Nature.com ని సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ వెర్షన్ పరిమిత CSS మద్దతును కలిగి ఉంది. ఉత్తమ అనుభవం కోసం, మీరు నవీకరించబడిన బ్రౌజర్‌ను ఉపయోగించాలని మేము సిఫార్సు చేస్తున్నాము (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో అనుకూలత మోడ్‌ను నిలిపివేయండి). ఈలోగా, నిరంతర మద్దతును నిర్ధారించడానికి, మేము సైట్‌ను శైలులు మరియు జావాస్క్రిప్ట్ లేకుండా రెండర్ చేస్తాము.
ఒకే సమయంలో మూడు స్లయిడ్‌లను చూపించే కారౌసెల్. ఒకేసారి మూడు స్లయిడ్‌ల ద్వారా కదలడానికి మునుపటి మరియు తదుపరి బటన్‌లను ఉపయోగించండి లేదా ఒకేసారి మూడు స్లయిడ్‌ల ద్వారా కదలడానికి చివర ఉన్న స్లయిడర్ బటన్‌లను ఉపయోగించండి.
అధిక-రిజల్యూషన్ దృష్టికి వస్తువు లక్షణాలను పునర్నిర్మించడానికి చక్కటి రెటీనా నమూనా మరియు ఏకీకరణ అవసరం. వివిధ వస్తువుల నుండి స్థానిక నమూనాలను కలిపేటప్పుడు, ఖచ్చితత్వం కోల్పోతుందని గమనించడం ముఖ్యం. అందువల్ల, విభజన, ప్రత్యేక ప్రాసెసింగ్ కోసం చిత్రం యొక్క ప్రాంతాల సమూహనం, అవగాహనకు కీలకం. మునుపటి పనిలో, ఒకటి లేదా అంతకంటే ఎక్కువ కదిలే ఉపరితలాలుగా పరిగణించబడే బిస్టేబుల్ లాటిస్ నిర్మాణాలు ఈ ప్రక్రియను అధ్యయనం చేయడానికి ఉపయోగించబడ్డాయి. ఇక్కడ, ప్రైమేట్ విజువల్ పాత్‌వే యొక్క ఇంటర్మీడియట్ ప్రాంతాలలో కార్యాచరణ మరియు సెగ్మెంటేషన్ తీర్పుల మధ్య సంబంధాన్ని మేము నివేదిస్తాము. ప్రత్యేకించి, సెలెక్టివ్‌గా ఓరియెంటింగ్ మీడియన్ టెంపోరల్ న్యూరాన్లు బిస్టేబుల్ గ్రేటింగ్‌ల అవగాహనను వక్రీకరించడానికి ఉపయోగించే టెక్స్చర్ క్యూలకు సున్నితంగా ఉంటాయని మరియు ట్రయల్స్ మరియు నిరంతర ఉద్దీపనల యొక్క ఆత్మాశ్రయ అవగాహన మధ్య గణనీయమైన సహసంబంధాన్ని చూపించాయని మేము కనుగొన్నాము. బహుళ స్థానిక దిశలతో నమూనాలలో ప్రపంచ కదలికను సూచించే యూనిట్లలో ఈ సహసంబంధం ఎక్కువగా ఉంటుంది. అందువల్ల, ఇంటర్మీడియట్ టైమ్ డొమైన్ సంక్లిష్ట దృశ్యాలను రాజ్యాంగ వస్తువులు మరియు ఉపరితలాలుగా వేరు చేయడానికి ఉపయోగించే సంకేతాలను కలిగి ఉందని మేము నిర్ధారించాము.
దృష్టి అనేది అంచు ధోరణి మరియు వేగం వంటి ప్రాథమిక చిత్ర లక్షణాల యొక్క ఖచ్చితమైన వివక్షతపై మాత్రమే కాకుండా, ముఖ్యంగా వస్తువు ఆకారం మరియు పథం1 వంటి పర్యావరణ లక్షణాలను లెక్కించడానికి ఈ లక్షణాల సరైన ఏకీకరణపై ఆధారపడి ఉంటుంది. అయితే, రెటీనా చిత్రాలు అనేక సమానంగా ఆమోదయోగ్యమైన లక్షణ సమూహాలు 2, 3, 4 (Fig. 1a) కు మద్దతు ఇచ్చినప్పుడు సమస్యలు తలెత్తుతాయి. ఉదాహరణకు, రెండు సెట్ల వేగ సంకేతాలు చాలా దగ్గరగా ఉన్నప్పుడు, దీనిని ఒక కదిలే వస్తువు లేదా అనేక కదిలే వస్తువులుగా సహేతుకంగా అర్థం చేసుకోవచ్చు (Fig. 1b). ఇది విభజన యొక్క ఆత్మాశ్రయ స్వభావాన్ని వివరిస్తుంది, అంటే ఇది చిత్రం యొక్క స్థిర ఆస్తి కాదు, కానీ వివరణ ప్రక్రియ. సాధారణ అవగాహనకు దాని స్పష్టమైన ప్రాముఖ్యత ఉన్నప్పటికీ, గ్రహణ విభజన యొక్క నాడీ ప్రాతిపదికపై మన అవగాహన ఉత్తమంగా అసంపూర్ణంగా ఉంది.
గ్రహణ విభజన సమస్య యొక్క కార్టూన్ దృష్టాంతం. నెక్కర్ క్యూబ్ (ఎడమ) లో లోతు యొక్క పరిశీలకుడి అవగాహన రెండు సాధ్యమైన వివరణల మధ్య (కుడి) ప్రత్యామ్నాయంగా ఉంటుంది. ఎందుకంటే చిత్రంలో మెదడు బొమ్మ యొక్క 3D ధోరణిని ప్రత్యేకంగా నిర్ణయించడానికి అనుమతించే సంకేతాలు లేవు (కుడి వైపున ఉన్న మోనోక్యులర్ అక్లూజన్ సిగ్నల్ ద్వారా అందించబడింది). b బహుళ చలన సంకేతాలను ప్రాదేశిక సామీప్యతలో ప్రదర్శించినప్పుడు, స్థానిక నమూనాలు ఒకటి లేదా అంతకంటే ఎక్కువ వస్తువుల నుండి వచ్చాయో లేదో దృష్టి వ్యవస్థ నిర్ణయించాలి. స్థానిక చలన సంకేతాల యొక్క స్వాభావిక అస్పష్టత, అనగా వస్తువు కదలికల క్రమం ఒకే స్థానిక చలనాన్ని ఉత్పత్తి చేయగలదు, దీని ఫలితంగా దృశ్య ఇన్‌పుట్ యొక్క బహుళ సమానంగా ఆమోదయోగ్యమైన వివరణలు వస్తాయి, అనగా ఇక్కడ వెక్టర్ ఫీల్డ్‌లు ఒకే ఉపరితలం యొక్క పొందికైన కదలిక లేదా అతివ్యాప్తి చెందుతున్న ఉపరితలాల పారదర్శక కదలిక నుండి ఉత్పన్నమవుతాయి. c (ఎడమ) మా ఆకృతి గల గ్రిడ్ ఉద్దీపనకు ఉదాహరణ. దీర్ఘచతురస్రాకార గ్రేటింగ్‌లు వాటి దిశకు లంబంగా కదులుతూ ఒకదానికొకటి అతివ్యాప్తి చెంది ఒక గ్రేటింగ్ నమూనాను ఏర్పరుస్తాయి. లాటిస్‌ను ఒకే, సాధారణ, అనుసంధానించబడిన దిశల కదలిక (ఎరుపు బాణాలు) లేదా సమ్మేళన దిశల పారదర్శక కదలికగా గ్రహించవచ్చు. యాదృచ్ఛిక బిందువు ఆకృతి సంకేతాలను జోడించడం ద్వారా లాటిస్ యొక్క అవగాహన వక్రీకరించబడుతుంది. (మధ్య) పసుపు రంగులో హైలైట్ చేయబడిన ప్రాంతం విస్తరించబడుతుంది మరియు వరుసగా పొందికైన మరియు పారదర్శక సంకేతాల కోసం ఫ్రేమ్‌ల శ్రేణిగా ప్రదర్శించబడుతుంది. ప్రతి సందర్భంలోనూ చుక్క యొక్క కదలిక ఆకుపచ్చ మరియు ఎరుపు బాణాల ద్వారా సూచించబడుతుంది. (కుడి) ఎంపిక పాయింట్ యొక్క స్థానం (x, y) మరియు ఫ్రేమ్‌ల సంఖ్య యొక్క గ్రాఫ్. పొందికైన సందర్భంలో, అన్ని అల్లికలు ఒకే దిశలో కదులుతాయి. పారదర్శకత విషయంలో, ఆకృతి భాగం దిశలో కదులుతుంది. d మా చలన విభజన పని యొక్క కార్టూన్ ఉదాహరణ. కోతులు ఒక చిన్న చుక్కను పరిష్కరించడం ద్వారా ప్రతి ట్రయల్‌ను ప్రారంభించాయి. స్వల్ప ఆలస్యం తర్వాత, MT RF స్థానంలో ఒక నిర్దిష్ట రకమైన గ్రేటింగ్ నమూనా (కోహరెన్స్/పారదర్శకత) మరియు టెక్స్చర్ సిగ్నల్ పరిమాణం (ఉదా. కాంట్రాస్ట్) కనిపించాయి. ప్రతి పరీక్ష సమయంలో, గ్రేటింగ్ నమూనా యొక్క రెండు సాధ్యమైన దిశలలో ఒకదానిలో డ్రిఫ్ట్ కావచ్చు. ఉద్దీపన ఉపసంహరణ తర్వాత, ఎంపిక లక్ష్యాలు MT RF పైన మరియు క్రింద కనిపించాయి. కోతులు గ్రిడ్ యొక్క వారి అవగాహనను సాకేడ్‌లలో తగిన ఎంపిక లక్ష్యానికి సూచించాలి.
దృశ్య కదలికల ప్రాసెసింగ్ బాగా వర్గీకరించబడింది మరియు అందువల్ల గ్రహణ విభజన యొక్క నాడీ సర్క్యూట్లను అధ్యయనం చేయడానికి ఒక అద్భుతమైన నమూనాను అందిస్తుంది. అనేక గణన అధ్యయనాలు రెండు-దశల చలన ప్రాసెసింగ్ నమూనాల ప్రయోజనాన్ని గుర్తించాయి, దీనిలో అధిక-రిజల్యూషన్ ప్రారంభ అంచనా తర్వాత స్థానిక నమూనాల ఎంపిక ఏకీకరణ శబ్దాన్ని తొలగించడానికి మరియు వస్తువు వేగాన్ని పునరుద్ధరించడానికి 7,8. దృష్టి వ్యవస్థలు ఈ సమిష్టిని సాధారణ వస్తువుల నుండి స్థానిక నమూనాలకు మాత్రమే పరిమితం చేయడానికి జాగ్రత్త వహించాలని గమనించడం ముఖ్యం. స్థానిక చలన సంకేతాలు ఎలా విభజించబడ్డాయో ప్రభావితం చేసే భౌతిక కారకాలను సైకోఫిజికల్ అధ్యయనాలు వివరించాయి, కానీ శరీర నిర్మాణ సంబంధమైన పథాలు మరియు నాడీ సంకేతాల ఆకారం బహిరంగ ప్రశ్నలుగా మిగిలిపోయాయి. ప్రైమేట్ కార్టెక్స్ యొక్క టెంపోరల్ (MT) ప్రాంతంలోని ఓరియంటేషన్-సెలెక్టివ్ కణాలు నాడీ ఉపరితలాలకు అభ్యర్థులు అని అనేక నివేదికలు సూచిస్తున్నాయి.
ముఖ్యంగా, ఈ మునుపటి ప్రయోగాలలో, నాడీ కార్యకలాపాలలో మార్పులు దృశ్య ఉద్దీపనలలో భౌతిక మార్పులతో సంబంధం కలిగి ఉన్నాయి. అయితే, పైన చెప్పినట్లుగా, విభజన అనేది తప్పనిసరిగా ఒక గ్రహణ ప్రక్రియ. అందువల్ల, దాని నాడీ ఉపరితల అధ్యయనానికి నాడీ కార్యకలాపాలలో మార్పులను స్థిర ఉద్దీపనల అవగాహనలో మార్పులతో అనుసంధానించడం అవసరం. అందువల్ల, సూపర్‌ఇంపోజ్డ్ డ్రిఫ్టింగ్ దీర్ఘచతురస్రాకార గ్రేటింగ్‌ల ద్వారా ఏర్పడిన గ్రహించిన బిస్టేబుల్ గ్రేటింగ్ నమూనా ఒకే ఉపరితలమా లేదా రెండు స్వతంత్ర ఉపరితలమా అని నివేదించడానికి మేము రెండు కోతులకు శిక్షణ ఇచ్చాము. నాడీ కార్యకలాపాలకు మరియు విభజన తీర్పులకు మధ్య సంబంధాన్ని అధ్యయనం చేయడానికి, కోతులు ఈ పనిని చేసినప్పుడు మేము MTలో ఒకే కార్యాచరణను నమోదు చేసాము.
MT కార్యాచరణ మరియు అవగాహన అధ్యయనం మధ్య గణనీయమైన సహసంబంధాన్ని మేము కనుగొన్నాము. ఉద్దీపనలు బహిరంగ విభజన సంకేతాలను కలిగి ఉన్నా లేకపోయినా ఈ సహసంబంధం ఉంది. అదనంగా, ఈ ప్రభావం యొక్క బలం విభజన సంకేతాలకు సున్నితత్వానికి, అలాగే నమూనా సూచికకు సంబంధించినది. తరువాతిది సంక్లిష్ట నమూనాలలో స్థానిక కదలిక కంటే యూనిట్ ప్రపంచవ్యాప్త ప్రసరింపజేసే స్థాయిని గణిస్తుంది. ఫ్యాషన్ దిశకు ఎంపిక చాలా కాలంగా MT యొక్క నిర్వచించే లక్షణంగా గుర్తించబడింది మరియు ఫ్యాషన్-సెలెక్టివ్ కణాలు ఆ ఉద్దీపనల యొక్క మానవ అవగాహనకు అనుగుణంగా సంక్లిష్ట ఉద్దీపనలకు ట్యూనింగ్‌ను చూపిస్తున్నప్పటికీ, మనకు తెలిసినంతవరకు, నమూనాల మధ్య సహసంబంధానికి ఇది మొదటి సాక్ష్యం. సూచిక మరియు గ్రహణ విభజన.
డ్రిఫ్టింగ్ గ్రిడ్ ఉద్దీపనల (కోహెరెంట్ లేదా పారదర్శక కదలికలు) అవగాహనను ప్రదర్శించడానికి మేము రెండు కోతులకు శిక్షణ ఇచ్చాము. మానవ పరిశీలకులు సాధారణంగా ఈ ఉద్దీపనలను దాదాపు ఒకే పౌనఃపున్యం యొక్క కోహెరెంట్ లేదా పారదర్శక కదలికలుగా గ్రహిస్తారు. ఈ ట్రయల్‌లో సరైన సమాధానం ఇవ్వడానికి మరియు ఆపరేట్ రివార్డ్‌కు ఆధారాన్ని సెట్ చేయడానికి, లాటిస్‌ను ఏర్పరిచే భాగం యొక్క రాస్టర్‌ను టెక్స్చర్ చేయడం ద్వారా మేము సెగ్మెంటేషన్ సిగ్నల్‌లను సృష్టించాము (Fig. 1c, d). కోహెరెంట్ పరిస్థితులలో, అన్ని టెక్స్చర్‌లు నమూనా దిశలో కదులుతాయి (Fig. 1c, “కోహెరెంట్”). పారదర్శక స్థితిలో, టెక్స్చర్ అది సూపర్‌ఇంపోజ్ చేయబడిన గ్రేటింగ్ దిశకు లంబంగా కదులుతుంది (Fig. 1c, “పారదర్శక”). ఈ టెక్స్చర్ లేబుల్ యొక్క కాంట్రాస్ట్‌ను మార్చడం ద్వారా మేము పని యొక్క కష్టాన్ని నియంత్రిస్తాము. క్యూడ్ ట్రయల్స్‌లో, టెక్స్చర్ క్యూలకు అనుగుణంగా ప్రతిస్పందనలకు కోతులకు రివార్డ్‌లు ఇవ్వబడ్డాయి మరియు టెక్స్చర్ క్యూలు లేకుండా నమూనాలను కలిగి ఉన్న ట్రయల్స్‌లో యాదృచ్ఛికంగా (50/50 అసమానత) రివార్డ్‌లు అందించబడ్డాయి (సున్నా టెక్స్చర్ కాంట్రాస్ట్ కండిషన్).
రెండు ప్రాతినిధ్య ప్రయోగాల నుండి ప్రవర్తనా డేటా చిత్రం 2aలో చూపబడింది మరియు ప్రతిస్పందనలు వరుసగా పైకి లేదా క్రిందికి మారే నమూనాల కోసం ఆకృతి సంకేతాల యొక్క పొందిక మరియు విరుద్ధంగా (పారదర్శకత విరుద్ధంగా నిర్వచనం ప్రకారం ప్రతికూలంగా భావించబడుతుంది) తీర్పుల నిష్పత్తిగా రూపొందించబడ్డాయి. మొత్తంమీద, కోతుల యొక్క పొందిక/పారదర్శకత యొక్క అవగాహన, ఆకృతి క్యూ యొక్క సంకేతం (పారదర్శక, పొందికైన) మరియు బలం (కాంట్రాస్ట్) రెండింటి ద్వారా విశ్వసనీయంగా ప్రభావితమైంది (ANOVA; కోతి N: దిశ – F = 0.58, p = 0.45, సంకేతం – F = 1248, p < 10−10, కాంట్రాస్ట్ – F = 22.63, p < 10;−10 కోతి S: దిశ – F = 0.41, p = 0.52, సంకేతం – F = 2876.7, p < 10−10, కాంట్రాస్ట్ – F = 36.5, p < 10−10). మొత్తంమీద, కోతుల యొక్క పొందిక/పారదర్శకత యొక్క అవగాహన, ఆకృతి క్యూ యొక్క సంకేతం (పారదర్శక, పొందికైన) మరియు బలం (కాంట్రాస్ట్) రెండింటి ద్వారా విశ్వసనీయంగా ప్రభావితమైంది (ANOVA; కోతి N: దిశ – F = 0.58, p = 0.45, సంకేతం – F = 1248, p < 10−10, కాంట్రాస్ట్ – F = 22.63, p < 10; −10 కోతి S: దిశ – F = 0.41, p = 0.52, సంకేతం – F = 2876.7, p < 10−10, కాంట్రాస్ట్ – F = 36.5, p < 10−10). В целом на восприятие обезьяними когрентности/prozrachnosti డోస్టవర్నో విలియలీ కాక్ జానక్ (ప్రోజర్,చ్నోస్ట్), так и сила (కాంట్రస్ట్నోస్ట్) టెక్స్ట్యుర్నోగో ప్రైజ్నాకా (ANOVA; ఒబెసియనా N: направление — F = 0,58, p = 0,45, <110−8, p = 120-8 контраст - F = 22,63, p <10; обезьяна S: направление – F = 0,41, p = 0,52, признак – F = 2876,7, p <10−10, контраст – F = 36,5, р <10-10). సాధారణంగా, కోతుల ద్వారా పొందిక/పారదర్శకత యొక్క అవగాహనను వాచక లక్షణం యొక్క సంకేతం (పారదర్శకత, పొందిక) మరియు బలం (కాంట్రాస్ట్) రెండింటి ద్వారా గణనీయంగా ప్రభావితం చేయబడింది (ANOVA; కోతి N: దిశ — F = 0.58, p = 0.45, సంకేతం — F = 1248, p < 10−10, కాంట్రాస్ట్ – F = 22.63, p < 10; -10 కోతి S: దిశ – F = 0.41, p = 0.52, సంకేతం – F = 2876.7, p < 10 −10, కాంట్రాస్ట్ – 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, పే < 10-10).సాధారణంగా, కోతి పొందిక/పారదర్శకత యొక్క అవగాహన గణనీయంగా ఆకృతి సంకేతాల సంకేతం (పారదర్శకత, పొందిక) మరియు తీవ్రత (కాంట్రాస్ట్) (ANOVA) ద్వారా ప్రభావితమైంది;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p <10−10, Контрастность — F = 22,63, p <10; కోతి N: విన్యాసం – F = 0.58, p = 0.45, గుర్తు – F = 1248, p < 10−10, కాంట్రాస్ట్ – F = 22.63, p < 10; −10 Обезьяна S: Ориентация - F = 0,41, p = 0,52, Знак - F = 2876,7, p <10−10, Контрастность - F = <310). −10 మంకీ S: ఓరియంటేషన్ – F = 0.41, p = 0.52, సైన్ – F = 2876.7, p < 10-10, కాంట్రాస్ట్ – F = 36.5, p < 10-10).కోతుల మానసిక భౌతిక లక్షణాలను వర్గీకరించడానికి ప్రతి సెషన్ నుండి డేటాకు గాస్సియన్ సంచిత విధులు అమర్చబడ్డాయి. అత్తి 2b రెండు కోతుల కోసం అన్ని సెషన్లలో ఈ నమూనాల ఒప్పందం పంపిణీని చూపిస్తుంది. మొత్తంమీద, కోతులు పనిని ఖచ్చితంగా మరియు స్థిరంగా పూర్తి చేశాయి మరియు సంచిత గాస్సియన్ మోడల్‌కు సరిగ్గా సరిపోకపోవడం వల్ల మేము రెండు-కోతుల సెషన్‌లలో 13% కంటే తక్కువ తిరస్కరించాము.
a ప్రాతినిధ్య సెషన్‌లలో కోతుల ప్రవర్తనా ఉదాహరణలు (n ≥ ఉద్దీపన స్థితికి 20 ట్రయల్స్). ఎడమ (కుడి) ప్యానెల్‌లలో, ఒక N(S) కోతి సెషన్ నుండి డేటా పొందికైన ఎంపిక స్కోర్‌లు (ఆర్డినేట్) వర్సెస్ టెక్స్చర్ సిగ్నల్స్ (అబ్సిస్సా) యొక్క సైన్ కాంట్రాస్ట్‌గా ప్లాట్ చేయబడింది. ఇక్కడ పారదర్శక (కోహెరెంట్) టెక్స్చర్‌లు ప్రతికూల (సానుకూల) విలువలను కలిగి ఉన్నాయని భావించబడుతుంది. పరీక్షలో నమూనా (పైకి (90°) లేదా క్రిందికి (270°)) కదలిక దిశ ప్రకారం ప్రతిస్పందనలు విడిగా నిర్మించబడ్డాయి. రెండు జంతువులకు, పనితీరు, ప్రతిస్పందనను 50/50 కాంట్రాస్ట్ (PSE - ఘన బాణాలు) ద్వారా విభజించినా లేదా నిర్దిష్ట స్థాయి పనితీరుకు (థ్రెషోల్డ్ - ఓపెన్ బాణాలు) మద్దతు ఇవ్వడానికి అవసరమైన టెక్స్చరల్ కాంట్రాస్ట్ మొత్తం ఈ డ్రిఫ్ట్ దిశలలో ఉంటుంది. b గాస్సియన్ సంచిత ఫంక్షన్ యొక్క R2 విలువల అమర్చిన హిస్టోగ్రాం. మంకీ S(N) డేటా ఎడమ (కుడి)లో చూపబడింది. c (పైన) PSE అనేది PSE పైకి మార్చబడిన గ్రిడ్‌తో పోలిస్తే క్రిందికి మార్చబడిన (ఆర్డినేట్) గ్రిడ్ కోసం కొలవబడింది, ప్రతి షరతుకు PSE పంపిణీని సూచించే అంచులు మరియు ప్రతి షరతుకు సగటును సూచించే బాణాలు ఉంటాయి. అన్ని N(S) మంకీ సెషన్‌ల కోసం డేటా ఎడమ (కుడి) నిలువు వరుసలో ఇవ్వబడింది. (దిగువ) PSE డేటాకు అదే కన్వెన్షన్, కానీ అమర్చబడిన ఫీచర్ థ్రెషోల్డ్‌ల కోసం. PSE థ్రెషోల్డ్‌లు లేదా ఫ్యాషన్ ట్రెండ్‌లలో గణనీయమైన తేడాలు లేవు (టెక్స్ట్ చూడండి). d PSE మరియు వాలు (ఆర్డినేట్) కోణీయ విభజన భాగం (“సమగ్ర గ్రేటింగ్ కోణం” - అబ్సిస్సా) యొక్క సాధారణీకరించబడిన రాస్టర్ ధోరణిని బట్టి ప్లాట్ చేయబడతాయి. ఓపెన్ సర్కిల్‌లు సాధనాలు, ఘన రేఖ ఉత్తమంగా సరిపోయే రిగ్రెషన్ మోడల్, మరియు చుక్కల రేఖ రిగ్రెషన్ మోడల్‌కు 95% విశ్వాస విరామం. PSE మరియు సాధారణీకరించబడిన ఇంటిగ్రేషన్ కోణం మధ్య గణనీయమైన సహసంబంధం ఉంది, కానీ వాలు మరియు సాధారణీకరించబడిన ఇంటిగ్రేషన్ కోణం కాదు, కోణం భాగం లాటిస్‌లను వేరు చేస్తున్నప్పుడు సైకోమెట్రిక్ ఫంక్షన్ మారుతుందని సూచిస్తుంది, కానీ పదునుపెట్టడం లేదా చదును చేయడం కాదు. (మంకీ N, n = 32 సెషన్లు; మంకీ S, n = 43 సెషన్లు). అన్ని ప్యానెల్‌లలో, ఎర్రర్ బార్‌లు సగటు యొక్క ప్రామాణిక లోపాన్ని సూచిస్తాయి. హహా. కోహరెన్స్, PSE సబ్జెక్టివ్ సమానత్వ స్కోరు, ప్రమాణం. ప్రామాణీకరణ.
పైన పేర్కొన్నట్లుగా, టెక్స్చర్ క్యూల యొక్క కాంట్రాస్ట్ మరియు నమూనా యొక్క కదలిక దిశ రెండూ ట్రయల్స్‌లో మారుతూ ఉంటాయి, ఇచ్చిన ట్రయల్‌లో ఉద్దీపనలు పైకి లేదా క్రిందికి కదులుతాయి. ఇది సైకోఫిజికల్11 మరియు న్యూరానల్28 అడాప్టివ్ ప్రభావాలను తగ్గించడానికి చేయబడుతుంది. ప్యాటర్న్ ఓరియంటేషన్ వర్సెస్ బయాస్ (ఆత్మాశ్రయ సమానత్వ పాయింట్ లేదా PSE) (విల్కాక్సన్ ర్యాంక్ సమ్ టెస్ట్; మంకీ N: z = 0.25, p = 0.8; మంకీ S: z = 0.86, p = 0.39) లేదా ఫిట్టెడ్ ఫంక్షన్ థ్రెషోల్డ్ (విల్కాక్సన్ ర్యాంకుల మొత్తం; మంకీ N: z = 0.14, p = 0.89, మంకీ S: z = 0.49, p = 0.62) (చిత్రం 2c). అదనంగా, పనితీరు థ్రెషోల్డ్ స్థాయిలను నిర్వహించడానికి అవసరమైన టెక్స్చర్ కాంట్రాస్ట్ డిగ్రీలో కోతుల మధ్య గణనీయమైన తేడాలు లేవు (N కోతి = 24.5% ± 3.9%, S కోతి = 18.9% ± 1.9%; విల్కాక్సన్ ర్యాంక్ మొత్తం, z = 1.01, p = 0.31).
ప్రతి సెషన్‌లో, కాంపోనెంట్ లాటిస్‌ల ఓరియంటేషన్‌లను వేరు చేసే ఇంటర్‌లాటిస్ కోణాన్ని మేము మార్చాము. ఈ కోణం చిన్నగా ఉన్నప్పుడు సెల్ 10 అనుసంధానించబడిందని ప్రజలు గ్రహించే అవకాశం ఉందని సైకోఫిజికల్ అధ్యయనాలు చూపించాయి. కోతులు విశ్వసనీయంగా పొందిక/పారదర్శకత యొక్క వారి అవగాహనను నివేదిస్తుంటే, ఈ ఫలితాల ఆధారంగా, పరస్పర చర్యపై పొందిక మరియు పారదర్శకత ఎంపికల మధ్య ఏకరీతి విభజనకు అనుగుణంగా ఉన్న ఆకృతి కాంట్రాస్ట్ అయిన PSE పెరుగుతుందని ఒకరు ఆశించవచ్చు. లాటిస్ కోణం. ఇది నిజంగా జరిగింది (Fig. 2d; నమూనా దిశలలో కూలిపోవడం, క్రుస్కల్–వాలిస్; కోతి N: χ2 = 23.06, p < 10−3; కోతి S: χ2 = 22.22, p < 10−3; సాధారణీకరించిన ఇంటర్-గ్రేటింగ్ కోణం మరియు PSE మధ్య సహసంబంధం – కోతి N: r = 0.67, p < 10−9; కోతి S: r = 0.76, p < 10−13). ఇది నిజంగా జరిగింది (Fig. 2d; నమూనా దిశలలో కూలిపోవడం, క్రుస్కల్–వాలిస్; కోతి N: χ2 = 23.06, p < 10−3; కోతి S: χ2 = 22.22, p < 10−3; సాధారణీకరించిన అంతర్గ్హత కోణం మరియు PSE మధ్య సహసంబంధం – కోతి N: r = 0.67, p < 10−9; కోతి S: r = 0.76, p < 10−13). ఎటో డెయిస్ట్‌విటెల్నో ఇమెలో మెస్టో (రిస్. 2డి; కొల్లాప్స్ పోపెరెక్ నాప్రావ్లెనియా పాటర్నా, క్రూస్కాల్, యోలీస్ =2000; < 10–3; χ2 = 22,22, p <10–3 10-9, обезьяна S: r = 0,76, p <10-13). ఇది నిజంగానే జరిగింది (చిత్రం 2d; నమూనా దిశలో కుప్పకూలడం, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p < 10–3; కోతి S: χ2 = 22.22, p < 10–3; సాధారణీకరించిన లాటిస్ కోణం మరియు PSE మధ్య సహసంబంధం - కోతి N: r = 0.67, p < 10-9, కోతి S: r = 0.76, p < 10-13).情况确实如此（图2d；跨模式方向折叠，క్రుస్కాల్-వాలిస్；猴子N：χ2 = 23.06,p <10-3：χ2 = 23.06,p <10-3 10-3;情况 确实 如此 （图 图 2D 22.22 , p <10-3 10-9；猴子S; 10-13). ఇది డెయిస్ట్‌విటెల్నో ఇమెలో మేస్టో (రిస్. 2డి; క్రాట్‌నోస్ట్ పో ఓసి మోడ్‌లు, క్రూస్కాల్-యులాలీస్; ఒబెసియానా N: 3,102 =, обезьяна S: χ2 = 22,22, p <10-3; ఇది నిజంగానే జరిగింది (Fig. 2d; మోడ్ అక్షం వెంట మడవండి, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p < 10-3; కోతి S: χ2 = 22.22, p < 10-3; సాధారణీకరించిన ఇంటర్‌లాటిస్ మూల). PSE-обезьяна N: r = 0,67, p <10-9, обезьяна S: r = 0,76, p <10-13). PSE కోతి N: r = 0.67, p < 10–9, కోతి S: r = 0.76, p < 10–13).దీనికి విరుద్ధంగా, ఇంటర్‌లాటిస్ కోణాన్ని మార్చడం వల్ల సైకోమెట్రిక్ ఫంక్షన్ యొక్క వాలుపై గణనీయమైన ప్రభావం లేదు (Fig. 2d; క్రాస్-మోడల్ ఓరియంటేషన్ ఫోల్డ్, క్రుస్కల్-వాలిస్; మంకీ N: χ2 = 8.09, p = 0.23; మంకీ S χ2 = 3.18, p = 0.67, సాధారణీకరించిన ఇంటర్‌లాటిస్ కోణం మరియు వాలు మధ్య సహసంబంధం - మంకీ N: r = -0.4, p = 0.2, మంకీ S: r = 0.03, p = 0.76). అందువల్ల, ఒక వ్యక్తి యొక్క సైకోఫిజికల్ డేటాకు అనుగుణంగా, గ్రేటింగ్‌ల మధ్య కోణాన్ని మార్చడం వల్ల వచ్చే సగటు ప్రభావం స్థానభ్రంశం పాయింట్లలో మార్పు, మరియు విభజన సంకేతాలకు సున్నితత్వంలో పెరుగుదల లేదా తగ్గుదల కాదు.
చివరగా, జీరో టెక్స్చర్ కాంట్రాస్ట్ ఉన్న ట్రయల్స్‌లో రివార్డులు యాదృచ్ఛికంగా 0.5 సంభావ్యతతో కేటాయించబడతాయి. అన్ని కోతులు ఈ ప్రత్యేకమైన యాదృచ్ఛికత గురించి తెలుసుకుని, జీరో టెక్స్చర్ కాంట్రాస్ట్ మరియు క్యూ ఉద్దీపనల మధ్య తేడాను గుర్తించగలిగితే, అవి రెండు రకాల ట్రయల్స్‌కు వేర్వేరు వ్యూహాలను అభివృద్ధి చేయగలవు. రెండు పరిశీలనలు ఇది అలా కాదని గట్టిగా సూచిస్తున్నాయి. మొదట, గ్రేటింగ్ కోణాన్ని మార్చడం క్యూ మరియు జీరో టెక్స్చర్ కాంట్రాస్ట్ స్కోర్‌లపై గుణాత్మకంగా సారూప్య ప్రభావాలను కలిగి ఉంది (Fig. 2d మరియు అనుబంధ Fig. 1). రెండవది, రెండు కోతులకు, బిస్టేబుల్ ట్రయల్ ఎంపిక ఇటీవలి (మునుపటి) రివార్డ్ ఎంపిక (ద్విపద పరీక్ష, N కోతులు: 0.52, z = 0.74, p = 0.22; S కోతులు: 0.51, r = 0.9, p = 0.18) పునరావృతం అయ్యే అవకాశం లేదు.
ముగింపులో, మా విభజన పనిలో కోతుల ప్రవర్తన మంచి ఉద్దీపన నియంత్రణలో ఉంది. టెక్స్చర్ క్యూల సంకేతం మరియు పరిమాణంపై గ్రహణ తీర్పుల ఆధారపడటం, అలాగే గ్రేటింగ్ కోణంతో PSEలో మార్పులు, కోతులు మోటార్ కోహరెన్స్/పారదర్శకత యొక్క వారి ఆత్మాశ్రయ అవగాహనను నివేదించాయని సూచిస్తున్నాయి. చివరగా, జీరో టెక్స్చర్ కాంట్రాస్ట్ ట్రయల్స్‌లో కోతుల ప్రతిస్పందనలు మునుపటి ట్రయల్స్ యొక్క రివార్డ్ హిస్టరీ ద్వారా ప్రభావితం కాలేదు మరియు ఇంటర్-రాస్టర్ కోణీయ మార్పుల ద్వారా గణనీయంగా ప్రభావితమయ్యాయి. ఈ ముఖ్యమైన స్థితిలో కోతులు లాటిస్ ఉపరితల ఆకృతీకరణ యొక్క వారి ఆత్మాశ్రయ అవగాహనను నివేదిస్తూనే ఉన్నాయని ఇది సూచిస్తుంది.
పైన చెప్పినట్లుగా, టెక్స్చర్ కాంట్రాస్ట్ నెగటివ్ నుండి పాజిటివ్ కు మారడం అనేది పారదర్శకం నుండి కోహెరెంట్ కు ఉద్దీపనల గ్రహణ పరివర్తనకు సమానం. సాధారణంగా, ఇచ్చిన సెల్ కోసం, టెక్స్చర్ కాంట్రాస్ట్ నెగటివ్ నుండి పాజిటివ్ కు మారినప్పుడు MT ప్రతిస్పందన పెరుగుతుంది లేదా తగ్గుతుంది మరియు ఈ ప్రభావం యొక్క దిశ సాధారణంగా నమూనా/భాగం యొక్క కదలిక దిశపై ఆధారపడి ఉంటుంది. ఉదాహరణకు, రెండు ప్రాతినిధ్య MT కణాల దిశాత్మక ట్యూనింగ్ వక్రతలు చిత్రం 3లో తక్కువ లేదా అధిక కాంట్రాస్ట్ కోహెరెంట్ లేదా పారదర్శక టెక్స్చర్ సిగ్నల్స్ కలిగిన గ్రేటింగ్‌లకు ఈ కణాల ప్రతిస్పందనలతో పాటు చూపబడ్డాయి. ఈ గ్రిడ్ ప్రతిస్పందనలను బాగా లెక్కించడానికి మేము ఏదో ఒక విధంగా ప్రయత్నించాము, ఇది మన కోతుల సైకోఫిజియోలాజికల్ పనితీరుకు సంబంధించినది కావచ్చు.
ఒకే సైనూసోయిడల్ శ్రేణికి ప్రతిస్పందనగా ప్రతినిధి కోతి MT సెల్ S యొక్క డైరెక్షనల్ ట్యూనింగ్ కర్వ్ యొక్క ధ్రువ ప్లాట్. కోణం గ్రేటింగ్ యొక్క కదలిక దిశను సూచిస్తుంది, పరిమాణం ఉద్గారతను సూచిస్తుంది మరియు ఇష్టపడే సెల్ దిశ గ్రేటింగ్ నమూనా దిశలో ఉన్న భాగాలలో ఒకదాని దిశతో దాదాపు 90° (పైకి) అతివ్యాప్తి చెందుతుంది. b ప్రతిస్పందన గ్రిడ్ యొక్క వారపు ఉద్దీపన-సమయ హిస్టోగ్రాం (PSTH), a లో చూపిన సెల్ కోసం టెంప్లేట్ దిశలో 90° (ఎడమవైపు స్కీమాటిక్‌గా చూపబడింది) ద్వారా మార్చబడింది. ప్రతిస్పందనలు టెక్స్చర్ హింట్ రకం (సంయోజిత/పారదర్శక - మధ్య/కుడి ప్యానెల్ వరుసగా) మరియు మైఖేల్సన్ కాంట్రాస్ట్ (PSTH రంగు హింట్) ద్వారా క్రమబద్ధీకరించబడతాయి. ప్రతి రకమైన తక్కువ-కాంట్రాస్ట్ మరియు అధిక-కాంట్రాస్ట్ టెక్స్చర్ సిగ్నల్‌లకు సరైన ప్రయత్నాలు మాత్రమే చూపబడతాయి. పారదర్శక టెక్స్చర్ క్యూలతో పైకి డ్రిఫ్టింగ్ లాటిస్ నమూనాలకు కణాలు మెరుగ్గా స్పందించాయి మరియు పెరుగుతున్న టెక్స్చర్ కాంట్రాస్ట్‌తో ఈ నమూనాలకు ప్రతిస్పందన పెరిగింది. c, d అనేవి a మరియు b లలో ఉన్న అదే సంప్రదాయాలు, కానీ మంకీ S కాకుండా ఇతర MT కణాలకు, వాటి ప్రాధాన్యత గల విన్యాసాన్ని దాదాపుగా క్రిందికి డ్రిఫ్టింగ్ గ్రిడ్ అతివ్యాప్తి చేస్తుంది. యూనిట్ పొందికైన టెక్స్చర్ సంకేతాలతో క్రిందికి డ్రిఫ్టింగ్ గ్రేటింగ్‌లను ఇష్టపడుతుంది మరియు ఈ నమూనాలకు ప్రతిస్పందన పెరుగుతున్న టెక్స్చర్ కాంట్రాస్ట్‌తో పెరుగుతుంది. అన్ని ప్యానెల్‌లలో, షేడెడ్ ప్రాంతం సగటు యొక్క ప్రామాణిక లోపాన్ని సూచిస్తుంది. స్పోక్స్. స్పైక్స్, సెకన్లు. సెకను.
మా టెక్స్చర్ సిగ్నల్స్ మరియు MT యాక్టివిటీ ద్వారా సూచించబడిన లాటిస్ ఉపరితల కాన్ఫిగరేషన్ (కోహెరెంట్ లేదా పారదర్శక) మధ్య సంబంధాన్ని అన్వేషించడానికి, మేము మొదట కణాల మధ్య సహసంబంధాన్ని రిగ్రెషన్ ద్వారా పొందికైన కదలిక (పాజిటివ్ వాలు) లేదా పారదర్శక కదలిక (నెగటివ్ వాలు) కోసం తిరిగి తీసుకున్నాము. కాంట్రాస్ట్‌తో పోలిస్తే సైన్ రెస్పాన్స్ రేట్ ద్వారా కణాలను వర్గీకరించడానికి ఇవ్వబడింది (ప్రతి మోడ్ దిశకు విడిగా). చిత్రం 3లోని అదే ఉదాహరణ సెల్ నుండి ఈ లాటిస్ ట్యూనింగ్ వక్రతలకు ఉదాహరణలు చిత్రం 4aలో చూపబడ్డాయి. వర్గీకరణ తర్వాత, టెక్స్చర్ సిగ్నల్స్ యొక్క మాడ్యులేషన్‌కు ప్రతి సెల్ యొక్క సున్నితత్వాన్ని లెక్కించడానికి మేము రిసీవర్ పనితీరు విశ్లేషణ (ROC)ని ఉపయోగించాము (పద్ధతులు చూడండి). ఈ విధంగా పొందిన న్యూరోమెట్రిక్ ఫంక్షన్‌లను న్యూరాన్‌ల యొక్క సైకోఫిజికల్ సెన్సిటివిటీని లాటిస్ టెక్స్చర్‌లతో నేరుగా పోల్చడానికి ఒకే సెషన్‌లో కోతుల సైకోఫిజికల్ లక్షణాలతో నేరుగా పోల్చవచ్చు. నమూనాలోని అన్ని యూనిట్ల కోసం మేము రెండు సిగ్నల్ డిటెక్షన్ విశ్లేషణలను నిర్వహించాము, నమూనా యొక్క ప్రతి దిశకు (మళ్ళీ, పైకి లేదా క్రిందికి) ప్రత్యేక న్యూరోమెట్రిక్ లక్షణాలను లెక్కిస్తాము. ఈ విశ్లేషణ కోసం, మేము (i) ఉద్దీపనలలో ఆకృతి క్యూ ఉన్న మరియు (ii) కోతులు ఆ క్యూకు అనుగుణంగా స్పందించిన ట్రయల్స్ (అంటే, "సరైన" ట్రయల్స్) మాత్రమే చేర్చామని గమనించడం ముఖ్యం.
అగ్ని రేట్లు వరుసగా టెక్స్చర్ సైన్ కాంట్రాస్ట్‌కు వ్యతిరేకంగా ప్లాట్ చేయబడ్డాయి, గ్రేటింగ్‌లు పైకి (ఎడమ) లేదా క్రిందికి (కుడి) మారడానికి, ఘన రేఖ ఉత్తమంగా సరిపోయే లీనియర్ రిగ్రెషన్‌ను సూచిస్తుంది మరియు ఎగువ (దిగువ) వరుసలోని డేటా అంజీర్‌లో చూపిన వాటి నుండి తీసుకోబడింది. రైస్. 3a సెల్, b (Fig. 3c, d). ప్రతి సెల్/లాటిస్ ఓరియంటేషన్ కలయికకు (n ≥ 20 ట్రయల్స్ పర్ స్టిమ్యులస్ కండిషన్) ఇష్టపడే టెక్స్చర్ క్యూలను (కోహెరెంట్/పారదర్శకంగా) కేటాయించడానికి రిగ్రెషన్ స్లోప్ ఫీచర్‌లు ఉపయోగించబడ్డాయి. ఎర్రర్ బార్‌లు సగటు యొక్క ప్రామాణిక విచలనాన్ని సూచిస్తాయి. baలో చూపిన యూనిట్ల న్యూరోమెట్రిక్ ఫంక్షన్‌లు ఒకే సెషన్‌లో సేకరించిన సైకోమెట్రిక్ ఫంక్షన్‌లతో కలిపి వివరించబడ్డాయి. ఇప్పుడు, ప్రతి ఫీచర్ కోసం, మేము టెక్స్చర్ యొక్క సైన్ కాంట్రాస్ట్ (అబ్సిస్సా) శాతంగా ప్రాధాన్య టూల్‌టిప్ ఎంపిక (ఆర్డినేట్) (టెక్స్ట్ చూడండి)ను ప్లాట్ చేస్తాము. ప్రాధాన్య టూల్‌టిప్‌లు సానుకూలంగా మరియు ఖాళీ టూల్‌టిప్‌లు ప్రతికూలంగా ఉండేలా టెక్స్చర్ కాంట్రాస్ట్ మార్చబడింది. పైకి (క్రిందికి) డ్రిఫ్టింగ్ గ్రిడ్‌ల నుండి డేటా ఎడమ (కుడి) ప్యానెల్‌లలో, ఎగువ (దిగువ) వరుసలలో చూపబడింది - Fig. 3a,b (Fig. 3c,d) లో చూపబడిన కణాల నుండి డేటా. న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ థ్రెషోల్డ్ (N/P) నిష్పత్తులు ప్రతి ప్యానెల్‌లో చూపబడ్డాయి. స్పోక్స్. స్పైక్స్, సెకన్లు. సెకను, డైరెక్టరీ. దిశ, ప్రావిన్స్ ప్రాధాన్యత, psi. సైకోమెట్రీ, న్యూరాలజీ.
రెండు ప్రాతినిధ్య MT కణాల లాటిస్ ట్యూనింగ్ వక్రతలు మరియు న్యూరోమెట్రిక్ ఫంక్షన్లు మరియు వాటి సంబంధిత సైకోమెట్రిక్ ఫంక్షన్లు, ఈ ప్రతిస్పందనలతో కలిపి, వరుసగా చిత్రం 4a,b యొక్క ఎగువ మరియు దిగువ ప్యానెల్‌లలో చూపబడ్డాయి. ఆకృతి యొక్క సూచన పారదర్శకం నుండి పొందికగా మారుతున్నందున ఈ కణాలు దాదాపుగా ఏకరీతి పెరుగుదల లేదా తగ్గుదలను చూపుతాయి. అదనంగా, ఈ బంధం యొక్క దిశ మరియు బలం లాటిస్ కదలిక దిశపై ఆధారపడి ఉంటాయి. చివరగా, ఈ కణాల ప్రతిస్పందనల నుండి లెక్కించబడిన న్యూరోమెట్రిక్ ఫంక్షన్లు ఏకదిశాత్మక గ్రిడ్ కదలిక యొక్క సైకోఫిజికల్ లక్షణాలను మాత్రమే చేరుకున్నాయి (కానీ ఇప్పటికీ దానికి అనుగుణంగా లేవు). న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ ఫంక్షన్లు రెండూ థ్రెషోల్డ్‌లతో సంగ్రహించబడ్డాయి, అంటే సరిగ్గా ఎంచుకున్న కాంట్రాస్ట్‌లో దాదాపు 84% (అమర్చిన సంచిత గాసియన్ ఫంక్షన్ యొక్క సగటు + 1 sdకి అనుగుణంగా). మొత్తం నమూనా అంతటా, N/P నిష్పత్తి, న్యూరోమెట్రిక్ థ్రెషోల్డ్ మరియు సైకోమెట్రిక్ ఒకటి మధ్య నిష్పత్తి, కోతి Nలో సగటున 12.4 ± 1.2 మరియు కోతి Sలో 15.9 ± 1.8, మరియు లాటిస్ కనీసం ఒక దిశలో కదలడానికి, కోతి N (కోతి S) నుండి ~16% (18). %) యూనిట్ల వద్ద మాత్రమే (Fig. 5a). చిత్రంలో చూపిన సెల్ ఉదాహరణ నుండి. బొమ్మలు 3 మరియు 4లో చూసినట్లుగా, కణం యొక్క ఇష్టపడే ధోరణి మరియు ప్రయోగాలలో ఉపయోగించిన లాటిస్ కదలిక దిశ మధ్య సంబంధం ద్వారా న్యూరాన్ల సున్నితత్వాన్ని ప్రభావితం చేయవచ్చు. ముఖ్యంగా, Fig. 3a,cలోని ఓరియంటేషన్ సర్దుబాటు వక్రతలు ఒకే సైనూసోయిడల్ శ్రేణి యొక్క న్యూరాన్ ఓరియంటేషన్ సెట్టింగ్ మరియు మా టెక్స్చర్డ్ శ్రేణిలో పారదర్శక/కోహెరెంట్ మోషన్‌కు దాని సున్నితత్వం మధ్య సంబంధాన్ని ప్రదర్శిస్తాయి. రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; 10° రిజల్యూషన్‌తో బిన్ చేయబడిన సాపేక్ష ప్రాధాన్యత దిశలు; కోతి N: F = 2.12, p < 0.01; కోతి S: F = 2.01, p < 0.01). రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; 10° రిజల్యూషన్‌తో బిన్ చేయబడిన సాపేక్ష ప్రాధాన్యత దిశలు; కోతి N: F = 2.12, p < 0.01; కోతి S: F = 2.01, p < 0.01). ఈ ఉదాహరణ 10°; обезьяна N: F = 2,12, p <0,01; రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; 10° రిజల్యూషన్ వద్ద సమూహం చేయబడిన సాపేక్ష ప్రాధాన్యత దిశలు; కోతి N: F=2.12, p<0.01; కోతి S: F=2.01, p<0.01).两只猴子都是这种情况（方差分析；以10° 分辨率合并的相对首选方向，2 0.01；猴子S）两 只 猴子 都 是 这 种2.12 , p <0.01 ； ：: f = 2.01 , p <0.01. . . . . ఇది ఒక ఉదాహరణ обезьяна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; 10° రిజల్యూషన్ వద్ద సాపేక్ష ప్రాధాన్యత గల విన్యాసాన్ని పూల్ చేయడం; కోతి N: F=2.12, p<0.01; కోతి S: F=2.01, p<0.01).న్యూరాన్ సెన్సిటివిటీలో పెద్ద స్థాయిలో వైవిధ్యం ఉన్నందున (Fig. 5a), సాపేక్ష ప్రాధాన్య ధోరణులపై న్యూరాన్ సెన్సిటివిటీ ఆధారపడటాన్ని దృశ్యమానం చేయడానికి, మేము మొదట ప్రతి సెల్ యొక్క ప్రాధాన్య విన్యాసాన్ని గ్రిడ్ నమూనా (అంటే దిశ) యొక్క కదలిక కోసం "ఉత్తమ" విన్యాసానికి సాధారణీకరించాము. దీనిలో గ్రేటింగ్ ప్రాధాన్య సెల్ ఓరియంటేషన్ మరియు గ్రేటింగ్ నమూనా యొక్క ఓరియంటేషన్ మధ్య అతి చిన్న కోణాన్ని ఏర్పరుస్తుంది. న్యూరాన్ల సాపేక్ష థ్రెషోల్డ్‌లు ("చెత్త" లాటిస్ ఓరియంటేషన్/"ఉత్తమ" లాటిస్ ఓరియంటేషన్ కోసం థ్రెషోల్డ్) ఈ సాధారణీకరించబడిన ప్రాధాన్య ధోరణితో మారుతూ ఉంటాయని మేము కనుగొన్నాము, ఈ థ్రెషోల్డ్ నిష్పత్తిలో శిఖరాలు నమూనాలు లేదా భాగాల ఓరియంటేషన్‌ల చుట్టూ సంభవిస్తాయి (మూర్తి 5b). ప్రతి నమూనాలోని యూనిట్లలోని ప్రాధాన్య దిశల పంపిణీలో ప్లాయిడ్ నమూనా లేదా కాంపోనెంట్ దిశలలో ఒకదాని వైపు పక్షపాతం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (Fig. 5c; Rayleigh పరీక్ష; మంకీ N: z = 8.33, p < 10−3, వృత్తాకార సగటు = 190.13 డిగ్రీ ± 9.83 డిగ్రీ; మంకీ S: z = 0.79, p = 0.45) మరియు ప్లాయిడ్ ఇంటర్-గ్రేటింగ్ కోణాలలో స్థిరంగా ఉంది (అనుబంధ చిత్రం 2). ప్రతి నమూనాలోని యూనిట్లలోని ప్రాధాన్య దిశల పంపిణీలో ప్లాయిడ్ నమూనా లేదా కాంపోనెంట్ దిశలలో ఒకదాని వైపు పక్షపాతం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (Fig. 5c; Rayleigh పరీక్ష; మంకీ N: z = 8.33, p < 10−3 , వృత్తాకార సగటు = 190.13 డిగ్రీ ± 9.83 డిగ్రీ; మంకీ S: z = 0.79, p = 0.45) మరియు ప్లాయిడ్ ఇంటర్-గ్రేటింగ్ కోణాలలో స్థిరంగా ఉంది (అనుబంధ చిత్రం 2). ఎఫెక్ట్ నెల్జియా బైలో ఒబ్యాస్నిట్ స్మెషనియమ్ రాస్ప్రెడెలెనియ ప్రెడ్పోచ్టితెల్నియస్ నేప్యాక్టివ్ విత్ ఎడిన్ వైబోర్క్ వి స్టోరోను ఒడ్నోగో ఇజ్ క్లేచ్చత్ నాప్రావ్లేనియ్ లేదా నాప్రావ్లేనియ్ కాంపోనెంటోవ్ (రిస్. 5వ; క్రిటెరీ = రైజ్; 8,33, p < 10–3). ప్రతి నమూనాలోని యూనిట్లలో ప్రాధాన్య దిశల పంపిణీలో గీసిన దిశలు లేదా భాగాల దిశలలో ఒకదాని వైపుకు మారడం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (Fig. 5c; Rayleigh పరీక్ష; మంకీ N: z = 8.33, p < 10–3)., వృత్తాకార సగటు = 190.13 డిగ్రీలు ± 9.83 డిగ్రీలు; కోతి S: z = 0.79, p = 0.45) మరియు ప్లాయిడ్ గ్రిడ్ యొక్క అన్ని మూలలకు ఒకే విధంగా ఉంది (అనుబంధ చిత్రం 2).这种效应不能通过每个样本中单元中的优选方向分布偏向格子图案或组件方向之一来解释（图5c；瑞利测试；猴子N：z = 8.33,p <10-3 ，圆形平均值= 190.13 度± 9.83 度；猴子S：z = 0.79,p = 0.45）并且在格子间光栅角上是一致的（补充图2）。这 种 效应 不 能 通过 每 样本 中 单元 中 优选 方向 分布 偏向 偏向 廖案来 解 释圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形z ఎఫెక్టు కాదు.. ఒబ్రేజీ స్మెషనో లిబో వ్ స్టోరోను స్ట్రక్చర్ రీషెట్కి, లైబో వ్ స్టోరోను ఓడ్నోయ్ ఇజ్ ఒరియెంటసైన్ కంపోనీస్; క్రైటెరియ్ రేలియా; обезьяна N: z = 8,33, p <10–3). ప్రతి నమూనాలోని కణాలలో ప్రాధాన్యత గల ధోరణుల పంపిణీ లాటిస్ నిర్మాణం వైపు లేదా కాంపోనెంట్ ధోరణులలో ఒకదాని వైపు పక్షపాతంతో ఉండటం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (Fig. 5c; రేలీ పరీక్ష; కోతి N: z = 8.33, p < 10–3)., వృత్తాకార సగటు) = 190.13 డిగ్రీలు ± 9.83 డిగ్రీలు; కోతి S: z = 0.79, p = 0.45) మరియు గ్రిడ్‌ల మధ్య లాటిస్ కోణాలలో సమానంగా ఉన్నాయి (అనుబంధ చిత్రం 2).అందువల్ల, టెక్స్చర్డ్ గ్రిడ్‌లకు న్యూరాన్‌ల సున్నితత్వం, కనీసం కొంతవరకు, MT ట్యూనింగ్ యొక్క ప్రాథమిక లక్షణాలపై ఆధారపడి ఉంటుంది.
ఎడమ ప్యానెల్ N/P నిష్పత్తుల పంపిణీని చూపిస్తుంది (న్యూరాన్/సైకోఫిజియోలాజికల్ థ్రెషోల్డ్); ప్రతి సెల్ రెండు డేటా పాయింట్లను అందిస్తుంది, నమూనా కదిలే ప్రతి దిశకు ఒకటి. కుడి ప్యానెల్ నమూనాలోని అన్ని యూనిట్లకు సైకోఫిజికల్ థ్రెషోల్డ్‌లను (ఆర్డినేట్) వర్సెస్ న్యూరానల్ థ్రెషోల్డ్‌లను (అబ్సిస్సా) ప్లాట్ చేస్తుంది. ఎగువ (దిగువ) వరుసలోని డేటా కోతి N (S) నుండి వచ్చింది. b సాధారణీకరించిన థ్రెషోల్డ్ నిష్పత్తులు ఆప్టిమల్ లాటిస్ ఓరియంటేషన్ మరియు ప్రాధాన్య సెల్ ఓరియంటేషన్ మధ్య వ్యత్యాసం యొక్క పరిమాణానికి వ్యతిరేకంగా ప్లాట్ చేయబడతాయి. "ఉత్తమ" దిశను ప్రాధాన్య సెల్ దిశకు దగ్గరగా ఉన్న గ్రేటింగ్ నిర్మాణం (ఒకే సైనూసోయిడల్ గ్రేటింగ్‌తో కొలుస్తారు) దిశగా నిర్వచించబడింది. డేటాను మొదట సాధారణీకరించిన ప్రాధాన్య ఓరియంటేషన్ (10° బిన్‌లు) ద్వారా బిన్ చేశారు, తర్వాత థ్రెషోల్డ్ నిష్పత్తులు గరిష్ట విలువకు సాధారణీకరించబడ్డాయి మరియు ప్రతి బిన్‌లో సగటున ఉంచబడ్డాయి. లాటిస్ భాగాల ఓరియంటేషన్ కంటే కొంచెం పెద్దదిగా లేదా తక్కువగా ఉన్న ప్రాధాన్య ఓరియంటేషన్ ఉన్న కణాలు లాటిస్ నమూనా యొక్క ఓరియంటేషన్‌కు సున్నితత్వంలో అతిపెద్ద వ్యత్యాసాన్ని కలిగి ఉన్నాయి. c ప్రతి కోతిలో నమోదు చేయబడిన అన్ని MT యూనిట్ల ప్రాధాన్య ఓరియంటేషన్ పంపిణీ యొక్క పింక్ హిస్టోగ్రాం.
చివరగా, MT యొక్క ప్రతిస్పందన గ్రేటింగ్ కదలిక దిశ మరియు మా సెగ్మెంటేషన్ సిగ్నల్స్ (టెక్చర్) వివరాల ద్వారా మాడ్యులేట్ చేయబడుతుంది. న్యూరోనల్ మరియు సైకోఫిజికల్ సెన్సిటివిటీ యొక్క పోలిక, సాధారణంగా, MT యూనిట్లు కోతుల కంటే కాంట్రాస్టింగ్ టెక్స్చర్ సిగ్నల్‌లకు చాలా తక్కువ సున్నితంగా ఉన్నాయని చూపించింది. అయితే, యూనిట్ యొక్క ఇష్టపడే ఓరియంటేషన్ మరియు గ్రిడ్ కదలిక దిశ మధ్య వ్యత్యాసాన్ని బట్టి న్యూరాన్ యొక్క సున్నితత్వం మారిపోయింది. అత్యంత సున్నితమైన కణాలు లాటిస్ నమూనాను లేదా రాజ్యాంగ ఓరియంటేషన్లలో ఒకదాన్ని దాదాపుగా కవర్ చేసే ఓరియంటేషన్ ప్రాధాన్యతలను కలిగి ఉంటాయి మరియు మా నమూనాలలో ఒక చిన్న ఉపసమితి కోతుల కాంట్రాస్ట్ తేడాల అవగాహన కంటే సున్నితంగా లేదా సున్నితంగా ఉంటుంది. ఈ మరింత సున్నితమైన యూనిట్ల నుండి వచ్చే సిగ్నల్‌లు కోతులలో అవగాహనతో మరింత దగ్గరి సంబంధం కలిగి ఉన్నాయో లేదో నిర్ణయించడానికి, అవగాహన మరియు న్యూరాన్ ప్రతిస్పందనల మధ్య సహసంబంధాన్ని మేము పరిశీలించాము.
నాడీ కార్యకలాపాలు మరియు ప్రవర్తన మధ్య సంబంధాన్ని ఏర్పరచడంలో ఒక ముఖ్యమైన దశ ఏమిటంటే, న్యూరాన్లు మరియు స్థిరమైన ఉద్దీపనలకు ప్రవర్తనా ప్రతిస్పందనల మధ్య సహసంబంధాలను ఏర్పరచడం. నాడీ ప్రతిస్పందనలను విభజన తీర్పులకు అనుసంధానించడానికి, ఒకేలా ఉన్నప్పటికీ, విభిన్న పరీక్షలలో భిన్నంగా గ్రహించబడే ఉద్దీపనను సృష్టించడం చాలా ముఖ్యం. ప్రస్తుత అధ్యయనంలో, ఇది సున్నా ఆకృతి కాంట్రాస్ట్ గ్రేటింగ్ ద్వారా స్పష్టంగా ప్రాతినిధ్యం వహిస్తుంది. జంతువుల సైకోమెట్రిక్ విధుల ఆధారంగా, కనిష్ట (~20% కంటే తక్కువ) టెక్స్చరల్ కాంట్రాస్ట్ ఉన్న గ్రేటింగ్‌లు సాధారణంగా పొందికైనవి లేదా పారదర్శకంగా పరిగణించబడతాయని మేము నొక్కిచెప్పినప్పటికీ.
MT ప్రతిస్పందనలు గ్రహణ నివేదికలతో ఎంతవరకు పరస్పర సంబంధం కలిగి ఉన్నాయో లెక్కించడానికి, మేము మా గ్రిడ్ డేటా యొక్క ఎంపిక సంభావ్యత (CP) విశ్లేషణను నిర్వహించాము (3 చూడండి). సంక్షిప్తంగా, CP అనేది స్పైక్ ప్రతిస్పందనలు మరియు గ్రహణ తీర్పుల మధ్య సంబంధాన్ని లెక్కించే పారామెట్రిక్ కాని, ప్రామాణికం కాని కొలత30. సున్నా టెక్స్చరల్ కాంట్రాస్ట్‌తో గ్రిడ్‌లను ఉపయోగించే ట్రయల్స్ మరియు ఈ ట్రయల్స్ యొక్క ప్రతి రకానికి కోతులు కనీసం ఐదు ఎంపికలు చేసిన సెషన్‌లకు విశ్లేషణను పరిమితం చేస్తూ, మేము గ్రిడ్ కదలిక యొక్క ప్రతి దిశకు విడిగా SRని లెక్కించాము. కోతులలో, మేము ఊహించిన దానికంటే చాలా ఎక్కువ సగటు CP విలువను గమనించాము (Fig. 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), రెండు-వైపుల t-పరీక్ష null of CP = 0.5, t = 6.7, p < 10−9; కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), రెండు-వైపుల t-పరీక్ష, t = 9.4, p < 10−13). కోతుల అంతటా, మేము ఊహించిన దానికంటే చాలా ఎక్కువ సగటు CP విలువను గమనించాము (Fig. 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), రెండు-వైపుల t-పరీక్ష null of CP = 0.5, t = 6.7, p < 10−9; కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), రెండు-వైపుల t-పరీక్ష, t = 9.4, p < 10−13).కోతులలో, యాదృచ్ఛికంగా ఊహించిన దానికంటే సగటు CP గణనీయంగా ఎక్కువగా ఉందని మేము గమనించాము (Fig. 6a, d; monkey N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), రెండు తోకల t-పరీక్ష vs. శూన్య విలువలు).CP = 0,5, t = 6,7, p <10-9; CP = 0.5, t = 6.7, p <10-9; శోధన S: CP కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), రెండు తోకల t-పరీక్ష, 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﹇,5.4CP CI;双边t 检验, t = 9.4, p <10−13) .మీరు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) నేను నాబ్లిడాలీ స్రెడ్నియమ్ CP, ప్రఖ్యాతి గాంచాడు డీ; S: средний CP: 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p <10- 13) . కోతులలో, సగటు CP విలువలు మనం ఊహించిన దానికంటే చాలా ఎక్కువగా ఉన్నాయని గమనించాము (Fig. 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), రెండు తోకల t-పరీక్ష CP vs. సున్నా = 0.5, t = 6.7, p < 10-9, కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), రెండు తోకల t- ప్రమాణం, t = 9.4, p < 10-13).అందువల్ల, MT న్యూరాన్లు ఎటువంటి బహిరంగ విభజన సంకేతాలు లేనప్పుడు కూడా మరింత బలంగా కాల్పులు జరుపుతాయి, జాలక కదలికపై జంతువు యొక్క అవగాహన కణం యొక్క ప్రాధాన్యతలకు సరిపోలినప్పుడు.
కోతి N నుండి రికార్డ్ చేయబడిన నమూనాల కోసం టెక్స్చర్ సిగ్నల్స్ లేని గ్రిడ్‌ల కోసం ఎంపిక సంభావ్యత పంపిణీ. ప్రతి సెల్ రెండు డేటా పాయింట్ల వరకు (గ్రిడ్ కదలిక యొక్క ప్రతి దిశకు ఒకటి) దోహదపడుతుంది. యాదృచ్ఛికం (తెల్ల బాణాలు) పైన ఉన్న సగటు CP విలువ మొత్తం మీద MT కార్యాచరణ మరియు అవగాహన మధ్య గణనీయమైన సంబంధం ఉందని సూచిస్తుంది. b ఏదైనా సంభావ్య ఎంపిక పక్షపాతం యొక్క ప్రభావాన్ని పరిశీలించడానికి, కోతులు కనీసం ఒక లోపం చేసిన ఏదైనా ఉద్దీపనకు మేము CPని విడిగా లెక్కించాము. ఎంపిక సంభావ్యతలు అన్ని ఉద్దీపనలకు (ఎడమ) ఎంపిక నిష్పత్తి (ప్రాధాన్యత/శూన్య) మరియు టెక్స్చర్ మార్క్ కాంట్రాస్ట్ యొక్క సంపూర్ణ విలువలు (కుడి, 120 వ్యక్తిగత కణాల నుండి డేటా) యొక్క విధిగా ప్లాట్ చేయబడ్డాయి. ఎడమ ప్యానెల్‌లోని ఘన రేఖ మరియు షేడెడ్ ప్రాంతం 20-పాయింట్ మూవింగ్ సగటు యొక్క సగటు ± semని సూచిస్తాయి. అధిక సిగ్నల్ కాంట్రాస్ట్ ఉన్న గ్రిడ్‌ల వంటి అసమతుల్య ఎంపిక నిష్పత్తులతో ఉద్దీపనల కోసం లెక్కించబడిన ఎంపిక సంభావ్యతలు మరింత భిన్నంగా ఉంటాయి మరియు అవకాశాల చుట్టూ క్లస్టర్ చేయబడ్డాయి. కుడి ప్యానెల్‌లోని బూడిద-షేడెడ్ ప్రాంతం అధిక ఎంపిక సంభావ్యత యొక్క గణనలో చేర్చబడిన లక్షణాల యొక్క కాంట్రాస్ట్‌ను నొక్కి చెబుతుంది. c న్యూరాన్ (అబ్సిస్సా) యొక్క థ్రెషోల్డ్‌కు వ్యతిరేకంగా పెద్ద ఎంపిక (ఆర్డినేట్) యొక్క సంభావ్యత ప్లాట్ చేయబడింది. ఎంపిక సంభావ్యత థ్రెషోల్డ్‌తో గణనీయంగా ప్రతికూలంగా సంబంధం కలిగి ఉంది. కన్వెన్షన్ df ac కి సమానం కానీ వేరే విధంగా గుర్తించకపోతే కోతి S నుండి 157 సింగిల్ డేటాకు వర్తిస్తుంది. g అత్యధిక ఎంపిక సంభావ్యత (ఆర్డినేట్) రెండు కోతులలో ప్రతిదానికీ సాధారణీకరించబడిన ప్రాధాన్యత దిశ (అబ్సిస్సా) కు వ్యతిరేకంగా ప్లాట్ చేయబడింది. ప్రతి MT సెల్ రెండు డేటా పాయింట్లను (లాటిస్ నిర్మాణం యొక్క ప్రతి దిశకు ఒకటి) దోహదపడింది. h ప్రతి ఇంటర్-రాస్టర్ కోణానికి ఎంపిక సంభావ్యత యొక్క పెద్ద బాక్స్ ప్లాట్లు. ఘన రేఖ మధ్యస్థాన్ని సూచిస్తుంది, బాక్స్ యొక్క దిగువ మరియు ఎగువ అంచులు వరుసగా 25వ మరియు 75వ శాతాలను సూచిస్తాయి, మీసాలు ఇంటర్‌క్వార్టైల్ పరిధికి 1.5 రెట్లు విస్తరించబడ్డాయి మరియు ఈ పరిమితికి మించి అవుట్‌లైయర్‌లు గుర్తించబడ్డాయి. ఎడమ (కుడి) ప్యానెల్‌లలోని డేటా 120 (157) వ్యక్తిగత N(S) కోతి కణాల నుండి. i ఎంపిక యొక్క అత్యధిక సంభావ్యత (ఆర్డినేట్) ఉద్దీపన (అబ్సిస్సా) ప్రారంభ సమయానికి వ్యతిరేకంగా ప్లాట్ చేయబడింది. పరీక్ష అంతటా పెద్ద CPని స్లైడింగ్ దీర్ఘచతురస్రాల్లో (వెడల్పు 100 ms, దశ 10 ms) లెక్కించారు మరియు తరువాత యూనిట్లపై సగటున లెక్కించారు.
కొన్ని మునుపటి అధ్యయనాలు CP అనేది బేసల్ రేట్ డిస్ట్రిబ్యూషన్‌లో ట్రయల్స్ సంఖ్యపై ఆధారపడి ఉంటుందని నివేదించాయి, అంటే ప్రతి ఎంపిక నిష్పత్తిలో పెద్ద తేడాలను కలిగించే ఉద్దీపనలకు ఈ కొలత తక్కువ విశ్వసనీయమైనది. మా డేటాలో ఈ ప్రభావాన్ని పరీక్షించడానికి, సంకేత ఆకృతి కాంట్రాస్ట్‌తో సంబంధం లేకుండా అన్ని ఉద్దీపనలకు CPని విడిగా లెక్కించాము మరియు కోతులు కనీసం ఒక తప్పుడు ట్రయల్‌ను నిర్వహించాయి. CP వరుసగా Figure 6b మరియు e (ఎడమ ప్యానెల్)లో ప్రతి జంతువుకు ఎంపిక నిష్పత్తి (pref/null)కి వ్యతిరేకంగా ప్లాట్ చేయబడింది. కదిలే సగటులను పరిశీలిస్తే, విస్తృత శ్రేణి ఎంపిక అసమానతలపై CP సంభావ్యత కంటే ఎక్కువగా ఉంటుందని, అసమానత (పైన) 0.2 (0.8) కంటే తక్కువగా (పెరుగుదల) పడిపోయినప్పుడు మాత్రమే తగ్గుతుందని స్పష్టంగా తెలుస్తుంది. జంతువుల సైకోమెట్రిక్ లక్షణాల ఆధారంగా, ఈ పరిమాణం యొక్క ఎంపిక గుణకాలు అధిక-కాంట్రాస్ట్ టెక్స్చర్ క్యూస్ (కోహెరెంట్ లేదా పారదర్శక) కలిగిన ఉద్దీపనలకు మాత్రమే వర్తిస్తాయని మేము ఆశించాము (Fig. 2a, bలోని సైకోమెట్రిక్ లక్షణాల ఉదాహరణలను చూడండి). ఇది నిజమేనా మరియు స్పష్టమైన విభజన సంకేతాలతో ఉద్దీపనలకు కూడా ఒక ముఖ్యమైన PC కొనసాగిందో లేదో తెలుసుకోవడానికి, మేము PC పై సంపూర్ణ టెక్స్చరల్ కాంట్రాస్ట్ విలువల ప్రభావాన్ని పరిశీలించాము (Fig. 6b, e-right). ఊహించినట్లుగా, మితమైన (~20% కాంట్రాస్ట్ లేదా తక్కువ) విభజన సంకేతాలను కలిగి ఉన్న ఉద్దీపనలకు సంభావ్యత కంటే CP గణనీయంగా ఎక్కువగా ఉంది.
ఓరియంటేషన్, వేగం మరియు అసమతుల్యత గుర్తింపు పనులలో, MT CP అత్యంత సున్నితమైన న్యూరాన్లలో అత్యధికంగా ఉంటుంది, బహుశా ఈ న్యూరాన్లు అత్యంత సమాచార సంకేతాలను కలిగి ఉంటాయి 30, 32, 33, 34.ఈ ఫలితాలకు అనుగుణంగా, గ్రాండ్ CP మధ్య ఒక నిరాడంబరమైన కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము, ఇది Fig యొక్క కుడివైపు ప్యానెల్‌లో హైలైట్ చేయబడిన టెక్స్చర్ క్యూ కాంట్రాస్ట్‌లలో z- స్కోర్ చేసిన ఫైరింగ్ రేట్ల నుండి లెక్కించబడింది.6b, e, మరియు న్యూరానల్ థ్రెషోల్డ్ (Fig. 6c, f; రేఖాగణిత సగటు రిగ్రెషన్; కోతి N: r = −0.12, p = 0.07 కోతి S: r = −0.18, p < 10−3). 6b, e, మరియు న్యూరానల్ థ్రెషోల్డ్ (Fig. 6c, f; రేఖాగణిత సగటు రిగ్రెషన్; కోతి N: r = −0.12, p = 0.07 కోతి S: r = −0.18, p < 10−3).ఈ ఫలితాలకు అనుగుణంగా, Fig. 6b, e యొక్క కుడివైపు ప్యానెల్‌లో హైలైట్ చేయబడిన టెక్స్చర్ సిగ్నల్ కాంట్రాస్ట్‌ల నుండి ఉత్తేజిత ఫ్రీక్వెన్సీ z-స్కోర్ నుండి లెక్కించబడిన పెద్ద CP మరియు న్యూరానల్ థ్రెషోల్డ్ (Fig. 6c, f; జ్యామితీయ) మధ్య నిరాడంబరమైన కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము. రేఖాగణిత సగటు రిగ్రెషన్;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p <10-3). కోతి N: r = -0.12, p = 0.07 కోతి S: r = -0.18, p < 10-3).మీరు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： <3-18, <3-0.మీరు 、 e 和 元 阈值 （图 图 6c 、 ఎఫ్ఈ ఫలితాలకు అనుగుణంగా, Fig. 6b,e మరియు న్యూరాన్ థ్రెషోల్డ్‌లలో చూపిన విధంగా పెద్ద CVల మధ్య నిరాడంబరమైన కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము (Figure 6c,f; రేఖాగణిత సగటు రిగ్రెషన్; మంకీ N: r = -0.12, p = 0.07).Обезьяна S: г = -0,18, р < 10-3). కోతి S: r = -0.18, p < 10-3).అందువల్ల, అత్యంత సమాచారాత్మక యూనిట్ల నుండి వచ్చే సంకేతాలు కోతులలో ఆత్మాశ్రయ విభజన తీర్పులతో ఎక్కువ సహ-వైవిధ్యాన్ని చూపించాయి, ఇది గ్రహణ పక్షపాతానికి జోడించబడిన ఏవైనా వాచక సూచనలతో సంబంధం లేకుండా ముఖ్యమైనది.
గ్రిడ్ టెక్స్చర్ సిగ్నల్స్ కు సెన్సిటివిటీ మరియు ప్రాధాన్య న్యూరానల్ ఓరియంటేషన్ మధ్య సంబంధాన్ని మేము ఇంతకుముందు ఏర్పరచుకున్నందున, CP మరియు ప్రాధాన్య ఓరియంటేషన్ మధ్య ఇలాంటి సంబంధం ఉందా అని మేము ఆశ్చర్యపోయాము (Fig. 6g). ఈ అనుబంధం కోతి S లో మాత్రమే కొంచెం ముఖ్యమైనది (ANOVA; కోతి N: 1.03, p=0.46; కోతి S: F=1.73, p=0.04). ఏ జంతువులోనూ లాటిస్‌ల మధ్య లాటిస్ కోణాలకు CPలో తేడా లేదని మేము గమనించాము (Fig. 6h; ANOVA; కోతి N: F = 1.8, p = 0.11; కోతి S: F = 0.32, p = 0. 9).
చివరగా, మునుపటి పని ట్రయల్ అంతటా CP మారుతుందని చూపించింది. కొన్ని అధ్యయనాలు పదునైన పెరుగుదలను తరువాత సాపేక్షంగా సున్నితమైన ఎంపిక ప్రభావాన్ని నివేదించాయి, 30 మరికొన్ని ట్రయల్ సమయంలో ఎంపిక సిగ్నల్‌లో స్థిరమైన పెరుగుదలను నివేదించాయి 31. ప్రతి కోతికి, ప్రీ-స్టిమ్యులస్ ప్రారంభం నుండి పోస్ట్ మీన్ ప్రీ-స్టిమ్యులస్ ఆఫ్‌సెట్ వరకు ప్రతి 20 ms అడుగుపెట్టి 100 ms కణాలలో సున్నా టెక్స్చరల్ కాంట్రాస్ట్ (వరుసగా, నమూనా ధోరణి ప్రకారం) ఉన్న ట్రయల్స్‌లో ప్రతి యూనిట్ యొక్క CPని మేము లెక్కించాము. రెండు కోతుల సగటు CP డైనమిక్స్ Fig. 6iలో చూపబడింది. రెండు సందర్భాల్లోనూ, ఉద్దీపన ప్రారంభమైన తర్వాత దాదాపు 500 ms వరకు CP యాదృచ్ఛిక స్థాయిలో లేదా దానికి చాలా దగ్గరగా ఉంది, ఆ తర్వాత CP బాగా పెరిగింది.
సున్నితత్వాన్ని మార్చడంతో పాటు, సెల్ ట్యూనింగ్ లక్షణాల యొక్క కొన్ని లక్షణాల ద్వారా కూడా CP ప్రభావితమవుతుందని చూపబడింది. ఉదాహరణకు, బైనాక్యులర్ అసమతుల్యత గుర్తింపు పనిలో CP పరికరం యొక్క బైనాక్యులర్ అసమతుల్యత ట్యూనింగ్ వక్రరేఖ యొక్క సమరూపతపై ఆధారపడి ఉంటుందని ఉకా మరియు డీఏంజెలిస్34 కనుగొన్నారు. ఈ సందర్భంలో, సంబంధిత ప్రశ్న ఏమిటంటే నమూనా దిశ ఎంపిక (PDS) కణాలు కాంపోనెంట్ డైరెక్షన్ సెలెక్టివ్ (CDS) కణాల కంటే ఎక్కువ సున్నితంగా ఉన్నాయా అనేది. PDS కణాలు బహుళ స్థానిక ధోరణులను కలిగి ఉన్న నమూనాల సాధారణ ధోరణిని ఎన్కోడ్ చేస్తాయి, అయితే CDS కణాలు డైరెక్షనల్ నమూనా భాగాల కదలికకు ప్రతిస్పందిస్తాయి (Fig. 7a).
మోడ్ కాంపోనెంట్ ట్యూనింగ్ స్టిమ్యులేషన్ మరియు ఊహాజనిత గ్రేటింగ్ (ఎడమ) మరియు గ్రేటింగ్ ఓరియంటేషన్ ట్యూనింగ్ కర్వ్స్ (కుడి) యొక్క స్కీమాటిక్ ప్రాతినిధ్యం (మెటీరియల్స్ మరియు మెథడ్స్ చూడండి). సంక్షిప్తంగా, ఒక సెల్ గ్రిడ్ కాంపోనెంట్స్ అంతటా అనుసంధానించి నమూనా కదలికను సూచిస్తే, వ్యక్తిగత గ్రిడ్ మరియు గ్రిడ్ ఉద్దీపనలకు (చివరి కాలమ్, ఘన వక్రరేఖ) ఒకే ట్యూనింగ్ వక్రరేఖలను ఆశించవచ్చు. దీనికి విరుద్ధంగా, సెల్ సిగ్నల్ నమూనా యొక్క కదలికలో భాగాల దిశలను అనుసంధానించకపోతే, గ్రేటింగ్ మోషన్ యొక్క ప్రతి దిశలో శిఖరంతో ద్విపార్టీ ట్యూనింగ్ వక్రరేఖను ఆశించవచ్చు, ఇది ఒక భాగాన్ని సెల్ యొక్క ప్రాధాన్య దిశలోకి అనువదిస్తుంది (చివరి కాలమ్, డాష్డ్ కర్వ్). . బి (ఎడమ) బొమ్మలు 1 మరియు 2లో చూపిన కణాల కోసం సైనూసోయిడల్ శ్రేణి యొక్క విన్యాసాన్ని సర్దుబాటు చేయడానికి వక్రతలు. 3 మరియు 4 (పై వరుస - అంజీర్ 3a,b మరియు 4a,b (పైభాగంలోని కణాలు); దిగువ ప్యానెల్ - అంజీర్ 3c, d మరియు 4a, b (దిగువ) యొక్క కణాలు). (మధ్య) లాటిస్ ట్యూనింగ్ ప్రొఫైల్స్ నుండి లెక్కించబడిన నమూనా మరియు భాగాల అంచనాలు. (కుడి) ఈ కణాల గ్రిడ్‌ను సర్దుబాటు చేయడం. ఎగువ (దిగువ) ప్యానెల్‌లోని కణాలు టెంప్లేట్ (భాగం) కణాలుగా వర్గీకరించబడ్డాయి. నమూనా భాగాల వర్గీకరణలు మరియు పొందికైన/పారదర్శక కణ కదలికకు ప్రాధాన్యతల మధ్య ఒకదానికొకటి అనురూప్యం లేదని గమనించండి (చిత్రం 4aలో ఈ కణాల కోసం ఆకృతి లాటిస్ ప్రతిస్పందనలను చూడండి). c N (ఎడమ) మరియు S (కుడి) కోతులలో నమోదు చేయబడిన అన్ని కణాల కోసం z-స్కోర్ భాగం (అబ్సిస్సా) యొక్క పాక్షిక సహసంబంధ గుణకానికి వ్యతిరేకంగా ప్లాట్ చేయబడిన z-స్కోర్ మోడ్ (ఆర్డినేట్) యొక్క పాక్షిక సహసంబంధ గుణకం. కణాలను వర్గీకరించడానికి ఉపయోగించే ప్రాముఖ్యత ప్రమాణాలను మందపాటి పంక్తులు సూచిస్తాయి. d అధిక ఎంపిక సంభావ్యత (ఆర్డినేట్) వర్సెస్ మోడ్ సూచిక (Zp – Zc) (అబ్సిస్సా) యొక్క ప్లాట్. ఎడమ (కుడి) ప్యానెల్‌లలోని డేటా కోతి N(S)ని సూచిస్తుంది. నల్ల వృత్తాలు సుమారు యూనిట్లలో డేటాను సూచిస్తాయి. రెండు జంతువులలో, అధిక ఎంపిక సంభావ్యత మరియు నమూనా సూచిక మధ్య గణనీయమైన సహసంబంధం ఉంది, బహుళ భాగాల ధోరణితో ఉద్దీపనలలో సిగ్నల్ నమూనా ధోరణితో కణాలకు ఎక్కువ గ్రహణ సహసంబంధాన్ని సూచిస్తుంది.
అందువల్ల, ప్రత్యేక పరీక్షా సెట్‌లో, మా నమూనాలలోని న్యూరాన్‌లను PDS లేదా CDSగా వర్గీకరించడానికి మేము సైనూసోయిడల్ గ్రిడ్‌లు మరియు గ్రిడ్‌లకు ప్రతిస్పందనలను కొలిచాము (పద్ధతులు చూడండి). లాటిస్ ట్యూనింగ్ వక్రతలు, ఈ ట్యూనింగ్ డేటా నుండి నిర్మించిన టెంప్లేట్ కాంపోనెంట్ అంచనాలు మరియు ఫిగర్‌లు 1 మరియు 3లో చూపిన కణాల కోసం లాటిస్ ట్యూనింగ్ వక్రతలు. ఫిగర్‌లు 3 మరియు 4 మరియు సప్లిమెంటరీ ఫిగర్ 3 లు ఫిగర్ 7bలో చూపబడ్డాయి. నమూనా పంపిణీ మరియు కాంపోనెంట్ సెలెక్టివిటీ, అలాగే ప్రతి వర్గంలో ఇష్టపడే సెల్ ఓరియంటేషన్ వరుసగా ఫిగర్ 7c మరియు సప్లిమెంటరీ ఫిగర్ 4లో ప్రతి కోతికి చూపబడ్డాయి.
నమూనా భాగాల దిద్దుబాటుపై CP యొక్క ఆధారపడటాన్ని అంచనా వేయడానికి, మేము మొదట నమూనా సూచిక 35 (PI) ను లెక్కించాము, దీని పెద్ద (చిన్న) విలువలు పెద్ద PDS (CDS) సారూప్య ప్రవర్తనను సూచిస్తాయి. పైన పేర్కొన్న ప్రదర్శనను బట్టి: (i) న్యూరోనల్ సున్నితత్వం ప్రాధాన్యత గల సెల్ ధోరణి మరియు ఉద్దీపన కదలిక దిశ మధ్య వ్యత్యాసంతో మారుతుంది మరియు (ii) మా నమూనాలో న్యూరోనల్ సున్నితత్వం మరియు ఎంపిక సంభావ్యత మధ్య గణనీయమైన సహసంబంధం ఉంది, ప్రతి సెల్ యొక్క కదలిక యొక్క "ఉత్తమ" దిశ కోసం PI మరియు మొత్తం CP మధ్య సంబంధాన్ని అధ్యయనం చేసినట్లు మేము కనుగొన్నాము (పైన చూడండి). CP, PI తో గణనీయంగా సహసంబంధం కలిగి ఉందని మేము కనుగొన్నాము (Fig. 7d; రేఖాగణిత సగటు రిగ్రెషన్; గ్రాండ్ CP మంకీ N: r = 0.23, p < 0.01; బై-స్టేబుల్ CP మంకీ N r = 0.21, p = 0.013; గ్రాండ్ CP మంకీ S: r = 0.30, p < 10−4; బై-స్టేబుల్ CP మంకీ S: r = 0.29, p < 10−3), ఇది PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించని కణాల కంటే ఎక్కువ ఎంపిక-సంబంధిత కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది. CP, PI తో గణనీయంగా సహసంబంధం కలిగి ఉందని మేము కనుగొన్నాము (Fig. 7d; రేఖాగణిత సగటు రిగ్రెషన్; గ్రాండ్ CP మంకీ N: r = 0.23, p < 0.01; బై-స్టేబుల్ CP మంకీ N r = 0.21, p = 0.013; గ్రాండ్ CP మంకీ S: r = 0.30, p < 10−4; బై-స్టేబుల్ CP మంకీ S: r = 0.29, p < 10−3), ఇది PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించని కణాల కంటే ఎక్కువ ఎంపిక-సంబంధిత కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది. మీ ఒబ్నరుజిలీ, CHTO CP జానచిటెల్నో కోర్రెలిరుయెట్ s PI (రిస్. 7d; రీగ్రేషియా స్రెడ్నెగో జియోమెట్రిచెస్కో; CBO; = 0,23, p <0,01; CP N r = 0,21, p = 0,013; S: r = 0,29, p < 10-3), что указывает на то, что клетки, классифицированные క్యాక్ PDS, ప్రయోగాలు, больстуку స్వ్యజన్యు స్ వైబోరోమ్, కెమ్ సిడిఎస్ మరియు నెక్లాస్సిఫిషియోవన్నీ క్లేట్కీ. CP, PI తో గణనీయంగా సహసంబంధం కలిగి ఉందని మేము కనుగొన్నాము (మూర్తి 7d; రేఖాగణిత సగటు రిగ్రెషన్; గొప్ప కోతి CP N: r = 0.23, p < 0.01; బిస్టేబుల్ కోతి CP N r = 0.21, p = 0.013; గొప్ప కోతి CP S: r = 0.30, p < 10-4; మంకీ S బిస్టేబుల్ CP: r = 0.29, p < 10-3), ఇది PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించని కణాల కంటే ఎంపికతో సంబంధం కలిగి ఉన్న ఎక్కువ కార్యాచరణను చూపించాయని సూచిస్తుంది.我们发现CP 与PI 显着相关（图7d；几何平均回归；大CP 猴N：r = 0.23,p <0.01Ｓ发0.21,p = 0.013；大CP 猴S： r = 0.30,p <10-4；双稳态CP 猴S：r = 0.29,p <10-3），表明丈焱 和未分类的细胞表现出更大的选择相关活性。 CP 与PI 显着相关（图7d；几何平均回归；大CP猴N：r = 0.23,p <0.01 0.21,p3; 0.0 మీ ఒబ్నరుజిలి, CHTO CP బైల్ జనాచితెల్నో స్విజాన్ s PI (రిస్. 7d; ర్యాగింగ్ స్రెడ్నెగో నేపధ్యం = CP:CB; 0,23, p <0,01; CBN r = 0,21, p = 0,013; CP PI తో గణనీయంగా సంబంధం కలిగి ఉందని మేము కనుగొన్నాము (మూర్తి 7d; రేఖాగణిత సగటు తిరోగమనం; గొప్ప కోతి CP N: r = 0.23, p < 0.01; బిస్టేబుల్ కోతి CP N r = 0.21, p = 0.013; గొప్ప కోతి CP S: r = 0.013) 0.30, p < 10-4; бистабильный CP ఒబెసిస్ S: r = 0,29, p < 10-3), CHTO указывает на то, что клетки, классифицироканые, пласифицированые బోల్షుయూ సెలెక్సియోన్నుయు యాక్టివ్నోస్ట్, కెమ్ క్లేట్కీ, క్లాసిఫైడ్ క్యాక్ సిడిఎస్ మరియు నెక్లాసిఫిషియెన్స్. monkey S bistable CP: r = 0.29, p < 10-3), PDS గా వర్గీకరించబడిన కణాలు CDS గా వర్గీకరించబడిన మరియు వర్గీకరించబడని కణాల కంటే ఎక్కువ ఎంపిక కార్యకలాపాలను ప్రదర్శించాయని సూచిస్తుంది.PI మరియు న్యూరాన్ సెన్సిటివిటీ రెండూ CPతో పరస్పర సంబంధం కలిగి ఉన్నందున, ప్రభావం యొక్క అవకాశానికి దారితీసే రెండు కొలతల మధ్య పరస్పర సంబంధాన్ని తోసిపుచ్చడానికి మేము బహుళ రిగ్రెషన్ విశ్లేషణలను (PI మరియు న్యూరాన్ సెన్సిటివిటీని స్వతంత్ర చరరాశులుగా మరియు పెద్ద CPని డిపెండెంట్ వేరియబుల్‌గా) నిర్వహించాము. రెండు పాక్షిక సహసంబంధ గుణకాలు ముఖ్యమైనవి (మంకీ N: థ్రెషోల్డ్ vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; మంకీ S: థ్రెషోల్డ్ vs. CP: r = −0.16, p = 0.03, PI vs CP: 0.29, p < 10−3), CP సున్నితత్వంతో పెరుగుతుందని మరియు PI తో స్వతంత్ర పద్ధతిలో పెరుగుతుందని సూచిస్తుంది. రెండు పాక్షిక సహసంబంధ గుణకాలు ముఖ్యమైనవి (మంకీ N: థ్రెషోల్డ్ vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; మంకీ S: థ్రెషోల్డ్ vs. CP: r = −0.16, p = 0.03, PI vs CP: 0.29, p < 10−3), CP సున్నితత్వంతో పెరుగుతుందని మరియు PI తో స్వతంత్ర పద్ధతిలో పెరుగుతుందని సూచిస్తుంది. ఒబా చాస్ట్నియస్ కోఎఫిఫిషియంటా కొర్రెలియాస్ బైలీ జానచిమి (ఒబెసియానా N: పోరోగ్ ప్రోటీవ్ CP: r = -0,13, p = PI 0,04 0,23, పే <0,01; చువస్ట్విటెల్నోస్ట్యు మరియు నెజావిస్మిమ్ ఒబ్రాజోమ్ యువెలిచివాట్స్య s PI. రెండు పాక్షిక సహసంబంధ గుణకాలు ముఖ్యమైనవి (మంకీ N: థ్రెషోల్డ్ vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; మంకీ S: థ్రెషోల్డ్ vs. CP: r = -0.16, p = 0.03, PI vs CP: 0.29, p < 10-3), CP సున్నితత్వంతో పెరుగుతుందని మరియు PIతో స్వతంత్రంగా పెరుగుతుందని సూచిస్తుంది.两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13,p = 0.04,PI 与CP：r = 0.23,p < 0.01;随灵敏度增加而增加，并且以独立方式随PI 增加。两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13,p = 0.04,PI = 0.03,PI vs CP：0,29,p <10-3推 ఒబా చాస్ట్నియస్ కోఎఫిఫిషియంటా కొర్రెలియాస్ బైలీ జానచిమి (ఒబెసియానా N: పోరోగ్ ప్రోటీవ్ CP: r = -0,13, p = PI 0,04 0,23, పే <0,01; увеличивалась с చువస్ట్విటెల్నోస్ట్యు మరియు ఉవెలిచివలస్ స్ పిఐ నెజావిసిమ్ ఒబ్రాజోమ్. రెండు పాక్షిక సహసంబంధ గుణకాలు ముఖ్యమైనవి (మంకీ N: థ్రెషోల్డ్ vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; మంకీ S: థ్రెషోల్డ్ vs. CP: r = -0.16, p = 0.03, PI vs CP: 0.29, p < 10-3), ఇది CP సున్నితత్వంతో పెరిగిందని మరియు PIతో స్వతంత్ర పద్ధతిలో పెరిగిందని సూచిస్తుంది.
MT ప్రాంతంలో మేము ఒకే కార్యాచరణను రికార్డ్ చేసాము మరియు కోతులు పొందికైన లేదా పారదర్శక కదలికలుగా కనిపించే నమూనాల గురించి వారి అవగాహనను నివేదించాయి. పక్షపాత అవగాహనలకు జోడించబడిన విభజన సంకేతాలకు న్యూరాన్ల సున్నితత్వం విస్తృతంగా మారుతుంది మరియు కనీసం పాక్షికంగా, యూనిట్ యొక్క ఇష్టపడే ధోరణి మరియు ఉద్దీపన కదలిక దిశ మధ్య సంబంధం ద్వారా నిర్ణయించబడుతుంది. మొత్తం జనాభాలో, న్యూరోనల్ సున్నితత్వం సైకోఫిజికల్ సున్నితత్వం కంటే గణనీయంగా తక్కువగా ఉంది, అయినప్పటికీ అత్యంత సున్నితమైన యూనిట్లు విభజన సంకేతాలకు ప్రవర్తనా సున్నితత్వాన్ని సరిపోల్చాయి లేదా మించిపోయాయి. అదనంగా, ఫైరింగ్ ఫ్రీక్వెన్సీ మరియు అవగాహన మధ్య గణనీయమైన సహ-వేరియెన్స్ ఉంది, ఇది MT సిగ్నలింగ్ విభజనలో పాత్ర పోషిస్తుందని సూచిస్తుంది. ప్రాధాన్యత గల ధోరణి ఉన్న కణాలు లాటిస్ సెగ్మెంటేషన్ సిగ్నల్‌లలో తేడాలకు వారి సున్నితత్వాన్ని ఆప్టిమైజ్ చేశాయి మరియు బహుళ స్థానిక ధోరణులతో ఉద్దీపనలలో ప్రపంచ కదలికను సూచించడానికి మొగ్గు చూపాయి, అత్యధిక గ్రహణ సహసంబంధాన్ని ప్రదర్శిస్తాయి. ఈ ఫలితాలను మునుపటి పనితో పోల్చడానికి ముందు ఇక్కడ మేము కొన్ని సంభావ్య సమస్యలను పరిశీలిస్తాము.
జంతు నమూనాలలో బిస్టేబుల్ ఉద్దీపనలను ఉపయోగించి చేసే పరిశోధనలో ఒక ప్రధాన సమస్య ఏమిటంటే, ప్రవర్తనా ప్రతిస్పందనలు ఆసక్తి యొక్క పరిమాణంపై ఆధారపడి ఉండకపోవచ్చు. ఉదాహరణకు, మా కోతులు లాటిస్ కోహరెన్స్ యొక్క అవగాహన నుండి స్వతంత్రంగా టెక్స్చర్ ఓరియంటేషన్ యొక్క అవగాహనను నివేదించగలవు. డేటా యొక్క రెండు అంశాలు ఇది అలా కాదని సూచిస్తున్నాయి. మొదట, మునుపటి నివేదికల ప్రకారం, వేరుచేసే శ్రేణి భాగాల సాపేక్ష ఓరియంటేషన్ కోణాన్ని మార్చడం వలన పొందికైన అవగాహన యొక్క సంభావ్యత క్రమపద్ధతిలో మార్చబడింది. రెండవది, సగటున, టెక్స్చర్ సిగ్నల్‌లను కలిగి ఉన్న లేదా కలిగి లేని నమూనాలకు ప్రభావం ఒకే విధంగా ఉంటుంది. కలిసి తీసుకుంటే, ఈ పరిశీలనలు కోతి ప్రతిస్పందనలు స్థిరంగా అనుసంధానం/పారదర్శకత యొక్క వారి అవగాహనను ప్రతిబింబిస్తాయని సూచిస్తున్నాయి.
మరొక సంభావ్య సమస్య ఏమిటంటే, నిర్దిష్ట పరిస్థితికి గ్రేటింగ్ మోషన్ పారామితులను మేము ఆప్టిమైజ్ చేయలేదు. న్యూరోనల్ మరియు సైకోఫిజికల్ సెన్సిటివిటీని పోల్చిన అనేక మునుపటి రచనలలో, ప్రతి రిజిస్టర్డ్ యూనిట్ కోసం ఉద్దీపనలను ఒక్కొక్కటిగా ఎంపిక చేశారు [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45]. ఇక్కడ మేము ప్రతి సెల్ యొక్క ఓరియంటేషన్ సర్దుబాటుతో సంబంధం లేకుండా లాటిస్ నమూనా యొక్క కదలిక యొక్క అదే రెండు దిశలను ఉపయోగించాము. లాటిస్ కదలిక మరియు ప్రాధాన్యత ఓరియంటేషన్ మధ్య అతివ్యాప్తితో సున్నితత్వం ఎలా మారిందో అధ్యయనం చేయడానికి ఈ డిజైన్ మాకు అనుమతి ఇచ్చింది, అయితే, కణాలు పొందికైన లేదా పారదర్శక లాటిస్‌లను ఇష్టపడతాయో లేదో నిర్ణయించడానికి ఇది ఒక ప్రియోరి ఆధారాన్ని అందించలేదు. అందువల్ల, ప్రతి సెల్ యొక్క ప్రతిస్పందనను ఉపయోగించి, మెష్ కదలిక యొక్క ప్రతి వర్గానికి ప్రాధాన్యత మరియు సున్నా లేబుల్‌లను కేటాయించడానికి, మేము అనుభావిక ప్రమాణాలపై ఆధారపడతాము. అసంభవమైనప్పటికీ, ఇది మా సున్నితత్వ విశ్లేషణ మరియు CP సిగ్నల్ డిటెక్షన్ ఫలితాలను క్రమపద్ధతిలో వక్రీకరించవచ్చు, ఏదైనా కొలతను అతిగా అంచనా వేయవచ్చు. అయితే, క్రింద చర్చించబడిన విశ్లేషణ మరియు డేటా యొక్క అనేక అంశాలు ఇది అలా కాదని సూచిస్తున్నాయి.
మొదట, ఎక్కువ (తక్కువ) కార్యాచరణను ప్రేరేపించే ఉద్దీపనలకు ప్రాధాన్యత (శూన్య) పేర్లను కేటాయించడం ఈ ప్రతిస్పందన పంపిణీల యొక్క ప్రత్యేకతను ప్రభావితం చేయలేదు. బదులుగా, ఇది న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ ఫంక్షన్‌లు ఒకే గుర్తును కలిగి ఉన్నాయని మాత్రమే నిర్ధారిస్తుంది, కాబట్టి వాటిని నేరుగా పోల్చవచ్చు. రెండవది, CPని లెక్కించడానికి ఉపయోగించే ప్రతిస్పందనలు (టెక్చర్డ్ గ్రేటింగ్‌ల కోసం "తప్పు" ట్రయల్స్ మరియు టెక్స్చర్ కాంట్రాస్ట్ లేకుండా గ్రేటింగ్‌ల కోసం అన్ని ట్రయల్స్) ప్రతి సెల్ కనెక్ట్ చేయబడిన లేదా పారదర్శక క్రీడలను "ఇష్టపడుతుందా" అని నిర్ణయించే రిగ్రెషన్ విశ్లేషణలో చేర్చబడలేదు. ఇది ఎంపిక ప్రభావాలు ప్రాధాన్యత/చెల్లని హోదాల పట్ల పక్షపాతంతో ఉండవని నిర్ధారిస్తుంది, ఫలితంగా గణనీయమైన ఎంపిక సంభావ్యత ఏర్పడుతుంది.
న్యూసమ్ మరియు అతని సహచరుల అధ్యయనాలు [36, 39, 46, 47] చలన దిశ యొక్క ఉజ్జాయింపు అంచనాలో MT పాత్రను మొదటగా నిర్ణయించాయి. తదుపరి నివేదికలు లోతు 34,44,48,49,50,51 మరియు వేగం 32,52, చక్కటి ధోరణి 33 మరియు కదలిక నుండి 3D నిర్మాణం యొక్క అవగాహన 31,53,54 (3D స్థిరమైన అడవులు) నుండి పాలన వరకు MT భాగస్వామ్యంపై డేటాను సేకరించాయి. మేము ఈ ఫలితాలను రెండు ముఖ్యమైన మార్గాల్లో విస్తరిస్తాము. మొదట, MT ప్రతిస్పందనలు విజువోమోటర్ సిగ్నల్స్ యొక్క గ్రహణ విభజనకు దోహదం చేస్తాయని మేము ఆధారాలను అందిస్తాము. రెండవది, MT మోడ్ ఓరియంటేషన్ సెలెక్టివిటీ మరియు ఈ ఎంపిక సిగ్నల్ మధ్య సంబంధాన్ని మేము గమనించాము.
భావనాత్మకంగా, ప్రస్తుత ఫలితాలు 3-D SFM పై పనికి చాలా పోలి ఉంటాయి, ఎందుకంటే రెండూ కదలిక మరియు లోతు క్రమంతో కూడిన సంక్లిష్టమైన బిస్టేబుల్ అవగాహన. డాడ్ మరియు ఇతరులు 31 బిస్టేబుల్ 3D SFM సిలిండర్ యొక్క భ్రమణ ధోరణిని నివేదించే మంకీ టాస్క్‌లో పెద్ద ఎంపిక సంభావ్యత (0.67) ను కనుగొన్నారు. బిస్టేబుల్ గ్రిడ్ ఉద్దీపనల కోసం మేము చాలా చిన్న ఎంపిక ప్రభావాన్ని కనుగొన్నాము (రెండు కోతులకు దాదాపు 0.55). CP యొక్క అంచనా ఎంపిక గుణకంపై ఆధారపడి ఉంటుంది కాబట్టి, వేర్వేరు పనులలో వేర్వేరు పరిస్థితులలో పొందిన CP ని అర్థం చేసుకోవడం కష్టం. అయితే, మేము గమనించిన ఎంపిక ప్రభావం యొక్క పరిమాణం సున్నా మరియు తక్కువ టెక్స్చర్ కాంట్రాస్ట్ గ్రేటింగ్‌లకు మరియు శక్తిని పెంచడానికి తక్కువ/లేకుండా టెక్స్చర్ కాంట్రాస్ట్ ఉద్దీపనలను కలిపినప్పుడు కూడా సమానంగా ఉంటుంది. అందువల్ల, CP లో ఈ వ్యత్యాసం డేటాసెట్‌ల మధ్య ఎంపిక రేట్లలో తేడాల కారణంగా ఉండే అవకాశం లేదు.
3-D SFM స్టిమ్యులేషన్ మరియు బిస్టేబుల్ గ్రిడ్ నిర్మాణాల ద్వారా ప్రేరేపించబడిన తీవ్రమైన మరియు గుణాత్మకంగా భిన్నమైన గ్రహణ స్థితులతో పోలిస్తే, తరువాతి సందర్భంలో అవగాహనతో పాటు వచ్చే MT ఫైరింగ్ రేటులో స్వల్ప మార్పులు అస్పష్టంగా అనిపిస్తాయి. ఉద్దీపన మొత్తం వ్యవధిలో ఫైరింగ్ రేటును లెక్కించడం ద్వారా మేము ఎంపిక ప్రభావాన్ని తక్కువగా అంచనా వేసాము. 31 3-D SFM విషయంలో విరుద్ధంగా, MT కార్యాచరణలో తేడాలు ట్రయల్స్‌లో 250 ms చుట్టూ అభివృద్ధి చెంది, ఆపై ట్రయల్స్ అంతటా క్రమంగా పెరిగినప్పుడు, ఎంపిక సంకేతాల యొక్క తాత్కాలిక డైనమిక్స్‌పై మా విశ్లేషణ (రెండు కోతులలో ఉద్దీపన ప్రారంభం తర్వాత 500 ms చూడండి. అదనంగా, ఈ కాలంలో పదునైన పెరుగుదల తర్వాత, ట్రయల్ యొక్క మిగిలిన సమయంలో CPలో హెచ్చుతగ్గులను మేము గమనించాము. హ్యూప్ మరియు రూబిన్55 నివేదించిన ప్రకారం, బిస్టేబుల్ దీర్ఘచతురస్రాకార శ్రేణుల యొక్క మానవ అవగాహన తరచుగా దీర్ఘ ట్రయల్స్ సమయంలో మారుతూ ఉంటుంది. మా ఉద్దీపనలను 1.5 సెకన్ల పాటు మాత్రమే ప్రదర్శించినప్పటికీ, మా కోతుల అవగాహన ట్రయల్ సమయంలో పొందిక నుండి పారదర్శకతకు కూడా మారవచ్చు (వాటి ప్రతిస్పందనలు క్యూ ఎంపికలో వారి తుది అవగాహనను ప్రతిబింబిస్తాయి.) అందువల్ల, మా పని యొక్క ప్రతిచర్య సమయ వెర్షన్ లేదా కోతులు తమ అవగాహనను నిరంతరం నివేదించగల ప్రణాళిక, పెద్ద ఎంపిక ప్రభావాన్ని కలిగి ఉంటుందని భావిస్తున్నారు. చివరి అవకాశం ఏమిటంటే, MT సిగ్నల్ రెండు పనులలో భిన్నంగా చదవబడుతుంది. CPU సిగ్నల్స్ ఇంద్రియ డీకోడింగ్ మరియు సహసంబంధ శబ్దం నుండి సంభవిస్తాయని చాలా కాలంగా భావించినప్పటికీ,56 Gu మరియు సహచరులు57 గణన నమూనాలలో, విభిన్న పూలింగ్ వ్యూహాలను కనుగొన్నారు, బదులుగా సహసంబంధ వైవిధ్య స్థాయిలు, డోర్సల్ మీడియా-సుపీరియర్ టెంపోరల్ న్యూరాన్లలో CPU ని బాగా వివరించగలవు. షీట్ మార్పు ఓరియంటేషన్ రికగ్నిషన్ టాస్క్ (MSTd). MT లో మనం గమనించిన చిన్న ఎంపిక ప్రభావం, పొందిక లేదా పారదర్శకత యొక్క అవగాహనలను సృష్టించడానికి అనేక తక్కువ-సమాచార న్యూరాన్ల విస్తృతమైన సముదాయాన్ని ప్రతిబింబిస్తుంది. స్థానిక చలన సంకేతాలను ఒకటి లేదా రెండు వస్తువులు (బిస్టేబుల్ గ్రేటింగ్‌లు) లేదా సాధారణ వస్తువుల ప్రత్యేక ఉపరితలాలు (3-D SFM) గా సమూహపరచాల్సిన సందర్భంలో, MT ప్రతిస్పందనలు గ్రహణ తీర్పులతో గణనీయంగా సంబంధం కలిగి ఉన్నాయని స్వతంత్ర ఆధారాలు, బలమైన MT ప్రతిస్పందనలు ఉన్నాయి. దృశ్య చలన సమాచారాన్ని ఉపయోగించి సంక్లిష్ట చిత్రాలను బహుళ-వస్తువు దృశ్యాలుగా విభజించడంలో పాత్ర పోషించాలని ప్రతిపాదించబడింది.
పైన చెప్పినట్లుగా, MT నమూనా సెల్యులార్ కార్యాచరణ మరియు అవగాహన మధ్య అనుబంధాన్ని నివేదించిన మొదటి వ్యక్తి మేము. మోవ్‌షాన్ మరియు సహచరులు అసలు రెండు-దశల నమూనాలో రూపొందించినట్లుగా, మోడ్ యూనిట్ MT యొక్క అవుట్‌పుట్ దశ. అయితే, ఇటీవలి పని మోడ్ మరియు కాంపోనెంట్ కణాలు నిరంతరాయం యొక్క విభిన్న చివరలను సూచిస్తాయని మరియు గ్రాహక క్షేత్రం యొక్క నిర్మాణంలో పారామెట్రిక్ తేడాలు మోడ్ భాగాల ట్యూనింగ్ స్పెక్ట్రంకు కారణమని చూపించాయి. అందువల్ల, మేము CP మరియు PI మధ్య గణనీయమైన సహసంబంధాన్ని కనుగొన్నాము, ఇది లోతు గుర్తింపు పనిలో బైనాక్యులర్ అసమతుల్యత సర్దుబాటు సమరూపత మరియు CP మధ్య సంబంధాన్ని లేదా ఫైన్ ఓరియంటేషన్ డిస్క్రిమినేషన్ టాస్క్‌లో ఓరియంటేషన్ సెట్టింగ్ కాన్ఫిగరేషన్‌ను పోలి ఉంటుంది. పత్రాలు మరియు CP 33 మధ్య సంబంధాలు. వాంగ్ మరియు మోవ్‌షాన్62 MT ఓరియంటేషన్ సెలెక్టివిటీతో పెద్ద సంఖ్యలో కణాలను విశ్లేషించారు మరియు సగటున, మోడ్ సూచిక అనేక ట్యూనింగ్ లక్షణాలతో ముడిపడి ఉందని కనుగొన్నారు, MT జనాభా నుండి చదవగలిగే అనేక ఇతర రకాల సిగ్నల్‌లలో మోడ్ సెలెక్టివిటీ ఉందని సూచిస్తుంది. . అందువల్ల, MT కార్యాచరణ మరియు ఆత్మాశ్రయ అవగాహన మధ్య సంబంధం యొక్క భవిష్యత్తు అధ్యయనాల కోసం, నమూనా సూచిక ఇతర పని మరియు ఉద్దీపన ఎంపిక సంకేతాలతో సమానంగా సంబంధం కలిగి ఉందా లేదా ఈ సంబంధం గ్రహణ విభజన విషయంలో ప్రత్యేకమైనదా అని నిర్ణయించడం చాలా ముఖ్యం.
అదేవిధంగా, Nienborg మరియు Cumming 42, V2 లో బైనాక్యులర్ అసమతుల్యతకు ఎంపిక చేయబడిన సమీప మరియు దూర కణాలు లోతు వివక్షత పనిలో సమానంగా సున్నితంగా ఉన్నప్పటికీ, సమీప-ప్రాధాన్యత కలిగిన కణ జనాభా మాత్రమే గణనీయమైన CPని ప్రదర్శించిందని కనుగొన్నారు. అయితే, ప్రాధాన్యతతో కూడిన దూరపు తేడాలకు కోతులను తిరిగి శిక్షణ ఇవ్వడం వలన మరింత అనుకూలమైన బోనులలో గణనీయమైన CPలు ఏర్పడ్డాయి. శిక్షణ చరిత్ర గ్రహణ సహసంబంధాలపై ఆధారపడి ఉంటుందని ఇతర అధ్యయనాలు కూడా నివేదించాయి34,40,63 లేదా MT కార్యాచరణ మరియు అవకలన వివక్షత మధ్య కారణ సంబంధం48. CP మరియు నియమావళి ఎంపిక మధ్య మేము గమనించిన సంబంధం కోతులు మా సమస్యను పరిష్కరించడానికి ఉపయోగించిన నిర్దిష్ట వ్యూహాన్ని ప్రతిబింబిస్తుంది మరియు దృశ్య-మోటార్ అవగాహనలో మోడ్ ఎంపిక సంకేతాల యొక్క నిర్దిష్ట పాత్రను కాదు. భవిష్యత్ పనిలో, విభజన తీర్పులు ఇవ్వడానికి ఏ MT సిగ్నల్‌లను ప్రాధాన్యతగా మరియు సరళంగా బరువుగా ఉంచాలో నిర్ణయించడంలో అభ్యాస చరిత్ర గణనీయమైన ప్రభావాన్ని చూపుతుందో లేదో నిర్ణయించడం ముఖ్యం.
అతివ్యాప్తి చెందుతున్న గ్రిడ్ ప్రాంతాల ప్రకాశాన్ని మార్చడం వల్ల మానవ పరిశీలకుల నివేదికల పొందిక మరియు పారదర్శకత మరియు మకాక్ MT న్యూరాన్లలో దిశాత్మక సర్దుబాట్లు ఊహించదగిన విధంగా ప్రభావితమవుతాయని స్టోనర్ మరియు సహచరులు మొదట నివేదించారు. అతివ్యాప్తి చెందుతున్న ప్రాంతాల ప్రకాశం భౌతికంగా పారదర్శకతకు సరిపోలినప్పుడు, పరిశీలకులు మరింత పారదర్శక అవగాహనను నివేదించారని, MT న్యూరాన్లు రాస్టర్ భాగాల కదలికను సూచిస్తాయని రచయితలు కనుగొన్నారు. దీనికి విరుద్ధంగా, అతివ్యాప్తి చెందుతున్న ప్రకాశం మరియు పారదర్శక అతివ్యాప్తి భౌతికంగా అననుకూలంగా ఉన్నప్పుడు, పరిశీలకుడు పొందికైన కదలికను గ్రహిస్తాడు మరియు MT న్యూరాన్లు నమూనా యొక్క ప్రపంచ కదలికను సూచిస్తాయి. అందువల్ల, విభజన నివేదికలను విశ్వసనీయంగా ప్రభావితం చేసే దృశ్య ఉద్దీపనలలో భౌతిక మార్పులు MT ఉద్రేకంలో ఊహించదగిన మార్పులను కూడా ప్రేరేపిస్తాయని ఈ అధ్యయనాలు చూపిస్తున్నాయి. ఈ ప్రాంతంలో ఇటీవలి పని ఏ MT సిగ్నల్‌లు సంక్లిష్ట ఉద్దీపనల యొక్క గ్రహణ రూపాన్ని ట్రాక్ చేస్తాయో అన్వేషించింది18,24,64. ఉదాహరణకు, MT న్యూరాన్‌ల ఉపసమితి ఏకదిశాత్మక RDK కంటే తక్కువ దూరంలో ఉన్న రెండు దిశలతో యాదృచ్ఛిక పాయింట్ మోషన్ మ్యాప్ (RDK)కి బైమోడల్ ట్యూనింగ్‌ను ప్రదర్శిస్తుందని చూపబడింది. సెల్యులార్ ట్యూనింగ్ యొక్క బ్యాండ్‌విడ్త్ 19, 25. ఈ ఉద్దీపనలకు ప్రతిస్పందనగా చాలా MT న్యూరాన్లు ఏకరీతి అనుసరణలను ప్రదర్శించినప్పటికీ, మరియు అన్ని MT కణాల యొక్క సాధారణ సగటు ఏకరీతి జనాభా ప్రతిస్పందనను ఇచ్చినప్పటికీ, పరిశీలకులు ఎల్లప్పుడూ మొదటి నమూనాను పారదర్శక కదలికగా చూస్తారు. అందువల్ల, బైమోడల్ ట్యూనింగ్‌ను ప్రదర్శించే కణాల ఉపసమితి ఈ అవగాహనకు నాడీ ఉపరితలాన్ని ఏర్పరుస్తుంది. ఆసక్తికరంగా, మార్మోసెట్‌లలో, సాంప్రదాయ గ్రిడ్ మరియు గ్రిడ్ ఉద్దీపనలను ఉపయోగించి పరీక్షించినప్పుడు ఈ జనాభా PDS కణాలతో సరిపోలింది.
మా ఫలితాలు పైన పేర్కొన్న వాటి కంటే ఒక అడుగు ముందుకు వెళ్తాయి, ఇవి గ్రహణ విభజనలో MT పాత్రను స్థాపించడంలో కీలకం. వాస్తవానికి, విభజన అనేది ఒక ఆత్మాశ్రయ దృగ్విషయం. అనేక పాలీస్టేబుల్ విజువల్ డిస్‌ప్లేలు నిరంతర ఉద్దీపనలను ఒకటి కంటే ఎక్కువ మార్గాల్లో నిర్వహించడానికి మరియు అర్థం చేసుకోవడానికి దృశ్య వ్యవస్థ యొక్క సామర్థ్యాన్ని వివరిస్తాయి. మా అధ్యయనంలో నాడీ ప్రతిస్పందనలు మరియు గ్రహణ నివేదికలను ఏకకాలంలో సేకరించడం వలన MT ఫైరింగ్ రేటు మరియు స్థిరమైన ఉద్దీపన యొక్క గ్రహణ వివరణల మధ్య సహ-వేరియెన్స్‌ను అన్వేషించడానికి మాకు వీలు కల్పించింది. ఈ సంబంధాన్ని ప్రదర్శించిన తర్వాత, కారణవాదం యొక్క దిశ స్థాపించబడలేదని మేము అంగీకరిస్తున్నాము, అంటే, మేము గమనించిన గ్రహణ విభజన యొక్క సిగ్నల్, కొందరు వాదించినట్లుగా, స్వయంచాలకంగా ఉందో లేదో తెలుసుకోవడానికి మరిన్ని ప్రయోగాలు అవసరమవుతాయి. ఈ ప్రక్రియ మళ్ళీ ఉన్నత ప్రాంతాల నుండి ఇంద్రియ వల్కలంకు తిరిగి వచ్చే అవరోహణ సంకేతాలను సూచిస్తుంది 68, 69, 70 (చిత్రం 8). MT యొక్క ప్రధాన కార్టికల్ లక్ష్యాలలో ఒకటైన MSTd71 లో నమూనా-ఎంపిక కణాల యొక్క పెద్ద నిష్పత్తి నివేదికలు, MT మరియు MSTd యొక్క ఏకకాల రికార్డింగ్‌లను చేర్చడానికి ఈ ప్రయోగాలను విస్తరించడం అవగాహన యొక్క నాడీ విధానాలను మరింత అర్థం చేసుకోవడానికి మంచి మొదటి అడుగు అని సూచిస్తున్నాయి. విభజన.
కాంపోనెంట్ మరియు మోడ్ ఓరియంటేషన్ సెలెక్టివిటీ యొక్క రెండు-దశల నమూనా మరియు యంత్ర అనువాదంలో ఎంపిక-సంబంధిత కార్యాచరణపై టాప్-డౌన్ ఫీడ్‌బ్యాక్ యొక్క సంభావ్య ప్రభావం. ఇక్కడ, MT దశలో మోడ్ డైరెక్షన్ సెలెక్టివిటీ (PDS - “P”) (i) నిర్దిష్ట మోడ్ వేగాలకు అనుగుణంగా ఉన్న డైరెక్షన్ సెలెక్టివ్ ఇన్‌పుట్ డేటా యొక్క పెద్ద నమూనా మరియు (ii) బలమైన ట్యూనింగ్ సప్రెషన్ ద్వారా సృష్టించబడుతుంది. MT (“C”) దశ యొక్క డైరెక్షనల్‌గా సెలెక్టివ్ (CDS) భాగం ఇన్‌పుట్ దిశలో ఇరుకైన నమూనా పరిధిని కలిగి ఉంటుంది మరియు ఎక్కువ ట్యూనింగ్ సప్రెషన్‌ను కలిగి ఉండదు. అన్‌ట్యూన్డ్ ఇన్హిబిషన్ రెండు జనాభాపై నియంత్రణను ఇస్తుంది. రంగు బాణాలు ఇష్టపడే పరికర ఓరియంటేషన్‌ను సూచిస్తాయి. స్పష్టత కోసం, V1-MT కనెక్షన్‌ల ఉపసమితి మరియు ఒక కాంపోనెంట్ మోడ్ మరియు ఓరియంటేషన్ ఎంపిక పెట్టె మాత్రమే చూపబడ్డాయి. మా ఫీడ్-ఫార్వర్డ్ (FF) ఫలితాలను వివరించే సందర్భంలో, PDS కణాలలో విస్తృత ఇన్‌పుట్ సెట్టింగ్ మరియు బలమైన ట్యూనింగ్ నిరోధం (ఎరుపు రంగులో హైలైట్ చేయబడింది) బహుళ కదలిక నమూనాలకు ప్రతిస్పందనగా కార్యాచరణలో పెద్ద తేడాలను ప్రేరేపించాయి. మా విభజన సమస్యలో, ఈ సమూహం నిర్ణయ గొలుసులను నడుపుతుంది మరియు అవగాహనను వక్రీకరిస్తుంది. దీనికి విరుద్ధంగా, ఫీడ్‌బ్యాక్ (FB) విషయంలో, ఇంద్రియ డేటా మరియు అభిజ్ఞా పక్షపాతాల ద్వారా అప్‌స్ట్రీమ్ సర్క్యూట్‌లలో గ్రహణ నిర్ణయాలు ఉత్పత్తి చేయబడతాయి మరియు PDS కణాలపై (మందపాటి రేఖలు) దిగువ FB యొక్క ఎక్కువ ప్రభావం ఎంపిక సంకేతాలను ఉత్పత్తి చేస్తుంది. b CDS మరియు PDS పరికరాల ప్రత్యామ్నాయ నమూనాల స్కీమాటిక్ ప్రాతినిధ్యం. ఇక్కడ MTలోని PDS సంకేతాలు V1 యొక్క ప్రత్యక్ష ఇన్‌పుట్ ద్వారా మాత్రమే కాకుండా, V1-V2-MT మార్గం యొక్క పరోక్ష ఇన్‌పుట్ ద్వారా కూడా ఉత్పత్తి చేయబడతాయి. ఆకృతి సరిహద్దులకు (గ్రిడ్ అతివ్యాప్తి చెందుతున్న ప్రాంతాలు) ఎంపికను ఇవ్వడానికి మోడల్ యొక్క పరోక్ష మార్గాలు సర్దుబాటు చేయబడతాయి. MT లేయర్ CDS మాడ్యూల్ ప్రత్యక్ష మరియు పరోక్ష ఇన్‌పుట్‌ల యొక్క బరువున్న మొత్తాన్ని నిర్వహిస్తుంది మరియు అవుట్‌పుట్‌ను PDS మాడ్యూల్‌కు పంపుతుంది. PDS పోటీ నిరోధం ద్వారా నియంత్రించబడుతుంది. మళ్ళీ, మోడల్ యొక్క ప్రాథమిక నిర్మాణాన్ని గీయడానికి అవసరమైన కనెక్షన్‌లను మాత్రమే చూపబడతాయి. ఇక్కడ, a లో ప్రతిపాదించిన దానికంటే భిన్నమైన FF విధానం PDS కు సెల్యులార్ లాటిస్ ప్రతిస్పందనలో ఎక్కువ వైవిధ్యానికి దారితీస్తుంది, మళ్ళీ నిర్ణయ నమూనాలలో పక్షపాతాలకు దారితీస్తుంది. ప్రత్యామ్నాయంగా, PDS కణాలలో ఎక్కువ CP ఇప్పటికీ PDS కణాలకు FB అటాచ్‌మెంట్ యొక్క బలం లేదా సామర్థ్యంలో పక్షపాతం ఫలితంగా ఉండవచ్చు. ఈ ఆధారాలు రెండు మరియు మూడు-దశల MT PDS నమూనాలు మరియు CP FF మరియు FB వివరణలకు మద్దతు ఇస్తున్నాయి.
4.5 నుండి 9.0 కిలోల బరువున్న రెండు వయోజన మకాక్‌లు (మకాకా ములాట్టా), ఒక మగ మరియు ఒక ఆడ (వరుసగా 7 మరియు 5 సంవత్సరాలు) అధ్యయన వస్తువులుగా ఉపయోగించబడ్డాయి. అన్ని స్టెరైల్ శస్త్రచికిత్స ప్రయోగాలకు ముందు, జంతువులను MT ప్రాంతానికి చేరుకునే నిలువు ఎలక్ట్రోడ్‌ల కోసం కస్టమ్-మేడ్ రికార్డింగ్ చాంబర్, స్టెయిన్‌లెస్ స్టీల్ హెడ్‌రెస్ట్ స్టాండ్ (క్రిస్ట్ ఇన్‌స్ట్రుమెంట్స్, హాగర్‌స్టౌన్, MD) మరియు కొలిచిన స్క్లెరల్ సెర్చ్ కాయిల్‌తో కంటి స్థానంతో అమర్చారు. (కూనర్ వైర్, శాన్ డియాగో, కాలిఫోర్నియా). అన్ని ప్రోటోకాల్‌లు యునైటెడ్ స్టేట్స్ డిపార్ట్‌మెంట్ ఆఫ్ అగ్రికల్చర్ (USDA) నిబంధనలు మరియు నేషనల్ ఇన్‌స్టిట్యూట్స్ ఆఫ్ హెల్త్ (NIH) ప్రయోగశాల జంతువుల మానవ సంరక్షణ మరియు ఉపయోగం కోసం మార్గదర్శకాలకు అనుగుణంగా ఉంటాయి మరియు వీటిని చికాగో విశ్వవిద్యాలయ సంస్థాగత జంతు సంరక్షణ మరియు వినియోగ కమిటీ (IAUKC) ఆమోదించింది.
అన్ని దృశ్య ఉద్దీపనలను నలుపు లేదా బూడిద రంగు నేపథ్యంలో గుండ్రని ఎపర్చరులో ప్రదర్శించారు. రికార్డింగ్ సమయంలో, ఈ రంధ్రం యొక్క స్థానం మరియు వ్యాసం ఎలక్ట్రోడ్ కొన వద్ద న్యూరాన్ల యొక్క క్లాసికల్ రిసెప్టివ్ ఫీల్డ్‌కు అనుగుణంగా సర్దుబాటు చేయబడ్డాయి. మేము దృశ్య ఉద్దీపనల యొక్క రెండు విస్తృత వర్గాలను ఉపయోగించాము: సైకోమెట్రిక్ ఉద్దీపనలు మరియు ట్యూనింగ్ ఉద్దీపనలు.
సైకోమెట్రిక్ ఉద్దీపన అనేది రెండు దీర్ఘచతురస్రాకార గ్రేటింగ్‌లను వాటి దిశకు లంబంగా ఒక దిశలో కదులుతూ సూపర్‌పోజ్ చేయడం ద్వారా సృష్టించబడిన గ్రేటింగ్ నమూనా (20 cd/m2, 50% కాంట్రాస్ట్, 50% డ్యూటీ సైకిల్, 5 డిగ్రీలు/సెకను). మానవ పరిశీలకులు ఈ గ్రిడ్ నమూనాలను బిస్టేబుల్ ఉద్దీపనలుగా, కొన్నిసార్లు ఒకే దిశలో కదిలే ఒకే నమూనాగా (పొందిక కదలిక) మరియు కొన్నిసార్లు వేర్వేరు దిశల్లో కదులుతున్న రెండు వేర్వేరు ఉపరితలాలుగా (పారదర్శక కదలిక) గ్రహిస్తారని గతంలో చూపబడింది. లాటిస్ నమూనా యొక్క భాగాలు, సుష్టంగా ఆధారితమైనవి - లాటిస్‌ల మధ్య కోణం 95° నుండి 130° వరకు ఉంటుంది (సెట్ నుండి తీసుకోబడింది: 95°, 100°, 105°, 115°, 120°, 125°, 130° °, సెషన్ అంతటా ఐసోలేషన్ కోణం 115° వద్ద న్యూరాన్లు భద్రపరచబడలేదు, కానీ మేము ఇక్కడ సైకోఫిజికల్ డేటాను చేర్చుతాము) - సుమారుగా 90° లేదా 270° (నమూనా ధోరణి). ప్రతి సెషన్‌లో, ఇంటర్‌లాటిస్ లాటిస్ యొక్క ఒక మూల మాత్రమే ఉపయోగించబడింది; ప్రతి సెషన్‌లో, ప్రతి ట్రయల్ కోసం నమూనా యొక్క ధోరణి యాదృచ్ఛికంగా రెండు అవకాశాల నుండి ఎంపిక చేయబడింది.
గ్రిడ్ యొక్క అవగాహనను అస్పష్టం చేయడానికి మరియు చర్యకు ప్రతిఫలం కోసం అనుభావిక ఆధారాన్ని అందించడానికి, మేము ప్రతి గ్రిడ్ భాగం యొక్క లైట్ బార్ దశ 72లో యాదృచ్ఛిక పాయింట్ అల్లికలను ప్రవేశపెడతాము. యాదృచ్ఛికంగా ఎంచుకున్న పిక్సెల్‌ల ఉపసమితి యొక్క ప్రకాశాన్ని (స్థిర మొత్తంతో) పెంచడం లేదా తగ్గించడం ద్వారా ఇది సాధించబడుతుంది (Fig. 1c). ఆకృతి కదలిక దిశ పరిశీలకుడి అవగాహనను పొందికైన లేదా పారదర్శక కదలిక వైపు మార్చే బలమైన సంకేతాన్ని ఇస్తుంది (Fig. 1c). పొందికైన పరిస్థితులలో, ఆకృతి లాటిస్ యొక్క ఏ భాగాన్ని కవర్ చేసినా, అన్ని అల్లికలు నమూనా దిశలో అనువదించబడతాయి (Fig. 1c, పొందికైన). పారదర్శక స్థితిలో, ఆకృతి అది కవర్ చేసే గ్రేటింగ్ దిశకు లంబంగా కదులుతుంది (Fig. 1c, పారదర్శకం) (సప్లిమెంటరీ మూవీ 1). పని యొక్క సంక్లిష్టతను నియంత్రించడానికి, చాలా సెషన్‌లలో ఈ ఆకృతి గుర్తు కోసం మైఖేల్సన్ కాంట్రాస్ట్ (Lmax-Lmin/Lmax+Lmin) (-80, -40, -20, -10, -5, 0, 5) సెట్ నుండి మారుతుంది. , 10, 20, 40, 80). కాంట్రాస్ట్ అనేది రాస్టర్ యొక్క సాపేక్ష ప్రకాశంగా నిర్వచించబడింది (కాబట్టి 80% కాంట్రాస్ట్ విలువ 36 లేదా 6 cd/m2 ఆకృతికి దారితీస్తుంది). మంకీ N లో 6 సెషన్‌లు మరియు మంకీ S లో 5 సెషన్‌ల కోసం, మేము ఇరుకైన టెక్స్చరల్ కాంట్రాస్ట్ పరిధులను (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) ఉపయోగించాము, ఇక్కడ సైకోఫిజికల్ లక్షణాలు పూర్తి-శ్రేణి కాంట్రాస్ట్ వలె అదే నమూనాను అనుసరిస్తాయి, కానీ సంతృప్తత లేకుండా.
ట్యూనింగ్ ఉద్దీపనలు అంటే 16 సమాన అంతరాల దిశలలో ఒకదానిలో కదులుతున్న సైనూసోయిడల్ గ్రిడ్‌లు (కాంట్రాస్ట్ 50%, 1 సైకిల్/డిగ్రీ, 5 డిగ్రీలు/సెకను), లేదా ఈ దిశలలో కదులుతున్న సైనూసోయిడల్ గ్రిడ్‌లు (ఒకదానిపై ఒకటి సూపర్‌పోజ్ చేయబడిన సైనూసోయిడల్ గ్రేటింగ్‌లను కలిగి ఉంటాయి). నమూనా యొక్క అదే దిశలో.