ຂໍຂອບໃຈທ່ານສໍາລັບການຢ້ຽມຢາມ Nature.com.ເວີຊັນຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີການສະຫນັບສະຫນູນ CSS ຈໍາກັດ.ເພື່ອປະສົບການທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ທ່ານໃຊ້ບຣາວເຊີທີ່ອັບເດດແລ້ວ (ຫຼືປິດການນຳໃຊ້ໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer).ໃນເວລານີ້, ເພື່ອຮັບປະກັນການສະຫນັບສະຫນູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາຈະສະແດງເວັບໄຊທ໌ໂດຍບໍ່ມີຮູບແບບແລະ JavaScript.
ຮູບເລື່ອນສະແດງສາມສະໄລ້ໃນເວລາດຽວກັນ.ໃຊ້ປຸ່ມກ່ອນໜ້າ ແລະປຸ່ມຕໍ່ໄປເພື່ອເລື່ອນຜ່ານສາມສະໄລ້ຕໍ່ຄັ້ງ, ຫຼືໃຊ້ປຸ່ມເລື່ອນຢູ່ທ້າຍເພື່ອເລື່ອນຜ່ານສາມສະໄລ້ຕໍ່ຄັ້ງ.
ວິໄສທັດທີ່ມີຄວາມລະອຽດສູງຕ້ອງການການເກັບຕົວຢ່າງຂອງຈໍຕາທີ່ດີ ແລະການເຊື່ອມໂຍງເພື່ອສ້າງຄຸນສົມບັດຂອງວັດຖຸຄືນໃໝ່.ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າໃນເວລາທີ່ປະສົມຕົວຢ່າງທ້ອງຖິ່ນຈາກວັດຖຸທີ່ແຕກຕ່າງກັນ, ຄວາມຖືກຕ້ອງແມ່ນສູນເສຍ.ດັ່ງນັ້ນ, ການແບ່ງສ່ວນ, ການຈັດກຸ່ມຂອງພື້ນທີ່ຂອງຮູບພາບສໍາລັບການປຸງແຕ່ງແຍກຕ່າງຫາກ, ແມ່ນສໍາຄັນຕໍ່ການຮັບຮູ້.ໃນການເຮັດວຽກທີ່ຜ່ານມາ, ໂຄງສ້າງເສັ້ນໄຍ bistable, ເຊິ່ງສາມາດໄດ້ຮັບການພິຈາລະນາເປັນຫນຶ່ງຫຼືຫຼາຍຫນ້າດິນເຄື່ອນຍ້າຍ, ໄດ້ຖືກນໍາໃຊ້ເພື່ອສຶກສາຂະບວນການນີ້.ທີ່ນີ້, ພວກເຮົາລາຍງານຄວາມສໍາພັນລະຫວ່າງກິດຈະກໍາແລະການຕັດສິນການແບ່ງສ່ວນໃນພາກພື້ນກາງຂອງເສັ້ນທາງສາຍຕາ primate.ໂດຍສະເພາະ, ພວກເຮົາພົບເຫັນວ່າການເລືອກທິດທາງຂອງ neurons ຊົ່ວຄາວປານກາງແມ່ນມີຄວາມອ່ອນໄຫວຕໍ່ກັບໂຄງສ້າງຂອງໂຄງສ້າງທີ່ໃຊ້ໃນການບິດເບືອນຄວາມຮັບຮູ້ຂອງ gratings bistable ແລະສະແດງໃຫ້ເຫັນເຖິງຄວາມກ່ຽວຂ້ອງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງການທົດລອງແລະການຮັບຮູ້ຂອງຕົວກະຕຸ້ນຢ່າງຕໍ່ເນື່ອງ.ການພົວພັນນີ້ແມ່ນຫຼາຍກວ່າເກົ່າໃນຫນ່ວຍງານທີ່ສັນຍານການເຄື່ອນໄຫວທົ່ວໂລກໃນຮູບແບບທີ່ມີຫຼາຍທິດທາງທ້ອງຖິ່ນ.ດັ່ງນັ້ນ, ພວກເຮົາສະຫຼຸບວ່າໂດເມນເວລາກາງມີສັນຍານທີ່ໃຊ້ເພື່ອແຍກ scenes ສະລັບສັບຊ້ອນເຂົ້າໄປໃນວັດຖຸແລະພື້ນຜິວ.
ວິໄສທັດບໍ່ພຽງແຕ່ອີງໃສ່ການຈໍາແນກທີ່ຊັດເຈນຂອງລັກສະນະຮູບພາບຂັ້ນຕົ້ນເຊັ່ນ: ທິດທາງຂອງຂອບແລະຄວາມໄວ, ແຕ່ສໍາຄັນກວ່າການລວມຕົວທີ່ຖືກຕ້ອງຂອງຄຸນລັກສະນະເຫຼົ່ານີ້ເພື່ອຄິດໄລ່ຄຸນສົມບັດດ້ານສິ່ງແວດລ້ອມເຊັ່ນ: ຮູບຮ່າງຂອງວັດຖຸແລະ trajectory1.ແນວໃດກໍ່ຕາມ, ບັນຫາເກີດຂື້ນເມື່ອຮູບພາບຈໍຕາສະຫນັບສະຫນູນຫຼາຍກຸ່ມລັກສະນະທີ່ສົມທຽບເທົ່າກັນ 2, 3, 4 (ຮູບ 1a).ຕົວຢ່າງເຊັ່ນ, ເມື່ອສັນຍານຄວາມໄວສອງຊຸດຢູ່ໃກ້ກັນຫຼາຍ, ນີ້ສາມາດຖືກຕີຄວາມສົມເຫດສົມຜົນວ່າເປັນວັດຖຸເຄື່ອນທີ່ຫນຶ່ງຫຼືວັດຖຸທີ່ເຄື່ອນຍ້າຍຫຼາຍ (ຮູບ 1b).ນີ້ສະແດງໃຫ້ເຫັນເຖິງລັກສະນະຫົວຂໍ້ຂອງການແບ່ງສ່ວນ, ເຊັ່ນວ່າມັນບໍ່ແມ່ນຊັບສິນຄົງທີ່ຂອງຮູບພາບ, ແຕ່ເປັນຂະບວນການຂອງການຕີຄວາມຫມາຍ.ເຖິງວ່າຈະມີຄວາມສໍາຄັນຢ່າງຈະແຈ້ງສໍາລັບການຮັບຮູ້ປົກກະຕິ, ຄວາມເຂົ້າໃຈຂອງພວກເຮົາກ່ຽວກັບພື້ນຖານ neural ຂອງການແບ່ງສ່ວນ perceptual ຍັງບໍ່ຄົບຖ້ວນສົມບູນ.
ຮູບກາຕູນກ່ຽວກັບບັນຫາການແບ່ງສ່ວນທີ່ຮັບຮູ້ໄດ້.ຄວາມຮັບຮູ້ຂອງຜູ້ສັງເກດການກ່ຽວກັບຄວາມເລິກໃນ Necker cube (ຊ້າຍ) ສະລັບກັນລະຫວ່າງສອງຄໍາອະທິບາຍທີ່ເປັນໄປໄດ້ (ຂວາ).ນີ້ແມ່ນຍ້ອນວ່າບໍ່ມີສັນຍານໃນຮູບພາບທີ່ອະນຸຍາດໃຫ້ສະຫມອງເພື່ອກໍານົດທິດທາງ 3D ຂອງຮູບທີ່ເປັນເອກະລັກ (ສະຫນອງໃຫ້ໂດຍສັນຍານ occlusion monocular ຢູ່ເບື້ອງຂວາ).b ໃນເວລາທີ່ສັນຍານການເຄື່ອນໄຫວຫຼາຍໄດ້ຖືກນໍາສະເຫນີໃນບໍລິເວນໃກ້ຄຽງ, ລະບົບວິໄສທັດຕ້ອງກໍານົດວ່າຕົວຢ່າງທ້ອງຖິ່ນແມ່ນມາຈາກຫນຶ່ງຫຼືຫຼາຍວັດຖຸ.ຄວາມບໍ່ແນ່ນອນຂອງສັນຍານການເຄື່ອນໄຫວທ້ອງຖິ່ນ, ເຊັ່ນ: ລຳດັບຂອງການເຄື່ອນທີ່ຂອງວັດຖຸສາມາດຜະລິດການເຄື່ອນໄຫວທ້ອງຖິ່ນດຽວກັນ, ເຊິ່ງກໍ່ໃຫ້ເກີດການຕີຄວາມໝາຍທີ່ສົມຜົນຫຼາຍເທົ່າກັນຂອງການປ້ອນຂໍ້ມູນທາງສາຍຕາ, ເຊັ່ນ: ຊ່ອງ vector ຢູ່ທີ່ນີ້ສາມາດເກີດຈາກການເຄື່ອນໄຫວທີ່ສອດຄ່ອງກັນຂອງພື້ນຜິວດຽວ ຫຼື ການເຄື່ອນໄຫວທີ່ໂປ່ງໃສຂອງພື້ນຜິວທັບຊ້ອນກັນ.c (ຊ້າຍ) ຕົວຢ່າງຂອງການກະຕຸ້ນຕາຂ່າຍໄຟຟ້າໂຄງສ້າງຂອງພວກເຮົາ.ຂອບຮູບສີ່ຫຼ່ຽມມຸມສາກທີ່ເລື່ອນຂຶ້ນຕັ້ງສາກກັບທິດທາງຂອງມັນ (“ທິດທາງອົງປະກອບ” – ລູກສອນສີຂາວ) ທັບຊ້ອນກັນເພື່ອສ້າງເປັນຮູບຂອບຂະໜານ.ເສັ້ນດ່າງສາມາດຮັບຮູ້ໄດ້ວ່າເປັນການເຄື່ອນໄຫວດຽວ, ປົກກະຕິ, ເຊື່ອມຕໍ່ຂອງທິດທາງ (ລູກສອນສີແດງ) ຫຼືການເຄື່ອນໄຫວທີ່ມີຄວາມໂປ່ງໃສຂອງທິດທາງປະສົມ.ຄວາມຮັບຮູ້ຂອງເສັ້ນດ່າງຖືກບິດເບືອນໂດຍການເພີ່ມໂຄງສ້າງຂອງຈຸດສຸ່ມ.(ກາງ) ພື້ນທີ່ທີ່ເນັ້ນໃສ່ເປັນສີເຫຼືອງແມ່ນຂະຫຍາຍ ແລະສະແດງເປັນຊຸດຂອງກອບສໍາລັບສັນຍານທີ່ສອດຄ່ອງກັນ ແລະໂປ່ງໃສ, ຕາມລໍາດັບ.ການເຄື່ອນໄຫວຂອງຈຸດໃນແຕ່ລະກໍລະນີແມ່ນສະແດງໂດຍລູກສອນສີຂຽວແລະສີແດງ.(ຂວາ) ກຣາບຂອງຕໍາແໜ່ງ (x, y) ຂອງຈຸດເລືອກທຽບກັບຈໍານວນຂອງກອບ.ໃນກໍລະນີທີ່ສອດຄ່ອງ, ໂຄງສ້າງທັງຫມົດລອຍໄປໃນທິດທາງດຽວກັນ.ໃນກໍລະນີຂອງຄວາມໂປ່ງໃສ, ໂຄງສ້າງເຄື່ອນຍ້າຍໄປໃນທິດທາງຂອງອົງປະກອບ.d ຮູບກາຕູນກ່ຽວກັບວຽກງານການແບ່ງສ່ວນການເຄື່ອນໄຫວຂອງພວກເຮົາ.ລິງເລີ່ມທົດລອງແຕ່ລະຄັ້ງໂດຍການແກ້ໄຂຈຸດນ້ອຍໆ.ຫຼັງຈາກການຊັກຊ້າສັ້ນ, ຮູບແບບ grating ປະເພດທີ່ແນ່ນອນ (ຄວາມສອດຄ່ອງ / ຄວາມໂປ່ງໃສ) ແລະຂະຫນາດສັນຍານໂຄງສ້າງ (ເຊັ່ນ: ກົງກັນຂ້າມ) ປາກົດຢູ່ສະຖານທີ່ຂອງ MT RF.ໃນລະຫວ່າງການທົດສອບແຕ່ລະຄົນ, grating ອາດຈະ drift ໃນຫນຶ່ງໃນສອງທິດທາງທີ່ເປັນໄປໄດ້ຂອງຮູບແບບ.ຫຼັງຈາກການຖອນຕົວກະຕຸ້ນ, ເປົ້າຫມາຍການຄັດເລືອກປາກົດຢູ່ຂ້າງເທິງແລະຂ້າງລຸ່ມນີ້ MT RF.ລິງຕ້ອງຊີ້ບອກເຖິງຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບຕາຂ່າຍໄຟຟ້າໃນ saccades ກັບເປົ້າຫມາຍການຄັດເລືອກທີ່ເຫມາະສົມ.
ການປະມວນຜົນການເຄື່ອນໄຫວຂອງສາຍຕາແມ່ນມີລັກສະນະທີ່ດີແລະດັ່ງນັ້ນຈຶ່ງສະຫນອງຕົວແບບທີ່ດີເລີດສໍາລັບການສຶກສາວົງຈອນ neural ຂອງ segmentation perceptual.ການສຶກສາການຄິດໄລ່ຫຼາຍໆຄັ້ງໄດ້ສັງເກດເຫັນຜົນປະໂຫຍດຂອງຕົວແບບການປຸງແຕ່ງການເຄື່ອນໄຫວສອງຂັ້ນຕອນເຊິ່ງການປະເມີນເບື້ອງຕົ້ນທີ່ມີຄວາມລະອຽດສູງແມ່ນປະຕິບັດຕາມໂດຍການເລືອກປະສົມປະສານຂອງຕົວຢ່າງທ້ອງຖິ່ນເພື່ອເອົາສິ່ງລົບກວນແລະການຟື້ນຟູຄວາມໄວຂອງວັດຖຸ 7,8.ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະຕ້ອງສັງເກດວ່າລະບົບວິໄສທັດຕ້ອງເບິ່ງແຍງເພື່ອ ຈຳ ກັດກຸ່ມນີ້ພຽງແຕ່ຕົວຢ່າງທ້ອງຖິ່ນຈາກວັດຖຸ ທຳ ມະດາ.ການສຶກສາທາງຈິດວິທະຍາໄດ້ອະທິບາຍເຖິງປັດໃຈທາງກາຍະພາບທີ່ມີອິດທິພົນຕໍ່ການແບ່ງສ່ວນຂອງສັນຍານການເຄື່ອນໄຫວໃນທ້ອງຖິ່ນ, ແຕ່ຮູບຮ່າງຂອງ trajectories anatomical ແລະລະຫັດ neural ຍັງຄົງເປັນຄໍາຖາມເປີດ.ບົດລາຍງານຈໍານວນຫລາຍແນະນໍາວ່າຈຸລັງເລືອກທິດທາງໃນພາກພື້ນ temporal (MT) ຂອງ cortex primate ແມ່ນຜູ້ສະຫມັກສໍາລັບ substrates neural.
ສິ່ງສໍາຄັນ, ໃນການທົດລອງທີ່ຜ່ານມາເຫຼົ່ານີ້, ການປ່ຽນແປງຂອງກິດຈະກໍາທາງ neural ກ່ຽວຂ້ອງກັບການປ່ຽນແປງທາງດ້ານຮ່າງກາຍໃນການກະຕຸ້ນສາຍຕາ.ຢ່າງໃດກໍຕາມ, ດັ່ງທີ່ໄດ້ກ່າວມາຂ້າງເທິງ, ການແບ່ງສ່ວນແມ່ນເປັນສິ່ງຈໍາເປັນຂະບວນການຮັບຮູ້.ດັ່ງນັ້ນ, ການສຶກສາຂອງ substrate neural ຂອງມັນຮຽກຮ້ອງໃຫ້ມີການເຊື່ອມໂຍງການປ່ຽນແປງກິດຈະກໍາທາງ neural ກັບການປ່ຽນແປງການຮັບຮູ້ຂອງ stimuli ຄົງທີ່.ດັ່ງນັ້ນ, ພວກເຮົາຈຶ່ງໄດ້ຝຶກແອບລີງສອງໂຕເພື່ອລາຍງານວ່າຮູບແບບການຕົບແຕ່ງແບບ bistable ທີ່ຮັບຮູ້ໄດ້ທີ່ສ້າງຂຶ້ນໂດຍການເລື່ອນຮູບສີ່ຫລ່ຽມທີ່ເລື່ອນໄດ້ເປັນພື້ນຜິວດຽວ ຫຼືສອງດ້ານທີ່ເປັນເອກະລາດ.ເພື່ອສຶກສາຄວາມສໍາພັນລະຫວ່າງກິດຈະກໍາທາງ neural ແລະການຕັດສິນຂອງ segmentation, ພວກເຮົາໄດ້ບັນທຶກກິດຈະກໍາດຽວໃນ MT ໃນເວລາທີ່ monkeys ປະຕິບັດວຽກງານນີ້.
ພວກເຮົາພົບເຫັນຄວາມສໍາພັນທີ່ສໍາຄັນລະຫວ່າງການສຶກສາກິດຈະກໍາ MT ແລະການຮັບຮູ້.ຄວາມສໍາພັນນີ້ມີຢູ່ຫຼືບໍ່ວ່າສິ່ງກະຕຸ້ນມີຕົວຊີ້ບອກການແບ່ງສ່ວນເກີນ.ນອກຈາກນັ້ນ, ຄວາມເຂັ້ມແຂງຂອງຜົນກະທົບນີ້ແມ່ນກ່ຽວຂ້ອງກັບຄວາມອ່ອນໄຫວຕໍ່ກັບສັນຍານການແບ່ງສ່ວນ, ເຊັ່ນດຽວກັນກັບດັດຊະນີຮູບແບບ.ອັນສຸດທ້າຍໄດ້ຄິດໄລ່ລະດັບທີ່ຫນ່ວຍບໍລິການ radiates ທົ່ວໂລກແທນທີ່ຈະເປັນການເຄື່ອນໄຫວໃນທ້ອງຖິ່ນໃນຮູບແບບທີ່ສັບສົນ.ເຖິງແມ່ນວ່າການຄັດເລືອກສໍາລັບທິດທາງຄົນອັບເດດ: ໄດ້ຖືກຮັບຮູ້ເປັນລັກສະນະກໍານົດຂອງ MT ເປັນເວລາດົນນານ, ແລະຈຸລັງເລືອກຄົນອັບເດດ: ສະແດງໃຫ້ເຫັນການປັບແຕ່ງການກະຕຸ້ນທີ່ສະລັບສັບຊ້ອນທີ່ສອດຄ່ອງກັບຄວາມຮັບຮູ້ຂອງມະນຸດຕໍ່ສິ່ງກະຕຸ້ນເຫຼົ່ານັ້ນ, ເຖິງຄວາມຮູ້ທີ່ດີທີ່ສຸດຂອງພວກເຮົາ, ນີ້ແມ່ນຫຼັກຖານທໍາອິດສໍາລັບຄວາມສໍາພັນລະຫວ່າງຮູບແບບ.ດັດຊະນີແລະການແບ່ງສ່ວນ perceptual.
ພວກເຮົາໄດ້ຝຶກອົບຮົມລິງສອງໂຕເພື່ອສະແດງໃຫ້ເຫັນຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບການກະຕຸ້ນຕາຂ່າຍໄຟຟ້າ drifting (ການເຄື່ອນໄຫວສອດຄ່ອງຫຼືໂປ່ງໃສ).ປົກກະຕິແລ້ວນັກສັງເກດການຂອງມະນຸດຮັບຮູ້ສິ່ງກະຕຸ້ນເຫຼົ່ານີ້ເປັນການເຄື່ອນໄຫວທີ່ສອດຄ່ອງກັນ ຫຼືໂປ່ງໃສປະມານຄວາມຖີ່ດຽວກັນ.ເພື່ອໃຫ້ຄໍາຕອບທີ່ຖືກຕ້ອງໃນການທົດລອງນີ້ແລະກໍານົດພື້ນຖານສໍາລັບລາງວັນຂອງຜູ້ປະຕິບັດງານ, ພວກເຮົາໄດ້ສ້າງສັນຍານການແບ່ງສ່ວນໂດຍໂຄງສ້າງ raster ຂອງອົງປະກອບທີ່ປະກອບເປັນເສັ້ນດ່າງ (ຮູບ 1c, d).ພາຍໃຕ້ເງື່ອນໄຂທີ່ສອດຄ່ອງກັນ, ໂຄງສ້າງທັງຫມົດເຄື່ອນໄປຕາມທິດທາງຂອງຮູບແບບ (ຮູບ 1c, "ສອດຄ່ອງກັນ").ຢູ່ໃນສະພາບທີ່ໂປ່ງໃສ, ໂຄງສ້າງເຄື່ອນທີ່ຕັ້ງຂວາງກັບທິດທາງຂອງ grating ທີ່ມັນຖືກ superimposed (ຮູບ 1c, "ໂປ່ງໃສ").ພວກເຮົາຄວບຄຸມຄວາມຫຍຸ້ງຍາກຂອງວຽກງານໂດຍການປ່ຽນຄວາມຄົມຊັດຂອງປ້າຍໂຄງສ້າງນີ້.ໃນການທົດລອງ cued, monkeys ໄດ້ຮັບລາງວັນສໍາລັບຄໍາຕອບທີ່ສອດຄ້ອງກັນກັບໂຄງສ້າງ cues, ແລະລາງວັນໄດ້ຖືກສະເຫນີແບບສຸ່ມ (50/50 odd) ໃນການທົດລອງທີ່ມີຮູບແບບທີ່ບໍ່ມີຕົວຊີ້ບອກໂຄງສ້າງ (ສະພາບຄວາມກົງກັນຂ້າມຂອງໂຄງສ້າງສູນ).
ຂໍ້ມູນພຶດຕິກໍາຈາກການທົດລອງຕົວແທນສອງອັນແມ່ນສະແດງຢູ່ໃນຮູບ 2a, ແລະການຕອບໂຕ້ຖືກວາງແຜນເປັນອັດຕາສ່ວນຂອງຄໍາຕັດສິນຂອງຄວາມສອດຄ່ອງທຽບກັບຄວາມກົງກັນຂ້າມຂອງສັນຍານໂຄງສ້າງ (ຄວາມໂປ່ງໃສແມ່ນສົມມຸດວ່າເປັນລົບໂດຍຄໍານິຍາມ) ສໍາລັບຮູບແບບທີ່ປ່ຽນຂຶ້ນຫຼືລົງຕາມລໍາດັບ. ໂດຍລວມແລ້ວ, ການຮັບຮູ້ຄວາມສອດຄ່ອງ/ຄວາມໂປ່ງໃສຂອງລີງໄດ້ຮັບຜົນກະທົບຢ່າງໜ້າເຊື່ອຖືໄດ້ຈາກທັງສັນຍານ (ໂປ່ງໃສ, ສອດຄ່ອງ) ແລະ ຄວາມແຂງແຮງ (ກົງກັນຂ້າມ) ຂອງໂຄງສ້າງ cue (ANOVA; monkey N: direction – F = 0.58, p = 0.45, sign – F = 1248, p < 10−10, contrast – F216; monkey = 2216–10; 0.41, p = 0.52, sign – F = 2876.7, p < 10−10, contrast – F = 36.5, p < 10−10). ໂດຍລວມແລ້ວ, ຄວາມຮັບຮູ້ຂອງລີງຕໍ່ຄວາມສອດຄ່ອງ/ຄວາມໂປ່ງໃສແມ່ນໄດ້ຮັບຜົນກະທົບຈາກທັງສັນຍາລັກ (ໂປ່ງໃສ, ສອດຄ່ອງ) ແລະຄວາມເຂັ້ມແຂງ (ກົງກັນຂ້າມ) ຂອງໂຄງສ້າງ cue (ANOVA; monkey N: direction – F = 0.58, p = 0.45, sign – F = 1248, p < 10−10, contrast – F 210–10, monkey = 210–10; 0.41, p = 0.52, sign – F = 2876.7, p < 10−10, contrast – F = 36.5, p < 10−10). В целом на восприятие обезьянами когерентности/прозрачности достоверно влияли как знак (прозрачности), а (контрастность) текстурного признака (ANOVA; обезьяна N: направление — F = 0,58, p = 0,45, знак — F = 1248, 12ктр, 2 с= 1248, p = 3,200. 10;−10 обезьяна S: направление – F = 0,41, p = 0,52, признак – F = 2876,7, p < 10−10, контраст – F = 36,5, р < 10–10). ໂດຍທົ່ວໄປ, ຄວາມຮັບຮູ້ຂອງຄວາມສອດຄ່ອງ / ຄວາມໂປ່ງໃສຂອງລິງໄດ້ຮັບຜົນກະທົບຢ່າງຫຼວງຫຼາຍໂດຍທັງສັນຍາລັກ (ຄວາມໂປ່ງໃສ, ຄວາມສອດຄ່ອງ) ແລະຄວາມເຂັ້ມແຂງ (ກົງກັນຂ້າມ) ຂອງລັກສະນະໂຄງສ້າງ (ANOVA; monkey N: ທິດທາງ — F = 0.58, p = 0.45, sign — F = 1248, p < 10−10, p20–16, ກົງກັນຂ້າມ. 0.41, p = 0.52, sign – F = 2876.7, p < 10 −10, contrast – 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、连贯幺咠)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;号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;幐 猴 0. 4–10 S. 2, 符号– F = 2876.7, p < 10−10, 对比度– F = 36.5,p < 10–10).总体而言,猴子对连贯性/透明度的感知受到纹理提示(ANOVA)的符号(透明、连贯幺咠)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;5−10, < 36).ໂດຍທົ່ວໄປ, ຄວາມຮັບຮູ້ຂອງຄວາມສອດຄ່ອງ / ຄວາມໂປ່ງໃສຂອງລິງໄດ້ຮັບຜົນກະທົບຢ່າງຫຼວງຫຼາຍໂດຍສັນຍານ (ຄວາມໂປ່ງໃສ, ຄວາມສອດຄ່ອງ) ແລະຄວາມເຂັ້ມຂົ້ນ (ກົງກັນຂ້າມ) ຂອງສັນຍານໂຄງສ້າງ (ANOVA);обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p < 10−10, Контрастность — F = 22,63, p < 10; monkey N: ປະຖົມນິເທດ – F = 0.58, p = 0.45, sign – F = 1248, p < 10−10, Contrast – F = 22.63, p < 10; −10 Обезьяна S: Ориентация — F = 0,41, p = 0,52, Знак — F = 2876,7, p < 10−10, Контрастность — F = 36,5, p < 10-10). −10 Monkey S: Orientation – F = 0.41, p = 0.52, Sign – F = 2876.7, p < 10–10, Contrast – F = 36.5, p < 10–10).ຟັງຊັນສະສົມຂອງ Gaussian ແມ່ນເຫມາະສົມກັບຂໍ້ມູນຈາກແຕ່ລະກອງປະຊຸມເພື່ອສະແດງຄຸນລັກສະນະທາງຈິດໃຈຂອງລີງ.ໃນຮູບ.2b ສະແດງໃຫ້ເຫັນການແຈກຢາຍຂໍ້ຕົກລົງສໍາລັບຕົວແບບເຫຼົ່ານີ້ໃນໄລຍະກອງປະຊຸມທັງຫມົດສໍາລັບທັງສອງ monkeys.ໂດຍລວມແລ້ວ, ລີງໄດ້ສໍາເລັດວຽກງານຢ່າງຖືກຕ້ອງແລະສອດຄ່ອງ, ແລະພວກເຮົາປະຕິເສດຫນ້ອຍກວ່າ 13% ຂອງກອງປະຊຸມສອງລິງຍ້ອນຄວາມເຫມາະສົມທີ່ບໍ່ດີກັບຕົວແບບ Gaussian ທີ່ສະສົມ.
a ຕົວຢ່າງພຶດຕິກໍາຂອງ monkeys ໃນກອງປະຊຸມຕົວແທນ (n ≥ 20 ການທົດລອງຕໍ່ສະພາບການກະຕຸ້ນ).ໃນແຖບດ້ານຊ້າຍ (ຂວາ), ຂໍ້ມູນຈາກຫນຶ່ງ N(S) monkey session ແມ່ນວາງແຜນໄວ້ເປັນຄະແນນການຄັດເລືອກທີ່ສອດຄ່ອງກັນ (ordinate) ທຽບກັບ sign contrast ຂອງ texture signals (abscissa).ໃນທີ່ນີ້ມັນສົມມຸດວ່າໂຄງສ້າງໂປ່ງໃສ (ສອດຄ່ອງ) ມີມູນຄ່າລົບ (ໃນທາງບວກ).ການຕອບສະຫນອງໄດ້ຖືກສ້າງຂຶ້ນແຍກຕ່າງຫາກຕາມທິດທາງຂອງການເຄື່ອນໄຫວຂອງຮູບແບບ (ຂຶ້ນ (90°) ຫຼືລົງ (270°)) ໃນການທົດສອບ.ສໍາລັບສັດທັງສອງ, ການປະຕິບັດ, ບໍ່ວ່າຈະເປັນການຕອບສະຫນອງແມ່ນແບ່ງອອກໂດຍ 50/50 contrast (PSE – ລູກສອນແຂງ) ຫຼືປະລິມານຂອງຄວາມຄົມຊັດຂອງໂຄງສ້າງທີ່ຕ້ອງການເພື່ອສະຫນັບສະຫນູນລະດັບສະເພາະໃດຫນຶ່ງ (threshold – ລູກສອນເປີດ), ແມ່ນຢູ່ໃນທິດທາງ drift ເຫຼົ່ານີ້.b Fitted histogram ຂອງຄ່າ R2 ຂອງຟັງຊັນສະສົມ Gaussian.Monkey S(N) ຂໍ້ມູນສະແດງຢູ່ເບື້ອງຊ້າຍ (ຂວາ).c (ເທິງ) PSE ວັດແທກສໍາລັບຕາຂ່າຍໄຟຟ້າທີ່ເລື່ອນລົງ (ordinate) ເມື່ອທຽບກັບ PSE ໄດ້ປ່ຽນຕາຂ່າຍໄຟຟ້າ (abscissa) ທີ່ວາງແຜນໄວ້, ມີຂອບສະແດງການແຈກຢາຍ PSE ສໍາລັບແຕ່ລະເງື່ອນໄຂແລະລູກສອນຊີ້ບອກຄ່າສະເລ່ຍສໍາລັບທຸກໆເງື່ອນໄຂ.ຂໍ້ມູນສໍາລັບ N(S) ເຊດຊັນລີງທັງໝົດແມ່ນໃຫ້ຢູ່ໃນຖັນຊ້າຍ (ຂວາ).(ລຸ່ມສຸດ) ສົນທິສັນຍາດຽວກັນກັບຂໍ້ມູນ PSE, ແຕ່ສໍາລັບຂອບເຂດຄຸນສົມບັດທີ່ພໍດີ.ບໍ່ມີຄວາມແຕກຕ່າງທີ່ສໍາຄັນໃນຂອບເຂດ PSE ຫຼືແນວໂນ້ມຄົນອັບເດດ: (ເບິ່ງຂໍ້ຄວາມ).d PSE ແລະ slope (ordinate) ແມ່ນວາງແຜນໂດຍອີງຕາມການປະຖົມນິເທດ raster ປົກກະຕິຂອງອົງປະກອບການແຍກເປັນລ່ຽມ ("ມຸມ grating ປະສົມປະສານ" – abscissa).ວົງມົນເປີດແມ່ນວິທີການ, ເສັ້ນແຂງແມ່ນຮູບແບບ regression ທີ່ເຫມາະສົມທີ່ດີທີ່ສຸດ, ແລະເສັ້ນ dotted ເປັນໄລຍະຄວາມຫມັ້ນໃຈ 95% ສໍາລັບຮູບແບບ regression.ມີຄວາມກ່ຽວຂ້ອງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງ PSE ແລະມຸມປະສົມປະສານປົກກະຕິ, ແຕ່ບໍ່ແມ່ນຄວາມຊັນແລະມຸມປະສົມປະສານປົກກະຕິ, ແນະນໍາວ່າການທໍາງານຂອງ psychometric ປ່ຽນເປັນມຸມແຍກອົງປະກອບຂອງ lattices, ແຕ່ບໍ່ແມ່ນ sharpening ຫຼື flattening.( Monkey N, n = 32 sessions; Monkey S, n = 43 sessions).ໃນແຜງທັງໝົດ, ແຖບຂໍ້ຜິດພາດສະແດງເຖິງຄວາມຜິດພາດມາດຕະຖານຂອງຄ່າສະເລ່ຍ.ຮາຮາ.ຄວາມສອດຄ່ອງ, ຄະແນນຄວາມສະເໝີພາບຫົວຂໍ້ PSE, ມາດຕະຖານ.ມາດຕະຖານ.
ດັ່ງທີ່ໄດ້ກ່າວໄວ້ຂ້າງເທິງ, ທັງຄວາມກົງກັນຂ້າມຂອງໂຄງສ້າງ cues ແລະທິດທາງຂອງການເຄື່ອນໄຫວຂອງຮູບແບບແມ່ນແຕກຕ່າງກັນໃນທົ່ວການທົດລອງ, ມີການກະຕຸ້ນ drifting ຂຶ້ນຫຼືຫຼຸດລົງໃນການທົດລອງ.ນີ້ແມ່ນເຮັດເພື່ອຫຼຸດຜ່ອນຜົນກະທົບທາງດ້ານຈິດໃຈ 11 ແລະ neuronal28 ຫນ້ອຍລົງ.ການປະຖົມນິເທດຮູບແບບທຽບກັບຄວາມລຳອຽງ (ຈຸດຄວາມສະເໝີພາບຂອງຫົວຂໍ້ ຫຼື PSE) (ການທົດສອບຜົນລວມອັນດັບ Wilcoxon; monkey N: z = 0.25, p = 0.8; monkey S: z = 0.86, p = 0.39) ຫຼື ເກນການທໍາງານທີ່ພໍດີ (ຜົນລວມຂອງອັນດັບ Wilcoxon; monkey N. 1.0, p = 0.9; monkey N. 4, p = 0.9; monkey N. 4, p = 0.9; monkey N: 4, p = 0.9; = 0.62) (ຮູບ 2c).ນອກຈາກນັ້ນ, ບໍ່ມີຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງ monkeys ໃນຄວາມຄົມຊັດຂອງໂຄງສ້າງທີ່ຕ້ອງການເພື່ອຮັກສາລະດັບການປະຕິບັດ (N monkey = 24.5% ± 3.9%, S monkey = 18.9% ± 1.9%; Wilcoxon rank sum , z = 1.01, p = 0.31).
ໃນແຕ່ລະກອງປະຊຸມ, ພວກເຮົາໄດ້ມີການປ່ຽນແປງມຸມ interlattice ແຍກທິດທາງຂອງອົງປະກອບ lattices.ການສຶກສາທາງຈິດວິທະຍາໄດ້ສະແດງໃຫ້ເຫັນວ່າຄົນເຮົາມີແນວໂນ້ມທີ່ຈະຮັບຮູ້ເຊັລ 10 ວ່າເຊື່ອມຕໍ່ກັນເມື່ອມຸມນີ້ນ້ອຍລົງ.ຖ້າລີງໄດ້ລາຍງານຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບຄວາມສອດຄ່ອງ / ຄວາມໂປ່ງໃສ, ຫຼັງຈາກນັ້ນໂດຍອີງໃສ່ການຄົ້ນພົບເຫຼົ່ານີ້, ຄົນຫນຶ່ງຈະຄາດຫວັງວ່າ PSE, ຄວາມແຕກຕ່າງຂອງໂຄງສ້າງທີ່ສອດຄ້ອງກັນກັບການແບ່ງປັນເປັນເອກະພາບລະຫວ່າງການເລືອກຄວາມສອດຄ່ອງແລະຄວາມໂປ່ງໃສ, ເພື່ອເພີ່ມການໂຕ້ຕອບ.ມຸມເສັ້ນດ່າງ. ອັນນີ້ແມ່ນກໍລະນີ (ຮູບ 2d; ພັງລົງທົ່ວທິດທາງຮູບແບບ, Kruskal–Wallis; monkey N: χ2 = 23.06, p < 10−3; monkey S: χ2 = 22.22, p < 10−3; correlation between normalized inter-grating angle and PSE – monkey N. 7 r , monkey = p. 9 S. 76, ໜ້າ < 10−13). ອັນນີ້ແມ່ນກໍລະນີ (ຮູບ 2d; ພັງລົງທົ່ວທິດທາງຮູບແບບ, Kruskal–Wallis; monkey N: χ2 = 23.06, p < 10−3; monkey S: χ2 = 22.22, p < 10−3; correlation between normalized inter-grating angle and PSE – monkey N. 7 r , monkey = p. 9 S. 76, ໜ້າ < 10−13). Это действительно имело место (рис. 2d; коллапс поперек направления паттерна, Крускал-Уоллис; обе , 20 на ; 2000 € ; безьяна S: χ2 = 22,22, p < 10–3 ; , 76, p < 10-13). ອັນນີ້ເກີດຂຶ້ນຢ່າງຈິງຈັງ (ຮູບ 2d; ພັງລົງທົ່ວທິດທາງຂອງຮູບແບບ, Kruskal-Wallis; monkey N: χ2 = 23.06, p < 10–3; monkey S: χ2 = 22.22, p < 10–3; correlation between normalized lattice angle and PSE – monkey N: 7- p , 0 r = 6. monkey N: 7- p , 0. < 10-13).情况确实如此(图2d;跨模式方向折叠,Kruskal-Wallis;猴子N:χ2 = 23.06,p < 10-3;猴子 2漛; 23.06,p < 10-3;猴子 2漛准化间光栅角和PSE – 猴子N:r = 0.67,p < 10-9;猴子S:r = 0.76,p < 10-13).情况确实如此(图图 2D;方向折叠,kruskal-wallis; n::2 = 23.06,p <10-3; 猴.2; 3; p<10-3; 猴.2; : 2; 2; 猴子间光栅角和 pse-猴子猴子猴子猴子 猴子猴子N:r = 0.67,p < 10-9;猴子<10-9;猴子 7. Это действительно имело место (рис. 2d; кратность по оси моды, Крускал-Уоллис ; обезьяна N: χ6 , pяз 23 , = 22,22, p < 10-3; нормализованный межрешеточный угол). ນີ້ແມ່ນກໍລະນີແນ່ນອນ (ຮູບ 2d; ພັບຕາມແກນຂອງໂຫມດ, Kruskal-Wallis; monkey N: χ2 = 23.06, p < 10-3; monkey S: χ2 = 22.22, p < 10-3; normalized interlattice corner). PSE-обезьяна N: r = 0,67, p < 10–9, обезьяна S: r = 0,76, p < 10–13). PSE monkey N: r = 0.67, p < 10–9, monkey S: r = 0.76, p < 10–13).ໃນທາງກົງກັນຂ້າມ, ການປ່ຽນແປງມຸມ interlattice ບໍ່ມີຜົນກະທົບທີ່ສໍາຄັນຕໍ່ຄວາມຊັນຂອງຫນ້າທີ່ psychometric (ຮູບ 2d; cross-modal orientation fold, Kruskal-Wallis; monkey N: χ2 = 8.09, p = 0.23; monkey S - χ2 = 3.18 , p = 0.67 correlation between normal, monkey S - N χ2 = 3.18 , p = 0.67 p. .4, p = 0.2, monkey S: r = 0.03, p = 0.76).ດັ່ງນັ້ນ, ອີງຕາມຂໍ້ມູນ psychophysical ຂອງບຸກຄົນ, ຜົນກະທົບສະເລ່ຍຂອງການປ່ຽນແປງມຸມລະຫວ່າງ gratings ແມ່ນການປ່ຽນແປງຂອງຈຸດຍ້າຍ, ແລະບໍ່ແມ່ນການເພີ່ມຂຶ້ນຫຼືຫຼຸດລົງໃນຄວາມອ່ອນໄຫວຕໍ່ກັບສັນຍານ segmentation.
ສຸດທ້າຍ, ຮາງວັນຖືກມອບໃຫ້ແບບສຸ່ມໂດຍມີຄວາມເປັນໄປໄດ້ 0.5 ໃນການທົດລອງທີ່ມີຄວາມຄົມຊັດຂອງໂຄງສ້າງສູນ.ຖ້າລິງທັງຫມົດຮູ້ເຖິງຄວາມສຸ່ມທີ່ເປັນເອກະລັກນີ້ແລະສາມາດຈໍາແນກລະຫວ່າງຄວາມກົງກັນຂ້າມຂອງໂຄງສ້າງສູນແລະການກະຕຸ້ນ cue, ພວກເຂົາສາມາດພັດທະນາຍຸດທະສາດທີ່ແຕກຕ່າງກັນສໍາລັບສອງປະເພດຂອງການທົດລອງ.ການສັງເກດການສອງຢ່າງຊີ້ໃຫ້ເຫັນຢ່າງແຂງແຮງວ່ານີ້ບໍ່ແມ່ນກໍລະນີ.ຫນ້າທໍາອິດ, ການປ່ຽນແປງມຸມ grating ມີຜົນກະທົບທີ່ຄ້າຍຄືກັນກ່ຽວກັບ cue ແລະເປັນສູນຄະແນນກົງກັນຂ້າມໂຄງສ້າງ (ຮູບ 2d ແລະເພີ່ມເຕີມ Fig. 1).ອັນທີສອງ, ສໍາລັບລີງທັງສອງ, ການຄັດເລືອກການທົດລອງ bistable ຄົງຈະບໍ່ເປັນການຊໍ້າຄືນຂອງການເລືອກລາງວັນຫຼ້າສຸດ (ກ່ອນຫນ້າ) (ການທົດສອບ binomial, N monkeys: 0.52, z = 0.74, p = 0.22; S monkeys: 0.51, r = 0.9, p = 0.18).
ສະຫຼຸບແລ້ວ, ພຶດຕິກຳຂອງລີງໃນໜ້າທີ່ການແບ່ງສ່ວນຂອງພວກເຮົາແມ່ນຢູ່ພາຍໃຕ້ການຄວບຄຸມການກະຕຸ້ນທີ່ດີ.ການເອື່ອຍອີງຂອງການຕັດສິນ perceptual ກ່ຽວກັບເຄື່ອງຫມາຍແລະຂະຫນາດຂອງຕົວຊີ້ບອກໂຄງສ້າງ, ເຊັ່ນດຽວກັນກັບການປ່ຽນແປງໃນ PSE ກັບມຸມ grating, ຊີ້ໃຫ້ເຫັນວ່າ monkeys ລາຍງານຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າ subjective ຂອງ motor coherence / ຄວາມໂປ່ງໃສ.ສຸດທ້າຍ, ຄໍາຕອບຂອງລີງໃນການທົດລອງຄວາມຄົມຊັດຂອງໂຄງສ້າງສູນບໍ່ໄດ້ຮັບຜົນກະທົບຈາກປະຫວັດລາງວັນຂອງການທົດລອງທີ່ຜ່ານມາແລະໄດ້ຮັບຜົນກະທົບຢ່າງຫຼວງຫຼາຍຈາກການປ່ຽນແປງທາງຂວາງລະຫວ່າງ raster.ນີ້ຊີ້ໃຫ້ເຫັນວ່າລີງຍັງສືບຕໍ່ລາຍງານຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບການຕັ້ງຄ່າພື້ນຜິວເສັ້ນດ່າງພາຍໃຕ້ເງື່ອນໄຂທີ່ສໍາຄັນນີ້.
ດັ່ງທີ່ໄດ້ກ່າວມາຂ້າງເທິງ, ການຫັນປ່ຽນຂອງໂຄງສ້າງກົງກັນຂ້າມຈາກທາງລົບໄປສູ່ທາງບວກແມ່ນເທົ່າກັບການຫັນປ່ຽນຄວາມຮັບຮູ້ຂອງສິ່ງກະຕຸ້ນຈາກຄວາມໂປ່ງໃສໄປສູ່ຄວາມສອດຄ່ອງ.ໂດຍທົ່ວໄປ, ສໍາລັບເຊນທີ່ໃຫ້, ການຕອບສະຫນອງ MT ມັກຈະເພີ່ມຂຶ້ນຫຼືຫຼຸດລົງຍ້ອນວ່າໂຄງສ້າງທີ່ກົງກັນຂ້າມມີການປ່ຽນແປງຈາກລົບໄປສູ່ທາງບວກ, ແລະທິດທາງຂອງຜົນກະທົບນີ້ມັກຈະຂຶ້ນກັບທິດທາງຂອງການເຄື່ອນໄຫວຂອງຮູບແບບ / ອົງປະກອບ.ຕົວຢ່າງ, ເສັ້ນໂຄ້ງການປັບແຕ່ງທິດທາງຂອງສອງເຊລ MT ຕົວແທນແມ່ນສະແດງຢູ່ໃນຮູບທີ 3 ພ້ອມກັບການຕອບສະໜອງຂອງເຊລເຫຼົ່ານີ້ຕໍ່ກັບການຕິດຂອບທີ່ມີສັນຍານໂຄງສ້າງທີ່ສອດຄ່ອງ ຫຼືຄວາມໂປ່ງໃສຕໍ່າ ຫຼືຄວາມຄົມຊັດ.ພວກເຮົາໄດ້ພະຍາຍາມໃນບາງວິທີການທີ່ດີກວ່າປະລິມານການຕອບສະຫນອງຕາຂ່າຍໄຟຟ້າເຫຼົ່ານີ້, ຊຶ່ງສາມາດກ່ຽວຂ້ອງກັບການປະຕິບັດທາງຈິດໃຈຂອງລີງຂອງພວກເຮົາ.
ດິນຕອນ Polar ຂອງເສັ້ນໂຄ້ງປັບທິດທາງຂອງລີງຕົວແທນ MT cell S ໃນການຕອບສະໜອງຕໍ່ອາເຣ sinusoidal ດຽວ.ມຸມຊີ້ບອກທິດທາງຂອງການເຄື່ອນໄຫວຂອງ grating ໄດ້, ຂະຫນາດຊີ້ໃຫ້ເຫັນເຖິງການປ່ອຍອາຍພິດ, ແລະທິດທາງຂອງເຊນທີ່ຕ້ອງການ overlaps ປະມານ 90 ° (ຂຶ້ນ) ກັບທິດທາງຂອງຫນຶ່ງໃນອົງປະກອບໃນທິດທາງຂອງຮູບແບບ grating ໄດ້.b ຮິສໂຕແກຣມເວລາກະຕຸ້ນປະ ຈຳອາທິດ (PSTH) ຂອງຕາຂ່າຍຕອບຮັບ, ປ່ຽນໄປໃນທິດທາງແມ່ແບບໂດຍ 90° (ສະແດງແບບແຜນຢູ່ດ້ານຊ້າຍ) ສໍາລັບຕາລາງທີ່ສະແດງຢູ່ໃນ a.ການຕອບສະ ໜອງ ແມ່ນຈັດຮຽງຕາມປະເພດ ຄຳ ແນະ ນຳ ໂຄງສ້າງ (ຄວາມສອດຄ່ອງ / ໂປ່ງໃສ - ກະດານກາງ / ຂວາຕາມລຳດັບ) ແລະຄວາມຄົມຊັດຂອງ Michelson ( ຄຳ ແນະ ນຳ ສີ PSTH).ມີພຽງແຕ່ຄວາມພະຍາຍາມທີ່ຖືກຕ້ອງເທົ່ານັ້ນທີ່ສະແດງສໍາລັບແຕ່ລະປະເພດຂອງສັນຍານໂຄງສ້າງທີ່ມີຄວາມຄົມຊັດຕ່ໍາແລະຄວາມຄົມຊັດສູງ.ເຊັລຕອບສະໜອງໄດ້ດີກວ່າຮູບແບບເສັ້ນລວດທີ່ເລື່ອນຂຶ້ນເທິງດ້ວຍຕົວຊີ້ໂຄງສ້າງທີ່ໂປ່ງໃສ, ແລະການຕອບສະໜອງຕໍ່ຮູບແບບເຫຼົ່ານີ້ເພີ່ມຂຶ້ນດ້ວຍການເພີ່ມຄວາມຄົມຊັດຂອງໂຄງສ້າງ.c, d ແມ່ນສົນທິສັນຍາດຽວກັນກັບໃນ a ແລະ b, ແຕ່ສໍາລັບຈຸລັງ MT ນອກເຫນືອຈາກລິງ S, ທິດທາງທີ່ຕ້ອງການຂອງພວກມັນເກືອບຈະທັບຊ້ອນກັນກັບຕາຂ່າຍໄຟຟ້າທີ່ເລື່ອນລົງ.ຫນ່ວຍບໍລິການຕ້ອງການ gratings drifting ລົງກັບ cues ໂຄງສ້າງທີ່ສອດຄ່ອງ, ແລະການຕອບສະຫນອງຕໍ່ຮູບແບບເຫຼົ່ານີ້ເພີ່ມຂຶ້ນກັບຄວາມຄົມຊັດຂອງໂຄງສ້າງ.ໃນແຜງທັງໝົດ, ພື້ນທີ່ຮົ່ມສະແດງເຖິງຄວາມຜິດພາດມາດຕະຖານຂອງຄ່າສະເລ່ຍ.ປາກເວົ້າ.ຮວງ, ວິນາທີ.ທີສອງ.
ເພື່ອສຳຫຼວດຄວາມສຳພັນລະຫວ່າງການກຳນົດຄ່າພື້ນຜິວເສັ້ນດ່າງ (ສອດຄ່ອງກັນ ຫຼື ໂປ່ງໃສ) ຕາມທີ່ລະບຸໄວ້ໂດຍສັນຍານໂຄງສ້າງຂອງພວກເຮົາ ແລະ ການເຄື່ອນໄຫວ MT, ພວກເຮົາທຳອິດໄດ້ເລື່ອນຄວາມສຳພັນລະຫວ່າງເຊວເພື່ອການເຄື່ອນໄຫວທີ່ສອດຄ່ອງກັນ (ຄວາມຊັນທາງບວກ) ຫຼື ການເຄື່ອນໄຫວທີ່ໂປ່ງໃສ (ຄ້ອຍຊັນທາງລົບ) ໂດຍການຖົດຖອຍ.ໄດ້ຖືກມອບໃຫ້ເພື່ອຈັດປະເພດເຊລໂດຍອັດຕາການຕອບສະຫນອງຂອງເຄື່ອງຫມາຍທຽບກັບຄວາມຄົມຊັດ (ແຍກຕ່າງຫາກສໍາລັບແຕ່ລະທິດທາງຂອງໂຫມດ).ຕົວຢ່າງຂອງເສັ້ນໂຄ້ງການປັບເສັ້ນໂຄ້ງເຫຼົ່ານີ້ຈາກເຊລຕົວຢ່າງດຽວກັນໃນຮູບທີ 3 ແມ່ນສະແດງຢູ່ໃນຮູບ 4a.ຫຼັງຈາກການຈັດປະເພດ, ພວກເຮົາໃຊ້ການວິເຄາະປະສິດທິພາບຜູ້ຮັບ (ROC) ເພື່ອປະເມີນຄວາມອ່ອນໄຫວຂອງແຕ່ລະເຊນຕໍ່ກັບການດັດແປງສັນຍານໂຄງສ້າງ (ເບິ່ງວິທີການ).ຫນ້າທີ່ neurometric ທີ່ໄດ້ຮັບໃນລັກສະນະນີ້ສາມາດຖືກປຽບທຽບໂດຍກົງກັບຄຸນລັກສະນະທາງຈິດວິທະຍາຂອງລີງໃນກອງປະຊຸມດຽວກັນເພື່ອປຽບທຽບຄວາມອ່ອນໄຫວທາງດ້ານຈິດໃຈຂອງ neurons ໂດຍກົງກັບໂຄງສ້າງເສັ້ນດ່າງ.ພວກເຮົາໄດ້ປະຕິບັດການວິເຄາະການຊອກຄົ້ນຫາສອງສັນຍານສໍາລັບທຸກໆຫນ່ວຍໃນຕົວຢ່າງ, ການຄິດໄລ່ລັກສະນະ neurometric ແຍກຕ່າງຫາກສໍາລັບແຕ່ລະທິດທາງຂອງຮູບແບບ (ອີກເທື່ອຫນຶ່ງ, ຂຶ້ນຫຼືລົງ).ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າ, ສໍາລັບການວິເຄາະນີ້, ພວກເຮົາພຽງແຕ່ລວມເອົາການທົດລອງທີ່ (i) ການກະຕຸ້ນທີ່ມີໂຄງສ້າງ cue ແລະ (ii) monkeys ຕອບສະຫນອງຕາມ cue ດັ່ງກ່າວ (ເຊັ່ນ, ການທົດລອງ "ທີ່ຖືກຕ້ອງ").
ອັດຕາການໄຟຖືກວາງແຜນຕໍ່ກັບຄວາມຄົມຊັດຂອງໂຄງສ້າງ, ຕາມລໍາດັບ, ສໍາລັບ gratings ເລື່ອນຂຶ້ນ (ຊ້າຍ) ຫຼືລົງ (ຂວາ), ເສັ້ນແຂງເປັນຕົວແທນຂອງ regression linear ເຫມາະທີ່ດີທີ່ສຸດ, ແລະຂໍ້ມູນໃນແຖວເທິງ (ລຸ່ມ) ແມ່ນເອົາມາຈາກທີ່ສະແດງຢູ່ໃນຮູບ.ເຂົ້າ.3a Cell, b (ຮູບ 3c, d).ລັກສະນະການເລື່ອນການຖົດຖອຍໄດ້ຖືກນໍາໃຊ້ເພື່ອກໍານົດຕົວຊີ້ບອກໂຄງສ້າງທີ່ຕ້ອງການ (ສອດຄ່ອງ / ໂປ່ງໃສ) ໃຫ້ກັບແຕ່ລະຈຸລັງ / ເສັ້ນປະທັບຕາປະສົມປະສານ (n ≥ 20 ການທົດລອງຕໍ່ເງື່ອນໄຂການກະຕຸ້ນ).ແຖບຂໍ້ຜິດພາດສະແດງເຖິງຄວາມບ່ຽງເບນມາດຕະຖານຂອງຄ່າສະເລ່ຍ.ຫນ້າທີ່ neurometric ຂອງຫນ່ວຍງານທີ່ສະແດງຢູ່ໃນ ba ໄດ້ຖືກອະທິບາຍພ້ອມກັບຫນ້າທີ່ psychometric ເກັບກໍາໃນລະຫວ່າງກອງປະຊຸມດຽວກັນ.ໃນປັດຈຸບັນ, ສໍາລັບແຕ່ລະລັກສະນະ, ພວກເຮົາວາງແຜນທາງເລືອກຂອງເຄື່ອງມືທີ່ຕ້ອງການ (ກໍານົດ) (ເບິ່ງຂໍ້ຄວາມ) ເປັນສ່ວນຮ້ອຍຂອງຄວາມແຕກຕ່າງຂອງໂຄງສ້າງ (abscissa).ຄວາມຄົມຊັດຂອງໂຄງສ້າງໄດ້ຖືກປ່ຽນແປງເພື່ອໃຫ້ຄໍາແນະນໍາເຄື່ອງມືທີ່ຕ້ອງການເປັນບວກແລະຄໍາແນະນໍາທີ່ຫວ່າງເປົ່າແມ່ນເປັນລົບ.ຂໍ້ມູນຈາກຕາຂ່າຍໄຟຟ້າ drifting ຂຶ້ນໄປ (ລົງ) ແມ່ນສະແດງໃຫ້ເຫັນຢູ່ໃນຫມູ່ຄະນະຊ້າຍ (ຂວາ), ໃນແຖວເທິງ (ລຸ່ມ) – ຂໍ້ມູນຈາກຈຸລັງສະແດງໃຫ້ເຫັນໃນຮູບທີ 3a,b (ຮູບທີ 3c, d).ອັດຕາສ່ວນຂອງເກນ neurometric ແລະ psychometric (N/P) ແມ່ນສະແດງໃນແຕ່ລະແຜງ.ປາກເວົ້າ.ຮວງ, ວິນາທີ.ວິນາທີ, ໄດເລກະທໍລີ.ທິດທາງ, ແຂວງທີ່ຕ້ອງການ, psi.Psychometry, Neurology.
ເສັ້ນໂຄ້ງ tuning Lattice ແລະຫນ້າທີ່ neurometric ຂອງສອງຈຸລັງ MT ຕົວແທນແລະຫນ້າທີ່ psychometric ທີ່ກ່ຽວຂ້ອງຂອງພວກເຂົາ, ລວມກັນກັບການຕອບສະຫນອງເຫຼົ່ານີ້, ແມ່ນສະແດງຢູ່ໃນແຖບເທິງແລະລຸ່ມຂອງຮູບ 4a,b, ຕາມລໍາດັບ.ເຊັລເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນເຖິງການເພີ່ມຂຶ້ນ ຫຼື ຫຼຸດລົງທີ່ແປກປະຫຼາດເປັນຄຳໃບ້ຂອງໂຄງສ້າງຈາກຄວາມໂປ່ງໃສໄປຫາຄວາມສອດຄ່ອງກັນ.ນອກຈາກນັ້ນ, ທິດທາງແລະຄວາມເຂັ້ມແຂງຂອງພັນທະບັດນີ້ແມ່ນຂຶ້ນກັບທິດທາງຂອງການເຄື່ອນໄຫວ lattice.ສຸດທ້າຍ, ຫນ້າທີ່ neurometric ຄິດໄລ່ຈາກການຕອບສະຫນອງຂອງຈຸລັງເຫຼົ່ານີ້ພຽງແຕ່ເຂົ້າຫາ (ແຕ່ຍັງບໍ່ກົງກັບ) ຄຸນສົມບັດທາງຈິດວິທະຍາຂອງການເຄື່ອນໄຫວຕາຂ່າຍໄຟຟ້າ unidirectional.ທັງສອງຫນ້າທີ່ neurometric ແລະ psychometric ໄດ້ຖືກສະຫຼຸບດ້ວຍຂອບເຂດ, ie ກົງກັນກັບປະມານ 84% ຂອງຄວາມຄົມຊັດທີ່ເລືອກຢ່າງຖືກຕ້ອງ (ກົງກັນກັບຄ່າສະເລ່ຍ + 1 sd ຂອງຟັງຊັນ Gaussian ທີ່ພໍດີ).ໃນທົ່ວຕົວຢ່າງທັງຫມົດ, ອັດຕາສ່ວນ N / P, ອັດຕາສ່ວນຂອງເກນ neurometric ກັບ psychometric ຫນຶ່ງ, ສະເລ່ຍ 12.4 ± 1.2 ໃນ monkey N ແລະ 15.9 ± 1.8 ໃນ monkey S, ແລະສໍາລັບ lattice ທີ່ຈະຍ້າຍອອກໄປໃນຢ່າງຫນ້ອຍຫນຶ່ງທິດທາງ, ພຽງແຕ່ຢູ່ທີ່ ~ 16% (18).%) ຫົວໜ່ວຍຈາກ monkey N (monkey S) (ຮູບ 5a).ຈາກຕົວຢ່າງເຊລທີ່ສະແດງຢູ່ໃນຮູບ.ດັ່ງທີ່ເຫັນໃນຮູບທີ 3 ແລະ 4, ຄວາມອ່ອນໄຫວຂອງ neurons ສາມາດໄດ້ຮັບຜົນກະທົບຈາກຄວາມສໍາພັນລະຫວ່າງທິດທາງທີ່ມັກຂອງເຊນແລະທິດທາງຂອງການເຄື່ອນໄຫວຂອງເສັ້ນດ່າງທີ່ໃຊ້ໃນການທົດລອງ.ໂດຍສະເພາະ, ເສັ້ນໂຄ້ງການປັບທິດທາງໃນຮູບທີ 3a,c ສະແດງໃຫ້ເຫັນຄວາມສໍາພັນລະຫວ່າງການວາງທິດທາງ neuron ຂອງອາເຣ sinusoidal ດຽວແລະຄວາມອ່ອນໄຫວຂອງມັນຕໍ່ກັບການເຄື່ອນໄຫວທີ່ໂປ່ງໃສ / ສອດຄ່ອງໃນໂຄງສ້າງຂອງພວກເຮົາ. ນີ້ແມ່ນກໍລະນີສໍາລັບລີງທັງສອງ (ANOVA; ທິດທາງທີ່ຕ້ອງການພີ່ນ້ອງ binned ກັບຄວາມລະອຽດ 10°; monkey N: F = 2.12, p < 0.01; monkey S: F = 2.01, p < 0.01). ນີ້ແມ່ນກໍລະນີສໍາລັບລີງທັງສອງ (ANOVA; ທິດທາງທີ່ຕ້ອງການພີ່ນ້ອງ binned ກັບຄວາມລະອຽດ 10°; monkey N: F = 2.12, p < 0.01; monkey S: F = 2.01, p < 0.01). Это имело место для обеих обезьян (ANOVA; относительные предпочтительные направления объединены в грсительные в гравления объединены в группы яна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ນີ້ແມ່ນກໍລະນີຂອງລີງທັງສອງ (ANOVA; ທິດທາງທີ່ຕ້ອງການພີ່ນ້ອງຈັດກຸ່ມຢູ່ທີ່ຄວາມລະອຽດ 10°; monkey N: F=2.12, p<0.01; monkey 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(方差分析以以 10°分辨率合并的相对方向; 1.0~; p. ;: : f = 2.01 , p < 0.01 . . . . ). Это имело место для обеих обезьян (ANOVA; относительная предпочтительная ориентация объиединена при0 приединена при0 = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ນີ້ແມ່ນກໍລະນີສໍາລັບລີງທັງສອງ (ANOVA; ທິດທາງທີ່ມັກໂດຍພີ່ນ້ອງລວມກັນຢູ່ທີ່ຄວາມລະອຽດ 10°; monkey N: F=2.12, p<0.01; monkey S: F=2.01, p<0.01).ເນື່ອງຈາກຄວາມຜັນຜວນຂອງລະດັບຄວາມອ່ອນໄຫວຂອງ neuron (ຮູບ 5a), ເພື່ອສະແດງພາບການເອື່ອຍອີງຂອງຄວາມອ່ອນໄຫວຂອງ neuron ໃນທິດທາງທີ່ຕ້ອງການຂອງພີ່ນ້ອງ, ພວກເຮົາທໍາອິດເຮັດໃຫ້ການປະຖົມນິເທດທີ່ຕ້ອງການຂອງແຕ່ລະເຊນເປັນທິດທາງ "ທີ່ດີທີ່ສຸດ" ສໍາລັບການເຄື່ອນໄຫວຂອງຮູບແບບຕາຂ່າຍໄຟຟ້າ (ເຊັ່ນທິດທາງ).ໃນທີ່ grating ປະກອບເປັນມຸມທີ່ນ້ອຍທີ່ສຸດລະຫວ່າງທິດທາງຂອງເຊນທີ່ຕ້ອງການແລະການປະຖົມນິເທດຂອງຮູບແບບ grating).ພວກເຮົາພົບເຫັນວ່າຂອບເຂດຂອງ neurons ທີ່ກ່ຽວຂ້ອງ (threshold ສໍາລັບການປະຖົມນິເທດ lattice "ຮ້າຍແຮງທີ່ສຸດ" / threshold ສໍາລັບການປະຖົມນິເທດ lattice "ດີທີ່ສຸດ") ແຕກຕ່າງກັນກັບການປະຖົມນິເທດທີ່ມັກປົກກະຕິນີ້, ໂດຍຈຸດສູງສຸດໃນອັດຕາສ່ວນນີ້ເກີດຂຶ້ນປະມານຮູບແບບຫຼືການປະຖົມນິເທດອົງປະກອບ (ຮູບ 5b).)). ຜົນກະທົບນີ້ບໍ່ສາມາດອະທິບາຍໄດ້ໂດຍຄວາມລໍາອຽງໃນການແຈກຢາຍທິດທາງທີ່ຕ້ອງການໃນຫົວຫນ່ວຍໃນແຕ່ລະຕົວຢ່າງໄປສູ່ຫນຶ່ງຂອງຮູບແບບ plaid ຫຼືທິດທາງອົງປະກອບ (ຮູບ 5c; ການທົດສອບ Rayleigh; monkey N: z = 8.33, p < 10−3, circular mean = 190.13 deg ± 9.83 deg; monkey inter g. 70.9, ສອດຄ່ອງ = p. ມຸມ (ຮູບປະກອບ 2). ຜົນກະທົບນີ້ບໍ່ສາມາດອະທິບາຍໄດ້ໂດຍຄວາມລໍາອຽງໃນການແຈກຢາຍທິດທາງທີ່ຕ້ອງການໃນຫົວຫນ່ວຍໃນແຕ່ລະຕົວຢ່າງໄປສູ່ຫນຶ່ງຂອງຮູບແບບ plaid ຫຼືທິດທາງອົງປະກອບ (ຮູບ 5c; ການທົດສອບ Rayleigh; monkey N: z = 8.33, p < 10−3 , circular mean = 190.13 deg ± 9.83 deg 5 plaid inter. S: 9. , monkey = 7.0-z, ສອດຄ່ອງກັນ. ມຸມການຈັດອັນດັບ (ຮູບປະກອບ 2). Этот эффект нельзя было объяснить смещением распределения предпочтительных направлений в единицанием распределения предпочтительных направлений в единицах в каж дой о из клетчатых направлений или направлений компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,33, p < 10,33, p <10. ຜົນກະທົບນີ້ບໍ່ສາມາດອະທິບາຍໄດ້ໂດຍການປ່ຽນການແຈກຢາຍຂອງທິດທາງທີ່ຕ້ອງການໃນຫົວຫນ່ວຍໃນແຕ່ລະຕົວຢ່າງໄປສູ່ຫນຶ່ງໃນທິດທາງ checkered ຫຼືທິດທາງອົງປະກອບ (ຮູບ 5c; ການທົດສອບ Rayleigh; monkey N: z = 8.33, p <10–3)., ສະເລ່ຍວົງ = 190.13 ອົງສາ ± 9.83 ອົງສາ;monkey S: z = 0.79, p = 0.45) ແລະແມ່ນຄືກັນສໍາລັບທຸກມຸມຂອງຕາຂ່າຍໄຟຟ້າ plaid (ຮູບເພີ່ມເຕີມ 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过每个样本中单元中的优选方向分布偏向格子图案或绣始滶-光栅角上是一致的(补充图2).这种效应不能通过每样本中单元中优选方向分布愝向偏嶖幻解释(图图图瑞利测试;猴子 n:z = 8.33,p<10-3,平均值 平均彽圆形圆形圆形圆形圆形圆形圆形圆形z Этот эффект не может быть объяснен тем, что распределение предпочтительных ориентаций в клекаткал в ориентаций в клекаткалж в ориентаций в клекаткалж и в сторону структуры решетки, либо в сторону одной из ориентаций компонентов (рис. 5в; кри торону одной из ориентаций компонентов (рис. 5в; кри тебрий , Раз 3 нерий , Раз , 3 нерей , Раз , Раз 3 нерей ; 10–3). ຜົນກະທົບນີ້ບໍ່ສາມາດອະທິບາຍໄດ້ໂດຍຄວາມຈິງທີ່ວ່າການແຜ່ກະຈາຍຂອງທິດທາງທີ່ຕ້ອງການໃນຈຸລັງໃນແຕ່ລະຕົວຢ່າງແມ່ນມີຄວາມລໍາອຽງຕໍ່ໂຄງສ້າງຂອງເສັ້ນດ່າງຫຼືໄປສູ່ຫນຶ່ງໃນທິດທາງອົງປະກອບ (ຮູບ 5c; ການທົດສອບຂອງ Rayleigh; monkey N: z = 8.33, p < 10–3)., ສະເລ່ຍວົງ) = 190.13 ອົງສາ ± 9.83 ອົງສາ;monkey S: z = 0.79, p = 0.45) ແລະມີຄວາມເທົ່າທຽມກັນໃນມຸມຂອງເສັ້ນດ່າງລະຫວ່າງຕາຂ່າຍໄຟຟ້າ (ຕື່ມ Fig. 2).ດັ່ງນັ້ນ, ຄວາມອ່ອນໄຫວຂອງ neurons ກັບຕາຂ່າຍໄຟຟ້າແມ່ນຂຶ້ນກັບ, ຢ່າງຫນ້ອຍໃນບາງສ່ວນ, ກ່ຽວກັບຄຸນສົມບັດພື້ນຖານຂອງ MT tuning.
ແຜງດ້ານຊ້າຍສະແດງໃຫ້ເຫັນການແຜ່ກະຈາຍຂອງອັດຕາສ່ວນ N / P (neuron/psychophysiological threshold);ແຕ່ລະເຊລໃຫ້ຂໍ້ມູນສອງຈຸດ, ອັນໜຶ່ງສຳລັບແຕ່ລະທິດທາງທີ່ຮູບແບບເຄື່ອນທີ່.ແຜງດ້ານຂວາວາງແຜນເກນທາງຈິດວິທະຍາ (ກຳນົດ) ທຽບກັບເກນ neuronal (abscissa) ສໍາລັບທຸກຫົວໜ່ວຍໃນຕົວຢ່າງ.ຂໍ້ມູນຢູ່ໃນແຖວເທິງ (ລຸ່ມ) ແມ່ນມາຈາກ monkey N (S).b ອັດຕາສ່ວນເກນມາດຕະຖານຖືກວາງແຜນຕໍ່ກັບຂະໜາດຂອງຄວາມແຕກຕ່າງລະຫວ່າງການວາງສາຍທາງເສັ້ນທີ່ດີທີ່ສຸດ ແລະທິດທາງຂອງເຊລທີ່ຕ້ອງການ.ທິດທາງ "ທີ່ດີທີ່ສຸດ" ແມ່ນກໍານົດເປັນທິດທາງຂອງໂຄງສ້າງ grating (ວັດແທກດ້ວຍ grating sinusoidal ດຽວ) ໃກ້ກັບທິດທາງຂອງຈຸລັງທີ່ຕ້ອງການ.ຂໍ້ມູນໄດ້ຖືກຜູກມັດຄັ້ງທໍາອິດໂດຍການກໍານົດທິດທາງທີ່ຕ້ອງການປົກກະຕິ (10° bins), ຫຼັງຈາກນັ້ນອັດຕາສ່ວນຂອບເຂດໄດ້ຖືກເຮັດໃຫ້ປົກກະຕິເປັນມູນຄ່າສູງສຸດແລະສະເລ່ຍພາຍໃນແຕ່ລະຖັງ.ຈຸລັງທີ່ມີທິດທາງທີ່ຕ້ອງການຂະຫນາດໃຫຍ່ຫຼືນ້ອຍກວ່າການວາງທິດທາງຂອງອົງປະກອບຂອງເສັ້ນດ່າງມີຄວາມແຕກຕ່າງທີ່ໃຫຍ່ທີ່ສຸດໃນຄວາມອ່ອນໄຫວຕໍ່ກັບທິດທາງຂອງຮູບແບບເສັ້ນດ່າງ.c ຮິສໂຕແກຣມສີບົວຂອງການແຈກຢາຍທິດທາງທີ່ຕ້ອງການຂອງຫົວໜ່ວຍ MT ທັງໝົດທີ່ບັນທຶກໄວ້ໃນແຕ່ລະລິງ.
ສຸດທ້າຍ, ການຕອບສະຫນອງຂອງ MT ແມ່ນ modulated ໂດຍທິດທາງຂອງການເຄື່ອນໄຫວ grating ແລະລາຍລະອຽດຂອງສັນຍານ segmentation ຂອງພວກເຮົາ (ໂຄງສ້າງ).ການປຽບທຽບຄວາມອ່ອນໄຫວທາງ neuronal ແລະ psychophysical ສະແດງໃຫ້ເຫັນວ່າ, ໂດຍທົ່ວໄປ, ຫນ່ວຍ MT ມີຄວາມອ່ອນໄຫວຫນ້ອຍຕໍ່ກັບສັນຍານໂຄງສ້າງທີ່ກົງກັນຂ້າມຫຼາຍກ່ວາ monkeys.ຢ່າງໃດກໍ່ຕາມ, ຄວາມອ່ອນໄຫວຂອງ neuron ມີການປ່ຽນແປງຂຶ້ນຢູ່ກັບຄວາມແຕກຕ່າງລະຫວ່າງທິດທາງທີ່ຕ້ອງການຂອງຫນ່ວຍງານແລະທິດທາງຂອງການເຄື່ອນໄຫວຕາຂ່າຍໄຟຟ້າ.ເຊັລທີ່ອ່ອນໄຫວທີ່ສຸດມີແນວໂນ້ມທີ່ຈະມີຄວາມມັກການປະຖົມນິເທດທີ່ເກືອບຈະກວມເອົາຮູບແບບເສັ້ນດ່າງ ຫຼືການວາງທິດທາງອົງປະກອບອັນໜຶ່ງ, ແລະກຸ່ມຕົວຢ່າງນ້ອຍໆຂອງພວກເຮົາແມ່ນມີຄວາມອ່ອນໄຫວ ຫຼືມີຄວາມອ່ອນໄຫວຫຼາຍກວ່າການຮັບຮູ້ຂອງລິງຕໍ່ກັບຄວາມແຕກຕ່າງທາງກົງກັນຂ້າມ.ເພື່ອກໍານົດວ່າສັນຍານຈາກຫນ່ວຍງານທີ່ລະອຽດອ່ອນເຫຼົ່ານີ້ມີຄວາມກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດກັບການຮັບຮູ້ໃນລີງ, ພວກເຮົາໄດ້ກວດເບິ່ງຄວາມກ່ຽວຂ້ອງກັນລະຫວ່າງການຮັບຮູ້ແລະການຕອບໂຕ້ neuronal.
ຂັ້ນຕອນທີ່ສໍາຄັນໃນການສ້າງການເຊື່ອມຕໍ່ລະຫວ່າງກິດຈະກໍາທາງ neural ແລະພຶດຕິກໍາແມ່ນການສ້າງຄວາມສໍາພັນລະຫວ່າງ neurons ແລະການຕອບສະຫນອງທາງດ້ານພຶດຕິກໍາຕໍ່ກັບ stimuli ຄົງທີ່.ເພື່ອເຊື່ອມຕໍ່ການຕອບສະຫນອງທາງ neural ກັບຄໍາຕັດສິນຂອງ segmentation, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສ້າງການກະຕຸ້ນທີ່, ເຖິງແມ່ນວ່າຈະຄືກັນ, ໄດ້ຖືກຮັບຮູ້ແຕກຕ່າງກັນໃນການທົດລອງທີ່ແຕກຕ່າງກັນ.ໃນການສຶກສາໃນປະຈຸບັນ, ນີ້ແມ່ນການສະແດງຢ່າງຊັດເຈນໂດຍຄວາມຄົມຊັດຂອງໂຄງສ້າງສູນ.ເຖິງແມ່ນວ່າພວກເຮົາເນັ້ນຫນັກວ່າ, ອີງຕາມການທໍາງານ psychometric ຂອງສັດ, gratings ຫນ້ອຍ (ຫນ້ອຍກ່ວາ ~ 20%) ຄວາມແຕກຕ່າງຂອງໂຄງສ້າງປົກກະຕິແລ້ວແມ່ນຖືວ່າສອດຄ່ອງຫຼືໂປ່ງໃສ.
ເພື່ອປະເມີນຂອບເຂດທີ່ຄໍາຕອບຂອງ MT ກ່ຽວຂ້ອງກັບບົດລາຍງານການຮັບຮູ້, ພວກເຮົາໄດ້ເຮັດການວິເຄາະຄວາມເປັນໄປໄດ້ການຄັດເລືອກ (CP) ຂອງຂໍ້ມູນຕາຂ່າຍໄຟຟ້າຂອງພວກເຮົາ (ເບິ່ງ 3).ໃນສັ້ນ, CP ແມ່ນມາດຕະການທີ່ບໍ່ແມ່ນ parametric, ບໍ່ແມ່ນມາດຕະຖານທີ່ປະເມີນຄວາມສໍາພັນລະຫວ່າງການຕອບໂຕ້ແບບຮວງຕັ້ງແຈບແລະການຕັດສິນຂອງ perceptual30.ການຈໍາກັດການວິເຄາະໃນການທົດລອງໂດຍໃຊ້ຕາຂ່າຍໄຟຟ້າທີ່ມີຄວາມຄົມຊັດຂອງໂຄງສ້າງສູນແລະກອງປະຊຸມທີ່ລິງໄດ້ເຮັດຢ່າງຫນ້ອຍຫ້າທາງເລືອກສໍາລັບແຕ່ລະປະເພດຂອງການທົດລອງເຫຼົ່ານີ້, ພວກເຮົາໄດ້ຄິດໄລ່ SR ແຍກຕ່າງຫາກສໍາລັບແຕ່ລະທິດທາງຂອງການເຄື່ອນໄຫວຕາຂ່າຍໄຟຟ້າ. ໃນທົ່ວລີງ, ພວກເຮົາສັງເກດເຫັນຄ່າ CP ສະເລ່ຍຫຼາຍກວ່າທີ່ພວກເຮົາຄາດໄວ້ໂດຍບັງເອີນ (ຮູບ 6a, d; monkey N: ສະເລ່ຍ CP: 0.54, 95% CI: (0.53, 0.56), ການທົດສອບ t ສອງດ້ານຕໍ່ກັບ null ຂອງ CP = 0.5, t = 6.50 CP.5, p < = 6.5% S. : (0.54, 0.57), ຄດິ ໄລ່ t-test ສອງດ້ານ, t = 9.4, p < 10−13). ໃນທົ່ວລີງ, ພວກເຮົາສັງເກດເຫັນຄ່າ CP ສະເລ່ຍຫຼາຍກວ່າທີ່ພວກເຮົາຄາດໄວ້ໂດຍບັງເອີນ (ຮູບ 6a, d; monkey N: ສະເລ່ຍ CP: 0.54, 95% CI: (0.53, 0.56), ການທົດສອບ t ສອງດ້ານຕໍ່ກັບ null ຂອງ CP = 0.5, t = 6.50 CP.5, p < = 6.5% S. : (0.54, 0.57), t-test ສອງດ້ານ, t = 9.4, p < 10−13).ໃນລີງ, ພວກເຮົາສັງເກດເຫັນ CP ສະເລ່ຍສູງກວ່າທີ່ຄາດໄວ້ຢ່າງສຸ່ມ (ຮູບ 6a, d; monkey N: mean CP: 0.54, 95% CI: (0.53, 0.56), two-tailed t-test vs. null values).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). monkey S: mean CP: 0.55, 95% CI: (0.54, 0.57), two-tailed t-test, t = 9.4, p < 10–13).在猴子中,我们观察到平均CP值显着大于我们偶然预期的值(图6a,d;猴子N:平均CP:50.5,4)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 , 95% CI : (0.54 , 0.57 ), 双边 t. 10 , p. 4 ~ 3 t .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 6a,平 5 凝;; : 0.53,0.56),空值检验 CP = 0.5, t = 6.7, p < 10−9;猴子S: 平均CP: 0.55, 95% CI: (0.54, 0.57), 双边t检验, t=9.4, p < 10−13) У обезьян мы наблюдали средние значения CP, значительно превышающие то, что мы могли бы ожинельно 6 ожидать слу (6 ожидать слуаожидать. N: среднее CP: 0,54, 95% ДИ: (0,53, 0,56), двусторонний t- тест CP против нуля = 0,5, t = 6,7, p < 10-5CP , о де , 5 CP , о де зей , с дела и записи продение продение продение продение среднее. 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10- 13). ໃນລີງ, ພວກເຮົາສັງເກດເຫັນຄ່າ CP ສູງກວ່າສິ່ງທີ່ພວກເຮົາອາດຈະຄາດຫວັງໂດຍບັງເອີນ (ຮູບ 6a, d; monkey N: mean CP: 0.54, 95% CI: (0.53, 0.56), two-tailed t-test CP ທຽບກັບ zero = 0.5, t = 6.7-CP, 9 monkey: 1, 5% 5, 5, p <. (0.54, 0.57), ສອງຫາງ t- criterion, t = 9.4, p < 10-13).ດັ່ງນັ້ນ, neurons MT ມີແນວໂນ້ມທີ່ຈະໄຟໄຫມ້ຫຼາຍເຖິງແມ່ນວ່າໃນເວລາທີ່ບໍ່ມີ cues segmentation overt ໃດ, ໃນເວລາທີ່ຄວາມຮັບຮູ້ຂອງສັດກ່ຽວກັບການເຄື່ອນໄຫວ lattice ກົງກັບຄວາມມັກຂອງເຊນ.
ການແຈກຢາຍຄວາມເປັນໄປໄດ້ຂອງການເລືອກສໍາລັບຕາຂ່າຍໄຟຟ້າທີ່ບໍ່ມີສັນຍານໂຄງສ້າງສໍາລັບຕົວຢ່າງທີ່ບັນທຶກໄວ້ຈາກລີງ N. ແຕ່ລະເຊນສາມາດປະກອບສ່ວນໄດ້ເຖິງສອງຈຸດຂໍ້ມູນ (ຫນຶ່ງສໍາລັບແຕ່ລະທິດທາງຂອງການເຄື່ອນໄຫວຕາຂ່າຍໄຟຟ້າ).ຄ່າ CP ສະເລ່ຍຂ້າງເທິງແບບສຸ່ມ (ລູກສອນສີຂາວ) ຊີ້ໃຫ້ເຫັນວ່າໂດຍລວມມີຄວາມສໍາພັນທີ່ສໍາຄັນລະຫວ່າງກິດຈະກໍາ MT ແລະການຮັບຮູ້.b ເພື່ອກວດເບິ່ງຜົນກະທົບຂອງຄວາມລໍາອຽງການຄັດເລືອກທີ່ເປັນໄປໄດ້, ພວກເຮົາໄດ້ຄິດໄລ່ CP ແຍກຕ່າງຫາກສໍາລັບການກະຕຸ້ນໃດໆທີ່ລິງໄດ້ເຮັດຢ່າງຫນ້ອຍຫນຶ່ງຄວາມຜິດພາດ.ຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກແມ່ນໄດ້ວາງແຜນໄວ້ເປັນໜ້າທີ່ຂອງອັດຕາສ່ວນການເລືອກ (pref/null) ສໍາລັບການກະຕຸ້ນທັງໝົດ (ຊ້າຍ) ແລະຄ່າຢ່າງແທ້ຈິງຂອງຄວາມຄົມຊັດຂອງໂຄງສ້າງ (ຂວາ, ຂໍ້ມູນຈາກ 120 ແຕ່ລະເຊລ).ເສັ້ນແຂງແລະພື້ນທີ່ຮົ່ມໃນກະດານຊ້າຍເປັນຕົວແທນຂອງສະເລ່ຍ ± sem ຂອງ 20 ຈຸດການເຄື່ອນຍ້າຍໂດຍສະເລ່ຍ.ຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກທີ່ຄິດໄລ່ສໍາລັບການກະຕຸ້ນທີ່ມີອັດຕາສ່ວນການຄັດເລືອກທີ່ບໍ່ສົມດູນ, ເຊັ່ນວ່າຕາຂ່າຍໄຟຟ້າທີ່ມີຄວາມຄົມຊັດຂອງສັນຍານສູງ, ມີຄວາມແຕກຕ່າງກັນຫຼາຍແລະຖືກກຸ່ມປະມານຄວາມເປັນໄປໄດ້.ພື້ນທີ່ທີ່ມີຮົ່ມສີຂີ້ເຖົ່າຢູ່ໃນກະດານຂວາເນັ້ນຫນັກໃສ່ຄວາມກົງກັນຂ້າມຂອງລັກສະນະທີ່ລວມຢູ່ໃນການຄິດໄລ່ຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກສູງ.c ຄວາມເປັນໄປໄດ້ຂອງທາງເລືອກຂະຫນາດໃຫຍ່ (ordinate) ແມ່ນ plotted ຕໍ່ກັບຂອບເຂດຂອງ neuron ໄດ້ (abscissa).ຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກແມ່ນມີຄວາມສໍາພັນທາງລົບຢ່າງຫຼວງຫຼາຍກັບເກນ.df ສົນທິສັນຍາແມ່ນຄືກັນກັບ ac ແຕ່ໃຊ້ກັບ 157 ຂໍ້ມູນດຽວຈາກ monkey S ເວັ້ນເສຍແຕ່ໄດ້ບັນທຶກໄວ້ເປັນຢ່າງອື່ນ.g ຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກສູງສຸດ (ordinate) ແມ່ນວາງແຜນຕໍ່ກັບທິດທາງທີ່ຕ້ອງການປົກກະຕິ (abscissa) ສໍາລັບແຕ່ລະລີງສອງໂຕ.ແຕ່ລະຕາລາງ MT ປະກອບສ່ວນສອງຈຸດຂໍ້ມູນ (ຫນຶ່ງສໍາລັບແຕ່ລະທິດທາງຂອງໂຄງສ້າງເສັ້ນດ່າງ).h ຊ່ອງຂະຫນາດໃຫຍ່ຂອງຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກສໍາລັບແຕ່ລະມຸມ inter-raster.ເສັ້ນແຂງ ໝາຍ ເຖິງຄ່າປານກາງ, ຂອບລຸ່ມແລະເທິງຂອງກ່ອງເປັນຕົວແທນຂອງເປີເຊັນທີ 25 ແລະ 75 ຕາມລໍາດັບ, ເສັ້ນດ້າຍຖືກຂະຫຍາຍອອກເປັນ 1.5 ເທົ່າຂອງລະດັບ interquartile, ແລະຂອບເຂດທີ່ເກີນຂອບເຂດນີ້ແມ່ນສັງເກດເຫັນ.ຂໍ້ມູນໃນແຖບດ້ານຊ້າຍ (ຂວາ) ແມ່ນມາຈາກ 120 (157) ຈຸລັງລີງ N(S) ສ່ວນບຸກຄົນ.i ຄວາມເປັນໄປໄດ້ສູງສຸດຂອງການຄັດເລືອກ (ordinate) ແມ່ນວາງແຜນຕໍ່ກັບເວລາທີ່ເລີ່ມຕົ້ນຂອງການກະຕຸ້ນ (abscissa).CP ຂະຫນາດໃຫຍ່ໄດ້ຖືກຄິດໄລ່ໃນຮູບສີ່ຫລ່ຽມເລື່ອນ (ຄວາມກວ້າງ 100 ms, ຂັ້ນຕອນ 10 ms) ຕະຫຼອດການທົດສອບແລະຫຼັງຈາກນັ້ນສະເລ່ຍຕໍ່ຫົວຫນ່ວຍ.
ບາງການສຶກສາທີ່ຜ່ານມາໄດ້ລາຍງານວ່າ CP ແມ່ນຂຶ້ນກັບຈໍານວນການທົດລອງທີ່ກ່ຽວຂ້ອງໃນການແຈກຢາຍອັດຕາພື້ນຖານ, ຊຶ່ງຫມາຍຄວາມວ່າມາດຕະການນີ້ມີຄວາມຫນ້າເຊື່ອຖືຫນ້ອຍສໍາລັບການກະຕຸ້ນທີ່ເຮັດໃຫ້ເກີດຄວາມແຕກຕ່າງຂະຫນາດໃຫຍ່ໃນອັດຕາສ່ວນຂອງແຕ່ລະທາງເລືອກ.ເພື່ອທົດສອບຜົນກະທົບນີ້ໃນຂໍ້ມູນຂອງພວກເຮົາ, ພວກເຮົາໄດ້ຄິດໄລ່ CP ແຍກຕ່າງຫາກສໍາລັບການກະຕຸ້ນທັງຫມົດ, ໂດຍບໍ່ຄໍານຶງເຖິງຄວາມກົງກັນຂ້າມຂອງໂຄງສ້າງ, ແລະລີງໄດ້ດໍາເນີນການຢ່າງຫນ້ອຍຫນຶ່ງການທົດລອງທີ່ບໍ່ຖືກຕ້ອງ.CP ແມ່ນວາງແຜນໄວ້ກັບອັດຕາສ່ວນການຄັດເລືອກ (pref/null) ສໍາລັບສັດແຕ່ລະໂຕໃນຮູບ 6b ແລະ e (ກະດານຊ້າຍ), ຕາມລໍາດັບ.ຊອກຫາຢູ່ໃນອັດຕາສະເລ່ຍຂອງການເຄື່ອນຍ້າຍ, ມັນເປັນທີ່ຊັດເຈນວ່າ CP ຍັງຄົງຢູ່ເຫນືອຄວາມເປັນໄປໄດ້ໃນໄລຍະຄວາມຫລາກຫລາຍຂອງທາງເລືອກໃນການຄັດເລືອກ, ຫຼຸດລົງພຽງແຕ່ເມື່ອບໍ່ລົງຮອຍກັນຫຼຸດລົງ (ເພີ່ມຂຶ້ນ) ຂ້າງລຸ່ມນີ້ (ຂ້າງເທິງ) 0.2 (0.8).ອີງຕາມຄຸນລັກສະນະທາງຈິດວິທະຍາຂອງສັດ, ພວກເຮົາຈະຄາດຫວັງວ່າຄ່າສໍາປະສິດການຄັດເລືອກຂອງຂະຫນາດນີ້ໃຊ້ກັບ stimuli ທີ່ມີໂຄງສ້າງທີ່ມີຄວາມຄົມຊັດສູງ (ສອດຄ່ອງຫຼືໂປ່ງໃສ) (ເບິ່ງຕົວຢ່າງຂອງລັກສະນະ psychometric ໃນຮູບ 2a, b).ເພື່ອກໍານົດວ່ານີ້ແມ່ນກໍລະນີແລະບໍ່ວ່າຈະເປັນ PC ທີ່ສໍາຄັນຍັງຄົງຢູ່ເຖິງແມ່ນວ່າສໍາລັບການກະຕຸ້ນທີ່ມີສັນຍານ segmentation ທີ່ຊັດເຈນ, ພວກເຮົາໄດ້ກວດເບິ່ງຜົນກະທົບຂອງຄ່າກົງກັນຂ້າມໂຄງສ້າງຢ່າງແທ້ຈິງໃນ PC (ຮູບ 6b, e-right).ຕາມທີ່ຄາດໄວ້, CP ແມ່ນສູງກວ່າຄວາມເປັນໄປໄດ້ຂອງສິ່ງກະຕຸ້ນທີ່ມີຕົວຊີ້ການແບ່ງສ່ວນເຖິງປານກາງ (~20% ກົງກັນຂ້າມ ຫຼືຕ່ຳກວ່າ).
ໃນວຽກງານການປະຖົມນິເທດ, ຄວາມໄວ, ແລະການຮັບຮູ້ທີ່ບໍ່ກົງກັນ, MT CP ມີແນວໂນ້ມທີ່ຈະສູງທີ່ສຸດໃນ neurons ທີ່ລະອຽດອ່ອນທີ່ສຸດ, ອາດຈະເປັນຍ້ອນວ່າ neurons ເຫຼົ່ານີ້ປະຕິບັດສັນຍານທີ່ມີຂໍ້ມູນຫຼາຍທີ່ສຸດ 30,32,33,34.ສອດຄ່ອງກັບການຄົ້ນພົບເຫຼົ່ານີ້ພວກເຮົາສັງເກດເຫັນຄວາມກ່ຽວຂ້ອງເລັກນ້ອຍແຕ່ທີ່ສໍາຄັນລະຫວ່າງ grand CP, ຄິດໄລ່ຈາກອັດຕາການຍິງທີ່ມີຄະແນນ z ໃນທົ່ວຄວາມກົງກັນຂ້າມ cue ໂຄງສ້າງທີ່ເນັ້ນໃສ່ໃນກະດານຂວາສຸດຂອງຮູບ.6b, e, ແລະເກນ neuronal (ຮູບ 6c, f; geometric mean regression; monkey N: r = −0.12, p = 0.07 monkey S: r = −0.18, p < 10−3). 6b, e, ແລະເກນ neuronal (ຮູບ 6c, f; geometric mean regression; monkey N: r = −0.12, p = 0.07 monkey S: r = −0.18, p < 10−3).ສອດຄ່ອງກັບການຄົ້ນພົບເຫຼົ່ານີ້, ພວກເຮົາໄດ້ສັງເກດເຫັນຄວາມກ່ຽວຂ້ອງເລັກນ້ອຍແຕ່ມີຄວາມສໍາຄັນລະຫວ່າງ CP ຂະຫນາດໃຫຍ່ທີ່ຄິດໄລ່ຈາກຄວາມຖີ່ຂອງ excitation z-score ຈາກຄວາມແຕກຕ່າງຂອງສັນຍານໂຄງສ້າງທີ່ເນັ້ນໃສ່ໃນກະດານຂວາສຸດຂອງ Fig. 6b, e, ແລະຂອບເຂດ neuronal (ຮູບ 6c, f; geometric).geometric mean regression;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p < 10-3). monkey N: r = −0.12, p = 0.07 monkey S: r = −0.18, p < 10-3).与这些发现一致,我们观察到大CP之间存在适度但显着的相关性,这是根据图6b、e爼;6b、e 弛几何平均回归;猴子N:r = -0.12,p = 0.07猴子S:r = -0.18,p < 10-3).与这些发现一致,我们到大之间存在适度但显着的相关性这是栈间弮囸。 (图图6c、f;回归;猴子n:r=-0.12,p=0.07猴子S:r=-0.18,p<10–3).ສອດຄ່ອງກັບການຄົ້ນພົບເຫຼົ່ານີ້, ພວກເຮົາໄດ້ສັງເກດເຫັນຄວາມກ່ຽວຂ້ອງເລັກນ້ອຍແຕ່ມີຄວາມສໍາຄັນລະຫວ່າງ CV ຂະຫນາດໃຫຍ່ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບ 6b,e ແລະຂອບເຂດ neuron (ຮູບ 6c,f; geometric mean regression; monkey N: r = -0.12, p = 0.07).Обезьяна S: г = -0,18, р < 10-3). Monkey S: r = −0.18, p < 10-3).ດັ່ງນັ້ນ, ຂໍ້ມູນຈາກໜ່ວຍງານທີ່ໃຫ້ຂໍ້ມູນຫຼາຍທີ່ສຸດມີແນວໂນ້ມທີ່ຈະສະແດງໃຫ້ເຫັນເຖິງຄວາມແຕກຕ່າງກັນຫຼາຍກວ່າເກົ່າກັບການຕັດສິນຂອງພາກສ່ວນທີ່ເປັນຫົວຂໍ້ໃນລີງ, ເຊິ່ງເປັນສິ່ງສໍາຄັນໂດຍບໍ່ຄໍານຶງເຖິງຕົວຊີ້ທາງໂຄງສ້າງໃດໆທີ່ເພີ່ມຄວາມລໍາອຽງທາງດ້ານຄວາມເຂົ້າໃຈ.
ເນື່ອງຈາກພວກເຮົາເຄີຍສ້າງຄວາມສໍາພັນລະຫວ່າງຄວາມອ່ອນໄຫວຕໍ່ກັບສັນຍານໂຄງສ້າງຕາຂ່າຍໄຟຟ້າແລະການປະຖົມນິເທດ neuronal ທີ່ຕ້ອງການ, ພວກເຮົາສົງໄສວ່າມີຄວາມສໍາພັນທີ່ຄ້າຍຄືກັນລະຫວ່າງ CP ແລະການປະຖົມນິເທດທີ່ຕ້ອງການ (ຮູບ 6g).ສະມາຄົມນີ້ມີຄວາມສໍາຄັນເລັກນ້ອຍໃນ monkey S (ANOVA; monkey N: 1.03, p = 0.46; monkey S: F = 1.73, p = 0.04).ພວກເຮົາສັງເກດເຫັນບໍ່ມີຄວາມແຕກຕ່າງໃນ CP ສໍາລັບມຸມຂອງເສັ້ນດ່າງລະຫວ່າງ lattices ໃນສັດໃດໆ (ຮູບ 6h; ANOVA; monkey N: F = 1.8, p = 0.11; monkey S: F = 0.32, p = 0. 9).
ສຸດທ້າຍ, ວຽກງານທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນວ່າ CP ປ່ຽນແປງຕະຫຼອດການທົດລອງ.ການສຶກສາຈໍານວນຫນຶ່ງໄດ້ລາຍງານການເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍຕິດຕາມດ້ວຍຜົນກະທົບຂອງການຄັດເລືອກທີ່ຂ້ອນຂ້າງລຽບ, 30 ໃນຂະນະທີ່ຄົນອື່ນໄດ້ລາຍງານການເພີ່ມຂຶ້ນຢ່າງຕໍ່ເນື່ອງຂອງສັນຍານການຄັດເລືອກໃນໄລຍະຂອງ trial31.ສໍາລັບແຕ່ລະລິງ, ພວກເຮົາໄດ້ຄິດໄລ່ CP ຂອງແຕ່ລະຫນ່ວຍໃນການທົດລອງທີ່ມີຄວາມຄົມຊັດຂອງໂຄງສ້າງສູນ (ຕາມລໍາດັບ, ອີງຕາມການປະຖົມນິເທດຮູບແບບ) ໃນ 100 ms ຈຸລັງກ້າວໄປທຸກໆ 20 ms ຈາກການກະຕຸ້ນກ່ອນການເລີ່ມຕົ້ນທີ່ຈະໂພດຫມາຍຄວາມວ່າການຊົດເຊີຍກ່ອນການກະຕຸ້ນ.ນະໂຍບາຍດ້ານ CP ສະເລ່ຍສໍາລັບລີງສອງໂຕແມ່ນສະແດງຢູ່ໃນຮູບທີ 6i.ໃນທັງສອງກໍລະນີ, CP ຍັງຄົງຢູ່ໃນລະດັບສຸ່ມຫຼືໃກ້ຊິດກັບມັນຈົນກ່ວາເກືອບ 500 ms ຫຼັງຈາກການເລີ່ມຕົ້ນຂອງການກະຕຸ້ນ, ຫຼັງຈາກນັ້ນ CP ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ.
ນອກເຫນືອຈາກການປ່ຽນແປງຄວາມອ່ອນໄຫວ, CP ໄດ້ຖືກສະແດງໃຫ້ເຫັນວ່າຍັງໄດ້ຮັບຜົນກະທົບຈາກຄຸນລັກສະນະບາງຢ່າງຂອງຄຸນລັກສະນະການປັບຈຸລັງ.ຕົວຢ່າງ, Uka ແລະ DeAngelis34 ພົບວ່າ CP ໃນວຽກງານການຮັບຮູ້ binocular mismatch ແມ່ນຂຶ້ນກັບຄວາມສົມມາຂອງເສັ້ນໂຄ້ງຂອງ binocular tuning mismatch ຂອງອຸປະກອນ.ໃນກໍລະນີນີ້, ຄໍາຖາມທີ່ກ່ຽວຂ້ອງແມ່ນບໍ່ວ່າຈະເປັນການຄັດເລືອກທິດທາງຮູບແບບ (PDS) ເຊລແມ່ນມີຄວາມອ່ອນໄຫວຫຼາຍກ່ວາການຄັດເລືອກທິດທາງອົງປະກອບ (CDS) cell.ຈຸລັງ PDS ເຂົ້າລະຫັດການປະຖົມນິເທດທົ່ວໄປຂອງຮູບແບບທີ່ປະກອບດ້ວຍຫຼາຍທິດທາງທ້ອງຖິ່ນ, ໃນຂະນະທີ່ຈຸລັງ CDS ຕອບສະຫນອງຕໍ່ການເຄື່ອນໄຫວຂອງອົງປະກອບຂອງຮູບແບບທິດທາງ (ຮູບ 7a).
ການສະແດງໂຄງສ້າງຂອງຕົວກະຕຸ້ນການປັບແຕ່ງອົງປະກອບຂອງຮູບແບບ ແລະ grating ສົມມຸດຕິຖານ (ຊ້າຍ) ແລະເສັ້ນໂຄ້ງການປັບແຕ່ງ grating ທິດທາງ (ຂວາ) (ເບິ່ງວັດສະດຸ ແລະວິທີການ).ໃນສັ້ນ, ຖ້າຈຸລັງປະສົມປະສານໃນທົ່ວອົງປະກອບຂອງຕາຂ່າຍໄຟຟ້າເພື່ອສັນຍານການເຄື່ອນໄຫວຂອງຮູບແບບ, ຄົນເຮົາຄາດວ່າຈະມີເສັ້ນໂຄ້ງການປັບແຕ່ງດຽວກັນສໍາລັບການກະຕຸ້ນຕາຂ່າຍໄຟຟ້າແລະຕາຂ່າຍໄຟຟ້າສ່ວນບຸກຄົນ (ຖັນສຸດທ້າຍ, ເສັ້ນໂຄ້ງແຂງ).ໃນທາງກົງກັນຂ້າມ, ຖ້າເຊນບໍ່ປະສົມປະສານທິດທາງຂອງອົງປະກອບເຂົ້າໃນການເຄື່ອນໄຫວຂອງຮູບແບບສັນຍານ, ຄົນເຮົາຄາດວ່າຈະມີເສັ້ນໂຄ້ງການປັບແຕ່ງ bipartite ທີ່ມີຈຸດສູງສຸດໃນແຕ່ລະທິດທາງຂອງການເຄື່ອນໄຫວ grating ທີ່ແປອົງປະກອບຫນຶ່ງເຂົ້າໄປໃນທິດທາງທີ່ຕ້ອງການຂອງເຊນ (ຖັນສຸດທ້າຍ, ເສັ້ນໂຄ້ງ dashed)..b (ຊ້າຍ) ເສັ້ນໂຄ້ງສໍາລັບການປັບທິດທາງຂອງອາເຣ sinusoidal ສໍາລັບຈຸລັງທີ່ສະແດງໃນຮູບ 1 ແລະ 2. 3 ແລະ 4 (ແຖວເທິງ - ຈຸລັງໃນຮູບ 3a, b ແລະ 4a, b (ເທິງ); ກະດານລຸ່ມ - ຈຸລັງຂອງຮູບ 3c, d ແລະ 4a, b (ລຸ່ມ)).(ກາງ) ການຄາດເດົາຮູບແບບ ແລະອົງປະກອບທີ່ຄຳນວນຈາກໂປຣໄຟລ໌ການປັບແຕ່ງເສັ້ນດ່າງ.(ຂວາ) ການປັບຕາຂ່າຍໄຟຟ້າຂອງຈຸລັງເຫຼົ່ານີ້.ຈຸລັງຂອງກະດານເທິງ (ລຸ່ມ) ຖືກຈັດປະເພດເປັນຈຸລັງແມ່ແບບ (ອົງປະກອບ).ໃຫ້ສັງເກດວ່າບໍ່ມີການຕອບແບບຫນຶ່ງຕໍ່ຫນຶ່ງລະຫວ່າງການຈັດປະເພດຂອງອົງປະກອບຂອງຮູບແບບແລະຄວາມມັກສໍາລັບການເຄື່ອນທີ່ຂອງຈຸລັງທີ່ສອດຄ່ອງ / ໂປ່ງໃສ (ເບິ່ງການຕອບສະຫນອງຂອງເສັ້ນດ່າງໂຄງສ້າງສໍາລັບຈຸລັງເຫຼົ່ານີ້ໃນຮູບ 4a).c ຄ່າສໍາປະສິດຂອງການພົວພັນບາງສ່ວນຂອງຮູບແບບ z-score (ordinate) ວາງແຜນຕໍ່ກັບຄ່າສໍາປະສິດການພົວພັນສ່ວນຫນຶ່ງຂອງອົງປະກອບ z-score (abscissa) ສໍາລັບຈຸລັງທັງຫມົດທີ່ບັນທຶກໄວ້ໃນ N (ຊ້າຍ) ແລະ S (ຂວາ) monkeys.ເສັ້ນຫນາຊີ້ບອກເຖິງເງື່ອນໄຂຄວາມສໍາຄັນທີ່ໃຊ້ໃນການຈັດປະເພດຈຸລັງ.d ແຜນທີ່ຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກສູງ (ordinate) ທຽບກັບດັດຊະນີຮູບແບບ (Zp – Zc) (abscissa).ຂໍ້ມູນໃນແຖບດ້ານຊ້າຍ (ຂວາ) ຫມາຍເຖິງລີງ N(S).ວົງສີດຳຊີ້ບອກຂໍ້ມູນໃນຫົວໜ່ວຍໂດຍປະມານ.ໃນສັດທັງສອງ, ມີຄວາມກ່ຽວຂ້ອງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກສູງແລະດັດຊະນີຮູບແບບ, ຊີ້ໃຫ້ເຫັນເຖິງຄວາມກ່ຽວຂ້ອງກັນຫຼາຍກວ່າເກົ່າສໍາລັບຈຸລັງທີ່ມີທິດທາງຮູບແບບສັນຍານໃນການກະຕຸ້ນດ້ວຍການປະຖົມນິເທດອົງປະກອບຫຼາຍ.
ດັ່ງນັ້ນ, ໃນຊຸດທົດສອບແຍກຕ່າງຫາກ, ພວກເຮົາໄດ້ວັດແທກການຕອບສະຫນອງຕໍ່ເສັ້ນໂຄ້ງ sinusoidal ແລະຕາຂ່າຍໄຟຟ້າເພື່ອຈັດປະເພດ neurons ໃນຕົວຢ່າງຂອງພວກເຮົາເປັນ PDS ຫຼື CDS (ເບິ່ງວິທີການ).ເສັ້ນໂຄ້ງ tuning ເສັ້ນໂຄ້ງ, ການຄາດຄະເນອົງປະກອບຂອງແມ່ແບບທີ່ສ້າງຂຶ້ນຈາກຂໍ້ມູນ tuning ນີ້, ແລະເສັ້ນໂຄ້ງ tuning lattice ສໍາລັບຈຸລັງທີ່ສະແດງຢູ່ໃນຮູບທີ 1 ແລະ 3. ຮູບ 3 ແລະ 4 ແລະຮູບເສີມ 3 ແມ່ນສະແດງຢູ່ໃນຮູບ 7b.ການແຈກຢາຍຮູບແບບແລະການເລືອກອົງປະກອບ, ເຊັ່ນດຽວກັນກັບການກໍານົດທິດທາງຂອງເຊນທີ່ຕ້ອງການໃນແຕ່ລະປະເພດ, ແມ່ນສະແດງໃຫ້ເຫັນສໍາລັບແຕ່ລະລິງໃນຮູບ 7c ແລະ fig ເສີມ.4 ຕາມລໍາດັບ.
ເພື່ອປະເມີນຄວາມເພິ່ງພາອາໄສຂອງ CP ໃນການແກ້ໄຂອົງປະກອບຂອງຮູບແບບ, ພວກເຮົາທໍາອິດຄິດໄລ່ດັດຊະນີຮູບແບບ 35 (PI), ມູນຄ່າຂະຫນາດໃຫຍ່ (ນ້ອຍກວ່າ) ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງພຶດຕິກໍາທີ່ຄ້າຍຄືກັນ PDS (CDS) ຂະຫນາດໃຫຍ່.ອີງຕາມການສາທິດຂ້າງເທິງວ່າ: (i) ຄວາມອ່ອນໄຫວທາງ neuronal ແຕກຕ່າງກັນກັບຄວາມແຕກຕ່າງລະຫວ່າງທິດທາງຂອງເຊນທີ່ຕ້ອງການແລະທິດທາງຂອງການເຄື່ອນໄຫວກະຕຸ້ນ, ແລະ (ii) ມີຄວາມກ່ຽວຂ້ອງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງຄວາມອ່ອນໄຫວ neuronal ແລະຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກໃນຕົວຢ່າງຂອງພວກເຮົາ, ພວກເຮົາໄດ້ພົບເຫັນຄວາມສໍາພັນລະຫວ່າງ PI ແລະ CP ທັງຫມົດໄດ້ຖືກສຶກສາສໍາລັບທິດທາງ "ທີ່ດີທີ່ສຸດ" ຂອງການເຄື່ອນໄຫວຂ້າງເທິງຂອງແຕ່ລະຈຸລັງ). ພວກເຮົາພົບເຫັນວ່າ CP ມີຄວາມສໍາພັນກັນຢ່າງຫຼວງຫຼາຍກັບ PI (ຮູບ 7d; geometric mean regression; grand CP monkey N: r = 0.23, p < 0.01; bi-stable CP monkey N r = 0.21, p = 0.013; grand CP monkey S: r = 0.30, p < 0.30, p < 0.30, p < 0.30, p. < 10−3), ສະແດງໃຫ້ເຫັນວ່າເຊລທີ່ຖືກຈັດປະເພດເປັນ PDS ສະແດງກິດຈະກໍາທີ່ກ່ຽວຂ້ອງກັບທາງເລືອກຫຼາຍກວ່າ CDS ແລະເຊນທີ່ບໍ່ໄດ້ຈັດປະເພດ. ພວກເຮົາພົບເຫັນວ່າ CP ມີຄວາມສໍາພັນກັນຢ່າງຫຼວງຫຼາຍກັບ PI (ຮູບ 7d; geometric mean regression; grand CP monkey N: r = 0.23, p < 0.01; bi-stable CP monkey N r = 0.21, p = 0.013; grand CP monkey S: r = 0.30, p < 0.30, p < 0.30, p < 0.30, p. < 10−3), ສະແດງໃຫ້ເຫັນວ່າເຊລທີ່ຖືກຈັດປະເພດເປັນ PDS ສະແດງກິດຈະກໍາທີ່ກ່ຽວຂ້ອງກັບທາງເລືອກຫຼາຍກວ່າ CDS ແລະເຊນທີ່ບໍ່ໄດ້ຈັດປະເພດ. Мы обнаружили, что CP значительно коррелирует с PI (рис. 7d; регрессия среднего геометрическогьша , 2 rометрическогьша , 2 rометрическогьша , 0 3, p <0,01; бистабильная обезьяна CP N r = 0,21, p = 0,013; < 10-3), что указывает на то, что клетки, классифицированные как PDS, проявляли большую активность, связавляли большую активность, связаность классифицированные клетки. ພວກເຮົາພົບວ່າ CP ມີຄວາມກ່ຽວຂ້ອງກັນຢ່າງຫຼວງຫຼາຍກັບ PI (ຮູບ 7d; geometric mean regression; great monkey CP N: r = 0.23, p < 0.01; monkey bistable CP N r = 0.21, p = 0.013; great monkey CP S: r = 0.30- CP monkeyr ; p < 0.30-b, p. 4 CP monkey r = 0.30-b, p. < 10-3), ສະແດງໃຫ້ເຫັນວ່າເຊລທີ່ຖືກຈັດປະເພດເປັນ PDS ສະແດງໃຫ້ເຫັນການເຄື່ອນໄຫວຫຼາຍກວ່າ, ທີ່ກ່ຽວຂ້ອງກັບທາງເລືອກຫຼາຍກວ່າ CDS ແລະຈຸລັງທີ່ບໍ່ຈັດປະເພດ.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;双稳态.1; 大CP 猴N: 0.23,p < 0.01;双稳态.01; CP 猴S: r = 0.30,p < 10-4;双稳态CP猴S:r = 0.29,p < 10-3),表明分类为的軆胞比CDS 更和朰表明分类为的细胞比CDS 更和朰选择相关活性. 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;双稳态CP 猴N r = 0.0.1; p. Мы обнаружили, что CP был значительно связан с PI (рис. 7d; регрессия среднего геометрическогь , я 2 rалескогь , я 2 rалеского ; , 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; ພວກເຮົາພົບວ່າ CP ມີຄວາມກ່ຽວຂ້ອງຢ່າງຫຼວງຫຼາຍກັບ PI (ຮູບ 7d; geometric mean regression; great monkey CP N: r = 0.23, p < 0.01; bistable monkey CP N r = 0.21, p = 0.013; great monkey CP S: r = 0.013) <10-4 ; бистабильный CP обезьяны S: r = 0,29, p < 10-3), что указывает на то, что клетки, классифицированное кашк биля пронак биляцель ную активность, чем клетки, классифицированные как CDS и неклассифицированные. monkey S bistable CP: r = 0.29, p < 10-3), ຊີ້ໃຫ້ເຫັນວ່າຈຸລັງທີ່ຖືກຈັດປະເພດເປັນ PDS ສະແດງກິດຈະກໍາການຄັດເລືອກຫຼາຍກວ່າຈຸລັງທີ່ຖືກຈັດປະເພດເປັນ CDS ແລະບໍ່ໄດ້ຈັດປະເພດ.ເນື່ອງຈາກວ່າທັງສອງ PI ແລະ neuron sensitivity ກ່ຽວຂ້ອງກັບ CP, ພວກເຮົາໄດ້ປະຕິບັດການວິເຄາະ regression ຫຼາຍ (ມີ PI ແລະຄວາມອ່ອນໄຫວ neuron ເປັນຕົວແປເອກະລາດແລະ CP ຂະຫນາດໃຫຍ່ເປັນຕົວແປທີ່ຂຶ້ນກັບ) ເພື່ອປະຕິເສດຄວາມກ່ຽວຂ້ອງລະຫວ່າງສອງມາດຕະການທີ່ນໍາໄປສູ່ຄວາມເປັນໄປໄດ້ຂອງຜົນກະທົບ.. ຄ່າສໍາປະສິດການພົວພັນກັນບາງສ່ວນແມ່ນມີຄວາມສໍາຄັນ (monkey N: threshold vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; monkey S: threshold vs. CP: r = −0.16, p = 0.16, p PI = 0.16, p = 0.03, p. CP ເພີ່ມຂຶ້ນດ້ວຍຄວາມອ່ອນໄຫວແລະໃນແບບເອກະລາດເພີ່ມຂຶ້ນດ້ວຍ PI. ຄ່າສໍາປະສິດການພົວພັນກັນບາງສ່ວນແມ່ນມີຄວາມສໍາຄັນ (monkey N: threshold vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; monkey S: threshold vs. CP: r = −0.16, p = 0.16, p PI = 0.16, p = 0.03, p. CP ເພີ່ມຂຶ້ນດ້ວຍຄວາມອ່ອນໄຫວແລະໃນແບບເອກະລາດເພີ່ມຂຶ້ນດ້ວຍ PI. Оба частных коэффициента корреляции были значимыми (обезьяна N: порог против CP: r = -0,13, p = 0,04, p от , 0,04, p. обезьяна S: порог против CP: r = -0,16, p = 0,03, PI vs CP: 0,29, p < 10-3), предполагая, что CP увеличиватся исимым образом увеличивается с PI. ຄ່າສໍາປະສິດຂອງການພົວພັນກັນບາງສ່ວນແມ່ນມີຄວາມສໍາຄັນ (monkey N: threshold vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; monkey S: threshold vs. CP: r = -0.16, p = 0.03, PI ເພີ່ມຂຶ້ນ 0.09, PIs. ຄວາມອ່ອນໄຫວແລະເພີ່ມຂຶ້ນຢ່າງເປັນເອກະລາດກັບ PI.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; CP p = 6.01; CP 与子 与子 与个偏相关系数均显着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 vs CP:0.29,p <10-3明CP),表 Оба частных коэффициента корреляции были значимыми (обезьяна N: порог против CP: r = -0,13, p = 0,04, p от , 0,04, p. обезьяна S: порог против CP: r = -0,16, p = 0,03 , PI против CP: 0,29, p < 10-3), что указывает на то, что CP усто, что CP усто. тью и увеличивалась с PI независимым образом. ທັງສອງຄ່າສໍາປະສິດການພົວພັນກັນບາງສ່ວນແມ່ນມີຄວາມສໍາຄັນ (monkey N: threshold vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; monkey S: threshold vs. CP: r = -0.16, p < 0.03, PI in 0.03, PI ເພີ່ມຂຶ້ນ 0.03, p. ຄວາມອ່ອນໄຫວແລະເພີ່ມຂຶ້ນກັບ PI ໃນລັກສະນະທີ່ເປັນເອກະລາດ.
ພວກເຮົາໄດ້ບັນທຶກກິດຈະກໍາດຽວໃນພື້ນທີ່ MT, ແລະ monkeys ລາຍງານຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າຂອງຮູບແບບທີ່ສາມາດປະກົດວ່າເປັນການເຄື່ອນໄຫວທີ່ສອດຄ່ອງຫຼືໂປ່ງໃສ.ຄວາມອ່ອນໄຫວຂອງ neurons ຕໍ່ segmentation cues ເພີ່ມເຕີມຕໍ່ກັບຄວາມຮັບຮູ້ທີ່ລໍາອຽງແຕກຕ່າງກັນຢ່າງກວ້າງຂວາງແລະຖືກກໍານົດ, ຢ່າງຫນ້ອຍໃນບາງສ່ວນ, ໂດຍຄວາມສໍາພັນລະຫວ່າງທິດທາງທີ່ຕ້ອງການຂອງຫນ່ວຍງານແລະທິດທາງຂອງການເຄື່ອນໄຫວກະຕຸ້ນ.ໃນປະຊາກອນທັງຫມົດ, ຄວາມອ່ອນໄຫວທາງ neuronal ແມ່ນຕ່ໍາກວ່າຄວາມອ່ອນໄຫວທາງດ້ານຈິດໃຈຢ່າງຫຼວງຫຼາຍ, ເຖິງແມ່ນວ່າຫນ່ວຍງານທີ່ລະອຽດອ່ອນທີ່ສຸດຈະກົງກັນຫຼືເກີນຄວາມອ່ອນໄຫວທາງດ້ານພຶດຕິກໍາຕໍ່ກັບສັນຍານການແບ່ງສ່ວນ.ນອກຈາກນັ້ນ, ມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງຄວາມຖີ່ຂອງການຍິງແລະການຮັບຮູ້, ຊີ້ໃຫ້ເຫັນວ່າສັນຍານ MT ມີບົດບາດໃນການແບ່ງສ່ວນ.ຈຸລັງທີ່ມີທິດທາງທີ່ຕ້ອງການໄດ້ປັບປຸງຄວາມອ່ອນໄຫວຂອງພວກມັນຕໍ່ກັບຄວາມແຕກຕ່າງຂອງສັນຍານການແບ່ງສ່ວນເສັ້ນຕາຫນ່າງແລະມີແນວໂນ້ມທີ່ຈະສົ່ງສັນຍານການເຄື່ອນໄຫວທົ່ວໂລກໃນສິ່ງກະຕຸ້ນດ້ວຍການປະຖົມນິເທດທ້ອງຖິ່ນຫຼາຍອັນ, ສະແດງໃຫ້ເຫັນເຖິງຄວາມກ່ຽວຂ້ອງກັນສູງສຸດ.ໃນທີ່ນີ້ພວກເຮົາພິຈາລະນາບາງບັນຫາທີ່ເປັນໄປໄດ້ກ່ອນທີ່ຈະປຽບທຽບຜົນໄດ້ຮັບເຫຼົ່ານີ້ກັບວຽກງານທີ່ຜ່ານມາ.
ບັນຫາໃຫຍ່ຂອງການຄົ້ນຄວ້າໂດຍໃຊ້ bistable stimuli ໃນຕົວແບບສັດແມ່ນວ່າການຕອບສະຫນອງທາງດ້ານພຶດຕິກໍາອາດຈະບໍ່ອີງໃສ່ຂະຫນາດຂອງຄວາມສົນໃຈ.ຕົວຢ່າງ, ລິງຂອງພວກເຮົາສາມາດລາຍງານຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບການປະຖົມນິເທດໂຄງສ້າງເປັນເອກະລາດຈາກການຮັບຮູ້ຄວາມສອດຄ່ອງຂອງເສັ້ນດ່າງ.ສອງດ້ານຂອງຂໍ້ມູນຊີ້ໃຫ້ເຫັນວ່ານີ້ບໍ່ແມ່ນກໍລະນີ.ຫນ້າທໍາອິດ, ອີງຕາມບົດລາຍງານທີ່ຜ່ານມາ, ການປ່ຽນແປງມຸມປະຖົມນິເທດພີ່ນ້ອງຂອງອົງປະກອບ array ແຍກເປັນລະບົບໄດ້ປ່ຽນແປງຄວາມເປັນໄປໄດ້ຂອງການຮັບຮູ້ຮ່ວມກັນ.ອັນທີສອງ, ໂດຍສະເລ່ຍ, ຜົນກະທົບແມ່ນຄືກັນສໍາລັບຮູບແບບທີ່ມີຫຼືບໍ່ມີສັນຍານໂຄງສ້າງ.ຮ່ວມກັນ, ການສັງເກດການເຫຼົ່ານີ້ຊີ້ໃຫ້ເຫັນວ່າການຕອບສະຫນອງຂອງລີງສະທ້ອນໃຫ້ເຫັນເຖິງຄວາມຮັບຮູ້ຂອງເຂົາເຈົ້າກ່ຽວກັບການເຊື່ອມຕໍ່ / ຄວາມໂປ່ງໃສ.
ບັນຫາທີ່ອາດເປັນໄປໄດ້ອີກອັນໜຶ່ງແມ່ນວ່າພວກເຮົາບໍ່ໄດ້ປັບຕົວກໍານົດການເຄື່ອນທີ່ຂອງຂອບສຳລັບສະຖານະການສະເພາະ.ໃນຫຼາຍໆວຽກງານທີ່ຜ່ານມາປຽບທຽບຄວາມອ່ອນໄຫວ neuronal ແລະ psychophysical, ການກະຕຸ້ນໄດ້ຖືກຄັດເລືອກເປັນສ່ວນບຸກຄົນສໍາລັບແຕ່ລະຫນ່ວຍງານທີ່ລົງທະບຽນ [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45].ໃນທີ່ນີ້ພວກເຮົາໄດ້ນໍາໃຊ້ສອງທິດທາງດຽວກັນຂອງການເຄື່ອນໄຫວຂອງຮູບແບບເສັ້ນດ່າງໂດຍບໍ່ຄໍານຶງເຖິງການປັບຂອງທິດທາງຂອງແຕ່ລະຫ້ອງ.ການອອກແບບນີ້ອະນຸຍາດໃຫ້ພວກເຮົາສຶກສາວິທີການປ່ຽນຄວາມອ່ອນໄຫວດ້ວຍການທັບຊ້ອນກັນລະຫວ່າງການເຄື່ອນໄຫວຂອງເສັ້ນດ່າງແລະການວາງທິດທາງທີ່ຕ້ອງການ, ແນວໃດກໍ່ຕາມ, ມັນບໍ່ໄດ້ເປັນພື້ນຖານອັນສໍາຄັນສໍາລັບການກໍານົດວ່າຈຸລັງຕ້ອງການເສັ້ນທີ່ສອດຄ່ອງກັນຫຼືໂປ່ງໃສ.ດັ່ງນັ້ນ, ພວກເຮົາອີງໃສ່ເງື່ອນໄຂທາງ empirical, ການນໍາໃຊ້ການຕອບສະຫນອງຂອງແຕ່ລະຫ້ອງກັບຕາຫນ່າງໂຄງສ້າງ, ເພື່ອກໍານົດຄວາມມັກແລະສູນປ້າຍກັບແຕ່ລະປະເພດຂອງການເຄື່ອນໄຫວຕາຫນ່າງ.ເຖິງແມ່ນວ່າບໍ່ເປັນໄປໄດ້, ນີ້ສາມາດເປັນລະບົບ skew ຜົນໄດ້ຮັບຂອງການວິເຄາະຄວາມອ່ອນໄຫວຂອງພວກເຮົາແລະການກວດສອບສັນຍານ CP, ອາດຈະ overestimating ມາດຕະການໃດໆ.ຢ່າງໃດກໍ່ຕາມ, ຫຼາຍໆດ້ານຂອງການວິເຄາະແລະຂໍ້ມູນທີ່ສົນທະນາຂ້າງລຸ່ມນີ້ຊີ້ໃຫ້ເຫັນວ່ານີ້ບໍ່ແມ່ນກໍລະນີ.
ຫນ້າທໍາອິດ, ການມອບຫມາຍຊື່ທີ່ຕ້ອງການ (null) ກັບການກະຕຸ້ນທີ່ elicited ຫຼາຍ (ຫນ້ອຍ) ກິດຈະກໍາບໍ່ໄດ້ສົ່ງຜົນກະທົບຕໍ່ການຈໍາແນກຂອງການແຈກຢາຍການຕອບສະຫນອງເຫຼົ່ານີ້.ແທນທີ່ຈະ, ມັນພຽງແຕ່ຮັບປະກັນວ່າຫນ້າທີ່ neurometric ແລະ psychometric ມີເຄື່ອງຫມາຍດຽວກັນ, ດັ່ງນັ້ນເຂົາເຈົ້າສາມາດປຽບທຽບໄດ້ໂດຍກົງ.ອັນທີສອງ, ຄໍາຕອບທີ່ໃຊ້ໃນການຄິດໄລ່ CP (ການທົດລອງ "ຜິດ" ສໍາລັບໂຄງສ້າງ gratings ແລະການທົດລອງທັງຫມົດສໍາລັບການ gratings ໂດຍບໍ່ມີການກົງກັນຂ້າມໂຄງສ້າງ) ບໍ່ໄດ້ຖືກລວມເຂົ້າໃນການວິເຄາະ regression ທີ່ກໍານົດວ່າແຕ່ລະ cell "ມັກ" ກິລາເຊື່ອມຕໍ່ຫຼືໂປ່ງໃສ.ນີ້ຮັບປະກັນວ່າຜົນກະທົບຂອງການຄັດເລືອກແມ່ນບໍ່ລໍາອຽງຕໍ່ກັບການອອກແບບທີ່ມັກ / ບໍ່ຖືກຕ້ອງ, ສົ່ງຜົນໃຫ້ມີຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກຢ່າງຫຼວງຫຼາຍ.
ການສຶກສາຂອງ Newsom ແລະເພື່ອນຮ່ວມງານຂອງລາວ [36, 39, 46, 47] ແມ່ນຄັ້ງທໍາອິດທີ່ຈະກໍານົດບົດບາດຂອງ MT ໃນການຄາດຄະເນໂດຍປະມານຂອງທິດທາງຂອງການເຄື່ອນໄຫວ.ບົດລາຍງານຕໍ່ມາໄດ້ເກັບກໍາຂໍ້ມູນກ່ຽວກັບການມີສ່ວນຮ່ວມຂອງ MT ໃນຄວາມເລິກ 34,44,48,49,50,51 ແລະ speed32,52, ການປະຖົມນິເທດທີ່ດີ 33 ແລະການຮັບຮູ້ຂອງໂຄງສ້າງ 3D ຈາກການເຄື່ອນໄຫວ31,53,54 (ປ່າໄມ້ແບບຍືນຍົງ 3D).ປົກຄອງ).ພວກເຮົາຂະຫຍາຍຜົນໄດ້ຮັບເຫຼົ່ານີ້ໃນສອງວິທີທີ່ສໍາຄັນ.ຫນ້າທໍາອິດ, ພວກເຮົາສະຫນອງຫຼັກຖານວ່າການຕອບສະຫນອງ MT ປະກອບສ່ວນເຂົ້າໃນການແບ່ງສ່ວນ perceptual ຂອງສັນຍານ visuomotor.ອັນທີສອງ, ພວກເຮົາໄດ້ສັງເກດເຫັນຄວາມສໍາພັນລະຫວ່າງການເລືອກທິດທາງຂອງໂຫມດ MT ແລະສັນຍານການຄັດເລືອກນີ້.
ແນວຄວາມຄິດ, ຜົນໄດ້ຮັບໃນປະຈຸບັນແມ່ນຄ້າຍຄືກັນທີ່ສຸດກັບການເຮັດວຽກໃນ 3-D SFM, ຍ້ອນວ່າທັງສອງແມ່ນຄວາມເຂົ້າໃຈ bistable ສະລັບສັບຊ້ອນທີ່ກ່ຽວຂ້ອງກັບການເຄື່ອນໄຫວແລະຄວາມເລິກຄໍາສັ່ງ.Dodd et al.31 ພົບເຫັນຄວາມເປັນໄປໄດ້ຂອງການຄັດເລືອກໃຫຍ່ (0.67) ໃນໜ້າວຽກລິງທີ່ລາຍງານການໝຸນທາງຂອງກະບອກ 3D SFM bistable.ພວກເຮົາພົບເຫັນຜົນກະທົບຂອງການຄັດເລືອກທີ່ນ້ອຍກວ່າສໍາລັບ bistable grid stimuli (ປະມານ 0.55 ສໍາລັບລີງທັງສອງ).ເນື່ອງຈາກການປະເມີນຜົນຂອງ CP ແມ່ນຂຶ້ນກັບຄ່າສໍາປະສິດການຄັດເລືອກ, ມັນເປັນການຍາກທີ່ຈະຕີຄວາມຫມາຍຂອງ CP ທີ່ໄດ້ຮັບພາຍໃຕ້ເງື່ອນໄຂທີ່ແຕກຕ່າງກັນໃນວຽກງານທີ່ແຕກຕ່າງກັນ.ຢ່າງໃດກໍຕາມ, ຂະຫນາດຂອງຜົນກະທົບຂອງການຄັດເລືອກທີ່ພວກເຮົາສັງເກດເຫັນແມ່ນຄືກັນສໍາລັບສູນແລະຕ່ໍາໂຄງສ້າງ gratings ກົງກັນຂ້າມ, ແລະຍັງໃນເວລາທີ່ພວກເຮົາສົມທົບການກະຕຸ້ນກົງກັນຂ້າມໂຄງສ້າງຕ່ໍາ / ບໍ່ມີເພື່ອເພີ່ມພະລັງງານ.ດັ່ງນັ້ນ, ຄວາມແຕກຕ່າງໃນ CP ນີ້ຄົງຈະບໍ່ເປັນຍ້ອນຄວາມແຕກຕ່າງຂອງອັດຕາການຄັດເລືອກລະຫວ່າງຊຸດຂໍ້ມູນ.
ການປ່ຽນແປງເລັກນ້ອຍໃນອັດຕາການຍິງ MT ທີ່ມາພ້ອມກັບຄວາມຮັບຮູ້ໃນກໍລະນີສຸດທ້າຍເບິ່ງຄືວ່າສັບສົນເມື່ອປຽບທຽບກັບສະຖານະການຮັບຮູ້ເຂົ້າໃຈທີ່ແຕກຕ່າງກັນຢ່າງເຂັ້ມງວດແລະມີຄຸນນະພາບທີ່ຖືກກະຕຸ້ນໂດຍການກະຕຸ້ນ 3-D SFM ແລະໂຄງສ້າງຕາຂ່າຍໄຟຟ້າ bistable.ຄວາມເປັນໄປໄດ້ຫນຶ່ງແມ່ນວ່າພວກເຮົາປະເມີນຜົນກະທົບຂອງການຄັດເລືອກໂດຍການຄິດໄລ່ອັດຕາການຍິງໃນໄລຍະໄລຍະເວລາທັງຫມົດຂອງການກະຕຸ້ນ.ກົງກັນຂ້າມກັບກໍລະນີຂອງ 31 3-D SFM, ບ່ອນທີ່ຄວາມແຕກຕ່າງຂອງກິດຈະກໍາ MT ພັດທະນາປະມານ 250 ms ໃນການທົດລອງແລະຫຼັງຈາກນັ້ນເພີ່ມຂຶ້ນຢ່າງຕໍ່ເນື່ອງຕະຫຼອດການທົດລອງ, ການວິເຄາະຂອງພວກເຮົາກ່ຽວກັບການເຄື່ອນໄຫວຊົ່ວຄາວຂອງສັນຍານການຄັດເລືອກ (ເບິ່ງ 500 ms ຫຼັງຈາກການກະຕຸ້ນການເລີ່ມຕົ້ນໃນລີງທັງສອງ. ນອກຈາກນັ້ນ, ຫຼັງຈາກການທົດລອງ CP ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ, ພວກເຮົາຍັງສັງເກດເຫັນ CP ໃນໄລຍະການທົດລອງນີ້. in55 ລາຍງານວ່າຄວາມຮັບຮູ້ຂອງມະນຸດຕໍ່ bistable rectangular arrays ມັກຈະປ່ຽນແປງໃນລະຫວ່າງການທົດລອງທີ່ຍາວນານ. ເຖິງແມ່ນວ່າການກະຕຸ້ນຂອງພວກເຮົາຖືກນໍາສະເຫນີພຽງແຕ່ 1.5 ວິນາທີ, ຄວາມຮັບຮູ້ຂອງ monkeys ຂອງພວກເຮົາຍັງສາມາດແຕກຕ່າງກັນຈາກຄວາມສອດຄ່ອງໄປສູ່ຄວາມໂປ່ງໃສໃນລະຫວ່າງການທົດລອງ (ຄໍາຕອບຂອງພວກມັນສະທ້ອນເຖິງຄວາມຮັບຮູ້ສຸດທ້າຍຂອງພວກເຂົາຢູ່ທີ່ການຄັດເລືອກ cue.) ດັ່ງນັ້ນ, ໄລຍະເວລາຕິກິຣິຍາຂອງຫນ້າວຽກຂອງພວກເຮົາ, ຫຼືການວາງແຜນທີ່ຄາດວ່າຈະມີຜົນຕໍ່ການຄັດເລືອກຂອງພວກເຂົາຢ່າງຕໍ່ເນື່ອງ. ແມ່ນວ່າສັນຍານ MT ໄດ້ຖືກອ່ານແຕກຕ່າງກັນໃນສອງຫນ້າວຽກ, ເຖິງແມ່ນວ່າມັນໄດ້ຄິດມາດົນນານວ່າສັນຍານ CPU ເປັນຜົນມາຈາກການຖອດລະຫັດ sensory ແລະສິ່ງລົບກວນທີ່ກ່ຽວຂ້ອງ, 56 Gu ແລະເພື່ອນຮ່ວມງານ 57 ພົບວ່າໃນແບບຈໍາລອງການຄິດໄລ່, ຍຸດທະສາດການລວມກັນທີ່ແຕກຕ່າງກັນ, ແທນທີ່ຈະເປັນລະດັບຂອງຄວາມປ່ຽນແປງທີ່ກ່ຽວຂ້ອງ, ສາມາດອະທິບາຍ CPU ໃນ dorsal media-superior temperal.ວຽກການຮັບຮູ້ທິດທາງການປ່ຽນແປງແຜ່ນ (MSTd).ຜົນກະທົບການຄັດເລືອກທີ່ນ້ອຍກວ່າທີ່ພວກເຮົາສັງເກດເຫັນໃນ MT ອາດຈະສະທ້ອນໃຫ້ເຫັນເຖິງການລວມຕົວຢ່າງກວ້າງຂວາງຂອງ neurons ທີ່ມີຂໍ້ມູນຕ່ໍາຫຼາຍເພື່ອສ້າງຄວາມເຂົ້າໃຈກ່ຽວກັບຄວາມສອດຄ່ອງຫຼືຄວາມໂປ່ງໃສ.ໃນກໍລະນີໃດກໍ່ຕາມທີ່ cues ການເຄື່ອນໄຫວໃນທ້ອງຖິ່ນຈະຖືກຈັດກຸ່ມເຂົ້າໄປໃນຫນຶ່ງຫຼືສອງວັດຖຸ (bistable gratings) ຫຼືຫນ້າດິນແຍກຕ່າງຫາກຂອງວັດຖຸທົ່ວໄປ (3-D SFM), ຫຼັກຖານເອກະລາດວ່າການຕອບສະຫນອງ MT ມີຄວາມກ່ຽວຂ້ອງຢ່າງຫຼວງຫຼາຍກັບການຕັດສິນຂອງ perceptual, ມີການຕອບສະຫນອງ MT ທີ່ເຂັ້ມແຂງ.ມັນໄດ້ຖືກສະເຫນີໃຫ້ມີບົດບາດໃນການແບ່ງສ່ວນຂອງຮູບພາບທີ່ສັບສົນເຂົ້າໄປໃນ scene ຫຼາຍວັດຖຸໂດຍໃຊ້ຂໍ້ມູນການເຄື່ອນໄຫວຂອງສາຍຕາ.
ດັ່ງທີ່ໄດ້ກ່າວມາຂ້າງເທິງ, ພວກເຮົາເປັນຄົນທໍາອິດທີ່ລາຍງານການເຊື່ອມໂຍງລະຫວ່າງກິດຈະກໍາໂທລະສັບມືຖືແບບ MT ແລະການຮັບຮູ້.ດັ່ງທີ່ໄດ້ກໍານົດໄວ້ໃນຮູບແບບຕົ້ນສະບັບສອງຂັ້ນຕອນໂດຍ Movshon ແລະເພື່ອນຮ່ວມງານ, ຫນ່ວຍງານຮູບແບບແມ່ນຂັ້ນຕອນຜົນຜະລິດຂອງ MT.ຢ່າງໃດກໍຕາມ, ການເຮັດວຽກທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນວ່າຮູບແບບແລະຈຸລັງອົງປະກອບເປັນຕົວແທນຂອງຈຸດຈົບທີ່ແຕກຕ່າງກັນຂອງ continuum ແລະວ່າຄວາມແຕກຕ່າງ parametric ໃນໂຄງສ້າງຂອງພາກສະຫນາມ receptive ແມ່ນຮັບຜິດຊອບສໍາລັບ tuning spectrum ຂອງອົງປະກອບຂອງຮູບແບບ.ດັ່ງນັ້ນ, ພວກເຮົາພົບເຫັນຄວາມກ່ຽວຂ້ອງກັນຢ່າງຫຼວງຫຼາຍລະຫວ່າງ CP ແລະ PI, ຄ້າຍຄືກັນກັບຄວາມສຳພັນລະຫວ່າງການປັບຄວາມສົມດຸນຂອງ binocular mismatch symmetry ແລະ CP ໃນວຽກງານການຮັບຮູ້ຄວາມເລິກ ຫຼື ການກຳນົດການວາງທິດທາງໃນໜ້າທີ່ການຈຳແນກການກຳນົດທິດທາງທີ່ດີ.ຄວາມສຳພັນລະຫວ່າງເອກະສານ ແລະ CP 33 .Wang ແລະ Movshon62 ໄດ້ວິເຄາະຈຸລັງຈໍານວນຫລາຍທີ່ມີການຄັດເລືອກທິດທາງ MT ແລະພົບວ່າ, ໂດຍສະເລ່ຍ, ດັດຊະນີໂຫມດແມ່ນກ່ຽວຂ້ອງກັບຄຸນສົມບັດການປັບແຕ່ງຫຼາຍ, ຊີ້ໃຫ້ເຫັນວ່າການເລືອກຮູບແບບມີຢູ່ໃນຫຼາຍປະເພດສັນຍານທີ່ສາມາດອ່ານໄດ້ຈາກປະຊາກອນ MT..ດັ່ງນັ້ນ, ສໍາລັບການສຶກສາໃນອະນາຄົດກ່ຽວກັບຄວາມສໍາພັນລະຫວ່າງກິດຈະກໍາ MT ແລະການຮັບຮູ້ຫົວຂໍ້, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະກໍານົດວ່າດັດຊະນີຮູບແບບມີຄວາມກ່ຽວຂ້ອງທີ່ຄ້າຍຄືກັນກັບສັນຍານການຄັດເລືອກແລະວຽກງານອື່ນໆ, ຫຼືວ່າຄວາມສໍາພັນນີ້ແມ່ນສະເພາະກັບກໍລະນີຂອງການແບ່ງສ່ວນ perceptual.
ເຊັ່ນດຽວກັນ, Nienborg ແລະ Cumming 42 ພົບວ່າເຖິງແມ່ນວ່າຈຸລັງໃກ້ແລະໄກທີ່ເລືອກສໍາລັບຄວາມບໍ່ສອດຄ່ອງ binocular ໃນ V2 ແມ່ນມີຄວາມອ່ອນໄຫວເທົ່າທຽມກັນໃນວຽກງານການຈໍາແນກຄວາມເລິກ, ມີພຽງແຕ່ປະຊາກອນຈຸລັງທີ່ໃກ້ຄຽງທີ່ມັກສະແດງ CP ທີ່ສໍາຄັນ.ຢ່າງໃດກໍຕາມ, ການຝຶກອົບຮົມລີງກັບຄວາມແຕກຕ່າງທາງໄກທີ່ມີນ້ໍາຫນັກທີ່ມັກເຮັດໃຫ້ CPs ທີ່ສໍາຄັນໃນ cages ທີ່ມັກຫຼາຍ.ການສຶກສາອື່ນໆຍັງໄດ້ລາຍງານວ່າປະຫວັດການຝຶກອົບຮົມແມ່ນຂຶ້ນກັບຄວາມກ່ຽວຂ້ອງ perceptual34,40,63 ຫຼືຄວາມສໍາພັນທາງສາເຫດລະຫວ່າງກິດຈະກໍາ MT ແລະການຈໍາແນກທີ່ແຕກຕ່າງກັນ48.ຄວາມສໍາພັນທີ່ພວກເຮົາສັງເກດເຫັນລະຫວ່າງ CP ແລະການຄັດເລືອກທິດທາງຂອງລະບົບອາດຈະສະທ້ອນໃຫ້ເຫັນເຖິງຍຸດທະສາດສະເພາະທີ່ລິງໃຊ້ເພື່ອແກ້ໄຂບັນຫາຂອງພວກເຮົາ, ແລະບໍ່ແມ່ນບົດບາດສະເພາະຂອງສັນຍານການເລືອກຮູບແບບໃນການຮັບຮູ້ທາງສາຍຕາ.ໃນການເຮັດວຽກໃນອະນາຄົດ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະກໍານົດວ່າປະຫວັດສາດການຮຽນຮູ້ມີຜົນກະທົບທີ່ສໍາຄັນໃນການກໍານົດວ່າສັນຍານ MT ໃດຖືກນ້ໍາຫນັກຕາມຄວາມມັກແລະຄວາມຍືດຫຍຸ່ນເພື່ອເຮັດໃຫ້ການຕັດສິນຂອງ segmentation.
Stoner ແລະເພື່ອນຮ່ວມງານ14,23 ເປັນຜູ້ທໍາອິດທີ່ລາຍງານວ່າການປ່ຽນແປງຄວາມສະຫວ່າງຂອງພື້ນທີ່ຕາຂ່າຍໄຟຟ້າທີ່ທັບຊ້ອນກັນຄາດຄະເນຜົນກະທົບຕໍ່ຄວາມສອດຄ່ອງແລະຄວາມໂປ່ງໃສຂອງບົດລາຍງານການສັງເກດການຂອງມະນຸດແລະການປັບທິດທາງໃນ macaque MT neurons.ຜູ້ຂຽນໄດ້ພົບເຫັນວ່າໃນເວລາທີ່ຄວາມສະຫວ່າງຂອງພາກພື້ນທີ່ທັບຊ້ອນກັນກົງກັນກັບຄວາມໂປ່ງໃສ, ຜູ້ສັງເກດການລາຍງານຄວາມຮັບຮູ້ທີ່ມີຄວາມໂປ່ງໃສຫຼາຍຂຶ້ນ, ໃນຂະນະທີ່ MT neurons ສັນຍານການເຄື່ອນໄຫວຂອງອົງປະກອບ raster.ໃນທາງກົງກັນຂ້າມ, ເມື່ອຄວາມສະຫວ່າງທີ່ທັບຊ້ອນກັນແລະການຊ້ອນກັນທີ່ມີຄວາມໂປ່ງໃສແມ່ນມີຄວາມສອດຄ່ອງທາງດ້ານຮ່າງກາຍ, ຜູ້ສັງເກດການຮັບຮູ້ການເຄື່ອນໄຫວທີ່ສອດຄ່ອງກັນ, ແລະ MT neurons ສັນຍານການເຄື່ອນໄຫວຂອງໂລກຂອງຮູບແບບ.ດັ່ງນັ້ນ, ການສຶກສາເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າການປ່ຽນແປງທາງດ້ານຮ່າງກາຍໃນການກະຕຸ້ນສາຍຕາທີ່ມີອິດທິພົນຕໍ່ບົດລາຍງານການແບ່ງສ່ວນທີ່ເຊື່ອຖືໄດ້ຍັງເຮັດໃຫ້ເກີດການປ່ຽນແປງທີ່ຄາດເດົາໄດ້ໃນ MT arousal.ການເຮັດວຽກທີ່ຜ່ານມາໃນຂົງເຂດນີ້ໄດ້ຄົ້ນຫາທີ່ສັນຍານ MT ຕິດຕາມລັກສະນະ perceptual ຂອງ stimuli ສະລັບສັບຊ້ອນ18,24,64.ຕົວຢ່າງ, ຊຸດຍ່ອຍຂອງ neurons MT ໄດ້ຖືກສະແດງເພື່ອສະແດງການປັບແຕ່ງ bimodal ກັບແຜນທີ່ການເຄື່ອນໄຫວຈຸດແບບສຸ່ມ (RDK) ທີ່ມີສອງທິດທາງທີ່ມີໄລຍະຫ່າງຫນ້ອຍກວ່າ RDK unidirectional.Bandwidth ຂອງ cellular tuning 19, 25 .ຜູ້ສັງເກດການສະເຫມີເຫັນຮູບແບບທໍາອິດເປັນການເຄື່ອນໄຫວທີ່ໂປ່ງໃສ, ເຖິງແມ່ນວ່າ neurons MT ສ່ວນໃຫຍ່ສະແດງໃຫ້ເຫັນການປັບຕົວ unimodal ໃນການຕອບສະຫນອງຕໍ່ການກະຕຸ້ນເຫຼົ່ານີ້, ແລະສະເລ່ຍງ່າຍດາຍຂອງຈຸລັງ MT ທັງຫມົດເຮັດໃຫ້ການຕອບສະຫນອງປະຊາກອນ unimodal.ດັ່ງນັ້ນ, ຊຸດຍ່ອຍຂອງຈຸລັງທີ່ສະແດງການປັບ bimodal ອາດຈະປະກອບເປັນ substrate neural ສໍາລັບການຮັບຮູ້ນີ້.ຫນ້າສົນໃຈ, ໃນ marmosets, ປະຊາກອນນີ້ຈັບຄູ່ກັບຈຸລັງ PDS ເມື່ອທົດສອບໂດຍໃຊ້ຕາຂ່າຍໄຟຟ້າແລະການກະຕຸ້ນຕາຂ່າຍໄຟຟ້າແບບດັ້ງເດີມ.
ຜົນໄດ້ຮັບຂອງພວກເຮົາໄປອີກບາດກ້າວຫນຶ່ງກ່ວາຂ້າງເທິງ, ເຊິ່ງເປັນສິ່ງສໍາຄັນໃນການສ້າງບົດບາດຂອງ MT ໃນການແບ່ງສ່ວນ perceptual.ໃນຄວາມເປັນຈິງ, ການແບ່ງສ່ວນແມ່ນເປັນປະກົດການຫົວຂໍ້.ຈໍສະແດງຜົນແບບ polystable ຫຼາຍສະແດງໃຫ້ເຫັນເຖິງຄວາມສາມາດຂອງລະບົບສາຍຕາໃນການຈັດລະບຽບ ແລະຕີຄວາມຫມາຍການກະຕຸ້ນທີ່ຄົງຄ້າງໃນຫຼາຍກວ່າຫນຶ່ງວິທີ.ການລວບລວມການຕອບສະຫນອງທາງ neural ແລະບົດລາຍງານ perceptual ໃນການສຶກສາຂອງພວກເຮົາໄດ້ອະນຸຍາດໃຫ້ພວກເຮົາຄົ້ນຫາຄວາມແຕກຕ່າງກັນລະຫວ່າງອັດຕາການຍິງ MT ແລະການຕີຄວາມຮັບຮູ້ຂອງການກະຕຸ້ນຄົງທີ່.ໂດຍໄດ້ສະແດງໃຫ້ເຫັນຄວາມສໍາພັນນີ້, ພວກເຮົາຍອມຮັບວ່າທິດທາງຂອງ causality ຍັງບໍ່ທັນໄດ້ສ້າງຕັ້ງຂຶ້ນ, ນັ້ນແມ່ນ, ການທົດລອງເພີ່ມເຕີມແມ່ນຈໍາເປັນເພື່ອກໍານົດວ່າສັນຍານຂອງ segmentation perceptual ສັງເກດເຫັນໂດຍພວກເຮົາ, ເປັນບາງໂຕ້ຖຽງ [65, 66, 67], ອັດຕະໂນມັດ.ຂະບວນການອີກເທື່ອຫນຶ່ງເປັນຕົວແທນຂອງສັນຍານ descending ກັບຄືນສູ່ cortex sensory ຈາກພື້ນທີ່ສູງກວ່າ 68, 69, 70 (ຮູບ 8).ບົດລາຍງານກ່ຽວກັບອັດຕາສ່ວນຂະຫນາດໃຫຍ່ຂອງຈຸລັງເລືອກຮູບແບບໃນ MSTd71, ຫນຶ່ງໃນເປົ້າຫມາຍ cortical ຕົ້ນຕໍຂອງ MT, ແນະນໍາວ່າການຂະຫຍາຍການທົດລອງເຫຼົ່ານີ້ເພື່ອລວມເອົາການບັນທຶກພ້ອມໆກັນຂອງ MT ແລະ MSTd ຈະເປັນບາດກ້າວທໍາອິດທີ່ດີຕໍ່ຄວາມເຂົ້າໃຈຕື່ມອີກກ່ຽວກັບກົນໄກ neural ຂອງການຮັບຮູ້.ການແບ່ງສ່ວນ.
ຮູບແບບສອງຂັ້ນຕອນຂອງການເລືອກອົງປະກອບ ແລະທິດທາງຮູບແບບ ແລະຜົນກະທົບທີ່ເປັນໄປໄດ້ຂອງຄໍາຄຶດຄໍາເຫັນຈາກເທິງລົງລຸ່ມກ່ຽວກັບກິດຈະກໍາທີ່ກ່ຽວຂ້ອງກັບທາງເລືອກໃນການແປພາສາເຄື່ອງຈັກ.ທີ່ນີ້, ການເລືອກທິດທາງຂອງຮູບແບບ (PDS – “P”) ໃນຂັ້ນຕອນ MT ແມ່ນສ້າງຂື້ນໂດຍ (i) ຕົວຢ່າງຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນການປ້ອນຂໍ້ມູນທາງເລືອກທີ່ສອດຄ່ອງກັບຄວາມໄວຂອງໂຫມດສະເພາະ, ແລະ (ii) ການສະກັດກັ້ນການປັບແຕ່ງທີ່ເຂັ້ມແຂງ.ອົງປະກອບການເລືອກທິດທາງ (CDS) ຂອງຂັ້ນຕອນ MT (“C”) ມີຂອບເຂດຕົວຢ່າງແຄບໃນທິດທາງການປ້ອນຂໍ້ມູນ ແລະບໍ່ມີການສະກັດກັ້ນການປັບຫຼາຍ.ການຍັບຍັ້ງທີ່ບໍ່ໄດ້ຮັບການແກ້ໄຂເຮັດໃຫ້ການຄວບຄຸມທັງສອງປະຊາກອນ.ລູກສອນສີຊີ້ບອກທິດທາງອຸປະກອນທີ່ຕ້ອງການ.ເພື່ອຄວາມຊັດເຈນ, ມີພຽງແຕ່ຊຸດຍ່ອຍຂອງການເຊື່ອມຕໍ່ V1-MT ແລະຮູບແບບອົງປະກອບຫນຶ່ງແລະກ່ອງການເລືອກທິດທາງທີ່ສະແດງ.ໃນສະພາບການຂອງການຕີຄວາມຜົນລັບຂອງ feed-forward (FF) ຂອງພວກເຮົາ, ການຕັ້ງຄ່າການປ້ອນຂໍ້ມູນຢ່າງກວ້າງຂວາງແລະການຍັບຍັ້ງການປັບແຕ່ງທີ່ເຂັ້ມແຂງ (ເນັ້ນໃສ່ເປັນສີແດງ) ໃນຈຸລັງ PDS ເຮັດໃຫ້ເກີດຄວາມແຕກຕ່າງຂະຫນາດໃຫຍ່ໃນກິດຈະກໍາໃນການຕອບສະຫນອງຕໍ່ຮູບແບບການເຄື່ອນໄຫວຫຼາຍ.ໃນບັນຫາການແບ່ງສ່ວນຂອງພວກເຮົາ, ກຸ່ມນີ້ເຮັດໃຫ້ຕ່ອງໂສ້ການຕັດສິນໃຈ ແລະບິດເບືອນຄວາມຮັບຮູ້.ໃນທາງກົງກັນຂ້າມ, ໃນກໍລະນີຂອງຄໍາຕິຊົມ (FB), ການຕັດສິນໃຈ perceptual ແມ່ນຖືກສ້າງຂຶ້ນໃນວົງຈອນຂຶ້ນໂດຍຂໍ້ມູນ sensory ແລະຄວາມລໍາອຽງຂອງສະຕິປັນຍາ, ແລະຜົນກະທົບຫຼາຍກວ່າເກົ່າຂອງ downstream FB ກ່ຽວກັບຈຸລັງ PDS (ເສັ້ນຫນາ) ສ້າງສັນຍານການຄັດເລືອກ.b ການເປັນຕົວແທນຂອງແບບແຜນທາງເລືອກຂອງອຸປະກອນ CDS ແລະ PDS.ຢູ່ທີ່ນີ້, ສັນຍານ PDS ໃນ MT ແມ່ນຜະລິດບໍ່ພຽງແຕ່ໂດຍການປ້ອນຂໍ້ມູນໂດຍກົງຂອງ V1, ແຕ່ຍັງເປັນການປ້ອນຂໍ້ມູນທາງອ້ອມຂອງເສັ້ນທາງ V1-V2-MT.ເສັ້ນທາງທາງອ້ອມຂອງແບບຈໍາລອງໄດ້ຖືກປັບເພື່ອໃຫ້ການຄັດເລືອກກັບຂອບເຂດໂຄງສ້າງ (ພື້ນທີ່ຊ້ອນກັນຂອງຕາຂ່າຍໄຟຟ້າ).ໂມດູນ CDS ຊັ້ນ MT ປະຕິບັດການລວມນ້ໍາຫນັກຂອງວັດສະດຸປ້ອນໂດຍກົງແລະທາງອ້ອມແລະສົ່ງຜົນໄດ້ຮັບໄປຫາໂມດູນ PDS.PDS ຖືກຄວບຄຸມໂດຍການຂັດຂວາງການແຂ່ງຂັນ.ອີກເທື່ອຫນຶ່ງ, ພຽງແຕ່ການເຊື່ອມຕໍ່ເຫຼົ່ານັ້ນແມ່ນສະແດງໃຫ້ເຫັນວ່າມີຄວາມຈໍາເປັນເພື່ອແຕ້ມໂຄງສ້າງພື້ນຖານຂອງຕົວແບບ.ທີ່ນີ້, ກົນໄກ FF ທີ່ແຕກຕ່າງກັນກ່ວາທີ່ສະເຫນີໃນຫນຶ່ງສາມາດນໍາໄປສູ່ການປ່ຽນແປງຫຼາຍກວ່າເກົ່າໃນການຕອບສະຫນອງຂອງ cellular lattice ກັບ PDS, ອີກເທື່ອຫນຶ່ງນໍາໄປສູ່ຄວາມລໍາອຽງໃນຮູບແບບການຕັດສິນໃຈ.ອີກທາງເລືອກ, CP ຫຼາຍກວ່າເກົ່າໃນຈຸລັງ PDS ອາດຈະເປັນຜົນມາຈາກຄວາມລໍາອຽງໃນຄວາມເຂັ້ມແຂງຫຼືປະສິດທິພາບຂອງການຕິດ FB ກັບຈຸລັງ PDS.ຫຼັກຖານສະຫນັບສະຫນູນຮູບແບບ MT PDS ສອງແລະສາມຂັ້ນຕອນແລະການຕີຄວາມຂອງ CP FF ແລະ FB.
Macaque ຜູ້ໃຫຍ່ 2 ໂຕ (macaca mulatta), ຜູ້ຊາຍ 1 ແລະແມ່ຍິງ 1 (ອາຍຸ 7 ແລະ 5 ປີຕາມລໍາດັບ), ນ້ໍາຫນັກ 4.5 ຫາ 9.0 kg, ຖືກນໍາໃຊ້ເປັນວັດຖຸຂອງການສຶກສາ.ກ່ອນທີ່ຈະມີການທົດລອງການຜ່າຕັດທີ່ເປັນຫມັນທັງຫມົດ, ສັດໄດ້ຖືກຝັງດ້ວຍຫ້ອງບັນທຶກທີ່ເຮັດເອງສໍາລັບ electrodes ຕັ້ງຢູ່ໃກ້ກັບພື້ນທີ່ MT, ຂາຕັ້ງສະແຕນເລດ headrest (Crist Instruments, Hagerstown, MD), ແລະຕໍາແຫນ່ງຕາທີ່ມີເສັ້ນລວດຊອກຫາ scleral ວັດແທກ.(Cooner Wire, San Diego, California).ອະນຸສັນຍາທັງໝົດປະຕິບັດຕາມກົດລະບຽບຂອງກະຊວງກະສິກຳຂອງສະຫະລັດ (USDA) ແລະ ຄຳແນະນຳຂອງສະຖາບັນສຸຂະພາບແຫ່ງຊາດ (NIH) ສຳລັບການດູແລມະນຸດ ແລະການນຳໃຊ້ສັດໃນຫ້ອງທົດລອງ ແລະໄດ້ຮັບການອະນຸມັດຈາກຄະນະກຳມາທິການການດູແລ ແລະນຳໃຊ້ສັດຂອງສະຖາບັນມະຫາວິທະຍາໄລ Chicago (IAUKC).
ການກະຕຸ້ນສາຍຕາທັງໝົດໄດ້ຖືກນຳສະເໜີໃນຮູຮັບແສງຮອບທີ່ຕໍ່ກັບພື້ນຫຼັງສີດຳ ຫຼື ສີເທົາ.ໃນລະຫວ່າງການບັນທຶກ, ຕໍາແຫນ່ງແລະເສັ້ນຜ່າກາງຂອງຂຸມນີ້ໄດ້ຖືກປັບໃຫ້ສອດຄ່ອງກັບພາກສະຫນາມ receptive ຄລາສສິກຂອງ neurons ຢູ່ປາຍ electrode.ພວກເຮົາໄດ້ນໍາໃຊ້ສອງປະເພດຂອງການກະຕຸ້ນສາຍຕາຢ່າງກວ້າງຂວາງ: ການກະຕຸ້ນທາງຈິດຕະວິທະຍາແລະການກະຕຸ້ນການປັບ.
ການກະຕຸ້ນທາງດ້ານຈິດຕະວິທະຍາແມ່ນຮູບແບບການກະຕືລືລົ້ນ (20 cd/m2, 50% ກົງກັນຂ້າມ, 50% ຮອບວຽນຫນ້າທີ່, 5 ອົງສາ/ວິນາທີ) ທີ່ສ້າງຂຶ້ນໂດຍການວາງຂອບຮູບສີ່ຫຼ່ຽມມົນສອງອັນທີ່ເລື່ອນໄປໃນທິດທາງຕັ້ງຂວາງກັບທິດທາງຂອງເຂົາເຈົ້າ (ຮູບ 1b).ມັນໄດ້ຖືກສະແດງໃຫ້ເຫັນກ່ອນຫນ້ານີ້ວ່າຜູ້ສັງເກດການຂອງມະນຸດຮັບຮູ້ຮູບແບບຕາຂ່າຍໄຟຟ້າເຫຼົ່ານີ້ເປັນການກະຕຸ້ນ bistable, ບາງຄັ້ງເປັນຮູບແບບດຽວທີ່ເຄື່ອນຍ້າຍໄປໃນທິດທາງດຽວກັນ (ການເຄື່ອນໄຫວທີ່ສອດຄ່ອງກັນ) ແລະບາງຄັ້ງເປັນສອງດ້ານທີ່ແຍກຕ່າງຫາກເຄື່ອນຍ້າຍໃນທິດທາງທີ່ແຕກຕ່າງກັນ (ການເຄື່ອນໄຫວໂປ່ງໃສ).ອົງປະກອບຂອງຮູບແບບເສັ້ນໄຍ, ຮັດກຸມ symmetrically - ມຸມລະຫວ່າງ lattices ແມ່ນຈາກ 95° ຫາ 130° (ແຕ້ມມາຈາກຊຸດ: 95°, 100°, 105°, 115°, 120°, 125°, 130°°, ຕະຫຼອດກອງປະຊຸມ psycholation isolation15°, we not include ປະມານ 19 ຂໍ້ມູນ neurons) ° ຫຼື 270 ° (ທິດທາງຮູບແບບ).ໃນແຕ່ລະກອງປະຊຸມ, ມີພຽງແຕ່ຫນຶ່ງແຈຂອງ interlattice lattice ໄດ້ຖືກນໍາໃຊ້;ໃນລະຫວ່າງແຕ່ລະກອງປະຊຸມ, ທິດທາງຂອງຮູບແບບສໍາລັບແຕ່ລະການທົດລອງໄດ້ຖືກເລືອກແບບສຸ່ມຈາກສອງຄວາມເປັນໄປໄດ້.
ໃນຄໍາສັ່ງທີ່ຈະ disambiguate ຄວາມຮັບຮູ້ຂອງຕາຂ່າຍໄຟຟ້າແລະສະຫນອງພື້ນຖານ empirical ສໍາລັບລາງວັນສໍາລັບການປະຕິບັດ, ພວກເຮົາແນະນໍາໂຄງສ້າງຈຸດ Random ເຂົ້າໄປໃນຂັ້ນຕອນແຖບແສງສະຫວ່າງ 72 ຂອງແຕ່ລະອົງປະກອບຕາຂ່າຍໄຟຟ້າ.ນີ້ແມ່ນບັນລຸໄດ້ໂດຍການເພີ່ມຫຼືຫຼຸດລົງ (ໂດຍຈໍານວນຄົງທີ່) ຄວາມສະຫວ່າງຂອງຊຸດຍ່ອຍ pixels ທີ່ເລືອກແບບສຸ່ມ (ຮູບ 1c).ທິດທາງຂອງການເຄື່ອນໄຫວໂຄງສ້າງໃຫ້ສັນຍານທີ່ເຂັ້ມແຂງທີ່ປ່ຽນຄວາມຮັບຮູ້ຂອງຜູ້ສັງເກດການໄປສູ່ການເຄື່ອນໄຫວທີ່ສອດຄ່ອງກັນຫຼືໂປ່ງໃສ (ຮູບ 1c).ພາຍໃຕ້ເງື່ອນໄຂທີ່ສອດຄ່ອງກັນ, ໂຄງສ້າງທັງຫມົດ, ໂດຍບໍ່ຄໍານຶງເຖິງອົງປະກອບຂອງການປົກຫຸ້ມຂອງເສັ້ນດ່າງໂຄງສ້າງ, ຖືກແປໃນທິດທາງຂອງຮູບແບບ (ຮູບ 1c, coherent).ຢູ່ໃນສະພາບທີ່ໂປ່ງໃສ, ໂຄງສ້າງເຄື່ອນທີ່ຕັ້ງຂວາງກັບທິດທາງຂອງ grating ມັນກວມເອົາ (ຮູບ 1c, ໂປ່ງໃສ) (ຮູບເງົາເສີມ 1).ເພື່ອຄວບຄຸມຄວາມຊັບຊ້ອນຂອງໜ້າວຽກ, ໃນເຊດຊັນສ່ວນໃຫຍ່ ຄວາມແຕກຕ່າງຂອງ Michelson (Lmax-Lmin/Lmax+Lmin) ສໍາລັບເຄື່ອງໝາຍໂຄງສ້າງນີ້ແຕກຕ່າງຈາກຊຸດຂອງ (-80, -40, -20, -10, -5, 0, 5)., 10, 20, 40, 80).ຄວາມຄົມຊັດແມ່ນຖືກກໍານົດເປັນຄວາມສະຫວ່າງຂອງ raster (ດັ່ງນັ້ນຄ່າຄວາມຄົມຊັດຂອງ 80% ຈະເຮັດໃຫ້ໂຄງສ້າງຂອງ 36 ຫຼື 6 cd / m2).ສໍາລັບ 6 sessions ໃນ monkey N ແລະ 5 sessions ໃນ monkey S, ພວກເຮົາໃຊ້ຂອບເຂດຄວາມຄົມຊັດຂອງໂຄງສ້າງທີ່ແຄບກວ່າ (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30), ເຊິ່ງລັກສະນະທາງຈິດຕະສາດປະຕິບັດຕາມຮູບແບບດຽວກັນກັບຄວາມຄົມຊັດເຕັມຮູບແບບ, ແຕ່ບໍ່ມີການອີ່ມຕົວ.
ການກະຕຸ້ນການຈູນແມ່ນເສັ້ນໂຄ້ງ sinusoidal (ກົງກັນຂ້າມ 50%, 1 ຮອບວຽນ/ອົງສາ, 5 ອົງສາ/ວິນາທີ) ເຄື່ອນຍ້າຍໃນໜຶ່ງໃນ 16 ທິດທາງທີ່ມີໄລຍະຫ່າງເທົ່າທຽມກັນ, ຫຼືຕາຂ່າຍ sinusoidal ເຄື່ອນໄປໃນທິດທາງເຫຼົ່ານີ້ (ປະກອບດ້ວຍສອງມຸມທີ່ກົງກັນຂ້າມກັນ 135° superimposed gratings sinusoidal ເທິງຂອງກັນແລະກັນ).ໃນທິດທາງດຽວກັນຂອງຮູບແບບ.
ເວລາປະກາດ: 13-11-2022