Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझर आवृत्तीला मर्यादित CSS सपोर्ट आहे. सर्वोत्तम अनुभवासाठी, आम्ही शिफारस करतो की तुम्ही अपडेटेड ब्राउझर वापरा (किंवा इंटरनेट एक्सप्लोररमध्ये कंपॅटिबिलिटी मोड अक्षम करा). दरम्यान, सतत सपोर्ट सुनिश्चित करण्यासाठी, आम्ही साइटला स्टाईल आणि जावास्क्रिप्टशिवाय रेंडर करू.
एकाच वेळी तीन स्लाईड्स दाखवणारा कॅरोसेल. एका वेळी तीन स्लाईड्समधून जाण्यासाठी मागील आणि पुढील बटणे वापरा किंवा एका वेळी तीन स्लाईड्समधून जाण्यासाठी शेवटी स्लाईडर बटणे वापरा.
उच्च-रिझोल्यूशन दृष्टीसाठी वस्तूंच्या गुणधर्मांची पुनर्बांधणी करण्यासाठी बारीक रेटिनल सॅम्पलिंग आणि एकत्रीकरण आवश्यक आहे. हे लक्षात ठेवणे महत्त्वाचे आहे की वेगवेगळ्या वस्तूंमधील स्थानिक नमुने मिसळताना, अचूकता गमावली जाते. म्हणून, स्वतंत्र प्रक्रियेसाठी प्रतिमेच्या क्षेत्रांचे गटीकरण, हे आकलनासाठी महत्त्वाचे आहे. मागील कामात, बिस्टेबल जाळीच्या रचना, ज्या एक किंवा अधिक हालचाल पृष्ठभाग म्हणून मानल्या जाऊ शकतात, या प्रक्रियेचा अभ्यास करण्यासाठी वापरल्या गेल्या होत्या. येथे, आम्ही प्राइमेट व्हिज्युअल मार्गाच्या मध्यवर्ती प्रदेशांमध्ये क्रियाकलाप आणि विभाजन निर्णयांमधील संबंध नोंदवतो. विशेषतः, आम्हाला आढळले की निवडकपणे दिशा देणारे मध्यवर्ती टेम्पोरल न्यूरॉन्स बिस्टेबल जाळीच्या धारणा विकृत करण्यासाठी वापरल्या जाणाऱ्या पोत संकेतांसाठी संवेदनशील होते आणि चाचण्या आणि सततच्या उत्तेजनांच्या व्यक्तिनिष्ठ धारणा यांच्यात महत्त्वपूर्ण सहसंबंध दर्शविला. हा सहसंबंध अनेक स्थानिक दिशानिर्देशांसह नमुन्यांमध्ये जागतिक हालचाली सिग्नल करणाऱ्या युनिट्समध्ये जास्त आहे. अशा प्रकारे, आम्ही निष्कर्ष काढतो की मध्यवर्ती वेळ डोमेनमध्ये जटिल दृश्यांना घटक वस्तू आणि पृष्ठभागांमध्ये वेगळे करण्यासाठी वापरले जाणारे सिग्नल असतात.
दृष्टी केवळ धार अभिमुखता आणि गती यासारख्या प्राथमिक प्रतिमा वैशिष्ट्यांच्या अचूक भेदभावावर अवलंबून नाही, तर त्याहूनही महत्त्वाचे म्हणजे वस्तूचा आकार आणि मार्गक्रमण1 सारख्या पर्यावरणीय गुणधर्मांची गणना करण्यासाठी या वैशिष्ट्यांच्या योग्य एकात्मिकतेवर अवलंबून असते. तथापि, जेव्हा रेटिनल प्रतिमा अनेक समान संभाव्य वैशिष्ट्य गटांना समर्थन देतात तेव्हा समस्या उद्भवतात 2, 3, 4 (आकृती 1a). उदाहरणार्थ, जेव्हा गती सिग्नलचे दोन संच खूप जवळ असतात, तेव्हा याचा अर्थ एक हालणारी वस्तू किंवा अनेक हालणारी वस्तू म्हणून केला जाऊ शकतो (आकृती 1b). हे विभाजनाचे व्यक्तिनिष्ठ स्वरूप स्पष्ट करते, म्हणजेच ते प्रतिमेचा स्थिर गुणधर्म नाही, तर अर्थ लावण्याची प्रक्रिया आहे. सामान्य आकलनासाठी त्याचे स्पष्ट महत्त्व असूनही, संवेदी विभाजनाच्या तंत्रिका आधाराची आपली समज अपूर्ण राहते.
एका कार्टून चित्रणात, एका नेकर क्यूबमध्ये (डावीकडे) एका निरीक्षकाची खोलीची धारणा दोन संभाव्य स्पष्टीकरणांमध्ये (उजवीकडे) बदलते. कारण प्रतिमेत असे कोणतेही सिग्नल नाहीत जे मेंदूला आकृतीचे 3D अभिमुखता (उजवीकडे मोनोक्युलर ऑक्लुजन सिग्नलद्वारे प्रदान केलेले) विशिष्टपणे निर्धारित करण्यास अनुमती देतात. b जेव्हा अनेक गती सिग्नल स्थानिक समीपतेमध्ये सादर केले जातात, तेव्हा दृष्टी प्रणालीने स्थानिक नमुने एक किंवा अधिक वस्तूंमधून आहेत की नाही हे निर्धारित केले पाहिजे. स्थानिक गती सिग्नलची अंतर्निहित अस्पष्टता, म्हणजेच वस्तूंच्या हालचालींचा क्रम समान स्थानिक गती निर्माण करू शकतो, परिणामी दृश्य इनपुटचे अनेक समान प्रशंसनीय अर्थ लावले जाऊ शकतात, म्हणजेच येथे वेक्टर फील्ड एकाच पृष्ठभागाच्या सुसंगत गती किंवा आच्छादित पृष्ठभागांच्या पारदर्शक गतीतून उद्भवू शकतात. c (डावीकडे) आपल्या टेक्सचर्ड ग्रिड उत्तेजनाचे उदाहरण. त्यांच्या दिशेला लंबवत वाहणारे आयताकृती जाळी ("घटक दिशानिर्देश" - पांढरे बाण) एकमेकांना ओव्हरलॅप करून एक जाळी नमुना तयार करतात. जाळीला दिशानिर्देशांची एकल, नियमित, जोडलेली हालचाल (लाल बाण) किंवा संयुक्त दिशानिर्देशांची पारदर्शक हालचाल म्हणून पाहिले जाऊ शकते. यादृच्छिक बिंदू पोत संकेतांच्या जोडणीमुळे जाळीची धारणा विकृत होते. (मध्यम) पिवळ्या रंगात हायलाइट केलेला क्षेत्र विस्तारित केला जातो आणि अनुक्रमे सुसंगत आणि पारदर्शक सिग्नलसाठी फ्रेम्सच्या मालिकेच्या रूपात प्रदर्शित केला जातो. प्रत्येक प्रकरणात बिंदूची हालचाल हिरव्या आणि लाल बाणांनी दर्शविली जाते. (उजवीकडे) निवड बिंदूच्या स्थितीचा (x, y) आलेख विरुद्ध फ्रेम्सची संख्या. सुसंगत प्रकरणात, सर्व पोत एकाच दिशेने सरकतात. पारदर्शकतेच्या बाबतीत, पोत घटकाच्या दिशेने सरकतो. d आमच्या गती विभाजन कार्याचे कार्टून चित्रण. माकडांनी प्रत्येक चाचणीची सुरुवात एक लहान बिंदू निश्चित करून केली. थोड्या विलंबानंतर, MT RF च्या ठिकाणी एक विशिष्ट प्रकारचा जाळीचा नमुना (सुसंगतता/पारदर्शकता) आणि पोत सिग्नल आकार (उदा. कॉन्ट्रास्ट) दिसला. प्रत्येक चाचणी दरम्यान, जाळी पॅटर्नच्या दोन संभाव्य दिशांपैकी एका दिशेने सरकू शकते. उत्तेजक मागे घेतल्यानंतर, निवड लक्ष्य MT RF च्या वर आणि खाली दिसू लागले. माकडांनी ग्रिडची त्यांची धारणा योग्य निवड लक्ष्याकडे सॅकेडमध्ये दर्शविली पाहिजे.
दृश्य हालचालींची प्रक्रिया चांगल्या प्रकारे वैशिष्ट्यीकृत आहे आणि त्यामुळे perceptual segmentation च्या न्यूरल सर्किट्सचा अभ्यास करण्यासाठी एक उत्कृष्ट मॉडेल प्रदान करते. अनेक संगणकीय अभ्यासांनी दोन-चरणांच्या गती प्रक्रिया मॉडेल्सची उपयुक्तता नोंदवली आहे ज्यामध्ये उच्च-रिझोल्यूशन प्रारंभिक अंदाजानंतर स्थानिक नमुन्यांचे निवडक एकत्रीकरण करून आवाज काढून टाकला जातो आणि वस्तूचा वेग पुनर्संचयित केला जातो7,8. हे लक्षात घेणे महत्वाचे आहे की दृष्टी प्रणालींनी हे समूह फक्त सामान्य वस्तूंमधील स्थानिक नमुन्यांपर्यंत मर्यादित ठेवण्याची काळजी घेतली पाहिजे. सायकोफिजिकल अभ्यासांनी स्थानिक गती सिग्नल कसे विभागले जातात यावर प्रभाव पाडणारे भौतिक घटक वर्णन केले आहेत, परंतु शारीरिक मार्गक्रमण आणि न्यूरल कोडचे आकार खुले प्रश्न आहेत. असंख्य अहवाल सूचित करतात की प्राइमेट कॉर्टेक्सच्या टेम्पोरल (MT) प्रदेशातील ओरिएंटेशन-सिलेक्टिव्ह पेशी न्यूरल सब्सट्रेट्ससाठी उमेदवार आहेत.
महत्त्वाचे म्हणजे, या मागील प्रयोगांमध्ये, मज्जातंतूंच्या क्रियाकलापांमधील बदल दृश्य उत्तेजनांमधील भौतिक बदलांशी संबंधित होते. तथापि, वर नमूद केल्याप्रमाणे, विभाजन ही मूलत: एक ज्ञानेंद्रिय प्रक्रिया आहे. म्हणून, त्याच्या मज्जातंतूंच्या थराच्या अभ्यासासाठी मज्जातंतूंच्या क्रियाकलापांमधील बदलांना स्थिर उत्तेजनांच्या आकलनामधील बदलांशी जोडणे आवश्यक आहे. म्हणून, आम्ही दोन माकडांना सुपरइम्पोज्ड ड्रिफ्टिंग आयताकृती जाळींद्वारे तयार केलेला समजलेला बिस्टेबल जाळीचा नमुना एक पृष्ठभाग होता की दोन स्वतंत्र पृष्ठभाग होता हे नोंदवण्यासाठी प्रशिक्षण दिले. मज्जातंतूंच्या क्रियाकलाप आणि विभाजन निर्णयांमधील संबंधांचा अभ्यास करण्यासाठी, जेव्हा माकडांनी हे कार्य केले तेव्हा आम्ही MT मध्ये एकच क्रियाकलाप नोंदवला.
आम्हाला MT क्रियाकलाप आणि धारणा यांच्या अभ्यासात एक महत्त्वाचा सहसंबंध आढळला. उत्तेजनांमध्ये उघड विभाजन संकेत आहेत की नाहीत हे या सहसंबंधात होते. याव्यतिरिक्त, या परिणामाची ताकद विभाजन संकेतांच्या संवेदनशीलतेशी तसेच नमुना निर्देशांकाशी संबंधित आहे. नंतरचे प्रमाण जटिल नमुन्यांमध्ये स्थानिक हालचालींऐवजी युनिट जागतिक पातळीवर किती प्रमाणात विकिरण करते हे ठरवते. जरी फॅशन दिशेसाठी निवडकता ही MT चे एक परिभाषित वैशिष्ट्य म्हणून ओळखली गेली आहे आणि फॅशन-निवडक पेशी त्या उत्तेजनांच्या मानवी आकलनाशी सुसंगत जटिल उत्तेजनांशी जुळवून घेत असल्याचे दर्शवितात, आमच्या सर्वोत्तम माहितीनुसार, नमुन्यांमधील सहसंबंधाचा हा पहिला पुरावा आहे. निर्देशांक आणि धारणात्मक विभाजन.
आम्ही दोन माकडांना वाहत्या ग्रिड उत्तेजनांची (सुसंगत किंवा पारदर्शक हालचाली) धारणा दाखवण्यासाठी प्रशिक्षित केले. मानवी निरीक्षकांना सहसा या उत्तेजनांना अंदाजे समान वारंवारतेच्या सुसंगत किंवा पारदर्शक हालचाली म्हणून समजले जाते. या चाचणीत योग्य उत्तर देण्यासाठी आणि ऑपरेटंट रिवॉर्डसाठी आधार निश्चित करण्यासाठी, आम्ही जाळी तयार करणाऱ्या घटकाच्या रास्टरला टेक्सचर करून सेगमेंटेशन सिग्नल तयार केले (आकृती 1c, d). सुसंगत परिस्थितीत, सर्व पोत पॅटर्नच्या दिशेने फिरतात (आकृती 1c, "सुसंगत"). पारदर्शक स्थितीत, पोत ज्या जाळीवर ते सुपरइम्पोज केले आहे त्याच्या दिशेला लंब फिरते (आकृती 1c, "पारदर्शक"). आम्ही या पोत लेबलचा कॉन्ट्रास्ट बदलून कार्याची अडचण नियंत्रित करतो. संकेतित चाचण्यांमध्ये, पोत संकेतांशी संबंधित प्रतिसादांसाठी माकडांना बक्षीस देण्यात आले आणि पोत संकेतांशिवाय नमुने असलेल्या चाचण्यांमध्ये यादृच्छिकपणे (50/50 शक्यता) बक्षिसे देण्यात आली (शून्य पोत कॉन्ट्रास्ट स्थिती).
दोन प्रातिनिधिक प्रयोगांमधील वर्तणुकीय डेटा आकृती 2a मध्ये दर्शविला आहे आणि प्रतिसाद अनुक्रमे वर किंवा खाली सरकणाऱ्या नमुन्यांसाठी पोत सिग्नलच्या कॉन्ट्रास्ट विरुद्ध सुसंगततेच्या निर्णयांच्या प्रमाणात (पारदर्शकता कॉन्ट्रास्ट परिभाषेनुसार नकारात्मक मानला जातो) म्हणून प्लॉट केले आहेत. एकंदरीत, माकडांच्या सुसंगतता/पारदर्शकतेची धारणा पोत संकेताच्या चिन्ह (पारदर्शक, सुसंगत) आणि ताकद (कॉन्ट्रास्ट) या दोन्हींमुळे विश्वसनीयरित्या प्रभावित झाली (ANOVA; माकड N: दिशा – F = 0.58, p = 0.45, चिन्ह – F = 1248, p < 10−10, कॉन्ट्रास्ट – F = 22.63, p < 10;−10 माकड S: दिशा – F = 0.41, p = 0.52, चिन्ह – F = 2876.7, p < 10−10, कॉन्ट्रास्ट – F = 36.5, p < 10−10). एकंदरीत, माकडांच्या सुसंगतता/पारदर्शकतेची धारणा पोत संकेताच्या चिन्ह (पारदर्शक, सुसंगत) आणि ताकद (कॉन्ट्रास्ट) या दोन्हींमुळे विश्वसनीयरित्या प्रभावित झाली (ANOVA; माकड N: दिशा – F = 0.58, p = 0.45, चिन्ह – F = 1248, p < 10−10, कॉन्ट्रास्ट – F = 22.63, p < 10; −10 माकड S: दिशा – F = 0.41, p = 0.52, चिन्ह – F = 2876.7, p < 10−10, कॉन्ट्रास्ट – F = 36.5, p < 10−10). В целом на восприятие обезьянами когерентности/прозрачности достоверно влияли как знак (прозрачность, когерентность), так (инь) текстурного признака (ANOVA; обезьяна N: направление — F = 0,58, p = 0,45, знак — F = 1248, p < 10−10, контраст – F = 22,63, p - бояна; бояна − боя: боя боя: направление – F = 0,41, p = 0,52, признак – F = 2876,7, p < 10−10, контраст – F = 36,5, р < 10-10). सर्वसाधारणपणे, माकडांच्या सुसंगतता/पारदर्शकतेची धारणा पोत वैशिष्ट्याच्या चिन्ह (पारदर्शकता, सुसंगतता) आणि ताकद (कॉन्ट्रास्ट) या दोन्हींमुळे लक्षणीयरीत्या प्रभावित झाली (ANOVA; माकड N: दिशा — F = 0.58, p = 0.45, चिन्ह — F = 1248, p < 10−10, कॉन्ट्रास्ट – F = 22.63, p < 10; -10 माकड S: दिशा – F = 0.41, p = 0.52, चिन्ह – F = 2876.7, p < 10 −10, कॉन्ट्रास्ट – F = 36.5, p < 10-10).总体而言,猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;−10 猴子S: 方向– F = 0.41, p = 0.52, 符号– F = 2876.7, p < 10−10, 对比度– F = 36.5，p < 10-10）.总体而言,猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;−10 36.5，p < 10-10）.सर्वसाधारणपणे, पोत सिग्नलच्या चिन्ह (पारदर्शकता, सुसंगतता) आणि तीव्रता (कॉन्ट्रास्ट) (ANOVA) मुळे माकड सुसंगतता/पारदर्शकतेची धारणा लक्षणीयरीत्या प्रभावित झाली;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p < 10−10, Контрастность — F = 22,63, p < 10; माकड N: अभिमुखता – F = 0.58, p = 0.45, चिन्ह – F = 1248, p < 10−10, कॉन्ट्रास्ट – 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). −१० मंकी एस: ओरिएंटेशन – एफ = ०.४१, पी = ०.५२, चिन्ह – एफ = २८७६.७, पी < १०-१०, कॉन्ट्रास्ट – एफ = ३६.५, पी < १०-१०).माकडांच्या मानसिक-भौतिक वैशिष्ट्यांचे वर्णन करण्यासाठी प्रत्येक सत्रातील डेटामध्ये गौशियन संचयी कार्ये बसवण्यात आली होती. आकृती 2b मध्ये दोन्ही माकडांसाठी सर्व सत्रांमध्ये या मॉडेल्ससाठी सहमतीचे वितरण दाखवले आहे. एकूणच, माकडांनी कार्य अचूक आणि सातत्याने पूर्ण केले आणि संचयी गौशियन मॉडेलशी खराब जुळणीमुळे आम्ही दोन-माकड सत्रांपैकी 13% पेक्षा कमी सत्रे नाकारली.
a प्रातिनिधिक सत्रांमध्ये माकडांची वर्तणुकीची उदाहरणे (प्रति उत्तेजक स्थितीत n ≥ 20 चाचण्या). डाव्या (उजवीकडे) पॅनेलमध्ये, एका N(S) माकड सत्रातील डेटा सुसंगत निवड स्कोअर (ऑर्डिनेट) विरुद्ध पोत सिग्नलच्या चिन्ह कॉन्ट्रास्ट (अॅब्सिसा) म्हणून प्लॉट केला जातो. येथे असे गृहीत धरले जाते की पारदर्शक (सुसंगत) पोतांमध्ये नकारात्मक (सकारात्मक) मूल्ये असतात. चाचणीमध्ये पॅटर्नच्या हालचालीच्या दिशेने (वर (90°) किंवा खाली (270°)) प्रतिसाद स्वतंत्रपणे तयार केले गेले. दोन्ही प्राण्यांसाठी, कामगिरी, प्रतिसाद 50/50 कॉन्ट्रास्ट (PSE - घन बाण) ने विभागलेला असो किंवा कामगिरीच्या विशिष्ट पातळीला समर्थन देण्यासाठी आवश्यक असलेल्या टेक्सचरल कॉन्ट्रास्टची मात्रा (थ्रेशोल्ड - उघडे बाण) या ड्रिफ्ट दिशानिर्देशांमध्ये आहे. b गौशियन संचयी कार्याच्या R2 मूल्यांचा फिट केलेला हिस्टोग्राम. माकड S(N) डेटा डावीकडे (उजवीकडे) दर्शविला आहे. c (वर) ग्रिड खाली (ऑर्डिनेट) हलवण्यासाठी मोजलेले PSE ग्रिड वर हलवलेल्या (अॅब्सिसा) ग्रिडच्या तुलनेत, प्रत्येक स्थितीसाठी PSE वितरण दर्शविणाऱ्या कडा आणि प्रत्येक स्थितीसाठी सरासरी दर्शविणारे बाण दर्शवितात. सर्व N(S) मंकी सत्रांसाठी डेटा डाव्या (उजव्या) स्तंभात दिलेला आहे. (तळाशी) सर्व N(S) मंकी सत्रांसाठी डेटा PSE डेटा प्रमाणेच आहे, परंतु फिट केलेल्या वैशिष्ट्य थ्रेशोल्डसाठी. PSE थ्रेशोल्ड किंवा फॅशन ट्रेंडमध्ये कोणतेही महत्त्वपूर्ण फरक नव्हते (मजकूर पहा). d PSE आणि उतार (ऑर्डिनेट) कोनीय पृथक्करण घटकाच्या सामान्यीकृत रास्टर अभिमुखतेनुसार प्लॉट केले जातात ("इंटिग्रल ग्रेटिंग अँगल" - अॅब्सिसा). खुले वर्तुळे हे माध्यम आहेत, घन रेषा हे सर्वोत्तम फिटिंग रिग्रेशन मॉडेल आहे आणि ठिपकेदार रेषा ही रिग्रेशन मॉडेलसाठी 95% आत्मविश्वास मध्यांतर आहे. PSE आणि सामान्यीकृत एकात्मता कोनात एक महत्त्वपूर्ण सहसंबंध आहे, परंतु उतार आणि सामान्यीकृत एकात्मता कोनात नाही, जे सूचित करते की कोन घटक जाळी वेगळे करत असताना सायकोमेट्रिक फंक्शन बदलते, परंतु तीक्ष्ण किंवा सपाट होत नाही. (मंकी एन, एन = ३२ सत्रे; मंकी एस, एन = ४३ सत्रे). सर्व पॅनेलमध्ये, एरर बार सरासरीच्या मानक त्रुटीचे प्रतिनिधित्व करतात. हाहा. सुसंगतता, PSE व्यक्तिनिष्ठ समानता स्कोअर, नॉर्म. मानकीकरण.
वर नमूद केल्याप्रमाणे, पोत संकेतांचा कॉन्ट्रास्ट आणि पॅटर्नच्या हालचालीची दिशा दोन्ही चाचण्यांमध्ये वेगवेगळी होती, दिलेल्या चाचणीमध्ये उत्तेजना वर किंवा खाली जात होत्या. हे सायकोफिजिकल11 आणि न्यूरोनल28 अनुकूली प्रभाव कमी करण्यासाठी केले जाते. पॅटर्न ओरिएंटेशन विरुद्ध बायस (व्यक्तिगत समानता बिंदू किंवा PSE) (विल्कोक्सन रँक सम टेस्ट; माकड N: z = 0.25, p = 0.8; माकड S: z = 0.86, p = 0.39) किंवा फिट केलेले फंक्शन थ्रेशोल्ड (विल्कोक्सन रँकची बेरीज; माकड N: z = 0.14, p = 0.89, माकड S: z = 0.49, p = 0.62) (आकृती 2c). याव्यतिरिक्त, कामगिरीची मर्यादा राखण्यासाठी आवश्यक असलेल्या टेक्सचर कॉन्ट्रास्टच्या प्रमाणात माकडांमध्ये कोणतेही महत्त्वपूर्ण फरक नव्हते (N माकड = 24.5% ± 3.9%, S माकड = 18.9% ± 1.9%; विल्कोक्सन रँक बेरीज, z = 1.01, p = 0.31).
प्रत्येक सत्रात, आम्ही घटक जाळीच्या दिशांना वेगळे करणारा इंटरलॅटिस कोन बदलला. सायकोफिजिकल अभ्यासातून असे दिसून आले आहे की जेव्हा हा कोन लहान असतो तेव्हा लोकांना सेल १० जोडलेला असल्याचे समजण्याची शक्यता जास्त असते. जर माकडे सुसंगतता/पारदर्शकतेची त्यांची धारणा विश्वसनीयरित्या नोंदवत असतील, तर या निष्कर्षांवर आधारित, परस्परसंवादावर वाढ होण्याची अपेक्षा केली जाऊ शकते. जाळीचा कोन. हे खरोखरच खरे होते (आकृती 2d; पॅटर्न दिशानिर्देशांवर कोसळणे, क्रुस्कल-वॉलिस; मंकी N: χ2 = 23.06, p < 10−3; मंकी S: χ2 = 22.22, p < 10−3; सामान्यीकृत इंटर-ग्रेटिंग अँगल आणि PSE - मंकी N मधील सहसंबंध: r = 0.67, p < 10−9; मंकी S: r = 0.76, p < 10−13). हे खरोखरच खरे होते (आकृती 2d; पॅटर्न दिशानिर्देशांमध्ये कोसळणे, क्रुस्कल-वॉलिस; मंकी N: χ2 = 23.06, p < 10−3; मंकी S: χ2 = 22.22, p < 10−3; सामान्यीकृत इंटर-ग्रेटिंग अँगल आणि PSE - मंकी N मधील सहसंबंध: r = 0.67, p < 10−9; मंकी S: r = 0.76, p < 10−13). Это действительно имело место (рис. 2d; коллапс поперек направления паттерна, Крускал-Уоллис; обезьяна N: χ2 = p, 23; Sb. χ2 = 22,22, p < 10-3; корреляция между нормализованными угол решетки и PSE – обезьяна N: r = 0,67, p < 10-9, p < 10-9, p = 07 10-13). हे खरोखर घडले (आकृती 2d; पॅटर्नच्या दिशेने कोसळणे, क्रुस्कल-वॉलिस; माकड N: χ2 = 23.06, p < 10–3; माकड S: χ2 = 22.22, p < 10–3; सामान्यीकृत जाळीचा कोन आणि PSE - माकड N मधील सहसंबंध: r = 0.67, p < 10-9, माकड S: r = 0.76, p < 10-13).情况确实如此（图2डी 10-3；标准化间光栅角和PSE – 猴子N：r = 0.67，p <10-9；猴子S：r = 0.76，p < 10-13）.情况 确实 如此 （图 图 2D ； 方向 折叠 ， kruskal-wallis ； n ： ：2 = 23.06 ， p <10-3 Ｍ ： 2D 22.22 ， p <10-3 ； 间 光栅角 和 pse-猴子 猴子 猴子 猴子 猴子 猴子 猴子 猴子 N： ， 7p = 0. 10-9；猴子S：r = 0.76，p <10-13）. Это действительно имело место (рис. 2d; кратность по оси моды, Крускал-Уоллис; обезьяна N: χ2 = 23,06, p < 10-2d = боя;χ 22,22, p < 10-3; हे खरोखरच खरे होते (आकृती 2d; मोड अक्षाच्या बाजूने दुमडणे, क्रुस्कल-वॉलिस; मंकी N: χ2 = 23.06, p < 10-3; मंकी S: χ2 = 22.22, p < 10-3; सामान्यीकृत इंटरलॅटिस कॉर्नर). PSE-обезьяна N: r = 0,67, p < 10–9, обезьяна S: r = 0,76, p < 10–13). PSE माकड N: r = 0.67, p < 10–9, माकड S: r = 0.76, p < 10–13).याउलट, इंटरलॅटिस अँगल बदलल्याने सायकोमेट्रिक फंक्शनच्या उतारावर कोणताही महत्त्वपूर्ण परिणाम झाला नाही (आकृती 2d; क्रॉस-मॉडल ओरिएंटेशन फोल्ड, क्रुस्कल-वॉलिस; मंकी N: χ2 = 8.09, p = 0.23; मंकी S χ2 = 3.18, p = 0.67, सामान्यीकृत इंटरलॅटिस अँगल आणि उतार यांच्यातील सहसंबंध - मंकी N: r = -0.4, p = 0.2, मंकी S: r = 0.03, p = 0.76). अशाप्रकारे, एखाद्या व्यक्तीच्या सायकोफिजिकल डेटानुसार, जाळींमधील कोन बदलण्याचा सरासरी परिणाम म्हणजे विस्थापन बिंदूंमध्ये बदल, आणि विभाजन सिग्नलच्या संवेदनशीलतेत वाढ किंवा घट नाही.
शेवटी, शून्य टेक्सचर कॉन्ट्रास्ट असलेल्या चाचण्यांमध्ये 0.5 च्या संभाव्यतेसह बक्षिसे यादृच्छिकपणे नियुक्त केली जातात. जर सर्व माकडांना या अद्वितीय यादृच्छिकतेची जाणीव असती आणि शून्य टेक्सचर कॉन्ट्रास्ट आणि क्यू उत्तेजनांमध्ये फरक करण्यास सक्षम असते, तर ते दोन्ही प्रकारच्या चाचण्यांसाठी वेगवेगळ्या धोरणे विकसित करू शकले असते. दोन निरीक्षणे जोरदारपणे सूचित करतात की हे प्रकरण नाही. प्रथम, जाळीचा कोन बदलल्याने क्यू आणि शून्य टेक्सचर कॉन्ट्रास्ट स्कोअरवर गुणात्मकपणे समान परिणाम झाले (आकृती 2d आणि पूरक आकृती 1). दुसरे, दोन्ही माकडांसाठी, बिस्टेबल चाचणी निवड ही सर्वात अलीकडील (मागील) बक्षीस निवडीची पुनरावृत्ती असण्याची शक्यता नाही (द्विपदी चाचणी, N माकडे: 0.52, z = 0.74, p = 0.22; S माकडे: 0.51, r = 0.9, p = 0.18).
शेवटी, आमच्या सेगमेंटेशन टास्कमधील माकडांचे वर्तन चांगल्या उत्तेजन नियंत्रणाखाली होते. टेक्सचर संकेतांच्या चिन्हावर आणि आकारावर ज्ञानेंद्रियांच्या निर्णयांचे अवलंबित्व, तसेच ग्रेटिंग अँगलसह PSE मधील बदल, हे दर्शविते की माकडांनी मोटर सुसंगतता/पारदर्शकतेची त्यांची व्यक्तिनिष्ठ धारणा नोंदवली. शेवटी, शून्य टेक्सचर कॉन्ट्रास्ट चाचण्यांमधील माकडांच्या प्रतिसादांवर मागील चाचण्यांच्या रिवॉर्ड इतिहासाचा परिणाम झाला नाही आणि ते इंटर-रास्टर अँगुलर बदलांमुळे लक्षणीयरीत्या प्रभावित झाले. हे सूचित करते की या महत्त्वाच्या स्थितीत माकडे जाळीच्या पृष्ठभागाच्या कॉन्फिगरेशनची त्यांची व्यक्तिनिष्ठ धारणा नोंदवत राहतात.
वर नमूद केल्याप्रमाणे, पोत कॉन्ट्रास्टचे नकारात्मक ते सकारात्मक असे संक्रमण हे उत्तेजनांच्या पारदर्शक ते सुसंगत असे जाणिवात्मक संक्रमणासारखेच आहे. सर्वसाधारणपणे, दिलेल्या पेशीसाठी, पोत कॉन्ट्रास्ट नकारात्मक ते सकारात्मक असे बदलत असताना MT प्रतिसाद वाढतो किंवा कमी होतो आणि या परिणामाची दिशा सहसा नमुना/घटकाच्या हालचालीच्या दिशेवर अवलंबून असते. उदाहरणार्थ, दोन प्रतिनिधी MT पेशींचे दिशात्मक ट्यूनिंग वक्र आकृती 3 मध्ये कमी किंवा उच्च कॉन्ट्रास्ट सुसंगत किंवा पारदर्शक पोत सिग्नल असलेल्या जाळींना या पेशींच्या प्रतिसादांसह दर्शविले आहेत. आम्ही या ग्रिड प्रतिसादांचे अधिक चांगले प्रमाणित करण्याचा काही प्रकारे प्रयत्न केला आहे, जो आमच्या माकडांच्या मानसशास्त्रीय कामगिरीशी संबंधित असू शकतो.
एका सायनसॉइडल अॅरेच्या प्रतिसादात प्रतिनिधी माकड MT सेल S च्या दिशात्मक ट्यूनिंग वक्रचा ध्रुवीय प्लॉट. कोन जाळीच्या हालचालीची दिशा दर्शवितो, परिमाण उत्सर्जन दर्शवितो आणि पसंतीची सेल दिशा जाळीच्या पॅटर्नच्या दिशेने असलेल्या घटकांपैकी एकाच्या दिशेसह सुमारे 90° (वर) ओव्हरलॅप होते. b प्रतिसाद ग्रिडचा साप्ताहिक उत्तेजक-वेळ हिस्टोग्राम (PSTH), a मध्ये दर्शविलेल्या सेलसाठी टेम्पलेट दिशेने 90° (डावीकडे योजनाबद्धपणे दर्शविलेले) ने हलविला जातो. प्रतिसाद टेक्सचर हिंट प्रकार (अनुक्रमे सुसंगत/पारदर्शक - मध्य/उजवा पॅनेल) आणि मायकेलसन कॉन्ट्रास्ट (PSTH रंग संकेत) द्वारे क्रमवारी लावले जातात. प्रत्येक प्रकारच्या कमी-कॉन्ट्रास्ट आणि उच्च-कॉन्ट्रास्ट टेक्सचर सिग्नलसाठी फक्त योग्य प्रयत्न दर्शविले जातात. पेशींनी पारदर्शक टेक्सचर संकेतांसह वरच्या दिशेने वाहणाऱ्या जाळीच्या नमुन्यांवर चांगला प्रतिसाद दिला आणि वाढत्या टेक्सचर कॉन्ट्रास्टसह या नमुन्यांचा प्रतिसाद वाढला. c, d हे a आणि b प्रमाणेच आहेत, परंतु मंकी S व्यतिरिक्त इतर MT पेशींसाठी, त्यांचे पसंतीचे अभिमुखता जवळजवळ डाउनवर्ड ड्रिफ्टिंग ग्रिडच्या ओव्हरलॅपवर येते. युनिट सुसंगत टेक्सचर संकेतांसह डाउनवर्ड ड्रिफ्टिंग ग्रॅटिंग्ज पसंत करते आणि वाढत्या टेक्सचर कॉन्ट्रास्टसह या नमुन्यांचा प्रतिसाद वाढतो. सर्व पॅनेलमध्ये, छायांकित क्षेत्र सरासरीच्या मानक त्रुटीचे प्रतिनिधित्व करते. स्पोक्स. स्पाइक्स, सेकंद. सेकंद.
आमच्या टेक्सचर सिग्नल आणि MT क्रियाकलापांद्वारे दर्शविल्याप्रमाणे जाळीच्या पृष्ठभागाच्या कॉन्फिगरेशन (सुसंगत किंवा पारदर्शक) मधील संबंध एक्सप्लोर करण्यासाठी, आम्ही प्रथम सुसंगत हालचाली (सकारात्मक उतार) किंवा पारदर्शक हालचाली (नकारात्मक उतार) साठी पेशींमधील सहसंबंध प्रतिगमन द्वारे मागे टाकला. कॉन्ट्रास्टच्या तुलनेत चिन्ह प्रतिसाद दराने पेशींचे वर्गीकरण करण्यासाठी दिलेले (प्रत्येक मोड दिशेसाठी स्वतंत्रपणे). आकृती 3 मधील समान उदाहरण सेलमधील या जाळीच्या ट्यूनिंग वक्रांची उदाहरणे आकृती 4a मध्ये दर्शविली आहेत. वर्गीकरणानंतर, आम्ही टेक्सचर सिग्नलच्या मॉड्युलेशनसाठी प्रत्येक पेशीची संवेदनशीलता मोजण्यासाठी रिसीव्हर परफॉर्मन्स विश्लेषण (ROC) वापरले (पद्धती पहा). अशा प्रकारे मिळवलेल्या न्यूरोमेट्रिक फंक्शन्सची तुलना त्याच सत्रात माकडांच्या सायकोफिजिकल वैशिष्ट्यांशी थेट केली जाऊ शकते जेणेकरून न्यूरॉन्सची जाळीच्या पोतांशी सायकोफिजिकल संवेदनशीलता थेट तुलना करता येईल. आम्ही नमुन्यातील सर्व युनिट्ससाठी दोन सिग्नल डिटेक्शन विश्लेषण केले, पॅटर्नच्या प्रत्येक दिशेसाठी (पुन्हा, वर किंवा खाली) स्वतंत्र न्यूरोमेट्रिक वैशिष्ट्यांची गणना केली. हे लक्षात घेणे महत्त्वाचे आहे की, या विश्लेषणासाठी, आम्ही फक्त अशा चाचण्यांचा समावेश केला ज्यामध्ये (i) उत्तेजनांमध्ये एक पोत संकेत होता आणि (ii) माकडांनी त्या संकेतानुसार प्रतिसाद दिला (म्हणजे, "योग्य" चाचण्या).
अनुक्रमे, वर (डावीकडे) किंवा खाली (उजवीकडे) सरकणाऱ्या जाळींसाठी, टेक्सचर साइन कॉन्ट्रास्टच्या विरूद्ध अग्नि दर प्लॉट केले जातात, घन रेषा सर्वोत्तम फिट रेषीय प्रतिगमन दर्शवते आणि वरच्या (तळाशी) पंक्तीतील डेटा आकृतीमध्ये दर्शविलेल्या डेटावरून घेतला जातो. तांदूळ. 3a सेल, b (आकृती 3c, d). प्रत्येक सेल/जाळीच्या अभिमुखता संयोजनाला पसंतीचे टेक्सचर संकेत (सुसंगत/पारदर्शक) नियुक्त करण्यासाठी रिग्रेशन स्लोप वैशिष्ट्ये वापरली गेली (n ≥ प्रति उत्तेजक स्थितीत 20 चाचण्या). एरर बार सरासरीचे मानक विचलन दर्शवतात. ba मध्ये दर्शविलेल्या युनिट्सचे न्यूरोमेट्रिक फंक्शन्स त्याच सत्रादरम्यान गोळा केलेल्या सायकोमेट्रिक फंक्शन्ससह एकत्रितपणे वर्णन केले आहेत. आता, प्रत्येक वैशिष्ट्यासाठी, आम्ही टेक्सचरच्या साइन कॉन्ट्रास्टच्या टक्केवारी म्हणून पसंतीचे टूलटिप निवड (ऑर्डिनेट) (मजकूर पहा) प्लॉट करतो (abscissa). टेक्सचर कॉन्ट्रास्ट बदलला आहे जेणेकरून पसंतीचे टूलटिप्स सकारात्मक असतील आणि रिक्त टूलटिप्स नकारात्मक असतील. वरच्या (खाली) ड्रिफ्टिंग ग्रिडमधील डेटा डाव्या (उजव्या) पॅनेलमध्ये, वरच्या (खालच्या) ओळींमध्ये दर्शविला आहे - आकृती 3a,b (आकृती 3c,d) मध्ये दर्शविलेल्या पेशींमधील डेटा. प्रत्येक पॅनेलमध्ये न्यूरोमेट्रिक आणि सायकोमेट्रिक थ्रेशोल्ड (N/P) चे गुणोत्तर दर्शविले आहेत. स्पोक्स. स्पाइक्स, सेकंद. सेकंद, निर्देशिका. दिशा, प्राधान्यकृत प्रांत, psi. सायकोमेट्री, न्यूरोलॉजी.
दोन प्रतिनिधी MT पेशींचे लॅटिस ट्यूनिंग वक्र आणि न्यूरोमेट्रिक फंक्शन्स आणि त्यांच्याशी संबंधित सायकोमेट्रिक फंक्शन्स, या प्रतिसादांसह एकत्रित केलेले, अनुक्रमे आकृती 4a,b च्या वरच्या आणि खालच्या पॅनेलमध्ये दर्शविले आहेत. पोताचा इशारा पारदर्शक ते सुसंगत होत असताना या पेशींमध्ये अंदाजे एकसंध वाढ किंवा घट दिसून येते. याव्यतिरिक्त, या बंधाची दिशा आणि ताकद लॅटिस गतीच्या दिशेवर अवलंबून असते. शेवटी, या पेशींच्या प्रतिसादांमधून गणना केलेले न्यूरोमेट्रिक फंक्शन्स केवळ एकदिशात्मक ग्रिड हालचालीच्या सायकोफिजिकल गुणधर्मांशी जवळून गेले (परंतु तरीही त्यांच्याशी जुळत नव्हते). न्यूरोमेट्रिक आणि सायकोमेट्रिक दोन्ही फंक्शन्स थ्रेशोल्डसह सारांशित केले गेले, म्हणजे योग्यरित्या निवडलेल्या कॉन्ट्रास्टच्या सुमारे 84% (फिट केलेल्या संचयी गौशियन फंक्शनच्या सरासरी + 1 sd शी संबंधित). संपूर्ण नमुन्यात, न्यूरोमेट्रिक थ्रेशोल्डचे सायकोमेट्रिक थ्रेशोल्डशी असलेले N/P गुणोत्तर, सरासरी १२.४ ± १.२ आणि माकड S मध्ये १५.९ ± १.८ होते, आणि जाळी किमान एका दिशेने जाण्यासाठी, माकड N (माकड S) पासून फक्त ~१६% (१८.%) युनिट्सवर (आकृती ५अ). आकृतीमध्ये दर्शविलेल्या पेशीच्या उदाहरणावरून. आकृती ३ आणि ४ मध्ये पाहिल्याप्रमाणे, पेशीच्या पसंतीच्या अभिमुखता आणि प्रयोगांमध्ये वापरल्या जाणाऱ्या जाळीच्या हालचालीच्या दिशेने असलेल्या संबंधामुळे न्यूरॉन्सची संवेदनशीलता प्रभावित होऊ शकते. विशेषतः, आकृती ३अ,क मधील अभिमुखता समायोजन वक्र एका सायनसॉइडल अॅरेच्या न्यूरॉन अभिमुखता सेटिंग आणि आमच्या टेक्सचर्ड अॅरेमधील पारदर्शक/सुसंगत गतीसाठी त्याची संवेदनशीलता यांच्यातील संबंध दर्शवितात. दोन्ही माकडांसाठी हे खरे होते (ANOVA; 10° रिझोल्यूशनसह सापेक्ष पसंतीचे दिशानिर्देश; माकड N: F = 2.12, p < 0.01; माकड S: F = 2.01, p < 0.01). दोन्ही माकडांसाठी हे खरे होते (ANOVA; 10° रिझोल्यूशनसह सापेक्ष पसंतीचे दिशानिर्देश; माकड N: F = 2.12, p < 0.01; माकड S: F = 2.01, p < 0.01). Это имело место для обеих обезьян (ANOVA; относительные предпочтительные направления объединены в группы с; एन: एफ = 2,12, पी <0,01; обезьяна S: F = 2,01, p <0,01). दोन्ही माकडांसाठी हेच होते (ANOVA; 10° रिझोल्यूशनवर गटबद्ध केलेले सापेक्ष पसंतीचे दिशानिर्देश; माकड N: F=2.12, p<0.01; माकड 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 ，．F2p. 0.01；猴子S：F = 2.01，p <0.01）.两 只 猴子 都 是 这 种 （方差 分析 以 10 ° 分辨率 合并 的 ； 对 方向 （方差2.12 ， p <0.01 ； ： ： f = 2.01 ， p <0.01….….….….))))))))) Это имело место для обеих обезьян (ANOVA; относительная предпочтительная ориентация объединена при разрешении, F12°, F12°; <0,01; обезьяна S: F = 2,01, p <0,01). दोन्ही माकडांसाठी हेच होते (ANOVA; 10° रिझोल्यूशनवर एकत्रित केलेले सापेक्ष पसंतीचे अभिमुखता; माकड N: F=2.12, p<0.01; माकड S: F=2.01, p<0.01).न्यूरॉन संवेदनशीलतेमध्ये मोठ्या प्रमाणात परिवर्तनशीलता लक्षात घेता (आकृती 5a), सापेक्ष पसंतीच्या अभिमुखतेवर न्यूरॉन संवेदनशीलतेचे अवलंबित्व दृश्यमान करण्यासाठी, आम्ही प्रथम प्रत्येक पेशीच्या पसंतीच्या अभिमुखतेला ग्रिड पॅटर्नच्या हालचालीसाठी (म्हणजे दिशा) "सर्वोत्तम" अभिमुखतेसाठी सामान्य केले. ज्यामध्ये जाळी पसंतीच्या पेशी अभिमुखता आणि जाळी पॅटर्नच्या अभिमुखतेमधील सर्वात लहान कोन बनवते. आम्हाला आढळले की न्यूरॉन्सचे सापेक्ष थ्रेशोल्ड ("सर्वात वाईट" जाळी अभिमुखतेसाठी थ्रेशोल्ड/"सर्वोत्तम" जाळी अभिमुखतेसाठी थ्रेशोल्ड) या सामान्यीकृत पसंतीच्या अभिमुखतेसह बदलतात, या थ्रेशोल्ड रेशोमधील शिखर नमुने किंवा घटक अभिमुखतेभोवती येतात (आकृती 5b). )). प्रत्येक नमुन्यातील युनिट्समधील पसंतीच्या दिशानिर्देशांच्या वितरणातील पूर्वाग्रहाने हा परिणाम स्पष्ट केला जाऊ शकत नाही, जो प्लेड पॅटर्न किंवा घटक दिशानिर्देशांपैकी एकाकडे होता (आकृती 5c; रेले चाचणी; मंकी N: z = 8.33, p < 10−3, वर्तुळाकार सरासरी = 190.13 अंश ± 9.83 अंश; मंकी S: z = 0.79, p = 0.45) आणि प्लेड इंटर-ग्रेटिंग कोनांमध्ये सुसंगत होता (पूरक आकृती 2). प्रत्येक नमुन्यातील युनिट्समधील पसंतीच्या दिशानिर्देशांच्या वितरणातील पूर्वाग्रहाने हा परिणाम स्पष्ट केला जाऊ शकत नाही, जो प्लेड पॅटर्न किंवा घटक दिशानिर्देशांपैकी एकाकडे होता (आकृती 5c; रेले चाचणी; मंकी N: z = 8.33, p < 10−3, वर्तुळाकार सरासरी = 190.13 अंश ± 9.83 अंश; मंकी S: z = 0.79, p = 0.45) आणि प्लेड इंटर-ग्रेटिंग कोनांमध्ये सुसंगत होता (पूरक आकृती 2). Этот эффект нельзя было объяснить смещением распределения предпочтительных направлений в единицах в каждой выбогодой выбость клетчатых направлений или направлений компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,33, p < 10–3). प्रत्येक नमुन्यातील युनिट्समधील पसंतीच्या दिशानिर्देशांच्या वितरणात चेकर्ड दिशानिर्देश किंवा घटक दिशानिर्देशांपैकी एकाकडे झालेल्या बदलाद्वारे हा परिणाम स्पष्ट केला जाऊ शकत नाही (आकृती 5c; रेले चाचणी; मंकी N: z = 8.33, p < 10–3)., वर्तुळाकार सरासरी = १९०.१३ अंश ± ९.८३ अंश; मंकी एस: झेड = ०.७९, पी = ०.४५) आणि प्लेड ग्रिडच्या सर्व कोपऱ्यांसाठी समान होते (पूरक आकृती २).这种效应不能通过每个样本中单元中的优选方向分布偏向格子图案或组件方向之一来解释（图5c；瑞利测试；猴子N：z = 8.33，p < 10-3 ，圆形平均值= 190.13 度± 9.83 度；猴子S：z = 0.79，p = 0.45）并且在格子间光栅角上是一致的（补充图2）.मी来 解释 （图 图 图 图 瑞利 测试 ； 猴子 n ： z = 8.33 ， p <10-3 ， 平均值 平均圽圽圢圽圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形z Этот эффект не может быть объяснен тем, что распределение предпочтительных ориентаций в клетках в каждом обрацовцев каждом быть. структуры решетки, либо в сторону одной из ориентаций компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,30–13, p <). प्रत्येक नमुन्यातील पेशींमध्ये पसंतीच्या अभिमुखतेचे वितरण जाळीच्या संरचनेकडे किंवा घटक अभिमुखतेपैकी एकाकडे पक्षपाती आहे या वस्तुस्थितीद्वारे हा परिणाम स्पष्ट केला जाऊ शकत नाही (आकृती 5c; रेलेची चाचणी; माकड N: z = 8.33, p < 10–3)., वर्तुळाकार सरासरी) = १९०.१३ अंश ± ९.८३ अंश; माकड S: z = ०.७९, p = ०.४५) आणि ग्रिडमधील जाळीच्या कोनात समान होते (पूरक आकृती २).अशाप्रकारे, टेक्सचर्ड ग्रिड्ससाठी न्यूरॉन्सची संवेदनशीलता, किमान अंशतः, एमटी ट्यूनिंगच्या मूलभूत गुणधर्मांवर अवलंबून असते.
डावे पॅनल N/P गुणोत्तरांचे वितरण (न्यूरॉन/सायकोफिजियोलॉजिकल थ्रेशोल्ड) दर्शविते; प्रत्येक पेशी दोन डेटा पॉइंट्स प्रदान करते, प्रत्येक दिशेसाठी एक ज्या दिशेने पॅटर्न हलतो. उजवे पॅनल नमुन्यातील सर्व युनिट्ससाठी सायकोफिजिकल थ्रेशोल्ड (ऑर्डिनेट) विरुद्ध न्यूरोनल थ्रेशोल्ड (अॅब्सिसा) प्लॉट करते. वरच्या (खालच्या) ओळीतील डेटा माकड N (S) मधील आहे. b सामान्यीकृत थ्रेशोल्ड गुणोत्तर इष्टतम जाळी अभिमुखता आणि पसंतीच्या सेल अभिमुखता यांच्यातील फरकाच्या परिमाणाविरुद्ध प्लॉट केले जातात. "सर्वोत्तम" दिशा पसंतीच्या सेल दिशेच्या सर्वात जवळ असलेल्या जाळीच्या संरचनेची दिशा (एकल साइनसॉइडल जाळीने मोजली जाते) म्हणून परिभाषित केली जाते. डेटा प्रथम सामान्यीकृत पसंतीच्या अभिमुखता (10° बिन) द्वारे बिन केला गेला, नंतर थ्रेशोल्ड गुणोत्तर कमाल मूल्यापर्यंत सामान्य केले गेले आणि प्रत्येक बिनमध्ये सरासरी केले गेले. जाळी घटकांच्या अभिमुखतेपेक्षा किंचित मोठे किंवा लहान पसंतीचे अभिमुखता असलेल्या पेशींमध्ये जाळीच्या पॅटर्नच्या अभिमुखतेसाठी संवेदनशीलतेमध्ये सर्वात मोठा फरक होता. c प्रत्येक माकडात रेकॉर्ड केलेल्या सर्व MT युनिट्सच्या पसंतीच्या अभिमुखता वितरणाचा गुलाबी हिस्टोग्राम.
शेवटी, MT चा प्रतिसाद जाळीच्या हालचालीच्या दिशेने आणि आपल्या सेगमेंटेशन सिग्नल्सच्या (पोत) तपशीलांद्वारे नियंत्रित केला जातो. न्यूरोनल आणि सायकोफिजिकल संवेदनशीलतेच्या तुलनेने असे दिसून आले की, सर्वसाधारणपणे, MT युनिट्स माकडांपेक्षा कॉन्ट्रास्टिंग टेक्सचर सिग्नल्ससाठी खूपच कमी संवेदनशील होते. तथापि, युनिटच्या पसंतीच्या ओरिएंटेशन आणि ग्रिड हालचालीच्या दिशेने फरकानुसार न्यूरॉनची संवेदनशीलता बदलली. सर्वात संवेदनशील पेशींमध्ये ओरिएंटेशनल प्राधान्ये होती जी जवळजवळ जाळीच्या पॅटर्न किंवा घटक ओरिएंटेशनपैकी एक व्यापत होती आणि आमच्या नमुन्यांचा एक छोटा उपसंच माकडांच्या कॉन्ट्रास्ट फरकांच्या आकलनापेक्षा संवेदनशील किंवा अधिक संवेदनशील होता. या अधिक संवेदनशील युनिट्समधील सिग्नल माकडांमधील आकलनाशी अधिक जवळून संबंधित होते की नाही हे निर्धारित करण्यासाठी, आम्ही धारणा आणि न्यूरोनल प्रतिसादांमधील सहसंबंध तपासला.
न्यूरल अॅक्टिव्हिटी आणि वर्तन यांच्यातील संबंध प्रस्थापित करण्यासाठी एक महत्त्वाचे पाऊल म्हणजे न्यूरॉन्स आणि सततच्या उत्तेजनांना वर्तणुकीय प्रतिसादांमधील सहसंबंध स्थापित करणे. सेगमेंटेशन जजमेंट्सशी न्यूरल प्रतिसादांना जोडण्यासाठी, एक असे उत्तेजन तयार करणे अत्यंत महत्वाचे आहे जे समान असूनही, वेगवेगळ्या चाचण्यांमध्ये वेगळ्या पद्धतीने समजले जाते. सध्याच्या अभ्यासात, हे स्पष्टपणे शून्य टेक्सचर कॉन्ट्रास्ट ग्रेटिंगद्वारे दर्शविले जाते. जरी आम्ही यावर जोर देतो की, प्राण्यांच्या सायकोमेट्रिक फंक्शन्सच्या आधारे, कमीतकमी (~20% पेक्षा कमी) टेक्सचर कॉन्ट्रास्ट असलेले ग्रेटिंग सहसा सुसंगत किंवा पारदर्शक मानले जातात.
MT प्रतिसादांचा ग्रहणक्षम अहवालांशी किती प्रमाणात संबंध आहे हे मोजण्यासाठी, आम्ही आमच्या ग्रिड डेटाचे निवड संभाव्यता (CP) विश्लेषण केले (3 पहा). थोडक्यात, CP हे एक नॉन-पॅरामीट्रिक, नॉन-स्टँडर्ड मापन आहे जे स्पाइक प्रतिसाद आणि ग्रहणक्षम निर्णयांमधील संबंध मोजते30. शून्य टेक्सचरल कॉन्ट्रास्ट असलेल्या ग्रिड वापरून चाचण्यांपर्यंत विश्लेषण मर्यादित करून आणि या चाचण्यांच्या प्रत्येक प्रकारासाठी माकडांनी किमान पाच निवडी केल्या आहेत अशा सत्रांमध्ये, आम्ही ग्रिड हालचालीच्या प्रत्येक दिशेसाठी स्वतंत्रपणे SR ची गणना केली. माकडांमध्ये, आम्हाला योगायोगाने अपेक्षित असलेल्यापेक्षा सरासरी CP मूल्य लक्षणीयरीत्या जास्त आढळले (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5 च्या शून्य विरुद्ध द्वि-बाजूची t-चाचणी, t = 6.7, p < 10−9; माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), द्वि-बाजूची t-चाचणी, t = 9.4, p < 10−13). माकडांमध्ये, आम्हाला योगायोगाने अपेक्षित असलेल्यापेक्षा सरासरी CP मूल्य लक्षणीयरीत्या जास्त आढळले (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5 च्या शून्य विरुद्ध द्वि-बाजूची t-चाचणी, t = 6.7, p < 10−9; माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), द्वि-बाजूची t-चाचणी, t = 9.4, p < 10−13).माकडांमध्ये, आम्हाला सरासरी CP यादृच्छिकपणे अपेक्षेपेक्षा लक्षणीयरीत्या जास्त आढळले (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), दोन-पुच्छ टी-चाचणी विरुद्ध शून्य मूल्ये).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) . माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), दोन-पुच्छ टी-चाचणी, t = 9.4, p < 10–13).在猴子中，我们观察到平均CP 值显着大于我们偶然预期的值（图6a，d；猴子N：5%平均CI：（0.53，0.56），针对空值的双边t 检验CP = 0.5, t = 6.7, p < 10−9;猴子S: 平均CP: 0.55, 9.5% (95%),双边t 检验, t = ९.४, पृष्ठ < १०−१३) .在 猴子 中 ， 我们 观察 平均 平均 值 显着 大于 我们 偶然 的 值 （图 图 值 （图 图 值平均 ： 0.54，95% Ci ： 0.53，0.56）, 空值 检验 CP = 0.5, t = 6.7, p < 10−9; 猴子S: 平均CP: 0.55, 95% CI: (0.54, 0.57), 双边t检验, t=9.4, p < 10−13) У обезьян мы наблюдали средние значения CP, значительно превышающие то, что мы могли бы ожидать случайно (рис; 6a. среднее CP: 0,54, 95% ДИ: (0,53, 0,56), двусторонний t- тест CP против нуля = 0,5, t = 6,7, p < 10-9, обезьяна, 59CP, обезьяна, 0,59% S: दि: (०,५४, 0,57), двусторонний t-критерий, t = 9,4, p < 10- 13) . माकडांमध्ये, आम्हाला सरासरी CP मूल्ये योगायोगाने अपेक्षित असलेल्यापेक्षा खूपच जास्त आढळली (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), दोन-पुच्छ टी-चाचणी CP विरुद्ध शून्य = 0.5, t = 6.7, p < 10-9, माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), दोन-पुच्छ टी- निकष, t = 9.4, p < 10-13).अशाप्रकारे, जेव्हा प्राण्यांची जाळीच्या गतीची धारणा पेशीच्या पसंतींशी जुळते तेव्हा कोणतेही स्पष्ट विभाजन संकेत नसतानाही MT न्यूरॉन्स अधिक जोरदारपणे कार्य करतात.
माकड N मधून रेकॉर्ड केलेल्या नमुन्यांसाठी टेक्सचर सिग्नलशिवाय ग्रिडसाठी निवड संभाव्यता वितरण. प्रत्येक सेल दोन डेटा पॉइंट्सपर्यंत योगदान देऊ शकतो (ग्रिड हालचालीच्या प्रत्येक दिशेसाठी एक). यादृच्छिक (पांढरे बाण) वरील सरासरी CP मूल्य दर्शवते की एकूणच MT क्रियाकलाप आणि धारणा यांच्यात महत्त्वपूर्ण संबंध आहे. b कोणत्याही संभाव्य निवड पूर्वाग्रहाच्या प्रभावाचे परीक्षण करण्यासाठी, आम्ही कोणत्याही उत्तेजनासाठी स्वतंत्रपणे CP ची गणना केली ज्यासाठी माकडांनी किमान एक चूक केली. निवड संभाव्यता सर्व उत्तेजनांसाठी (डावीकडे) निवड गुणोत्तर (प्रीफ/नल) आणि टेक्सचर मार्क कॉन्ट्रास्टच्या परिपूर्ण मूल्यांच्या (उजवीकडे, 120 वैयक्तिक पेशींमधील डेटा) फंक्शन म्हणून प्लॉट केल्या आहेत. डाव्या पॅनेलमधील घन रेषा आणि छायांकित क्षेत्र 20-बिंदू मूव्हिंग सरासरीचे सरासरी ± सेम दर्शवते. असंतुलित निवड गुणोत्तरांसह उत्तेजनांसाठी गणना केलेल्या निवड संभाव्यता, जसे की उच्च सिग्नल कॉन्ट्रास्टसह ग्रिड, अधिक भिन्न होत्या आणि शक्यतांभोवती क्लस्टर केल्या गेल्या होत्या. उजव्या पॅनेलमधील राखाडी-छाया असलेले क्षेत्र उच्च निवड संभाव्यतेच्या गणनेमध्ये समाविष्ट असलेल्या वैशिष्ट्यांच्या कॉन्ट्रास्टवर जोर देते. c मोठ्या निवडीची (ऑर्डिनेट) संभाव्यता न्यूरॉन (अॅब्सिसा) च्या थ्रेशोल्ड विरुद्ध प्लॉट केली जाते. निवडीची संभाव्यता थ्रेशोल्डशी लक्षणीयरीत्या नकारात्मकरित्या सहसंबंधित होती. df ही परंपरा ac सारखीच आहे परंतु अन्यथा नमूद केल्याशिवाय माकड S मधील 157 एकल डेटावर लागू होते. g दोन माकडांपैकी प्रत्येकासाठी सामान्यीकृत पसंतीच्या दिशेने (अॅब्सिसा) प्लॉट केलेली सर्वोच्च निवड संभाव्यता (ऑर्डिनेट) आहे. प्रत्येक MT सेलने दोन डेटा पॉइंट्स (जाळीच्या संरचनेच्या प्रत्येक दिशेसाठी एक) योगदान दिले. h प्रत्येक इंटर-रास्टर कोनासाठी निवड संभाव्यतेचे मोठे बॉक्स प्लॉट. घन रेषा मध्यक चिन्हांकित करते, बॉक्सच्या खालच्या आणि वरच्या कडा अनुक्रमे 25 व्या आणि 75 व्या पर्सेंटाइल दर्शवतात, व्हिस्कर्स इंटरक्वार्टाइल रेंजच्या 1.5 पट वाढवल्या जातात आणि या मर्यादेपलीकडे असलेल्या आउटलायर्सची नोंद केली जाते. डाव्या (उजव्या) पॅनेलमधील डेटा 120 (157) वैयक्तिक N(S) माकड पेशींमधून आहे. i निवडीची (ऑर्डिनेट) सर्वाधिक संभाव्यता उत्तेजनाच्या (अॅब्सिसा) प्रारंभाच्या वेळेविरुद्ध प्लॉट केलेली आहे. संपूर्ण चाचणीमध्ये मोठ्या CP ची गणना स्लाइडिंग आयतांमध्ये (रुंदी १०० मिलीसेकंद, पायरी १० मिलीसेकंद) केली गेली आणि नंतर युनिट्सवर सरासरी काढली गेली.
मागील काही अभ्यासांनी असे नोंदवले आहे की CP हे बेसल रेट डिस्ट्रिब्युशनमधील चाचण्यांच्या सापेक्ष संख्येवर अवलंबून असते, म्हणजेच प्रत्येक निवडीच्या प्रमाणात मोठ्या फरक निर्माण करणाऱ्या उत्तेजनांसाठी हे माप कमी विश्वासार्ह आहे. आमच्या डेटामध्ये या परिणामाची चाचणी घेण्यासाठी, आम्ही चिन्ह पोत कॉन्ट्रास्टकडे दुर्लक्ष करून, सर्व उत्तेजनांसाठी स्वतंत्रपणे CP ची गणना केली आणि माकडांनी किमान एक खोटी चाचणी केली. CP अनुक्रमे आकृती 6b आणि e (डावीकडे पॅनेल) मध्ये प्रत्येक प्राण्यासाठी निवड गुणोत्तर (प्रीफ/नल) विरुद्ध प्लॉट केले आहे. मूव्हिंग सरासरी पाहता, हे स्पष्ट आहे की CP निवड शक्यतांच्या विस्तृत श्रेणीवर संभाव्यतेपेक्षा वर राहतो, जेव्हा शक्यता 0.2 (0.8) खाली (वाढ) येतात तेव्हाच कमी होते. प्राण्यांच्या सायकोमेट्रिक वैशिष्ट्यांवर आधारित, आम्ही अपेक्षा करतो की या परिमाणाचे निवड गुणांक केवळ उच्च-कॉन्ट्रास्ट पोत संकेत (सुसंगत किंवा पारदर्शक) असलेल्या उत्तेजनांना लागू होतील (आकृती 2a, b मधील सायकोमेट्रिक वैशिष्ट्यांची उदाहरणे पहा). हे खरे आहे का आणि स्पष्ट सेगमेंटेशन सिग्नलसह उत्तेजनांसाठी देखील एक महत्त्वपूर्ण पीसी टिकून राहतो का हे निर्धारित करण्यासाठी, आम्ही पीसीवरील परिपूर्ण टेक्सचरल कॉन्ट्रास्ट मूल्यांचा प्रभाव तपासला (आकृती 6b, ई-उजवीकडे). अपेक्षेप्रमाणे, मध्यम (~20% कॉन्ट्रास्ट किंवा कमी) सेगमेंटेशन संकेत असलेल्या उत्तेजनांच्या संभाव्यतेपेक्षा सीपी लक्षणीयरीत्या जास्त होता.
अभिमुखता, गती आणि विसंगती ओळखण्याच्या कार्यांमध्ये, सर्वात संवेदनशील न्यूरॉन्समध्ये MT CP सर्वात जास्त असते, कदाचित कारण हे न्यूरॉन्स सर्वात माहितीपूर्ण सिग्नल 30,32,33,34 वाहून नेतात.या निष्कर्षांशी सुसंगत राहून, आम्हाला आकृतीच्या सर्वात उजव्या पॅनेलमध्ये हायलाइट केलेल्या टेक्सचर क्यू कॉन्ट्रास्टमध्ये z-स्कोअर केलेल्या फायरिंग रेटवरून गणना केलेल्या ग्रँड सीपीमध्ये एक माफक परंतु महत्त्वपूर्ण सहसंबंध आढळला.6b, e, आणि न्यूरोनल थ्रेशोल्ड (आकृती 6c, f; भौमितिक सरासरी प्रतिगमन; माकड N: r = −0.12, p = 0.07 माकड S: r = −0.18, p < 10−3). 6b, e, आणि न्यूरोनल थ्रेशोल्ड (आकृती 6c, f; भौमितिक सरासरी प्रतिगमन; माकड N: r = −0.12, p = 0.07 माकड S: r = −0.18, p < 10−3).या निष्कर्षांशी सुसंगत, आम्हाला आकृती 6b, e च्या सर्वात उजव्या पॅनेलमध्ये हायलाइट केलेल्या टेक्सचर सिग्नल कॉन्ट्रास्टमधून उत्तेजना वारंवारता z-स्कोअरवरून मोजलेल्या मोठ्या CP आणि न्यूरोनल थ्रेशोल्ड (आकृती 6c, f; भौमितिक) यांच्यात एक सामान्य परंतु महत्त्वपूर्ण सहसंबंध आढळला. भौमितिक सरासरी प्रतिगमन;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p < 10-3). माकड N: r = -0.12, p = 0.07 माकड S: r = -0.18, p < 10-3).与这些发现一致,我们观察到大CP 之间存在适度但显着的相关性,这是根捀图e6b和神经元阈值（图6c、f；几何平均回归；猴子N：r = -0.12，p = 0.07 猴子S：r = -1.0.8.与 这些 发现 一致 ， 我们 到 大 大 之间 存在 适度 但 显着 的 相关性 这湛 湛 6和 元 阈值 （图 图 6c 、 f ； 回归 ； 猴子 n ： r = -0.12 ， p = 0.07 猴子S：r = -0.18.या निष्कर्षांशी सुसंगत, आम्हाला आकृती 6b,e मध्ये दर्शविल्याप्रमाणे मोठ्या CV आणि न्यूरॉन थ्रेशोल्डमध्ये एक सामान्य परंतु महत्त्वपूर्ण सहसंबंध आढळला (आकृती 6c,f; भौमितिक सरासरी प्रतिगमन; माकड N: r = -0.12, p = 0.07).Обезьяна S: г = -0,18, р < 10-3). माकड S: r = -0.18, p < 10-3).म्हणूनच, सर्वात माहितीपूर्ण युनिट्समधील संकेत माकडांमध्ये व्यक्तिनिष्ठ विभाजन निर्णयांसह अधिक सहप्रचलन दर्शवितात, जे ग्रहणात्मक पूर्वाग्रहात जोडलेल्या कोणत्याही टेक्सचरल संकेतांकडे दुर्लक्ष करून महत्वाचे आहे.
ग्रिड टेक्सचर सिग्नल्सची संवेदनशीलता आणि पसंतीचे न्यूरोनल ओरिएंटेशन यांच्यात आम्ही पूर्वी संबंध स्थापित केला होता, त्यामुळे आम्हाला आश्चर्य वाटले की CP आणि पसंतीचे ओरिएंटेशन (आकृती 6g) यांच्यात समान संबंध आहे का. माकड S मध्ये हा संबंध फक्त थोडासा महत्त्वाचा होता (ANOVA; माकड N: 1.03, p=0.46; माकड S: F=1.73, p=0.04). कोणत्याही प्राण्यामध्ये जाळींमधील जाळीच्या कोनांसाठी CP मध्ये आम्हाला कोणताही फरक आढळला नाही (आकृती 6h; ANOVA; माकड N: F = 1.8, p = 0.11; माकड S: F = 0.32, p = 0. 9).
शेवटी, मागील कामातून असे दिसून आले आहे की संपूर्ण चाचणी दरम्यान CP बदलतो. काही अभ्यासांनी तीव्र वाढ नोंदवली आहे आणि त्यानंतर तुलनेने गुळगुळीत निवड परिणाम दिसून आला आहे,30 तर काहींनी चाचणी दरम्यान निवड सिग्नलमध्ये स्थिर वाढ नोंदवली आहे31. प्रत्येक माकडासाठी, आम्ही चाचणीमध्ये प्रत्येक युनिटचा CP शून्य टेक्सचरल कॉन्ट्रास्टसह (अनुक्रमे, पॅटर्न ओरिएंटेशननुसार) 100 ms पेशींमध्ये मोजला जो प्री-स्टिम्युलस स्टार्टपासून पोस्ट मीन प्री-स्टिम्युलस ऑफसेटपर्यंत प्रत्येक 20 ms ने पाऊल टाकत होता. दोन माकडांसाठी सरासरी CP गतिशीलता आकृती 6i मध्ये दर्शविली आहे. दोन्ही प्रकरणांमध्ये, उत्तेजन सुरू झाल्यानंतर जवळजवळ 500 ms पर्यंत CP यादृच्छिक पातळीवर किंवा त्याच्या अगदी जवळ राहिला, त्यानंतर CP झपाट्याने वाढला.
संवेदनशीलता बदलण्याव्यतिरिक्त, सेल ट्यूनिंग वैशिष्ट्यांच्या काही गुणांमुळे CP वर देखील परिणाम होत असल्याचे दिसून आले आहे. उदाहरणार्थ, उका आणि डीएंजेलिस34 यांना आढळले की द्विनेत्री मिसमेच ओळखण्याच्या कार्यात CP हे उपकरणाच्या द्विनेत्री मिसमेच ट्यूनिंग वक्रच्या सममितीवर अवलंबून असते. या प्रकरणात, एक संबंधित प्रश्न असा आहे की पॅटर्न डायरेक्शन सिलेक्टिव्ह (PDS) पेशी घटक दिशा निवडक (CDS) पेशींपेक्षा अधिक संवेदनशील आहेत का. PDS पेशी अनेक स्थानिक अभिमुखता असलेल्या नमुन्यांच्या सामान्य अभिमुखतेला एन्कोड करतात, तर CDS पेशी दिशात्मक पॅटर्न घटकांच्या हालचालीला प्रतिसाद देतात (आकृती 7a).
मोड घटक ट्यूनिंग उत्तेजक आणि काल्पनिक जाळी (डावीकडे) आणि जाळी अभिमुखता ट्यूनिंग वक्र (उजवीकडे) यांचे योजनाबद्ध प्रतिनिधित्व (सामग्री आणि पद्धती पहा). थोडक्यात, जर सेल ग्रिड घटकांमधून सिग्नल पॅटर्न हालचालीसाठी एकत्रित झाला, तर वैयक्तिक ग्रिड आणि ग्रिड उत्तेजनांसाठी (शेवटचा स्तंभ, घन वक्र) समान ट्यूनिंग वक्र अपेक्षित असतील. उलट, जर सेल सिग्नल पॅटर्नच्या गतीमध्ये घटकांच्या दिशानिर्देशांना एकत्रित करत नसेल, तर प्रत्येक दिशेने जाळी गतीच्या शिखरासह द्विपक्षीय ट्यूनिंग वक्र अपेक्षित असेल जो एका घटकाचे सेलच्या पसंतीच्या दिशेने (शेवटचा स्तंभ, डॅश केलेला वक्र) रूपांतर करतो. . आकृती 1 आणि 2 मध्ये दर्शविलेल्या पेशींसाठी साइनसॉइडल अॅरेचे अभिमुखता समायोजित करण्यासाठी b (डावीकडे) वक्र. 3 आणि 4 (वरची पंक्ती - आकृती 3a, b आणि 4a, b (वरच्या) मधील पेशी; तळाशी पॅनेल - आकृती 3c, d आणि 4a, b (तळाशी) चे पेशी). (मध्यम) जाळी ट्यूनिंग प्रोफाइलमधून गणना केलेले नमुना आणि घटक अंदाज. (उजवीकडे) या पेशींचे ग्रिड समायोजित करणे. वरच्या (तळाशी) पॅनेलमधील पेशींना टेम्पलेट (घटक) पेशी म्हणून वर्गीकृत केले आहे. लक्षात घ्या की पॅटर्न घटकांचे वर्गीकरण आणि सुसंगत/पारदर्शक पेशी हालचालीसाठी प्राधान्यांमध्ये एक-ते-एक पत्रव्यवहार नाही (आकृती 4a मध्ये या पेशींसाठी टेक्सचर जाळी प्रतिसाद पहा). c N (डावीकडे) आणि S (उजवीकडे) माकडांमध्ये रेकॉर्ड केलेल्या सर्व पेशींसाठी z-स्कोअर घटक (abscissa) च्या आंशिक सहसंबंध गुणांकाच्या विरूद्ध प्लॉट केलेल्या z-स्कोअर मोड (ऑर्डिनेट) च्या आंशिक सहसंबंधाचे गुणांक. जाड रेषा पेशींचे वर्गीकरण करण्यासाठी वापरले जाणारे महत्त्व निकष दर्शवितात. d उच्च निवड संभाव्यता (ऑर्डिनेट) विरुद्ध मोड निर्देशांक (Zp - Zc) (abscissa) चा प्लॉट. डाव्या (उजवीकडे) पॅनेलमधील डेटा माकड N(S) चा संदर्भ देतो. काळी वर्तुळे अंदाजे युनिट्समध्ये डेटा दर्शवितात. दोन्ही प्राण्यांमध्ये, उच्च निवड संभाव्यता आणि नमुना निर्देशांक यांच्यात एक महत्त्वपूर्ण सहसंबंध होता, जो बहु घटक अभिमुखतेसह उत्तेजनांमध्ये सिग्नल पॅटर्न अभिमुखता असलेल्या पेशींसाठी अधिक ज्ञानेंद्रिय सहसंबंध सूचित करतो.
म्हणून, एका वेगळ्या चाचणी संचात, आम्ही आमच्या नमुन्यांमधील न्यूरॉन्सना PDS किंवा CDS म्हणून वर्गीकृत करण्यासाठी साइनसॉइडल ग्रिड आणि ग्रिडवरील प्रतिसाद मोजले (पद्धती पहा). आकृती 1 आणि 3 मध्ये दर्शविलेल्या पेशींसाठी लॅटिस ट्यूनिंग वक्र, या ट्यूनिंग डेटावरून तयार केलेले टेम्पलेट घटक अंदाज आणि जाळी ट्यूनिंग वक्र. आकृती 3 आणि 4 आणि पूरक आकृती 3 आकृती 7b मध्ये दर्शविल्या आहेत. नमुना वितरण आणि घटक निवडकता, तसेच प्रत्येक श्रेणीतील पसंतीचे सेल अभिमुखता, अनुक्रमे आकृती 7c आणि पूरक आकृती 4 मध्ये प्रत्येक माकडासाठी दर्शविले आहेत.
पॅटर्न घटकांच्या दुरुस्तीवर CP चे अवलंबित्व किती आहे याचे मूल्यांकन करण्यासाठी, आम्ही प्रथम पॅटर्न इंडेक्स 35 (PI) ची गणना केली, ज्यातील मोठे (लहान) मूल्ये मोठ्या PDS (CDS) समान वर्तन दर्शवतात. वरील प्रात्यक्षिक पाहता: (i) न्यूरोनल संवेदनशीलता पसंतीच्या पेशी अभिमुखता आणि उत्तेजनाच्या हालचालीच्या दिशेने फरकाने बदलते आणि (ii) आमच्या नमुन्यात न्यूरोनल संवेदनशीलता आणि निवड संभाव्यता यांच्यात महत्त्वपूर्ण सहसंबंध आहे, आम्हाला PI आणि एकूण CP मधील संबंध आढळला जो प्रत्येक पेशीच्या हालचालीच्या "सर्वोत्तम" दिशेसाठी अभ्यासला गेला (वर पहा). आम्हाला आढळले की CP हा PI शी लक्षणीयरीत्या सहसंबंधित होता (आकृती 7d; भौमितिक सरासरी प्रतिगमन; ग्रँड CP मंकी N: r = 0.23, p < 0.01; द्वि-स्थिर CP मंकी N r = 0.21, p = 0.013; ग्रँड CP मंकी S: r = 0.30, p < 10−4; द्वि-स्थिर CP मंकी S: r = 0.29, p < 10−3), जे दर्शवते की PDS म्हणून वर्गीकृत पेशींनी CDS आणि अवर्गीकृत पेशींपेक्षा जास्त निवड-संबंधित क्रियाकलाप प्रदर्शित केले. आम्हाला आढळले की CP हा PI शी लक्षणीयरीत्या सहसंबंधित होता (आकृती 7d; भौमितिक सरासरी प्रतिगमन; ग्रँड CP मंकी N: r = 0.23, p < 0.01; द्वि-स्थिर CP मंकी N r = 0.21, p = 0.013; ग्रँड CP मंकी S: r = 0.30, p < 10−4; द्वि-स्थिर CP मंकी S: r = 0.29, p < 10−3), जे दर्शवते की PDS म्हणून वर्गीकृत पेशींनी CDS आणि अवर्गीकृत पेशींपेक्षा जास्त निवड-संबंधित क्रियाकलाप प्रदर्शित केले. Мы обнаружили, что CP значительно коррелирует с PI (рис. 7d; регрессия среднего геометрического; большая обезьяна, большая обезьяна,
आम्ही MT क्षेत्रात एकच क्रियाकलाप नोंदवला आणि माकडांनी सुसंगत किंवा पारदर्शक हालचाली म्हणून दिसू शकणाऱ्या नमुन्यांची त्यांची धारणा नोंदवली. पक्षपाती धारणांमध्ये जोडलेल्या सेगमेंटेशन संकेतांबद्दल न्यूरॉन्सची संवेदनशीलता मोठ्या प्रमाणात बदलते आणि किमान अंशतः, युनिटच्या पसंतीच्या अभिमुखता आणि उत्तेजनाच्या हालचालीच्या दिशेने असलेल्या संबंधांद्वारे निर्धारित केली जाते. संपूर्ण लोकसंख्येमध्ये, न्यूरॉन्सची संवेदनशीलता सायकोफिजिकल संवेदनशीलतेपेक्षा लक्षणीयरीत्या कमी होती, जरी सर्वात संवेदनशील युनिट्स सेगमेंटेशन सिग्नलशी वर्तणुकीय संवेदनशीलता जुळत होत्या किंवा ओलांडत होत्या. याव्यतिरिक्त, फायरिंग फ्रिक्वेन्सी आणि धारणा यांच्यात एक महत्त्वपूर्ण सहप्रचलन आहे, जे सूचित करते की MT सिग्नलिंग सेगमेंटेशनमध्ये भूमिका बजावते. पसंतीच्या अभिमुखता असलेल्या पेशींनी जाळीच्या सेगमेंटेशन सिग्नलमधील फरकांबद्दल त्यांची संवेदनशीलता ऑप्टिमाइझ केली आणि अनेक स्थानिक अभिमुखतेसह उत्तेजनांमध्ये जागतिक हालचाली सिग्नल करण्याची प्रवृत्ती दर्शविली, ज्यामुळे सर्वोच्च संवेदनाक्षम सहसंबंध दिसून आला. मागील कामाशी या निकालांची तुलना करण्यापूर्वी आपण येथे काही संभाव्य समस्यांचा विचार करतो.
प्राण्यांच्या मॉडेल्समध्ये बिस्टेबल उत्तेजनांचा वापर करून केलेल्या संशोधनातील एक मोठी समस्या अशी आहे की वर्तणुकीय प्रतिसाद स्वारस्याच्या परिमाणावर आधारित नसू शकतात. उदाहरणार्थ, आपली माकडे जाळीच्या सुसंगततेच्या त्यांच्या आकलनापेक्षा स्वतंत्रपणे पोत अभिमुखतेची त्यांची धारणा नोंदवू शकतात. डेटाचे दोन पैलू सूचित करतात की हे प्रकरण नाही. प्रथम, मागील अहवालांनुसार, विभक्त करणाऱ्या अॅरे घटकांच्या सापेक्ष अभिमुखतेचा कोन पद्धतशीरपणे बदलल्याने सुसंगत धारणाची शक्यता बदलली. दुसरे म्हणजे, सरासरी, पोत सिग्नल असलेल्या किंवा नसलेल्या नमुन्यांसाठी परिणाम समान असतो. एकत्रितपणे, ही निरीक्षणे सूचित करतात की माकडांच्या प्रतिक्रिया सातत्याने त्यांच्या जोडणी/पारदर्शकतेची धारणा प्रतिबिंबित करतात.
आणखी एक संभाव्य समस्या अशी आहे की आम्ही विशिष्ट परिस्थितीसाठी ग्रेटिंग मोशन पॅरामीटर्स ऑप्टिमाइझ केलेले नाहीत. न्यूरोनल आणि सायकोफिजिकल सेन्सिटिव्हिटीची तुलना करणाऱ्या मागील अनेक कामांमध्ये, प्रत्येक नोंदणीकृत युनिटसाठी उत्तेजना स्वतंत्रपणे निवडल्या गेल्या होत्या [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45]. येथे आम्ही प्रत्येक पेशीच्या ओरिएंटेशनच्या समायोजनाकडे दुर्लक्ष करून जाळीच्या पॅटर्नच्या हालचालीच्या समान दोन दिशानिर्देशांचा वापर केला आहे. या डिझाइनमुळे आम्हाला जाळीच्या हालचाली आणि पसंतीच्या ओरिएंटेशनमधील ओव्हरलॅपसह संवेदनशीलता कशी बदलते याचा अभ्यास करण्याची परवानगी मिळाली, तथापि, पेशी सुसंगत किंवा पारदर्शक जाळी पसंत करतात की नाही हे निर्धारित करण्यासाठी प्राधान्य आधार प्रदान केला नाही. म्हणून, आम्ही टेक्सचर्ड जाळीला प्रत्येक पेशीचा प्रतिसाद वापरून, जाळीच्या हालचालीच्या प्रत्येक श्रेणीला प्राधान्य आणि शून्य लेबल्स नियुक्त करण्यासाठी अनुभवजन्य निकषांवर अवलंबून असतो. जरी अशक्य असले तरी, हे आमच्या संवेदनशीलता विश्लेषण आणि CP सिग्नल शोधण्याचे परिणाम पद्धतशीरपणे विकृत करू शकते, संभाव्यतः कोणत्याही मापाचे अतिरेक करू शकते. तथापि, खाली चर्चा केलेल्या विश्लेषणाचे आणि डेटाचे अनेक पैलू सूचित करतात की हे तसे नाही.
प्रथम, जास्त (कमी) क्रियाकलाप निर्माण करणाऱ्या उत्तेजनांना पसंतीची (शून्य) नावे देणे या प्रतिसाद वितरणाच्या फरकावर परिणाम करत नाही. त्याऐवजी, ते फक्त हे सुनिश्चित करते की न्यूरोमेट्रिक आणि सायकोमेट्रिक फंक्शन्समध्ये समान चिन्ह आहे, म्हणून त्यांची थेट तुलना करता येते. दुसरे म्हणजे, CP (टेक्सचर्ड ग्रेटिंग्जसाठी "चुकीचे" चाचण्या आणि टेक्सचर कॉन्ट्रास्टशिवाय ग्रेटिंग्जसाठी सर्व चाचण्या) मोजण्यासाठी वापरलेले प्रतिसाद रीग्रेशन विश्लेषणात समाविष्ट केले गेले नव्हते जे प्रत्येक पेशी कनेक्टेड किंवा पारदर्शक खेळांना "पसंती" देते की नाही हे निर्धारित करते. हे सुनिश्चित करते की निवड परिणाम पसंतीच्या/अवैध पदनामांकडे पक्षपाती नाहीत, परिणामी निवडीची महत्त्वपूर्ण संभाव्यता निर्माण होते.
न्यूसम आणि त्यांच्या सहकाऱ्यांच्या [36, 39, 46, 47] अभ्यासांनी गतीच्या दिशेच्या अंदाजे अंदाजात MT ची भूमिका निश्चित करणारे पहिले होते. त्यानंतरच्या अहवालांमध्ये खोली34,44,48,49,50,51 आणि गती32,52, सूक्ष्म अभिमुखता33 आणि हालचाली31,53,54 (3D शाश्वत जंगले) पासून 3D संरचनेची धारणा (नियम) मध्ये MT सहभागाचा डेटा गोळा केला आहे. आम्ही हे निकाल दोन महत्त्वाच्या मार्गांनी वाढवतो. प्रथम, आम्ही पुरावा देतो की MT प्रतिसाद व्हिजुओमोटर सिग्नलच्या ग्रहणक्षम विभाजनात योगदान देतात. दुसरे, आम्ही MT मोड अभिमुखता निवडकता आणि या निवड सिग्नलमधील संबंध पाहिला.
संकल्पनात्मकदृष्ट्या, सध्याचे निकाल 3-D SFM वरील कामाशी सर्वात जास्त साम्य आहेत, कारण दोन्ही जटिल बिस्टेबल धारणा आहेत ज्यामध्ये हालचाल आणि खोली क्रम यांचा समावेश आहे. डोड आणि इतर 31 यांनी बिस्टेबल 3D SFM सिलेंडरच्या रोटेशनल ओरिएंटेशनचा अहवाल देणाऱ्या माकड कार्यात मोठी निवड संभाव्यता (0.67) आढळली. आम्हाला बिस्टेबल ग्रिड उत्तेजनांसाठी खूपच लहान निवड प्रभाव आढळला (दोन्ही माकडांसाठी सुमारे 0.55). CP चे मूल्यांकन निवड गुणांकावर अवलंबून असल्याने, वेगवेगळ्या कार्यांमध्ये वेगवेगळ्या परिस्थितीत मिळवलेल्या CP चे अर्थ लावणे कठीण आहे. तथापि, आम्ही पाहिलेल्या निवड प्रभावाची परिमाण शून्य आणि कमी टेक्सचर कॉन्ट्रास्ट ग्रेटिंगसाठी समान होती आणि जेव्हा आम्ही पॉवर वाढवण्यासाठी कमी/नो टेक्सचर कॉन्ट्रास्ट उत्तेजना एकत्र केल्या तेव्हा देखील. म्हणून, CP मधील हा फरक डेटासेटमधील निवड दरांमधील फरकांमुळे असण्याची शक्यता कमी आहे.
नंतरच्या प्रकरणात, 3-डी SFM उत्तेजना आणि बिस्टेबल ग्रिड स्ट्रक्चर्समुळे प्रेरित तीव्र आणि गुणात्मकदृष्ट्या भिन्न ज्ञानेंद्रियांच्या स्थितींच्या तुलनेत, MT फायरिंग रेटमध्ये होणारे माफक बदल गोंधळात टाकणारे वाटतात. एक शक्यता अशी आहे की आम्ही उत्तेजनाच्या संपूर्ण कालावधीत फायरिंग रेटची गणना करून निवड परिणाम कमी लेखला आहे. ३१ ३-डी एसएफएमच्या बाबतीत, जिथे चाचण्यांमध्ये एमटी क्रियाकलापातील फरक सुमारे २५० एमएस विकसित झाला आणि नंतर संपूर्ण चाचण्यांमध्ये हळूहळू वाढला, निवड सिग्नलच्या तात्पुरत्या गतिमानतेचे आमचे विश्लेषण (दोन्ही माकडांमध्ये उत्तेजनाच्या प्रारंभानंतर ५०० एमएस पहा. याव्यतिरिक्त, या कालावधीत तीव्र वाढ झाल्यानंतर, आम्ही चाचणीच्या उर्वरित काळात सीपीमध्ये चढउतार पाहिले. हुपे आणि रुबिन५५ अहवाल देतात की बिस्टेबल आयताकृती अॅरेची मानवी धारणा दीर्घ चाचण्यांदरम्यान अनेकदा बदलते. जरी आमची उत्तेजना फक्त १.५ सेकंदांसाठी सादर केली गेली असली तरी, आमच्या माकडांची धारणा चाचणी दरम्यान सुसंगततेपासून पारदर्शकतेपर्यंत देखील बदलू शकते (त्यांच्या प्रतिसादांनी क्यू सिलेक्शनवर त्यांची अंतिम धारणा प्रतिबिंबित केली.) म्हणून, आमच्या कार्याच्या प्रतिक्रिया वेळेच्या आवृत्तीचा किंवा योजनेचा ज्यामध्ये माकडे सतत त्यांची धारणा नोंदवू शकतात, त्याचा निवड प्रभाव मोठा असण्याची अपेक्षा आहे. शेवटची शक्यता अशी आहे की एमटी सिग्नल दोन्ही कार्यांमध्ये वेगळ्या पद्धतीने वाचला जातो. जरी असे मानले जात आहे की सीपीयू सिग्नल संवेदी डीकोडिंग आणि सहसंबंधित आवाजामुळे उद्भवतात, ५६ गु आणि सहकाऱ्यांना ५७ असे आढळले की संगणकीय मॉडेलमध्ये, वेगवेगळ्या पूलिंग धोरणांऐवजी सहसंबंधित परिवर्तनशीलतेच्या पातळीपेक्षा, पृष्ठीय माध्यम-सुपीरियर टेम्पोरल न्यूरॉन्समध्ये CPU चे अधिक चांगले स्पष्टीकरण देऊ शकते. शीट चेंज ओरिएंटेशन रिकग्निशन टास्क (MSTd). MT मध्ये आम्ही पाहिलेला लहान निवड प्रभाव कदाचित सुसंगतता किंवा पारदर्शकतेची धारणा निर्माण करण्यासाठी अनेक कमी-माहितीपूर्ण न्यूरॉन्सच्या विस्तृत एकत्रीकरणाचे प्रतिबिंबित करतो. कोणत्याही परिस्थितीत जिथे स्थानिक गती संकेत एक किंवा दोन वस्तूंमध्ये (बिस्टेबल ग्रेटिंग्ज) किंवा सामान्य वस्तूंच्या स्वतंत्र पृष्ठभागावर (3-D SFM) गटबद्ध करायचे होते, MT प्रतिसाद लक्षणीयरीत्या ज्ञानेंद्रियांच्या निर्णयांशी संबंधित असल्याचा स्वतंत्र पुरावा होता, तेथे मजबूत MT प्रतिसाद होते. दृश्य गती माहिती वापरून जटिल प्रतिमांचे बहु-वस्तू दृश्यांमध्ये विभाजन करण्यात भूमिका बजावण्याचा प्रस्ताव आहे.
वर नमूद केल्याप्रमाणे, आम्ही MT पॅटर्न सेल्युलर क्रियाकलाप आणि धारणा यांच्यातील संबंध नोंदवणारे पहिले होतो. Movshon आणि त्यांच्या सहकाऱ्यांनी मूळ दोन-चरण मॉडेलमध्ये तयार केल्याप्रमाणे, मोड युनिट हा MT चा आउटपुट टप्पा आहे. तथापि, अलिकडच्या कामातून असे दिसून आले आहे की मोड आणि घटक पेशी एका सातत्यतेच्या वेगवेगळ्या टोकांचे प्रतिनिधित्व करतात आणि रिसेप्टिव्ह फील्डच्या संरचनेतील पॅरामीट्रिक फरक मोड घटकांच्या ट्यूनिंग स्पेक्ट्रमसाठी जबाबदार आहेत. म्हणून, आम्हाला CP आणि PI दरम्यान एक महत्त्वपूर्ण सहसंबंध आढळला, जो खोली ओळख कार्यात किंवा सूक्ष्म अभिमुखता भेदभाव कार्यात ओरिएंटेशन सेटिंग कॉन्फिगरेशनमध्ये द्विनेत्री मिसमेच समायोजन सममिती आणि CP यांच्यातील संबंधांसारखाच आहे. दस्तऐवज आणि CP 33 मधील संबंध. वांग आणि Movshon62 यांनी MT अभिमुखता निवडकतेसह मोठ्या संख्येने पेशींचे विश्लेषण केले आणि असे आढळले की, सरासरी, मोड निर्देशांक अनेक ट्यूनिंग गुणधर्मांशी संबंधित होता, असे सूचित करते की MT लोकसंख्येतून वाचता येणाऱ्या इतर अनेक प्रकारच्या सिग्नलमध्ये मोड निवडकता अस्तित्वात आहे. . म्हणूनच, एमटी क्रियाकलाप आणि व्यक्तिनिष्ठ धारणा यांच्यातील संबंधांच्या भविष्यातील अभ्यासासाठी, हे निश्चित करणे महत्वाचे असेल की पॅटर्न निर्देशांक इतर कार्य आणि उत्तेजक निवड सिग्नलशी समान संबंध ठेवतो की नाही, किंवा हे संबंध धारणात्मक विभाजनाच्या बाबतीत विशिष्ट आहे का.
त्याचप्रमाणे, निएनबोर्ग आणि कमिंग ४२ मध्ये असे आढळून आले की जरी V2 मध्ये द्विनेत्रीच्या विसंगतीसाठी निवडक जवळच्या आणि दूरच्या पेशी खोली भेदभावाच्या कार्यात समान संवेदनशील होत्या, परंतु फक्त जवळच्या पसंतीच्या पेशींच्या संख्येने लक्षणीय CP प्रदर्शित केले. तथापि, माकडांना प्राधान्याने दूरच्या फरकांचे वजन करण्यासाठी पुन्हा प्रशिक्षण दिल्याने अधिक पसंतीच्या पिंजऱ्यांमध्ये लक्षणीय CPs निर्माण झाले. इतर अभ्यासांनी असेही नोंदवले आहे की प्रशिक्षण इतिहास ग्रहणात्मक सहसंबंधांवर अवलंबून असतो34,40,63 किंवा MT क्रियाकलाप आणि विभेदक भेदभाव यांच्यातील कारणात्मक संबंधांवर48. CP आणि पथ्ये दिशा निवडीमधील आम्ही पाहिलेला संबंध कदाचित माकडांनी आमच्या समस्येचे निराकरण करण्यासाठी वापरलेल्या विशिष्ट धोरणाचे प्रतिबिंबित करतो, दृश्य-मोटर धारणामध्ये मोड निवड सिग्नलची विशिष्ट भूमिका नाही. भविष्यातील कामात, विभाजन निर्णय घेण्यासाठी कोणते MT सिग्नल प्राधान्याने आणि लवचिकपणे भारित केले जातात हे ठरवण्यावर शिक्षण इतिहासाचा महत्त्वपूर्ण प्रभाव पडतो का हे निश्चित करणे महत्वाचे असेल.
स्टोनर आणि त्यांचे सहकारी १४,२३ हे पहिले होते ज्यांनी अहवाल दिला की ओव्हरलॅपिंग ग्रिड प्रदेशांची ब्राइटनेस बदलल्याने मानवी निरीक्षक अहवालांची सुसंगतता आणि पारदर्शकता आणि मॅकाक एमटी न्यूरॉन्समधील दिशात्मक समायोजनांवर अंदाजे परिणाम झाला. लेखकांना असे आढळून आले की जेव्हा ओव्हरलॅपिंग प्रदेशांची ब्राइटनेस भौतिकदृष्ट्या पारदर्शकतेशी जुळते तेव्हा निरीक्षकांनी अधिक पारदर्शक धारणा नोंदवली, तर एमटी न्यूरॉन्स रास्टर घटकांच्या हालचालीचे संकेत देतात. उलट, जेव्हा ओव्हरलॅपिंग ब्राइटनेस आणि पारदर्शक ओव्हरलॅप भौतिकदृष्ट्या विसंगत असतात, तेव्हा निरीक्षक सुसंगत हालचाल जाणवतो आणि एमटी न्यूरॉन्स पॅटर्नच्या जागतिक हालचालीचे संकेत देतात. अशाप्रकारे, हे अभ्यास दर्शवितात की दृश्य उत्तेजनांमधील भौतिक बदल जे सेगमेंटेशन रिपोर्ट्सवर विश्वासार्हपणे प्रभाव पाडतात ते एमटी उत्तेजनामध्ये देखील अंदाजे बदल घडवून आणतात. या क्षेत्रातील अलीकडील कामाने शोधून काढले आहे की कोणते एमटी सिग्नल जटिल उत्तेजनांच्या आकलनात्मक स्वरूपाचा मागोवा घेतात १८,२४,६४. उदाहरणार्थ, एमटी न्यूरॉन्सचा एक उपसमूह एका यादृच्छिक बिंदू गती नकाशा (आरडीके) वर बायमॉडल ट्यूनिंग प्रदर्शित करतो ज्या दोन दिशानिर्देश एकदिशात्मक आरडीकेपेक्षा कमी अंतरावर आहेत. सेल्युलर ट्यूनिंगची बँडविड्थ १९, २५. निरीक्षक नेहमीच पहिल्या पॅटर्नला पारदर्शक हालचाल म्हणून पाहतात, जरी बहुतेक MT न्यूरॉन्स या उत्तेजनांना प्रतिसाद म्हणून एकरूप अनुकूलन प्रदर्शित करतात आणि सर्व MT पेशींची साधी सरासरी एकरूप लोकसंख्या प्रतिसाद देते. अशा प्रकारे, बायमोडल ट्यूनिंग प्रदर्शित करणाऱ्या पेशींचा एक उपसंच या धारणासाठी न्यूरल सब्सट्रेट तयार करू शकतो. मनोरंजक म्हणजे, मार्मोसेट्समध्ये, पारंपारिक ग्रिड आणि ग्रिड उत्तेजनांचा वापर करून चाचणी केल्यावर ही लोकसंख्या PDS पेशींशी जुळली.
आमचे निकाल वरीलपेक्षा एक पाऊल पुढे जातात, जे ग्रहणक्षम विभाजनात MT ची भूमिका स्थापित करण्यासाठी महत्त्वपूर्ण आहेत. खरं तर, ग्रहणक्षमता ही एक व्यक्तिनिष्ठ घटना आहे. अनेक पॉलीस्टेबल व्हिज्युअल डिस्प्ले दृश्य प्रणालीची एकापेक्षा जास्त प्रकारे सतत उत्तेजनांचे आयोजन आणि अर्थ लावण्याची क्षमता दर्शवितात. आमच्या अभ्यासात एकाच वेळी तंत्रिका प्रतिसाद आणि ग्रहणक्षमता अहवाल गोळा केल्याने आम्हाला MT फायरिंग रेट आणि स्थिर उत्तेजनाच्या ग्रहणक्षमता व्याख्यांमधील सहप्रचलन एक्सप्लोर करण्याची परवानगी मिळाली. हा संबंध प्रदर्शित केल्यानंतर, आम्ही कबूल करतो की कार्यकारणभावाची दिशा स्थापित केलेली नाही, म्हणजेच, काही लोकांचा युक्तिवाद आहे की [65, 66, 67], आमच्याद्वारे पाहिले जाणारे ग्रहणक्षम विभाजनाचे सिग्नल स्वयंचलित आहे की नाही हे निर्धारित करण्यासाठी पुढील प्रयोग आवश्यक आहेत. ही प्रक्रिया पुन्हा उच्च क्षेत्रांमधून संवेदी कॉर्टेक्सकडे परत येणारे उतरत्या सिग्नल दर्शवते 68, 69, 70 (आकृती 8). MT च्या मुख्य कॉर्टिकल लक्ष्यांपैकी एक असलेल्या MSTd71 मध्ये पॅटर्न-सिलेक्टिव्ह पेशींचे प्रमाण जास्त असल्याचे अहवाल सूचित करतात की MT आणि MSTd च्या एकाच वेळी रेकॉर्डिंगचा समावेश करण्यासाठी या प्रयोगांचा विस्तार करणे हे धारणा विभाजनाच्या तंत्रिका यंत्रणा अधिक समजून घेण्याच्या दिशेने एक चांगले पहिले पाऊल असेल.
घटक आणि मोड ओरिएंटेशन निवडीचे दोन-टप्पे मॉडेल आणि मशीन ट्रान्सलेशनमध्ये निवड-संबंधित क्रियाकलापांवर टॉप-डाउन फीडबॅकचा संभाव्य परिणाम. येथे, MT चरणात मोड दिशा निवड (PDS - “P”) (i) विशिष्ट मोड वेगांशी सुसंगत दिशा निवडक इनपुट डेटाचा एक मोठा नमुना आणि (ii) मजबूत ट्यूनिंग सप्रेशन द्वारे तयार केले जाते. MT (“C”) टप्प्यातील दिशा निवडक (CDS) घटक इनपुट दिशेने एक अरुंद नमुना श्रेणी आहे आणि त्यात जास्त ट्यूनिंग सप्रेशन नाही. अनट्यून केलेले प्रतिबंध दोन्ही लोकसंख्येवर नियंत्रण देते. रंगीत बाण पसंतीचे डिव्हाइस अभिमुखता दर्शवितात. स्पष्टतेसाठी, V1-MT कनेक्शनचा फक्त एक उपसंच आणि एक घटक मोड आणि अभिमुखता निवड बॉक्स दर्शविला आहे. आमच्या फीड-फॉरवर्ड (FF) निकालांचा अर्थ लावण्याच्या संदर्भात, PDS पेशींमध्ये विस्तृत इनपुट सेटिंग आणि मजबूत ट्यूनिंग प्रतिबंध (लाल रंगात हायलाइट केलेले) अनेक हालचालींच्या नमुन्यांच्या प्रतिसादात क्रियाकलापांमध्ये मोठे फरक निर्माण करतात. आमच्या सेगमेंटेशन समस्येत, हा गट निर्णय साखळी चालवतो आणि धारणा विकृत करतो. याउलट, फीडबॅक (FB) च्या बाबतीत, अपस्ट्रीम सर्किट्समध्ये संवेदी डेटा आणि संज्ञानात्मक पूर्वाग्रहांद्वारे ज्ञानेंद्रिय निर्णय निर्माण केले जातात आणि डाउनस्ट्रीम FB चा PDS पेशींवर (जाड रेषा) जास्त परिणाम निवड सिग्नल निर्माण करतो. b CDS आणि PDS उपकरणांच्या पर्यायी मॉडेल्सचे योजनाबद्ध प्रतिनिधित्व. येथे MT मधील PDS सिग्नल केवळ V1 च्या थेट इनपुटद्वारेच नव्हे तर V1-V2-MT मार्गाच्या अप्रत्यक्ष इनपुटद्वारे देखील तयार केले जातात. मॉडेलचे अप्रत्यक्ष मार्ग टेक्सचर सीमांना (ग्रिड ओव्हरलॅपिंग क्षेत्रांना) निवडकता देण्यासाठी समायोजित केले जातात. MT लेयर CDS मॉड्यूल प्रत्यक्ष आणि अप्रत्यक्ष इनपुटची भारित बेरीज करते आणि PDS मॉड्यूलला आउटपुट पाठवते. PDS स्पर्धात्मक प्रतिबंधाद्वारे नियंत्रित केले जाते. पुन्हा, मॉडेलची मूलभूत रचना काढण्यासाठी आवश्यक असलेले कनेक्शनच दाखवले जातात. येथे, a मध्ये प्रस्तावित केलेल्यापेक्षा वेगळी FF यंत्रणा PDS ला सेल्युलर जाळीच्या प्रतिसादात जास्त परिवर्तनशीलता आणू शकते, ज्यामुळे पुन्हा निर्णय नमुन्यांमध्ये पूर्वाग्रह निर्माण होऊ शकतात. वैकल्पिकरित्या, PDS पेशींमध्ये जास्त CP अजूनही PDS पेशींना FB जोडण्याच्या ताकदी किंवा कार्यक्षमतेतील पूर्वाग्रहाचा परिणाम असू शकते. पुरावे दोन आणि तीन-टप्प्यांचे एमटी पीडीएस मॉडेल आणि सीपी एफएफ आणि एफबी व्याख्यांना समर्थन देतात.
अभ्यासाच्या वस्तू म्हणून दोन प्रौढ मकाक (मकाका मुलाट्टा), एक नर आणि एक मादी (अनुक्रमे ७ आणि ५ वर्षे वयाचे), ज्यांचे वजन ४.५ ते ९.० किलो होते, त्यांचा वापर करण्यात आला. सर्व निर्जंतुकीकरण शस्त्रक्रिया प्रयोगांपूर्वी, प्राण्यांना एमटी क्षेत्राकडे जाणाऱ्या उभ्या इलेक्ट्रोडसाठी कस्टम-मेड रेकॉर्डिंग चेंबर, स्टेनलेस स्टील हेडरेस्ट स्टँड (क्रिस्ट इन्स्ट्रुमेंट्स, हेगरस्टाउन, एमडी) आणि मोजलेल्या स्क्लेरल सर्च कॉइलसह डोळ्यांची स्थिती बसवण्यात आली. (कूनर वायर, सॅन दिएगो, कॅलिफोर्निया). सर्व प्रोटोकॉल युनायटेड स्टेट्स डिपार्टमेंट ऑफ अॅग्रीकल्चर (यूएसडीए) नियमांचे आणि राष्ट्रीय आरोग्य संस्था (एनआयएच) च्या प्रयोगशाळेतील प्राण्यांच्या मानवी काळजी आणि वापरासाठी मार्गदर्शक तत्त्वांचे पालन करतात आणि त्यांना शिकागो विद्यापीठाच्या संस्थात्मक प्राणी काळजी आणि वापर समितीने (आयएयूकेसी) मान्यता दिली आहे.
सर्व दृश्य उत्तेजना काळ्या किंवा राखाडी पार्श्वभूमीवर गोल छिद्रात सादर केल्या गेल्या. रेकॉर्डिंग दरम्यान, इलेक्ट्रोडच्या टोकावरील न्यूरॉन्सच्या शास्त्रीय ग्रहणशील क्षेत्रानुसार या छिद्राची स्थिती आणि व्यास समायोजित केला गेला. आम्ही दृश्य उत्तेजनांच्या दोन विस्तृत श्रेणी वापरल्या: सायकोमेट्रिक उत्तेजना आणि ट्यूनिंग उत्तेजना.
सायकोमेट्रिक उत्तेजना ही एक जाळीची नमुना आहे (२० सीडी/मीटर२, ५०% कॉन्ट्रास्ट, ५०% ड्युटी सायकल, ५ अंश/सेकंद) जी त्यांच्या दिशेला लंब असलेल्या दिशेने वाहणाऱ्या दोन आयताकृती जाळींना वरच्या दिशेने टाकून तयार केली जाते (आकृती १ब). पूर्वी असे दिसून आले आहे की मानवी निरीक्षक या जाळीच्या नमुन्यांकडे बिस्टेबल उत्तेजना म्हणून पाहतात, कधीकधी एकाच दिशेने फिरणारा एकच नमुना (सुसंगत हालचाल) आणि कधीकधी वेगवेगळ्या दिशेने फिरणारे दोन वेगळे पृष्ठभाग (पारदर्शक हालचाल) म्हणून पाहतात. जाळीच्या नमुन्याचे घटक, सममितीयपणे केंद्रित - जाळींमधील कोन ९५° ते १३०° पर्यंत आहे (सेटवरून काढलेले: ९५°, १००°, १०५°, ११५°, १२०°, १२५°, १३०° °, संपूर्ण सत्रादरम्यान ११५° वर आयसोलेशन अँगल न्यूरॉन्स जतन केले गेले नाहीत, परंतु आम्ही येथे सायकोफिजिकल डेटा समाविष्ट करतो) - अंदाजे ९०° किंवा २७०° (पॅटर्न ओरिएंटेशन). प्रत्येक सत्रात, इंटरलॅटिस जाळीचा फक्त एक कोपरा वापरला गेला; प्रत्येक सत्रादरम्यान, प्रत्येक चाचणीसाठी पॅटर्नचे अभिमुखता दोन शक्यतांमधून यादृच्छिकपणे निवडले गेले.
ग्रिडची धारणा स्पष्ट करण्यासाठी आणि कृतीसाठी बक्षीस देण्यासाठी अनुभवजन्य आधार प्रदान करण्यासाठी, आम्ही प्रत्येक ग्रिड घटकाच्या लाईट बार चरण 72 मध्ये यादृच्छिक बिंदू पोत सादर करतो. हे पिक्सेलच्या यादृच्छिकपणे निवडलेल्या उपसमूहाची चमक वाढवून किंवा कमी करून (निश्चित प्रमाणात) साध्य केले जाते (आकृती 1c). पोत हालचालीची दिशा एक मजबूत सिग्नल देते जी निरीक्षकाची धारणा सुसंगत किंवा पारदर्शक हालचालीकडे वळवते (आकृती 1c). सुसंगत परिस्थितीत, सर्व पोत, टेक्सचर जाळीच्या कव्हरचा कोणताही घटक असला तरीही, पॅटर्नच्या दिशेने अनुवादित केले जातात (आकृती 1c, सुसंगत). पारदर्शक स्थितीत, पोत ते व्यापलेल्या जाळीच्या दिशेने लंब फिरते (आकृती 1c, पारदर्शक) (पूरक चित्रपट 1). कार्याची जटिलता नियंत्रित करण्यासाठी, बहुतेक सत्रांमध्ये या पोत चिन्हासाठी मायकेलसन कॉन्ट्रास्ट (Lmax-Lmin/Lmax+Lmin) (-80, -40, -20, -10, -5, 0, 5) च्या संचापासून बदलतो. , १०, २०, ४०, ८०). कॉन्ट्रास्टची व्याख्या रास्टरची सापेक्ष ब्राइटनेस म्हणून केली जाते (म्हणून ८०% च्या कॉन्ट्रास्ट व्हॅल्यूमुळे ३६ किंवा ६ cd/m2 ची टेक्सचर होईल). मंकी N मध्ये ६ सत्रांसाठी आणि मंकी S मध्ये ५ सत्रांसाठी, आम्ही अरुंद टेक्सचरल कॉन्ट्रास्ट रेंज (-३०, -२०, -१५, -१०, -५, ०, ५, १०, १५, २०, ३०) वापरल्या, जिथे सायकोफिजिकल वैशिष्ट्ये पूर्ण-रेंज कॉन्ट्रास्ट प्रमाणेच पॅटर्नचे अनुसरण करतात, परंतु संतृप्ततेशिवाय.
ट्यूनिंग उत्तेजना म्हणजे साइनसॉइडल ग्रिड्स (कॉन्ट्रास्ट ५०%, १ सायकल/अंश, ५ अंश/सेकंद) जे १६ समान अंतराच्या दिशानिर्देशांपैकी एका दिशेने फिरतात किंवा या दिशानिर्देशांमध्ये फिरणारे साइनसॉइडल ग्रिड्स (एकमेकांच्या वर दोन विरुद्ध १३५° कोन असलेले साइनसॉइडल ग्रिड्स) असतात जे पॅटर्नच्या त्याच दिशेने असतात.
पोस्ट वेळ: नोव्हेंबर-१३-२०२२
