Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು.ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್ ಆವೃತ್ತಿಯು ಸೀಮಿತ CSS ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ.ಉತ್ತಮ ಅನುಭವಕ್ಕಾಗಿ, ನೀವು ನವೀಕರಿಸಿದ ಬ್ರೌಸರ್ ಅನ್ನು ಬಳಸಲು 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 ಏರಿಳಿಕೆ.ಒಂದು ಸಮಯದಲ್ಲಿ ಮೂರು ಸ್ಲೈಡ್‌ಗಳ ಮೂಲಕ ಚಲಿಸಲು ಹಿಂದಿನ ಮತ್ತು ಮುಂದಿನ ಬಟನ್‌ಗಳನ್ನು ಬಳಸಿ ಅಥವಾ ಒಂದು ಸಮಯದಲ್ಲಿ ಮೂರು ಸ್ಲೈಡ್‌ಗಳ ಮೂಲಕ ಚಲಿಸಲು ಕೊನೆಯಲ್ಲಿ ಸ್ಲೈಡರ್ ಬಟನ್‌ಗಳನ್ನು ಬಳಸಿ.
ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ದೃಷ್ಟಿಗೆ ಉತ್ತಮವಾದ ರೆಟಿನಾದ ಮಾದರಿ ಮತ್ತು ಏಕೀಕರಣದ ಅಗತ್ಯವಿದೆ.ವಿಭಿನ್ನ ವಸ್ತುಗಳಿಂದ ಸ್ಥಳೀಯ ಮಾದರಿಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುವಾಗ, ನಿಖರತೆ ಕಳೆದುಹೋಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ.ಆದ್ದರಿಂದ, ವಿಭಜನೆ, ಪ್ರತ್ಯೇಕ ಪ್ರಕ್ರಿಯೆಗಾಗಿ ಚಿತ್ರದ ಪ್ರದೇಶಗಳ ಗುಂಪು, ಗ್ರಹಿಕೆಗೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ.ಹಿಂದಿನ ಕೆಲಸದಲ್ಲಿ, ಒಂದು ಅಥವಾ ಹೆಚ್ಚು ಚಲಿಸುವ ಮೇಲ್ಮೈ ಎಂದು ಪರಿಗಣಿಸಬಹುದಾದ ಬಿಸ್ಟೇಬಲ್ ಲ್ಯಾಟಿಸ್ ರಚನೆಗಳನ್ನು ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತಿತ್ತು.ಇಲ್ಲಿ, ಪ್ರೈಮೇಟ್ ದೃಶ್ಯ ಮಾರ್ಗದ ಮಧ್ಯಂತರ ಪ್ರದೇಶಗಳಲ್ಲಿ ಚಟುವಟಿಕೆ ಮತ್ತು ವಿಭಜನೆ ತೀರ್ಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಾವು ವರದಿ ಮಾಡುತ್ತೇವೆ.ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಆಯ್ದ ಓರಿಯೆಂಟಿಂಗ್ ಮೀಡಿಯನ್ ಟೆಂಪೊರಲ್ ನ್ಯೂರಾನ್‌ಗಳು ಬಿಸ್ಟೇಬಲ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳ ಗ್ರಹಿಕೆಯನ್ನು ವಿರೂಪಗೊಳಿಸಲು ಬಳಸುವ ಟೆಕ್ಸ್ಚರ್ ಸೂಚನೆಗಳಿಗೆ ಸಂವೇದನಾಶೀಲವಾಗಿರುತ್ತವೆ ಮತ್ತು ಪ್ರಯೋಗಗಳು ಮತ್ತು ನಿರಂತರ ಪ್ರಚೋದಕಗಳ ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಗಳ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ತೋರಿಸಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ.ಬಹು ಸ್ಥಳೀಯ ದಿಕ್ಕುಗಳೊಂದಿಗೆ ಮಾದರಿಗಳಲ್ಲಿ ಜಾಗತಿಕ ಚಲನೆಯನ್ನು ಸೂಚಿಸುವ ಘಟಕಗಳಲ್ಲಿ ಈ ಪರಸ್ಪರ ಸಂಬಂಧವು ಹೆಚ್ಚಾಗಿರುತ್ತದೆ.ಹೀಗಾಗಿ, ಮಧ್ಯಂತರ ಸಮಯದ ಡೊಮೇನ್ ಸಂಕೀರ್ಣ ದೃಶ್ಯಗಳನ್ನು ಘಟಕ ವಸ್ತುಗಳು ಮತ್ತು ಮೇಲ್ಮೈಗಳಾಗಿ ಪ್ರತ್ಯೇಕಿಸಲು ಬಳಸುವ ಸಂಕೇತಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ.
ದೃಷ್ಟಿಕೋನವು ಅಂಚಿನ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ವೇಗದಂತಹ ಪ್ರಾಥಮಿಕ ಚಿತ್ರದ ಗುಣಲಕ್ಷಣಗಳ ನಿಖರವಾದ ತಾರತಮ್ಯವನ್ನು ಅವಲಂಬಿಸಿದೆ, ಆದರೆ ಮುಖ್ಯವಾಗಿ ವಸ್ತುವಿನ ಆಕಾರ ಮತ್ತು ಪಥದಂತಹ ಪರಿಸರ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಈ ಗುಣಲಕ್ಷಣಗಳ ಸರಿಯಾದ ಏಕೀಕರಣದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ.ಆದಾಗ್ಯೂ, ರೆಟಿನಾದ ಚಿತ್ರಗಳು ಹಲವಾರು ಸಮಾನವಾದ ತೋರಿಕೆಯ ವೈಶಿಷ್ಟ್ಯದ ಗುಂಪುಗಳನ್ನು ಬೆಂಬಲಿಸಿದಾಗ ಸಮಸ್ಯೆಗಳು ಉದ್ಭವಿಸುತ್ತವೆ 2, 3, 4 (Fig. 1a).ಉದಾಹರಣೆಗೆ, ಎರಡು ಸೆಟ್ ವೇಗದ ಸಂಕೇತಗಳು ತುಂಬಾ ಹತ್ತಿರದಲ್ಲಿದ್ದಾಗ, ಇದನ್ನು ಒಂದು ಚಲಿಸುವ ವಸ್ತು ಅಥವಾ ಹಲವಾರು ಚಲಿಸುವ ವಸ್ತುಗಳು (Fig. 1b) ಎಂದು ಸಮಂಜಸವಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬಹುದು.ಇದು ವಿಭಜನೆಯ ವ್ಯಕ್ತಿನಿಷ್ಠ ಸ್ವರೂಪವನ್ನು ವಿವರಿಸುತ್ತದೆ, ಅಂದರೆ ಇದು ಚಿತ್ರದ ಸ್ಥಿರ ಆಸ್ತಿಯಲ್ಲ, ಆದರೆ ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕ್ರಿಯೆ.ಸಾಮಾನ್ಯ ಗ್ರಹಿಕೆಗೆ ಅದರ ಸ್ಪಷ್ಟ ಪ್ರಾಮುಖ್ಯತೆಯ ಹೊರತಾಗಿಯೂ, ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ನರಗಳ ಆಧಾರದ ಮೇಲೆ ನಮ್ಮ ತಿಳುವಳಿಕೆಯು ಅತ್ಯುತ್ತಮವಾಗಿ ಅಪೂರ್ಣವಾಗಿದೆ.
ಗ್ರಹಿಕೆ ವಿಭಾಗದ ಸಮಸ್ಯೆಯ ಕಾರ್ಟೂನ್ ವಿವರಣೆ.ನೆಕ್ಕರ್ ಕ್ಯೂಬ್‌ನಲ್ಲಿ (ಎಡ) ಆಳದ ವೀಕ್ಷಕನ ಗ್ರಹಿಕೆಯು ಎರಡು ಸಂಭವನೀಯ ವಿವರಣೆಗಳ (ಬಲ) ನಡುವೆ ಪರ್ಯಾಯವಾಗಿರುತ್ತದೆ.ಏಕೆಂದರೆ ಆಕೃತಿಯ 3D ದೃಷ್ಟಿಕೋನವನ್ನು ಅನನ್ಯವಾಗಿ ನಿರ್ಧರಿಸಲು ಮೆದುಳಿಗೆ ಅನುಮತಿಸುವ ಯಾವುದೇ ಸಂಕೇತಗಳು ಚಿತ್ರದಲ್ಲಿ ಇಲ್ಲ (ಬಲಭಾಗದಲ್ಲಿರುವ ಮೊನೊಕ್ಯುಲರ್ ಮುಚ್ಚುವಿಕೆ ಸಂಕೇತದಿಂದ ಒದಗಿಸಲಾಗಿದೆ).b ಬಹು ಚಲನೆಯ ಸಂಕೇತಗಳನ್ನು ಪ್ರಾದೇಶಿಕ ಸಾಮೀಪ್ಯದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ, ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಯು ಸ್ಥಳೀಯ ಮಾದರಿಗಳು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ವಸ್ತುಗಳಿಂದ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಬೇಕು.ಸ್ಥಳೀಯ ಚಲನೆಯ ಸಂಕೇತಗಳ ಅಂತರ್ಗತ ಅಸ್ಪಷ್ಟತೆ, ಅಂದರೆ ಆಬ್ಜೆಕ್ಟ್ ಚಲನೆಗಳ ಅನುಕ್ರಮವು ಅದೇ ಸ್ಥಳೀಯ ಚಲನೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು, ಇದರ ಪರಿಣಾಮವಾಗಿ ದೃಷ್ಟಿಗೋಚರ ಇನ್‌ಪುಟ್‌ನ ಬಹು ಸಮಾನವಾಗಿ ತೋರಿಕೆಯ ವ್ಯಾಖ್ಯಾನಗಳು ಉಂಟಾಗುತ್ತವೆ, ಅಂದರೆ ಇಲ್ಲಿ ವೆಕ್ಟರ್ ಕ್ಷೇತ್ರಗಳು ಒಂದೇ ಮೇಲ್ಮೈಯ ಸುಸಂಬದ್ಧ ಚಲನೆಯಿಂದ ಅಥವಾ ಅತಿಕ್ರಮಿಸುವ ಮೇಲ್ಮೈಗಳ ಪಾರದರ್ಶಕ ಚಲನೆಯಿಂದ ಉದ್ಭವಿಸಬಹುದು.c (ಎಡ) ನಮ್ಮ ರಚನೆಯ ಗ್ರಿಡ್ ಪ್ರಚೋದನೆಯ ಉದಾಹರಣೆ.ಆಯತಾಕಾರದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳು ತಮ್ಮ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿ ತೇಲುತ್ತವೆ ("ಘಟಕ ದಿಕ್ಕುಗಳು" - ಬಿಳಿ ಬಾಣಗಳು) ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯನ್ನು ರೂಪಿಸಲು ಪರಸ್ಪರ ಅತಿಕ್ರಮಿಸುತ್ತದೆ.ಲ್ಯಾಟಿಸ್ ಅನ್ನು ದಿಕ್ಕುಗಳ ಏಕ, ನಿಯಮಿತ, ಸಂಪರ್ಕಿತ ಚಲನೆ (ಕೆಂಪು ಬಾಣಗಳು) ಅಥವಾ ಸಂಯುಕ್ತ ದಿಕ್ಕುಗಳ ಪಾರದರ್ಶಕ ಚಲನೆ ಎಂದು ಗ್ರಹಿಸಬಹುದು.ಯಾದೃಚ್ಛಿಕ ಬಿಂದು ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳ ಸೇರ್ಪಡೆಯಿಂದ ಲ್ಯಾಟಿಸ್ನ ಗ್ರಹಿಕೆ ವಿರೂಪಗೊಳ್ಳುತ್ತದೆ.(ಮಧ್ಯ) ಹಳದಿ ಬಣ್ಣದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಪ್ರದೇಶವನ್ನು ವಿಸ್ತರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅನುಕ್ರಮವಾಗಿ ಸುಸಂಬದ್ಧ ಮತ್ತು ಪಾರದರ್ಶಕ ಸಂಕೇತಗಳಿಗಾಗಿ ಚೌಕಟ್ಟುಗಳ ಸರಣಿಯಾಗಿ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ.ಪ್ರತಿ ಸಂದರ್ಭದಲ್ಲಿ ಚುಕ್ಕೆಗಳ ಚಲನೆಯನ್ನು ಹಸಿರು ಮತ್ತು ಕೆಂಪು ಬಾಣಗಳಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ.(ಬಲ) ಚೌಕಟ್ಟುಗಳ ಸಂಖ್ಯೆಯ ವಿರುದ್ಧ ಆಯ್ಕೆ ಬಿಂದುವಿನ ಸ್ಥಾನದ (x, y) ಗ್ರಾಫ್.ಸುಸಂಬದ್ಧ ಸಂದರ್ಭದಲ್ಲಿ, ಎಲ್ಲಾ ಟೆಕಶ್ಚರ್ಗಳು ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುತ್ತವೆ.ಪಾರದರ್ಶಕತೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ವಿನ್ಯಾಸವು ಘಟಕದ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ.d ನಮ್ಮ ಚಲನೆಯ ವಿಭಜನೆಯ ಕಾರ್ಯದ ಕಾರ್ಟೂನ್ ವಿವರಣೆ.ಮಂಗಗಳು ಸಣ್ಣ ಚುಕ್ಕೆಗಳನ್ನು ಸರಿಪಡಿಸುವ ಮೂಲಕ ಪ್ರತಿ ಪ್ರಯೋಗವನ್ನು ಪ್ರಾರಂಭಿಸಿದವು.ಸ್ವಲ್ಪ ವಿಳಂಬದ ನಂತರ, MT RF ನ ಸ್ಥಳದಲ್ಲಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿ (ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆ) ಮತ್ತು ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್ ಗಾತ್ರ (ಉದಾ ಕಾಂಟ್ರಾಸ್ಟ್) ಕಾಣಿಸಿಕೊಂಡಿತು.ಪ್ರತಿ ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ, ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯ ಎರಡು ಸಂಭವನೀಯ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಚಲಿಸಬಹುದು.ಪ್ರಚೋದಕ ಹಿಂತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯ ನಂತರ, ಆಯ್ಕೆ ಗುರಿಗಳು MT RF ಮೇಲೆ ಮತ್ತು ಕೆಳಗೆ ಕಾಣಿಸಿಕೊಂಡವು.ಕೋತಿಗಳು ಗ್ರಿಡ್‌ನ ತಮ್ಮ ಗ್ರಹಿಕೆಯನ್ನು ಸರಿಯಾದ ಆಯ್ಕೆಯ ಗುರಿಗೆ ಸ್ಯಾಕೇಡ್‌ಗಳಲ್ಲಿ ಸೂಚಿಸಬೇಕು.
ದೃಶ್ಯ ಚಲನೆಗಳ ಸಂಸ್ಕರಣೆಯು ಉತ್ತಮವಾಗಿ ನಿರೂಪಿಸಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಆದ್ದರಿಂದ ಗ್ರಹಿಕೆಯ ವಿಭಾಗದ ನರಮಂಡಲವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ.ಹಲವಾರು ಕಂಪ್ಯೂಟೇಶನಲ್ ಅಧ್ಯಯನಗಳು ಎರಡು-ಹಂತದ ಚಲನೆಯ ಸಂಸ್ಕರಣಾ ಮಾದರಿಗಳ ಉಪಯುಕ್ತತೆಯನ್ನು ಗುರುತಿಸಿವೆ, ಇದರಲ್ಲಿ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಆರಂಭಿಕ ಅಂದಾಜಿನ ನಂತರ ಶಬ್ದವನ್ನು ತೆಗೆದುಹಾಕಲು ಮತ್ತು ವಸ್ತುವಿನ ವೇಗವನ್ನು ಮರುಸ್ಥಾಪಿಸಲು ಸ್ಥಳೀಯ ಮಾದರಿಗಳ ಆಯ್ದ ಏಕೀಕರಣವನ್ನು ಮಾಡಲಾಗುತ್ತದೆ.ಈ ಸಮೂಹವನ್ನು ಸಾಮಾನ್ಯ ವಸ್ತುಗಳಿಂದ ಸ್ಥಳೀಯ ಮಾದರಿಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತಗೊಳಿಸಲು ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಗಳು ಕಾಳಜಿ ವಹಿಸಬೇಕು ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ.ಸೈಕೋಫಿಸಿಕಲ್ ಅಧ್ಯಯನಗಳು ಸ್ಥಳೀಯ ಚಲನೆಯ ಸಂಕೇತಗಳನ್ನು ಹೇಗೆ ವಿಂಗಡಿಸಲಾಗಿದೆ ಎಂಬುದರ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಭೌತಿಕ ಅಂಶಗಳನ್ನು ವಿವರಿಸಿದೆ, ಆದರೆ ಅಂಗರಚನಾ ಪಥಗಳು ಮತ್ತು ನರ ಸಂಕೇತಗಳ ಆಕಾರವು ಮುಕ್ತ ಪ್ರಶ್ನೆಗಳಾಗಿ ಉಳಿದಿದೆ.ಪ್ರೈಮೇಟ್ ಕಾರ್ಟೆಕ್ಸ್‌ನ ತಾತ್ಕಾಲಿಕ (MT) ಪ್ರದೇಶದಲ್ಲಿನ ದೃಷ್ಟಿಕೋನ-ಆಯ್ದ ಕೋಶಗಳು ನರಗಳ ತಲಾಧಾರಗಳಿಗೆ ಅಭ್ಯರ್ಥಿಗಳಾಗಿವೆ ಎಂದು ಹಲವಾರು ವರದಿಗಳು ಸೂಚಿಸುತ್ತವೆ.
ಮುಖ್ಯವಾಗಿ, ಈ ಹಿಂದಿನ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ನರಗಳ ಚಟುವಟಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳು ದೃಷ್ಟಿ ಪ್ರಚೋದಕಗಳಲ್ಲಿನ ದೈಹಿಕ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ.ಆದಾಗ್ಯೂ, ಮೇಲೆ ಹೇಳಿದಂತೆ, ವಿಭಜನೆಯು ಮೂಲಭೂತವಾಗಿ ಗ್ರಹಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.ಆದ್ದರಿಂದ, ಅದರ ನರಗಳ ತಲಾಧಾರದ ಅಧ್ಯಯನವು ಸ್ಥಿರ ಪ್ರಚೋದಕಗಳ ಗ್ರಹಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ನರಗಳ ಚಟುವಟಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳನ್ನು ಲಿಂಕ್ ಮಾಡುವ ಅಗತ್ಯವಿದೆ.ಆದ್ದರಿಂದ, ಸೂಪರ್‌ಪೋಸ್ಡ್ ಡ್ರಿಫ್ಟಿಂಗ್ ಆಯತಾಕಾರದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಂದ ರೂಪುಗೊಂಡ ಗ್ರಹಿಸಿದ ಬಿಸ್ಟೇಬಲ್ ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯು ಒಂದೇ ಮೇಲ್ಮೈ ಅಥವಾ ಎರಡು ಸ್ವತಂತ್ರ ಮೇಲ್ಮೈಯಾಗಿದೆಯೇ ಎಂದು ವರದಿ ಮಾಡಲು ನಾವು ಎರಡು ಕೋತಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ.ನರಗಳ ಚಟುವಟಿಕೆ ಮತ್ತು ವಿಭಜನೆಯ ತೀರ್ಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು, ಮಂಗಗಳು ಈ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಿದಾಗ ನಾವು MT ಯಲ್ಲಿ ಒಂದೇ ಚಟುವಟಿಕೆಯನ್ನು ದಾಖಲಿಸಿದ್ದೇವೆ.
ಎಂಟಿ ಚಟುವಟಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆಯ ಅಧ್ಯಯನದ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಸಂಬಂಧವನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ.ಪ್ರಚೋದನೆಗಳು ಬಹಿರಂಗವಾದ ವಿಂಗಡಣೆಯ ಸೂಚನೆಗಳನ್ನು ಹೊಂದಿರಲಿ ಅಥವಾ ಇಲ್ಲದಿರಲಿ ಈ ಪರಸ್ಪರ ಸಂಬಂಧವು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ.ಇದರ ಜೊತೆಗೆ, ಈ ಪರಿಣಾಮದ ಬಲವು ಸೆಗ್ಮೆಂಟೇಶನ್ ಸಿಗ್ನಲ್‌ಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆಗೆ ಸಂಬಂಧಿಸಿದೆ, ಜೊತೆಗೆ ಮಾದರಿ ಸೂಚ್ಯಂಕಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ.ಎರಡನೆಯದು ಘಟಕವು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ಸ್ಥಳೀಯ ಚಲನೆಗಿಂತ ಜಾಗತಿಕವಾಗಿ ಹೊರಹೊಮ್ಮುವ ಮಟ್ಟವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತದೆ.ಫ್ಯಾಷನ್ ನಿರ್ದೇಶನದ ಆಯ್ಕೆಯು MT ಯ ವಿಶಿಷ್ಟ ಲಕ್ಷಣವೆಂದು ಗುರುತಿಸಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಫ್ಯಾಷನ್-ಆಯ್ದ ಕೋಶಗಳು ಆ ಪ್ರಚೋದನೆಗಳ ಮಾನವ ಗ್ರಹಿಕೆಗೆ ಅನುಗುಣವಾಗಿ ಸಂಕೀರ್ಣ ಪ್ರಚೋದಕಗಳಿಗೆ ಟ್ಯೂನಿಂಗ್ ಅನ್ನು ತೋರಿಸುತ್ತವೆ, ನಮ್ಮ ಜ್ಞಾನದ ಪ್ರಕಾರ, ಮಾದರಿಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧಕ್ಕೆ ಇದು ಮೊದಲ ಸಾಕ್ಷಿಯಾಗಿದೆ.ಸೂಚ್ಯಂಕ ಮತ್ತು ಗ್ರಹಿಕೆಯ ವಿಭಾಗ.
ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳ (ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಗಳು) ಅವರ ಗ್ರಹಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಾವು ಎರಡು ಕೋತಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದ್ದೇವೆ.ಮಾನವ ವೀಕ್ಷಕರು ಸಾಮಾನ್ಯವಾಗಿ ಈ ಪ್ರಚೋದನೆಗಳನ್ನು ಸರಿಸುಮಾರು ಅದೇ ಆವರ್ತನದ ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಗಳಾಗಿ ಗ್ರಹಿಸುತ್ತಾರೆ.ಈ ಪ್ರಯೋಗದಲ್ಲಿ ಸರಿಯಾದ ಉತ್ತರವನ್ನು ನೀಡಲು ಮತ್ತು ಆಪರೇಂಟ್ ರಿವಾರ್ಡ್‌ಗೆ ಆಧಾರವನ್ನು ಹೊಂದಿಸಲು, ಲ್ಯಾಟಿಸ್ (Fig. 1c, d) ಅನ್ನು ರೂಪಿಸುವ ಘಟಕದ ರಾಸ್ಟರ್ ಅನ್ನು ಟೆಕ್ಸ್ಚರ್ ಮಾಡುವ ಮೂಲಕ ನಾವು ವಿಭಜನೆ ಸಂಕೇತಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ.ಸುಸಂಬದ್ಧ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಎಲ್ಲಾ ಟೆಕಶ್ಚರ್ಗಳು ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುತ್ತವೆ (Fig. 1c, "ಸುಸಂಬದ್ಧ").ಪಾರದರ್ಶಕ ಸ್ಥಿತಿಯಲ್ಲಿ, ವಿನ್ಯಾಸವು ಅದರ ಮೇಲೆ ಜೋಡಿಸಲಾದ ಗ್ರ್ಯಾಟಿಂಗ್‌ನ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿ ಚಲಿಸುತ್ತದೆ (Fig. 1c, "ಪಾರದರ್ಶಕ").ಈ ಟೆಕ್ಸ್ಚರ್ ಲೇಬಲ್‌ನ ಕಾಂಟ್ರಾಸ್ಟ್ ಅನ್ನು ಬದಲಾಯಿಸುವ ಮೂಲಕ ನಾವು ಕಾರ್ಯದ ತೊಂದರೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತೇವೆ.ಕ್ಯೂಡ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಟೆಕ್ಸ್ಚರ್ ಸೂಚನೆಗಳಿಗೆ ಅನುಗುಣವಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗಾಗಿ ಕೋತಿಗಳಿಗೆ ಬಹುಮಾನ ನೀಡಲಾಯಿತು ಮತ್ತು ವಿನ್ಯಾಸ ಸೂಚನೆಗಳಿಲ್ಲದ (ಶೂನ್ಯ ವಿನ್ಯಾಸದ ಕಾಂಟ್ರಾಸ್ಟ್ ಸ್ಥಿತಿ) ಮಾದರಿಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಯಾದೃಚ್ಛಿಕವಾಗಿ (50/50 ಆಡ್ಸ್) ಬಹುಮಾನಗಳನ್ನು ನೀಡಲಾಯಿತು.
ಎರಡು ಪ್ರಾತಿನಿಧಿಕ ಪ್ರಯೋಗಗಳಿಂದ ವರ್ತನೆಯ ದತ್ತಾಂಶವನ್ನು ಚಿತ್ರ 2a ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ, ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಕ್ರಮವಾಗಿ ಮೇಲಕ್ಕೆ ಅಥವಾ ಕೆಳಕ್ಕೆ ಬದಲಾಯಿಸುವ ನಮೂನೆಗಳಿಗೆ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳ (ಪಾರದರ್ಶಕತೆ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ವ್ಯಾಖ್ಯಾನದಿಂದ ಋಣಾತ್ಮಕವೆಂದು ಭಾವಿಸಲಾಗಿದೆ) ವಿರುದ್ಧವಾಗಿ ಸುಸಂಬದ್ಧತೆಯ ತೀರ್ಪುಗಳ ಅನುಪಾತವಾಗಿ ರೂಪಿಸಲಾಗಿದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, ಕೋತಿಗಳ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ಟೆಕ್ಸ್ಚರ್ ಕ್ಯೂ (ANOVA; ಮಂಕಿ N: ದಿಕ್ಕು – F = 0.58, p = 0.45, ಚಿಹ್ನೆ – F = 1248, p < = 10,20) ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕ, ಸುಸಂಬದ್ಧ) ಮತ್ತು ಶಕ್ತಿ (ಕಾಂಟ್ರಾಸ್ಟ್) ಎರಡರಿಂದಲೂ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿದೆ. 10 ಮಂಕಿ ಎಸ್: ದಿಕ್ಕು - ಎಫ್ = 0.41, ಪು = 0.52, ಚಿಹ್ನೆ - ಎಫ್ = 2876.7, ಪು <10-10, ಕಾಂಟ್ರಾಸ್ಟ್ - ಎಫ್ = 36.5, ಪು < 10-10). ಒಟ್ಟಾರೆಯಾಗಿ, ಮಂಗಗಳ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ಟೆಕ್ಸ್ಚರ್ ಕ್ಯೂ (ANOVA; ಮಂಕಿ N: ದಿಕ್ಕು – F = 0.58, p = 0.45, ಚಿಹ್ನೆ – F = 1248, p <10,22) ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕ, ಸುಸಂಬದ್ಧ) ಮತ್ತು ಶಕ್ತಿ (ಕಾಂಟ್ರಾಸ್ಟ್) ಎರಡರಿಂದಲೂ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿದೆ. -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 селом на восприятие обезьянами когрентности/prozrachnosti ಡೋಸ್ಟೋವರ್ನೊ ವಲ್ಕ್ ಕ್ಯಾಕ್ ಝನಾಕ್ (ಪ್ರೋಸರ್, ಛಾಯಾಗ್ರಾಹಕ), сила (ಕಾಂಟ್ರಸ್ಟ್ನೋಸ್ಟ್) ಟೆಕ್ಸ್ಟ್ಯುರ್ನೋಗೊ ಪ್ರೀಜ್ನಾಕಾ (ANOVA; ಒಬೆಝಿಯಾನ N: направление - F = 0,58, p = 0,45, F = 0,58, p = 0,45, ಎಫ್ - ಎಫ್ = <120,2000, p. 3, ಪು < 10; −10 обезьяна S: направление – F = 0,41, p = 0,52, признак – F = 2876,7, p < 10−10, контраст – F, 10, 36). ಸಾಮಾನ್ಯವಾಗಿ, ಕೋತಿಗಳಿಂದ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕತೆ, ಸುಸಂಬದ್ಧತೆ) ಮತ್ತು ಟೆಕ್ಸ್ಚರಲ್ ವೈಶಿಷ್ಟ್ಯದ (ANOVA; ಮಂಕಿ N: ದಿಕ್ಕು - F = 0.58, p = 0.45, ಚಿಹ್ನೆ - F = 1248, p = 0.45, ಚಿಹ್ನೆ - F = 1248, p <0; 10−1, 20-1, 20-1, 2, 1, 2, 1, 2, 1, 2, 0 ವ್ಯತಿರಿಕ್ತತೆ) ey S: ದಿಕ್ಕು - F = 0.41, p = 0.52, ಚಿಹ್ನೆ - F = 2876.7, p <10 -10, ಕಾಂಟ್ರಾಸ್ಟ್ - 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㼈ANOVA）的符号（遏明对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p <10−10, =20.6, p <10−10, =20.6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㼈ANOVA）的符号（遏明对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p <10−10, =20.6, p <10−10, =20.3, 对毯,ಪು <10-10).ಸಾಮಾನ್ಯವಾಗಿ, ಮಂಕಿ ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಯು ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳ (ANOVA) ಚಿಹ್ನೆ (ಪಾರದರ್ಶಕತೆ, ಸುಸಂಬದ್ಧತೆ) ಮತ್ತು ತೀವ್ರತೆ (ವ್ಯತಿರಿಕ್ತತೆ) ಯಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿದೆ;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p <10−10, Контрастность — F = 22,63, p <10; ಮಂಕಿ ಎನ್: ದೃಷ್ಟಿಕೋನ - ​​ಎಫ್ = 0.58, ಪು = 0.45, ಚಿಹ್ನೆ - ಎಫ್ = 1248, ಪು <10−10, ಕಾಂಟ್ರಾಸ್ಟ್ - ಎಫ್ = 22.63, ಪು <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: ಓರಿಯಂಟೇಶನ್ - ಎಫ್ = 0.41, ಪು = 0.52, ಸೈನ್ - ಎಫ್ = 2876.7, ಪು <10-10, ಕಾಂಟ್ರಾಸ್ಟ್ - ಎಫ್ = 36.5, ಪು <10-10).ಮಂಗಗಳ ಸೈಕೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರೂಪಿಸಲು ಪ್ರತಿ ಸೆಷನ್‌ನ ಡೇಟಾಗೆ ಗಾಸ್ಸಿಯನ್ ಸಂಚಿತ ಕಾರ್ಯಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ.ಅಂಜೂರದ ಮೇಲೆ.2b ಎರಡೂ ಕೋತಿಗಳಿಗೆ ಎಲ್ಲಾ ಅವಧಿಗಳಲ್ಲಿ ಈ ಮಾದರಿಗಳ ಒಪ್ಪಂದದ ವಿತರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ.ಒಟ್ಟಾರೆಯಾಗಿ, ಮಂಗಗಳು ಕಾರ್ಯವನ್ನು ನಿಖರವಾಗಿ ಮತ್ತು ಸ್ಥಿರವಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿದವು ಮತ್ತು ಸಂಚಿತ ಗಾಸಿಯನ್ ಮಾದರಿಗೆ ಸರಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳದ ಕಾರಣ ನಾವು ಎರಡು-ಮಂಕಿ ಸೆಷನ್‌ಗಳಲ್ಲಿ 13% ಕ್ಕಿಂತ ಕಡಿಮೆ ಪ್ರಮಾಣವನ್ನು ತಿರಸ್ಕರಿಸಿದ್ದೇವೆ.
ಪ್ರತಿನಿಧಿ ಅವಧಿಗಳಲ್ಲಿ ಕೋತಿಗಳ ವರ್ತನೆಯ ಉದಾಹರಣೆಗಳು (ಪ್ರತಿ ಪ್ರಚೋದಕ ಸ್ಥಿತಿಗೆ n ≥ 20 ಪ್ರಯೋಗಗಳು).ಎಡ (ಬಲ) ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ, ಒಂದು N(S) ಮಂಕಿ ಸೆಶನ್‌ನಿಂದ ಡೇಟಾವನ್ನು ಸುಸಂಬದ್ಧ ಆಯ್ಕೆ ಸ್ಕೋರ್‌ಗಳಾಗಿ (ಆರ್ಡಿನೇಟ್) ಮತ್ತು ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳ (abscissa) ಚಿಹ್ನೆಯ ಕಾಂಟ್ರಾಸ್ಟ್ ಆಗಿ ರೂಪಿಸಲಾಗಿದೆ.ಇಲ್ಲಿ ಪಾರದರ್ಶಕ (ಸುಸಂಬದ್ಧ) ಟೆಕಶ್ಚರ್ಗಳು ಋಣಾತ್ಮಕ (ಧನಾತ್ಮಕ) ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿವೆ ಎಂದು ಊಹಿಸಲಾಗಿದೆ.ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮಾದರಿಯ ಚಲನೆಯ ದಿಕ್ಕಿನ ಪ್ರಕಾರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ (ಮೇಲೆ (90 °) ಅಥವಾ ಕೆಳಗೆ (270 °)).ಎರಡೂ ಪ್ರಾಣಿಗಳಿಗೆ, ಕಾರ್ಯಕ್ಷಮತೆ, ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು 50/50 ಕಾಂಟ್ರಾಸ್ಟ್‌ನಿಂದ (ಪಿಎಸ್‌ಇ - ಘನ ಬಾಣಗಳು) ಭಾಗಿಸಲಾಗಿದೆಯೇ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಮಟ್ಟದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು (ಥ್ರೆಶೋಲ್ಡ್ - ತೆರೆದ ಬಾಣಗಳು) ಬೆಂಬಲಿಸಲು ಅಗತ್ಯವಿರುವ ಟೆಕ್ಸ್ಚರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ನ ಪ್ರಮಾಣವು ಈ ದಿಕ್ಚ್ಯುತಿ ದಿಕ್ಕುಗಳಲ್ಲಿದೆ.b ಗಾಸ್ಸಿಯನ್ ಸಂಚಿತ ಕ್ರಿಯೆಯ R2 ಮೌಲ್ಯಗಳ ಹಿಸ್ಟೋಗ್ರಾಮ್ ಅಳವಡಿಸಲಾಗಿದೆ.ಮಂಕಿ S(N) ಡೇಟಾವನ್ನು ಎಡಭಾಗದಲ್ಲಿ (ಬಲ) ತೋರಿಸಲಾಗಿದೆ.c (ಮೇಲ್ಭಾಗ) PSE ಗಾಗಿ ಅಳತೆ ಮಾಡಲಾದ ಗ್ರಿಡ್ ಡೌನ್ (ಆರ್ಡಿನೇಟ್) ಗೆ ಹೋಲಿಸಿದರೆ PSE ಗ್ರಿಡ್ ಅನ್ನು ಬದಲಾಯಿಸಲಾಗಿದೆ (abscissa) ಪ್ಲಾಟ್ ಮಾಡಲಾಗಿದೆ, ಪ್ರತಿ ಷರತ್ತುಗಳಿಗೆ PSE ವಿತರಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಅಂಚುಗಳು ಮತ್ತು ಬಾಣಗಳು ಪ್ರತಿ ಸ್ಥಿತಿಗೆ ಸರಾಸರಿಯನ್ನು ಸೂಚಿಸುತ್ತವೆ.ಎಲ್ಲಾ N(S) ಮಂಕಿ ಸೆಷನ್‌ಗಳ ಡೇಟಾವನ್ನು ಎಡ (ಬಲ) ಕಾಲಮ್‌ನಲ್ಲಿ ನೀಡಲಾಗಿದೆ.(ಕೆಳಭಾಗ) PSE ಡೇಟಾದಂತೆಯೇ ಅದೇ ಸಂಪ್ರದಾಯ, ಆದರೆ ಅಳವಡಿಸಲಾದ ವೈಶಿಷ್ಟ್ಯದ ಮಿತಿಗಳಿಗೆ.PSE ಮಿತಿಗಳು ಅಥವಾ ಫ್ಯಾಷನ್ ಪ್ರವೃತ್ತಿಗಳಲ್ಲಿ ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳಿಲ್ಲ (ಪಠ್ಯವನ್ನು ನೋಡಿ).d PSE ಮತ್ತು ಇಳಿಜಾರು (ಆರ್ಡಿನೇಟ್) ಕೋನೀಯ ಬೇರ್ಪಡಿಕೆ ಘಟಕದ ("ಅವಿಭಾಜ್ಯ ಗ್ರ್ಯಾಟಿಂಗ್ ಕೋನ" - abscissa) ಸಾಮಾನ್ಯೀಕರಿಸಿದ ರಾಸ್ಟರ್ ದೃಷ್ಟಿಕೋನವನ್ನು ಅವಲಂಬಿಸಿ ಯೋಜಿಸಲಾಗಿದೆ.ತೆರೆದ ವಲಯಗಳು ಸಾಧನಗಳಾಗಿವೆ, ಘನ ರೇಖೆಯು ಅತ್ಯುತ್ತಮ ಫಿಟ್ಟಿಂಗ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯಾಗಿದೆ ಮತ್ತು ಚುಕ್ಕೆಗಳ ರೇಖೆಯು ಹಿಂಜರಿತ ಮಾದರಿಗೆ 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವಾಗಿದೆ.PSE ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಏಕೀಕರಣ ಕೋನದ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವಿದೆ, ಆದರೆ ಇಳಿಜಾರು ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಏಕೀಕರಣ ಕೋನವಲ್ಲ, ಕೋನವು ಘಟಕ ಲ್ಯಾಟಿಸ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದಂತೆ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯವು ಬದಲಾಗುತ್ತದೆ, ಆದರೆ ಹರಿತಗೊಳಿಸುವಿಕೆ ಅಥವಾ ಚಪ್ಪಟೆಯಾಗುವುದಿಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.(ಮಂಕಿ N, n = 32 ಅವಧಿಗಳು; ಮಂಕಿ S, n = 43 ಅವಧಿಗಳು).ಎಲ್ಲಾ ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ, ದೋಷ ಬಾರ್‌ಗಳು ಸರಾಸರಿ ಪ್ರಮಾಣಿತ ದೋಷವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ.ಹಾಹಾ.ಸುಸಂಬದ್ಧತೆ, PSE ವ್ಯಕ್ತಿನಿಷ್ಠ ಸಮಾನತೆಯ ಸ್ಕೋರ್, ರೂಢಿ.ಪ್ರಮಾಣೀಕರಣ.
ಮೇಲೆ ಗಮನಿಸಿದಂತೆ, ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳ ವ್ಯತಿರಿಕ್ತತೆ ಮತ್ತು ಮಾದರಿಯ ಚಲನೆಯ ದಿಕ್ಕು ಎರಡೂ ಪ್ರಯೋಗಗಳಾದ್ಯಂತ ಬದಲಾಗುತ್ತವೆ, ನಿರ್ದಿಷ್ಟ ಪ್ರಯೋಗದಲ್ಲಿ ಪ್ರಚೋದನೆಗಳು ಮೇಲಕ್ಕೆ ಅಥವಾ ಕೆಳಕ್ಕೆ ಚಲಿಸುತ್ತವೆ.ಸೈಕೋಫಿಸಿಕಲ್ 11 ಮತ್ತು ನ್ಯೂರಾನಲ್ 28 ಹೊಂದಾಣಿಕೆಯ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಇದನ್ನು ಮಾಡಲಾಗುತ್ತದೆ.ಪ್ಯಾಟರ್ನ್ ಓರಿಯೆಂಟೇಶನ್ ವರ್ಸಸ್ ಬಯಾಸ್ (ವಿಷಯಾತ್ಮಕ ಸಮಾನತೆಯ ಬಿಂದು ಅಥವಾ PSE) (ವಿಲ್ಕಾಕ್ಸನ್ ಶ್ರೇಣಿಯ ಮೊತ್ತ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 0.25, p = 0.8; ಮಂಕಿ S: z = 0.86, p = 0.39) ಅಥವಾ ಅಳವಡಿಸಲಾದ ಕಾರ್ಯದ ಮಿತಿ (ವಿಲ್ಕಾಕ್ಸನ್ S: 8 ಮಂಕಿ ಥ್ರೆಶೋಲ್ಡ್, = 0 Monkey S.9 ಶ್ರೇಣಿಗಳು; = 0 ಮಂಕಿ ಶ್ರೇಣಿಗಳು z = 0.49, p = 0.62) (Fig. 2c).ಇದರ ಜೊತೆಗೆ, ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಿತಿ ಮಟ್ಟವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ವಿನ್ಯಾಸದ 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 ಸೆಷನ್‌ನಲ್ಲಿ, ಕಾಂಪೊನೆಂಟ್ ಲ್ಯಾಟಿಸ್‌ಗಳ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಬೇರ್ಪಡಿಸುವ ಇಂಟರ್‌ಲ್ಯಾಟಿಸ್ ಕೋನವನ್ನು ನಾವು ಬದಲಾಯಿಸಿದ್ದೇವೆ.ಸೈಕೋಫಿಸಿಕಲ್ ಅಧ್ಯಯನಗಳು ಈ ಕೋನವು ಚಿಕ್ಕದಾದಾಗ ಜನರು ಸೆಲ್ 10 ಅನ್ನು ಸಂಪರ್ಕಿಸಲಾಗಿದೆ ಎಂದು ಗ್ರಹಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ ಎಂದು ತೋರಿಸಿದೆ.ಕೋತಿಗಳು ಸುಸಂಬದ್ಧತೆ/ಪಾರದರ್ಶಕತೆಯ ಬಗ್ಗೆ ತಮ್ಮ ಗ್ರಹಿಕೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ವರದಿ ಮಾಡುತ್ತಿದ್ದರೆ, ಈ ಸಂಶೋಧನೆಗಳ ಆಧಾರದ ಮೇಲೆ, ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಮೇಲೆ ಏಕರೂಪದ ವಿಭಜನೆ ಮತ್ತು ಸುಸಂಬದ್ಧತೆಯ ನಡುವಿನ ಏಕರೂಪದ ವಿಭಜನೆಗೆ ಅನುಗುಣವಾದ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತವಾದ PSE ಅನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು.ಜಾಲರಿ ಕೋನ. ಇದು ನಿಜಕ್ಕೂ ಪ್ರಕರಣವಾಗಿದೆ (Fig. 2d; ಮಾದರಿಯ ದಿಕ್ಕುಗಳಾದ್ಯಂತ ಕುಸಿಯುವುದು, ಕ್ರುಸ್ಕಾಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p <10−3; ಮಂಕಿ S: χ2 = 22.22, p <10−3; <: P 0r-7 ಕೋನ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ 9; ಮಂಕಿ ಎಸ್: ಆರ್ = 0.76, ಪು <10−13). ಇದು ನಿಜಕ್ಕೂ ಪ್ರಕರಣವಾಗಿದೆ (Fig. 2d; ಮಾದರಿಯ ದಿಕ್ಕುಗಳಾದ್ಯಂತ ಕುಸಿಯುವುದು, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p <10−3; ಮಂಕಿ S: χ2 = 22.22, p <10−3; p <10−3; <: PSE 1 - 7 ಕೋನ ಸಾಮಾನ್ಯೀಕರಣದ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ 9; ಮಂಕಿ ಎಸ್: ಆರ್ = 0.76, ಪು <10−13). ಎಟೊ ಡೈಸ್ಟ್ವಿಟೆಲ್ನೊ ಇಮೆಲೊ ಮೆಸ್ಟೊ (ರಿಸ್. 2ಡಿ; ಕೊಲಾಪ್ಸ್ ಪೊಪೆರೆಕ್ ನ್ಯಾಪ್ರವ್ಲೆನಿಯ ಪ್ಯಾಟರ್ನಾ, ಕ್ರುಸ್ಕಾಲ್-ಯೂಲ್ಲೋಸ್, ಕ್ರುಸ್ಕಾಲ್-ಯೂಲ್ಲೀಸ್, <p>20,2000 3; ಒಬೆಝಿಯಾನ ಎಸ್: χ2 = 22,22, ಪು <10-3; ಕೊರ್ರೇಲಿಯಾ ಮೇಜರ್ ನಾರ್ಮಲ್ ಎಸ್‌ಎಸ್‌ಇ ಎಸ್‌ಇ - <, 10, 100 : ಆರ್ = 0,76, ಪು <10-13). ಇದು ನಿಜವಾಗಿ ಸಂಭವಿಸಿದೆ (Fig. 2d; ಮಾದರಿಯ ದಿಕ್ಕಿನಾದ್ಯಂತ ಕುಸಿತ, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p <10-3; ಮಂಕಿ S: χ2 = 22.22, p <10-3; ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಲ್ಯಾಟಿಸ್ ಕೋನ ಮತ್ತು PSE = 0 ಮಂಕಿ N.: = 7 ಮಂಕಿ 0 ನಡುವೆ ಪರಸ್ಪರ ಸಂಬಂಧ 0.76, ಪು <10-13).情况确实如此（图2d；跨模式方向折叠，ಕೃಸ್ಕಲ್-ವಾಲಿಸ್；猴子N：χ2 = 23.06,p <10-3 ；标准化间光栅角和PSE – 猴子N：r = 0.67,p <10-9；猴子S； = 0.76,p <10-13）。情况 确实 如此 （图 图 2D ಪುಟ <10-3 0-13). ಎಟೊ ಡೈಸ್ಟ್ವಿಟೆಲ್ನೊ ಮಾದರಿ ಮೆಸ್ಟೊ (ರಿಸ್. 2 ಡಿ; ಕ್ರಾಟ್ನೋಸ್ಟ್ ಪೋ ಒಸಿ ಮೋಡಿ, ಕ್ರುಸ್ಕಾಲ್-ಯುಯೋಲ್ಲಿಸ್; ಒಬೆಝಿಯಾನ ಎನ್: 302 =, χ2 = 22,22, ಪು <10-3; нормализованный межрешеточный угол). ಇದು ನಿಜಕ್ಕೂ ಪ್ರಕರಣವಾಗಿದೆ (Fig. 2d; ಮೋಡ್ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಪದರ, ಕ್ರುಸ್ಕಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 23.06, p <10-3; ಮಂಕಿ S: χ2 = 22.22, p <10-3; ಸಾಮಾನ್ಯ 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 ಕ್ರಿಯೆಯ ಇಳಿಜಾರಿನ ಮೇಲೆ ಯಾವುದೇ ಮಹತ್ವದ ಪರಿಣಾಮ ಬೀರಲಿಲ್ಲ (Fig. 2d; ಕ್ರಾಸ್-ಮೋಡಲ್ ಓರಿಯಂಟೇಶನ್ ಫೋಲ್ಡ್, ಕ್ರುಸ್ಕಾಲ್-ವಾಲಿಸ್; ಮಂಕಿ N: χ2 = 8.09, p = 0.23; ಮಂಕಿ S χpe2 = 3.18 ಕೋನ ಮತ್ತು 0ಟಿ 6 ನಡುವೆ ಸಾಮಾನ್ಯ ಕೋನ, p = 0t6. 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 ಸ್ಥಳಾಂತರದ ಬಿಂದುಗಳಲ್ಲಿನ ಬದಲಾವಣೆಯಾಗಿದೆ, ಮತ್ತು ವಿಭಜನೆಯ ಸಂಕೇತಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆಯ ಹೆಚ್ಚಳ ಅಥವಾ ಇಳಿಕೆ ಅಲ್ಲ.
ಅಂತಿಮವಾಗಿ, ಶೂನ್ಯ ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ನೊಂದಿಗೆ ಪ್ರಯೋಗಗಳಲ್ಲಿ 0.5 ಸಂಭವನೀಯತೆಯೊಂದಿಗೆ ಪ್ರತಿಫಲಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ.ಎಲ್ಲಾ ಕೋತಿಗಳು ಈ ವಿಶಿಷ್ಟವಾದ ಯಾದೃಚ್ಛಿಕತೆಯ ಬಗ್ಗೆ ತಿಳಿದಿದ್ದರೆ ಮತ್ತು ಶೂನ್ಯ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆ ಮತ್ತು ಕ್ಯೂ ಪ್ರಚೋದನೆಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾದರೆ, ಅವರು ಎರಡು ವಿಧದ ಪ್ರಯೋಗಗಳಿಗೆ ವಿಭಿನ್ನ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು.ಎರಡು ಅವಲೋಕನಗಳು ಇದು ಹಾಗಲ್ಲ ಎಂದು ಬಲವಾಗಿ ಸೂಚಿಸುತ್ತವೆ.ಮೊದಲನೆಯದಾಗಿ, ಗ್ರ್ಯಾಟಿಂಗ್ ಕೋನವನ್ನು ಬದಲಾಯಿಸುವುದು ಕ್ಯೂ ಮತ್ತು ಶೂನ್ಯ ವಿನ್ಯಾಸದ ಕಾಂಟ್ರಾಸ್ಟ್ ಸ್ಕೋರ್‌ಗಳ ಮೇಲೆ ಗುಣಾತ್ಮಕವಾಗಿ ಒಂದೇ ರೀತಿಯ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಿತು (Fig. 2d ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 1).ಎರಡನೆಯದಾಗಿ, ಎರಡೂ ಕೋತಿಗಳಿಗೆ, ಬಿಸ್ಟೇಬಲ್ ಪ್ರಯೋಗ ಆಯ್ಕೆಯು ತೀರಾ ಇತ್ತೀಚಿನ (ಹಿಂದಿನ) ಬಹುಮಾನದ ಆಯ್ಕೆಯ ಪುನರಾವರ್ತನೆಯಾಗುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ (ದ್ವಿಪದ ಪರೀಕ್ಷೆ, N ಕೋತಿಗಳು: 0.52, z = 0.74, p = 0.22; S ಕೋತಿಗಳು: 0.51 , r = 0.9, p = 0.18).
ಕೊನೆಯಲ್ಲಿ, ನಮ್ಮ ವಿಭಜನೆಯ ಕಾರ್ಯದಲ್ಲಿ ಕೋತಿಗಳ ನಡವಳಿಕೆಯು ಉತ್ತಮ ಪ್ರಚೋದಕ ನಿಯಂತ್ರಣದಲ್ಲಿದೆ.ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳ ಚಿಹ್ನೆ ಮತ್ತು ಗಾತ್ರದ ಮೇಲೆ ಗ್ರಹಿಕೆಯ ತೀರ್ಪುಗಳ ಅವಲಂಬನೆ, ಹಾಗೆಯೇ ಗ್ರ್ಯಾಟಿಂಗ್ ಕೋನದೊಂದಿಗೆ PSE ಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳು, ಕೋತಿಗಳು ಮೋಟಾರು ಸುಸಂಬದ್ಧತೆ / ಪಾರದರ್ಶಕತೆಯ ಬಗ್ಗೆ ತಮ್ಮ ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ಅಂತಿಮವಾಗಿ, ಶೂನ್ಯ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತ ಪ್ರಯೋಗಗಳಲ್ಲಿನ ಕೋತಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಹಿಂದಿನ ಪ್ರಯೋಗಗಳ ಪ್ರತಿಫಲ ಇತಿಹಾಸದಿಂದ ಪ್ರಭಾವಿತವಾಗಿಲ್ಲ ಮತ್ತು ಅಂತರ-ರಾಸ್ಟರ್ ಕೋನೀಯ ಬದಲಾವಣೆಗಳಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿವೆ.ಈ ಪ್ರಮುಖ ಸ್ಥಿತಿಯ ಅಡಿಯಲ್ಲಿ ಮಂಗಗಳು ಲ್ಯಾಟಿಸ್ ಮೇಲ್ಮೈ ಸಂರಚನೆಯ ಬಗ್ಗೆ ತಮ್ಮ ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡುವುದನ್ನು ಮುಂದುವರೆಸುತ್ತವೆ ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ.
ಮೇಲೆ ಹೇಳಿದಂತೆ, ಋಣಾತ್ಮಕದಿಂದ ಧನಾತ್ಮಕವಾಗಿ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯ ಪರಿವರ್ತನೆಯು ಪ್ರಚೋದನೆಗಳ ಗ್ರಹಿಕೆಯ ಪರಿವರ್ತನೆಗೆ ಪಾರದರ್ಶಕದಿಂದ ಸುಸಂಬದ್ಧತೆಗೆ ಸಮನಾಗಿರುತ್ತದೆ.ಸಾಮಾನ್ಯವಾಗಿ, ಕೊಟ್ಟಿರುವ ಕೋಶಕ್ಕೆ, ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯು ಋಣಾತ್ಮಕದಿಂದ ಧನಾತ್ಮಕವಾಗಿ ಬದಲಾಗುವುದರಿಂದ MT ಪ್ರತಿಕ್ರಿಯೆಯು ಹೆಚ್ಚಾಗುತ್ತದೆ ಅಥವಾ ಕಡಿಮೆಯಾಗುತ್ತದೆ, ಮತ್ತು ಈ ಪರಿಣಾಮದ ದಿಕ್ಕು ಸಾಮಾನ್ಯವಾಗಿ ಮಾದರಿ/ಘಟಕದ ಚಲನೆಯ ದಿಕ್ಕಿನ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, ಎರಡು ಪ್ರಾತಿನಿಧಿಕ MT ಕೋಶಗಳ ಡೈರೆಕ್ಷನಲ್ ಟ್ಯೂನಿಂಗ್ ವಕ್ರಾಕೃತಿಗಳು ಕಡಿಮೆ ಅಥವಾ ಹೆಚ್ಚಿನ ಕಾಂಟ್ರಾಸ್ಟ್ ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳನ್ನು ಹೊಂದಿರುವ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗೆ ಈ ಕೋಶಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳೊಂದಿಗೆ ಚಿತ್ರ 3 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಈ ಗ್ರಿಡ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಪ್ರಮಾಣೀಕರಿಸಲು ನಾವು ಕೆಲವು ರೀತಿಯಲ್ಲಿ ಪ್ರಯತ್ನಿಸಿದ್ದೇವೆ, ಇದು ನಮ್ಮ ಕೋತಿಗಳ ಸೈಕೋಫಿಸಿಯೋಲಾಜಿಕಲ್ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಸಂಬಂಧಿಸಿರಬಹುದು.
ಒಂದೇ ಸೈನುಸೈಡಲ್ ಅರೇಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಪ್ರತಿನಿಧಿ ಮಂಕಿ MT ಸೆಲ್ S ನ ಡೈರೆಕ್ಷನಲ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ನ ಧ್ರುವೀಯ ಕಥಾವಸ್ತು.ಕೋನವು ಗ್ರ್ಯಾಟಿಂಗ್‌ನ ಚಲನೆಯ ದಿಕ್ಕನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಪ್ರಮಾಣವು ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಆದ್ಯತೆಯ ಕೋಶದ ದಿಕ್ಕು ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿರುವ ಒಂದು ಘಟಕದ ದಿಕ್ಕಿನೊಂದಿಗೆ ಸುಮಾರು 90 ° (ಮೇಲಕ್ಕೆ) ಅತಿಕ್ರಮಿಸುತ್ತದೆ.b ಪ್ರತಿಸ್ಪಂದನ ಗ್ರಿಡ್‌ನ ಸಾಪ್ತಾಹಿಕ ಪ್ರಚೋದಕ-ಸಮಯದ ಹಿಸ್ಟೋಗ್ರಾಮ್ (PSTH), ಟೆಂಪ್ಲೇಟ್ ದಿಕ್ಕಿನಲ್ಲಿ 90° ಮೂಲಕ (ಎಡಭಾಗದಲ್ಲಿ ಕ್ರಮಬದ್ಧವಾಗಿ ತೋರಿಸಲಾಗಿದೆ) ಎ ನಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಕ್ಕೆ ವರ್ಗಾಯಿಸಲಾಗಿದೆ.ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಟೆಕ್ಸ್ಚರ್ ಸುಳಿವು ಪ್ರಕಾರ (ಸಂಘಟಿತ / ಪಾರದರ್ಶಕ - ಮಧ್ಯಮ / ಬಲ ಫಲಕ ಕ್ರಮವಾಗಿ) ಮತ್ತು ಮೈಕೆಲ್ಸನ್ ಕಾಂಟ್ರಾಸ್ಟ್ (PSTH ಬಣ್ಣದ ಸುಳಿವು) ಮೂಲಕ ವಿಂಗಡಿಸಲಾಗಿದೆ.ಪ್ರತಿ ಪ್ರಕಾರದ ಕಡಿಮೆ-ಕಾಂಟ್ರಾಸ್ಟ್ ಮತ್ತು ಹೆಚ್ಚಿನ-ಕಾಂಟ್ರಾಸ್ಟ್ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳಿಗೆ ಸರಿಯಾದ ಪ್ರಯತ್ನಗಳನ್ನು ಮಾತ್ರ ತೋರಿಸಲಾಗುತ್ತದೆ.ಪಾರದರ್ಶಕ ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳೊಂದಿಗೆ ಮೇಲ್ಮುಖವಾಗಿ ತೇಲುತ್ತಿರುವ ಲ್ಯಾಟಿಸ್ ಮಾದರಿಗಳಿಗೆ ಜೀವಕೋಶಗಳು ಉತ್ತಮವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಿದವು ಮತ್ತು ಈ ಮಾದರಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯು ಹೆಚ್ಚುತ್ತಿರುವ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಯಿತು.c, d ಗಳು a ಮತ್ತು b ನಲ್ಲಿರುವಂತೆ ಒಂದೇ ರೀತಿಯ ಸಂಪ್ರದಾಯಗಳಾಗಿವೆ, ಆದರೆ MT ಕೋಶಗಳಿಗೆ ಮಂಕಿ S ಹೊರತುಪಡಿಸಿ, ಅವುಗಳ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವು ಕೆಳಮುಖವಾದ ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರಿಡ್ ಅನ್ನು ಅತಿಕ್ರಮಿಸುತ್ತದೆ.ಘಟಕವು ಸುಸಂಬದ್ಧ ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳೊಂದಿಗೆ ಕೆಳಮುಖವಾಗಿ ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಆದ್ಯತೆ ನೀಡುತ್ತದೆ ಮತ್ತು ಈ ಮಾದರಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯು ಹೆಚ್ಚುತ್ತಿರುವ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.ಎಲ್ಲಾ ಫಲಕಗಳಲ್ಲಿ, ಮಬ್ಬಾದ ಪ್ರದೇಶವು ಸರಾಸರಿ ಪ್ರಮಾಣಿತ ದೋಷವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.ಮಾತನಾಡಿದರು.ಸ್ಪೈಕ್‌ಗಳು, ಸೆಕೆಂಡುಗಳು.ಎರಡನೇ.
ನಮ್ಮ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳು ಮತ್ತು MT ಚಟುವಟಿಕೆಯಿಂದ ಸೂಚಿಸಲಾದ ಲ್ಯಾಟಿಸ್ ಮೇಲ್ಮೈ ಕಾನ್ಫಿಗರೇಶನ್ (ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ) ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅನ್ವೇಷಿಸಲು, ನಾವು ಮೊದಲು ಸುಸಂಬದ್ಧ ಚಲನೆ (ಧನಾತ್ಮಕ ಇಳಿಜಾರು) ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆ (ಋಣಾತ್ಮಕ ಇಳಿಜಾರು) ಗಾಗಿ ಕೋಶಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಹಿಂಜರಿತದಿಂದ ಹಿಮ್ಮೆಟ್ಟಿಸಿದೆವು.ವ್ಯತಿರಿಕ್ತತೆಗೆ ಹೋಲಿಸಿದರೆ ಚಿಹ್ನೆಯ ಪ್ರತಿಕ್ರಿಯೆ ದರದ ಮೂಲಕ ಕೋಶಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ನೀಡಲಾಗಿದೆ (ಪ್ರತಿ ಮೋಡ್ ದಿಕ್ಕಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ).ಚಿತ್ರ 3 ರಲ್ಲಿನ ಅದೇ ಉದಾಹರಣೆ ಕೋಶದಿಂದ ಈ ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ವಕ್ರಾಕೃತಿಗಳ ಉದಾಹರಣೆಗಳನ್ನು ಚಿತ್ರ 4a ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ವರ್ಗೀಕರಣದ ನಂತರ, ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳ ಮಾಡ್ಯುಲೇಶನ್‌ಗೆ ಪ್ರತಿ ಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ನಾವು ರಿಸೀವರ್ ಕಾರ್ಯಕ್ಷಮತೆ ವಿಶ್ಲೇಷಣೆ (ROC) ಅನ್ನು ಬಳಸಿದ್ದೇವೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ).ನರಕೋಶಗಳ ಸೈಕೋಫಿಸಿಕಲ್ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಲ್ಯಾಟಿಸ್ ಟೆಕಶ್ಚರ್‌ಗಳಿಗೆ ನೇರವಾಗಿ ಹೋಲಿಸಲು ಈ ರೀತಿಯಲ್ಲಿ ಪಡೆದ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳನ್ನು ಅದೇ ಅಧಿವೇಶನದಲ್ಲಿ ಕೋತಿಗಳ ಸೈಕೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಹೋಲಿಸಬಹುದು.ಮಾದರಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಘಟಕಗಳಿಗೆ ನಾವು ಎರಡು ಸಿಗ್ನಲ್ ಪತ್ತೆ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಮಾಡಿದ್ದೇವೆ, ಮಾದರಿಯ ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿಗೆ ಪ್ರತ್ಯೇಕ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತೇವೆ (ಮತ್ತೆ, ಮೇಲೆ ಅಥವಾ ಕೆಳಗೆ).ಈ ವಿಶ್ಲೇಷಣೆಗಾಗಿ, ನಾವು ಪ್ರಯೋಗಗಳನ್ನು ಮಾತ್ರ ಸೇರಿಸಿದ್ದೇವೆ, ಇದರಲ್ಲಿ (i) ಪ್ರಚೋದನೆಗಳು ಟೆಕ್ಸ್ಚರ್ ಕ್ಯೂ ಅನ್ನು ಒಳಗೊಂಡಿವೆ ಮತ್ತು (ii) ಕೋತಿಗಳು ಆ ಕ್ಯೂಗೆ ಅನುಗುಣವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ (ಅಂದರೆ, "ಸರಿಯಾದ" ಪ್ರಯೋಗಗಳು).
ಬೆಂಕಿಯ ದರಗಳನ್ನು ಕ್ರಮವಾಗಿ ಟೆಕ್ಸ್ಚರ್ ಚಿಹ್ನೆಯ ಕಾಂಟ್ರಾಸ್ಟ್‌ಗೆ ವಿರುದ್ಧವಾಗಿ ಯೋಜಿಸಲಾಗಿದೆ, ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳು ಮೇಲಕ್ಕೆ (ಎಡ) ಅಥವಾ ಕೆಳಕ್ಕೆ (ಬಲಕ್ಕೆ) ಬದಲಾಯಿಸಲು, ಘನ ರೇಖೆಯು ಅತ್ಯುತ್ತಮ ಫಿಟ್ ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ಮೇಲಿನ (ಕೆಳಗಿನ) ಸಾಲಿನಲ್ಲಿರುವ ಡೇಟಾವನ್ನು ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಅಕ್ಕಿ.3a ಕೋಶ, b (Fig. 3c, d).ಪ್ರತಿ ಕೋಶ/ಲ್ಯಾಟಿಸ್ ಓರಿಯಂಟೇಶನ್ ಸಂಯೋಜನೆಗೆ ಆದ್ಯತೆಯ ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳನ್ನು (ಸುಸಂಬದ್ಧ/ಪಾರದರ್ಶಕ) ನಿಯೋಜಿಸಲು ರಿಗ್ರೆಶನ್ ಇಳಿಜಾರಿನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಲಾಗಿದೆ (ಪ್ರತಿ ಪ್ರಚೋದಕ ಸ್ಥಿತಿಗೆ n ≥ 20 ಪ್ರಯೋಗಗಳು).ದೋಷ ಪಟ್ಟಿಗಳು ಸರಾಸರಿ ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ.ಬಾದಲ್ಲಿ ತೋರಿಸಿರುವ ಘಟಕಗಳ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳನ್ನು ಅದೇ ಅವಧಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಿದ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳೊಂದಿಗೆ ವಿವರಿಸಲಾಗಿದೆ.ಈಗ, ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ, ನಾವು ಆದ್ಯತೆಯ ಟೂಲ್‌ಟಿಪ್ ಆಯ್ಕೆಯನ್ನು (ಆರ್ಡಿನೇಟ್) (ಪಠ್ಯವನ್ನು ನೋಡಿ) ವಿನ್ಯಾಸದ ಚಿಹ್ನೆಯ ಕಾಂಟ್ರಾಸ್ಟ್‌ನ ಶೇಕಡಾವಾರು (abscissa) ಎಂದು ರೂಪಿಸುತ್ತೇವೆ.ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಅನ್ನು ಬದಲಾಯಿಸಲಾಗಿದೆ ಆದ್ದರಿಂದ ಆದ್ಯತೆಯ ಟೂಲ್‌ಟಿಪ್‌ಗಳು ಧನಾತ್ಮಕವಾಗಿರುತ್ತವೆ ಮತ್ತು ಖಾಲಿ ಟೂಲ್‌ಟಿಪ್‌ಗಳು ಋಣಾತ್ಮಕವಾಗಿರುತ್ತವೆ.ಮೇಲ್ಮುಖವಾಗಿ (ಕೆಳಮುಖವಾಗಿ) ಡ್ರಿಫ್ಟಿಂಗ್ ಗ್ರಿಡ್‌ಗಳಿಂದ ಡೇಟಾವನ್ನು ಎಡ (ಬಲ) ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ, ಮೇಲಿನ (ಕೆಳಗಿನ) ಸಾಲುಗಳಲ್ಲಿ - Fig. 3a,b (Fig. 3c,d) ನಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಗಳಿಂದ ಡೇಟಾ.ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮತ್ತು ಸೈಕೋಮೆಟ್ರಿಕ್ ಥ್ರೆಶೋಲ್ಡ್ (N/P) ಅನುಪಾತಗಳನ್ನು ಪ್ರತಿ ಫಲಕದಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಮಾತನಾಡಿದರು.ಸ್ಪೈಕ್‌ಗಳು, ಸೆಕೆಂಡುಗಳು.ಸೆಕೆಂಡ್, ಡೈರೆಕ್ಟರಿ.ನಿರ್ದೇಶನ, ಪ್ರಾಂತ ಆದ್ಯತೆ, ಸೈ.ಸೈಕೋಮೆಟ್ರಿ, ನರವಿಜ್ಞಾನ.
ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳು ಮತ್ತು ಎರಡು ಪ್ರಾತಿನಿಧಿಕ MT ಕೋಶಗಳ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಮತ್ತು ಅವುಗಳ ಸಂಬಂಧಿತ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳನ್ನು ಈ ಪ್ರತಿಕ್ರಿಯೆಗಳೊಂದಿಗೆ ಒಟ್ಟುಗೂಡಿಸಲಾಗಿದ್ದು, ಕ್ರಮವಾಗಿ ಚಿತ್ರ 4a,b ನ ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಈ ಕೋಶಗಳು ಸ್ಥೂಲವಾಗಿ ಏಕತಾನತೆಯ ಹೆಚ್ಚಳ ಅಥವಾ ಇಳಿಕೆಯನ್ನು ತೋರಿಸುತ್ತವೆ ಏಕೆಂದರೆ ವಿನ್ಯಾಸದ ಸುಳಿವು ಪಾರದರ್ಶಕದಿಂದ ಸುಸಂಬದ್ಧತೆಗೆ ಹೋಗುತ್ತದೆ.ಇದರ ಜೊತೆಗೆ, ಈ ಬಂಧದ ದಿಕ್ಕು ಮತ್ತು ಬಲವು ಲ್ಯಾಟಿಸ್ ಚಲನೆಯ ದಿಕ್ಕನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.ಅಂತಿಮವಾಗಿ, ಈ ಕೋಶಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಂದ ಲೆಕ್ಕಹಾಕಿದ ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಏಕಮುಖ ಗ್ರಿಡ್ ಚಲನೆಯ ಸೈಕೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಮಾತ್ರ ಸಮೀಪಿಸುತ್ತವೆ (ಆದರೆ ಇನ್ನೂ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ).ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮತ್ತು ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳೆರಡನ್ನೂ ಥ್ರೆಶೋಲ್ಡ್‌ಗಳೊಂದಿಗೆ ಸಂಕ್ಷೇಪಿಸಲಾಗಿದೆ, ಅಂದರೆ ಸರಿಯಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ವ್ಯತಿರಿಕ್ತತೆಯ ಸುಮಾರು 84% ಗೆ ಅನುರೂಪವಾಗಿದೆ (ಸರಿಹೊಂದಿದ ಸಂಚಿತ ಗಾಸಿಯನ್ ಕಾರ್ಯದ ಸರಾಸರಿ + 1 sd ಗೆ ಅನುಗುಣವಾಗಿ).ಸಂಪೂರ್ಣ ಮಾದರಿಯಾದ್ಯಂತ, N/P ಅನುಪಾತ, ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮಿತಿಯ ಅನುಪಾತವು ಸೈಕೋಮೆಟ್ರಿಕ್ ಒಂದಕ್ಕೆ ಸರಾಸರಿ 12.4 ± 1.2 ಮಂಕಿ N ನಲ್ಲಿ ಮತ್ತು 15.9 ± 1.8 ಮಂಕಿ S ನಲ್ಲಿ, ಮತ್ತು ಲ್ಯಾಟಿಸ್ ಕನಿಷ್ಠ ಒಂದು ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸಲು, ಕೇವಲ ~16% (18).%) ಮಂಕಿ N (ಮಂಕಿ S) ನಿಂದ ಘಟಕಗಳು (Fig. 5a).ಚಿತ್ರದಲ್ಲಿ ತೋರಿಸಿರುವ ಸೆಲ್ ಉದಾಹರಣೆಯಿಂದ.ಚಿತ್ರಗಳು 3 ಮತ್ತು 4 ರಲ್ಲಿ ನೋಡಿದಂತೆ, ನರಕೋಶಗಳ ಸೂಕ್ಷ್ಮತೆಯು ಜೀವಕೋಶದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಸಲಾದ ಲ್ಯಾಟಿಸ್ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ಸಂಬಂಧದಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ.ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, Fig. 3a,c ನಲ್ಲಿನ ದೃಷ್ಟಿಕೋನ ಹೊಂದಾಣಿಕೆ ವಕ್ರಾಕೃತಿಗಳು ಒಂದೇ ಸೈನುಸೈಡಲ್ ರಚನೆಯ ನರಕೋಶದ ದೃಷ್ಟಿಕೋನ ಸೆಟ್ಟಿಂಗ್ ಮತ್ತು ನಮ್ಮ ರಚನೆಯ ರಚನೆಯಲ್ಲಿ ಪಾರದರ್ಶಕ/ಸುಸಂಬದ್ಧ ಚಲನೆಗೆ ಅದರ ಸೂಕ್ಷ್ಮತೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ. ಇದು ಎರಡೂ ಕೋತಿಗಳಿಗೆ (ANOVA; 10 ° ರೆಸಲ್ಯೂಶನ್‌ನೊಂದಿಗೆ ಬಿನ್ ಮಾಡಿದ ಸಂಬಂಧಿತ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳು; ಮಂಕಿ N: F = 2.12, p <0.01; Monkey S: F = 2.01, p <0.01). ಇದು ಎರಡೂ ಕೋತಿಗಳಿಗೆ (ANOVA; 10 ° ರೆಸಲ್ಯೂಶನ್‌ನೊಂದಿಗೆ ಬಿನ್ ಮಾಡಿದ ಸಂಬಂಧಿತ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳು; ಮಂಕಿ N: F = 2.12, p <0.01; Monkey S: F = 2.01, p <0.01). ಈ ಮಾದರಿಯ ಮೆಸ್ಟೊ ಒಬೆಯಿಹ್ ಒಬೆಜಿಯನ್ (ANOVA; ಒಟ್ನೊಸಿಟೆಲಿನಿ ಪ್ರೊಡ್ಪೋಚ್ಟಿಥೆಲ್ ನ್ಯಾಪ್ರೊಲೆನಿಯಮ್ ಒಬ್ಜೆಡಿನೆನ್ಸ್ ವಿ; обезьяна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ಇದು ಎರಡೂ ಕೋತಿಗಳಿಗೆ (ANOVA; 10 ° ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಗುಂಪು ಮಾಡಲಾದ ಸಂಬಂಧಿತ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳು; ಮಂಕಿ N: F=2.12, p<0.01; ಮಂಕಿ 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, ；猴子S: F = 2.01, p <0.01).两 只 猴子 都 是 这 种<0.01 ；: ಎಫ್ = 2.01, ಪು <0.01, ))) ಈ ಮಾದರಿಯ ಮೆಸ್ಟೋ ಒಬೆಯಿಹ್ ಒಬೆಸಿಯಾನ್ (ANOVA; ಒಟ್ನೊಸಿಟೆಲ್ನ ಪ್ರೆಡ್ಪೋಚ್ಟಿಥೆಲ್ನಯಾ ಒರಿಯೆಂಟಸಿಯಾ ಒಬ್ರೆಡಿನೇನಾ ಪ್ರೊ;10; F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ಇದು ಎರಡೂ ಕೋತಿಗಳಿಗೆ (ANOVA; 10 ° ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಸಂಬಂಧಿತ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ; ಮಂಕಿ N: F=2.12, p<0.01; ಮಂಕಿ S: F=2.01, p<0.01).ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯ (Fig. 5a) ದೊಡ್ಡ ಮಟ್ಟದ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿದರೆ, ಸಂಬಂಧಿತ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನಗಳ ಮೇಲೆ ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯ ಅವಲಂಬನೆಯನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಸಲುವಾಗಿ, ನಾವು ಮೊದಲು ಪ್ರತಿ ಕೋಶದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಗ್ರಿಡ್ ಮಾದರಿಯ ಚಲನೆಗೆ "ಅತ್ಯುತ್ತಮ" ದೃಷ್ಟಿಕೋನಕ್ಕೆ (ಅಂದರೆ ದಿಕ್ಕಿನಲ್ಲಿ) ಸಾಮಾನ್ಯಗೊಳಿಸಿದ್ದೇವೆ.ಇದರಲ್ಲಿ ಗ್ರ್ಯಾಟಿಂಗ್ ಆದ್ಯತೆಯ ಜೀವಕೋಶದ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ಚಿಕ್ಕ ಕೋನವನ್ನು ರೂಪಿಸುತ್ತದೆ).ನ್ಯೂರಾನ್‌ಗಳ ಸಾಪೇಕ್ಷ ಮಿತಿಗಳು ("ಕೆಟ್ಟ" ಲ್ಯಾಟಿಸ್ ದೃಷ್ಟಿಕೋನ / "ಅತ್ಯುತ್ತಮ" ಲ್ಯಾಟಿಸ್ ಓರಿಯಂಟೇಶನ್‌ಗಾಗಿ ಮಿತಿ) ಈ ಸಾಮಾನ್ಯಗೊಳಿಸಿದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನದೊಂದಿಗೆ ಬದಲಾಗಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ಈ ಮಿತಿ ಅನುಪಾತದಲ್ಲಿ ಗರಿಷ್ಠಗಳು ಮಾದರಿಗಳು ಅಥವಾ ಘಟಕ ದೃಷ್ಟಿಕೋನಗಳ ಸುತ್ತಲೂ ಸಂಭವಿಸುತ್ತವೆ (ಚಿತ್ರ 5b).)) ಪ್ಲೈಡ್ ಪ್ಯಾಟರ್ನ್ ಅಥವಾ ಕಾಂಪೊನೆಂಟ್ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರ ಕಡೆಗೆ ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಘಟಕಗಳಲ್ಲಿನ ಆದ್ಯತೆಯ ದಿಕ್ಕುಗಳ ವಿತರಣೆಯಲ್ಲಿನ ಪಕ್ಷಪಾತದಿಂದ ಈ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಲಾಗಲಿಲ್ಲ (ಚಿತ್ರ 5c; ರೇಲೀ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 8.33, p <10−3, ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ = 190.13 ಡಿಗ್ರಿ ± 9.83 ಡಿಗ್ರೇಡ್ ಮತ್ತು ಮಂಕಿ 5 ಅಡ್ಡಲಾಗಿ 9.83 deg; p. 4 p. ಐಡಿ ಇಂಟರ್-ಗ್ರೇಟಿಂಗ್ ಕೋನಗಳು (ಪೂರಕ ಚಿತ್ರ 2). ಪ್ಲೈಡ್ ಮಾದರಿ ಅಥವಾ ಘಟಕ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರ ಕಡೆಗೆ ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಘಟಕಗಳಲ್ಲಿನ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳ ವಿತರಣೆಯಲ್ಲಿನ ಪಕ್ಷಪಾತದಿಂದ ಈ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಲಾಗಲಿಲ್ಲ (Fig. 5c; ರೇಲೀ ಪರೀಕ್ಷೆ; ಮಂಕಿ N: z = 8.33, p <10−3 , ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ = 190.13 deg ± 9.83 z. 5 ಮಂಕಿ ಅಡ್ಡಲಾಗಿ: 9 =0 z. ಪ್ಲೈಡ್ ಇಂಟರ್-ಗ್ರೇಟಿಂಗ್ ಕೋನಗಳು (ಪೂರಕ ಚಿತ್ರ 2). ಎಫ಼ೆಕ್ಟ್ ನೆಲ್ಜಿಯಾ ಬ್ಯ್ಲೊ ಒಬ್ಯಾಸ್ನಿಟ್ ಸ್ಮೆಸ್ನಿಯೆಮ್ ರಾಸ್ಪ್ರೆಡೆಲೆನಿಯ ಪ್ರೆಡ್ಪೋಚ್ಟಿಲೆನಿಯಮ್ ನ್ಯಾಪ್ರ್ಯಾವ್ಲೆನಿವ್ ಸ್ಟ್ಯಾಬ್ಲೆನಿಕ್ಸ್ ಸ್ಟೊರೊನು ಒಡ್ನೊಗೊ ಇಸ್ ಕ್ಲೆಟ್ಚಾಟಿಕ್ ನಪ್ರವ್ಲೇನಿ ಅಥವಾ ನ್ಯಾಪ್ರವ್ಲೆನಿ ಕಾಂಪೊನೆಂಟೊವ್ (ರಿಸ್. 5-1; ಕ್ರಿಟೇರಿ ರೈಝ್ಯಾ, <p:30; 8:30). ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಯೂನಿಟ್‌ಗಳಲ್ಲಿನ ಆದ್ಯತೆಯ ನಿರ್ದೇಶನಗಳ ವಿತರಣೆಯ ಮೂಲಕ ಈ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಲಾಗಲಿಲ್ಲ (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 ಗ್ರಿಡ್‌ನ ಎಲ್ಲಾ ಮೂಲೆಗಳಿಗೆ ಒಂದೇ ಆಗಿರುತ್ತದೆ (ಪೂರಕ ಚಿತ್ರ 2).ಚಿತ್ರ 5c；瑞利测试；猴子N在格子间光栅角上是一致的（补充图2）。ಚಿತ್ರ圆形 圆形 圆形 圆形 圆形 圆形 圆形z ಎಫೆಕ್ಟ್ ಇಲ್ಲ ಎಷೆನೋ ಲಿಬೋ ವ್ ಸ್ಟೊರೊನು ಸ್ಟ್ರಕ್ಚರ್ ರೆಶೆಟ್ಕಿ, ಲಿಬೋ ವಿ ಸ್ಟೊರೊನು ಒಡ್ನೋಯ್ ಐಝ್ ಓರಿಯೆಂಟೈಸ್ ಕಾಂಪೊನೆಂಟೋವ್ (ರಿಸ್. 5; N: z = 8,33, p <10-3). ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಜೀವಕೋಶಗಳಲ್ಲಿನ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನಗಳ ವಿತರಣೆಯು ಲ್ಯಾಟಿಸ್ ರಚನೆಯ ಕಡೆಗೆ ಅಥವಾ ಒಂದು ಘಟಕ ದೃಷ್ಟಿಕೋನದ ಕಡೆಗೆ ಪಕ್ಷಪಾತವನ್ನು ಹೊಂದಿದೆ ಎಂಬ ಅಂಶದಿಂದ ಈ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸಲಾಗುವುದಿಲ್ಲ (Fig. 5c; Rayleigh's test; Monkey N: z = 8.33, p <10-3)., ವೃತ್ತಾಕಾರದ ಸರಾಸರಿ) = 190.13 ಡಿಗ್ರಿ ± 9.83 ಡಿಗ್ರಿ;ಮಂಕಿ S: z = 0.79, p = 0.45) ಮತ್ತು ಗ್ರಿಡ್‌ಗಳ ನಡುವಿನ ಲ್ಯಾಟಿಸ್ ಕೋನಗಳಲ್ಲಿ ಸಮಾನವಾಗಿರುತ್ತದೆ (ಪೂರಕ ಚಿತ್ರ 2).ಹೀಗಾಗಿ, ಟೆಕ್ಸ್ಚರ್ಡ್ ಗ್ರಿಡ್‌ಗಳಿಗೆ ನ್ಯೂರಾನ್‌ಗಳ ಸೂಕ್ಷ್ಮತೆಯು ಎಂಟಿ ಟ್ಯೂನಿಂಗ್‌ನ ಮೂಲಭೂತ ಗುಣಲಕ್ಷಣಗಳ ಮೇಲೆ ಕನಿಷ್ಠ ಭಾಗಶಃ ಅವಲಂಬಿತವಾಗಿದೆ.
ಎಡ ಫಲಕವು N/P ಅನುಪಾತಗಳ ವಿತರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ (ನ್ಯೂರಾನ್/ಸೈಕೋಫಿಸಿಯೋಲಾಜಿಕಲ್ ಥ್ರೆಶೋಲ್ಡ್);ಪ್ರತಿ ಕೋಶವು ಎರಡು ಡೇಟಾ ಬಿಂದುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಮಾದರಿಯು ಚಲಿಸುವ ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿಗೆ ಒಂದು.ಬಲ ಫಲಕವು ಮಾದರಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಘಟಕಗಳಿಗೆ ಸೈಕೋಫಿಸಿಕಲ್ ಥ್ರೆಶೋಲ್ಡ್‌ಗಳನ್ನು (ಆರ್ಡಿನೇಟ್) ಮತ್ತು ನ್ಯೂರೋನಲ್ ಥ್ರೆಶೋಲ್ಡ್‌ಗಳನ್ನು (ಅಬ್ಸಿಸ್ಸಾ) ರೂಪಿಸುತ್ತದೆ.ಮೇಲಿನ (ಕೆಳಗಿನ) ಸಾಲಿನಲ್ಲಿರುವ ಡೇಟಾವು ಮಂಕಿ ಎನ್ (ಎಸ್) ನಿಂದ ಬಂದಿದೆ.b ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಥ್ರೆಶೋಲ್ಡ್ ಅನುಪಾತಗಳು ಸೂಕ್ತವಾದ ಲ್ಯಾಟಿಸ್ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಆದ್ಯತೆಯ ಕೋಶದ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ವ್ಯತ್ಯಾಸದ ಪರಿಮಾಣದ ವಿರುದ್ಧ ರೂಪಿಸಲಾಗಿದೆ."ಅತ್ಯುತ್ತಮ" ದಿಕ್ಕನ್ನು ಗ್ರ್ಯಾಟಿಂಗ್ ರಚನೆಯ ದಿಕ್ಕು ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ (ಒಂದೇ ಸೈನುಸೈಡಲ್ ಗ್ರ್ಯಾಟಿಂಗ್ನೊಂದಿಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ) ಆದ್ಯತೆಯ ಕೋಶದ ದಿಕ್ಕಿಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ.ಡೇಟಾವನ್ನು ಮೊದಲು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನದಿಂದ (10 ° ಬಿನ್‌ಗಳು) ಬಿನ್ ಮಾಡಲಾಯಿತು, ನಂತರ ಮಿತಿ ಅನುಪಾತಗಳನ್ನು ಗರಿಷ್ಠ ಮೌಲ್ಯಕ್ಕೆ ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಬಿನ್‌ನಲ್ಲಿ ಸರಾಸರಿ ಮಾಡಲಾಗುತ್ತದೆ.ಲ್ಯಾಟಿಸ್ ಘಟಕಗಳ ದೃಷ್ಟಿಕೋನಕ್ಕಿಂತ ಸ್ವಲ್ಪ ದೊಡ್ಡದಾದ ಅಥವಾ ಚಿಕ್ಕದಾದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಹೊಂದಿರುವ ಕೋಶಗಳು ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನಕ್ಕೆ ಸೂಕ್ಷ್ಮತೆಯ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿವೆ.c ಪ್ರತಿ ಕೋತಿಯಲ್ಲಿ ದಾಖಲಿಸಲಾದ ಎಲ್ಲಾ MT ಘಟಕಗಳ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ವಿತರಣೆಯ ಪಿಂಕ್ ಹಿಸ್ಟೋಗ್ರಾಮ್.
ಅಂತಿಮವಾಗಿ, MT ಯ ಪ್ರತಿಕ್ರಿಯೆಯು ಗ್ರ್ಯಾಟಿಂಗ್ ಚಲನೆಯ ನಿರ್ದೇಶನ ಮತ್ತು ನಮ್ಮ ವಿಭಾಗದ ಸಂಕೇತಗಳ (ವಿನ್ಯಾಸ) ವಿವರಗಳಿಂದ ಮಾಡ್ಯುಲೇಟ್ ಆಗಿದೆ.ನರಕೋಶದ ಮತ್ತು ಸೈಕೋಫಿಸಿಕಲ್ ಸೂಕ್ಷ್ಮತೆಯ ಹೋಲಿಕೆಯು ಸಾಮಾನ್ಯವಾಗಿ, MT ಘಟಕಗಳು ಕೋತಿಗಳಿಗಿಂತ ವ್ಯತಿರಿಕ್ತ ವಿನ್ಯಾಸದ ಸಂಕೇತಗಳಿಗೆ ಕಡಿಮೆ ಸಂವೇದನಾಶೀಲತೆಯನ್ನು ತೋರಿಸಿದೆ.ಆದಾಗ್ಯೂ, ನ್ಯೂರಾನ್‌ನ ಸೂಕ್ಷ್ಮತೆಯು ಘಟಕದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಗ್ರಿಡ್ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಅವಲಂಬಿಸಿ ಬದಲಾಗಿದೆ.ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಕೋಶಗಳು ಓರಿಯೆಂಟೇಶನಲ್ ಪ್ರಾಶಸ್ತ್ಯಗಳನ್ನು ಹೊಂದಿದ್ದು ಅದು ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯನ್ನು ಅಥವಾ ಘಟಕದ ದೃಷ್ಟಿಕೋನಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಹುತೇಕ ಆವರಿಸಿದೆ ಮತ್ತು ನಮ್ಮ ಮಾದರಿಗಳ ಒಂದು ಸಣ್ಣ ಉಪವಿಭಾಗವು ಕೋತಿಗಳ ವ್ಯತಿರಿಕ್ತ ವ್ಯತ್ಯಾಸಗಳ ಗ್ರಹಿಕೆಗಿಂತ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಅಥವಾ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ.ಈ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಘಟಕಗಳ ಸಂಕೇತಗಳು ಮಂಗಗಳಲ್ಲಿನ ಗ್ರಹಿಕೆಯೊಂದಿಗೆ ಹೆಚ್ಚು ನಿಕಟವಾಗಿ ಸಂಬಂಧಿಸಿವೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು, ನಾವು ಗ್ರಹಿಕೆ ಮತ್ತು ನರಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ.
ನರಗಳ ಚಟುವಟಿಕೆ ಮತ್ತು ನಡವಳಿಕೆಯ ನಡುವಿನ ಸಂಪರ್ಕವನ್ನು ಸ್ಥಾಪಿಸುವಲ್ಲಿ ಪ್ರಮುಖ ಹಂತವೆಂದರೆ ನಿರಂತರ ಪ್ರಚೋದಕಗಳಿಗೆ ನರಕೋಶಗಳು ಮತ್ತು ವರ್ತನೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸುವುದು.ವಿಭಜನಾ ತೀರ್ಪುಗಳಿಗೆ ನರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಲಿಂಕ್ ಮಾಡಲು, ಒಂದೇ ರೀತಿಯದ್ದಾಗಿದ್ದರೂ, ವಿಭಿನ್ನ ಪ್ರಯೋಗಗಳಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿ ಗ್ರಹಿಸುವ ಪ್ರಚೋದನೆಯನ್ನು ರಚಿಸುವುದು ನಿರ್ಣಾಯಕವಾಗಿದೆ.ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ, ಶೂನ್ಯ ವಿನ್ಯಾಸದ ಕಾಂಟ್ರಾಸ್ಟ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ನಿಂದ ಇದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ.ಪ್ರಾಣಿಗಳ ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ, ಕನಿಷ್ಠ (~20% ಕ್ಕಿಂತ ಕಡಿಮೆ) ಟೆಕ್ಸ್ಚುರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಹೊಂದಿರುವ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಎಂದು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ.
ಎಂಟಿ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಗ್ರಹಿಕೆಯ ವರದಿಗಳೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ಪ್ರಮಾಣವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು, ನಾವು ನಮ್ಮ ಗ್ರಿಡ್ ಡೇಟಾದ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆ (CP) ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸಿದ್ದೇವೆ (ನೋಡಿ 3).ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, CP ಒಂದು ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಅಲ್ಲದ, ಪ್ರಮಾಣಿತವಲ್ಲದ ಅಳತೆಯಾಗಿದ್ದು ಅದು ಸ್ಪೈಕ್ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಗ್ರಹಿಕೆಯ ತೀರ್ಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತದೆ.ಶೂನ್ಯ ಟೆಕ್ಸ್ಚುರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ನೊಂದಿಗೆ ಗ್ರಿಡ್‌ಗಳನ್ನು ಬಳಸುವ ಪ್ರಯೋಗಗಳಿಗೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ಬಂಧಿಸುವುದು ಮತ್ತು ಈ ಪ್ರತಿಯೊಂದು ಪ್ರಯೋಗಗಳಿಗೆ ಕೋತಿಗಳು ಕನಿಷ್ಠ ಐದು ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಿದ ಅವಧಿಗಳು, ನಾವು ಗ್ರಿಡ್ ಚಲನೆಯ ಪ್ರತಿಯೊಂದು ದಿಕ್ಕಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ SR ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ. ಕೋತಿಗಳಾದ್ಯಂತ, ನಾವು ಆಕಸ್ಮಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸುವುದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಸರಾಸರಿ CP ಮೌಲ್ಯವನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (Fig. 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 0.5 ಮಂಕಿ ಶೂನ್ಯದ ವಿರುದ್ಧ ಎರಡು-ಬದಿಯ t-ಪರೀಕ್ಷೆ: p = 0.5, t = 6.7 95% CI: (0.54, 0.57), ಎರಡು ಬದಿಯ t-ಪರೀಕ್ಷೆ, t = 9.4, p <10−13). ಕೋತಿಗಳಾದ್ಯಂತ, ನಾವು ಆಕಸ್ಮಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸುವುದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಸರಾಸರಿ CP ಮೌಲ್ಯವನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (Fig. 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 0.5 ಮಂಕಿ ಶೂನ್ಯದ ವಿರುದ್ಧ ಎರಡು-ಬದಿಯ t-ಪರೀಕ್ಷೆ: p = 0.5, t = 6.7 95% CI: (0.54, 0.57), ಎರಡು ಬದಿಯ t-ಪರೀಕ್ಷೆ, t = 9.4, p <10−13) .ಮಂಗಗಳಲ್ಲಿ, ನಾವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಿದ್ದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಸರಾಸರಿ CP ಅನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (Fig. 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), ಎರಡು-ಬಾಲದ t-ಪರೀಕ್ಷೆ ವಿರುದ್ಧ 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 S: ಸರಾಸರಿ CP: 0.55, 95% CI: (0.54, 0.57), ಎರಡು-ಬಾಲದ t-ಪರೀಕ್ಷೆ, t = 9.4, p <10-13).在猴子中,我们观察到平均CP （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, 5.5 CI), (0.55, 95%检验, t = 9.4, p <10−13) .ಚಿತ್ರ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 ಸೊಸೈಟಿ ಸಿಪಿ, ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ಪ್ರಚಾರ ಮಾಡಲಾಗಿದೆ ಎಝಿಯಾನಾ ಎನ್: ಸ್ರೇಡ್ನೆ ಸಿಪಿ: 0,54, 95% ಡಿಜೆ: (0,53, 0,56), ದಿನವಿಡಿ ಟಿ-ಟೆಸ್ಟ್ ಸಿಪಿ ಪ್ರೊಟೀವ್ ನ್ಯೂಲ್ = 0,5, ಟಿ = 61,9 ಸಿಪಿ : 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10- 13) . ಕೋತಿಗಳಲ್ಲಿ, ನಾವು ಆಕಸ್ಮಿಕವಾಗಿ ನಿರೀಕ್ಷಿಸಬಹುದಾದ ಸರಾಸರಿ CP ಮೌಲ್ಯಗಳನ್ನು ಗಮನಿಸಿದ್ದೇವೆ (ಚಿತ್ರ 6a, d; ಮಂಕಿ N: ಸರಾಸರಿ CP: 0.54, 95% CI: (0.53, 0.56), ಎರಡು-ಬಾಲದ t-ಪರೀಕ್ಷೆ CP ವಿರುದ್ಧ ಸೊನ್ನೆ = 0.5, t = 6.5 ಮಂಕಿ: 5%, CP, 5%, p. CI: (0.54, 0.57), ಎರಡು-ಬಾಲದ t- ಮಾನದಂಡ, t = 9.4, p <10-13).ಹೀಗಾಗಿ, MT ನ್ಯೂರಾನ್‌ಗಳು ಯಾವುದೇ ಸ್ಪಷ್ಟವಾದ ವಿಭಜನೆಯ ಸೂಚನೆಗಳ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿಯೂ ಸಹ ಹೆಚ್ಚು ಬಲವಾಗಿ ಉರಿಯುತ್ತವೆ, ಲ್ಯಾಟಿಸ್ ಚಲನೆಯ ಪ್ರಾಣಿಗಳ ಗ್ರಹಿಕೆಯು ಜೀವಕೋಶದ ಆದ್ಯತೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.
ಮಂಕಿ N ನಿಂದ ರೆಕಾರ್ಡ್ ಮಾಡಲಾದ ಮಾದರಿಗಳಿಗೆ ವಿನ್ಯಾಸ ಸಂಕೇತಗಳಿಲ್ಲದ ಗ್ರಿಡ್‌ಗಳಿಗೆ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆ. ಪ್ರತಿ ಕೋಶವು ಎರಡು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳವರೆಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು (ಗ್ರಿಡ್ ಚಲನೆಯ ಪ್ರತಿ ದಿಕ್ಕಿಗೆ ಒಂದು).ಯಾದೃಚ್ಛಿಕ (ಬಿಳಿ ಬಾಣಗಳು) ಮೇಲಿನ ಸರಾಸರಿ CP ಮೌಲ್ಯವು ಒಟ್ಟಾರೆಯಾಗಿ MT ಚಟುವಟಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆ ನಡುವೆ ಮಹತ್ವದ ಸಂಬಂಧವಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.b ಯಾವುದೇ ಸಂಭಾವ್ಯ ಆಯ್ಕೆ ಪಕ್ಷಪಾತದ ಪರಿಣಾಮವನ್ನು ಪರೀಕ್ಷಿಸಲು, ಕೋತಿಗಳು ಕನಿಷ್ಠ ಒಂದು ದೋಷವನ್ನು ಮಾಡಿದ ಯಾವುದೇ ಪ್ರಚೋದನೆಗಾಗಿ ನಾವು ಪ್ರತ್ಯೇಕವಾಗಿ CP ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ.ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಗಳನ್ನು ಎಲ್ಲಾ ಪ್ರಚೋದಕಗಳಿಗೆ (ಎಡ) ಆಯ್ಕೆ ಅನುಪಾತ (ಪೂರ್ವ/ಶೂನ್ಯ) ಮತ್ತು ವಿನ್ಯಾಸದ ಸಂಪೂರ್ಣ ಮೌಲ್ಯಗಳು ಕಾಂಟ್ರಾಸ್ಟ್ (ಬಲ, 120 ಪ್ರತ್ಯೇಕ ಕೋಶಗಳಿಂದ ಡೇಟಾ) ಯ ಕಾರ್ಯವಾಗಿ ರೂಪಿಸಲಾಗಿದೆ.ಎಡ ಫಲಕದಲ್ಲಿರುವ ಘನ ರೇಖೆ ಮತ್ತು ಮಬ್ಬಾದ ಪ್ರದೇಶವು 20-ಪಾಯಿಂಟ್ ಚಲಿಸುವ ಸರಾಸರಿಯ ಸರಾಸರಿ ± ಸೆಮ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.ಹೆಚ್ಚಿನ ಸಿಗ್ನಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಹೊಂದಿರುವ ಗ್ರಿಡ್‌ಗಳಂತಹ ಅಸಮತೋಲಿತ ಆಯ್ಕೆಯ ಅನುಪಾತಗಳೊಂದಿಗೆ ಪ್ರಚೋದನೆಗಳಿಗಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಗಳು ಹೆಚ್ಚು ಭಿನ್ನವಾಗಿರುತ್ತವೆ ಮತ್ತು ಸಾಧ್ಯತೆಗಳ ಸುತ್ತಲೂ ಕ್ಲಸ್ಟರ್ ಆಗಿರುತ್ತವೆ.ಬಲ ಫಲಕದಲ್ಲಿ ಬೂದು-ಮಬ್ಬಾದ ಪ್ರದೇಶವು ಹೆಚ್ಚಿನ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ವೈಶಿಷ್ಟ್ಯಗಳ ವ್ಯತಿರಿಕ್ತತೆಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ.c ದೊಡ್ಡ ಆಯ್ಕೆಯ (ಆರ್ಡಿನೇಟ್) ಸಂಭವನೀಯತೆಯನ್ನು ನರಕೋಶದ (ಅಬ್ಸಿಸ್ಸಾ) ಮಿತಿಗೆ ವಿರುದ್ಧವಾಗಿ ರೂಪಿಸಲಾಗಿದೆ.ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯು ಮಿತಿಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಋಣಾತ್ಮಕವಾಗಿ ಸಂಬಂಧ ಹೊಂದಿದೆ.ಕನ್ವೆನ್ಷನ್ ಡಿಎಫ್ ಎಸಿಯಂತೆಯೇ ಇರುತ್ತದೆ ಆದರೆ ಗಮನಿಸದ ಹೊರತು ಮಂಕಿ ಎಸ್‌ನಿಂದ 157 ಸಿಂಗಲ್ ಡೇಟಾಗೆ ಅನ್ವಯಿಸುತ್ತದೆ.g ಅತ್ಯಧಿಕ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆ (ಆರ್ಡಿನೇಟ್) ಪ್ರತಿ ಎರಡು ಕೋತಿಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಆದ್ಯತೆಯ ದಿಕ್ಕಿಗೆ (ಅಬ್ಸಿಸ್ಸಾ) ವಿರುದ್ಧವಾಗಿ ಯೋಜಿಸಲಾಗಿದೆ.ಪ್ರತಿ MT ಕೋಶವು ಎರಡು ಡೇಟಾ ಬಿಂದುಗಳನ್ನು (ಲ್ಯಾಟಿಸ್ ರಚನೆಯ ಪ್ರತಿ ದಿಕ್ಕಿಗೆ ಒಂದು) ಕೊಡುಗೆ ನೀಡಿದೆ.h ಪ್ರತಿ ಅಂತರ-ರಾಸ್ಟರ್ ಕೋನಕ್ಕೆ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯ ದೊಡ್ಡ ಬಾಕ್ಸ್ ಪ್ಲಾಟ್‌ಗಳು.ಘನ ರೇಖೆಯು ಸರಾಸರಿಯನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಪೆಟ್ಟಿಗೆಯ ಕೆಳಗಿನ ಮತ್ತು ಮೇಲಿನ ಅಂಚುಗಳು ಅನುಕ್ರಮವಾಗಿ 25 ಮತ್ತು 75 ನೇ ಶೇಕಡಾವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ, ವಿಸ್ಕರ್ಸ್ ಇಂಟರ್ಕ್ವಾರ್ಟೈಲ್ ಶ್ರೇಣಿಯ 1.5 ಪಟ್ಟು ವಿಸ್ತರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಈ ಮಿತಿಯನ್ನು ಮೀರಿದ ಔಟ್ಲೈಯರ್ಗಳನ್ನು ಗುರುತಿಸಲಾಗುತ್ತದೆ.ಎಡ (ಬಲ) ಪ್ಯಾನೆಲ್‌ಗಳಲ್ಲಿನ ಡೇಟಾವು 120 (157) ಪ್ರತ್ಯೇಕ N(S) ಮಂಕಿ ಕೋಶಗಳಿಂದ ಬಂದಿದೆ.i ಆಯ್ಕೆಯ ಅತ್ಯಧಿಕ ಸಂಭವನೀಯತೆಯನ್ನು (ಆರ್ಡಿನೇಟ್) ಪ್ರಚೋದನೆಯ (abscissa) ಆರಂಭದ ಸಮಯದ ವಿರುದ್ಧ ಯೋಜಿಸಲಾಗಿದೆ.ಪರೀಕ್ಷೆಯ ಉದ್ದಕ್ಕೂ ಸ್ಲೈಡಿಂಗ್ ಆಯತಗಳಲ್ಲಿ (ಅಗಲ 100 ms, ಹಂತ 10 ms) ದೊಡ್ಡ CP ಅನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಘಟಕಗಳ ಮೇಲೆ ಸರಾಸರಿ ಮಾಡಲಾಗುತ್ತದೆ.
ಕೆಲವು ಹಿಂದಿನ ಅಧ್ಯಯನಗಳು ಸಿಪಿಯು ತಳದ ದರ ವಿತರಣೆಯಲ್ಲಿನ ಸಾಪೇಕ್ಷ ಸಂಖ್ಯೆಯ ಪ್ರಯೋಗಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ ಎಂದು ವರದಿ ಮಾಡಿದೆ, ಅಂದರೆ ಪ್ರತಿ ಆಯ್ಕೆಯ ಅನುಪಾತದಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉಂಟುಮಾಡುವ ಪ್ರಚೋದಕಗಳಿಗೆ ಈ ಅಳತೆಯು ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತದೆ.ನಮ್ಮ ಡೇಟಾದಲ್ಲಿ ಈ ಪರಿಣಾಮವನ್ನು ಪರೀಕ್ಷಿಸಲು, ಚಿಹ್ನೆಯ ವಿನ್ಯಾಸದ ವ್ಯತಿರಿಕ್ತತೆಯ ಹೊರತಾಗಿಯೂ ನಾವು ಎಲ್ಲಾ ಪ್ರಚೋದಕಗಳಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ CP ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ ಮತ್ತು ಕೋತಿಗಳು ಕನಿಷ್ಠ ಒಂದು ತಪ್ಪು ಪ್ರಯೋಗವನ್ನು ನಡೆಸುತ್ತವೆ.ಪ್ರತಿ ಪ್ರಾಣಿಗೆ ಅನುಕ್ರಮವಾಗಿ ಚಿತ್ರ 6b ಮತ್ತು e (ಎಡ ಫಲಕ) ಆಯ್ಕೆಯ ಅನುಪಾತದ (ಪೂರ್ವ/ಶೂನ್ಯ) ವಿರುದ್ಧ CP ಅನ್ನು ರೂಪಿಸಲಾಗಿದೆ.ಚಲಿಸುವ ಸರಾಸರಿಗಳನ್ನು ನೋಡುವಾಗ, ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಆಯ್ಕೆಯ ಆಡ್ಸ್‌ಗಳಲ್ಲಿ CP ಸಂಭವನೀಯತೆಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ, ಆಡ್ಸ್ 0.2 (ಮೇಲಿನ) (0.8) ಕೆಳಗೆ ಬಿದ್ದಾಗ (ಹೆಚ್ಚಳ) ಮಾತ್ರ ಕುಸಿಯುತ್ತದೆ.ಪ್ರಾಣಿಗಳ ಸೈಕೋಮೆಟ್ರಿಕ್ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ, ಈ ಪ್ರಮಾಣದ ಆಯ್ಕೆಯ ಗುಣಾಂಕಗಳು ಹೆಚ್ಚಿನ-ಕಾಂಟ್ರಾಸ್ಟ್ ಟೆಕ್ಸ್ಚರ್ ಸೂಚನೆಗಳೊಂದಿಗೆ (ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ) ಪ್ರಚೋದಕಗಳಿಗೆ ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತದೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ (ಚಿತ್ರ 2a, b ನಲ್ಲಿ ಸೈಕೋಮೆಟ್ರಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡಿ).ಇದು ಹೀಗಿದೆಯೇ ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ವಿಭಜನಾ ಸಂಕೇತಗಳೊಂದಿಗೆ ಪ್ರಚೋದಕಗಳಿಗೆ ಸಹ ಗಮನಾರ್ಹವಾದ ಪಿಸಿ ಮುಂದುವರಿದಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು, ನಾವು PC ಯಲ್ಲಿನ ಸಂಪೂರ್ಣ ಟೆಕ್ಸ್ಚರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಮೌಲ್ಯಗಳ ಪರಿಣಾಮವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ (Fig. 6b, e-right).ನಿರೀಕ್ಷಿಸಿದಂತೆ, ಮಧ್ಯಮ (~20% ಕಾಂಟ್ರಾಸ್ಟ್ ಅಥವಾ ಕಡಿಮೆ) ವಿಭಾಗದ ಸೂಚನೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರಚೋದಕಗಳ ಸಂಭವನೀಯತೆಗಿಂತ CP ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ.
ದೃಷ್ಟಿಕೋನ, ವೇಗ ಮತ್ತು ಅಸಾಮರಸ್ಯ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಗಳಲ್ಲಿ, MT CP ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾದ ನರಕೋಶಗಳಲ್ಲಿ ಅತ್ಯಧಿಕವಾಗಿದೆ, ಬಹುಶಃ ಈ ನ್ಯೂರಾನ್‌ಗಳು ಹೆಚ್ಚು ಮಾಹಿತಿಯುಕ್ತ ಸಂಕೇತಗಳನ್ನು 30,32,33,34 ಒಯ್ಯುತ್ತವೆ.ಈ ಸಂಶೋಧನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಾವು ಗ್ರ್ಯಾಂಡ್ ಸಿಪಿ ನಡುವಿನ ಸಾಧಾರಣ ಆದರೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಗಮನಿಸಿದ್ದೇವೆ, ಅಂಜೂರದ ಬಲಭಾಗದ ಫಲಕದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಟೆಕ್ಸ್ಚರ್ ಕ್ಯೂ ಕಾಂಟ್ರಾಸ್ಟ್‌ಗಳಾದ್ಯಂತ z-ಸ್ಕೋರ್ ಮಾಡಿದ ಫೈರಿಂಗ್ ದರಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ.6b, e, ಮತ್ತು ನರಕೋಶದ ಮಿತಿ (Fig. 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 (Fig. 6c, f; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಮಂಕಿ N: r = -0.12, p = 0.07 ಮಂಕಿ S: r = -0.18, p <10-3).ಈ ಸಂಶೋಧನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, Fig. 6b, e, ಮತ್ತು ನರಕೋಶದ ಥ್ರೆಶೋಲ್ಡ್ (Fig. 6c, f; ಜ್ಯಾಮಿತೀಯ) ಬಲಭಾಗದ ಪ್ಯಾನೆಲ್‌ನಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ಗಳಿಂದ ಪ್ರಚೋದನೆಯ ಆವರ್ತನ z-ಸ್ಕೋರ್‌ನಿಂದ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ದೊಡ್ಡ CP ನಡುವಿನ 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). ಮಂಕಿ ಎನ್: ಆರ್ = -0.12, ಪು = 0.07 ಮಂಕಿ ಎಸ್: ಆರ್ = -0.18, ಪು <10-3).ನೀವು值（图6c,f；几何平均回归；猴子N与 这发和 元 阈值 （图 图 6 ಸಿ 、 ಎಫ್ಈ ಸಂಶೋಧನೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ, Fig. 6b,e ಮತ್ತು ನ್ಯೂರಾನ್ ಥ್ರೆಶೋಲ್ಡ್‌ಗಳಲ್ಲಿ 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: ಆರ್ = -0.18, ಪು <10-3).ಆದ್ದರಿಂದ, ಹೆಚ್ಚು ತಿಳಿವಳಿಕೆ ನೀಡುವ ಘಟಕಗಳ ಸೂಚನೆಗಳು ಮಂಗಗಳಲ್ಲಿನ ವ್ಯಕ್ತಿನಿಷ್ಠ ವಿಂಗಡಣೆಯ ತೀರ್ಪುಗಳೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಸಹವರ್ತಿತ್ವವನ್ನು ತೋರಿಸುತ್ತವೆ, ಇದು ಗ್ರಹಿಕೆಯ ಪಕ್ಷಪಾತಕ್ಕೆ ಸೇರಿಸಲಾದ ಯಾವುದೇ ಪಠ್ಯದ ಸೂಚನೆಗಳನ್ನು ಲೆಕ್ಕಿಸದೆ ಮುಖ್ಯವಾಗಿದೆ.
ನಾವು ಈ ಹಿಂದೆ ಗ್ರಿಡ್ ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಆದ್ಯತೆಯ ನರಕೋಶದ ದೃಷ್ಟಿಕೋನದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸಿದ್ದೇವೆ, CP ಮತ್ತು ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ (Fig. 6g) ನಡುವೆ ಇದೇ ರೀತಿಯ ಸಂಬಂಧವಿದೆಯೇ ಎಂದು ನಾವು ಆಶ್ಚರ್ಯ ಪಡುತ್ತೇವೆ.ಈ ಸಂಬಂಧವು ಮಂಕಿ S (ANOVA; ಮಂಕಿ N: 1.03, p=0.46; ಮಂಕಿ S: F=1.73, p=0.04) ನಲ್ಲಿ ಸ್ವಲ್ಪ ಮಹತ್ವದ್ದಾಗಿತ್ತು.ಯಾವುದೇ ಪ್ರಾಣಿಗಳಲ್ಲಿನ ಲ್ಯಾಟಿಸ್‌ಗಳ ನಡುವಿನ ಲ್ಯಾಟಿಸ್ ಕೋನಗಳಿಗೆ ಸಿಪಿಯಲ್ಲಿ ಯಾವುದೇ ವ್ಯತ್ಯಾಸವನ್ನು ನಾವು ಗಮನಿಸಲಿಲ್ಲ (ಚಿತ್ರ 6h; ANOVA; ಮಂಕಿ N: F = 1.8, p = 0.11; Monkey S: F = 0.32, p = 0. 9).
ಅಂತಿಮವಾಗಿ, ಹಿಂದಿನ ಕೆಲಸವು ಪ್ರಯೋಗದ ಉದ್ದಕ್ಕೂ ಸಿಪಿ ಬದಲಾಗುತ್ತದೆ ಎಂದು ತೋರಿಸಿದೆ.ಕೆಲವು ಅಧ್ಯಯನಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಮೃದುವಾದ ಆಯ್ಕೆಯ ಪರಿಣಾಮದ ನಂತರ ತೀಕ್ಷ್ಣವಾದ ಹೆಚ್ಚಳವನ್ನು ವರದಿ ಮಾಡಿದೆ, 30 ಇತರರು ಪ್ರಯೋಗದ ಅವಧಿಯಲ್ಲಿ ಆಯ್ಕೆ ಸಂಕೇತದಲ್ಲಿ ಸ್ಥಿರವಾದ ಹೆಚ್ಚಳವನ್ನು ವರದಿ ಮಾಡಿದ್ದಾರೆ31.ಪ್ರತಿ ಕೋತಿಗೆ, ನಾವು ಪ್ರತಿ ಯೂನಿಟ್‌ನ CP ಅನ್ನು ಶೂನ್ಯ ಟೆಕ್ಸ್ಚುರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್‌ನೊಂದಿಗೆ (ಕ್ರಮವಾಗಿ ಪ್ಯಾಟರ್ನ್ ಓರಿಯಂಟೇಶನ್ ಪ್ರಕಾರ) 100 ms ಸೆಲ್‌ಗಳಲ್ಲಿ 100 ms ಸೆಲ್‌ಗಳಲ್ಲಿ ಪೂರ್ವ-ಪ್ರಚೋದಕ ಪ್ರಾರಂಭದಿಂದ ಪೋಸ್ಟ್ ಸರಾಸರಿ ಪೂರ್ವ-ಪ್ರಚೋದಕ ಆಫ್‌ಸೆಟ್ ಅನ್ನು ಪೋಸ್ಟ್ ಮಾಡಲು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ.ಎರಡು ಕೋತಿಗಳಿಗೆ ಸರಾಸರಿ CP ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಚಿತ್ರ 6i ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪ್ರಚೋದನೆಯ ಪ್ರಾರಂಭದ ನಂತರ ಸುಮಾರು 500 ms ವರೆಗೆ CP ಯಾದೃಚ್ಛಿಕ ಮಟ್ಟದಲ್ಲಿ ಅಥವಾ ಅದರ ಹತ್ತಿರದಲ್ಲಿಯೇ ಇತ್ತು, ನಂತರ CP ತೀವ್ರವಾಗಿ ಹೆಚ್ಚಾಯಿತು.
ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಬದಲಾಯಿಸುವುದರ ಜೊತೆಗೆ, ಸೆಲ್ ಟ್ಯೂನಿಂಗ್ ಗುಣಲಕ್ಷಣಗಳ ಕೆಲವು ಗುಣಗಳಿಂದ CP ಸಹ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ.ಉದಾಹರಣೆಗೆ, ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯದಲ್ಲಿ CP ಸಾಧನದ ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯದ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ನ ಸಮ್ಮಿತಿಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ ಎಂದು Uka ಮತ್ತು DeAngelis34 ಕಂಡುಹಿಡಿದರು.ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಪ್ಯಾಟರ್ನ್ ಡೈರೆಕ್ಷನ್ ಸೆಲೆಕ್ಟಿವ್ (ಪಿಡಿಎಸ್) ಸೆಲ್‌ಗಳು ಕಾಂಪೊನೆಂಟ್ ಡೈರೆಕ್ಷನ್ ಸೆಲೆಕ್ಟಿವ್ (ಸಿಡಿಎಸ್) ಸೆಲ್‌ಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಂವೇದನಾಶೀಲವಾಗಿದೆಯೇ ಎಂಬುದು ಸಂಬಂಧಿತ ಪ್ರಶ್ನೆಯಾಗಿದೆ.PDS ಕೋಶಗಳು ಬಹು ಸ್ಥಳೀಯ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಗಳ ಸಾಮಾನ್ಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ, ಆದರೆ CDS ಕೋಶಗಳು ದಿಕ್ಕಿನ ಮಾದರಿಯ ಘಟಕಗಳ ಚಲನೆಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ (Fig. 7a).
ಮೋಡ್ ಕಾಂಪೊನೆಂಟ್ ಟ್ಯೂನಿಂಗ್ ಪ್ರಚೋದನೆಯ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಪ್ರಾತಿನಿಧ್ಯ ಮತ್ತು ಕಾಲ್ಪನಿಕ ಗ್ರ್ಯಾಟಿಂಗ್ (ಎಡ) ಮತ್ತು ಗ್ರೇಟಿಂಗ್ ಓರಿಯಂಟೇಶನ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳು (ಬಲ) (ಮೆಟೀರಿಯಲ್‌ಗಳು ಮತ್ತು ವಿಧಾನಗಳನ್ನು ನೋಡಿ).ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಾದರಿಯ ಚಲನೆಯನ್ನು ಸಂಕೇತಿಸಲು ಕೋಶವು ಗ್ರಿಡ್ ಘಟಕಗಳಾದ್ಯಂತ ಸಂಯೋಜನೆಗೊಂಡರೆ, ಪ್ರತ್ಯೇಕ ಗ್ರಿಡ್ ಮತ್ತು ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳಿಗೆ (ಕೊನೆಯ ಕಾಲಮ್, ಘನ ಕರ್ವ್) ಅದೇ ಶ್ರುತಿ ವಕ್ರಾಕೃತಿಗಳನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು.ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕೋಶವು ಘಟಕಗಳ ದಿಕ್ಕುಗಳನ್ನು ಸಿಗ್ನಲ್ ಮಾದರಿಯ ಚಲನೆಗೆ ಸಂಯೋಜಿಸದಿದ್ದರೆ, ಗ್ರ್ಯಾಟಿಂಗ್ ಚಲನೆಯ ಪ್ರತಿ ದಿಕ್ಕಿನಲ್ಲಿ ಒಂದು ಉತ್ತುಂಗವನ್ನು ಹೊಂದಿರುವ ಬೈಪಾರ್ಟೈಟ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್ ಅನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು, ಅದು ಕೋಶದ ಆದ್ಯತೆಯ ದಿಕ್ಕಿನಲ್ಲಿ (ಕೊನೆಯ ಕಾಲಮ್, ಡ್ಯಾಶ್ಡ್ ಕರ್ವ್) ಅನ್ನು ಅನುವಾದಿಸುತ್ತದೆ..ಚಿತ್ರಗಳು 1 ಮತ್ತು 2. 3 ಮತ್ತು 4 ರಲ್ಲಿ ತೋರಿಸಿರುವ ಜೀವಕೋಶಗಳಿಗೆ ಸೈನುಸೈಡಲ್ ರಚನೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಸರಿಹೊಂದಿಸಲು b (ಎಡ) ವಕ್ರಾಕೃತಿಗಳು (ಮೇಲಿನ ಸಾಲು - Fig. 3a,b ಮತ್ತು 4a,b (ಮೇಲಿನ); ಕೆಳಗಿನ ಫಲಕ - Fig. 3c, d ಮತ್ತು 4a, b (ಕೆಳಭಾಗ) ಕೋಶಗಳು).(ಮಧ್ಯ) ಪ್ಯಾಟರ್ನ್ ಮತ್ತು ಕಾಂಪೊನೆಂಟ್ ಮುನ್ನೋಟಗಳನ್ನು ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಪ್ರೊಫೈಲ್‌ಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ.(ಬಲ) ಈ ಕೋಶಗಳ ಗ್ರಿಡ್ ಅನ್ನು ಹೊಂದಿಸುವುದು.ಮೇಲಿನ (ಕೆಳಗಿನ) ಫಲಕದ ಕೋಶಗಳನ್ನು ಟೆಂಪ್ಲೇಟ್ (ಘಟಕ) ಕೋಶಗಳಾಗಿ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ.ಮಾದರಿಯ ಘಟಕಗಳ ವರ್ಗೀಕರಣಗಳು ಮತ್ತು ಸುಸಂಬದ್ಧ/ಪಾರದರ್ಶಕ ಜೀವಕೋಶದ ಚಲನೆಗೆ ಆದ್ಯತೆಗಳ ನಡುವೆ ಒಂದರಿಂದ ಒಂದು ಪತ್ರವ್ಯವಹಾರವಿಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸಿ (ಚಿತ್ರ 4a ನಲ್ಲಿ ಈ ಕೋಶಗಳಿಗೆ ವಿನ್ಯಾಸ ಲ್ಯಾಟಿಸ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೋಡಿ).c N (ಎಡ) ಮತ್ತು S (ಬಲ) ಕೋತಿಗಳಲ್ಲಿ ದಾಖಲಿಸಲಾದ ಎಲ್ಲಾ ಕೋಶಗಳಿಗೆ z- ಸ್ಕೋರ್ ಘಟಕದ (abscissa) ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧದ ಗುಣಾಂಕದ ವಿರುದ್ಧ ರೂಪಿಸಲಾದ z- ಸ್ಕೋರ್ ಮೋಡ್ (ಆರ್ಡಿನೇಟ್) ನ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧದ ಗುಣಾಂಕ.ಕೋಶಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಬಳಸುವ ಪ್ರಾಮುಖ್ಯತೆಯ ಮಾನದಂಡಗಳನ್ನು ದಪ್ಪ ರೇಖೆಗಳು ಸೂಚಿಸುತ್ತವೆ.d ಹೆಚ್ಚಿನ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯ (ಆರ್ಡಿನೇಟ್) ವರ್ಸಸ್ ಮೋಡ್ ಇಂಡೆಕ್ಸ್ (Zp - Zc) (abscissa).ಎಡ (ಬಲ) ಫಲಕಗಳಲ್ಲಿನ ಡೇಟಾ ಮಂಕಿ N(S) ಅನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ.ಕಪ್ಪು ವಲಯಗಳು ಅಂದಾಜು ಘಟಕಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಸೂಚಿಸುತ್ತವೆ.ಎರಡೂ ಪ್ರಾಣಿಗಳಲ್ಲಿ, ಹೆಚ್ಚಿನ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆ ಮತ್ತು ಮಾದರಿಯ ಸೂಚ್ಯಂಕಗಳ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವಿತ್ತು, ಇದು ಬಹು ಘಟಕದ ದೃಷ್ಟಿಕೋನದೊಂದಿಗೆ ಪ್ರಚೋದಕಗಳಲ್ಲಿ ಸಿಗ್ನಲ್ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನ ಹೊಂದಿರುವ ಜೀವಕೋಶಗಳಿಗೆ ಹೆಚ್ಚಿನ ಗ್ರಹಿಕೆ ಸಂಬಂಧವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಆದ್ದರಿಂದ, ಪ್ರತ್ಯೇಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ, ನಮ್ಮ ಮಾದರಿಗಳಲ್ಲಿನ ನ್ಯೂರಾನ್‌ಗಳನ್ನು PDS ಅಥವಾ CDS ಎಂದು ವರ್ಗೀಕರಿಸಲು ನಾವು ಸೈನುಸೈಡಲ್ ಗ್ರಿಡ್‌ಗಳು ಮತ್ತು ಗ್ರಿಡ್‌ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಅಳೆಯುತ್ತೇವೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ).ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳು, ಈ ಟ್ಯೂನಿಂಗ್ ಡೇಟಾದಿಂದ ನಿರ್ಮಿಸಲಾದ ಟೆಂಪ್ಲೇಟ್ ಕಾಂಪೊನೆಂಟ್ ಮುನ್ನೋಟಗಳು ಮತ್ತು ಅಂಕಿ 1 ಮತ್ತು 3 ರಲ್ಲಿ ತೋರಿಸಿರುವ ಕೋಶಗಳಿಗೆ ಲ್ಯಾಟಿಸ್ ಟ್ಯೂನಿಂಗ್ ಕರ್ವ್‌ಗಳು. ಅಂಕಿ 3 ಮತ್ತು 4 ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 3 ಅನ್ನು ಚಿತ್ರ 7b ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಮಾದರಿ ವಿತರಣೆ ಮತ್ತು ಘಟಕ ಆಯ್ಕೆ, ಹಾಗೆಯೇ ಪ್ರತಿ ವರ್ಗದಲ್ಲಿ ಆದ್ಯತೆಯ ಜೀವಕೋಶದ ದೃಷ್ಟಿಕೋನವನ್ನು ಪ್ರತಿ ಕೋತಿಗೆ ಚಿತ್ರ 7c ಮತ್ತು ಪೂರಕ ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಕ್ರಮವಾಗಿ 4.
ಮಾದರಿಯ ಘಟಕಗಳ ತಿದ್ದುಪಡಿಯ ಮೇಲೆ CP ಯ ಅವಲಂಬನೆಯನ್ನು ನಿರ್ಣಯಿಸಲು, ನಾವು ಮೊದಲು ಮಾದರಿ ಸೂಚ್ಯಂಕ 35 (PI) ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ, ದೊಡ್ಡದಾದ (ಸಣ್ಣ) ಮೌಲ್ಯಗಳು ದೊಡ್ಡ PDS (CDS) ರೀತಿಯ ವರ್ತನೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ.ಮೇಲಿನ ಪ್ರದರ್ಶನವನ್ನು ನೀಡಿದರೆ: (i) ಆದ್ಯತೆಯ ಜೀವಕೋಶದ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಪ್ರಚೋದಕ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ವ್ಯತ್ಯಾಸದೊಂದಿಗೆ ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು ಬದಲಾಗುತ್ತದೆ, ಮತ್ತು (ii) ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಸಂಬಂಧವಿದೆ, ನಾವು PI ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ ಮತ್ತು ಒಟ್ಟು CP ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ CP PI ಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (Fig. 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ರಿಗ್ರೆಷನ್; ಗ್ರಾಂಡ್ CP ಮಂಕಿ N: r = 0.23, p <0.01; bi-stable CP Monkey N r = 0.21, p = 0.013; Grand CP Monkey S: r = 4 CP; 30 0.29, p <10−3), PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಕೋಶಗಳು CDS ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಆಯ್ಕೆ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. CP PI ಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (Fig. 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ರಿಗ್ರೆಷನ್; ಗ್ರಾಂಡ್ CP ಮಂಕಿ N: r = 0.23, p <0.01; bi-stable CP Monkey N r = 0.21, p = 0.013; Grand CP Monkey S: r = 4 CP; 30 0.29, p <10−3), PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಕೋಶಗಳು CDS ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಆಯ್ಕೆ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ನನ್ನ ಒಬ್ನಾರುಜಿಲಿ, CHTO CP ಝನಾಚಿಟೆಲ್ನೊ ಕೊರ್ರೆಲಿರುಯೆಟ್ s PI (ರಿಸ್. 7 ಡಿ; ರೆಗ್ರೆಸ್ಸಿಯಾ ಸ್ರೆಡ್ನೆಗೊ ಜಿಯೋಮೆಟ್ರಿಚೆಸ್ಕೊಗ್ = ಸಿಪಿ:20; ಸಿಪಿ:20; 3, p <0,01; бистабильная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,30, p < 10-4; бистабильный: бистабильный p < 10-3), ಚುಕ್ಟೋ ಕ್ಲೇಟ್‌ಕಿ, ಕ್ಲಾಸ್ಸಿಫಿಕ್ ಪಿಡಿಎಸ್, ಪ್ರೊವೈಲ್ಯಲಿ ಬೊಲ್ಶೂಸ್ ಆಕ್ಟಿ,ಬ್ಯುಸಿಟಿ CHEM CDS ಮತ್ತು ನೆಕ್ಲಾಸ್ಸಿಫಿಸಿರೊವಾನಿ ಕ್ಲೆಟ್ಕಿ. PI ಯೊಂದಿಗೆ CP ಗಣನೀಯವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಚಿತ್ರ 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ರಿಗ್ರೆಷನ್; ಗ್ರೇಟ್ ಮಂಕಿ CP N: r = 0.23, p <0.01; bistable Monkey CP N r = 0.21, p = 0.013; great Monkey CP S: r = 0.30 b; <0.30 bist; , p <10-3), PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಕೋಶಗಳು CDS ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಆಯ್ಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಹೆಚ್ಚಿನ ಚಟುವಟಿಕೆಯನ್ನು ತೋರಿಸುತ್ತವೆ 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 <0.01：r = 0.23,p <0.01： = 0.23,p <0.01Ｓ 现CP 与PI 显着相关（图7d .013；大CP 猴S： r = 0.30,p <10-4；双稳态CP 猴S：r = 0.29,p <10-3），表明分类为皔明分类为皔明分类为PDS 皭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 ನನ್ನ ಒಬ್ನಾರುಜಿಲಿ, CHTO CP BIL NACHITELNO SPYAZAN SE PI (ರಿಸ್. 7 ಡಿ; ರೆಗ್ರೆಸ್ಸಿಯಾ ಸ್ರೆಡ್ನೆಗೊ ಗ್ಯಾಮೆಟ್ರಿಚೆಸ್ಕೊಗೊ =20CP,300; , p <0,01; бистабильная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,013) 0,30, p <10-4; CP PI ಯೊಂದಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ (ಚಿತ್ರ 7d; ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಹಿಂಜರಿತ; ಗ್ರೇಟ್ ಮಂಕಿ CP N: r = 0.23, p <0.01; bistable Monkey CP N r = 0.21, p = 0.013; ಗ್ರೇಟ್ ಮಂಕಿ CP S: r = 0.30-4; 0.10-4) бистабильный CP обезьяны S: r = 0,29, p < 10-3), CHTO указывает на то, что клетки, классифицированые, пласифицированые ಮತ್ತು ಸೆಲೆಕ್ಶಿಯೋನ್ನ್ಯೂ ಆಕ್ಟಿವ್ನೋಸ್ಟ್, ಕೆಮ್ ಕ್ಲೆಟ್ಕಿ, ಕ್ಲಾಸಿಫಿಸಿರೋವನ್ನಿ ಕ್ಯಾಕ್ ಸಿಡಿಎಸ್ ಮತ್ತು ನೆಕ್ಲಾಸಿಫಿಷಿಯರೋವಾನಿ. ಮಂಕಿ S ಬಿಸ್ಟೇಬಲ್ CP: r = 0.29, p <10-3), PDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಜೀವಕೋಶಗಳು CDS ಎಂದು ವರ್ಗೀಕರಿಸಲಾದ ಮತ್ತು ವರ್ಗೀಕರಿಸದ ಕೋಶಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಆಯ್ಕೆ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.PI ಮತ್ತು ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು CP ಯೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವುದರಿಂದ, ಪರಿಣಾಮದ ಸಾಧ್ಯತೆಗೆ ಕಾರಣವಾಗುವ ಎರಡು ಕ್ರಮಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ತಳ್ಳಿಹಾಕಲು ನಾವು ಬಹು ಹಿಂಜರಿತ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು (PI ಮತ್ತು ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಸ್ವತಂತ್ರ ವೇರಿಯಬಲ್‌ಗಳಾಗಿ ಮತ್ತು ದೊಡ್ಡ CP ಯನ್ನು ಅವಲಂಬಿತ ವೇರಿಯಬಲ್‌ನಂತೆ) ನಡೆಸಿದ್ದೇವೆ.. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧದ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿವೆ (ಮಂಕಿ N: ಮಿತಿ ವಿರುದ್ಧ CP: r = -0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; Monkey S: threshold vs. CP: r = −0, PI0.1 10−3), CP ಸಂವೇದನೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಸ್ವತಂತ್ರ ಶೈಲಿಯಲ್ಲಿ PI ಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧದ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿವೆ (ಮಂಕಿ N: ಮಿತಿ ವಿರುದ್ಧ CP: r = -0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; Monkey S: threshold vs. CP: r = −0, PI0.1 10−3), CP ಸಂವೇದನೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಸ್ವತಂತ್ರ ಶೈಲಿಯಲ್ಲಿ PI ಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. Оба частных коэффициента корреляции были значимыми (ಅಭಿಪ್ರಾಯ N: ಪೊರೊಗ್ ಪ್ರೊಟೀವ್ CP: r = -0,13, p = 0,04 , 01 ಮತ್ತು ನೆಸಾವಿಸಿಮಿಮ್ ಒಬ್ರಜೋಮ್ ಯುವೆಲಿಚಿವಾಟ್ಸ್ಯಾ ಎಸ್ ಪಿಐ. ಎರಡೂ ಆಂಶಿಕ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿವೆ (ಮಂಕಿ ಎನ್: ಥ್ರೆಶೋಲ್ಡ್ ವಿರುದ್ಧ ಸಿಪಿ: ಆರ್=-0.13, ಪಿ=0.04, ಪಿಐ ವಿರುದ್ಧ ಸಿಪಿ: ಆರ್=0.23, ಪು<0.01; ಮಂಕಿ ಎಸ್: ಥ್ರೆಶ್ಹೋಲ್ಡ್ ವಿರುದ್ಧ. ಸಿಪಿ: ಆರ್ = -0.16, ಪಿ = 0. 1 CP: r = -0.16, p = 0 CP ಸೂಕ್ಷ್ಮತೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು PI ಯೊಂದಿಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ.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 <0.0.0.0.0 ：r = -0.16, p = 0.03, PI vs CP：0.29, p <10-3），表明CP 随灵敏度增加而增加，并且以独立文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 коэффициента корреляции были значимыми (ಅಭಿಪ್ರಾಯ N: ಪೊರೊಗ್ ಪ್ರೊಟೀವ್ CP: r = -0,13, p = 0,04 , 01 ಇಟೆಲ್ನೋಸ್ಟ್ಯೂ ಮತ್ತು ಯೂವೆಲಿಚಿವಾಲಾಸ್ ಎಸ್ ಪಿಐ ನೆಸಾವಿಸಿಮಿಮ್ ಒಬ್ರಜೋಮ್. ಎರಡೂ ಭಾಗಶಃ ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿವೆ (ಮಂಕಿ N: ಮಿತಿ ವಿರುದ್ಧ CP: r=-0.13, p=0.04, PI ವಿರುದ್ಧ CP: r=0.23, p<0.01; ಮಂಕಿ S: ಥ್ರೆಶೋಲ್ಡ್ ವಿರುದ್ಧ. CP: r = -0.16, p = 0.0 CP ಸೂಕ್ಷ್ಮತೆಯಿಂದ ಹೆಚ್ಚಾಯಿತು ಮತ್ತು ಸ್ವತಂತ್ರ ರೀತಿಯಲ್ಲಿ PI ಯೊಂದಿಗೆ ಹೆಚ್ಚಾಯಿತು.
ನಾವು MT ಪ್ರದೇಶದಲ್ಲಿ ಒಂದೇ ಚಟುವಟಿಕೆಯನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿದ್ದೇವೆ ಮತ್ತು ಕೋತಿಗಳು ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಗಳಂತೆ ಕಂಡುಬರುವ ಮಾದರಿಗಳ ಬಗ್ಗೆ ತಮ್ಮ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಿದೆ.ಪಕ್ಷಪಾತದ ಗ್ರಹಿಕೆಗಳಿಗೆ ಸೇರಿಸಲಾದ ಸೆಗ್ಮೆಂಟೇಶನ್ ಸೂಚನೆಗಳಿಗೆ ನ್ಯೂರಾನ್‌ಗಳ ಸೂಕ್ಷ್ಮತೆಯು ವ್ಯಾಪಕವಾಗಿ ಬದಲಾಗುತ್ತದೆ ಮತ್ತು ಘಟಕದ ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಪ್ರಚೋದಕ ಚಲನೆಯ ದಿಕ್ಕಿನ ನಡುವಿನ ಸಂಬಂಧದಿಂದ ಕನಿಷ್ಠ ಭಾಗಶಃ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ಇಡೀ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ, ನರಕೋಶದ ಸೂಕ್ಷ್ಮತೆಯು ಸೈಕೋಫಿಸಿಕಲ್ ಸೆನ್ಸಿಟಿವಿಟಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗಿದೆ, ಆದರೂ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಘಟಕಗಳು ವಿಭಜನೆಯ ಸಂಕೇತಗಳಿಗೆ ವರ್ತನೆಯ ಸಂವೇದನೆಯನ್ನು ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ ಅಥವಾ ಮೀರಿವೆ.ಇದರ ಜೊತೆಗೆ, ಫೈರಿಂಗ್ ಆವರ್ತನ ಮತ್ತು ಗ್ರಹಿಕೆ ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಸಹವರ್ತಿತ್ವವಿದೆ, ಎಂಟಿ ಸಿಗ್ನಲಿಂಗ್ ವಿಭಜನೆಯಲ್ಲಿ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಹೊಂದಿರುವ ಕೋಶಗಳು ಲ್ಯಾಟಿಸ್ ಸೆಗ್ಮೆಂಟೇಶನ್ ಸಿಗ್ನಲ್‌ಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ತಮ್ಮ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಹೊಂದುವಂತೆ ಮಾಡುತ್ತವೆ ಮತ್ತು ಬಹು ಸ್ಥಳೀಯ ದೃಷ್ಟಿಕೋನಗಳೊಂದಿಗೆ ಪ್ರಚೋದನೆಗಳಲ್ಲಿ ಜಾಗತಿಕ ಚಲನೆಯನ್ನು ಸಂಕೇತಿಸಲು ಒಲವು ತೋರುತ್ತವೆ, ಇದು ಅತ್ಯುನ್ನತ ಗ್ರಹಿಕೆಯ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.ಹಿಂದಿನ ಕೆಲಸದೊಂದಿಗೆ ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸುವ ಮೊದಲು ನಾವು ಕೆಲವು ಸಂಭಾವ್ಯ ಸಮಸ್ಯೆಗಳನ್ನು ಇಲ್ಲಿ ಪರಿಗಣಿಸುತ್ತೇವೆ.
ಪ್ರಾಣಿಗಳ ಮಾದರಿಗಳಲ್ಲಿ ಬಿಸ್ಟೇಬಲ್ ಪ್ರಚೋದಕಗಳನ್ನು ಬಳಸುವ ಸಂಶೋಧನೆಯ ಪ್ರಮುಖ ಸಮಸ್ಯೆಯೆಂದರೆ ವರ್ತನೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಆಸಕ್ತಿಯ ಆಯಾಮವನ್ನು ಆಧರಿಸಿರುವುದಿಲ್ಲ.ಉದಾಹರಣೆಗೆ, ನಮ್ಮ ಕೋತಿಗಳು ಲ್ಯಾಟಿಸ್ ಸುಸಂಬದ್ಧತೆಯ ಗ್ರಹಿಕೆಯಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ವಿನ್ಯಾಸ ದೃಷ್ಟಿಕೋನದ ಅವರ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಬಹುದು.ಡೇಟಾದ ಎರಡು ಅಂಶಗಳು ಇದು ಹಾಗಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ಮೊದಲನೆಯದಾಗಿ, ಹಿಂದಿನ ವರದಿಗಳಿಗೆ ಅನುಸಾರವಾಗಿ, ಬೇರ್ಪಡಿಸುವ ರಚನೆಯ ಘಟಕಗಳ ಸಾಪೇಕ್ಷ ದೃಷ್ಟಿಕೋನ ಕೋನವನ್ನು ಬದಲಾಯಿಸುವುದು ವ್ಯವಸ್ಥಿತವಾಗಿ ಸುಸಂಬದ್ಧ ಗ್ರಹಿಕೆಯ ಸಾಧ್ಯತೆಯನ್ನು ಬದಲಾಯಿಸಿತು.ಎರಡನೆಯದಾಗಿ, ಸರಾಸರಿಯಾಗಿ, ಟೆಕ್ಸ್ಚರ್ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಅಥವಾ ಹೊಂದಿರದ ಮಾದರಿಗಳಿಗೆ ಪರಿಣಾಮವು ಒಂದೇ ಆಗಿರುತ್ತದೆ.ಒಟ್ಟಾಗಿ ತೆಗೆದುಕೊಂಡರೆ, ಈ ಅವಲೋಕನಗಳು ಮಂಕಿ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಸಂಪರ್ಕ / ಪಾರದರ್ಶಕತೆಯ ಅವರ ಗ್ರಹಿಕೆಯನ್ನು ಸ್ಥಿರವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಮತ್ತೊಂದು ಸಂಭಾವ್ಯ ಸಮಸ್ಯೆಯೆಂದರೆ, ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶಕ್ಕಾಗಿ ನಾವು ಗ್ರ್ಯಾಟಿಂಗ್ ಮೋಷನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿಲ್ಲ.ನರಕೋಶ ಮತ್ತು ಸೈಕೋಫಿಸಿಕಲ್ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಹೋಲಿಸುವ ಹಿಂದಿನ ಅನೇಕ ಕೃತಿಗಳಲ್ಲಿ, ಪ್ರತಿ ನೋಂದಾಯಿತ ಘಟಕಕ್ಕೆ ಪ್ರಚೋದಕಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45].ಪ್ರತಿ ಕೋಶದ ದೃಷ್ಟಿಕೋನದ ಹೊಂದಾಣಿಕೆಯನ್ನು ಲೆಕ್ಕಿಸದೆಯೇ ನಾವು ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯ ಚಲನೆಯ ಅದೇ ಎರಡು ದಿಕ್ಕುಗಳನ್ನು ಇಲ್ಲಿ 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 ಆದ್ಯತೆ ನೀಡುತ್ತವೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಇದು ಪೂರ್ವಾಧಾರವನ್ನು ಒದಗಿಸಲಿಲ್ಲ.ಆದ್ದರಿಂದ, ನಾವು ಪ್ರಾಯೋಗಿಕ ಮಾನದಂಡಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತೇವೆ, ಟೆಕ್ಸ್ಚರ್ಡ್ ಮೆಶ್‌ಗೆ ಪ್ರತಿ ಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಪ್ರತಿ ವರ್ಗದ ಜಾಲರಿ ಚಲನೆಗೆ ಆದ್ಯತೆ ಮತ್ತು ಶೂನ್ಯ ಲೇಬಲ್‌ಗಳನ್ನು ನಿಯೋಜಿಸಲು.ಅಸಂಭವವಾಗಿದ್ದರೂ, ಇದು ನಮ್ಮ ಸೂಕ್ಷ್ಮತೆಯ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು CP ಸಿಗ್ನಲ್ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ತಿರುಗಿಸಬಹುದು, ಯಾವುದೇ ಅಳತೆಯನ್ನು ಸಂಭಾವ್ಯವಾಗಿ ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡಬಹುದು.ಆದಾಗ್ಯೂ, ಕೆಳಗೆ ಚರ್ಚಿಸಲಾದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಡೇಟಾದ ಹಲವಾರು ಅಂಶಗಳು ಇದು ಹಾಗಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಮೊದಲನೆಯದಾಗಿ, ಹೆಚ್ಚು (ಕಡಿಮೆ) ಚಟುವಟಿಕೆಯನ್ನು ಉಂಟುಮಾಡುವ ಪ್ರಚೋದಕಗಳಿಗೆ ಆದ್ಯತೆಯ (ಶೂನ್ಯ) ಹೆಸರುಗಳನ್ನು ನಿಯೋಜಿಸುವುದು ಈ ಪ್ರತಿಕ್ರಿಯೆ ವಿತರಣೆಗಳ ಪ್ರತ್ಯೇಕತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ.ಬದಲಾಗಿ, ನ್ಯೂರೋಮೆಟ್ರಿಕ್ ಮತ್ತು ಸೈಕೋಮೆಟ್ರಿಕ್ ಕಾರ್ಯಗಳು ಒಂದೇ ಚಿಹ್ನೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ನೇರವಾಗಿ ಹೋಲಿಸಬಹುದು.ಎರಡನೆಯದಾಗಿ, ಸಿಪಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಬಳಸುವ ಪ್ರತಿಕ್ರಿಯೆಗಳು (ಟೆಕ್ಸ್ಚರ್ಡ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗಾಗಿ "ತಪ್ಪು" ಪ್ರಯೋಗಗಳು ಮತ್ತು ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಇಲ್ಲದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗಾಗಿ ಎಲ್ಲಾ ಪ್ರಯೋಗಗಳು) ಪ್ರತಿ ಕೋಶವು "ಆದ್ಯತೆ" ಸಂಪರ್ಕಿತ ಅಥವಾ ಪಾರದರ್ಶಕ ಕ್ರೀಡೆಗಳನ್ನು ನಿರ್ಧರಿಸುವ ಹಿಂಜರಿತ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸೇರಿಸಲಾಗಿಲ್ಲ.ಆಯ್ಕೆಯ ಪರಿಣಾಮಗಳು ಪ್ರಾಶಸ್ತ್ಯದ/ಅಮಾನ್ಯವಾದ ಪದನಾಮಗಳ ಕಡೆಗೆ ಪಕ್ಷಪಾತವನ್ನು ಹೊಂದಿಲ್ಲ ಎಂದು ಇದು ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ, ಇದು ಗಮನಾರ್ಹ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
ನ್ಯೂಸಮ್ ಮತ್ತು ಅವರ ಸಹೋದ್ಯೋಗಿಗಳ [36, 39, 46, 47] ಅಧ್ಯಯನಗಳು ಚಲನೆಯ ದಿಕ್ಕಿನ ಅಂದಾಜು ಅಂದಾಜಿನಲ್ಲಿ MT ಯ ಪಾತ್ರವನ್ನು ಮೊದಲು ನಿರ್ಧರಿಸಿದವು.ನಂತರದ ವರದಿಗಳು ಎಂಟಿ ಭಾಗವಹಿಸುವಿಕೆಯ ಆಳ34,44,48,49,50,51 ಮತ್ತು ವೇಗ32,52, ಉತ್ತಮ ದೃಷ್ಟಿಕೋನ33 ಮತ್ತು ಚಲನೆಯಿಂದ 3D ರಚನೆಯ ಗ್ರಹಿಕೆ 31,53,54 (3D ಸಮರ್ಥನೀಯ ಅರಣ್ಯಗಳು) ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಿವೆ.ಆಳಲು).ನಾವು ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಎರಡು ಪ್ರಮುಖ ರೀತಿಯಲ್ಲಿ ವಿಸ್ತರಿಸುತ್ತೇವೆ.ಮೊದಲನೆಯದಾಗಿ, ವಿಸ್ಯುಮೋಟರ್ ಸಿಗ್ನಲ್‌ಗಳ ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಗೆ MT ಪ್ರತಿಕ್ರಿಯೆಗಳು ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ನಾವು ಪುರಾವೆಗಳನ್ನು ಒದಗಿಸುತ್ತೇವೆ.ಎರಡನೆಯದಾಗಿ, MT ಮೋಡ್ ಓರಿಯಂಟೇಶನ್ ಸೆಲೆಕ್ಟಿವಿಟಿ ಮತ್ತು ಈ ಆಯ್ಕೆಯ ಸಂಕೇತದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ.
ಕಲ್ಪನಾತ್ಮಕವಾಗಿ, ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶಗಳು 3-D SFM ನಲ್ಲಿನ ಕೆಲಸಕ್ಕೆ ಹೋಲುತ್ತವೆ, ಏಕೆಂದರೆ ಎರಡೂ ಚಲನೆ ಮತ್ತು ಆಳದ ಕ್ರಮವನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಕೀರ್ಣವಾದ ಬಿಸ್ಟೇಬಲ್ ಗ್ರಹಿಕೆಯಾಗಿದೆ.ಡಾಡ್ ಮತ್ತು ಇತರರು 31 ಬಿಸ್ಟೇಬಲ್ 3D SFM ಸಿಲಿಂಡರ್‌ನ ತಿರುಗುವಿಕೆಯ ದೃಷ್ಟಿಕೋನವನ್ನು ವರದಿ ಮಾಡುವ ಮಂಕಿ ಟಾಸ್ಕ್‌ನಲ್ಲಿ ದೊಡ್ಡ ಆಯ್ಕೆ ಸಂಭವನೀಯತೆಯನ್ನು (0.67) ಕಂಡುಕೊಂಡಿದ್ದಾರೆ.ಬಿಸ್ಟೇಬಲ್ ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳಿಗೆ (ಎರಡೂ ಮಂಗಗಳಿಗೆ ಸುಮಾರು 0.55) ಆಯ್ಕೆಯ ಪರಿಣಾಮವನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ.CP ಯ ಮೌಲ್ಯಮಾಪನವು ಆಯ್ಕೆಯ ಗುಣಾಂಕವನ್ನು ಅವಲಂಬಿಸಿರುವುದರಿಂದ, ವಿಭಿನ್ನ ಕಾರ್ಯಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪಡೆದ CP ಅನ್ನು ಅರ್ಥೈಸುವುದು ಕಷ್ಟ.ಆದಾಗ್ಯೂ, ನಾವು ಗಮನಿಸಿದ ಆಯ್ಕೆಯ ಪರಿಣಾಮದ ಪ್ರಮಾಣವು ಶೂನ್ಯ ಮತ್ತು ಕಡಿಮೆ ವಿನ್ಯಾಸದ ಕಾಂಟ್ರಾಸ್ಟ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳಿಗೆ ಒಂದೇ ಆಗಿರುತ್ತದೆ ಮತ್ತು ಶಕ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸಲು ನಾವು ಕಡಿಮೆ/ಯಾವುದೇ ಟೆಕ್ಸ್ಚರ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಪ್ರಚೋದಕಗಳನ್ನು ಸಂಯೋಜಿಸಿದಾಗ.ಆದ್ದರಿಂದ, CP ಯಲ್ಲಿನ ಈ ವ್ಯತ್ಯಾಸವು ಡೇಟಾಸೆಟ್‌ಗಳ ನಡುವಿನ ಆಯ್ಕೆ ದರಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳಿಂದಾಗಿ ಅಸಂಭವವಾಗಿದೆ.
3-D SFM ಪ್ರಚೋದನೆ ಮತ್ತು ಬಿಸ್ಟೇಬಲ್ ಗ್ರಿಡ್ ರಚನೆಗಳಿಂದ ಪ್ರೇರಿತವಾದ ತೀವ್ರವಾದ ಮತ್ತು ಗುಣಾತ್ಮಕವಾಗಿ ವಿಭಿನ್ನ ಗ್ರಹಿಕೆ ಸ್ಥಿತಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ನಂತರದ ಪ್ರಕರಣದಲ್ಲಿ ಗ್ರಹಿಕೆಯೊಂದಿಗೆ MT ಗುಂಡಿನ ದರದಲ್ಲಿನ ಸಾಧಾರಣ ಬದಲಾವಣೆಗಳು ಗೊಂದಲಮಯವಾಗಿ ತೋರುತ್ತದೆ.ಒಂದು ಸಾಧ್ಯತೆಯೆಂದರೆ, ಪ್ರಚೋದನೆಯ ಸಂಪೂರ್ಣ ಅವಧಿಯಲ್ಲಿ ಗುಂಡಿನ ದರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಕ ನಾವು ಆಯ್ಕೆಯ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಿದ್ದೇವೆ.31 3-D SFM ಪ್ರಕರಣಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, MT ಚಟುವಟಿಕೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳು ಪ್ರಯೋಗಗಳಲ್ಲಿ ಸುಮಾರು 250 ms ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದವು ಮತ್ತು ಪ್ರಯೋಗಗಳ ಉದ್ದಕ್ಕೂ ಸ್ಥಿರವಾಗಿ ಹೆಚ್ಚಾಯಿತು, ಆಯ್ಕೆ ಸಂಕೇತಗಳ ತಾತ್ಕಾಲಿಕ ಡೈನಾಮಿಕ್ಸ್‌ನ ನಮ್ಮ ವಿಶ್ಲೇಷಣೆ (ಎರಡೂ ಮಂಗಗಳಲ್ಲಿ ಪ್ರಚೋದನೆಯ ಪ್ರಾರಂಭದ ನಂತರ 500 ms ನೋಡಿ. ಜೊತೆಗೆ , CP 5 ಪ್ರಯೋಗದ ನಂತರವೂ ಈ ಅವಧಿಯಲ್ಲಿ CP 5 ನಲ್ಲಿ ತೀವ್ರ ಏರಿಕೆ ಕಂಡುಬಂದಿದೆ. ದೀರ್ಘ ಪ್ರಯೋಗಗಳ ಸಮಯದಲ್ಲಿ ಬಿಸ್ಟೇಬಲ್ ಆಯತಾಕಾರದ ರಚನೆಗಳ ಮಾನವ ಗ್ರಹಿಕೆಯು ಆಗಾಗ್ಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂದು ವರದಿ ಮಾಡಿ. ನಮ್ಮ ಪ್ರಚೋದನೆಗಳನ್ನು ಕೇವಲ 1.5 ಸೆಕೆಂಡುಗಳ ಕಾಲ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದ್ದರೂ, ನಮ್ಮ ಕೋತಿಗಳ ಗ್ರಹಿಕೆಯು ಪ್ರಯೋಗದ ಸಮಯದಲ್ಲಿ ಸುಸಂಬದ್ಧತೆಯಿಂದ ಪಾರದರ್ಶಕತೆಗೆ ಬದಲಾಗಬಹುದು (ಅವುಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಕ್ಯೂ ಆಯ್ಕೆಯಲ್ಲಿ ಅವರ ಅಂತಿಮ ಗ್ರಹಿಕೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ.) ಆದ್ದರಿಂದ, ನಮ್ಮ ಕಾರ್ಯದ ಪ್ರತಿಕ್ರಿಯೆಯ ಸಮಯದ ಆವೃತ್ತಿಯು ನಿರೀಕ್ಷಿತವಾಗಿದೆ. ಎರಡು ಕಾರ್ಯಗಳಲ್ಲಿ ಟಿ ಸಿಗ್ನಲ್ ಅನ್ನು ವಿಭಿನ್ನವಾಗಿ ಓದಲಾಗುತ್ತದೆ, ಸಿಪಿಯು ಸಿಗ್ನಲ್‌ಗಳು ಸಂವೇದನಾ ಡಿಕೋಡಿಂಗ್ ಮತ್ತು ಪರಸ್ಪರ ಸಂಬಂಧಿತ ಶಬ್ದದಿಂದ ಉಂಟಾಗುತ್ತದೆ ಎಂದು ದೀರ್ಘಕಾಲ ಭಾವಿಸಲಾಗಿದೆ, 56 Gu ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಗಳಲ್ಲಿ ಪರಸ್ಪರ ಸಂಬಂಧಿತ ವ್ಯತ್ಯಾಸದ ಮಟ್ಟಗಳಿಗಿಂತ ವಿಭಿನ್ನ ಪೂಲಿಂಗ್ ತಂತ್ರಗಳು, ಡೋರ್ಸಲ್ ಮೀಡಿಯಾ-ನೆಪೀರಿಯರ್ನಲ್ಲಿ CPU ಅನ್ನು ಉತ್ತಮವಾಗಿ ವಿವರಿಸಬಹುದು ಎಂದು ಕಂಡುಹಿಡಿದಿದ್ದಾರೆ.ಶೀಟ್ ಬದಲಾವಣೆ ದೃಷ್ಟಿಕೋನ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯ (MSTd).MT ಯಲ್ಲಿ ನಾವು ಗಮನಿಸಿದ ಚಿಕ್ಕ ಆಯ್ಕೆಯ ಪರಿಣಾಮವು ಸುಸಂಬದ್ಧತೆ ಅಥವಾ ಪಾರದರ್ಶಕತೆಯ ಗ್ರಹಿಕೆಗಳನ್ನು ರಚಿಸಲು ಅನೇಕ ಕಡಿಮೆ-ತಿಳಿವಳಿಕೆ ನ್ಯೂರಾನ್‌ಗಳ ವ್ಯಾಪಕವಾದ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.ಸ್ಥಳೀಯ ಚಲನೆಯ ಸೂಚನೆಗಳನ್ನು ಒಂದು ಅಥವಾ ಎರಡು ವಸ್ತುಗಳು (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-ವಸ್ತುವಿನ ದೃಶ್ಯಗಳಾಗಿ ವಿಭಜಿಸುವಲ್ಲಿ ಒಂದು ಪಾತ್ರವನ್ನು ವಹಿಸಲು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.
ಮೇಲೆ ಹೇಳಿದಂತೆ, MT ಮಾದರಿಯ ಸೆಲ್ಯುಲಾರ್ ಚಟುವಟಿಕೆ ಮತ್ತು ಗ್ರಹಿಕೆ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಾವು ಮೊದಲು ವರದಿ ಮಾಡಿದ್ದೇವೆ.Movshon ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳಿಂದ ಮೂಲ ಎರಡು-ಹಂತದ ಮಾದರಿಯಲ್ಲಿ ರೂಪಿಸಿದಂತೆ, ಮೋಡ್ ಘಟಕವು MT ಯ ಔಟ್‌ಪುಟ್ ಹಂತವಾಗಿದೆ.ಆದಾಗ್ಯೂ, ಇತ್ತೀಚಿನ ಕೆಲಸವು ಮೋಡ್ ಮತ್ತು ಘಟಕ ಕೋಶಗಳು ನಿರಂತರತೆಯ ವಿಭಿನ್ನ ತುದಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ಸ್ವೀಕರಿಸುವ ಕ್ಷೇತ್ರದ ರಚನೆಯಲ್ಲಿನ ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ವ್ಯತ್ಯಾಸಗಳು ಮೋಡ್ ಘಟಕಗಳ ಶ್ರುತಿ ವರ್ಣಪಟಲಕ್ಕೆ ಕಾರಣವಾಗಿದೆ ಎಂದು ತೋರಿಸಿದೆ.ಆದ್ದರಿಂದ, ನಾವು CP ಮತ್ತು PI ನಡುವೆ ಗಮನಾರ್ಹವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ಬೈನೋಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯ ಹೊಂದಾಣಿಕೆ ಸಮ್ಮಿತಿ ಮತ್ತು CP ನಡುವಿನ ಸಂಬಂಧದಂತೆಯೇ ಆಳ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯ ಅಥವಾ ಸೂಕ್ಷ್ಮ ದೃಷ್ಟಿಕೋನ ತಾರತಮ್ಯ ಕಾರ್ಯದಲ್ಲಿ ದೃಷ್ಟಿಕೋನ ಸೆಟ್ಟಿಂಗ್ ಕಾನ್ಫಿಗರೇಶನ್.ದಾಖಲೆಗಳು ಮತ್ತು CP 33 ನಡುವಿನ ಸಂಬಂಧಗಳು.Wang ಮತ್ತು Movshon62 MT ಓರಿಯಂಟೇಶನ್ ಸೆಲೆಕ್ಟಿವಿಟಿಯೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಕೋಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದ್ದಾರೆ ಮತ್ತು ಸರಾಸರಿಯಾಗಿ, ಮೋಡ್ ಸೂಚ್ಯಂಕವು ಅನೇಕ ಶ್ರುತಿ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಸಂಬಂಧ ಹೊಂದಿದೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ, MT ಜನಸಂಖ್ಯೆಯಿಂದ ಓದಬಹುದಾದ ಅನೇಕ ಇತರ ರೀತಿಯ ಸಂಕೇತಗಳಲ್ಲಿ ಮೋಡ್ ಆಯ್ಕೆಯು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ..ಆದ್ದರಿಂದ, MT ಚಟುವಟಿಕೆ ಮತ್ತು ವ್ಯಕ್ತಿನಿಷ್ಠ ಗ್ರಹಿಕೆ ನಡುವಿನ ಸಂಬಂಧದ ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳಿಗಾಗಿ, ಮಾದರಿಯ ಸೂಚ್ಯಂಕವು ಇತರ ಕಾರ್ಯ ಮತ್ತು ಪ್ರಚೋದಕ ಆಯ್ಕೆ ಸಂಕೇತಗಳೊಂದಿಗೆ ಒಂದೇ ರೀತಿಯ ಸಂಬಂಧವನ್ನು ಹೊಂದಿದೆಯೇ ಅಥವಾ ಈ ಸಂಬಂಧವು ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ಸಂದರ್ಭದಲ್ಲಿ ನಿರ್ದಿಷ್ಟವಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಮುಖ್ಯವಾಗಿದೆ.
ಅದೇ ರೀತಿ, ನಿಯೆನ್‌ಬೋರ್ಗ್ ಮತ್ತು ಕಮ್ಮಿಂಗ್ 42 ಕಂಡುಹಿಡಿದರು, V2 ನಲ್ಲಿ ಬೈನಾಕ್ಯುಲರ್ ಅಸಾಮರಸ್ಯಕ್ಕಾಗಿ ಆಯ್ದ ಹತ್ತಿರದ ಮತ್ತು ದೂರದ ಕೋಶಗಳು ಆಳ ತಾರತಮ್ಯ ಕಾರ್ಯದಲ್ಲಿ ಸಮಾನವಾಗಿ ಸಂವೇದನಾಶೀಲವಾಗಿವೆ, ಕೇವಲ ಹತ್ತಿರದ ಆದ್ಯತೆಯ ಜೀವಕೋಶದ ಜನಸಂಖ್ಯೆಯು ಗಮನಾರ್ಹ CP ಅನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.ಆದಾಗ್ಯೂ, ಮಂಗಗಳಿಗೆ ಆದ್ಯತೆಯ ತೂಕದ ದೂರದ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಮರುತರಬೇತಿ ನೀಡುವುದರಿಂದ ಹೆಚ್ಚು ಒಲವು ಹೊಂದಿರುವ ಪಂಜರಗಳಲ್ಲಿ ಗಮನಾರ್ಹವಾದ CP ಗಳು ಕಂಡುಬಂದವು.ತರಬೇತಿಯ ಇತಿಹಾಸವು ಗ್ರಹಿಕೆ ಸಂಬಂಧಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ ಎಂದು ಇತರ ಅಧ್ಯಯನಗಳು ವರದಿ ಮಾಡಿದೆ34,40,63 ಅಥವಾ MT ಚಟುವಟಿಕೆ ಮತ್ತು ಭೇದಾತ್ಮಕ ತಾರತಮ್ಯದ ನಡುವಿನ ಸಾಂದರ್ಭಿಕ ಸಂಬಂಧ.CP ಮತ್ತು ಕಟ್ಟುಪಾಡು ನಿರ್ದೇಶನದ ಆಯ್ಕೆಯ ನಡುವೆ ನಾವು ಗಮನಿಸಿದ ಸಂಬಂಧವು ನಮ್ಮ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಕೋತಿಗಳು ಬಳಸಿದ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯತಂತ್ರವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ ಮತ್ತು ದೃಶ್ಯ-ಮೋಟಾರ್ ಗ್ರಹಿಕೆಯಲ್ಲಿ ಮೋಡ್ ಆಯ್ಕೆ ಸಂಕೇತಗಳ ನಿರ್ದಿಷ್ಟ ಪಾತ್ರವಲ್ಲ.ಭವಿಷ್ಯದ ಕೆಲಸದಲ್ಲಿ, ವಿಭಜನಾ ನಿರ್ಣಯಗಳನ್ನು ಮಾಡಲು ಯಾವ MT ಸಿಗ್ನಲ್‌ಗಳನ್ನು ಆದ್ಯತೆ ಮತ್ತು ನಮ್ಯತೆಯಿಂದ ತೂಕ ಮಾಡಲಾಗಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಕಲಿಕೆಯ ಇತಿಹಾಸವು ಮಹತ್ವದ ಪ್ರಭಾವವನ್ನು ಹೊಂದಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಮುಖ್ಯವಾಗಿದೆ.
ಸ್ಟೋನರ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು 14,23 ಅತಿಕ್ರಮಿಸುವ ಗ್ರಿಡ್ ಪ್ರದೇಶಗಳ ಹೊಳಪನ್ನು ಬದಲಾಯಿಸುವುದು ಮಾನವ ವೀಕ್ಷಕ ವರದಿಗಳ ಸುಸಂಬದ್ಧತೆ ಮತ್ತು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಮಕಾಕ್ MT ನ್ಯೂರಾನ್‌ಗಳಲ್ಲಿನ ದಿಕ್ಕಿನ ಹೊಂದಾಣಿಕೆಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು ಎಂದು ವರದಿ ಮಾಡಿದರು.ಅತಿಕ್ರಮಿಸುವ ಪ್ರದೇಶಗಳ ಹೊಳಪು ಭೌತಿಕವಾಗಿ ಪಾರದರ್ಶಕತೆಗೆ ಹೊಂದಿಕೆಯಾದಾಗ, ವೀಕ್ಷಕರು ಹೆಚ್ಚು ಪಾರದರ್ಶಕ ಗ್ರಹಿಕೆಯನ್ನು ವರದಿ ಮಾಡಿದ್ದಾರೆ ಎಂದು ಲೇಖಕರು ಕಂಡುಕೊಂಡರು, ಆದರೆ MT ನ್ಯೂರಾನ್‌ಗಳು ರಾಸ್ಟರ್ ಘಟಕಗಳ ಚಲನೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ.ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಅತಿಕ್ರಮಿಸುವ ಹೊಳಪು ಮತ್ತು ಪಾರದರ್ಶಕ ಅತಿಕ್ರಮಣವು ಭೌತಿಕವಾಗಿ ಹೊಂದಿಕೆಯಾಗದಿದ್ದಾಗ, ವೀಕ್ಷಕರು ಸುಸಂಬದ್ಧ ಚಲನೆಯನ್ನು ಗ್ರಹಿಸುತ್ತಾರೆ ಮತ್ತು MT ನ್ಯೂರಾನ್‌ಗಳು ಮಾದರಿಯ ಜಾಗತಿಕ ಚಲನೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ.ಹೀಗಾಗಿ, ಈ ಅಧ್ಯಯನಗಳು ವಿಭಜನಾ ವರದಿಗಳ ಮೇಲೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪ್ರಭಾವ ಬೀರುವ ದೃಶ್ಯ ಪ್ರಚೋದಕಗಳಲ್ಲಿನ ಭೌತಿಕ ಬದಲಾವಣೆಗಳು MT ಪ್ರಚೋದನೆಯಲ್ಲಿ ಊಹಿಸಬಹುದಾದ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತದೆ.ಈ ಪ್ರದೇಶದಲ್ಲಿನ ಇತ್ತೀಚಿನ ಕೆಲಸವು ಯಾವ MT ಸಂಕೇತಗಳು ಸಂಕೀರ್ಣ ಪ್ರಚೋದಕಗಳ ಗ್ರಹಿಕೆಯ ನೋಟವನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅನ್ವೇಷಿಸಿದೆ18,24,64.ಉದಾಹರಣೆಗೆ, MT ನ್ಯೂರಾನ್‌ಗಳ ಉಪವಿಭಾಗವು ಯಾದೃಚ್ಛಿಕ ಬಿಂದು ಚಲನೆಯ ನಕ್ಷೆಗೆ (RDK) ಎರಡು ದಿಕ್ಕುಗಳೊಂದಿಗೆ ಏಕಮುಖ RDK ಗಿಂತ ಕಡಿಮೆ ಅಂತರವನ್ನು ಹೊಂದಿರುವ ಬೈಮೋಡಲ್ ಟ್ಯೂನಿಂಗ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ.ಸೆಲ್ಯುಲಾರ್ ಟ್ಯೂನಿಂಗ್ 19, 25 ರ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್.ವೀಕ್ಷಕರು ಯಾವಾಗಲೂ ಮೊದಲ ಮಾದರಿಯನ್ನು ಪಾರದರ್ಶಕ ಚಲನೆಯಂತೆ ನೋಡುತ್ತಾರೆ, ಆದಾಗ್ಯೂ ಹೆಚ್ಚಿನ MT ನ್ಯೂರಾನ್‌ಗಳು ಈ ಪ್ರಚೋದಕಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಏಕರೂಪದ ರೂಪಾಂತರಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಮತ್ತು ಎಲ್ಲಾ MT ಕೋಶಗಳ ಸರಳ ಸರಾಸರಿಯು ಏಕರೂಪದ ಜನಸಂಖ್ಯೆಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುತ್ತದೆ.ಹೀಗಾಗಿ, ಬೈಮೋಡಲ್ ಟ್ಯೂನಿಂಗ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸುವ ಕೋಶಗಳ ಉಪವಿಭಾಗವು ಈ ಗ್ರಹಿಕೆಗೆ ನರಗಳ ತಲಾಧಾರವನ್ನು ರೂಪಿಸಬಹುದು.ಕುತೂಹಲಕಾರಿಯಾಗಿ, ಮಾರ್ಮೊಸೆಟ್‌ಗಳಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ಗ್ರಿಡ್ ಮತ್ತು ಗ್ರಿಡ್ ಪ್ರಚೋದಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರೀಕ್ಷಿಸಿದಾಗ ಈ ಜನಸಂಖ್ಯೆಯು PDS ಕೋಶಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.
ನಮ್ಮ ಫಲಿತಾಂಶಗಳು ಮೇಲಿನವುಗಳಿಗಿಂತ ಒಂದು ಹೆಜ್ಜೆ ಮುಂದೆ ಹೋಗುತ್ತವೆ, ಇದು ಗ್ರಹಿಕೆಯ ವಿಭಾಗದಲ್ಲಿ MT ಯ ಪಾತ್ರವನ್ನು ಸ್ಥಾಪಿಸಲು ನಿರ್ಣಾಯಕವಾಗಿದೆ.ವಾಸ್ತವವಾಗಿ, ವಿಭಜನೆಯು ಒಂದು ವ್ಯಕ್ತಿನಿಷ್ಠ ವಿದ್ಯಮಾನವಾಗಿದೆ.ಹಲವಾರು ಪಾಲಿಸ್ಟೇಬಲ್ ದೃಶ್ಯ ಪ್ರದರ್ಶನಗಳು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ರೀತಿಯಲ್ಲಿ ನಿರಂತರ ಪ್ರಚೋದನೆಗಳನ್ನು ಸಂಘಟಿಸಲು ಮತ್ತು ಅರ್ಥೈಸಲು ದೃಶ್ಯ ವ್ಯವಸ್ಥೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ವಿವರಿಸುತ್ತದೆ.ನಮ್ಮ ಅಧ್ಯಯನದಲ್ಲಿ ನರವ್ಯೂಹದ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಗ್ರಹಿಕೆಯ ವರದಿಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಸಂಗ್ರಹಿಸುವುದು ಎಂಟಿ ಫೈರಿಂಗ್ ದರ ಮತ್ತು ನಿರಂತರ ಪ್ರಚೋದನೆಯ ಗ್ರಹಿಕೆಯ ವ್ಯಾಖ್ಯಾನಗಳ ನಡುವಿನ ಸಹವರ್ತಿತ್ವವನ್ನು ಅನ್ವೇಷಿಸಲು ನಮಗೆ ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು.ಈ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸಿದ ನಂತರ, ಕಾರಣದ ದಿಕ್ಕನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ ಎಂದು ನಾವು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತೇವೆ, ಅಂದರೆ, ಕೆಲವರು ವಾದಿಸಿದಂತೆ [65, 66, 67], ನಾವು ಗಮನಿಸಿದ ಗ್ರಹಿಕೆಯ ವಿಭಜನೆಯ ಸಂಕೇತವು ಸ್ವಯಂಚಾಲಿತವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಹೆಚ್ಚಿನ ಪ್ರಯೋಗಗಳು ಅಗತ್ಯವಿದೆ.ಪ್ರಕ್ರಿಯೆಯು ಮತ್ತೊಮ್ಮೆ ಹೆಚ್ಚಿನ ಪ್ರದೇಶಗಳು 68, 69, 70 (Fig. 8) ನಿಂದ ಸಂವೇದನಾ ಕಾರ್ಟೆಕ್ಸ್‌ಗೆ ಮರಳಿ ಬರುವ ಅವರೋಹಣ ಸಂಕೇತಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.MT ಯ ಮುಖ್ಯ ಕಾರ್ಟಿಕಲ್ ಗುರಿಗಳಲ್ಲಿ ಒಂದಾದ MSTd71 ನಲ್ಲಿನ ಮಾದರಿ-ಆಯ್ದ ಕೋಶಗಳ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ವರದಿಗಳು, MT ಮತ್ತು MSTd ಯ ಏಕಕಾಲಿಕ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳನ್ನು ಸೇರಿಸಲು ಈ ಪ್ರಯೋಗಗಳನ್ನು ವಿಸ್ತರಿಸುವುದು ಗ್ರಹಿಕೆಯ ನರ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಮತ್ತಷ್ಟು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಉತ್ತಮ ಮೊದಲ ಹೆಜ್ಜೆಯಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ವಿಭಜನೆ.
ಕಾಂಪೊನೆಂಟ್ ಮತ್ತು ಮೋಡ್ ಓರಿಯಂಟೇಶನ್ ಸೆಲೆಕ್ಟಿವಿಟಿಯ ಎರಡು-ಹಂತದ ಮಾದರಿ ಮತ್ತು ಯಂತ್ರ ಅನುವಾದದಲ್ಲಿ ಆಯ್ಕೆ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಯ ಮೇಲಿನ ಟಾಪ್-ಡೌನ್ ಪ್ರತಿಕ್ರಿಯೆಯ ಸಂಭಾವ್ಯ ಪರಿಣಾಮ.ಇಲ್ಲಿ, MT ಹಂತದಲ್ಲಿ ಮೋಡ್ ಡೈರೆಕ್ಷನ್ ಸೆಲೆಕ್ಟಿವಿಟಿ (PDS - "P") ಅನ್ನು (i) ನಿರ್ದಿಷ್ಟ ಮೋಡ್ ವೇಗಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ದಿಕ್ಕಿನ ಆಯ್ದ ಇನ್‌ಪುಟ್ ಡೇಟಾದ ದೊಡ್ಡ ಮಾದರಿ ಮತ್ತು (ii) ಬಲವಾದ ಶ್ರುತಿ ನಿಗ್ರಹದಿಂದ ರಚಿಸಲಾಗಿದೆ.MT ("C") ಹಂತದ ಡೈರೆಕ್ಷಲಿ ಸೆಲೆಕ್ಟಿವ್ (CDS) ಘಟಕವು ಇನ್‌ಪುಟ್ ದಿಕ್ಕಿನಲ್ಲಿ ಕಿರಿದಾದ ಮಾದರಿ ಶ್ರೇಣಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಶ್ರುತಿ ನಿಗ್ರಹವನ್ನು ಹೊಂದಿಲ್ಲ.ಟ್ಯೂನ್ ಮಾಡದ ಪ್ರತಿಬಂಧವು ಎರಡೂ ಜನಸಂಖ್ಯೆಯ ಮೇಲೆ ನಿಯಂತ್ರಣವನ್ನು ನೀಡುತ್ತದೆ.ಬಣ್ಣದ ಬಾಣಗಳು ಆದ್ಯತೆಯ ಸಾಧನದ ದೃಷ್ಟಿಕೋನವನ್ನು ಸೂಚಿಸುತ್ತವೆ.ಸ್ಪಷ್ಟತೆಗಾಗಿ, V1-MT ಸಂಪರ್ಕಗಳ ಉಪವಿಭಾಗ ಮತ್ತು ಒಂದು ಘಟಕ ಮೋಡ್ ಮತ್ತು ದೃಷ್ಟಿಕೋನ ಆಯ್ಕೆ ಬಾಕ್ಸ್ ಅನ್ನು ಮಾತ್ರ ತೋರಿಸಲಾಗುತ್ತದೆ.ನಮ್ಮ ಫೀಡ್-ಫಾರ್ವರ್ಡ್ (ಎಫ್‌ಎಫ್) ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಂದರ್ಭದಲ್ಲಿ, ಪಿಡಿಎಸ್ ಕೋಶಗಳಲ್ಲಿನ ವಿಶಾಲವಾದ ಇನ್‌ಪುಟ್ ಸೆಟ್ಟಿಂಗ್ ಮತ್ತು ಬಲವಾದ ಶ್ರುತಿ ಪ್ರತಿಬಂಧ (ಕೆಂಪು ಬಣ್ಣದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾಗಿದೆ) ಬಹು ಚಲನೆಯ ಮಾದರಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಚಟುವಟಿಕೆಯಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪ್ರೇರೇಪಿಸಿತು.ನಮ್ಮ ವಿಭಜನೆಯ ಸಮಸ್ಯೆಯಲ್ಲಿ, ಈ ಗುಂಪು ನಿರ್ಧಾರ ಸರಪಳಿಗಳನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಗ್ರಹಿಕೆಯನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ.ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಪ್ರತಿಕ್ರಿಯೆಯ ಸಂದರ್ಭದಲ್ಲಿ (FB), ಸಂವೇದನಾ ದತ್ತಾಂಶ ಮತ್ತು ಅರಿವಿನ ಪಕ್ಷಪಾತಗಳ ಮೂಲಕ ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿ ಗ್ರಹಿಕೆಯ ನಿರ್ಧಾರಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ ಮತ್ತು PDS ಕೋಶಗಳ ಮೇಲೆ (ದಪ್ಪ ಗೆರೆಗಳು) ಡೌನ್‌ಸ್ಟ್ರೀಮ್ FB ಯ ಹೆಚ್ಚಿನ ಪರಿಣಾಮವು ಆಯ್ಕೆ ಸಂಕೇತಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.b CDS ಮತ್ತು PDS ಸಾಧನಗಳ ಪರ್ಯಾಯ ಮಾದರಿಗಳ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಪ್ರಾತಿನಿಧ್ಯ.ಇಲ್ಲಿ MT ಯಲ್ಲಿನ PDS ಸಂಕೇತಗಳು V1 ನ ನೇರ ಇನ್‌ಪುಟ್‌ನಿಂದ ಮಾತ್ರವಲ್ಲದೆ V1-V2-MT ಮಾರ್ಗದ ಪರೋಕ್ಷ ಇನ್‌ಪುಟ್‌ನಿಂದ ಕೂಡ ಉತ್ಪತ್ತಿಯಾಗುತ್ತವೆ.ವಿನ್ಯಾಸದ ಗಡಿಗಳಿಗೆ (ಗ್ರಿಡ್ ಅತಿಕ್ರಮಿಸುವ ಪ್ರದೇಶಗಳು) ಆಯ್ಕೆಯನ್ನು ನೀಡಲು ಮಾದರಿಯ ಪರೋಕ್ಷ ಮಾರ್ಗಗಳನ್ನು ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ.MT ಲೇಯರ್ CDS ಮಾಡ್ಯೂಲ್ ನೇರ ಮತ್ತು ಪರೋಕ್ಷ ಇನ್‌ಪುಟ್‌ಗಳ ತೂಕದ ಮೊತ್ತವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು PDS ಮಾಡ್ಯೂಲ್‌ಗೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಕಳುಹಿಸುತ್ತದೆ.PDS ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರತಿಬಂಧದಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತದೆ.ಮತ್ತೊಮ್ಮೆ, ಮಾದರಿಯ ಮೂಲ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಸೆಳೆಯಲು ಅಗತ್ಯವಿರುವ ಸಂಪರ್ಕಗಳನ್ನು ಮಾತ್ರ ತೋರಿಸಲಾಗುತ್ತದೆ.ಇಲ್ಲಿ, a ನಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಿದಕ್ಕಿಂತ ವಿಭಿನ್ನವಾದ ಎಫ್‌ಎಫ್ ಕಾರ್ಯವಿಧಾನವು PDS ಗೆ ಸೆಲ್ಯುಲಾರ್ ಲ್ಯಾಟಿಸ್ ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು, ಮತ್ತೆ ನಿರ್ಧಾರ ಮಾದರಿಗಳಲ್ಲಿ ಪಕ್ಷಪಾತಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ.ಪರ್ಯಾಯವಾಗಿ, PDS ಕೋಶಗಳಲ್ಲಿನ ಹೆಚ್ಚಿನ CP ಇನ್ನೂ PDS ಕೋಶಗಳಿಗೆ FB ಲಗತ್ತಿಸುವಿಕೆಯ ಸಾಮರ್ಥ್ಯ ಅಥವಾ ದಕ್ಷತೆಯ ಪಕ್ಷಪಾತದ ಪರಿಣಾಮವಾಗಿರಬಹುದು.ಸಾಕ್ಷ್ಯವು ಎರಡು ಮತ್ತು ಮೂರು-ಹಂತದ MT PDS ಮಾದರಿಗಳು ಮತ್ತು CP FF ಮತ್ತು FB ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
4.5 ರಿಂದ 9.0 ಕೆ.ಜಿ ತೂಕದ ಎರಡು ವಯಸ್ಕ ಮಕಾಕ್‌ಗಳನ್ನು (ಮಕಾಕಾ ಮುಲಾಟ್ಟಾ), ಒಂದು ಗಂಡು ಮತ್ತು ಒಂದು ಹೆಣ್ಣು (ಕ್ರಮವಾಗಿ 7 ಮತ್ತು 5 ವರ್ಷಗಳು), ಅಧ್ಯಯನದ ವಸ್ತುವಾಗಿ ಬಳಸಲಾಗಿದೆ.ಎಲ್ಲಾ ಕ್ರಿಮಿನಾಶಕ ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಯ ಪ್ರಯೋಗಗಳ ಮೊದಲು, MT ಪ್ರದೇಶವನ್ನು ಸಮೀಪಿಸುತ್ತಿರುವ ಲಂಬ ವಿದ್ಯುದ್ವಾರಗಳಿಗೆ ಕಸ್ಟಮ್-ನಿರ್ಮಿತ ರೆಕಾರ್ಡಿಂಗ್ ಚೇಂಬರ್, ಸ್ಟೇನ್ಲೆಸ್ ಸ್ಟೀಲ್ ಹೆಡ್ರೆಸ್ಟ್ ಸ್ಟ್ಯಾಂಡ್ (ಕ್ರಿಸ್ಟ್ ಇನ್ಸ್ಟ್ರುಮೆಂಟ್ಸ್, ಹ್ಯಾಗರ್ಸ್ಟೌನ್, MD) ಮತ್ತು ಅಳತೆ ಮಾಡಿದ ಸ್ಕ್ಲೆರಲ್ ಸರ್ಚ್ ಕಾಯಿಲ್ನೊಂದಿಗೆ ಕಣ್ಣಿನ ಸ್ಥಾನವನ್ನು ಪ್ರಾಣಿಗಳಿಗೆ ಅಳವಡಿಸಲಾಯಿತು.(ಕೂನರ್ ವೈರ್, ಸ್ಯಾನ್ ಡಿಯಾಗೋ, ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ).ಎಲ್ಲಾ ಪ್ರೋಟೋಕಾಲ್‌ಗಳು ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡಿಪಾರ್ಟ್‌ಮೆಂಟ್ ಆಫ್ ಅಗ್ರಿಕಲ್ಚರ್ (ಯುಎಸ್‌ಡಿಎ) ನಿಯಮಗಳು ಮತ್ತು ನ್ಯಾಷನಲ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಹೆಲ್ತ್ (ಎನ್‌ಐಹೆಚ್) ಪ್ರಯೋಗಾಲಯ ಪ್ರಾಣಿಗಳ ಮಾನವೀಯ ಆರೈಕೆ ಮತ್ತು ಬಳಕೆಗಾಗಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸುತ್ತವೆ ಮತ್ತು ಚಿಕಾಗೊ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಾಂಸ್ಥಿಕ ಪ್ರಾಣಿಗಳ ಆರೈಕೆ ಮತ್ತು ಬಳಕೆ ಸಮಿತಿ (IAUKC) ಅನುಮೋದಿಸಲಾಗಿದೆ.
ಎಲ್ಲಾ ದೃಶ್ಯ ಪ್ರಚೋದನೆಗಳನ್ನು ಕಪ್ಪು ಅಥವಾ ಬೂದು ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಒಂದು ಸುತ್ತಿನ ದ್ಯುತಿರಂಧ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ.ರೆಕಾರ್ಡಿಂಗ್ ಸಮಯದಲ್ಲಿ, ಈ ರಂಧ್ರದ ಸ್ಥಾನ ಮತ್ತು ವ್ಯಾಸವನ್ನು ಎಲೆಕ್ಟ್ರೋಡ್ ತುದಿಯಲ್ಲಿರುವ ನ್ಯೂರಾನ್ಗಳ ಶಾಸ್ತ್ರೀಯ ಗ್ರಾಹಕ ಕ್ಷೇತ್ರಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ.ನಾವು ಎರಡು ವಿಶಾಲವಾದ ದೃಶ್ಯ ಪ್ರಚೋದಕಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ: ಸೈಕೋಮೆಟ್ರಿಕ್ ಪ್ರಚೋದನೆಗಳು ಮತ್ತು ಶ್ರುತಿ ಪ್ರಚೋದನೆಗಳು.
ಸೈಕೋಮೆಟ್ರಿಕ್ ಪ್ರಚೋದನೆಯು ಒಂದು ಗ್ರ್ಯಾಟಿಂಗ್ ಮಾದರಿಯಾಗಿದೆ (20 cd/m2, 50% ಕಾಂಟ್ರಾಸ್ಟ್, 50% ಡ್ಯೂಟಿ ಸೈಕಲ್, 5 ಡಿಗ್ರಿ/ಸೆಕೆಂಡು) ಎರಡು ಆಯತಾಕಾರದ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಅವುಗಳ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿರುವ ದಿಕ್ಕಿನಲ್ಲಿ ಅಲೆಯುವ ಮೂಲಕ ರಚಿಸಲಾಗಿದೆ (Fig. 1b).ಮಾನವ ವೀಕ್ಷಕರು ಈ ಗ್ರಿಡ್ ಮಾದರಿಗಳನ್ನು ಬಿಸ್ಟೇಬಲ್ ಪ್ರಚೋದಕಗಳಾಗಿ ಗ್ರಹಿಸುತ್ತಾರೆ ಎಂದು ಹಿಂದೆ ತೋರಿಸಲಾಗಿದೆ, ಕೆಲವೊಮ್ಮೆ ಒಂದೇ ಮಾದರಿಯಲ್ಲಿ ಚಲಿಸುವ (ಸುಸಂಬದ್ಧ ಚಲನೆ) ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಎರಡು ಪ್ರತ್ಯೇಕ ಮೇಲ್ಮೈಗಳು ವಿಭಿನ್ನ ದಿಕ್ಕುಗಳಲ್ಲಿ ಚಲಿಸುತ್ತವೆ (ಪಾರದರ್ಶಕ ಚಲನೆ).ಲ್ಯಾಟಿಸ್ ಮಾದರಿಯ ಘಟಕಗಳು, ಸಮ್ಮಿತೀಯವಾಗಿ ಆಧಾರಿತವಾಗಿವೆ - ಲ್ಯಾಟಿಸ್‌ಗಳ ನಡುವಿನ ಕೋನವು 95 ° ನಿಂದ 130 ° ವರೆಗೆ ಇರುತ್ತದೆ (ಸೆಟ್‌ನಿಂದ ಚಿತ್ರಿಸಲಾಗಿದೆ: 95 °, 100 °, 105 °, 115 °, 120 °, 125 °, 130 ° °, ಆದರೆ ಸೆಷನ್‌ನಾದ್ಯಂತ ನಾವು 1 ಮಾನಸಿಕ ಕೋನದಲ್ಲಿ 130 ° ದತ್ತಾಂಶವನ್ನು ಪೂರ್ವಭಾವಿಯಾಗಿ ಒದಗಿಸಿದ್ದೇವೆ, ಆದರೆ ಇಲ್ಲಿ 1 ದತ್ತಾಂಶವನ್ನು ಸೇರಿಸಲಾಗಿಲ್ಲ. ಸರಿಸುಮಾರು 90° ಅಥವಾ 270° (ಮಾದರಿ ದೃಷ್ಟಿಕೋನ).ಪ್ರತಿ ಅಧಿವೇಶನದಲ್ಲಿ, ಇಂಟರ್ಲ್ಯಾಟಿಸ್ ಲ್ಯಾಟಿಸ್ನ ಒಂದು ಮೂಲೆಯನ್ನು ಮಾತ್ರ ಬಳಸಲಾಗುತ್ತಿತ್ತು;ಪ್ರತಿ ಅಧಿವೇಶನದಲ್ಲಿ, ಪ್ರತಿ ಪ್ರಯೋಗದ ಮಾದರಿಯ ದೃಷ್ಟಿಕೋನವನ್ನು ಎರಡು ಸಾಧ್ಯತೆಗಳಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ.
ಗ್ರಿಡ್‌ನ ಗ್ರಹಿಕೆಯನ್ನು ಅಸ್ಪಷ್ಟಗೊಳಿಸಲು ಮತ್ತು ಕ್ರಿಯೆಯ ಪ್ರತಿಫಲಕ್ಕೆ ಪ್ರಾಯೋಗಿಕ ಆಧಾರವನ್ನು ಒದಗಿಸಲು, ನಾವು ಪ್ರತಿ ಗ್ರಿಡ್ ಘಟಕದ 72 ನೇ ಹಂತದ ಲೈಟ್ ಬಾರ್‌ನಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ಪಾಯಿಂಟ್ ಟೆಕಶ್ಚರ್‌ಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ.ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ಪಿಕ್ಸೆಲ್‌ಗಳ (Fig. 1c) ಪ್ರಖರತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಅಥವಾ ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ (ನಿಶ್ಚಿತ ಮೊತ್ತದಿಂದ) ಇದನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ.ವಿನ್ಯಾಸದ ಚಲನೆಯ ದಿಕ್ಕು ಬಲವಾದ ಸಂಕೇತವನ್ನು ನೀಡುತ್ತದೆ ಅದು ವೀಕ್ಷಕರ ಗ್ರಹಿಕೆಯನ್ನು ಸುಸಂಬದ್ಧ ಅಥವಾ ಪಾರದರ್ಶಕ ಚಲನೆಯ ಕಡೆಗೆ ಬದಲಾಯಿಸುತ್ತದೆ (Fig. 1c).ಸುಸಂಬದ್ಧ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಎಲ್ಲಾ ಟೆಕಶ್ಚರ್ಗಳು, ಟೆಕ್ಸ್ಚರ್ ಲ್ಯಾಟಿಸ್ ಕವರ್ಗಳ ಯಾವ ಘಟಕವನ್ನು ಲೆಕ್ಕಿಸದೆ, ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿ ಅನುವಾದಿಸಲಾಗುತ್ತದೆ (Fig. 1c, ಸುಸಂಬದ್ಧ).ಪಾರದರ್ಶಕ ಸ್ಥಿತಿಯಲ್ಲಿ, ವಿನ್ಯಾಸವು ಅದು ಆವರಿಸಿರುವ ಗ್ರ್ಯಾಟಿಂಗ್‌ನ ದಿಕ್ಕಿಗೆ ಲಂಬವಾಗಿ ಚಲಿಸುತ್ತದೆ (ಚಿತ್ರ 1 ಸಿ, ಪಾರದರ್ಶಕ) (ಪೂರಕ ಚಲನಚಿತ್ರ 1).ಕಾರ್ಯದ ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿಯಂತ್ರಿಸಲು, ಹೆಚ್ಚಿನ ಅವಧಿಗಳಲ್ಲಿ ಮೈಕೆಲ್ಸನ್ ಕಾಂಟ್ರಾಸ್ಟ್ (Lmax-Lmin/Lmax+Lmin) ಈ ವಿನ್ಯಾಸದ ಗುರುತು (-80, -40, -20, -10, -5, 0, 5) ಗಿಂತ ಭಿನ್ನವಾಗಿರುತ್ತದೆ., 10, 20, 40, 80).ಕಾಂಟ್ರಾಸ್ಟ್ ಅನ್ನು ರಾಸ್ಟರ್‌ನ ಸಾಪೇಕ್ಷ ಹೊಳಪು ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ (ಆದ್ದರಿಂದ 80% ನಷ್ಟು ಕಾಂಟ್ರಾಸ್ಟ್ ಮೌಲ್ಯವು 36 ಅಥವಾ 6 cd/m2 ರ ವಿನ್ಯಾಸಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ).ಮಂಕಿ N ನಲ್ಲಿ 6 ಸೆಷನ್‌ಗಳು ಮತ್ತು ಮಂಕಿ S ನಲ್ಲಿ 5 ಸೆಷನ್‌ಗಳಿಗಾಗಿ, ನಾವು ಕಿರಿದಾದ ಟೆಕ್ಸ್ಚರಲ್ ಕಾಂಟ್ರಾಸ್ಟ್ ಶ್ರೇಣಿಗಳನ್ನು (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) ಬಳಸಿದ್ದೇವೆ, ಇಲ್ಲಿ ಸೈಕೋಫಿಸಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳು ಪೂರ್ಣ-ಶ್ರೇಣಿಯ ಕಾಂಟ್ರಾಸ್ಟ್‌ನಂತೆ ಅದೇ ಮಾದರಿಯನ್ನು ಅನುಸರಿಸುತ್ತವೆ, ಆದರೆ ಶುದ್ಧತ್ವವಿಲ್ಲದೆ.
ಟ್ಯೂನಿಂಗ್ ಪ್ರಚೋದಕಗಳು ಸೈನುಸೈಡಲ್ ಗ್ರಿಡ್‌ಗಳು (ಕಾಂಟ್ರಾಸ್ಟ್ 50%, 1 ಚಕ್ರ/ಡಿಗ್ರಿ, 5 ಡಿಗ್ರಿ/ಸೆಕೆಂಡು) 16 ಸಮಾನ ಅಂತರದ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಚಲಿಸುತ್ತವೆ, ಅಥವಾ ಈ ದಿಕ್ಕುಗಳಲ್ಲಿ ಚಲಿಸುವ ಸೈನುಸೈಡಲ್ ಗ್ರಿಡ್‌ಗಳು (ಎರಡು ವಿರುದ್ಧ 135 ° ಕೋನಗಳನ್ನು ಒಂದರ ಮೇಲೊಂದು ಜೋಡಿಸಲಾದ ಸೈನುಸೈಡಲ್ ಗ್ರ್ಯಾಟಿಂಗ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ).ಮಾದರಿಯ ಅದೇ ದಿಕ್ಕಿನಲ್ಲಿ.