲಿಸುವ ಸರಾಸರಿಯ ಸರಾಸರಿ ± sem ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ಸಿಗ್ನಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಹೊಂದಿರುವ ಗ್ರಿಡ್‌ಗಳಂತಹ ಅಸಮತೋಲಿತ ಆಯ್ಕೆ ಅನುಪಾತಗಳೊಂದಿಗೆ ಪ್ರಚೋದಕಗಳಿಗೆ ಲೆಕ್ಕಹಾಕಲಾದ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಗಳು ಹೆಚ್ಚು ಭಿನ್ನವಾಗಿವೆ ಮತ್ತು ಸಾಧ್ಯತೆಗಳ ಸುತ್ತಲೂ ಸಮೂಹಗೊಂಡಿವೆ. ಬಲ ಫಲಕದಲ್ಲಿ ಬೂದು-ಮಬ್ಬಾದ ಪ್ರದೇಶವು ಹೆಚ್ಚಿನ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ ಸೇರಿಸಲಾದ ವೈಶಿಷ್ಟ್ಯಗಳ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ. c ದೊಡ್ಡ ಆಯ್ಕೆಯ (ಆರ್ಡಿನೇಟ್) ಸಂಭವನೀಯತೆಯನ್ನು ನರಕೋಶದ (ಅಬ್ಸಿಸಾ) ಮಿತಿಯ ವಿರುದ್ಧ ಗುರುತಿಸಲಾಗಿದೆ. ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯು ಮಿತಿಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಋಣಾತ್ಮಕವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ. ಕನ್ವೆನ್ಷನ್ df ac ಯಂತೆಯೇ ಇರುತ್ತದೆ ಆದರೆ ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಗಮನಿಸದ ಹೊರತು ಮಂಕಿ S ನಿಂದ 157 ಏಕ ಡೇಟಾಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. g ಎರಡು ಕೋತಿಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಆದ್ಯತೆಯ ದಿಕ್ಕಿನ (ಅಬ್ಸಿಸಾ) ವಿರುದ್ಧ ಅತ್ಯಧಿಕ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆ (ಆರ್ಡಿನೇಟ್) ಅನ್ನು ಗುರುತಿಸಲಾಗಿದೆ. ಪ್ರತಿ MT ಕೋಶವು ಎರಡು ಡೇಟಾ ಬಿಂದುಗಳನ್ನು (ಲ್ಯಾಟಿಸ್ ರಚನೆಯ ಪ್ರತಿ ದಿಕ್ಕಿಗೆ ಒಂದು) ಕೊಡುಗೆ ನೀಡಿದೆ. h ಪ್ರತಿ ಇಂಟರ್-ರಾಸ್ಟರ್ ಕೋನಕ್ಕೆ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯ ದೊಡ್ಡ ಬಾಕ್ಸ್ ಪ್ಲಾಟ್‌ಗಳು. ಘನ ರೇಖೆಯು ಮಧ್ಯವನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಪೆಟ್ಟಿಗೆಯ ಕೆಳಗಿನ ಮತ್ತು ಮೇಲಿನ ಅಂಚುಗಳು ಕ್ರಮವಾಗಿ 25 ನೇ ಮತ್ತು 75 ನೇ ಶೇಕಡಾವಾರುಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ, ಮೀಸೆಗಳನ್ನು ಇಂಟರ್ಕ್ವಾರ್ಟೈಲ್ ಶ್ರೇಣಿಯ 1.5 ಪಟ್ಟು ವಿಸ್ತರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಈ ಮಿತಿಯನ್ನು ಮೀರಿದ ಹೊರವಲಯಗಳನ್ನು ಗುರುತಿಸಲಾಗುತ್ತದೆ. ಎಡ (ಬಲ) ಫಲಕಗಳಲ್ಲಿನ ಡೇಟಾವು 120 (157) ಪ್ರತ್ಯೇಕ N(S) ಮಂಕಿ ಕೋಶಗಳಿಂದ ಬಂದಿದೆ. i ಆಯ್ಕೆಯ (ಆರ್ಡಿನೇಟ್) ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆಯನ್ನು ಪ್ರಚೋದಕ (ಅಬ್ಸಿಸಾ) ಪ್ರಾರಂಭದ ಸಮಯದ ವಿರುದ್ಧ ಗುರುತಿಸಲಾಗಿದೆ. ಪರೀಕ್ಷೆಯ ಉದ್ದಕ್ಕೂ ದೊಡ್ಡ CP ಅನ್ನು ಸ್ಲೈಡಿಂಗ್ ಆಯತಗಳಲ್ಲಿ (ಅಗಲ 100 ms, ಹಂತ 10 ms) ಲೆಕ್ಕಹಾಕಲಾಯಿತು ಮತ್ತು ನಂತರ ಘಟಕಗಳಲ್ಲಿ ಸರಾಸರಿ ಮಾಡಲಾಯಿತು.
ಹಿಂದಿನ ಕೆಲವು ಅಧ್ಯಯನಗಳು CPಯು ಮೂಲ ದರ ವಿತರಣೆಯಲ್ಲಿನ ಸಾಪೇಕ್ಷ ಸಂಖ್ಯೆಯ ಪ್ರಯೋಗಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ ಎಂದು ವರದಿ ಮಾಡಿದೆ, ಅಂದರೆ ಪ್ರತಿ ಆಯ್ಕೆಯ ಅನುಪಾತದಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉಂಟುಮಾಡುವ ಪ್ರಚೋದಕಗಳಿಗೆ ಈ ಅಳತೆ ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ. ನಮ್ಮ ಡೇಟಾದಲ್ಲಿ ಈ ಪರಿಣಾಮವನ್ನು ಪರೀಕ್ಷಿಸಲು, ಚಿಹ್ನೆ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಲೆಕ್ಕಿಸದೆ, ಎಲ್ಲಾ ಪ್ರಚೋದಕಗಳಿಗೆ ನಾವು CP ಅನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ ಮತ್ತು ಕೋತಿಗಳು ಕನಿಷ್ಠ ಒಂದು ತಪ್ಪು ಪ್ರಯೋಗವನ್ನು ನಿರ್ವಹಿಸಿದವು. ಚಿತ್ರ 6b ಮತ್ತು e (ಎಡ ಫಲಕ) ನಲ್ಲಿ ಕ್ರಮವಾಗಿ ಪ್ರತಿ ಪ್ರಾಣಿಗೆ ಆಯ್ಕೆ ಅನುಪಾತ (ಪ್ರಾಶಸ್ತ್ಯ/ಶೂನ್ಯ) ವಿರುದ್ಧ CP ಅನ್ನು ರೂಪಿಸಲಾಗಿದೆ. ಚಲಿಸುವ ಸರಾಸರಿಗಳನ್ನು ನೋಡುವಾಗ, ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಆಯ್ಕೆ ಆಡ್ಸ್‌ಗಳಲ್ಲಿ CP ಸಂಭವನೀಯತೆಗಿಂತ ಮೇಲಿರುತ್ತದೆ, ಆಡ್ಸ್ 0.2 (0.8) ಗಿಂತ (ಮೇಲೆ) ಕಡಿಮೆಯಾದಾಗ (ಹೆಚ್ಚಳ) ಮಾತ್ರ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. ಪ್ರಾಣಿಗಳ ಸೈಕೋಮೆಟ್ರಿಕ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಆಧರಿಸಿ, ಈ ಪ್ರಮಾಣದ ಆಯ್ಕೆ ಗುಣಾಂಕಗಳು ಹೆಚ್ಚಿನ-ವ್ಯತಿರಿಕ್ತ ವಿನ್ಯಾಸ ಸೂಚನೆಗಳನ್ನು (ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ) ಹೊಂದಿರುವ ಪ್ರಚೋದಕಗಳಿಗೆ ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತವೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ (ಚಿತ್ರ 2a, b ನಲ್ಲಿ ಸೈಕೋಮೆಟ್ರಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡಿ). ಇದು ನಿಜವೇ ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಸೆಗ್ಮೆಂಟೇಶನ್ ಸಿಗ್ನಲ್‌ಗಳೊಂದಿಗೆ ಪ್ರಚೋದಕಗಳಿಗೆ ಸಹ ಗಮನಾರ್ಹವಾದ ಪಿಸಿ ಮುಂದುವರಿದಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು, ನಾವು ಪಿಸಿಯಲ್ಲಿ ಸಂಪೂರ್ಣ ಪಠ್ಯ ವ್ಯತಿರಿಕ್ತ ಮೌಲ್ಯಗಳ ಪರಿಣಾಮವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6b, ಇ-ಬಲ). ನಿರೀಕ್ಷೆಯಂತೆ, ಮಧ್ಯಮ (~20% ಕಾಂಟ್ರಾಸ್ಟ್ ಅಥವಾ ಕಡಿಮೆ) ಸೆಗ್ಮೆಂಟೇಶನ್ ಸೂಚನೆಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರಚೋದಕಗಳ ಸಂಭವನೀಯತೆಗಿಂತ CP ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ.
ದೃಷ್ಟಿಕೋನ, ವೇಗ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಕೊರತೆ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಗಳಲ್ಲಿ, MT CP ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ನ್ಯೂರಾನ್‌ಗಳಲ್ಲಿ ಅತ್ಯಧಿಕವಾಗಿರುತ್ತದೆ, ಬಹುಶಃ ಈ ನ್ಯೂರಾನ್‌ಗಳು ಹೆಚ್ಚು ಮಾಹಿತಿಯುಕ್ತ ಸಂಕೇತಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ30,32,33,34.ಈ ಸಂಶೋಧನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, ಚಿತ್ರ 2 ರ ಬಲಭಾಗದ ಫಲಕದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಟೆಕ್ಸ್ಚರ್ ಕ್ಯೂ ಕಾಂಟ್ರಾಸ್ಟ್‌ಗಳಾದ್ಯಂತ z- ಸ್ಕೋರ್ ಮಾಡಿದ ಫೈರಿಂಗ್ ದರಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲಾದ ಗ್ರ್ಯಾಂಡ್ CP ನಡುವೆ ಸಾಧಾರಣ ಆದರೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ.6b, e, ಮತ್ತು ನರಕೋಶದ ಮಿತಿ (ಚಿತ್ರ 6c, f; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಮಂಕಿ N: r = −0.12, p = 0.07 ಮಂಕಿ S: r = −0.18, p < 10−3). 6b, e, ಮತ್ತು ನರಕೋಶದ ಮಿತಿ (ಚಿತ್ರ 6c, f; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಮಂಕಿ N: r = −0.12, p = 0.07 ಮಂಕಿ S: r = −0.18, p < 10−3).ಈ ಸಂಶೋಧನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, ಚಿತ್ರ 6b, e ನ ಬಲಭಾಗದ ಫಲಕದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ಗಳಿಂದ ಉದ್ರೇಕ ಆವರ್ತನ z- ಸ್ಕೋರ್‌ನಿಂದ ಲೆಕ್ಕಹಾಕಲಾದ ದೊಡ್ಡ CP ಮತ್ತು ನರಕೋಶದ ಮಿತಿ (ಚಿತ್ರ 6c, f; ಜ್ಯಾಮಿತೀಯ) ನಡುವೆ ಸಾಧಾರಣ ಆದರೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ. ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p <10-3). ಕೋತಿ N: r = -0.12, p = 0.07 ಕೋತಿ 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，这是澹据和神经元阈值（图6c、f；几何平均回归；猴子N：r = -0.12,p = 0.07 猴子S：r = 3-0.与 这些 发现 一致 ， 我们 到 大 大 之间 存在 适度 但 显着 的 相关澍澍 这、 ಇ 和 元 阈值 （图 图 6 ಸಿ 、 ಎಫ್ಈ ಸಂಶೋಧನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, ಚಿತ್ರ 6b,e ಮತ್ತು ನರಕೋಶದ ಮಿತಿಗಳಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ ದೊಡ್ಡ CV ಗಳ ನಡುವೆ ಸಾಧಾರಣ ಆದರೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6c,f; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಮಂಕಿ N: r = -0.12, p = 0.07).Обезьяна S: г = -0,18, р < 10-3). ಮಂಕಿ ಎಸ್: r = -0.18, p < 10-3).ಆದ್ದರಿಂದ, ಹೆಚ್ಚು ಮಾಹಿತಿಯುಕ್ತ ಘಟಕಗಳಿಂದ ಬರುವ ಸೂಚನೆಗಳು ಮಂಗಗಳಲ್ಲಿ ವ್ಯಕ್ತಿನಿಷ್ಠ ವಿಭಜನೆಯ ತೀರ್ಪುಗಳೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಸಹವರ್ತಿತ್ವವನ್ನು ತೋರಿಸುತ್ತವೆ, ಇದು ಗ್ರಹಿಕೆಯ ಪಕ್ಷಪಾತಕ್ಕೆ ಸೇರಿಸಲಾದ ಯಾವುದೇ ಪಠ್ಯ ಸೂಚನೆಗಳನ್ನು ಲೆಕ್ಕಿಸದೆ ಮುಖ್ಯವಾಗಿದೆ.
ಗ್ರಿಡ್ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಆದ್ಯತೆಯ ನರಕೋಶದ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಾವು ಈ ಹಿಂದೆ ಸ್ಥಾಪಿಸಿದ್ದರಿಂದ, CP ಮತ್ತು ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನದ ನಡುವೆ ಇದೇ ರೀತಿಯ ಸಂಬಂಧವಿದೆಯೇ ಎಂದು ನಾವು ಆಶ್ಚರ್ಯ ಪಡುತ್ತೇವೆ (ಚಿತ್ರ 6g). ಈ ಸಂಬಂಧವು ಮಂಕಿ S ನಲ್ಲಿ ಮಾತ್ರ ಸ್ವಲ್ಪ ಮಹತ್ವದ್ದಾಗಿತ್ತು (ANOVA; ಮಂಕಿ N: 1.03, p=0.46; ಮಂಕಿ S: F=1.73, p=0.04). ಯಾವುದೇ ಪ್ರಾಣಿಯಲ್ಲಿ ಲ್ಯಾಟಿಸ್‌ಗಳ ನಡುವಿನ ಲ್ಯಾಟಿಸ್ ಕೋನಗಳಿಗೆ CP ಯಲ್ಲಿ ಯಾವುದೇ ವ್ಯತ್ಯಾಸವನ್ನು ನಾವು ಗಮನಿಸಿಲ್ಲ (ಚಿತ್ರ 6h; ANOVA; ಮಂಕಿ N: F = 1.8, p = 0.11; ಮಂಕಿ S: F = 0.32, p = 0. 9).
ಕೊನೆಯದಾಗಿ, ಹಿಂದಿನ ಕೆಲಸವು ಪ್ರಯೋಗದ ಉದ್ದಕ್ಕೂ CP ಬದಲಾಗುತ್ತದೆ ಎಂದು ತೋರಿಸಿದೆ. ಕೆಲವು ಅಧ್ಯಯನಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಸುಗಮ ಆಯ್ಕೆ ಪರಿಣಾಮವನ್ನು ಅನುಸರಿಸಿ ತೀಕ್ಷ್ಣವಾದ ಹೆಚ್ಚಳವನ್ನು ವರದಿ ಮಾಡಿವೆ, 30 ಆದರೆ ಇತರರು ಪ್ರಯೋಗದ ಅವಧಿಯಲ್ಲಿ ಆಯ್ಕೆ ಸಿಗ್ನಲ್‌ನಲ್ಲಿ ಸ್ಥಿರವಾದ ಹೆಚ್ಚಳವನ್ನು ವರದಿ ಮಾಡಿದ್ದಾರೆ 31. ಪ್ರತಿ ಮಂಗಕ್ಕೆ, ಪೂರ್ವ-ಪ್ರಚೋದನೆಯ ಪ್ರಾರಂಭದಿಂದ ಪೋಸ್ಟ್ ಸರಾಸರಿ ಪೂರ್ವ-ಪ್ರಚೋದನೆಯ ಆಫ್‌ಸೆಟ್‌ಗೆ ಪ್ರತಿ 20 ms ಹೆಜ್ಜೆ ಹಾಕುವ 100 ms ಕೋಶಗಳಲ್ಲಿ ಶೂನ್ಯ ಟೆಕ್ಚರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ (ಕ್ರಮವಾಗಿ, ಮಾದರಿ ದೃಷ್ಟಿಕೋನದ ಪ್ರಕಾರ) ಹೊಂದಿರುವ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಪ್ರತಿ ಘಟಕದ CP ಅನ್ನು ನಾವು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ. ಎರಡು ಮಂಗಗಳಿಗೆ ಸರಾಸರಿ CP ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಚಿತ್ರ 6i ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪ್ರಚೋದನೆಯ ಪ್ರಾರಂಭದ ನಂತರ ಸುಮಾರು 500 ms ವರೆಗೆ CP ಯಾದೃಚ್ಛಿಕ ಮಟ್ಟದಲ್ಲಿ ಅಥವಾ ಅದಕ್ಕೆ ಬಹಳ ಹತ್ತಿರದಲ್ಲಿಯೇ ಇತ್ತು, ನಂತರ CP ತೀವ್ರವಾಗಿ ಹೆಚ್ಚಾಯಿತು.
ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಬದಲಾಯಿಸುವುದರ ಜೊತೆಗೆ, CP ಕೋಶ ಶ್ರುತಿ ಗುಣಲಕ್ಷಣಗಳ ಕೆಲವು ಗುಣಗಳಿಂದ ಕೂಡ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯದಲ್ಲಿ CP ಸಾಧನದ ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯ ಶ್ರುತಿ ವಕ್ರರೇಖೆಯ ಸಮ್ಮಿತಿಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂದು ಉಕಾ ಮತ್ತು ಡಿಏಂಜೆಲಿಸ್34 ಕಂಡುಕೊಂಡರು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಪ್ಯಾಟರ್ನ್ ಡೈರೆಕ್ಷನ್ ಸೆಲೆಕ್ಟಿವ್ (PDS) ಕೋಶಗಳು ಕಾಂಪೊನೆಂಟ್ ಡೈರೆಕ್ಷನ್ ಸೆಲೆಕ್ಟಿವ್ (CDS) ಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿವೆಯೇ ಎಂಬುದು ಸಂಬಂಧಿತ ಪ್ರಶ್ನೆಯಾಗಿದೆ. PDS ಕೋಶಗಳು ಬಹು ಸ್ಥಳೀಯ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಗಳ ಸಾಮಾನ್ಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತವೆ, ಆದರೆ CDS ಕೋಶಗಳು ದಿಕ್ಕಿನ ಮಾದರಿ ಘಟಕಗಳ ಚಲನೆಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ (ಚಿತ್ರ 7a).
ಮೋಡ್ ಕಾಂಪೊನೆಂಟ್ ಟ್ಯೂನಿಂಗ್ ಸ್ಟಿಮ್ಯುಲಸ್ ಮತ್ತು ಕಾಲ್ಪನಿಕ ಗ್ರ್ಯಾಟಿಂಗ್ (ಎಡ) ಮತ್ತು ಗ್ರ್ಯಾಟಿಂಗ್ ಓರಿಯಂಟೇಶನ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳ (ಬಲ) ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಪ್ರಾತಿನಿಧ್ಯ (ಮೆಟೀರಿಯಲ್ಸ್ ಮತ್ತು ಮೆಥಡ್ಸ್ ನೋಡಿ). ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ಒಂದು ಕೋಶವು ಗ್ರಿಡ್ ಘಟಕಗಳಾದ್ಯಂತ ಸಿಗ್ನಲ್ ಪ್ಯಾಟರ್ನ್ ಚಲನೆಗೆ ಸಂಯೋಜಿಸಿದರೆ, ಪ್ರತ್ಯೇಕ ಗ್ರಿಡ್ ಮತ್ತು ಗ್ರಿಡ್ ಸ್ಟಿಮ್ಯುಲಸ್‌ಗೆ ಒಂದೇ ಟ್ಯೂನಿಂಗ್ ವಕ್ರಾಕೃತಿಗಳನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು (ಕೊನೆಯ ಕಾಲಮ್, ಘನ ಕರ್ವ್). ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಕೋಶವು ಸಿಗ್ನಲ್ ಪ್ಯಾಟರ್ನ್‌ನ ಚಲನೆಗೆ ಘಟಕಗಳ ದಿಕ್ಕುಗಳನ್ನು ಸಂಯೋಜಿಸದಿದ್ದರೆ, ಗ್ರ್ಯಾಟಿಂಗ್ ಚಲನೆಯ ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿನಲ್ಲಿಯೂ ಶಿಖರವನ್ನು ಹೊಂದಿರುವ ದ್ವಿಪಕ್ಷೀಯ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್ ಅನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು, ಅದು ಒಂದು ಘಟಕವನ್ನು ಕೋಶದ ಆದ್ಯತೆಯ ದಿಕ್ಕಿನಲ್ಲಿ (ಕೊನೆಯ ಕಾಲಮ್, ಡ್ಯಾಶ್ಡ್ ಕರ್ವ್) ಅನುವಾದಿಸುತ್ತದೆ. . ಚಿತ್ರ 1 ಮತ್ತು 2 ರಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಗಳಿಗೆ ಸೈನುಸೈಡಲ್ ಶ್ರೇಣಿಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಸರಿಹೊಂದಿಸಲು b (ಎಡ) ವಕ್ರಾಕೃತಿಗಳು. 3 ಮತ್ತು 4 (ಮೇಲಿನ ಸಾಲು - ಚಿತ್ರ 3a,b ಮತ್ತು 4a,b (ಮೇಲಿನ) ರಲ್ಲಿನ ಕೋಶಗಳು; ಕೆಳಗಿನ ಫಲಕ - ಚಿತ್ರ 3c, d ಮತ್ತು 4a, b (ಕೆಳಗೆ) ನ ಕೋಶಗಳು). (ಮಧ್ಯ) ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಪ್ರೊಫೈಲ್‌ಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲಾದ ಪ್ಯಾಟರ್ನ್ ಮತ್ತು ಘಟಕ ಮುನ್ಸೂಚನೆಗಳು. (ಬಲ) ಈ ಕೋಶಗಳ ಗ್ರಿಡ್ ಅನ್ನು ಹೊಂದಿಸುವುದು. ಮೇಲಿನ (ಕೆಳಗಿನ) ಫಲಕದ ಕೋಶಗಳನ್ನು ಟೆಂಪ್ಲೇಟ್ (ಘಟಕ) ಕೋಶಗಳಾಗಿ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ. ಮಾದರಿ ಘಟಕಗಳ ವರ್ಗೀಕರಣಗಳು ಮತ್ತು ಸುಸಂಬದ್ಧ/ಪಾರದರ್ಶಕ ಕೋಶ ಚಲನೆಗೆ ಆದ್ಯತೆಗಳ ನಡುವೆ ಒಂದರಿಂದ ಒಂದು ಪತ್ರವ್ಯವಹಾರವಿಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸಿ (ಚಿತ್ರ 4a ನಲ್ಲಿ ಈ ಕೋಶಗಳಿಗೆ ಟೆಕ್ಸ್ಚರ್ ಲ್ಯಾಟಿಸ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೋಡಿ). c N (ಎಡ) ಮತ್ತು S (ಬಲ) ಮಂಗಗಳಲ್ಲಿ ದಾಖಲಿಸಲಾದ ಎಲ್ಲಾ ಕೋಶಗಳಿಗೆ z-ಸ್ಕೋರ್ ಘಟಕದ (ಅಬ್ಸಿಸ್ಸಾ) ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕದ ವಿರುದ್ಧ ಗುರುತಿಸಲಾದ z-ಸ್ಕೋರ್ ಮೋಡ್ (ಆರ್ಡಿನೇಟ್) ನ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧದ ಗುಣಾಂಕ. ದಪ್ಪ ರೇಖೆಗಳು ಕೋಶಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಬಳಸುವ ಮಹತ್ವದ ಮಾನದಂಡಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ. d ಹೆಚ್ಚಿನ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆ (ಆರ್ಡಿನೇಟ್) ಮತ್ತು ಮೋಡ್ ಸೂಚ್ಯಂಕ (Zp – Zc) (ಅಬ್ಸಿಸ್ಸಾ) ನ ಪ್ಲಾಟ್. ಎಡ (ಬಲ) ಫಲಕಗಳಲ್ಲಿನ ಡೇಟಾವು ಮಂಕಿ N(S) ಅನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ. ಕಪ್ಪು ವಲಯಗಳು ಅಂದಾಜು ಘಟಕಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಎರಡೂ ಪ್ರಾಣಿಗಳಲ್ಲಿ, ಹೆಚ್ಚಿನ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆ ಮತ್ತು ಮಾದರಿ ಸೂಚ್ಯಂಕದ ನಡುವೆ ಗಮನಾರ್ಹ ಸಂಬಂಧವಿತ್ತು, ಬಹು ಘಟಕ ದೃಷ್ಟಿಕೋನದೊಂದಿಗೆ ಪ್ರಚೋದಕಗಳಲ್ಲಿ ಸಿಗ್ನಲ್ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನ ಹೊಂದಿರುವ ಕೋಶಗಳಿಗೆ ಹೆಚ್ಚಿನ ಗ್ರಹಿಕೆಯ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಆದ್ದರಿಂದ, ಪ್ರತ್ಯೇಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ, ನಮ್ಮ ಮಾದರಿಗಳಲ್ಲಿನ ನ್ಯೂರಾನ್‌ಗಳನ್ನು PDS ಅಥವಾ CDS ಎಂದು ವರ್ಗೀಕರಿಸಲು ನಾವು ಸೈನುಸೈಡಲ್ ಗ್ರಿಡ್‌ಗಳು ಮತ್ತು ಗ್ರಿಡ್‌ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಅಳೆಯಿದ್ದೇವೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ). ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳು, ಈ ಟ್ಯೂನಿಂಗ್ ಡೇಟಾದಿಂದ ನಿರ್ಮಿಸಲಾದ ಟೆಂಪ್ಲೇಟ್ ಘಟಕ ಮುನ್ಸೂಚನೆಗಳು ಮತ್ತು ಚಿತ್ರ 1 ಮತ್ತು 3 ರಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಗಳಿಗೆ ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳು. ಚಿತ್ರ 3 ಮತ್ತು 4 ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 3 ಅನ್ನು ಚಿತ್ರ 7b ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಮಾದರಿ ವಿತರಣೆ ಮತ್ತು ಘಟಕ ಆಯ್ಕೆ, ಹಾಗೆಯೇ ಪ್ರತಿ ವರ್ಗದಲ್ಲಿನ ಆದ್ಯತೆಯ ಕೋಶ ದೃಷ್ಟಿಕೋನವನ್ನು ಕ್ರಮವಾಗಿ ಚಿತ್ರ 7c ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 4 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಮಾದರಿ ಘಟಕಗಳ ತಿದ್ದುಪಡಿಯ ಮೇಲೆ CP ಯ ಅವಲಂಬನೆಯನ್ನು ನಿರ್ಣಯಿಸಲು, ನಾವು ಮೊದಲು ಮಾದರಿ ಸೂಚ್ಯಂಕ 35 (PI) ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ, ಅದರ ದೊಡ್ಡ (ಸಣ್ಣ) ಮೌಲ್ಯಗಳು ದೊಡ್ಡ PDS (CDS) ರೀತಿಯ ನಡವಳಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಮೇಲಿನ ಪ್ರದರ್ಶನವನ್ನು ನೀಡಿದರೆ: (i) ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು ಆದ್ಯತೆಯ ಕೋಶ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಪ್ರಚೋದಕ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ವ್ಯತ್ಯಾಸದೊಂದಿಗೆ ಬದಲಾಗುತ್ತದೆ, ಮತ್ತು (ii) ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯ ನಡುವೆ ಗಮನಾರ್ಹ ಸಂಬಂಧವಿದೆ, ಪ್ರತಿ ಕೋಶದ ಚಲನೆಯ "ಉತ್ತಮ" ದಿಕ್ಕಿಗೆ PI ಮತ್ತು ಒಟ್ಟು CP ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲಾಗಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಮೇಲೆ ನೋಡಿ). CP ಯು PI ಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಚಿತ್ರ 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಗ್ರಾಂಡ್ CP ಮಂಕಿ N: r = 0.23, p < 0.01; ಬೈ-ಸ್ಟೇಬಲ್ CP ಮಂಕಿ N r = 0.21, p = 0.013; ಗ್ರಾಂಡ್ CP ಮಂಕಿ S: r = 0.30, p < 10−4; ಬೈ-ಸ್ಟೇಬಲ್ CP ಮಂಕಿ S: r = 0.29, p < 10−3), ಇದು PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಜೀವಕೋಶಗಳು CDS ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಆಯ್ಕೆ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. CP ಯು PI ಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಚಿತ್ರ 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಗ್ರಾಂಡ್ CP ಮಂಕಿ N: r = 0.23, p < 0.01; ಬೈ-ಸ್ಟೇಬಲ್ CP ಮಂಕಿ N r = 0.21, p = 0.013; ಗ್ರಾಂಡ್ CP ಮಂಕಿ S: r = 0.30, p < 10−4; ಬೈ-ಸ್ಟೇಬಲ್ CP ಮಂಕಿ S: r = 0.29, p < 10−3), ಇದು PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಜೀವಕೋಶಗಳು CDS ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಆಯ್ಕೆ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ನಾನು ಒಬ್ನಾರುಜಿಲಿ, CHTO CP ಝನಾಚಿಟೆಲ್ನೊ ಕೊರ್ರೆಲಿರುಯೆಟ್ ಎಸ್ ಪಿಐ (ರಿಸ್. 7 ಡಿ; ರೆಗ್ರೆಸ್ಸಿಯಾ ಸ್ರೆಡ್ನೆಗೊ ಜಿಯೋಮೆಟ್ರಿಚೆಸ್ಕೊ; ಸಿಪಿ: ಸಿಪಿ; = 0,23, p <0,01; CP N r = 0,21, p = 0,013; CP S S: r = 0,29, p <10-3), CHTO указывает на то, что клетки, классифицированные как PDS, проявляли больстуку ಸ್ವ್ಯಾಜನ್ನು ಸ್ ವೈಬೋರೋಮ್, ಕೆಮ್ ಸಿಡಿಎಸ್ ಮತ್ತು ನೆಕ್ಲಾಸ್ಸಿಫಿಸಿರೋವನಿ ಕ್ಲೆಟ್ಕಿ. CP ಯು PI ಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಚಿತ್ರ 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಗ್ರೇಟ್ ಮಂಕಿ CP N: r = 0.23, p < 0.01; ಬಿಸ್ಟಬಲ್ ಮಂಕಿ CP N r = 0.21, p = 0.013; ಗ್ರೇಟ್ ಮಂಕಿ CP S: r = 0.30, p < 10-4; ಮಂಕಿ S ಬಿಸ್ಟಬಲ್ CP: r = 0.29, p < 10-3), ಇದು PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಜೀವಕೋಶಗಳು CDS ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಆಯ್ಕೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಹೆಚ್ಚಿನ ಚಟುವಟಿಕೆಯನ್ನು ತೋರಿಸಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.我们发现CP 与PI 显着相关（图7d；几何平均回归；大CP 猴N：r = 0.23,p <0.01Ｓ发0.21,p = 0.013；大CP 猴S： r = 0.30,p <10-4；双稳态CP 猴S：r = 0.29,p <10-3 和未分类的细胞表现出更大的选择相关活性。 CP 与PI 显着相关（图7d；几何平均回归；大CP猴N：r = 0.23,p <0.01 0.21,p3; 0.0 ನನ್ನ ಒಬ್ನಾರುಜಿಲಿ, CHTO CP BIL NACHITELNO SPIAZAN SE PI (ರಿಸ್. 7 ಡಿ; ರೆಗ್ರೆಸ್ಸಿಯಾ ಸ್ರೆಡ್ನೆಗೊ ಜಿಯೊಮೆಟ್ರಿಚೆಸ್ಕೊಗೊ = ಸಿಪಿ: ಸಿಪಿ; 0,23, ಪು <0,01; CP ಯು PI ನೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಸಂಬಂಧಿಸಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಚಿತ್ರ 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಗ್ರೇಟ್ ಮಂಕಿ CP N: r = 0.23, p < 0.01; ಬಿಸ್ಟಬಲ್ ಮಂಕಿ CP N r = 0.21, p = 0.013; ಗ್ರೇಟ್ ಮಂಕಿ CP S: r = 0.013) 0.30, p < 10-4; бистабильный CP обезьяны S: r = 0,29, p < 10-3), что указывает на то, что клетки, классифицированные, пласифицированые ಬೋಲ್ಶುಯು ಸೆಲೆಕ್ಶಿಯೋನ್ನ್ಯೂ ಆಕ್ಟಿವ್ನೋಸ್ಟ್, ಚೆಮ್ ಕ್ಲೆಟ್ಕಿ, ಕ್ಲಾಸಿಫಿಸಿರೋವಾನಿ ಕ್ಯಾಕ್ ಸಿಡಿಎಸ್ ಮತ್ತು ನೆಕ್ಲಾಸಿಫಿಷಿಯೋವ್. ಮಂಕಿ ಎಸ್ ಬಿಸ್ಟೇಬಲ್ ಸಿಪಿ: r = 0.29, p < 10-3), PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಜೀವಕೋಶಗಳು CDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಜೀವಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಆಯ್ಕೆ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.PI ಮತ್ತು ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು CP ಯೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವುದರಿಂದ, ಪರಿಣಾಮದ ಸಾಧ್ಯತೆಗೆ ಕಾರಣವಾಗುವ ಎರಡು ಅಳತೆಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ತಳ್ಳಿಹಾಕಲು ನಾವು ಬಹು ಹಿಂಜರಿತ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು (PI ಮತ್ತು ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳಾಗಿ ಮತ್ತು ದೊಡ್ಡ CP ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ಆಗಿ) ನಡೆಸಿದ್ದೇವೆ. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿದ್ದವು (ಮಂಕಿ N: ಮಿತಿ vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; ಮಂಕಿ S: ಮಿತಿ vs. CP: r = −0.16, p = 0.03, PI vs CP: 0.29, p < 10−3), ಇದು CP ಸೂಕ್ಷ್ಮತೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು PI ಯೊಂದಿಗೆ ಸ್ವತಂತ್ರ ರೀತಿಯಲ್ಲಿ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿದ್ದವು (ಮಂಕಿ N: ಮಿತಿ vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; ಮಂಕಿ S: ಮಿತಿ vs. CP: r = −0.16, p = 0.03, PI vs CP: 0.29, p < 10−3), ಇದು CP ಸೂಕ್ಷ್ಮತೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು PI ಯೊಂದಿಗೆ ಸ್ವತಂತ್ರ ರೀತಿಯಲ್ಲಿ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. Оба частных коэфициента корреляции были значимими (ಅಭಿಪ್ರಾಯ N: ಪೊರೊಗ್ ಪ್ರೊಟೀವ್ CP: r = -0,13, p = PI 0,04 0,23, p <0,01; обезьяна S: порог против CP: r = -0,16, p = 0,03, PI vs CP: 0,29, p <10-3), предполагая, увто ಚುವ್ಸ್ಟ್ವಿಟೆಲ್ನೋಸ್ಟ್ಯೂ ಮತ್ತು ನೆಸಾವಿಸಿಮಿಮ್ ಒಬ್ರಸೋಮ್ ಯುವೆಲಿಚಿವತ್ಸ್ಯಾ ಎಸ್ ಪಿಐ. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿದ್ದವು (ಮಂಕಿ N: ಮಿತಿ vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; ಮಂಕಿ S: ಮಿತಿ vs. CP: r = -0.16, p = 0.03, PI vs CP: 0.29, p < 10-3), CP ಸೂಕ್ಷ್ಮತೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು PI ಯೊಂದಿಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13,p = 0.04,PI 与CP：r = 0.23,p < 0.01;随灵敏度增加而增加，并且以独立方式随PI 增加。两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13，p = 0.04, PI = 0.03, PI ವಿರುದ್ಧ CP： 0.29, CP <10-3莨 Оба частных коэфициента корреляции были значимими (ಅಭಿಪ್ರಾಯ N: ಪೊರೊಗ್ ಪ್ರೊಟೀವ್ CP: r = -0,13, p = PI 0,04 0,23, p <0,01; обезьяна S: порог против CP: r = -0,16, p = 0,03 , PI против CP: 0,29, p < 10-3), что указывает увеличивалась ಎಸ್ ಚುವ್ಸ್ಟ್ವಿಟೆಲ್ನೋಸ್ಟ್ಯೂ ಮತ್ತು ಯುವೆಲಿಚಿವಾಲಾಸ್ ಎಸ್ ಪಿಐ ನೆಸಾವಿಸಿಮಿಮ್ ಒಬ್ರಜೋಮ್. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿದ್ದವು (ಮಂಕಿ N: ಮಿತಿ vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; ಮಂಕಿ S: ಮಿತಿ vs. CP: r = -0.16, p = 0.03, PI vs CP: 0.29, p < 10-3), ಇದು CP ಸೂಕ್ಷ್ಮತೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಯಿತು ಮತ್ತು PI ಯೊಂದಿಗೆ ಸ್ವತಂತ್ರ ರೀತಿಯಲ್ಲಿ ಹೆಚ್ಚಾಯಿತು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ನಾವು MT ಪ್ರದೇಶದಲ್ಲಿ ಒಂದೇ ಚಟುವಟಿಕೆಯನ್ನು ದಾಖಲಿಸಿದ್ದೇವೆ ಮತ್ತು ಕೋತಿಗಳು ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಗಳಾಗಿ ಕಂಡುಬರುವ ಮಾದರಿಗಳ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಿವೆ. ಪಕ್ಷಪಾತದ ಗ್ರಹಿಕೆಗಳಿಗೆ ಸೇರಿಸಲಾದ ವಿಭಜನೆಯ ಸೂಚನೆಗಳಿಗೆ ನರಕೋಶಗಳ ಸೂಕ್ಷ್ಮತೆಯು ವ್ಯಾಪಕವಾಗಿ ಬದಲಾಗುತ್ತದೆ ಮತ್ತು ಕನಿಷ್ಠ ಭಾಗಶಃ, ಘಟಕದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಪ್ರಚೋದಕ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ಸಂಬಂಧದಿಂದ ನಿರ್ಧರಿಸಲ್ಪಡುತ್ತದೆ. ಇಡೀ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ, ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು ಮನೋಭೌತಿಕ ಸಂವೇದನೆಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗಿತ್ತು, ಆದಾಗ್ಯೂ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಘಟಕಗಳು ವಿಭಜನೆ ಸಂಕೇತಗಳಿಗೆ ವರ್ತನೆಯ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ ಅಥವಾ ಮೀರಿರುತ್ತವೆ. ಇದರ ಜೊತೆಗೆ, ಗುಂಡಿನ ಆವರ್ತನ ಮತ್ತು ಗ್ರಹಿಕೆಯ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಸಹ-ವ್ಯತ್ಯಾಸವಿದೆ, ಇದು MT ಸಿಗ್ನಲಿಂಗ್ ವಿಭಜನೆಯಲ್ಲಿ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಹೊಂದಿರುವ ಕೋಶಗಳು ಲ್ಯಾಟಿಸ್ ವಿಭಜನೆ ಸಂಕೇತಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ತಮ್ಮ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಿದವು ಮತ್ತು ಬಹು ಸ್ಥಳೀಯ ದೃಷ್ಟಿಕೋನಗಳೊಂದಿಗೆ ಪ್ರಚೋದಕಗಳಲ್ಲಿ ಜಾಗತಿಕ ಚಲನೆಯನ್ನು ಸಂಕೇತಿಸಲು ಒಲವು ತೋರಿದವು, ಇದು ಅತ್ಯಧಿಕ ಗ್ರಹಿಕೆ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಹಿಂದಿನ ಕೆಲಸದೊಂದಿಗೆ ಹೋಲಿಸುವ ಮೊದಲು ನಾವು ಇಲ್ಲಿ ಕೆಲವು ಸಂಭಾವ್ಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಗಣಿಸುತ್ತೇವೆ.
ಪ್ರಾಣಿಗಳ ಮಾದರಿಗಳಲ್ಲಿ ಬಿಸ್ಟಬಲ್ ಪ್ರಚೋದಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಶೋಧನೆ ನಡೆಸುವಾಗ ಒಂದು ಪ್ರಮುಖ ಸಮಸ್ಯೆಯೆಂದರೆ ವರ್ತನೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಆಸಕ್ತಿಯ ಆಯಾಮವನ್ನು ಆಧರಿಸಿರುವುದಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, ನಮ್ಮ ಮಂಗಗಳು ಲ್ಯಾಟಿಸ್ ಸುಸಂಬದ್ಧತೆಯ ಗ್ರಹಿಕೆಯಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ವಿನ್ಯಾಸ ದೃಷ್ಟಿಕೋನದ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಬಹುದು. ಡೇಟಾದ ಎರಡು ಅಂಶಗಳು ಇದು ಹಾಗಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತವೆ. ಮೊದಲನೆಯದಾಗಿ, ಹಿಂದಿನ ವರದಿಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, ಬೇರ್ಪಡಿಸುವ ರಚನೆಯ ಘಟಕಗಳ ಸಾಪೇಕ್ಷ ದೃಷ್ಟಿಕೋನ ಕೋನವನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ ಸುಸಂಬದ್ಧ ಗ್ರಹಿಕೆಯ ಸಾಧ್ಯತೆಯನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಬದಲಾಯಿಸಲಾಯಿತು. ಎರಡನೆಯದಾಗಿ, ಸರಾಸರಿ, ವಿನ್ಯಾಸ ಸಂಕೇತಗಳನ್ನು ಹೊಂದಿರುವ ಅಥವಾ ಹೊಂದಿರದ ಮಾದರಿಗಳಿಗೆ ಪರಿಣಾಮವು ಒಂದೇ ಆಗಿರುತ್ತದೆ. ಒಟ್ಟಿಗೆ ತೆಗೆದುಕೊಂಡರೆ, ಈ ಅವಲೋಕನಗಳು ಕೋತಿಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಸಂಪರ್ಕ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯನ್ನು ಸ್ಥಿರವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ.
ಮತ್ತೊಂದು ಸಂಭಾವ್ಯ ಸಮಸ್ಯೆಯೆಂದರೆ, ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನಾವು ಗ್ರ್ಯಾಟಿಂಗ್ ಚಲನೆಯ ನಿಯತಾಂಕಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಿಲ್ಲ. ನರಕೋಶ ಮತ್ತು ಮನೋಭೌತಿಕ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಹೋಲಿಸುವ ಹಿಂದಿನ ಅನೇಕ ಕೃತಿಗಳಲ್ಲಿ, ಪ್ರತಿ ನೋಂದಾಯಿತ ಘಟಕಕ್ಕೆ ಪ್ರಚೋದಕಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45]. ಇಲ್ಲಿ ನಾವು ಪ್ರತಿ ಕೋಶದ ದೃಷ್ಟಿಕೋನದ ಹೊಂದಾಣಿಕೆಯನ್ನು ಲೆಕ್ಕಿಸದೆ ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯ ಚಲನೆಯ ಅದೇ ಎರಡು ದಿಕ್ಕುಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ. ಲ್ಯಾಟಿಸ್ ಚಲನೆ ಮತ್ತು ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ಅತಿಕ್ರಮಣದೊಂದಿಗೆ ಸೂಕ್ಷ್ಮತೆಯು ಹೇಗೆ ಬದಲಾಯಿತು ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಈ ವಿನ್ಯಾಸವು ನಮಗೆ ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು, ಆದಾಗ್ಯೂ, ಜೀವಕೋಶಗಳು ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಲ್ಯಾಟಿಸ್‌ಗಳನ್ನು ಬಯಸುತ್ತವೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಇದು ಪೂರ್ವಭಾವಿ ಆಧಾರವನ್ನು ಒದಗಿಸಲಿಲ್ಲ. ಆದ್ದರಿಂದ, ನಾವು ಪ್ರಾಯೋಗಿಕ ಮಾನದಂಡಗಳನ್ನು ಅವಲಂಬಿಸಿ, ಟೆಕ್ಸ್ಚರ್ಡ್ ಮೆಶ್‌ಗೆ ಪ್ರತಿ ಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಪ್ರತಿಯೊಂದು ವರ್ಗದ ಜಾಲರಿ ಚಲನೆಗೆ ಆದ್ಯತೆ ಮತ್ತು ಶೂನ್ಯ ಲೇಬಲ್‌ಗಳನ್ನು ನಿಯೋಜಿಸುತ್ತೇವೆ. ಅಸಂಭವವಾಗಿದ್ದರೂ, ಇದು ನಮ್ಮ ಸೂಕ್ಷ್ಮತೆಯ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು CP ಸಿಗ್ನಲ್ ಪತ್ತೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ತಿರುಗಿಸಬಹುದು, ಸಂಭಾವ್ಯವಾಗಿ ಯಾವುದೇ ಅಳತೆಯನ್ನು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡಬಹುದು. ಆದಾಗ್ಯೂ, ಕೆಳಗೆ ಚರ್ಚಿಸಲಾದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಡೇಟಾದ ಹಲವಾರು ಅಂಶಗಳು ಇದು ಹಾಗಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತವೆ.
ಮೊದಲನೆಯದಾಗಿ, ಹೆಚ್ಚು (ಕಡಿಮೆ) ಚಟುವಟಿಕೆಯನ್ನು ಉಂಟುಮಾಡುವ ಪ್ರಚೋದಕಗಳಿಗೆ ಆದ್ಯತೆಯ (ಶೂನ್ಯ) ಹೆಸರುಗಳನ್ನು ನಿಯೋಜಿಸುವುದರಿಂದ ಈ ಪ್ರತಿಕ್ರಿಯೆ ವಿತರಣೆಗಳ ವ್ಯತ್ಯಾಸದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಲಿಲ್ಲ. ಬದಲಾಗಿ, ಇದು ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮತ್ತು ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಒಂದೇ ಚಿಹ್ನೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ನೇರವಾಗಿ ಹೋಲಿಸಬಹುದು. ಎರಡನೆಯದಾಗಿ, CP ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಬಳಸುವ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು (ಟೆಕ್ಸ್ಚರ್ಡ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗೆ "ತಪ್ಪು" ಪ್ರಯೋಗಗಳು ಮತ್ತು ಟೆಕ್ಸ್ಚರ್ಡ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಇಲ್ಲದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗೆ ಎಲ್ಲಾ ಪ್ರಯೋಗಗಳು) ಪ್ರತಿ ಕೋಶವು ಸಂಪರ್ಕಿತ ಅಥವಾ ಪಾರದರ್ಶಕ ಕ್ರೀಡೆಗಳನ್ನು "ಆದ್ಯತೆ" ನೀಡುತ್ತದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುವ ಹಿಂಜರಿತ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸೇರಿಸಲಾಗಿಲ್ಲ. ಆಯ್ಕೆಯ ಪರಿಣಾಮಗಳು ಆದ್ಯತೆಯ/ಅಮಾನ್ಯ ಪದನಾಮಗಳ ಕಡೆಗೆ ಪಕ್ಷಪಾತ ಹೊಂದಿಲ್ಲ ಎಂದು ಇದು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಇದು ಗಮನಾರ್ಹ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
ನ್ಯೂಸಮ್ ಮತ್ತು ಅವರ ಸಹೋದ್ಯೋಗಿಗಳ [36, 39, 46, 47] ಅಧ್ಯಯನಗಳು ಚಲನೆಯ ದಿಕ್ಕಿನ ಅಂದಾಜು ಅಂದಾಜಿನಲ್ಲಿ MT ಯ ಪಾತ್ರವನ್ನು ಮೊದಲು ನಿರ್ಧರಿಸಿದವು. ನಂತರದ ವರದಿಗಳು ಆಳದಲ್ಲಿ MT ಭಾಗವಹಿಸುವಿಕೆ 34,44,48,49,50,51 ಮತ್ತು ವೇಗ 32,52, ಸೂಕ್ಷ್ಮ ದೃಷ್ಟಿಕೋನ 33 ಮತ್ತು ಚಲನೆಯಿಂದ 3D ರಚನೆಯ ಗ್ರಹಿಕೆ 31,53,54 (3D ಸುಸ್ಥಿರ ಕಾಡುಗಳು) ನಿಯಮಕ್ಕೆ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿವೆ. ನಾವು ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಎರಡು ಪ್ರಮುಖ ರೀತಿಯಲ್ಲಿ ವಿಸ್ತರಿಸುತ್ತೇವೆ. ಮೊದಲನೆಯದಾಗಿ, MT ಪ್ರತಿಕ್ರಿಯೆಗಳು ವಿಸುಮೋಟಾರ್ ಸಿಗ್ನಲ್‌ಗಳ ಗ್ರಹಿಕೆ ವಿಭಾಗಕ್ಕೆ ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ನಾವು ಪುರಾವೆಗಳನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ಎರಡನೆಯದಾಗಿ, MT ಮೋಡ್ ಓರಿಯಂಟೇಶನ್ ಸೆಲೆಕ್ಟಿವಿಟಿ ಮತ್ತು ಈ ಆಯ್ಕೆ ಸಿಗ್ನಲ್ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ.
ಕಲ್ಪನಾತ್ಮಕವಾಗಿ, ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶಗಳು 3-D SFM ನ ಕೆಲಸಕ್ಕೆ ಹೋಲುತ್ತವೆ, ಏಕೆಂದರೆ ಎರಡೂ ಚಲನೆ ಮತ್ತು ಆಳ ಕ್ರಮವನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಕೀರ್ಣ ಬಿಸ್ಟಬಲ್ ಗ್ರಹಿಕೆಯಾಗಿದೆ. ಡಾಡ್ ಮತ್ತು ಇತರರು 31 ಬಿಸ್ಟಬಲ್ 3D SFM ಸಿಲಿಂಡರ್‌ನ ತಿರುಗುವಿಕೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ವರದಿ ಮಾಡುವ ಮಂಕಿ ಕಾರ್ಯದಲ್ಲಿ ದೊಡ್ಡ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯನ್ನು (0.67) ಕಂಡುಕೊಂಡರು. ಬಿಸ್ಟಬಲ್ ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳಿಗೆ ನಾವು ಹೆಚ್ಚು ಸಣ್ಣ ಆಯ್ಕೆ ಪರಿಣಾಮವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಎರಡೂ ಮಂಗಗಳಿಗೆ ಸುಮಾರು 0.55). CP ಯ ಮೌಲ್ಯಮಾಪನವು ಆಯ್ಕೆ ಗುಣಾಂಕವನ್ನು ಅವಲಂಬಿಸಿರುವುದರಿಂದ, ವಿಭಿನ್ನ ಕಾರ್ಯಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪಡೆದ CP ಅನ್ನು ಅರ್ಥೈಸುವುದು ಕಷ್ಟ. ಆದಾಗ್ಯೂ, ನಾವು ಗಮನಿಸಿದ ಆಯ್ಕೆ ಪರಿಣಾಮದ ಪ್ರಮಾಣವು ಶೂನ್ಯ ಮತ್ತು ಕಡಿಮೆ ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗೆ ಮತ್ತು ಕಡಿಮೆ/ಇಲ್ಲದ ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಪ್ರಚೋದಕಗಳನ್ನು ಶಕ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸಲು ಸಂಯೋಜಿಸಿದಾಗಲೂ ಒಂದೇ ಆಗಿತ್ತು. ಆದ್ದರಿಂದ, CP ಯಲ್ಲಿನ ಈ ವ್ಯತ್ಯಾಸವು ಡೇಟಾಸೆಟ್‌ಗಳ ನಡುವಿನ ಆಯ್ಕೆ ದರಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಿಂದಾಗಿರುವುದು ಅಸಂಭವವಾಗಿದೆ.
3-D SFM ಪ್ರಚೋದನೆ ಮತ್ತು ಬಿಸ್ಟಬಲ್ ಗ್ರಿಡ್ ರಚನೆಗಳಿಂದ ಪ್ರೇರಿತವಾದ ತೀವ್ರ ಮತ್ತು ಗುಣಾತ್ಮಕವಾಗಿ ವಿಭಿನ್ನ ಗ್ರಹಿಕೆಯ ಸ್ಥಿತಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ನಂತರದ ಸಂದರ್ಭದಲ್ಲಿ ಗ್ರಹಿಕೆಯೊಂದಿಗೆ ಬರುವ MT ಫೈರಿಂಗ್ ದರದಲ್ಲಿನ ಸಾಧಾರಣ ಬದಲಾವಣೆಗಳು ಗೊಂದಲಮಯವಾಗಿ ಕಾಣುತ್ತವೆ. ಪ್ರಚೋದನೆಯ ಸಂಪೂರ್ಣ ಅವಧಿಯಲ್ಲಿ ಫೈರಿಂಗ್ ದರವನ್ನು ಲೆಕ್ಕಹಾಕುವ ಮೂಲಕ ನಾವು ಆಯ್ಕೆಯ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಿದ್ದೇವೆ ಎಂಬುದು ಒಂದು ಸಾಧ್ಯತೆಯಾಗಿದೆ. 31 3-D SFM ಪ್ರಕರಣಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಪ್ರಯೋಗಗಳಲ್ಲಿ MT ಚಟುವಟಿಕೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳು ಸುಮಾರು 250 ms ಗಳಷ್ಟು ಬೆಳೆದು ನಂತರ ಪ್ರಯೋಗಗಳಾದ್ಯಂತ ಸ್ಥಿರವಾಗಿ ಹೆಚ್ಚಿದ ಸಂದರ್ಭದಲ್ಲಿ, ಆಯ್ಕೆ ಸಂಕೇತಗಳ ತಾತ್ಕಾಲಿಕ ಚಲನಶಾಸ್ತ್ರದ ನಮ್ಮ ವಿಶ್ಲೇಷಣೆ (ಎರಡೂ ಕೋತಿಗಳಲ್ಲಿ ಪ್ರಚೋದನೆಯ ಪ್ರಾರಂಭದ ನಂತರ 500 ms ನೋಡಿ. ಇದರ ಜೊತೆಗೆ, ಈ ಅವಧಿಯಲ್ಲಿ ತೀಕ್ಷ್ಣವಾದ ಏರಿಕೆಯ ನಂತರ, ಪ್ರಯೋಗದ ಉಳಿದ ಅವಧಿಯಲ್ಲಿ ನಾವು CP ಯಲ್ಲಿ ಏರಿಳಿತಗಳನ್ನು ಗಮನಿಸಿದ್ದೇವೆ. ದೀರ್ಘ ಪ್ರಯೋಗಗಳ ಸಮಯದಲ್ಲಿ ಬಿಸ್ಟಬಲ್ ಆಯತಾಕಾರದ ಶ್ರೇಣಿಗಳ ಮಾನವ ಗ್ರಹಿಕೆ ಹೆಚ್ಚಾಗಿ ಬದಲಾಗುತ್ತದೆ ಎಂದು ಹ್ಯೂಪ್ ಮತ್ತು ರೂಬಿನ್ 55 ವರದಿ ಮಾಡಿದ್ದಾರೆ. ನಮ್ಮ ಪ್ರಚೋದಕಗಳನ್ನು ಕೇವಲ 1.5 ಸೆಕೆಂಡುಗಳ ಕಾಲ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದ್ದರೂ, ಪ್ರಯೋಗದ ಸಮಯದಲ್ಲಿ ನಮ್ಮ ಮಂಗಗಳ ಗ್ರಹಿಕೆ ಸುಸಂಬದ್ಧತೆಯಿಂದ ಪಾರದರ್ಶಕತೆಗೆ ಬದಲಾಗಬಹುದು (ಅವುಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಕ್ಯೂ ಆಯ್ಕೆಯಲ್ಲಿ ಅವುಗಳ ಅಂತಿಮ ಗ್ರಹಿಕೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ.) ಆದ್ದರಿಂದ, ನಮ್ಮ ಕಾರ್ಯದ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯದ ಆವೃತ್ತಿ ಅಥವಾ ಮಂಗಗಳು ತಮ್ಮ ಗ್ರಹಿಕೆಯನ್ನು ನಿರಂತರವಾಗಿ ವರದಿ ಮಾಡಬಹುದಾದ ಯೋಜನೆಯು ದೊಡ್ಡ ಆಯ್ಕೆ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿರುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ. ಕೊನೆಯ ಸಾಧ್ಯತೆಯೆಂದರೆ MT ಸಿಗ್ನಲ್ ಅನ್ನು ಎರಡು ಕಾರ್ಯಗಳಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿ ಓದಲಾಗುತ್ತದೆ. CPU ಸಂಕೇತಗಳು ಸಂವೇದನಾ ಡಿಕೋಡಿಂಗ್ ಮತ್ತು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ಶಬ್ದದಿಂದ ಉಂಟಾಗುತ್ತವೆ ಎಂದು ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಭಾವಿಸಲಾಗಿದೆ,56 Gu ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು57 ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಗಳಲ್ಲಿ, ವಿಭಿನ್ನ ಪೂಲಿಂಗ್ ತಂತ್ರಗಳು, ಬದಲಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ವ್ಯತ್ಯಾಸದ ಮಟ್ಟಗಳು, ಡಾರ್ಸಲ್ ಮಾಧ್ಯಮ-ಉನ್ನತ ತಾತ್ಕಾಲಿಕ ನರಕೋಶಗಳಲ್ಲಿ CPU ಅನ್ನು ಉತ್ತಮವಾಗಿ ವಿವರಿಸಬಹುದು. ಶೀಟ್ ಬದಲಾವಣೆ ದೃಷ್ಟಿಕೋನ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯ (MSTd). MT ಯಲ್ಲಿ ನಾವು ಗಮನಿಸಿದ ಸಣ್ಣ ಆಯ್ಕೆ ಪರಿಣಾಮವು ಸುಸಂಬದ್ಧತೆ ಅಥವಾ ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಗಳನ್ನು ರಚಿಸಲು ಅನೇಕ ಕಡಿಮೆ-ತಿಳಿವಳಿಕೆ ನೀಡುವ ನರಕೋಶಗಳ ವ್ಯಾಪಕ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಸ್ಥಳೀಯ ಚಲನೆಯ ಸೂಚನೆಗಳನ್ನು ಒಂದು ಅಥವಾ ಎರಡು ವಸ್ತುಗಳಾಗಿ (ಬಿಸ್ಟೇಬಲ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳು) ಅಥವಾ ಸಾಮಾನ್ಯ ವಸ್ತುಗಳ ಪ್ರತ್ಯೇಕ ಮೇಲ್ಮೈಗಳಾಗಿ (3-D SFM) ಗುಂಪು ಮಾಡಬೇಕಾದ ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲಿ, MT ಪ್ರತಿಕ್ರಿಯೆಗಳು ಗ್ರಹಿಕೆಯ ತೀರ್ಪುಗಳೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಸಂಬಂಧಿಸಿವೆ ಎಂಬುದಕ್ಕೆ ಸ್ವತಂತ್ರ ಪುರಾವೆಗಳು, ಬಲವಾದ MT ಪ್ರತಿಕ್ರಿಯೆಗಳು ಇದ್ದವು. ದೃಶ್ಯ ಚಲನೆಯ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಕೀರ್ಣ ಚಿತ್ರಗಳನ್ನು ಬಹು-ವಸ್ತು ದೃಶ್ಯಗಳಾಗಿ ವಿಭಜಿಸುವಲ್ಲಿ ಪಾತ್ರವನ್ನು ವಹಿಸಲು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.
ಮೇಲೆ ಹೇಳಿದಂತೆ, MT ಮಾದರಿಯ ಸೆಲ್ಯುಲಾರ್ ಚಟುವಟಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ವರದಿ ಮಾಡಿದವರಲ್ಲಿ ನಾವು ಮೊದಲಿಗರು. ಮೊವ್ಶಾನ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಮೂಲ ಎರಡು-ಹಂತದ ಮಾದರಿಯಲ್ಲಿ ರೂಪಿಸಿದಂತೆ, ಮೋಡ್ ಘಟಕವು MT ಯ ಔಟ್‌ಪುಟ್ ಹಂತವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಇತ್ತೀಚಿನ ಕೆಲಸವು ಮೋಡ್ ಮತ್ತು ಘಟಕ ಕೋಶಗಳು ನಿರಂತರತೆಯ ವಿಭಿನ್ನ ತುದಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಮತ್ತು ಗ್ರಹಿಸುವ ಕ್ಷೇತ್ರದ ರಚನೆಯಲ್ಲಿನ ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ವ್ಯತ್ಯಾಸಗಳು ಮೋಡ್ ಘಟಕಗಳ ಶ್ರುತಿ ವರ್ಣಪಟಲಕ್ಕೆ ಕಾರಣವಾಗಿವೆ ಎಂದು ತೋರಿಸಿದೆ. ಆದ್ದರಿಂದ, ನಾವು CP ಮತ್ತು PI ನಡುವಿನ ಗಮನಾರ್ಹ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ಇದು ಆಳ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯದಲ್ಲಿ ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯ ಹೊಂದಾಣಿಕೆ ಸಮ್ಮಿತಿ ಮತ್ತು CP ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅಥವಾ ಸೂಕ್ಷ್ಮ ದೃಷ್ಟಿಕೋನ ತಾರತಮ್ಯ ಕಾರ್ಯದಲ್ಲಿ ದೃಷ್ಟಿಕೋನ ಸೆಟ್ಟಿಂಗ್ ಸಂರಚನೆಯನ್ನು ಹೋಲುತ್ತದೆ. ದಾಖಲೆಗಳು ಮತ್ತು CP 33 ನಡುವಿನ ಸಂಬಂಧಗಳು. ವಾಂಗ್ ಮತ್ತು ಮೊವ್ಶಾನ್62 MT ದೃಷ್ಟಿಕೋನ ಆಯ್ಕೆಯೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಕೋಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದರು ಮತ್ತು ಸರಾಸರಿಯಾಗಿ, ಮೋಡ್ ಸೂಚ್ಯಂಕವು ಅನೇಕ ಶ್ರುತಿ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂದು ಕಂಡುಕೊಂಡರು, MT ಜನಸಂಖ್ಯೆಯಿಂದ ಓದಬಹುದಾದ ಇತರ ಹಲವು ರೀತಿಯ ಸಂಕೇತಗಳಲ್ಲಿ ಮೋಡ್ ಆಯ್ಕೆ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, MT ಚಟುವಟಿಕೆ ಮತ್ತು ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಯ ನಡುವಿನ ಸಂಬಂಧದ ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳಿಗೆ, ಮಾದರಿ ಸೂಚ್ಯಂಕವು ಇತರ ಕಾರ್ಯ ಮತ್ತು ಪ್ರಚೋದಕ ಆಯ್ಕೆ ಸಂಕೇತಗಳೊಂದಿಗೆ ಇದೇ ರೀತಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆಯೇ ಅಥವಾ ಈ ಸಂಬಂಧವು ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ಪ್ರಕರಣಕ್ಕೆ ನಿರ್ದಿಷ್ಟವಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು ಮುಖ್ಯವಾಗಿರುತ್ತದೆ.
ಅದೇ ರೀತಿ, V2 ನಲ್ಲಿ ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯಕ್ಕೆ ಆಯ್ಕೆಯಾದ ಹತ್ತಿರದ ಮತ್ತು ದೂರದ ಕೋಶಗಳು ಆಳ ತಾರತಮ್ಯ ಕಾರ್ಯದಲ್ಲಿ ಸಮಾನವಾಗಿ ಸೂಕ್ಷ್ಮವಾಗಿದ್ದರೂ, ಹತ್ತಿರದ-ಆದ್ಯತೆಯ ಜೀವಕೋಶ ಜನಸಂಖ್ಯೆ ಮಾತ್ರ ಗಮನಾರ್ಹ CP ಯನ್ನು ಪ್ರದರ್ಶಿಸಿದೆ ಎಂದು ನೀನ್‌ಬೋರ್ಗ್ ಮತ್ತು ಕಮ್ಮಿಂಗ್ [೪೨] ಕಂಡುಕೊಂಡರು. ಆದಾಗ್ಯೂ, ಮಂಗಗಳನ್ನು ಆದ್ಯತೆಯ ತೂಕದ ದೂರದ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಮರು ತರಬೇತಿ ನೀಡುವುದರಿಂದ ಹೆಚ್ಚು ಅನುಕೂಲಕರವಾದ ಪಂಜರಗಳಲ್ಲಿ ಗಮನಾರ್ಹ CP ಗಳು ಕಂಡುಬಂದವು. ತರಬೇತಿ ಇತಿಹಾಸವು ಗ್ರಹಿಕೆಯ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂದು ಇತರ ಅಧ್ಯಯನಗಳು ವರದಿ ಮಾಡಿವೆ34,40,63 ಅಥವಾ MT ಚಟುವಟಿಕೆ ಮತ್ತು ಭೇದಾತ್ಮಕ ತಾರತಮ್ಯದ ನಡುವಿನ ಸಾಂದರ್ಭಿಕ ಸಂಬಂಧ48. CP ಮತ್ತು ಕಟ್ಟುಪಾಡು ನಿರ್ದೇಶನದ ಆಯ್ಕೆಯ ನಡುವಿನ ಸಂಬಂಧವು ಮಂಗಗಳು ನಮ್ಮ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಬಳಸಿದ ನಿರ್ದಿಷ್ಟ ತಂತ್ರವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ, ಆದರೆ ದೃಶ್ಯ-ಮೋಟಾರ್ ಗ್ರಹಿಕೆಯಲ್ಲಿ ಮೋಡ್ ಆಯ್ಕೆ ಸಂಕೇತಗಳ ನಿರ್ದಿಷ್ಟ ಪಾತ್ರವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವುದಿಲ್ಲ. ಭವಿಷ್ಯದ ಕೆಲಸದಲ್ಲಿ, ವಿಭಜನೆ ತೀರ್ಪುಗಳನ್ನು ಮಾಡಲು ಯಾವ MT ಸಂಕೇತಗಳನ್ನು ಆದ್ಯತೆಯಾಗಿ ಮತ್ತು ಮೃದುವಾಗಿ ತೂಕ ಮಾಡಲಾಗಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಕಲಿಕೆಯ ಇತಿಹಾಸವು ಗಮನಾರ್ಹ ಪರಿಣಾಮ ಬೀರುತ್ತದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುವುದು ಮುಖ್ಯವಾಗಿರುತ್ತದೆ.
ಅತಿಕ್ರಮಿಸುವ ಗ್ರಿಡ್ ಪ್ರದೇಶಗಳ ಹೊಳಪನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ ಮಾನವ ವೀಕ್ಷಕರ ವರದಿಗಳ ಸುಸಂಬದ್ಧತೆ ಮತ್ತು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಮಕಾಕ್ MT ನ್ಯೂರಾನ್‌ಗಳಲ್ಲಿನ ದಿಕ್ಕಿನ ಹೊಂದಾಣಿಕೆಗಳ ಮೇಲೆ ನಿರೀಕ್ಷಿತ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂದು ಸ್ಟೋನರ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು 14,23 ಮೊದಲು ವರದಿ ಮಾಡಿದರು. ಅತಿಕ್ರಮಿಸುವ ಪ್ರದೇಶಗಳ ಹೊಳಪು ಭೌತಿಕವಾಗಿ ಪಾರದರ್ಶಕತೆಗೆ ಹೊಂದಿಕೆಯಾದಾಗ, ವೀಕ್ಷಕರು ಹೆಚ್ಚು ಪಾರದರ್ಶಕ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತಾರೆ ಎಂದು ಲೇಖಕರು ಕಂಡುಕೊಂಡರು, ಆದರೆ MT ನ್ಯೂರಾನ್‌ಗಳು ರಾಸ್ಟರ್ ಘಟಕಗಳ ಚಲನೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಅತಿಕ್ರಮಿಸುವ ಹೊಳಪು ಮತ್ತು ಪಾರದರ್ಶಕ ಅತಿಕ್ರಮಣವು ಭೌತಿಕವಾಗಿ ಹೊಂದಿಕೆಯಾಗದಿದ್ದಾಗ, ವೀಕ್ಷಕರು ಸುಸಂಬದ್ಧ ಚಲನೆಯನ್ನು ಗ್ರಹಿಸುತ್ತಾರೆ ಮತ್ತು MT ನ್ಯೂರಾನ್‌ಗಳು ಮಾದರಿಯ ಜಾಗತಿಕ ಚಲನೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಹೀಗಾಗಿ, ಈ ಅಧ್ಯಯನಗಳು ವಿಭಜನೆ ವರದಿಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿಸುವ ದೃಶ್ಯ ಪ್ರಚೋದಕಗಳಲ್ಲಿನ ಭೌತಿಕ ಬದಲಾವಣೆಗಳು MT ಪ್ರಚೋದನೆಯಲ್ಲಿ ಊಹಿಸಬಹುದಾದ ಬದಲಾವಣೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತವೆ. ಈ ಪ್ರದೇಶದಲ್ಲಿನ ಇತ್ತೀಚಿನ ಕೆಲಸವು ಯಾವ MT ಸಿಗ್ನಲ್‌ಗಳು ಸಂಕೀರ್ಣ ಪ್ರಚೋದಕಗಳ ಗ್ರಹಿಕೆಯ ನೋಟವನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಅನ್ವೇಷಿಸಿದೆ18,24,64. ಉದಾಹರಣೆಗೆ, MT ನ್ಯೂರಾನ್‌ಗಳ ಉಪವಿಭಾಗವು ಏಕ ದಿಕ್ಕಿನ RDK ಗಿಂತ ಕಡಿಮೆ ಅಂತರದಲ್ಲಿರುವ ಎರಡು ದಿಕ್ಕುಗಳೊಂದಿಗೆ ಯಾದೃಚ್ಛಿಕ ಬಿಂದು ಚಲನೆಯ ನಕ್ಷೆಗೆ (RDK) ಬೈಮೋಡಲ್ ಟ್ಯೂನಿಂಗ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಸೆಲ್ಯುಲಾರ್ ಟ್ಯೂನಿಂಗ್‌ನ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ 19, 25. ವೀಕ್ಷಕರು ಯಾವಾಗಲೂ ಮೊದಲ ಮಾದರಿಯನ್ನು ಪಾರದರ್ಶಕ ಚಲನೆಯಾಗಿ ನೋಡುತ್ತಾರೆ, ಹೆಚ್ಚಿನ MT ನರಕೋಶಗಳು ಈ ಪ್ರಚೋದಕಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಏಕರೂಪದ ರೂಪಾಂತರಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಮತ್ತು ಎಲ್ಲಾ MT ಕೋಶಗಳ ಸರಳ ಸರಾಸರಿಯು ಏಕರೂಪದ ಜನಸಂಖ್ಯಾ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುತ್ತದೆ. ಹೀಗಾಗಿ, ಬೈಮೋಡಲ್ ಶ್ರುತಿ ಪ್ರದರ್ಶಿಸುವ ಕೋಶಗಳ ಉಪವಿಭಾಗವು ಈ ಗ್ರಹಿಕೆಗೆ ನರ ತಲಾಧಾರವನ್ನು ರೂಪಿಸಬಹುದು. ಕುತೂಹಲಕಾರಿಯಾಗಿ, ಮಾರ್ಮೊಸೆಟ್‌ಗಳಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ಗ್ರಿಡ್ ಮತ್ತು ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರೀಕ್ಷಿಸಿದಾಗ ಈ ಜನಸಂಖ್ಯೆಯು PDS ಕೋಶಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.
ನಮ್ಮ ಫಲಿತಾಂಶಗಳು ಮೇಲಿನವುಗಳಿಗಿಂತ ಒಂದು ಹೆಜ್ಜೆ ಮುಂದೆ ಹೋಗುತ್ತವೆ, ಇದು ಗ್ರಹಿಕೆ ವಿಭಜನೆಯಲ್ಲಿ MT ಯ ಪಾತ್ರವನ್ನು ಸ್ಥಾಪಿಸುವಲ್ಲಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ. ವಾಸ್ತವವಾಗಿ, ವಿಭಜನೆಯು ಒಂದು ವ್ಯಕ್ತಿನಿಷ್ಠ ವಿದ್ಯಮಾನವಾಗಿದೆ. ಅನೇಕ ಪಾಲಿಸ್ಟೇಬಲ್ ದೃಶ್ಯ ಪ್ರದರ್ಶನಗಳು ದೃಶ್ಯ ವ್ಯವಸ್ಥೆಯ ನಿರಂತರ ಪ್ರಚೋದಕಗಳನ್ನು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ರೀತಿಯಲ್ಲಿ ಸಂಘಟಿಸುವ ಮತ್ತು ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ವಿವರಿಸುತ್ತದೆ. ನಮ್ಮ ಅಧ್ಯಯನದಲ್ಲಿ ನರ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಗ್ರಹಿಕೆ ವರದಿಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಸಂಗ್ರಹಿಸುವುದರಿಂದ MT ಫೈರಿಂಗ್ ದರ ಮತ್ತು ನಿರಂತರ ಪ್ರಚೋದನೆಯ ಗ್ರಹಿಕೆ ವ್ಯಾಖ್ಯಾನಗಳ ನಡುವಿನ ಸಹವರ್ತಿತ್ವವನ್ನು ಅನ್ವೇಷಿಸಲು ನಮಗೆ ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು. ಈ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸಿದ ನಂತರ, ಕಾರಣತ್ವದ ದಿಕ್ಕನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ ಎಂದು ನಾವು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತೇವೆ, ಅಂದರೆ, ನಾವು ಗಮನಿಸಿದ ಗ್ರಹಿಕೆ ವಿಭಜನೆಯ ಸಂಕೇತವು, ಕೆಲವರು ವಾದಿಸಿದಂತೆ [65, 66, 67], ಸ್ವಯಂಚಾಲಿತವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಹೆಚ್ಚಿನ ಪ್ರಯೋಗಗಳು ಅಗತ್ಯವಿದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಮತ್ತೊಮ್ಮೆ ಹೆಚ್ಚಿನ ಪ್ರದೇಶಗಳಿಂದ ಸಂವೇದನಾ ಕಾರ್ಟೆಕ್ಸ್‌ಗೆ ಹಿಂತಿರುಗುವ ಅವರೋಹಣ ಸಂಕೇತಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ 68, 69, 70 (ಚಿತ್ರ 8). MT ಯ ಪ್ರಮುಖ ಕಾರ್ಟಿಕಲ್ ಗುರಿಗಳಲ್ಲಿ ಒಂದಾದ MSTd71 ನಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಮಾದರಿ-ಆಯ್ದ ಕೋಶಗಳ ವರದಿಗಳು, MT ಮತ್ತು MSTd ಯ ಏಕಕಾಲಿಕ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳನ್ನು ಸೇರಿಸಲು ಈ ಪ್ರಯೋಗಗಳನ್ನು ವಿಸ್ತರಿಸುವುದು ಗ್ರಹಿಕೆಯ ನರ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಮತ್ತಷ್ಟು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವತ್ತ ಉತ್ತಮ ಮೊದಲ ಹೆಜ್ಜೆಯಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ವಿಭಜನೆ.
ಘಟಕ ಮತ್ತು ಮೋಡ್ ದೃಷ್ಟಿಕೋನ ಆಯ್ಕೆಯ ಎರಡು-ಹಂತದ ಮಾದರಿ ಮತ್ತು ಯಂತ್ರ ಅನುವಾದದಲ್ಲಿ ಆಯ್ಕೆ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಯ ಮೇಲಿನಿಂದ ಕೆಳಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆಯ ಸಂಭಾವ್ಯ ಪರಿಣಾಮ. ಇಲ್ಲಿ, MT ಹಂತದಲ್ಲಿ ಮೋಡ್ ದಿಕ್ಕಿನ ಆಯ್ಕೆ (PDS - "P") ಅನ್ನು (i) ನಿರ್ದಿಷ್ಟ ಮೋಡ್ ವೇಗಗಳಿಗೆ ಅನುಗುಣವಾಗಿರುವ ದಿಕ್ಕಿನ ಆಯ್ದ ಇನ್‌ಪುಟ್ ಡೇಟಾದ ದೊಡ್ಡ ಮಾದರಿ ಮತ್ತು (ii) ಬಲವಾದ ಶ್ರುತಿ ನಿಗ್ರಹದಿಂದ ರಚಿಸಲಾಗಿದೆ. MT ("C") ಹಂತದ ದಿಕ್ಕಿನ ಆಯ್ದ (CDS) ಘಟಕವು ಇನ್‌ಪುಟ್ ದಿಕ್ಕಿನಲ್ಲಿ ಕಿರಿದಾದ ಮಾದರಿ ಶ್ರೇಣಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಹೆಚ್ಚು ಶ್ರುತಿ ನಿಗ್ರಹವನ್ನು ಹೊಂದಿಲ್ಲ. ಟ್ಯೂನ್ ಮಾಡದ ಪ್ರತಿಬಂಧವು ಎರಡೂ ಜನಸಂಖ್ಯೆಯ ಮೇಲೆ ನಿಯಂತ್ರಣವನ್ನು ನೀಡುತ್ತದೆ. ಬಣ್ಣದ ಬಾಣಗಳು ಆದ್ಯತೆಯ ಸಾಧನ ದೃಷ್ಟಿಕೋನವನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಸ್ಪಷ್ಟತೆಗಾಗಿ, V1-MT ಸಂಪರ್ಕಗಳ ಉಪವಿಭಾಗ ಮತ್ತು ಒಂದು ಘಟಕ ಮೋಡ್ ಮತ್ತು ದೃಷ್ಟಿಕೋನ ಆಯ್ಕೆ ಪೆಟ್ಟಿಗೆಯನ್ನು ಮಾತ್ರ ತೋರಿಸಲಾಗಿದೆ. ನಮ್ಮ ಫೀಡ್-ಫಾರ್ವರ್ಡ್ (FF) ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಂದರ್ಭದಲ್ಲಿ, PDS ಕೋಶಗಳಲ್ಲಿ ವಿಶಾಲವಾದ ಇನ್‌ಪುಟ್ ಸೆಟ್ಟಿಂಗ್ ಮತ್ತು ಬಲವಾದ ಶ್ರುತಿ ಪ್ರತಿಬಂಧ (ಕೆಂಪು ಬಣ್ಣದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾಗಿದೆ) ಬಹು ಚಲನೆಯ ಮಾದರಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಚಟುವಟಿಕೆಯಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ. ನಮ್ಮ ವಿಭಜನಾ ಸಮಸ್ಯೆಯಲ್ಲಿ, ಈ ಗುಂಪು ನಿರ್ಧಾರ ಸರಪಳಿಗಳನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಗ್ರಹಿಕೆಯನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಪ್ರತಿಕ್ರಿಯೆ (FB) ಸಂದರ್ಭದಲ್ಲಿ, ಸಂವೇದನಾ ದತ್ತಾಂಶ ಮತ್ತು ಅರಿವಿನ ಪಕ್ಷಪಾತಗಳಿಂದ ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿ ಗ್ರಹಿಕೆಯ ನಿರ್ಧಾರಗಳನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ ಮತ್ತು PDS ಕೋಶಗಳ ಮೇಲೆ (ದಪ್ಪ ರೇಖೆಗಳು) ಕೆಳಮುಖ FB ಯ ಹೆಚ್ಚಿನ ಪರಿಣಾಮವು ಆಯ್ಕೆ ಸಂಕೇತಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. b CDS ಮತ್ತು PDS ಸಾಧನಗಳ ಪರ್ಯಾಯ ಮಾದರಿಗಳ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಪ್ರಾತಿನಿಧ್ಯ. ಇಲ್ಲಿ MT ಯಲ್ಲಿನ PDS ಸಂಕೇತಗಳನ್ನು V1 ನ ನೇರ ಇನ್‌ಪುಟ್‌ನಿಂದ ಮಾತ್ರವಲ್ಲದೆ, V1-V2-MT ಮಾರ್ಗದ ಪರೋಕ್ಷ ಇನ್‌ಪುಟ್‌ನಿಂದಲೂ ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ. ಟೆಕ್ಸ್ಚರ್ ಗಡಿಗಳಿಗೆ (ಗ್ರಿಡ್ ಅತಿಕ್ರಮಿಸುವ ಪ್ರದೇಶಗಳು) ಆಯ್ಕೆ ನೀಡಲು ಮಾದರಿಯ ಪರೋಕ್ಷ ಮಾರ್ಗಗಳನ್ನು ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ. MT ಪದರ CDS ಮಾಡ್ಯೂಲ್ ನೇರ ಮತ್ತು ಪರೋಕ್ಷ ಇನ್‌ಪುಟ್‌ಗಳ ತೂಕದ ಮೊತ್ತವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು PDS ಮಾಡ್ಯೂಲ್‌ಗೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಕಳುಹಿಸುತ್ತದೆ. PDS ಅನ್ನು ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರತಿಬಂಧದಿಂದ ನಿಯಂತ್ರಿಸಲಾಗುತ್ತದೆ. ಮತ್ತೆ, ಮಾದರಿಯ ಮೂಲ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಸೆಳೆಯಲು ಅಗತ್ಯವಿರುವ ಸಂಪರ್ಕಗಳನ್ನು ಮಾತ್ರ ತೋರಿಸಲಾಗುತ್ತದೆ. ಇಲ್ಲಿ, a ನಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಿದ್ದಕ್ಕಿಂತ ವಿಭಿನ್ನವಾದ FF ಕಾರ್ಯವಿಧಾನವು PDS ಗೆ ಸೆಲ್ಯುಲಾರ್ ಲ್ಯಾಟಿಸ್ ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು, ಮತ್ತೆ ನಿರ್ಧಾರ ಮಾದರಿಗಳಲ್ಲಿ ಪಕ್ಷಪಾತಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಪರ್ಯಾಯವಾಗಿ, PDS ಕೋಶಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ CP ಇನ್ನೂ PDS ಕೋಶಗಳಿಗೆ FB ಲಗತ್ತಿನ ಶಕ್ತಿ ಅಥವಾ ದಕ್ಷತೆಯಲ್ಲಿ ಪಕ್ಷಪಾತದ ಪರಿಣಾಮವಾಗಿರಬಹುದು. ಎರಡು ಮತ್ತು ಮೂರು ಹಂತದ MT PDS ಮಾದರಿಗಳು ಮತ್ತು CP FF ಮತ್ತು FB ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಪುರಾವೆಗಳು ಬೆಂಬಲಿಸುತ್ತವೆ.
4.5 ರಿಂದ 9.0 ಕೆಜಿ ತೂಕವಿರುವ ಎರಡು ವಯಸ್ಕ ಮಕಾಕ್‌ಗಳನ್ನು (ಮಕಾಕಾ ಮುಲಾಟ್ಟಾ), ಒಂದು ಗಂಡು ಮತ್ತು ಒಂದು ಹೆಣ್ಣು (ಕ್ರಮವಾಗಿ 7 ಮತ್ತು 5 ವರ್ಷ ವಯಸ್ಸಿನವು) ಅಧ್ಯಯನದ ವಸ್ತುವಾಗಿ ಬಳಸಲಾಯಿತು. ಎಲ್ಲಾ ಕ್ರಿಮಿನಾಶಕ ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಯ ಪ್ರಯೋಗಗಳಿಗೆ ಮೊದಲು, ಪ್ರಾಣಿಗಳಿಗೆ MT ಪ್ರದೇಶವನ್ನು ಸಮೀಪಿಸುತ್ತಿರುವ ಲಂಬ ವಿದ್ಯುದ್ವಾರಗಳಿಗಾಗಿ ಕಸ್ಟಮ್-ನಿರ್ಮಿತ ರೆಕಾರ್ಡಿಂಗ್ ಚೇಂಬರ್, ಸ್ಟೇನ್‌ಲೆಸ್ ಸ್ಟೀಲ್ ಹೆಡ್‌ರೆಸ್ಟ್ ಸ್ಟ್ಯಾಂಡ್ (ಕ್ರಿಸ್ಟ್ ಇನ್ಸ್ಟ್ರುಮೆಂಟ್ಸ್, ಹ್ಯಾಗರ್‌ಸ್ಟೌನ್, MD), ಮತ್ತು ಅಳತೆ ಮಾಡಿದ ಸ್ಕ್ಲೆರಲ್ ಸರ್ಚ್ ಕಾಯಿಲ್‌ನೊಂದಿಗೆ ಕಣ್ಣಿನ ಸ್ಥಾನವನ್ನು ಅಳವಡಿಸಲಾಗಿತ್ತು. (ಕೂನರ್ ವೈರ್, ಸ್ಯಾನ್ ಡಿಯಾಗೋ, ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ). ಎಲ್ಲಾ ಪ್ರೋಟೋಕಾಲ್‌ಗಳು ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡಿಪಾರ್ಟ್‌ಮೆಂಟ್ ಆಫ್ ಅಗ್ರಿಕಲ್ಚರ್ (USDA) ನಿಯಮಗಳು ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ಪ್ರಾಣಿಗಳ ಮಾನವೀಯ ಆರೈಕೆ ಮತ್ತು ಬಳಕೆಗಾಗಿ ರಾಷ್ಟ್ರೀಯ ಆರೋಗ್ಯ ಸಂಸ್ಥೆ (NIH) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸುತ್ತವೆ ಮತ್ತು ಚಿಕಾಗೋ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಾಂಸ್ಥಿಕ ಪ್ರಾಣಿ ಆರೈಕೆ ಮತ್ತು ಬಳಕೆ ಸಮಿತಿ (IAUKC) ಅನುಮೋದಿಸಿದೆ.
ಎಲ್ಲಾ ದೃಶ್ಯ ಪ್ರಚೋದಕಗಳನ್ನು ಕಪ್ಪು ಅಥವಾ ಬೂದು ಹಿನ್ನೆಲೆಯಲ್ಲಿ ದುಂಡಗಿನ ದ್ಯುತಿರಂಧ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಯಿತು. ರೆಕಾರ್ಡಿಂಗ್ ಸಮಯದಲ್ಲಿ, ಈ ರಂಧ್ರದ ಸ್ಥಾನ ಮತ್ತು ವ್ಯಾಸವನ್ನು ಎಲೆಕ್ಟ್ರೋಡ್ ತುದಿಯಲ್ಲಿರುವ ನರಕೋಶಗಳ ಶಾಸ್ತ್ರೀಯ ಗ್ರಹಣ ಕ್ಷೇತ್ರಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸರಿಹೊಂದಿಸಲಾಯಿತು. ನಾವು ದೃಶ್ಯ ಪ್ರಚೋದಕಗಳ ಎರಡು ವಿಶಾಲ ವರ್ಗಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ: ಸೈಕೋಮೆಟ್ರಿಕ್ ಪ್ರಚೋದಕಗಳು ಮತ್ತು ಶ್ರುತಿ ಪ್ರಚೋದಕಗಳು.
ಸೈಕೋಮೆಟ್ರಿಕ್ ಪ್ರಚೋದನೆಯು ಒಂದು ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯಾಗಿದೆ (20 cd/m2, 50% ಕಾಂಟ್ರಾಸ್ಟ್, 50% ಡ್ಯೂಟಿ ಸೈಕಲ್, 5 ಡಿಗ್ರಿ/ಸೆಕೆಂಡ್) ಎರಡು ಆಯತಾಕಾರದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಅವುಗಳ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿರುವ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುವ ಮೂಲಕ ರಚಿಸಲಾಗಿದೆ (ಚಿತ್ರ 1b). ಮಾನವ ವೀಕ್ಷಕರು ಈ ಗ್ರಿಡ್ ಮಾದರಿಗಳನ್ನು ಬಿಸ್ಟಬಲ್ ಪ್ರಚೋದಕಗಳಾಗಿ ಗ್ರಹಿಸುತ್ತಾರೆ, ಕೆಲವೊಮ್ಮೆ ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುವ ಒಂದೇ ಮಾದರಿಯಂತೆ (ಸುಸಂಬದ್ಧ ಚಲನೆ) ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ವಿಭಿನ್ನ ದಿಕ್ಕುಗಳಲ್ಲಿ ಚಲಿಸುವ ಎರಡು ಪ್ರತ್ಯೇಕ ಮೇಲ್ಮೈಗಳಾಗಿ (ಪಾರದರ್ಶಕ ಚಲನೆ) ಗ್ರಹಿಸುತ್ತಾರೆ ಎಂದು ಈ ಹಿಂದೆ ತೋರಿಸಲಾಗಿದೆ. ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯ ಘಟಕಗಳು, ಸಮ್ಮಿತೀಯವಾಗಿ ಆಧಾರಿತವಾಗಿವೆ - ಲ್ಯಾಟಿಸ್‌ಗಳ ನಡುವಿನ ಕೋನವು 95° ನಿಂದ 130° ವರೆಗೆ ಇರುತ್ತದೆ (ಸೆಟ್‌ನಿಂದ ಚಿತ್ರಿಸಲಾಗಿದೆ: 95°, 100°, 105°, 115°, 120°, 125°, 130° °, ಅಧಿವೇಶನದ ಉದ್ದಕ್ಕೂ ಪ್ರತ್ಯೇಕ ಕೋನ 115° ನಲ್ಲಿ ನರಕೋಶಗಳನ್ನು ಸಂರಕ್ಷಿಸಲಾಗಿಲ್ಲ, ಆದರೆ ನಾವು ಇಲ್ಲಿ ಸೈಕೋಫಿಸಿಕಲ್ ಡೇಟಾವನ್ನು ಸೇರಿಸುತ್ತೇವೆ) - ಸರಿಸುಮಾರು 90° ಅಥವಾ 270° (ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನ). ಪ್ರತಿ ಅಧಿವೇಶನದಲ್ಲಿ, ಇಂಟರ್ಲ್ಯಾಟಿಸ್ ಲ್ಯಾಟಿಸ್‌ನ ಒಂದು ಮೂಲೆಯನ್ನು ಮಾತ್ರ ಬಳಸಲಾಗುತ್ತಿತ್ತು; ಪ್ರತಿ ಅಧಿವೇಶನದಲ್ಲಿ, ಪ್ರತಿ ಪ್ರಯೋಗಕ್ಕೆ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಎರಡು ಸಾಧ್ಯತೆಗಳಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಯಿತು.
ಗ್ರಿಡ್‌ನ ಗ್ರಹಿಕೆಯನ್ನು ಅಸ್ಪಷ್ಟಗೊಳಿಸಲು ಮತ್ತು ಕ್ರಿಯೆಗೆ ಪ್ರತಿಫಲಕ್ಕಾಗಿ ಪ್ರಾಯೋಗಿಕ ಆಧಾರವನ್ನು ಒದಗಿಸಲು, ನಾವು ಪ್ರತಿ ಗ್ರಿಡ್ ಘಟಕದ ಲೈಟ್ ಬಾರ್ ಹಂತ 72 ರಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ಬಿಂದು ಟೆಕ್ಸ್ಚರ್‌ಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ. ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ಪಿಕ್ಸೆಲ್‌ಗಳ ಉಪವಿಭಾಗದ ಹೊಳಪನ್ನು ಹೆಚ್ಚಿಸುವ ಅಥವಾ ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ (ಚಿತ್ರ 1 ಸಿ) ಇದನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಟೆಕ್ಸ್ಚರ್ ಚಲನೆಯ ದಿಕ್ಕು ಬಲವಾದ ಸಂಕೇತವನ್ನು ನೀಡುತ್ತದೆ, ಅದು ವೀಕ್ಷಕರ ಗ್ರಹಿಕೆಯನ್ನು ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಯ ಕಡೆಗೆ ಬದಲಾಯಿಸುತ್ತದೆ (ಚಿತ್ರ 1 ಸಿ). ಸುಸಂಬದ್ಧ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಟೆಕ್ಸ್ಚರ್ ಲ್ಯಾಟಿಸ್‌ನ ಯಾವ ಘಟಕವನ್ನು ಆವರಿಸಿದ್ದರೂ, ಎಲ್ಲಾ ಟೆಕ್ಸ್ಚರ್‌ಗಳನ್ನು ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿ ಅನುವಾದಿಸಲಾಗುತ್ತದೆ (ಚಿತ್ರ 1 ಸಿ, ಸುಸಂಬದ್ಧ). ಪಾರದರ್ಶಕ ಸ್ಥಿತಿಯಲ್ಲಿ, ಟೆಕ್ಸ್ಚರ್ ಅದು ಆವರಿಸುವ ಗ್ರ್ಯಾಟಿಂಗ್‌ನ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿ ಚಲಿಸುತ್ತದೆ (ಚಿತ್ರ 1 ಸಿ, ಪಾರದರ್ಶಕ) (ಪೂರಕ ಚಲನಚಿತ್ರ 1). ಕಾರ್ಯದ ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿಯಂತ್ರಿಸಲು, ಹೆಚ್ಚಿನ ಅವಧಿಗಳಲ್ಲಿ ಈ ಟೆಕ್ಸ್ಚರ್ ಮಾರ್ಕ್‌ಗಾಗಿ ಮೈಕೆಲ್ಸನ್ ಕಾಂಟ್ರಾಸ್ಟ್ (Lmax-Lmin/Lmax+Lmin) (-80, -40, -20, -10, -5, 0, 5) ಸೆಟ್‌ನಿಂದ ಬದಲಾಗುತ್ತದೆ. , 10, 20, 40, 80). ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ರಾಸ್ಟರ್‌ನ ಸಾಪೇಕ್ಷ ಹೊಳಪು ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ (ಆದ್ದರಿಂದ 80% ರ ವ್ಯತಿರಿಕ್ತ ಮೌಲ್ಯವು 36 ಅಥವಾ 6 cd/m2 ನ ವಿನ್ಯಾಸಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ). ಮಂಕಿ N ನಲ್ಲಿ 6 ಅವಧಿಗಳು ಮತ್ತು ಮಂಕಿ S ನಲ್ಲಿ 5 ಅವಧಿಗಳಿಗಾಗಿ, ನಾವು ಕಿರಿದಾದ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತ ಶ್ರೇಣಿಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30), ಅಲ್ಲಿ ಮನೋಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳು ಪೂರ್ಣ-ಶ್ರೇಣಿಯ ವ್ಯತಿರಿಕ್ತತೆಯಂತೆಯೇ ಅದೇ ಮಾದರಿಯನ್ನು ಅನುಸರಿಸುತ್ತವೆ, ಆದರೆ ಸ್ಯಾಚುರೇಶನ್ ಇಲ್ಲದೆ.
ಶ್ರುತಿ ಪ್ರಚೋದಕಗಳು 16 ಸಮಾನ ಅಂತರದ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಚಲಿಸುವ ಸೈನುಸೈಡಲ್ ಗ್ರಿಡ್‌ಗಳು (ಕಾಂಟ್ರಾಸ್ಟ್ 50%, 1 ಸೈಕಲ್/ಡಿಗ್ರಿ, 5 ಡಿಗ್ರಿ/ಸೆಕೆಂಡ್), ಅಥವಾ ಈ ದಿಕ್ಕುಗಳಲ್ಲಿ ಚಲಿಸುವ ಸೈನುಸೈಡಲ್ ಗ್ರಿಡ್‌ಗಳು (ಪರಸ್ಪರ ವಿರುದ್ಧ 135° ಕೋನಗಳ ಎರಡು ಅತಿಕ್ರಮಿಸಿದ ಸೈನುಸೈಡಲ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ). ಮಾದರಿಯ ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ.