Nature.comని సందర్శించినందుకు ధన్యవాదాలు.మీరు ఉపయోగిస్తున్న బ్రౌజర్ సంస్కరణకు పరిమిత CSS మద్దతు ఉంది.ఉత్తమ అనుభవం కోసం, మీరు నవీకరించబడిన బ్రౌజర్‌ను ఉపయోగించాల్సిందిగా మేము సిఫార్సు చేస్తున్నాము (లేదా Internet Explorerలో అనుకూలత మోడ్‌ని నిలిపివేయండి).ఈ సమయంలో, నిరంతర మద్దతును నిర్ధారించడానికి, మేము సైట్‌ను స్టైల్స్ మరియు జావాస్క్రిప్ట్ లేకుండా రెండర్ చేస్తాము.
ఒకే సమయంలో మూడు స్లయిడ్‌లను చూపుతున్న రంగులరాట్నం.ఒకేసారి మూడు స్లయిడ్‌ల ద్వారా తరలించడానికి మునుపటి మరియు తదుపరి బటన్‌లను ఉపయోగించండి లేదా ఒకేసారి మూడు స్లయిడ్‌ల ద్వారా తరలించడానికి చివర ఉన్న స్లయిడర్ బటన్‌లను ఉపయోగించండి.
అధిక-రిజల్యూషన్ దృష్టికి ఆబ్జెక్ట్ లక్షణాలను పునర్నిర్మించడానికి చక్కటి రెటీనా నమూనా మరియు ఏకీకరణ అవసరం.వేర్వేరు వస్తువుల నుండి స్థానిక నమూనాలను మిక్సింగ్ చేసినప్పుడు, ఖచ్చితత్వం కోల్పోతుందని గమనించడం ముఖ్యం.కాబట్టి, సెగ్మెంటేషన్, ప్రత్యేక ప్రాసెసింగ్ కోసం చిత్రం యొక్క ప్రాంతాల సమూహం, అవగాహనకు కీలకం.మునుపటి పనిలో, ఈ ప్రక్రియను అధ్యయనం చేయడానికి ఒకటి లేదా అంతకంటే ఎక్కువ కదిలే ఉపరితలాలుగా పరిగణించబడే బిస్టేబుల్ లాటిస్ నిర్మాణాలు ఉపయోగించబడ్డాయి.ఇక్కడ, మేము ప్రైమేట్ విజువల్ పాత్‌వే యొక్క ఇంటర్మీడియట్ ప్రాంతాలలో యాక్టివిటీ మరియు సెగ్మెంటేషన్ జడ్జిమెంట్‌ల మధ్య సంబంధాన్ని నివేదిస్తాము.ప్రత్యేకించి, బిస్టేబుల్ గ్రేటింగ్‌ల యొక్క అవగాహనను వక్రీకరించడానికి ఉపయోగించే మధ్యస్థ టెంపోరల్ న్యూరాన్‌లు సెలెక్టివ్‌గా ఓరియంటింగ్ చేసే ఆకృతి సూచనలకు సున్నితంగా ఉన్నాయని మేము కనుగొన్నాము మరియు ట్రయల్స్ మరియు నిరంతర ఉద్దీపనల యొక్క ఆత్మాశ్రయ అవగాహన మధ్య ముఖ్యమైన సహసంబంధాన్ని చూపించాము.బహుళ స్థానిక దిశలతో నమూనాలలో ప్రపంచ కదలికను సూచించే యూనిట్లలో ఈ సహసంబంధం ఎక్కువగా ఉంటుంది.ఈ విధంగా, ఇంటర్మీడియట్ టైమ్ డొమైన్‌లో సంక్లిష్ట దృశ్యాలను సమ్మేళన వస్తువులు మరియు ఉపరితలాలుగా వేరు చేయడానికి ఉపయోగించే సంకేతాలు ఉన్నాయని మేము నిర్ధారించాము.
దృష్టి అనేది ఎడ్జ్ ఓరియంటేషన్ మరియు స్పీడ్ వంటి ఎలిమెంటరీ ఇమేజ్ లక్షణాల యొక్క ఖచ్చితమైన వివక్షపై మాత్రమే కాకుండా, ముఖ్యంగా వస్తువు ఆకారం మరియు పథం వంటి పర్యావరణ లక్షణాలను లెక్కించడానికి ఈ లక్షణాల యొక్క సరైన ఏకీకరణపై ఆధారపడి ఉంటుంది.అయినప్పటికీ, రెటీనా చిత్రాలు 2, 3, 4 (Fig. 1a)కు సమానంగా ఆమోదయోగ్యమైన అనేక లక్షణ సమూహాలకు మద్దతు ఇచ్చినప్పుడు సమస్యలు తలెత్తుతాయి.ఉదాహరణకు, రెండు సెట్ల స్పీడ్ సిగ్నల్స్ చాలా దగ్గరగా ఉన్నప్పుడు, ఇది ఒక కదిలే వస్తువు లేదా అనేక కదిలే వస్తువులు (Fig. 1b) అని సహేతుకంగా అర్థం చేసుకోవచ్చు.ఇది విభజన యొక్క ఆత్మాశ్రయ స్వభావాన్ని వివరిస్తుంది, అనగా ఇది చిత్రం యొక్క స్థిరమైన ఆస్తి కాదు, కానీ ఒక వివరణ ప్రక్రియ.సాధారణ అవగాహన కోసం దాని స్పష్టమైన ప్రాముఖ్యత ఉన్నప్పటికీ, గ్రహణ విభజన యొక్క నాడీ ప్రాతిపదికపై మన అవగాహన ఉత్తమంగా అసంపూర్ణంగా ఉంది.
గ్రహణ విభజన సమస్య యొక్క కార్టూన్ ఉదాహరణ.నెక్కర్ క్యూబ్ (ఎడమ)లో లోతు గురించి పరిశీలకుని అవగాహన రెండు సాధ్యమైన వివరణల మధ్య (కుడి) ప్రత్యామ్నాయంగా ఉంటుంది.ఎందుకంటే బొమ్మ యొక్క 3D విన్యాసాన్ని (కుడి వైపున ఉన్న మోనోక్యులర్ అక్లూజన్ సిగ్నల్ ద్వారా అందించబడుతుంది) ప్రత్యేకంగా గుర్తించడానికి మెదడును అనుమతించే సంకేతాలు ఏవీ చిత్రంలో లేవు.b ప్రాదేశిక సామీప్యతలో బహుళ చలన సంకేతాలు ప్రదర్శించబడినప్పుడు, దృష్టి వ్యవస్థ స్థానిక నమూనాలు ఒకటి లేదా అంతకంటే ఎక్కువ వస్తువుల నుండి ఉన్నాయో లేదో నిర్ణయించాలి.స్థానిక చలన సంకేతాల యొక్క స్వాభావిక అస్పష్టత, అనగా ఆబ్జెక్ట్ కదలికల శ్రేణి అదే స్థానిక చలనాన్ని ఉత్పత్తి చేస్తుంది, దీని ఫలితంగా దృశ్య ఇన్‌పుట్ యొక్క బహుళ సమానమైన 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 ("భాగాల దిశలు" - తెల్లని బాణాలు) ఒకదానికొకటి అతివ్యాప్తి చెంది గ్రేటింగ్ నమూనాను ఏర్పరుస్తాయి.జాలకను ఒకే, క్రమమైన, అనుసంధానించబడిన దిశల కదలికగా (ఎరుపు బాణాలు) లేదా సమ్మేళనం దిశల యొక్క పారదర్శక కదలికగా గుర్తించవచ్చు.యాదృచ్ఛిక పాయింట్ ఆకృతి సూచనలను జోడించడం ద్వారా లాటిస్ యొక్క అవగాహన వక్రీకరించబడింది.(మధ్య) పసుపు రంగులో హైలైట్ చేయబడిన ప్రాంతం విస్తరించబడింది మరియు వరుసగా పొందికైన మరియు పారదర్శక సంకేతాల కోసం ఫ్రేమ్‌ల శ్రేణిగా ప్రదర్శించబడుతుంది.ప్రతి సందర్భంలో చుక్క యొక్క కదలిక ఆకుపచ్చ మరియు ఎరుపు బాణాలచే సూచించబడుతుంది.(కుడి) ఎంపిక పాయింట్ యొక్క స్థానం (x, y) మరియు ఫ్రేమ్‌ల సంఖ్య యొక్క గ్రాఫ్.పొందికైన సందర్భంలో, అన్ని అల్లికలు ఒకే దిశలో డ్రిఫ్ట్ అవుతాయి.పారదర్శకత విషయంలో, ఆకృతి భాగం యొక్క దిశలో కదులుతుంది.d మా మోషన్ సెగ్మెంటేషన్ టాస్క్ యొక్క కార్టూన్ ఇలస్ట్రేషన్.కోతులు ఒక చిన్న చుక్కను అమర్చడం ద్వారా ప్రతి విచారణను ప్రారంభించాయి.కొద్దిపాటి ఆలస్యం తర్వాత, MT RF స్థానంలో ఒక నిర్దిష్ట రకం గ్రేటింగ్ నమూనా (కోహెరెన్స్/పారదర్శకత) మరియు ఆకృతి 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 దిగువన కనిపించాయి.కోతులు సముచితమైన ఎంపిక లక్ష్యానికి సాకేడ్‌లలో గ్రిడ్ గురించి వారి అవగాహనను తప్పనిసరిగా సూచించాలి.
దృశ్య కదలికల ప్రాసెసింగ్ బాగా వర్ణించబడింది మరియు తద్వారా 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 శబ్దాన్ని తొలగించడానికి మరియు ఆబ్జెక్ట్ వేగాన్ని పునరుద్ధరించడానికి స్థానిక నమూనాల ఎంపిక ఏకీకరణతో ఉంటుంది.దృష్టి వ్యవస్థలు ఈ సమిష్టిని సాధారణ వస్తువుల నుండి స్థానిక నమూనాలకు మాత్రమే పరిమితం చేయడానికి జాగ్రత్త వహించాలని గమనించడం ముఖ్యం.సైకోఫిజికల్ అధ్యయనాలు స్థానిక చలన సంకేతాలు ఎలా విభజించబడతాయో ప్రభావితం చేసే భౌతిక కారకాలను వివరించాయి, అయితే శరీర నిర్మాణ పథాలు మరియు నాడీ సంకేతాల ఆకృతి బహిరంగ ప్రశ్నలుగా మిగిలిపోయింది.ప్రైమేట్ కార్టెక్స్‌లోని టెంపోరల్ (MT) ప్రాంతంలోని ఓరియంటేషన్-సెలెక్టివ్ సెల్స్ న్యూరల్ సబ్‌స్ట్రేట్‌లకు అభ్యర్థులని అనేక నివేదికలు సూచిస్తున్నాయి.
ముఖ్యముగా, ఈ మునుపటి ప్రయోగాలలో, దృశ్య ఉద్దీపనలలో భౌతిక మార్పులతో సంబంధం ఉన్న నాడీ కార్యకలాపాలలో మార్పులు.అయితే, పైన చెప్పినట్లుగా, విభజన అనేది తప్పనిసరిగా గ్రహణ ప్రక్రియ.అందువల్ల, దాని నాడీ ఉపరితలం యొక్క అధ్యయనానికి స్థిరమైన ఉద్దీపనల యొక్క అవగాహనలో మార్పులతో నాడీ కార్యకలాపాలలో మార్పులను అనుసంధానించడం అవసరం.అందువల్ల, సూపర్‌పోజ్డ్ డ్రిఫ్టింగ్ దీర్ఘచతురస్రాకార గ్రేటింగ్‌ల ద్వారా ఏర్పడిన గ్రహించిన బిస్టేబుల్ గ్రేటింగ్ నమూనా ఒకే ఉపరితలం లేదా రెండు స్వతంత్ర ఉపరితలాలు కాదా అని నివేదించడానికి మేము రెండు కోతులకు శిక్షణ ఇచ్చాము.నాడీ కార్యకలాపాలు మరియు విభజన తీర్పుల మధ్య సంబంధాన్ని అధ్యయనం చేయడానికి, కోతులు ఈ పనిని చేసినప్పుడు మేము MTలో ఒకే కార్యాచరణను రికార్డ్ చేసాము.
MT కార్యాచరణ మరియు అవగాహన అధ్యయనం మధ్య ముఖ్యమైన సహసంబంధాన్ని మేము కనుగొన్నాము.ఉద్దీపనలు బహిరంగ విభజన సూచనలను కలిగి ఉన్నా లేదా లేకపోయినా ఈ సహసంబంధం ఉనికిలో ఉంది.అదనంగా, ఈ ప్రభావం యొక్క బలం సెగ్మెంటేషన్ సిగ్నల్స్‌కు, అలాగే నమూనా సూచికకు సున్నితత్వానికి సంబంధించినది.రెండవది సంక్లిష్ట నమూనాలలో స్థానిక కదలిక కంటే యూనిట్ గ్లోబల్‌గా ప్రసరించే స్థాయిని అంచనా వేస్తుంది.ఫ్యాషన్ డైరెక్షన్ కోసం సెలెక్టివిటీ చాలా కాలంగా MT యొక్క నిర్వచించే లక్షణంగా గుర్తించబడినప్పటికీ, మరియు ఫ్యాషన్-సెలెక్టివ్ సెల్‌లు ఆ ఉద్దీపనల యొక్క మానవ అవగాహనకు అనుగుణంగా సంక్లిష్ట ఉద్దీపనలకు ట్యూనింగ్‌ను చూపుతాయి, మనకు తెలిసినంతవరకు, నమూనాల మధ్య పరస్పర సంబంధానికి ఇది మొదటి సాక్ష్యం.సూచిక మరియు గ్రహణ విభజన.
డ్రిఫ్టింగ్ గ్రిడ్ ఉద్దీపనల (పొందికైన లేదా పారదర్శక కదలికలు) గురించి వారి అవగాహనను ప్రదర్శించడానికి మేము రెండు కోతులకు శిక్షణ ఇచ్చాము.మానవ పరిశీలకులు సాధారణంగా ఈ ఉద్దీపనలను దాదాపు ఒకే పౌనఃపున్యం యొక్క పొందికైన లేదా పారదర్శక కదలికలుగా గ్రహిస్తారు.ఈ ట్రయల్‌లో సరైన సమాధానం ఇవ్వడానికి మరియు ఆపరేటింగ్ రివార్డ్‌కు ఆధారాన్ని సెట్ చేయడానికి, మేము లాటిస్‌ను రూపొందించే కాంపోనెంట్ యొక్క రాస్టర్‌ను ఆకృతి చేయడం ద్వారా సెగ్మెంటేషన్ సిగ్నల్‌లను సృష్టించాము (Fig. 1c, d).పొందికైన పరిస్థితులలో, అన్ని అల్లికలు నమూనా దిశలో కదులుతాయి (Fig. 1c, "కోహెరెంట్").పారదర్శక స్థితిలో, ఆకృతి అది సూపర్మోస్ చేయబడిన గ్రేటింగ్ దిశకు లంబంగా కదులుతుంది (Fig. 1c, "పారదర్శక").మేము ఈ ఆకృతి లేబుల్ యొక్క కాంట్రాస్ట్‌ని మార్చడం ద్వారా టాస్క్ యొక్క క్లిష్టతను నియంత్రిస్తాము.క్యూడ్ ట్రయల్స్‌లో, ఆకృతి సూచనలకు సంబంధించిన ప్రతిస్పందనల కోసం కోతులకు రివార్డ్ ఇవ్వబడింది మరియు ఆకృతి సూచనలు (జీరో టెక్స్‌చర్ కాంట్రాస్ట్ కండిషన్) లేని నమూనాలను కలిగి ఉన్న ట్రయల్స్‌లో యాదృచ్ఛికంగా (50/50 అసమానత) రివార్డ్‌లు అందించబడ్డాయి.
రెండు ప్రాతినిధ్య ప్రయోగాల నుండి ప్రవర్తనా డేటా మూర్తి 2aలో చూపబడింది మరియు ప్రతిస్పందనలు వరుసగా పైకి లేదా క్రిందికి మారే నమూనాల కోసం టెక్చర్ సిగ్నల్‌ల (పారదర్శకత కాంట్రాస్ట్ నిర్వచనం ప్రకారం ప్రతికూలంగా భావించబడుతుంది) వర్సెస్ కోహెరెన్స్ యొక్క తీర్పుల నిష్పత్తిగా రూపొందించబడ్డాయి. మొత్తంమీద, కోహెరెన్స్/పారదర్శకతపై కోతుల అవగాహన, ఆకృతి క్యూ (ANOVA; మంకీ N: దిశ – F = 0.58, p = 0.45, సంకేతం – F = 1248, p <10,20-2. 20-10, 20-10, 20-10, 20-10, 20-10, 20-10, 20-10, 20-10, 2012) 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, కోహెరెన్స్/పారదర్శకతపై కోతుల అవగాహన, ఆకృతి క్యూ (ANOVA; మంకీ N: దిశ – F = 0.58, p = 0.45, సంకేతం – F = 1248, p <1 = 10, 2. 2. 1 = 10, 2. 2. 2. 2. 2. 2010, 10, 2, 10, 2. 2. 2010, 2017-10-10, 10, 2012) −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 селом на восприятие обезьянами когрентности/prozrachnosti డోస్టవర్నో విలియలీ కాక్ జానక్ (ప్రోజర్,చ్నోస్ట్), сила (కాంట్రస్ట్నోస్ట్) టెక్స్ట్యుర్నోగో ప్రైజ్నాకా (ANOVA; ఒబెసియన్ N: направление — F = 0,58, p = 0,45, F-F = <120,2000, p. 3, p <10; −10 обезьяна S: направление – F = 0,41, p = 0,52, признак – F = 2876,7, p < 10−10, контраст – F, 10, 36). సాధారణంగా, కోతుల ద్వారా పొందిక/పారదర్శకత యొక్క గ్రహణశక్తి సంకేతం (పారదర్శకత, పొందిక) మరియు ఆకృతి లక్షణం (ANOVA; కోతి N: దిశ — F = 0.58, p = 0.45, సంకేతం - F = 1248, p = 0.45, సంకేతం - F = 1248, p <0 = 10−1, 20-1, 6, 20-20, 6, 2, 1, 2, 2, 1, 20-2, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, ey 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（遏明对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p <10−10, =20-10, 对毯子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（遏明对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p <10−10, =20-6, p <10−10, =20-6; ,p <10-10).సాధారణంగా, కోతి పొందిక/పారదర్శకత యొక్క అవగాహనను ఆకృతి సంకేతాల (ANOVA) యొక్క సంకేతం (పారదర్శకత, పొందిక) మరియు తీవ్రత (కాంట్రాస్ట్) ద్వారా గణనీయంగా ప్రభావితం చేయబడింది;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p <10−10, Контрастность — F = 22,63, p <10; కోతి N: ధోరణి - F = 0.58, p = 0.45, సంకేతం - 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 సైకోఫిజికల్ లక్షణాలను వివరించడానికి గాస్సియన్ క్యుములేటివ్ ఫంక్షన్‌లు ప్రతి సెషన్ నుండి డేటాకు అమర్చబడ్డాయి.అంజీర్ న.2b రెండు కోతుల కోసం అన్ని సెషన్‌లలో ఈ మోడల్‌ల కోసం ఒప్పందం పంపిణీని చూపుతుంది.మొత్తంమీద, కోతులు విధిని ఖచ్చితంగా మరియు స్థిరంగా పూర్తి చేశాయి మరియు సంచిత గాస్సియన్ మోడల్‌కు సరిగ్గా సరిపోకపోవడంతో మేము రెండు కోతుల సెషన్‌లలో 13% కంటే తక్కువ వాటిని తిరస్కరించాము.
ప్రతినిధి సెషన్‌లలో కోతుల ప్రవర్తనా ఉదాహరణలు (n ≥ 20 ట్రయల్స్ ప్రతి ఉద్దీపన పరిస్థితికి).ఎడమ (కుడి) ప్యానెల్‌లలో, ఒక N(S) మంకీ సెషన్ నుండి డేటా పొందికైన ఎంపిక స్కోర్‌లుగా (ఆర్డినేట్) వర్సెస్ సైన్ కాంట్రాస్ట్ ఆఫ్ టెక్చర్ సిగ్నల్స్ (abscissa)గా రూపొందించబడింది.ఇక్కడ పారదర్శక (పొందికైన) అల్లికలు ప్రతికూల (సానుకూల) విలువలను కలిగి ఉన్నాయని భావించబడుతుంది.పరీక్షలో నమూనా (పైకి (90°) లేదా క్రిందికి (270°)) కదలిక దిశకు అనుగుణంగా ప్రతిస్పందనలు విడిగా నిర్మించబడ్డాయి.రెండు జంతువులకు, పనితీరు, ప్రతిస్పందన 50/50 కాంట్రాస్ట్ (PSE - ఘన బాణాలు) ద్వారా విభజించబడినా లేదా నిర్దిష్ట స్థాయి పనితీరును (థ్రెషోల్డ్ - ఓపెన్ బాణాలు) సపోర్ట్ చేయడానికి అవసరమైన టెక్చరల్ కాంట్రాస్ట్ మొత్తం ఈ డ్రిఫ్ట్ దిశల్లో ఉంటుంది.b గాస్సియన్ క్యుములేటివ్ ఫంక్షన్ యొక్క R2 విలువల యొక్క బిగించిన హిస్టోగ్రాం.మంకీ S(N) డేటా ఎడమవైపు (కుడివైపు) చూపబడింది.c (టాప్) గ్రిడ్ కోసం కొలవబడిన PSE, PSEతో పోలిస్తే క్రిందికి మార్చబడింది (ఆర్డినేట్) గ్రిడ్ పైకి మార్చబడింది (abscissa) ప్లాట్ చేయబడింది, ప్రతి షరతుకు PSE పంపిణీని సూచించే అంచులు మరియు ప్రతి షరతుకు సగటును సూచించే బాణాలు ఉంటాయి.అన్ని N(S) మంకీ సెషన్‌ల డేటా ఎడమ (కుడి) నిలువు వరుసలో ఇవ్వబడింది.(దిగువ) PSE డేటా కోసం అదే కన్వెన్షన్, కానీ అమర్చిన ఫీచర్ థ్రెషోల్డ్‌ల కోసం.PSE థ్రెషోల్డ్‌లు లేదా ఫ్యాషన్ ట్రెండ్‌లలో గణనీయమైన తేడాలు లేవు (టెక్స్ట్ చూడండి).d PSE మరియు వాలు (ఆర్డినేట్) కోణీయ విభజన భాగం ("సమగ్ర గ్రేటింగ్ యాంగిల్" - abscissa) యొక్క సాధారణీకరించిన రాస్టర్ విన్యాసాన్ని బట్టి ప్లాట్ చేయబడతాయి.ఓపెన్ సర్కిల్‌లు సాధనాలు, ఘన రేఖ ఉత్తమంగా సరిపోయే రిగ్రెషన్ మోడల్, మరియు చుక్కల రేఖ రిగ్రెషన్ మోడల్‌కు 95% విశ్వాస విరామం.PSE మరియు సాధారణీకరించిన ఇంటిగ్రేషన్ కోణం మధ్య ఒక ముఖ్యమైన సహసంబంధం ఉంది, కానీ వాలు మరియు సాధారణీకరించిన ఇంటిగ్రేషన్ కోణం కాదు, సైకోమెట్రిక్ ఫంక్షన్ కోణం కాంపోనెంట్ లాటిస్‌లను వేరు చేస్తుంది, కానీ పదును పెట్టడం లేదా చదును చేయడం కాదని సూచిస్తుంది.(మంకీ N, n = 32 సెషన్‌లు; మంకీ S, n = 43 సెషన్‌లు).అన్ని ప్యానెల్‌లలో, ఎర్రర్ బార్‌లు సగటు యొక్క ప్రామాణిక లోపాన్ని సూచిస్తాయి.హాహా.కోహెరెన్స్, PSE సబ్జెక్టివ్ ఈక్వాలిటీ స్కోర్, నార్మ్.ప్రమాణీకరణ.
పైన పేర్కొన్నట్లుగా, ఇచ్చిన ట్రయల్‌లో ఉద్దీపనలు పైకి లేదా క్రిందికి డ్రిఫ్టింగ్‌తో ట్రయల్స్‌లో ఆకృతి సూచనల వైరుధ్యం మరియు నమూనా యొక్క కదలిక దిశ రెండూ మారుతూ ఉంటాయి.సైకోఫిజికల్11 మరియు న్యూరానల్28 అనుకూల ప్రభావాలను తగ్గించడానికి ఇది జరుగుతుంది.నమూనా ధోరణి వర్సెస్ బయాస్ (సబ్జెక్టివ్ ఈక్వాలిటీ పాయింట్ లేదా PSE) (విల్కాక్సన్ ర్యాంక్ సమ్ టెస్ట్; మంకీ N: z = 0.25, p = 0.8; మంకీ S: z = 0.86, p = 0.39) లేదా అమర్చిన ఫంక్షన్ థ్రెషోల్డ్ (విల్కాక్సన్ మంకీ థ్రెషోల్డ్ మొత్తం: =0 మంకీ థ్రెషోల్డ్: =0 మంకీ ర్యాంక్‌లు: =0 0.9 ర్యాంకులు; z = 0.49, p = 0.62) (Fig. 2c).అదనంగా, పనితీరు థ్రెషోల్డ్ స్థాయిలను నిర్వహించడానికి అవసరమైన ఆకృతి 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 వేరుచేసే ఇంటర్‌లాటిస్ కోణాన్ని మేము మార్చాము.సైకోఫిజికల్ అధ్యయనాలు ఈ కోణం చిన్నగా ఉన్నప్పుడు సెల్ 10ని కనెక్ట్ చేసినట్లు గ్రహించే అవకాశం ఉందని తేలింది.కోతులు పొందిక/పారదర్శకత గురించి తమ అవగాహనను విశ్వసనీయంగా నివేదిస్తున్నట్లయితే, ఈ ఫలితాల ఆధారంగా, పరస్పర చర్యపై పరస్పరం పెరుగుతుందని, పొందిక మరియు పారదర్శకత ఎంపికల మధ్య ఏకరీతి విభజనకు అనుగుణంగా ఉండే ఆకృతి వ్యత్యాసమైన PSEని ఎవరైనా ఆశించవచ్చు.జాలక కోణం. ఇది వాస్తవంగా జరిగింది (Fig. 2d; నమూనా దిశల అంతటా కూలిపోవడం, క్రుస్కాల్-వాలిస్; కోతి N: χ2 = 23.06, p <10−3; కోతి S: χ2 = 22.22, p <10−3; p <10−3; p <: PSE −7, సాధారణీకరించిన కోతి 0, 6 మధ్య పరస్పర సంబంధం. 9; కోతి S: r = 0.76, p <10−13). ఇది వాస్తవంగా జరిగింది (Fig. 2d; నమూనా దిశల అంతటా కూలిపోవడం, క్రుస్కాల్-వాలిస్; కోతి N: χ2 = 23.06, p <10−3; కోతి S: χ2 = 22.22, p <10−3; p <10−3; p <: PSE = 7 కోణం మధ్య సహసంబంధం. 9; కోతి S: r = 0.76, p <10−13). ఎటో డెయిస్ట్విటెల్నో ఇమెలో మెస్టో (రిస్. 2డి; కొల్లాప్స్ పోపెరెక్ నాప్రావ్లెనియ ప్యాటెర్నా, క్రూస్కాల్-యుయోల్లీస్, <p>20,200; 3; ఒబెసియనా S: χ2 = 22,22, p <10-3; కొర్రెలియా మేషదు నార్మాలీసోవాన్‌నిమి угол решетки и PSE – <,bез, 90 : r = 0,76, p <10-13). ఇది నిజంగానే జరిగింది (Fig. 2d; నమూనా దిశలో కుప్పకూలడం, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p <10–3; కోతి S: χ2 = 22.22, p <10–3; సాధారణీకరించిన జాలక కోణం మరియు S: = 7 మంకీ మంకీ N: = 7, p 9 మధ్య పరస్పర సంబంధం 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 <10-3χ2 = 23.06,p <10-3S ；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 పే <10-3 0-13). ఇది డెయిస్ట్విటెల్నో ఇమెలో మెస్టో (రిస్. 2d; క్రాట్నోస్ట్ పో ఓసి మోడ్, క్రూస్కాల్-యులాలీస్; ఒబెసియానా N: 23,106 =, χ2 = 22,22, p <10-3; нормализованный межрешеточный угол). ఇది వాస్తవంగా 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 మూలలో). 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 సైకోమెట్రిక్ ఫంక్షన్ యొక్క వాలుపై గణనీయమైన ప్రభావాన్ని చూపలేదు (Fig. 2d; క్రాస్-మోడల్ ఓరియంటేషన్ ఫోల్డ్, క్రుస్కాల్-వాలిస్; కోతి N: χ2 = 8.09, p = 0.23; కోతి S χpe2 = 3.18 కోతి కోతి మధ్య , p = 0t6 మధ్య కోతి , p = 0t6. r = -0.4, p = 0.2, కోతి S: r = 0.03, p = 0.76).అందువల్ల, ఒక వ్యక్తి యొక్క సైకోఫిజికల్ డేటాకు అనుగుణంగా, గ్రేటింగ్‌ల మధ్య కోణాన్ని మార్చడం యొక్క సగటు ప్రభావం స్థానభ్రంశం పాయింట్లలో మార్పు, మరియు విభజన సంకేతాలకు సున్నితత్వం పెరుగుదల లేదా తగ్గుదల కాదు.
చివరగా, సున్నా ఆకృతి కాంట్రాస్ట్‌తో ట్రయల్స్‌లో రివార్డ్‌లు యాదృచ్ఛికంగా 0.5 సంభావ్యతతో కేటాయించబడతాయి.అన్ని కోతులు ఈ ప్రత్యేకమైన యాదృచ్ఛికత గురించి తెలుసుకుని మరియు సున్నా ఆకృతి కాంట్రాస్ట్ మరియు క్యూ ఉద్దీపనల మధ్య తేడాను గుర్తించగలిగితే, అవి రెండు రకాల ట్రయల్స్ కోసం విభిన్న వ్యూహాలను అభివృద్ధి చేయగలవు.రెండు పరిశీలనలు ఇది అలా కాదని గట్టిగా సూచిస్తున్నాయి.మొదట, గ్రేటింగ్ కోణాన్ని మార్చడం క్యూ మరియు జీరో టెక్చర్ కాంట్రాస్ట్ స్కోర్‌లపై గుణాత్మకంగా ఒకే విధమైన ప్రభావాలను కలిగి ఉంది (Fig. 2d మరియు అనుబంధ Fig. 1).రెండవది, రెండు కోతుల కోసం, 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) పునరావృతమయ్యే అవకాశం లేదు.
ముగింపులో, మా విభజన పనిలో కోతుల ప్రవర్తన మంచి ఉద్దీపన నియంత్రణలో ఉంది.ఆకృతి సూచనల సంకేతం మరియు పరిమాణంపై గ్రహణాత్మక తీర్పుల ఆధారపడటం, అలాగే గ్రేటింగ్ కోణంతో PSEలో మార్పులు, కోతులు మోటారు పొందిక/పారదర్శకత గురించి వారి ఆత్మాశ్రయ అవగాహనను నివేదించాయని సూచిస్తున్నాయి.చివరగా, జీరో టెక్చర్ కాంట్రాస్ట్ ట్రయల్స్‌లోని కోతుల ప్రతిస్పందనలు మునుపటి ట్రయల్స్ రివార్డ్ హిస్టరీ ద్వారా ప్రభావితం కాలేదు మరియు ఇంటర్-రాస్టర్ కోణీయ మార్పుల ద్వారా గణనీయంగా ప్రభావితమయ్యాయి.కోతులు ఈ ముఖ్యమైన పరిస్థితిలో జాలక ఉపరితల కాన్ఫిగరేషన్ గురించి వారి ఆత్మాశ్రయ అవగాహనను నివేదిస్తూనే ఉన్నాయని ఇది సూచిస్తుంది.
పైన పేర్కొన్నట్లుగా, ఆకృతి విరుద్ధంగా ప్రతికూల నుండి సానుకూలంగా మారడం అనేది పారదర్శకత నుండి పొందికైన ఉద్దీపనల యొక్క గ్రహణ పరివర్తనకు సమానం.సాధారణంగా, ఇచ్చిన సెల్ కోసం, ఆకృతి కాంట్రాస్ట్ ప్రతికూల నుండి సానుకూలంగా మారినప్పుడు MT ప్రతిస్పందన పెరుగుతుంది లేదా తగ్గుతుంది మరియు ఈ ప్రభావం యొక్క దిశ సాధారణంగా నమూనా/భాగం యొక్క కదలిక దిశపై ఆధారపడి ఉంటుంది.ఉదాహరణకు, తక్కువ లేదా అధిక కాంట్రాస్ట్ కోహెరెంట్ లేదా పారదర్శక ఆకృతి సంకేతాలను కలిగి ఉన్న గ్రేటింగ్‌లకు ఈ కణాల ప్రతిస్పందనలతో పాటుగా రెండు ప్రాతినిధ్య MT కణాల దిశాత్మక ట్యూనింగ్ వక్రతలు మూర్తి 3లో చూపబడ్డాయి.మా కోతుల సైకోఫిజియోలాజికల్ పనితీరుకు సంబంధించిన ఈ గ్రిడ్ ప్రతిస్పందనలను మెరుగ్గా లెక్కించడానికి మేము ఏదో ఒక విధంగా ప్రయత్నించాము.
ఒకే సైనుసోయిడల్ శ్రేణికి ప్రతిస్పందనగా ప్రతినిధి కోతి MT సెల్ S యొక్క డైరెక్షనల్ ట్యూనింగ్ కర్వ్ యొక్క పోలార్ ప్లాట్.కోణం గ్రేటింగ్ యొక్క కదలిక దిశను సూచిస్తుంది, పరిమాణం ఉద్గారతను సూచిస్తుంది మరియు ఇష్టపడే సెల్ దిశ గ్రేటింగ్ నమూనా యొక్క దిశలో ఉన్న భాగాలలో ఒకదాని దిశతో సుమారు 90° (పైకి) అతివ్యాప్తి చెందుతుంది.b రెస్పాన్స్ గ్రిడ్ యొక్క వీక్లీ స్టిమ్యులస్-టైమ్ హిస్టోగ్రాం (PSTH), టెంప్లేట్ దిశలో 90° ద్వారా మార్చబడింది (ఎడమవైపు క్రమపద్ధతిలో చూపబడింది) a లో చూపబడింది.ప్రతిస్పందనలు ఆకృతి సూచన రకం (కోహెసివ్/పారదర్శక – మధ్య/కుడి ప్యానెల్ వరుసగా) మరియు మిచెల్సన్ కాంట్రాస్ట్ (PSTH రంగు సూచన) ద్వారా క్రమబద్ధీకరించబడతాయి.ప్రతి రకం తక్కువ-కాంట్రాస్ట్ మరియు అధిక-కాంట్రాస్ట్ ఆకృతి సంకేతాలకు సరైన ప్రయత్నాలు మాత్రమే చూపబడతాయి.పారదర్శక ఆకృతి సూచనలతో పైకి డ్రిఫ్టింగ్ లాటిస్ నమూనాలకు కణాలు మెరుగ్గా ప్రతిస్పందించాయి మరియు పెరుగుతున్న ఆకృతి విరుద్ధంగా ఈ నమూనాలకు ప్రతిస్పందన పెరిగింది.c, d అనేది a మరియు b లలో మాదిరిగానే ఉంటాయి, కానీ MT కణాలకు మంకీ S కాకుండా, వాటి ప్రాధాన్య ధోరణి క్రిందికి డ్రిఫ్టింగ్ గ్రిడ్‌తో దాదాపు అతివ్యాప్తి చెందుతుంది.యూనిట్ పొందికైన ఆకృతి సూచనలతో క్రిందికి డ్రిఫ్టింగ్ గ్రేటింగ్‌లను ఇష్టపడుతుంది మరియు ఈ నమూనాలకు ప్రతిస్పందన పెరుగుతున్న ఆకృతి కాంట్రాస్ట్‌తో పెరుగుతుంది.అన్ని ప్యానెల్‌లలో, షేడెడ్ ప్రాంతం సగటు యొక్క ప్రామాణిక లోపాన్ని సూచిస్తుంది.మాట్లాడారు.వచ్చే చిక్కులు, సెకన్లు.రెండవ.
మా ఆకృతి సంకేతాలు మరియు MT కార్యాచరణ ద్వారా సూచించబడిన లాటిస్ ఉపరితల కాన్ఫిగరేషన్ (కోహెరెంట్ లేదా పారదర్శక) మధ్య సంబంధాన్ని అన్వేషించడానికి, మేము మొదట రిగ్రెషన్ ద్వారా పొందికైన కదలిక (పాజిటివ్ స్లోప్) లేదా పారదర్శక కదలిక (ప్రతికూల వాలు) కోసం కణాల మధ్య పరస్పర సంబంధాన్ని తగ్గించాము.కాంట్రాస్ట్‌తో పోలిస్తే సంకేత ప్రతిస్పందన రేటు ద్వారా కణాలను వర్గీకరించడానికి ఇవ్వబడింది (ప్రతి మోడ్ దిశకు విడిగా).మూర్తి 3లోని అదే ఉదాహరణ సెల్ నుండి ఈ లాటిస్ ట్యూనింగ్ వక్రతలకు ఉదాహరణలు మూర్తి 4aలో చూపబడ్డాయి.వర్గీకరణ తర్వాత, టెక్చర్ సిగ్నల్‌ల మాడ్యులేషన్‌కు ప్రతి సెల్ యొక్క సున్నితత్వాన్ని లెక్కించడానికి మేము రిసీవర్ పనితీరు విశ్లేషణ (ROC)ని ఉపయోగించాము (పద్ధతులు చూడండి).ఈ విధంగా పొందిన న్యూరోమెట్రిక్ ఫంక్షన్‌లను నేరుగా న్యూరాన్‌ల సైకోఫిజికల్ సెన్సిటివిటీని లాటిస్ టెక్స్‌చర్‌లతో పోల్చడానికి అదే సెషన్‌లో కోతుల సైకోఫిజికల్ లక్షణాలతో నేరుగా పోల్చవచ్చు.మేము నమూనాలోని అన్ని యూనిట్‌ల కోసం రెండు సిగ్నల్ డిటెక్షన్ విశ్లేషణలను చేసాము, నమూనా యొక్క ప్రతి దిశకు (మళ్ళీ, పైకి లేదా క్రిందికి) ప్రత్యేక న్యూరోమెట్రిక్ లక్షణాలను గణిస్తూ.ఈ విశ్లేషణ కోసం, మేము ట్రయల్స్‌ను మాత్రమే చేర్చాము, ఇందులో (i) ఉద్దీపనలు ఆకృతి క్యూను కలిగి ఉంటాయి మరియు (ii) కోతులు ఆ క్యూకి అనుగుణంగా ప్రతిస్పందించాయి (అంటే, “సరైన” ట్రయల్స్).
గ్రేటింగ్‌లు పైకి (ఎడమ) లేదా క్రిందికి (కుడివైపు) మారడం కోసం వరుసగా, ఆకృతి గుర్తుకు విరుద్ధంగా ఫైర్ రేట్లు రూపొందించబడ్డాయి, ఘన రేఖ ఉత్తమంగా సరిపోయే లీనియర్ రిగ్రెషన్‌ను సూచిస్తుంది మరియు ఎగువ (దిగువ) వరుసలోని డేటా అంజీర్‌లో చూపిన వాటి నుండి తీసుకోబడుతుంది.అన్నం.3a సెల్, b (Fig. 3c, d).రిగ్రెషన్ స్లోప్ ఫీచర్‌లు ప్రతి సెల్/లాటిస్ ఓరియంటేషన్ కలయికకు ప్రాధాన్య ఆకృతి సూచనలను (కోహెరెంట్/పారదర్శకంగా) కేటాయించడానికి ఉపయోగించబడ్డాయి (ప్రతి ఉద్దీపన స్థితికి n ≥ 20 ట్రయల్స్).ఎర్రర్ బార్‌లు సగటు యొక్క ప్రామాణిక విచలనాన్ని సూచిస్తాయి.baలో చూపబడిన యూనిట్ల న్యూరోమెట్రిక్ విధులు అదే సెషన్‌లో సేకరించిన సైకోమెట్రిక్ ఫంక్షన్‌లతో కలిసి వివరించబడ్డాయి.ఇప్పుడు, ప్రతి ఫీచర్ కోసం, మేము ఇష్టపడే టూల్‌టిప్ ఎంపికను (ఆర్డినేట్) (టెక్స్ట్ చూడండి) ఆకృతి యొక్క సైన్ కాంట్రాస్ట్ (abscissa) శాతంగా ప్లాట్ చేస్తాము.ఆకృతి కాంట్రాస్ట్ మార్చబడింది, తద్వారా ప్రాధాన్య టూల్‌టిప్‌లు సానుకూలంగా ఉంటాయి మరియు ఖాళీ టూల్‌టిప్‌లు ప్రతికూలంగా ఉంటాయి.పైకి (క్రిందికి) డ్రిఫ్టింగ్ గ్రిడ్‌ల నుండి డేటా ఎడమ (కుడి) ప్యానెల్‌లలో, ఎగువ (దిగువ) వరుసలలో చూపబడింది - Fig. 3a,b (Fig. 3c,d)లో చూపిన కణాల నుండి డేటా.న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ థ్రెషోల్డ్ (N/P) నిష్పత్తులు ప్రతి ప్యానెల్‌లో చూపబడతాయి.మాట్లాడారు.వచ్చే చిక్కులు, సెకన్లు.సెకను, డైరెక్టరీ.దిశ, ప్రావిన్స్ ప్రాధాన్యత, psi.సైకోమెట్రీ, న్యూరాలజీ.
రెండు ప్రాతినిధ్య MT కణాల యొక్క లాటిస్ ట్యూనింగ్ వక్రతలు మరియు న్యూరోమెట్రిక్ ఫంక్షన్‌లు మరియు వాటి సంబంధిత సైకోమెట్రిక్ ఫంక్షన్‌లు, ఈ ప్రతిస్పందనలతో కలిపి, వరుసగా Figure 4a,b యొక్క ఎగువ మరియు దిగువ ప్యానెల్‌లలో చూపబడ్డాయి.ఆకృతి యొక్క సూచన పారదర్శకత నుండి పొందికగా మారడంతో ఈ కణాలు దాదాపు మార్పులేని పెరుగుదల లేదా తగ్గుదలని చూపుతాయి.అదనంగా, ఈ బంధం యొక్క దిశ మరియు బలం జాలక కదలిక దిశపై ఆధారపడి ఉంటుంది.చివరగా, ఈ కణాల ప్రతిస్పందనల నుండి లెక్కించబడిన న్యూరోమెట్రిక్ విధులు ఏకదిశాత్మక గ్రిడ్ కదలిక యొక్క సైకోఫిజికల్ లక్షణాలను మాత్రమే చేరుకున్నాయి (కానీ ఇప్పటికీ వాటికి అనుగుణంగా లేవు).న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ ఫంక్షన్‌లు రెండూ థ్రెషోల్డ్‌లతో సంగ్రహించబడ్డాయి, అంటే సరిగ్గా ఎంచుకున్న కాంట్రాస్ట్‌లో దాదాపు 84%కి సంబంధించినవి (సగటు + 1 sd అమర్చిన సంచిత గాస్సియన్ ఫంక్షన్‌కు అనుగుణంగా).మొత్తం నమూనాలో, N/P నిష్పత్తి, సైకోమెట్రిక్‌కి న్యూరోమెట్రిక్ థ్రెషోల్డ్ నిష్పత్తి, మంకీ Nలో సగటున 12.4 ± 1.2 మరియు కోతి Sలో 15.9 ± 1.8, మరియు లాటిస్ కనీసం ఒక దిశలో కదలాలంటే, ~16% (18) వద్ద మాత్రమే.కోతి N (కోతి S) నుండి %) యూనిట్లు (Fig. 5a).చిత్రంలో చూపిన సెల్ ఉదాహరణ నుండి.గణాంకాలు 3 మరియు 4లో చూసినట్లుగా, న్యూరాన్‌ల యొక్క సున్నితత్వం సెల్ యొక్క ప్రాధాన్య విన్యాసానికి మరియు ప్రయోగాలలో ఉపయోగించే జాలక కదలిక దిశకు మధ్య ఉన్న సంబంధం ద్వారా ప్రభావితమవుతుంది.ప్రత్యేకించి, Fig. 3a,cలోని ఓరియంటేషన్ సర్దుబాటు వక్రతలు ఒకే సైనూసోయిడల్ శ్రేణి యొక్క న్యూరాన్ విన్యాస సెట్టింగ్ మరియు మా ఆకృతి గల శ్రేణిలో పారదర్శక/కోహెరెంట్ మోషన్‌కు దాని సున్నితత్వం మధ్య సంబంధాన్ని ప్రదర్శిస్తాయి. ఇది రెండు కోతులకు సంబంధించినది (ANOVA; 10° రిజల్యూషన్‌తో బిన్ చేయబడిన సంబంధిత ప్రాధాన్య దిశలు; కోతి N: F = 2.12, p <0.01; Monkey S: F = 2.01, p <0.01). ఇది రెండు కోతులకు సంబంధించినది (ANOVA; 10° రిజల్యూషన్‌తో బిన్ చేయబడిన సంబంధిత ప్రాధాన్య దిశలు; కోతి N: F = 2.12, p <0.01; Monkey S: F = 2.01, p <0.01). ఈ ఉదాహరణ обезьяна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ఇది రెండు కోతులకు సంబంధించినది (ANOVA; 10° రిజల్యూషన్‌లో వర్గీకరించబడిన సంబంధిత ప్రాధాన్య దిశలు; కోతి N: F=2.12, p<0.01; Monkey S: F=2.01, p<0.01) .两只猴子都是这种情况（方差分析；以10° 分辨率合并的相对首选方向，2 ；猴子S: F = 2.01, p <0.01）.两 只 猴子 都 是 这 种<0.01 ; ))) ఇది ఒక ఉదాహరణ F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). ఇది రెండు కోతులకు సంబంధించినది (ANOVA; 10° రిజల్యూషన్‌లో పూల్ చేయబడిన సంబంధిత ప్రాధాన్య విన్యాసాన్ని; కోతి N: F=2.12, p<0.01; Monkey S: F=2.01, p<0.01).న్యూరాన్ సెన్సిటివిటీ (Fig. 5a)లో పెద్ద స్థాయిలో వైవిధ్యం ఉన్నందున, సాపేక్ష ప్రాధాన్య ధోరణులపై న్యూరాన్ సెన్సిటివిటీ ఆధారపడటాన్ని దృశ్యమానం చేయడానికి, మేము మొదట గ్రిడ్ నమూనా (అంటే దిశ) యొక్క కదలిక కోసం "ఉత్తమ" ధోరణికి ప్రతి సెల్ యొక్క ప్రాధాన్య విన్యాసాన్ని సాధారణీకరించాము.దీనిలో గ్రేటింగ్ ఇష్టపడే సెల్ ఓరియంటేషన్ మరియు గ్రేటింగ్ నమూనా యొక్క విన్యాసానికి మధ్య అతి చిన్న కోణాన్ని ఏర్పరుస్తుంది).న్యూరాన్‌ల సాపేక్ష థ్రెషోల్డ్‌లు (“చెత్త” లాటిస్ ఓరియంటేషన్ కోసం థ్రెషోల్డ్/“అత్యుత్తమ” లాటిస్ ఓరియంటేషన్ కోసం థ్రెషోల్డ్) ఈ సాధారణీకరించిన ప్రాధాన్య ధోరణితో విభిన్నంగా ఉన్నాయని మేము కనుగొన్నాము, ఈ థ్రెషోల్డ్ నిష్పత్తిలో గరిష్టాలు నమూనాలు లేదా కాంపోనెంట్ ఓరియంటేషన్‌ల చుట్టూ సంభవిస్తాయి (మూర్తి 5 బి).)). ప్లాయిడ్ నమూనా లేదా కాంపోనెంట్ దిశలలో ఒకదానికి (Fig. 5c; Rayleigh పరీక్ష; Monkey N: z = 8.33, p <10−3, వృత్తాకార సగటు = 190.13 deg ± 9.83 deg మరియు S. 5 మంకీ అంతటా) p. 9, 9 deg; id ఇంటర్-గ్రేటింగ్ కోణాలు (సప్లిమెంటరీ ఫిగ్. 2). ప్లాయిడ్ నమూనా లేదా కాంపోనెంట్ డైరెక్షన్‌లలో ఒకదాని వైపు ప్రతి నమూనాలోని యూనిట్‌లలో ప్రాధాన్య దిశల పంపిణీలో పక్షపాతం ద్వారా ఈ ప్రభావం వివరించబడలేదు (Fig. 5c; రేలీ పరీక్ష; కోతి N: z = 8.33, p <10−3 , వృత్తాకార సగటు = 190.13 deg ± 9.0 z. 5 అంతటా కోతి: 9 =0 z. ప్లాయిడ్ ఇంటర్-గ్రేటింగ్ కోణాలు (సప్లిమెంటరీ ఫిగ్. 2). ఎఫెక్ట్ నెల్జియా బైలో ఓబ్యాస్నిట్ స్మెషనియమ్ రాస్ప్రెడెలెనియ ప్రెడ్పోచ్టితెల్నియమ్ నేప్రోవైడ్ వ్యూ స్టోరోను ఒడ్నోగో యిజ్ క్లాత్చత్ నాప్రావ్లెనియ్ లేదా నాప్రావ్లెనియ్ కాంపోనెంటోవ్ (రిస్. 5వ; క్రైటెరియ్ రేలియా, <p:30; 30,30). ప్రతి నమూనాలోని యూనిట్‌లలో ప్రాధాన్యత దిశల పంపిణీలో చెకర్డ్ డైరెక్షన్‌లు లేదా కాంపోనెంట్ డైరెక్షన్‌లలో ఒకదానికి మారడం ద్వారా ఈ ప్రభావం వివరించబడలేదు (Fig. 5c; Rayleigh test; Monkey 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 ఉంటుంది (అనుబంధ మూర్తి 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案或组件案或组件案或组5c；瑞利测试；猴子N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 廖案释形 圆形 圆形 圆形 圆形 圆形 圆形z ఎఫెక్టు కాదు. ఇషనో లిబో వ్ స్టోరోను స్ట్రక్చర్ రీషెట్కి, లిబో వి స్టోరోను ఓడ్నోయ్ ఇజ్ ఒరియెంటసైయ్ కాంపోనెంటోవ్ (రిస్. 5; N: z = 8,33, p <10-3). ప్రతి నమూనాలోని కణాలలో ప్రాధాన్య ధోరణుల పంపిణీ జాలక నిర్మాణం వైపు లేదా కాంపోనెంట్ ఓరియంటేషన్‌లలో ఒకదాని వైపు పక్షపాతంగా ఉంటుంది అనే వాస్తవం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (Fig. 5c; Rayleigh's test; Monkey 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 ఉంటాయి (అనుబంధ Fig. 2).అందువల్ల, ఆకృతి గల గ్రిడ్‌లకు న్యూరాన్‌ల యొక్క సున్నితత్వం MT ట్యూనింగ్ యొక్క ప్రాథమిక లక్షణాలపై కనీసం కొంత భాగం ఆధారపడి ఉంటుంది.
ఎడమ పానెల్ N/P నిష్పత్తుల పంపిణీని చూపుతుంది (న్యూరాన్/సైకోఫిజియోలాజికల్ థ్రెషోల్డ్);ప్రతి సెల్ రెండు డేటా పాయింట్లను అందిస్తుంది, నమూనా కదిలే ప్రతి దిశకు ఒకటి.నమూనాలోని అన్ని యూనిట్ల కోసం కుడి పానెల్ సైకోఫిజికల్ థ్రెషోల్డ్‌లను (ఆర్డినేట్) వర్సెస్ న్యూరానల్ థ్రెషోల్డ్‌లను (అబ్సిస్సా) ప్లాట్ చేస్తుంది.ఎగువ (దిగువ) వరుసలోని డేటా కోతి N (S) నుండి వచ్చింది.b సాధారణీకరించిన థ్రెషోల్డ్ నిష్పత్తులు సరైన లాటిస్ ఓరియంటేషన్ మరియు ఇష్టపడే సెల్ ఓరియంటేషన్ మధ్య వ్యత్యాసం యొక్క పరిమాణానికి వ్యతిరేకంగా రూపొందించబడ్డాయి."ఉత్తమ" దిశ అనేది గ్రేటింగ్ స్ట్రక్చర్ యొక్క దిశగా నిర్వచించబడింది (ఒకే సైనూసోయిడల్ గ్రేటింగ్‌తో కొలుస్తారు) ఇష్టపడే సెల్ దిశకు దగ్గరగా ఉంటుంది.డేటా మొదట సాధారణీకరించబడిన ప్రాధాన్య ధోరణి (10° బిన్‌లు) ద్వారా బిన్ చేయబడింది, ఆపై థ్రెషోల్డ్ నిష్పత్తులు గరిష్ట విలువకు సాధారణీకరించబడ్డాయి మరియు ప్రతి బిన్‌లో సగటున ఉంటాయి.లాటిస్ భాగాల విన్యాసాన్ని కంటే కొంచెం పెద్దదిగా లేదా చిన్నదిగా ఉన్న ప్రాధాన్యత గల విన్యాసాన్ని కలిగి ఉన్న కణాలు లాటిస్ నమూనా యొక్క విన్యాసానికి సున్నితత్వంలో అతిపెద్ద వ్యత్యాసాన్ని కలిగి ఉంటాయి.c ప్రతి కోతిలో రికార్డ్ చేయబడిన అన్ని MT యూనిట్ల ప్రాధాన్య విన్యాస పంపిణీ యొక్క పింక్ హిస్టోగ్రాం.
చివరగా, MT యొక్క ప్రతిస్పందన గ్రేటింగ్ కదలిక దిశ మరియు మా సెగ్మెంటేషన్ సిగ్నల్స్ (ఆకృతి) వివరాల ద్వారా మాడ్యులేట్ చేయబడింది.న్యూరానల్ మరియు సైకోఫిజికల్ సెన్సిటివిటీ యొక్క పోలిక సాధారణంగా, కోతుల కంటే కాంట్రాస్ట్ టెక్చర్ సిగ్నల్‌లకు MT యూనిట్లు చాలా తక్కువ సున్నితత్వాన్ని కలిగి ఉన్నాయని తేలింది.అయినప్పటికీ, యూనిట్ యొక్క ప్రాధాన్య ధోరణి మరియు గ్రిడ్ కదలిక దిశ మధ్య వ్యత్యాసంపై ఆధారపడి న్యూరాన్ యొక్క సున్నితత్వం మార్చబడింది.అత్యంత సున్నితమైన కణాలు దాదాపుగా జాలక నమూనాను లేదా రాజ్యాంగ ధోరణులలో ఒకదానిని కవర్ చేసే ఓరియంటేషనల్ ప్రాధాన్యతలను కలిగి ఉంటాయి మరియు మా నమూనాల యొక్క చిన్న ఉపసమితి కోతుల విరుద్ధ వ్యత్యాసాల అవగాహన కంటే సున్నితంగా లేదా మరింత సున్నితంగా ఉంటుంది.ఈ మరింత సున్నితమైన యూనిట్‌ల నుండి వచ్చే సంకేతాలు కోతులలోని అవగాహనతో మరింత దగ్గరి సంబంధం కలిగి ఉన్నాయో లేదో తెలుసుకోవడానికి, మేము అవగాహన మరియు న్యూరానల్ ప్రతిస్పందనల మధ్య పరస్పర సంబంధాన్ని పరిశీలించాము.
నాడీ కార్యకలాపాలు మరియు ప్రవర్తన మధ్య సంబంధాన్ని ఏర్పరచడంలో ఒక ముఖ్యమైన దశ, స్థిరమైన ఉద్దీపనలకు న్యూరాన్లు మరియు ప్రవర్తనా ప్రతిస్పందనల మధ్య పరస్పర సంబంధాలను ఏర్పరచడం.సెగ్మెంటేషన్ జడ్జిమెంట్‌లకు నాడీ ప్రతిస్పందనలను లింక్ చేయడానికి, ఒకేలా ఉన్నప్పటికీ, వివిధ ట్రయల్స్‌లో విభిన్నంగా గ్రహించబడే ఉద్దీపనను సృష్టించడం చాలా కీలకం.ప్రస్తుత అధ్యయనంలో, ఇది సున్నా ఆకృతి కాంట్రాస్ట్ గ్రేటింగ్ ద్వారా స్పష్టంగా సూచించబడుతుంది.మేము నొక్కిచెప్పినప్పటికీ, జంతువుల సైకోమెట్రిక్ ఫంక్షన్‌ల ఆధారంగా, కనిష్ట (~20% కంటే తక్కువ) వాచక విరుద్ధంగా ఉండే గ్రేటింగ్‌లు సాధారణంగా పొందికగా లేదా పారదర్శకంగా పరిగణించబడతాయి.
MT ప్రతిస్పందనలు గ్రహణ నివేదికలతో ఎంతవరకు పరస్పర సంబంధం కలిగి ఉన్నాయో లెక్కించడానికి, మేము మా గ్రిడ్ డేటా యొక్క ఎంపిక సంభావ్యత (CP) విశ్లేషణను చేసాము (3 చూడండి).సంక్షిప్తంగా, CP అనేది పారామెట్రిక్ కాని, ప్రామాణికం కాని కొలత, ఇది స్పైక్ ప్రతిస్పందనలు మరియు గ్రహణ తీర్పుల మధ్య సంబంధాన్ని అంచనా వేస్తుంది.సున్నా టెక్చరల్ కాంట్రాస్ట్‌తో గ్రిడ్‌లను ఉపయోగించి ట్రయల్స్‌కు విశ్లేషణను పరిమితం చేయడం మరియు ఈ ట్రయల్స్‌లో ప్రతి రకానికి కోతులు కనీసం ఐదు ఎంపికలు చేసిన సెషన్‌లు, మేము గ్రిడ్ కదలిక యొక్క ప్రతి దిశకు విడిగా SRని లెక్కించాము. కోతులలో, మేము యాదృచ్ఛికంగా ఊహించిన దాని కంటే గణనీయంగా ఎక్కువ సగటు CP విలువను గమనించాము (Fig. 6a, d; Monkey N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 6.7 శూన్యానికి వ్యతిరేకంగా రెండు-వైపుల t-పరీక్ష: p = 0.5, t = 6.7: p. <50, 6.7 95% CI: (0.54, 0.57), రెండు-వైపుల t-పరీక్ష, t = 9.4, p <10−13). కోతులలో, మేము యాదృచ్ఛికంగా ఊహించిన దాని కంటే గణనీయంగా ఎక్కువ సగటు CP విలువను గమనించాము (Fig. 6a, d; Monkey N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 6.7 శూన్యానికి వ్యతిరేకంగా రెండు-వైపుల t-పరీక్ష: p = 0.5, t = 6.7: p. <50, 6.7 95% CI: (0.54, 0.57), రెండు-వైపుల t-టెస్ట్, t = 9.4, p <10−13) .కోతులలో, మేము యాదృచ్ఛికంగా ఊహించిన దాని కంటే సగటు CPని గమనించాము (Fig. 6a, d; Monkey N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), రెండు-తోక 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-తోక 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ﹳ＇图6a, d （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%, 9.5%检验, t = 9.4, p <10−13) .మీరు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 గాంచింది ఈజ్యనా N: CP : 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10- 13) . కోతులలో, మేము యాదృచ్ఛికంగా ఊహించిన దాని కంటే ఎక్కువ సగటు CP విలువలను గమనించాము (Fig. 6a, d; Monkey N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), రెండు-తోక గల t-పరీక్ష CP వర్సెస్ సున్నా = 0.5, t = 6.0-9, CP, 5% సగటు. CI: (0.54, 0.57), రెండు తోక గల t- ప్రమాణం, t = 9.4, p <10-13).అందువల్ల, MT న్యూరాన్‌లు ఎటువంటి బహిరంగ విభజన సంకేతాలు లేనప్పుడు కూడా మరింత బలంగా కాల్పులు జరుపుతాయి, లాటిస్ మోషన్ యొక్క జంతువు యొక్క అవగాహన సెల్ యొక్క ప్రాధాన్యతలతో సరిపోలినప్పుడు.
కోతి N నుండి నమోదు చేయబడిన నమూనాల కోసం ఆకృతి సంకేతాలు లేకుండా 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 మొత్తంగా MT కార్యాచరణ మరియు అవగాహన మధ్య ముఖ్యమైన సంబంధం ఉందని సూచిస్తుంది.b ఏదైనా సంభావ్య ఎంపిక పక్షపాతం యొక్క ప్రభావాన్ని పరిశీలించడానికి, కోతులు కనీసం ఒక పొరపాటు చేసిన ఏదైనా ఉద్దీపన కోసం మేము విడిగా CPని లెక్కించాము.ఎంపిక సంభావ్యతలు అన్ని ఉద్దీపనల (ఎడమ) కోసం ఎంపిక నిష్పత్తి (ప్రిఫ్/శూన్య) మరియు ఆకృతి మార్క్ కాంట్రాస్ట్ యొక్క సంపూర్ణ విలువలు (కుడి, 120 వ్యక్తిగత కణాల నుండి డేటా) యొక్క విధిగా రూపొందించబడ్డాయి.ఎడమ ప్యానెల్‌లోని ఘన రేఖ మరియు షేడెడ్ ప్రాంతం 20-పాయింట్ కదిలే సగటు యొక్క సగటు ± సెమ్‌ను సూచిస్తాయి.అధిక సిగ్నల్ కాంట్రాస్ట్‌తో కూడిన గ్రిడ్‌ల వంటి అసమతుల్య ఎంపిక నిష్పత్తులతో ఉద్దీపనల కోసం లెక్కించిన ఎంపిక సంభావ్యతలు మరింత విభిన్నంగా ఉంటాయి మరియు అవకాశాల చుట్టూ క్లస్టర్ చేయబడ్డాయి.కుడి ప్యానెల్‌లోని బూడిద-షేడెడ్ ప్రాంతం అధిక ఎంపిక సంభావ్యత యొక్క గణనలో చేర్చబడిన లక్షణాల విరుద్ధతను నొక్కి చెబుతుంది.c పెద్ద ఎంపిక (ఆర్డినేట్) యొక్క సంభావ్యత న్యూరాన్ (అబ్సిస్సా) యొక్క థ్రెషోల్డ్‌కు వ్యతిరేకంగా రూపొందించబడింది.ఎంపిక యొక్క సంభావ్యత థ్రెషోల్డ్‌తో గణనీయంగా ప్రతికూలంగా సంబంధం కలిగి ఉంది.కన్వెన్షన్ df అనేది ac లాగానే ఉంటుంది, కానీ పేర్కొనకపోతే మంకీ S నుండి 157 సింగిల్ డేటాకు వర్తిస్తుంది.g అత్యధిక ఎంపిక సంభావ్యత (ఆర్డినేట్) ప్రతి రెండు కోతులకు సాధారణీకరించిన ప్రాధాన్యత దిశకు (అబ్సిస్సా) వ్యతిరేకంగా రూపొందించబడింది.ప్రతి MT సెల్ రెండు డేటా పాయింట్లను అందించింది (లాటిస్ నిర్మాణం యొక్క ప్రతి దిశకు ఒకటి).h ప్రతి అంతర్-రాస్టర్ కోణానికి ఎంపిక సంభావ్యత యొక్క పెద్ద బాక్స్ ప్లాట్లు.ఘన రేఖ మధ్యస్థాన్ని సూచిస్తుంది, పెట్టె దిగువ మరియు ఎగువ అంచులు వరుసగా 25వ మరియు 75వ శాతాలను సూచిస్తాయి, మీసాలు ఇంటర్‌క్వార్టైల్ పరిధికి 1.5 రెట్లు విస్తరించబడ్డాయి మరియు ఈ పరిమితిని మించిన అవుట్‌లెర్స్‌లు గుర్తించబడతాయి.ఎడమ (కుడి) ప్యానెల్‌లలోని డేటా 120 (157) వ్యక్తిగత N(S) కోతి కణాల నుండి.i ఎంపిక యొక్క అత్యధిక సంభావ్యత (ఆర్డినేట్) ఉద్దీపన (abscissa) ప్రారంభ సమయానికి వ్యతిరేకంగా రూపొందించబడింది.పరీక్ష అంతటా పెద్ద CP స్లైడింగ్ దీర్ఘచతురస్రాల్లో (వెడల్పు 100 ms, దశ 10 ms) లెక్కించబడుతుంది మరియు ఆపై యూనిట్ల కంటే సగటున లెక్కించబడుతుంది.
కొన్ని మునుపటి అధ్యయనాలు CP బేసల్ రేటు పంపిణీలో సాపేక్ష సంఖ్యలో ట్రయల్స్‌పై ఆధారపడి ఉంటుందని నివేదించాయి, అంటే ప్రతి ఎంపిక యొక్క నిష్పత్తిలో పెద్ద వ్యత్యాసాలను కలిగించే ఉద్దీపనలకు ఈ కొలత తక్కువ నమ్మదగినది.మా డేటాలో ఈ ప్రభావాన్ని పరీక్షించడానికి, సైన్ టెక్స్‌చర్ కాంట్రాస్ట్‌తో సంబంధం లేకుండా అన్ని ఉద్దీపనల కోసం మేము విడిగా CPని లెక్కించాము మరియు కోతులు కనీసం ఒక తప్పుడు ట్రయల్‌ని నిర్వహించాయి.CP వరుసగా మూర్తి 6b మరియు e (ఎడమ పానెల్)లో ప్రతి జంతువుకు ఎంపిక నిష్పత్తి (ప్రిఫ్/శూన్య)కి వ్యతిరేకంగా రూపొందించబడింది.కదిలే సగటులను పరిశీలిస్తే, ఎంపిక అసమానత యొక్క విస్తృత శ్రేణిలో CP సంభావ్యత కంటే ఎక్కువగా ఉందని స్పష్టమవుతుంది, అసమానత (పెరుగుదల) 0.2 (పైన) కంటే తక్కువగా ఉన్నప్పుడు మాత్రమే తగ్గుతుంది.జంతువుల సైకోమెట్రిక్ లక్షణాల ఆధారంగా, ఈ పరిమాణంలోని ఎంపిక గుణకాలు అధిక-కాంట్రాస్ట్ ఆకృతి సూచనలతో (కోహెరెంట్ లేదా పారదర్శకంగా) ఉద్దీపనలకు మాత్రమే వర్తిస్తాయని మేము ఆశిస్తున్నాము (Fig. 2a, bలోని సైకోమెట్రిక్ లక్షణాల ఉదాహరణలను చూడండి).ఇది అలా ఉందో లేదో మరియు స్పష్టమైన విభజన సంకేతాలతో ఉద్దీపనలకు కూడా ముఖ్యమైన PC కొనసాగిందో లేదో తెలుసుకోవడానికి, మేము PCలో సంపూర్ణ టెక్చరల్ కాంట్రాస్ట్ విలువల ప్రభావాన్ని పరిశీలించాము (Fig. 6b, e-right).ఊహించినట్లుగా, CP మితమైన (~20% కాంట్రాస్ట్ లేదా తక్కువ) సెగ్మెంటేషన్ సూచనలను కలిగి ఉన్న ఉద్దీపనల సంభావ్యత కంటే గణనీయంగా ఎక్కువగా ఉంది.
ఓరియెంటేషన్, వేగం మరియు అసమతుల్యత గుర్తింపు పనులలో, MT CP అత్యంత సున్నితమైన న్యూరాన్‌లలో అత్యధికంగా ఉంటుంది, బహుశా ఈ న్యూరాన్‌లు అత్యంత సమాచార సంకేతాలను కలిగి ఉంటాయి30,32,33,34.ఈ ఫలితాలకు అనుగుణంగా, గ్రాండ్ CP మధ్య నిరాడంబరమైన కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము, అంజీర్ 1 యొక్క కుడివైపు ప్యానెల్‌లో హైలైట్ చేయబడిన ఆకృతి క్యూ కాంట్రాస్ట్‌లలో z- స్కోర్ చేసిన ఫైరింగ్ రేట్ల నుండి లెక్కించబడుతుంది.6b, e, మరియు న్యూరోనల్ 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 న్యూరోనల్ 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, ఫిగ్. 6b, e, మరియు న్యూరానల్ థ్రెషోల్డ్ (Fig. 6c, f; రేఖాగణిత) యొక్క కుడివైపు ప్యానెల్‌లో హైలైట్ చేయబడిన ఆకృతి సిగ్నల్ కాంట్రాస్ట్‌ల నుండి ఉత్తేజిత ఫ్రీక్వెన్సీ z-స్కోర్ నుండి లెక్కించబడిన పెద్ద CP మధ్య నిరాడంబరమైన కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము.జియామెట్రిక్ రిగ్రెషన్ అర్థం;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值 (图6c,f；几何平均回归；猴子Nమీరు和 元 阈值 （图 图 6c、 f ； 回归ఈ ఫలితాలకు అనుగుణంగా, మేము అంజీర్ 6b,e మరియు న్యూరాన్ థ్రెషోల్డ్‌లలో చూపిన విధంగా పెద్ద CVల మధ్య నిరాడంబరమైన కానీ ముఖ్యమైన సహసంబంధాన్ని గమనించాము (మూర్తి 6c,f; రేఖాగణిత సగటు రిగ్రెషన్; కోతి N: r = -0.12, p = 0.07).Обезьяна S: г = -0,18, р < 10-3). మంకీ S: r = -0.18, p <10-3).అందువల్ల, అత్యంత ఇన్ఫర్మేటివ్ యూనిట్‌ల నుండి సంకేతాలు కోతులలో ఆత్మాశ్రయ విభజన తీర్పులతో ఎక్కువ కోవియరెన్స్‌ను చూపుతాయి, ఇది గ్రహణ పక్షపాతానికి జోడించబడిన ఏవైనా ఆకృతి సూచనలతో సంబంధం లేకుండా ముఖ్యమైనది.
గ్రిడ్ ఆకృతి సంకేతాలకు సున్నితత్వం మరియు ఇష్టపడే న్యూరానల్ ఓరియంటేషన్ మధ్య మేము ఇంతకుముందు సంబంధాన్ని ఏర్పరచుకున్నందున, CP మరియు ఇష్టపడే ధోరణి (Fig. 6g) మధ్య ఇదే విధమైన సంబంధం ఉందా అని మేము ఆశ్చర్యపోయాము.మంకీ S (ANOVA; కోతి N: 1.03, p=0.46; కోతి S: F=1.73, p=0.04)లో ఈ అనుబంధం కొంచెం ముఖ్యమైనది.మేము ఏదైనా జంతువులో లాటిస్‌ల మధ్య లాటిస్ కోణాలకు CPలో తేడాను గమనించలేదు (Fig. 6h; ANOVA; కోతి N: F = 1.8, p = 0.11; Monkey S: F = 0.32, p = 0. 9).
చివరగా, ట్రయల్ అంతటా CP మారుతుందని మునుపటి పని చూపించింది.కొన్ని అధ్యయనాలు సాపేక్షంగా మృదువైన ఎంపిక ప్రభావంతో పదునైన పెరుగుదలను నివేదించాయి, అయితే ఇతరులు ట్రయల్ సమయంలో ఎంపిక సిగ్నల్‌లో స్థిరమైన పెరుగుదలను నివేదించారు31.ప్రతి కోతి కోసం, మేము ట్రయల్స్‌లో ప్రతి యూనిట్ యొక్క CPని జీరో టెక్చరల్ కాంట్రాస్ట్‌తో (వరుసగా, ప్యాటర్న్ ఓరియంటేషన్ ప్రకారం) 100 ms సెల్‌లలో ప్రీ-స్టిమ్యులస్ స్టార్ట్ నుండి పోస్ట్ మీన్ ప్రీ-స్టిమ్యులస్ ఆఫ్‌సెట్‌కి ప్రతి 20 ms స్టెప్ చేసాము.రెండు కోతుల సగటు CP డైనమిక్స్ అంజీర్ 6iలో చూపబడింది.రెండు సందర్భాల్లో, ఉద్దీపన ప్రారంభమైన తర్వాత దాదాపు 500 ms వరకు CP యాదృచ్ఛిక స్థాయిలో లేదా దానికి చాలా దగ్గరగా ఉంటుంది, ఆ తర్వాత CP బాగా పెరిగింది.
మారుతున్న సున్నితత్వంతో పాటు, సెల్ ట్యూనింగ్ లక్షణాల యొక్క కొన్ని లక్షణాల ద్వారా కూడా CP ప్రభావితమవుతుందని చూపబడింది.ఉదాహరణకు, బైనాక్యులర్ అసమతుల్యత గుర్తింపు టాస్క్‌లోని CP పరికరం యొక్క బైనాక్యులర్ అసమతుల్యత ట్యూనింగ్ కర్వ్ యొక్క సమరూపతపై ఆధారపడి ఉంటుందని Uka మరియు DeAngelis34 కనుగొన్నారు.ఈ సందర్భంలో, కాంపోనెంట్ డైరెక్షన్ సెలెక్టివ్ (CDS) సెల్‌ల కంటే ప్యాటర్న్ డైరెక్షన్ సెలెక్టివ్ (PDS) సెల్‌లు ఎక్కువ సెన్సిటివ్‌గా ఉన్నాయా అనేది సంబంధిత ప్రశ్న.PDS కణాలు బహుళ స్థానిక ధోరణులను కలిగి ఉన్న నమూనాల సాధారణ ధోరణిని ఎన్కోడ్ చేస్తాయి, అయితే CDS కణాలు దిశాత్మక నమూనా భాగాల కదలికకు ప్రతిస్పందిస్తాయి (Fig. 7a).
మోడ్ కాంపోనెంట్ ట్యూనింగ్ ఉద్దీపన మరియు ఊహాత్మక గ్రేటింగ్ (ఎడమ) మరియు గ్రేటింగ్ ఓరియంటేషన్ ట్యూనింగ్ వక్రతలు (కుడివైపు) యొక్క స్కీమాటిక్ ప్రాతినిధ్యం (మెటీరియల్స్ మరియు మెథడ్స్ చూడండి).సంక్షిప్తంగా, ఒక సెల్ గ్రిడ్ కాంపోనెంట్‌ల అంతటా ఏకీకృతమై నమూనా కదలికను సూచిస్తే, వ్యక్తిగత గ్రిడ్ మరియు గ్రిడ్ ఉద్దీపనలకు (చివరి నిలువు వరుస, ఘన వక్రత) అదే ట్యూనింగ్ వక్రతలను ఆశించవచ్చు.దీనికి విరుద్ధంగా, సెల్ సిగ్నల్ నమూనా యొక్క కదలికలో భాగాల దిశలను ఏకీకృతం చేయకపోతే, గ్రేటింగ్ మోషన్ యొక్క ప్రతి దిశలో గరిష్టంగా ఒక ద్విపార్శ్వ ట్యూనింగ్ వక్రరేఖను ఆశించవచ్చు, అది సెల్ యొక్క ప్రాధాన్యత దిశలో (చివరి నిలువు వరుస, డాష్ చేసిన వక్రరేఖ)కి అనువదిస్తుంది..గణాంకాలు 1 మరియు 2. 3 మరియు 4 (ఎగువ వరుస - Figs. 3a,b మరియు 4a,b (పైన)లోని కణాలు (పైన); దిగువ ప్యానెల్ - Fig. 3c, d మరియు 4a, b (దిగువ)లోని కణాలు చూపిన కణాల కోసం సైనూసోయిడల్ శ్రేణి యొక్క విన్యాసాన్ని సర్దుబాటు చేయడానికి b (ఎడమ) వక్రతలు.(మధ్య) లాటిస్ ట్యూనింగ్ ప్రొఫైల్‌ల నుండి గణించబడిన నమూనా మరియు భాగాల అంచనాలు.(కుడి) ఈ కణాల గ్రిడ్‌ని సర్దుబాటు చేయడం.ఎగువ (దిగువ) ప్యానెల్ యొక్క కణాలు టెంప్లేట్ (భాగం) కణాలుగా వర్గీకరించబడ్డాయి.నమూనా భాగాల వర్గీకరణలు మరియు పొందికైన/పారదర్శక కణ కదలికల ప్రాధాన్యతల మధ్య ఒకరితో ఒకరు అనురూప్యం లేదని గమనించండి (అంజీర్ 4aలో ఈ కణాల కోసం ఆకృతి లాటిస్ ప్రతిస్పందనలను చూడండి).c N (ఎడమ) మరియు S (కుడి) కోతులలో నమోదు చేయబడిన అన్ని కణాల కోసం z-స్కోరు భాగం (abscissa) యొక్క పాక్షిక సహసంబంధ గుణకం వ్యతిరేకంగా రూపొందించబడిన z-స్కోర్ మోడ్ (ఆర్డినేట్) యొక్క పాక్షిక సహసంబంధ గుణకం.మందపాటి గీతలు కణాలను వర్గీకరించడానికి ఉపయోగించే ప్రాముఖ్యత ప్రమాణాలను సూచిస్తాయి.d అధిక ఎంపిక సంభావ్యత యొక్క ప్లాట్ (ఆర్డినేట్) వర్సెస్ మోడ్ ఇండెక్స్ (Zp – Zc) (abscissa).ఎడమ (కుడి) ప్యానెల్‌లలోని డేటా కోతి N(S)ని సూచిస్తుంది.బ్లాక్ సర్కిల్‌లు డేటాను సుమారు యూనిట్‌లలో సూచిస్తాయి.రెండు జంతువులలో, అధిక ఎంపిక సంభావ్యత మరియు నమూనా సూచిక మధ్య ఒక ముఖ్యమైన సహసంబంధం ఉంది, ఇది బహుళ భాగాల విన్యాసాన్ని కలిగిన ఉద్దీపనలలో సిగ్నల్ నమూనా ధోరణితో కణాలకు ఎక్కువ గ్రహణ సంబంధాన్ని సూచిస్తుంది.
కాబట్టి, 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 రూపొందించబడిన టెంప్లేట్ కాంపోనెంట్ అంచనాలు మరియు గణాంకాలు 1 మరియు 3లో చూపబడిన కణాల కోసం లాటిస్ ట్యూనింగ్ వక్రతలు. గణాంకాలు 3 మరియు 4 మరియు అనుబంధ మూర్తి 3 మూర్తి 7bలో చూపబడ్డాయి.నమూనా పంపిణీ మరియు కాంపోనెంట్ సెలెక్టివిటీ, అలాగే ప్రతి వర్గంలోని ప్రాధాన్య సెల్ ఓరియంటేషన్, ప్రతి కోతికి అంజీర్ 7c మరియు అనుబంధ అంజీర్‌లో చూపబడ్డాయి.వరుసగా 4.
నమూనా భాగాల దిద్దుబాటుపై CP యొక్క ఆధారపడటాన్ని అంచనా వేయడానికి, మేము మొదట నమూనా సూచిక 35 (PI)ని లెక్కించాము, పెద్ద (చిన్న) విలువలు పెద్ద PDS (CDS) సారూప్య ప్రవర్తనను సూచిస్తాయి.పైన పేర్కొన్న ప్రదర్శన ప్రకారం: (i) ఇష్టపడే సెల్ ఓరియంటేషన్ మరియు ఉద్దీపన కదలిక దిశ మధ్య వ్యత్యాసంతో న్యూరానల్ సెన్సిటివిటీ మారుతూ ఉంటుంది మరియు (ii) మా నమూనాలో న్యూరానల్ సెన్సిటివిటీ మరియు ఎంపిక సంభావ్యత మధ్య ముఖ్యమైన సహసంబంధం ఉంది, మేము PI మధ్య సంబంధాన్ని కనుగొన్నాము మరియు మొత్తం CP మధ్య సంబంధాన్ని కనుగొన్నాము. CP PIతో గణనీయంగా సంబంధం కలిగి ఉందని మేము కనుగొన్నాము (Fig. 7d; రేఖాగణిత సగటు రిగ్రెషన్; గ్రాండ్ CP మంకీ N: r = 0.23, p <0.01; ద్వి-స్థిరమైన CP కోతి N r = 0.21, p = 0.013; గ్రాండ్ CP మంకీ S: r = 0.30; r = 0.30 0.29, p <10−3), PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించని కణాల కంటే ఎక్కువ ఎంపిక-సంబంధిత కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది. CP PIతో గణనీయంగా సంబంధం కలిగి ఉందని మేము కనుగొన్నాము (Fig. 7d; రేఖాగణిత సగటు రిగ్రెషన్; గ్రాండ్ CP మంకీ N: r = 0.23, p <0.01; ద్వి-స్థిరమైన CP కోతి N r = 0.21, p = 0.013; గ్రాండ్ CP మంకీ S: r = 0.30; r = 0.30 0.29, p <10−3), PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించని కణాల కంటే ఎక్కువ ఎంపిక-సంబంధిత కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది. మీ ఒబ్నరుజిలి, CHTO CP జానచిటెల్నో కోర్రెలిరుయెట్ s PI (రిస్. 7d; రీగ్రేషియా స్రెడ్నెగో జియోమెట్రీచెస్కో =20CP;CB;20; 3, p <0,01; бистабильная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,30, p <10-4; p < 10-3), CHTO UPDATE CHEM CDS మరియు NEKLASSIFICIROWANNYE క్లేట్కి. CP PIతో గణనీయంగా సంబంధం కలిగి ఉందని మేము కనుగొన్నాము (మూర్తి 7d; రేఖాగణిత సగటు రిగ్రెషన్; గొప్ప కోతి CP N: r = 0.23, p <0.01; bistable Monkey CP N r = 0.21, p = 0.013; great Monkey CP S: r = 0.30 b. , p <10-3), PDSగా వర్గీకరించబడిన సెల్‌లు CDS మరియు వర్గీకరించని సెల్‌ల కంటే ఎంపికతో అనుబంధించబడిన మరింత 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 <0.01：r = 0.23,p <0.01： = 0.23,p <0.01Ｓ司.013；大CP 猴S： r = 0.30,p <10-4；双稳态CP 猴S：r = 0.29,p <10-3）,表明分类为PDS 皻明分类为PDS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 మీ ఒబ్నరుజిలీ, CHTO CP బైల్ జనాచిటెల్నో స్విజాన్ s PI (రిస్. 7d; రీగ్రేషియా స్రెడ్నెగో గమోమెట్రిచెస్కోగో =20CP;30;CP;30; , p <0,01; бистабильная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,013) 0,30, p <10-4; CP PIతో గణనీయంగా అనుబంధించబడిందని మేము కనుగొన్నాము (మూర్తి 7d; రేఖాగణిత సగటు రిగ్రెషన్; గొప్ప కోతి CP N: r = 0.23, p <0.01; bistable Monkey CP N r = 0.21, p = 0.013; గొప్ప కోతి CP S: r = 0.30-4; 0.30-4) бистабильный CP ఒబెసియన్ S: r = 0,29, p <10-3), CHTO указывает на то, что клетки, классифицироканые, пласифицированые, మీ సెలెక్సియోన్నుయు యాక్టివ్నోస్ట్, కెమ్ క్లేట్కీ, క్లాసిఫైడ్ క్యాక్ సిడిఎస్ మరియు నెక్లాసిఫిషియోవన్నీ. కోతి S బిస్టేబుల్ CP: r = 0.29, p <10-3), CDSగా వర్గీకరించబడిన మరియు వర్గీకరించని కణాల కంటే PDSగా వర్గీకరించబడిన కణాలు ఎక్కువ ఎంపిక కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది.PI మరియు న్యూరాన్ సెన్సిటివిటీ రెండూ CPతో పరస్పర సంబంధం కలిగి ఉన్నందున, ప్రభావం యొక్క సంభావ్యతకు దారితీసే రెండు చర్యల మధ్య పరస్పర సంబంధాన్ని తోసిపుచ్చడానికి మేము బహుళ రిగ్రెషన్ విశ్లేషణలను (PI మరియు న్యూరాన్ సెన్సిటివిటీని స్వతంత్ర వేరియబుల్స్‌గా మరియు పెద్ద CP తో డిపెండెంట్ వేరియబుల్‌గా) చేసాము.. 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; Monkey S: థ్రెషోల్డ్ vs. CP: r = −0, PI0.1 10−3), CP సున్నితత్వంతో పెరుగుతుందని మరియు స్వతంత్ర పద్ధతిలో PIతో 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; Monkey S: థ్రెషోల్డ్ vs. CP: r = −0, PI0.1 10−3), CP సున్నితత్వంతో పెరుగుతుందని మరియు స్వతంత్ర పద్ధతిలో PIతో పెరుగుతుందని సూచిస్తుంది. Оба частных коэффициента корреляции были значимими (ఒబెసియానా N: పోరోగ్ ప్రోటీవ్ CP: r = -0,13, p = 0,04 ,01; ఒబెసియనా S: పోరోగ్ ప్రోటీవ్ CP: r = -0,16, p = 0,03, PI vs CP: 0,29, p <10-3), предполагая, что CP సూచనలు 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; Monkey S: థ్రెషోల్డ్ vs. CP: r = -0.16, p = 0.0 సూచిస్తోంది), CP: r = -0.16, p = 0.0 vs. 1 CP CP సున్నితత్వంతో పెరుగుతుంది మరియు PIతో స్వతంత్రంగా పెరుగుతుంది.两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13,p = 0.04,PI 与CP：r = 0.23,p <0.0.0.0.0 ：r = -0.16, p = 0.03, PI vs CP：0.29,p <10-3），表明CP 随灵敏度增加而增加，并且以独立斏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 Оба частных коэффициента корреляции были значимими (ఒబెసియానా N: పోరోగ్ ప్రోటీవ్ CP: r = -0,13, p = 0,04 , 01 ఇటెల్నోస్ట్యు మరియు యువెలిచ్వాలాస్ సి పిఐ నెజావిసిమిమ్ 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; Monkey S: థ్రెషోల్డ్ vs. CP: r = -0.16, p = 0.0 dic1, p = 0.0 vs. CP సున్నితత్వంతో పెరిగింది మరియు స్వతంత్ర పద్ధతిలో PIతో పెరిగింది.
మేము MT ప్రాంతంలో ఒకే కార్యాచరణను రికార్డ్ చేసాము మరియు కోతులు పొందికైన లేదా పారదర్శక కదలికలుగా కనిపించే నమూనాల గురించి వారి అవగాహనను నివేదించాయి.పక్షపాత అవగాహనలకు జోడించిన సెగ్మెంటేషన్ సూచనలకు న్యూరాన్‌ల యొక్క సున్నితత్వం విస్తృతంగా మారుతూ ఉంటుంది మరియు యూనిట్ యొక్క ప్రాధాన్య ధోరణి మరియు ఉద్దీపన కదలిక దిశ మధ్య ఉన్న సంబంధం ద్వారా కనీసం కొంత భాగాన్ని నిర్ణయించబడుతుంది.మొత్తం జనాభాలో, న్యూరోనల్ సెన్సిటివిటీ సైకోఫిజికల్ సెన్సిటివిటీ కంటే గణనీయంగా తక్కువగా ఉంది, అయినప్పటికీ చాలా సున్నితమైన యూనిట్లు సెగ్మెంటేషన్ సిగ్నల్‌లకు ప్రవర్తనా సున్నితత్వాన్ని సరిపోల్చాయి లేదా మించిపోయాయి.అదనంగా, ఫైరింగ్ ఫ్రీక్వెన్సీ మరియు పర్సెప్షన్ మధ్య గణనీయమైన కోవియారెన్స్ ఉంది, విభజనలో MT సిగ్నలింగ్ పాత్ర పోషిస్తుందని సూచిస్తుంది.ప్రాధాన్య విన్యాసాన్ని కలిగి ఉన్న కణాలు లాటిస్ సెగ్మెంటేషన్ సిగ్నల్స్‌లోని తేడాలకు వాటి సున్నితత్వాన్ని ఆప్టిమైజ్ చేశాయి మరియు బహుళ స్థానిక ధోరణులతో ఉద్దీపనలలో ప్రపంచ కదలికను సూచిస్తాయి, అత్యధిక గ్రహణ సహసంబంధాన్ని ప్రదర్శిస్తాయి.ఈ ఫలితాలను మునుపటి పనితో పోల్చడానికి ముందు మేము ఇక్కడ కొన్ని సంభావ్య సమస్యలను పరిశీలిస్తాము.
జంతు నమూనాలలో బిస్టేబుల్ ఉద్దీపనలను ఉపయోగించి పరిశోధనలో ప్రధాన సమస్య ఏమిటంటే, ప్రవర్తనా ప్రతిస్పందనలు ఆసక్తి యొక్క పరిమాణంపై ఆధారపడి ఉండకపోవచ్చు.ఉదాహరణకు, మా కోతులు లాటిస్ కోహెరెన్స్ గురించి వారి అవగాహన నుండి స్వతంత్రంగా ఆకృతి ధోరణి గురించి వారి అవగాహనను నివేదించగలవు.డేటా యొక్క రెండు అంశాలు ఇది అలా కాదని సూచిస్తున్నాయి.ముందుగా, మునుపటి నివేదికలకు అనుగుణంగా, వేరుచేసే శ్రేణి భాగాల సాపేక్ష ధోరణి కోణాన్ని మార్చడం క్రమపద్ధతిలో పొందికైన అవగాహన యొక్క సంభావ్యతను మార్చింది.రెండవది, సగటున, ఆకృతి సంకేతాలను కలిగి ఉన్న లేదా కలిగి లేని నమూనాలకు ప్రభావం ఒకే విధంగా ఉంటుంది.కలిసి చూస్తే, ఈ పరిశీలనలు కోతి ప్రతిస్పందనలు అనుసంధానం/పారదర్శకత గురించి వారి అవగాహనను స్థిరంగా ప్రతిబింబిస్తాయని సూచిస్తున్నాయి.
మరొక సంభావ్య సమస్య ఏమిటంటే, మేము నిర్దిష్ట పరిస్థితి కోసం గ్రేటింగ్ మోషన్ పారామితులను ఆప్టిమైజ్ చేయలేదు.న్యూరోనల్ మరియు సైకోఫిజికల్ సెన్సిటివిటీని పోల్చిన అనేక మునుపటి పనులలో, ప్రతి నమోదిత యూనిట్ [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45] కోసం ఉద్దీపనలు ఒక్కొక్కటిగా ఎంపిక చేయబడ్డాయి.ఇక్కడ మేము ప్రతి సెల్ యొక్క విన్యాసాన్ని సర్దుబాటు చేయడంతో సంబంధం లేకుండా లాటిస్ నమూనా యొక్క కదలిక యొక్క అదే రెండు దిశలను ఉపయోగించాము.లాటిస్ కదలిక మరియు ప్రాధాన్య విన్యాసానికి మధ్య అతివ్యాప్తితో సున్నితత్వం ఎలా మారిందో అధ్యయనం చేయడానికి ఈ డిజైన్ మాకు అనుమతి ఇచ్చింది, అయినప్పటికీ, కణాలు పొందికైన లేదా పారదర్శక లాటిస్‌లను ఇష్టపడతాయో లేదో నిర్ణయించడానికి ఇది ముందస్తు ఆధారాన్ని అందించలేదు.అందువల్ల, మేము మెష్ కదలిక యొక్క ప్రతి వర్గానికి ప్రాధాన్యత మరియు సున్నా లేబుల్‌లను కేటాయించడానికి, ఆకృతి గల మెష్‌కు ప్రతి సెల్ యొక్క ప్రతిస్పందనను ఉపయోగించి అనుభావిక ప్రమాణాలపై ఆధారపడతాము.అసంభవం అయినప్పటికీ, ఇది మా సున్నితత్వ విశ్లేషణ మరియు CP సిగ్నల్ డిటెక్షన్ ఫలితాలను క్రమపద్ధతిలో వక్రీకరించవచ్చు, ఏదైనా కొలతను ఎక్కువగా అంచనా వేయవచ్చు.అయితే, క్రింద చర్చించబడిన విశ్లేషణ మరియు డేటా యొక్క అనేక అంశాలు ఇది అలా కాదని సూచిస్తున్నాయి.
ముందుగా, ఎక్కువ (తక్కువ) కార్యాచరణను ప్రేరేపించే ఉద్దీపనలకు ప్రాధాన్య (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, ప్రతి సెల్ కనెక్ట్ చేయబడిన లేదా పారదర్శక క్రీడలను "ఇష్టపడుతుందా" అని నిర్ణయించే రిగ్రెషన్ విశ్లేషణలో CP (టెక్చర్డ్ గ్రేటింగ్‌ల కోసం "తప్పు" ట్రయల్స్ మరియు ఆకృతి కాంట్రాస్ట్ లేకుండా గ్రేటింగ్‌ల కోసం అన్ని ట్రయల్స్) లెక్కించడానికి ఉపయోగించే ప్రతిస్పందనలు చేర్చబడలేదు.ఇది ఎంపిక ప్రభావాలు ప్రాధాన్యత/చెల్లని హోదాల పట్ల పక్షపాతంగా లేవని నిర్ధారిస్తుంది, ఫలితంగా గణనీయమైన ఎంపిక సంభావ్యత ఏర్పడుతుంది.
న్యూసమ్ మరియు అతని సహచరుల [36, 39, 46, 47] అధ్యయనాలు చలన దిశ యొక్క ఉజ్జాయింపు అంచనాలో MT పాత్రను మొదట గుర్తించాయి.తదుపరి నివేదికలు MT భాగస్వామ్యాన్ని లోతు34,44,48,49,50,51 మరియు స్పీడ్32,52, చక్కటి ధోరణి33 మరియు ఉద్యమం31,53,54 (3D స్థిరమైన అడవులు) నుండి 3D నిర్మాణం యొక్క అవగాహనపై డేటాను సేకరించాయి.పాలించుటకు).మేము ఈ ఫలితాలను రెండు ముఖ్యమైన మార్గాల్లో విస్తరించాము.మొదట, విజుమోటర్ సిగ్నల్స్ యొక్క గ్రహణ విభజనకు MT ప్రతిస్పందనలు దోహదం చేస్తాయని మేము సాక్ష్యాలను అందిస్తాము.రెండవది, మేము MT మోడ్ ఓరియంటేషన్ సెలెక్టివిటీ మరియు ఈ ఎంపిక సిగ్నల్ మధ్య సంబంధాన్ని గమనించాము.
సంభావితంగా, ప్రస్తుత ఫలితాలు 3-D SFMలో పనిని పోలి ఉంటాయి, ఎందుకంటే రెండూ కదలిక మరియు లోతు క్రమాన్ని కలిగి ఉన్న సంక్లిష్టమైన బిస్టేబుల్ అవగాహన.డాడ్ మరియు ఇతరులు.31 బిస్టేబుల్ 3D SFM సిలిండర్ యొక్క భ్రమణ విన్యాసాన్ని నివేదించే మంకీ టాస్క్‌లో పెద్ద ఎంపిక సంభావ్యతను (0.67) కనుగొన్నారు.మేము బిస్టేబుల్ గ్రిడ్ ఉద్దీపనల కోసం చాలా చిన్న ఎంపిక ప్రభావాన్ని కనుగొన్నాము (రెండు కోతులకు దాదాపు 0.55).CP యొక్క అంచనా ఎంపిక గుణకంపై ఆధారపడి ఉంటుంది కాబట్టి, వివిధ పనులలో వివిధ పరిస్థితులలో పొందిన CPని అర్థం చేసుకోవడం కష్టం.అయినప్పటికీ, మేము గమనించిన ఎంపిక ప్రభావం యొక్క పరిమాణం సున్నా మరియు తక్కువ ఆకృతి కాంట్రాస్ట్ గ్రేటింగ్‌లకు సమానంగా ఉంటుంది మరియు శక్తిని పెంచడానికి మేము తక్కువ/నిర్మిత కాంట్రాస్ట్ ఉద్దీపనలను కలిపినప్పుడు కూడా.కాబట్టి, CPలో ఈ వ్యత్యాసం డేటాసెట్‌ల మధ్య ఎంపిక రేట్‌లలో తేడాల వల్ల వచ్చే అవకాశం లేదు.
3-D SFM స్టిమ్యులేషన్ మరియు బిస్టేబుల్ గ్రిడ్ స్ట్రక్చర్‌ల ద్వారా ప్రేరేపించబడిన తీవ్రమైన మరియు గుణాత్మకంగా భిన్నమైన గ్రహణ స్థితులతో పోలిస్తే, తరువాతి సందర్భంలో అవగాహనతో కూడిన MT ఫైరింగ్ రేట్‌లో నిరాడంబరమైన మార్పులు అస్పష్టంగా అనిపిస్తాయి.ఒక అవకాశం ఏమిటంటే, ఉద్దీపన యొక్క మొత్తం వ్యవధిలో కాల్పుల రేటును లెక్కించడం ద్వారా మేము ఎంపిక ప్రభావాన్ని తక్కువగా అంచనా వేసాము.31 3-D SFMకి భిన్నంగా, MT కార్యాచరణలో వ్యత్యాసాలు ట్రయల్స్‌లో 250 ms అభివృద్ధి చెందాయి మరియు ట్రయల్స్ అంతటా స్థిరంగా పెరిగాయి, ఎంపిక సంకేతాల యొక్క తాత్కాలిక డైనమిక్స్ యొక్క మా విశ్లేషణ (రెండు కోతులలోనూ ఉద్దీపన ప్రారంభమైన తర్వాత 500 ms చూడండి. అదనంగా , ఈ కాలంలో CP మరియు 5 ట్రయల్‌లో మేము CP5 మరియు 5 ట్రయల్‌లో తీవ్రమైన పెరుగుదలను గమనించాము. దీర్ఘ ట్రయల్స్‌లో బిస్టేబుల్ దీర్ఘచతురస్రాకార శ్రేణుల యొక్క మానవ అవగాహన తరచుగా మారుతుందని నివేదించండి. మా ఉద్దీపనలను కేవలం 1.5 సెకన్ల పాటు అందించినప్పటికీ, మన కోతుల అవగాహన కూడా ట్రయల్ సమయంలో పొందిక నుండి పారదర్శకతకు మారవచ్చు (వాటి ప్రతిస్పందనలు క్యూ ఎంపికలో వారి తుది అవగాహనను ప్రతిబింబిస్తాయి.) అందువల్ల, కోతుల యొక్క చివరి ప్రభావాన్ని అంచనా వేసే అవకాశం ఎక్కువగా ఉంటుంది. T సిగ్నల్ రెండు టాస్క్‌లలో వేర్వేరుగా చదవబడుతుంది. CPU సిగ్నల్‌లు సెన్సరీ డీకోడింగ్ మరియు పరస్పర సంబంధం ఉన్న శబ్దం నుండి ఉత్పన్నమవుతాయని చాలా కాలంగా భావించినప్పటికీ, 56 Gu మరియు సహచరులు గణన నమూనాలలో, పరస్పర సంబంధం ఉన్న వేరియబిలిటీ స్థాయిల కంటే భిన్నమైన పూలింగ్ వ్యూహాలు, డోర్సల్ మీడియా లేదా సుపీరియర్‌లలో CPUని బాగా వివరించగలవని కనుగొన్నారు.షీట్ చేంజ్ ఓరియంటేషన్ రికగ్నిషన్ టాస్క్ (MSTd).MTలో మేము గమనించిన చిన్న ఎంపిక ప్రభావం బహుశా పొందిక లేదా పారదర్శకత యొక్క అవగాహనలను సృష్టించడానికి అనేక తక్కువ-సమాచార న్యూరాన్‌ల యొక్క విస్తృతమైన సమగ్రతను ప్రతిబింబిస్తుంది.స్థానిక చలన సూచనలను ఒకటి లేదా రెండు వస్తువులు (బిస్టేబుల్ గ్రేటింగ్‌లు) లేదా సాధారణ వస్తువుల (3-D SFM) యొక్క ప్రత్యేక ఉపరితలాలుగా వర్గీకరించాల్సిన సందర్భంలో, MT ప్రతిస్పందనలు గ్రహణాత్మక తీర్పులతో గణనీయంగా సంబంధం కలిగి ఉన్నాయని స్వతంత్ర సాక్ష్యం, బలమైన MT ప్రతిస్పందనలు ఉన్నాయి.దృశ్య చలన సమాచారాన్ని ఉపయోగించి సంక్లిష్ట చిత్రాలను బహుళ-వస్తు దృశ్యాలుగా విభజించడంలో పాత్ర పోషించాలని ప్రతిపాదించబడింది.
పైన పేర్కొన్నట్లుగా, MT నమూనా సెల్యులార్ కార్యాచరణ మరియు అవగాహన మధ్య అనుబంధాన్ని నివేదించిన మొదటి వ్యక్తి మేము.మోవ్‌షోన్ మరియు సహచరులచే అసలైన రెండు-దశల నమూనాలో రూపొందించబడినట్లుగా, మోడ్ యూనిట్ MT యొక్క అవుట్‌పుట్ దశ.అయినప్పటికీ, మోడ్ మరియు కాంపోనెంట్ సెల్‌లు కంటిన్యూమ్ యొక్క విభిన్న చివరలను సూచిస్తాయని మరియు రీసెప్టివ్ ఫీల్డ్ యొక్క నిర్మాణంలో పారామెట్రిక్ తేడాలు మోడ్ భాగాల యొక్క ట్యూనింగ్ స్పెక్ట్రమ్‌కు కారణమని ఇటీవలి పని చూపించింది.అందువల్ల, మేము CP మరియు PI ల మధ్య ఒక ముఖ్యమైన సహసంబంధాన్ని కనుగొన్నాము, బైనాక్యులర్ అసమతుల్యత సర్దుబాటు సమరూపత మరియు CP మధ్య ఉన్న సంబంధాన్ని పోలిన డెప్త్ రికగ్నిషన్ టాస్క్ లేదా ఓరియంటేషన్ సెట్టింగ్ కాన్ఫిగరేషన్‌లో ఫైన్ ఓరియంటేషన్ డిస్క్రిమినేషన్ టాస్క్‌లో.పత్రాలు మరియు CP 33 మధ్య సంబంధాలు.వాంగ్ మరియు Movshon62 MT ఓరియంటేషన్ సెలెక్టివిటీతో పెద్ద సంఖ్యలో కణాలను విశ్లేషించారు మరియు సగటున, మోడ్ ఇండెక్స్ అనేక ట్యూనింగ్ లక్షణాలతో అనుబంధించబడిందని 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 సహసంబంధం కలిగి ఉందో లేదో లేదా ఈ సంబంధం గ్రహణ విభజన విషయంలో నిర్దిష్టంగా ఉందో లేదో నిర్ణయించడం చాలా ముఖ్యం.
అదే విధంగా, నియెన్‌బోర్గ్ మరియు కమ్మింగ్ 42 కనుగొన్నారు, V2లో బైనాక్యులర్ అసమతుల్యత కోసం ఎంపిక చేయబడిన సమీప మరియు దూర కణాలు లోతు వివక్షత పనిలో సమానంగా సున్నితంగా ఉన్నప్పటికీ, సమీపంలో-ఇష్టపడే సెల్ జనాభా మాత్రమే ముఖ్యమైన CPని ప్రదర్శించింది.ఏది ఏమయినప్పటికీ, కోతులకు ప్రాధాన్యతనిచ్చే సుదూర వ్యత్యాసాలకు తిరిగి శిక్షణ ఇవ్వడం వలన మరింత అనుకూలమైన బోనులలో ముఖ్యమైన CPలు ఏర్పడ్డాయి.ఇతర అధ్యయనాలు కూడా శిక్షణ చరిత్ర గ్రహణ సహసంబంధాలు34,40,63 లేదా MT కార్యాచరణ మరియు అవకలన వివక్షత మధ్య కారణ సంబంధంపై ఆధారపడి ఉంటుందని నివేదించాయి.CP మరియు రెజిమెన్ డైరెక్షన్ సెలెక్టివిటీ మధ్య మేము గమనించిన సంబంధం కోతులు మన సమస్యను పరిష్కరించడానికి ఉపయోగించే నిర్దిష్ట వ్యూహాన్ని ప్రతిబింబిస్తుంది మరియు దృశ్య-మోటారు అవగాహనలో మోడ్ ఎంపిక సంకేతాల యొక్క నిర్దిష్ట పాత్ర కాదు.భవిష్యత్ పనిలో, సెగ్మెంటేషన్ తీర్పులను చేయడానికి ఏ MT సిగ్నల్‌లను ప్రాధాన్యంగా మరియు సరళంగా వెయిట్ చేయాలో నిర్ణయించడంలో లెర్నింగ్ హిస్టరీ గణనీయమైన ప్రభావాన్ని చూపుతుందో లేదో నిర్ణయించడం చాలా ముఖ్యం.
అతివ్యాప్తి చెందుతున్న గ్రిడ్ ప్రాంతాల ప్రకాశాన్ని మార్చడం మానవ పరిశీలకుల నివేదికల యొక్క పొందిక మరియు పారదర్శకతను మరియు మకాక్ MT న్యూరాన్‌లలో దిశాత్మక సర్దుబాట్లను అంచనా వేయగలదని స్టోనర్ మరియు సహచరులు 14, 23 నివేదించారు.అతివ్యాప్తి చెందుతున్న ప్రాంతాల ప్రకాశం భౌతికంగా సరిపోలిన పారదర్శకతతో, పరిశీలకులు మరింత పారదర్శక అవగాహనను నివేదించారని రచయితలు కనుగొన్నారు, అయితే MT న్యూరాన్లు రాస్టర్ భాగాల కదలికను సూచిస్తాయి.దీనికి విరుద్ధంగా, అతివ్యాప్తి చెందుతున్న ప్రకాశం మరియు పారదర్శక అతివ్యాప్తి భౌతికంగా విరుద్ధంగా ఉన్నప్పుడు, పరిశీలకుడు పొందికైన కదలికను గ్రహిస్తాడు మరియు MT న్యూరాన్లు నమూనా యొక్క ప్రపంచ కదలికను సూచిస్తాయి.అందువల్ల, విభజన నివేదికలను విశ్వసనీయంగా ప్రభావితం చేసే దృశ్య ఉద్దీపనలలో భౌతిక మార్పులు కూడా MT ఉద్రేకంలో ఊహించదగిన మార్పులను ప్రేరేపిస్తాయని ఈ అధ్యయనాలు చూపిస్తున్నాయి.ఈ ప్రాంతంలోని ఇటీవలి పని సంక్లిష్ట ఉద్దీపనల యొక్క గ్రహణ రూపాన్ని ట్రాక్ చేసే MT సంకేతాలను అన్వేషించింది18,24,64.ఉదాహరణకు, MT న్యూరాన్‌ల యొక్క ఉపసమితి యాదృచ్ఛిక పాయింట్ మోషన్ మ్యాప్ (RDK)కి బైమోడల్ ట్యూనింగ్‌ను ప్రదర్శిస్తుందని చూపబడింది, ఇవి ఏకదిశాత్మక RDK కంటే తక్కువ దూరం ఉన్న రెండు దిశలతో ఉంటాయి.సెల్యులార్ ట్యూనింగ్ యొక్క బ్యాండ్‌విడ్త్ 19, 25 .ఈ ఉద్దీపనలకు ప్రతిస్పందనగా చాలా MT న్యూరాన్లు ఏకరీతి అనుసరణలను ప్రదర్శిస్తున్నప్పటికీ, మరియు అన్ని MT కణాల యొక్క సాధారణ సగటు ఏకరీతి జనాభా ప్రతిస్పందనను అందించినప్పటికీ, పరిశీలకులు ఎల్లప్పుడూ మొదటి నమూనాను పారదర్శక కదలికగా చూస్తారు.అందువల్ల, బైమోడల్ ట్యూనింగ్‌ను ప్రదర్శించే కణాల ఉపసమితి ఈ అవగాహన కోసం నాడీ ఉపరితలాన్ని ఏర్పరుస్తుంది.ఆసక్తికరంగా, మార్మోసెట్‌లలో, సాంప్రదాయ గ్రిడ్ మరియు గ్రిడ్ ఉద్దీపనలను ఉపయోగించి పరీక్షించినప్పుడు ఈ జనాభా PDS కణాలతో సరిపోలింది.
గ్రహణ విభజనలో MT పాత్రను స్థాపించడంలో కీలకమైన పైన పేర్కొన్న వాటి కంటే మా ఫలితాలు ఒక అడుగు ముందుకు వేస్తాయి.నిజానికి, విభజన అనేది ఒక ఆత్మాశ్రయ దృగ్విషయం.అనేక పాలిస్టేబుల్ విజువల్ డిస్‌ప్లేలు ఒకటి కంటే ఎక్కువ మార్గాల్లో నిరంతర ఉద్దీపనలను నిర్వహించడానికి మరియు అర్థం చేసుకోవడానికి దృశ్యమాన వ్యవస్థ యొక్క సామర్థ్యాన్ని వివరిస్తాయి.మా అధ్యయనంలో నాడీ స్పందనలు మరియు గ్రహణ నివేదికలను ఏకకాలంలో సేకరించడం వలన MT ఫైరింగ్ రేటు మరియు స్థిరమైన ఉద్దీపన యొక్క గ్రహణ వివరణల మధ్య కోవియారెన్స్‌ను అన్వేషించడానికి మాకు అనుమతి ఉంది.ఈ సంబంధాన్ని ప్రదర్శించిన తర్వాత, కారణవాదం యొక్క దిశ స్థాపించబడలేదని మేము అంగీకరిస్తున్నాము, అనగా, కొందరు వాదించినట్లుగా, [65, 66, 67], మేము గమనించిన గ్రహణ విభజన యొక్క సంకేతం స్వయంచాలకంగా ఉందో లేదో తెలుసుకోవడానికి మరిన్ని ప్రయోగాలు అవసరమని మేము అంగీకరిస్తున్నాము.ప్రక్రియ మళ్లీ అధిక ప్రాంతాలు 68, 69, 70 (Fig. 8) నుండి ఇంద్రియ కార్టెక్స్‌కు తిరిగి వచ్చే అవరోహణ సంకేతాలను సూచిస్తుంది.MT యొక్క ప్రధాన కార్టికల్ లక్ష్యాలలో ఒకటైన MSTd71లోని నమూనా-ఎంపిక కణాల యొక్క పెద్ద నిష్పత్తి యొక్క నివేదికలు, MT మరియు MSTd యొక్క ఏకకాల రికార్డింగ్‌లను చేర్చడానికి ఈ ప్రయోగాలను విస్తరించడం అనేది 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”) అనేది (i) నిర్దిష్ట మోడ్ వేగాలకు అనుగుణంగా ఉండే డైరెక్షన్ సెలెక్టివ్ ఇన్‌పుట్ డేటా యొక్క పెద్ద నమూనా మరియు (ii) బలమైన ట్యూనింగ్ సప్రెషన్ ద్వారా సృష్టించబడుతుంది.MT (“C”) దశలోని దిశాత్మకంగా ఎంపిక చేసిన (CDS) భాగం ఇన్‌పుట్ దిశలో ఇరుకైన నమూనా పరిధిని కలిగి ఉంటుంది మరియు ఎక్కువ ట్యూనింగ్ సప్రెషన్‌ను కలిగి ఉండదు.అన్‌ట్యూన్ చేయని నిరోధం రెండు జనాభాపై నియంత్రణను ఇస్తుంది.రంగు బాణాలు ప్రాధాన్య పరికర విన్యాసాన్ని సూచిస్తాయి.స్పష్టత కోసం, V1-MT కనెక్షన్‌ల ఉపసమితి మరియు ఒక కాంపోనెంట్ మోడ్ మరియు ఓరియంటేషన్ ఎంపిక పెట్టె మాత్రమే చూపబడతాయి.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 నడిపిస్తుంది మరియు అవగాహనను వక్రీకరిస్తుంది.దీనికి విరుద్ధంగా, ఫీడ్‌బ్యాక్ (FB) విషయంలో, ఇంద్రియ డేటా మరియు కాగ్నిటివ్ బయాస్‌ల ద్వారా అప్‌స్ట్రీమ్ సర్క్యూట్‌లలో గ్రహణశక్తి నిర్ణయాలు ఉత్పన్నమవుతాయి మరియు PDS సెల్‌లపై (మందపాటి గీతలు) 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 అందించడానికి మోడల్ యొక్క పరోక్ష మార్గాలు సర్దుబాటు చేయబడ్డాయి.MT లేయర్ CDS మాడ్యూల్ ప్రత్యక్ష మరియు పరోక్ష ఇన్‌పుట్‌ల యొక్క వెయిటెడ్ మొత్తాన్ని నిర్వహిస్తుంది మరియు అవుట్‌పుట్‌ను PDS మాడ్యూల్‌కు పంపుతుంది.PDS పోటీ నిరోధం ద్వారా నియంత్రించబడుతుంది.మళ్ళీ, మోడల్ యొక్క ప్రాథమిక నిర్మాణాన్ని గీయడానికి అవసరమైన కనెక్షన్లు మాత్రమే చూపబడతాయి.ఇక్కడ, a లో ప్రతిపాదించిన దానికంటే భిన్నమైన FF మెకానిజం PDSకి సెల్యులార్ లాటిస్ ప్రతిస్పందనలో ఎక్కువ వైవిధ్యానికి దారి తీస్తుంది, ఇది మళ్లీ నిర్ణయ నమూనాలలో పక్షపాతానికి దారితీస్తుంది.ప్రత్యామ్నాయంగా, PDS కణాలలో ఎక్కువ CP ఇప్పటికీ PDS కణాలకు FB అటాచ్మెంట్ యొక్క బలం లేదా సామర్థ్యంలో పక్షపాతం ఫలితంగా ఉండవచ్చు.సాక్ష్యం రెండు మరియు మూడు-దశల MT PDS నమూనాలు మరియు CP FF మరియు FB వివరణలకు మద్దతు ఇస్తుంది.
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 సర్జరీ ప్రయోగాలకు ముందు, జంతువులకు MT ప్రాంతానికి చేరుకునే నిలువు ఎలక్ట్రోడ్‌ల కోసం అనుకూల-నిర్మిత రికార్డింగ్ చాంబర్, స్టెయిన్‌లెస్ స్టీల్ హెడ్‌రెస్ట్ స్టాండ్ (క్రిస్ట్ ఇన్‌స్ట్రుమెంట్స్, హాగర్‌స్టౌన్, MD) మరియు కొలిచిన స్క్లెరల్ సెర్చ్ కాయిల్‌తో కంటి పొజిషన్‌ను 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 యూనివర్సిటీ ఆఫ్ చికాగో ఇనిస్టిట్యూషనల్ యానిమల్ కేర్ అండ్ యూజ్ కమిటీ (IAUKC)చే ఆమోదించబడ్డాయి.
అన్ని దృశ్య ఉద్దీపనలు నలుపు లేదా బూడిద నేపథ్యానికి వ్యతిరేకంగా రౌండ్ ఎపర్చరులో ప్రదర్శించబడ్డాయి.రికార్డింగ్ సమయంలో, ఈ రంధ్రం యొక్క స్థానం మరియు వ్యాసం ఎలక్ట్రోడ్ చిట్కా 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 ఒక గ్రేటింగ్ నమూనా (20 cd/m2, 50% కాంట్రాస్ట్, 50% డ్యూటీ సైకిల్, 5 డిగ్రీలు/సెకను) రెండు దీర్ఘచతురస్రాకార గ్రేటింగ్‌లను వాటి దిశకు లంబంగా ఒక దిశలో డ్రిఫ్టింగ్ చేయడం ద్వారా సృష్టించబడుతుంది (Fig. 1b).మానవ పరిశీలకులు ఈ గ్రిడ్ నమూనాలను బిస్టేబుల్ ఉద్దీపనలుగా, కొన్నిసార్లు ఒకే దిశలో (కోహెరెంట్ మూవ్‌మెంట్) కదులుతున్నట్లు మరియు కొన్నిసార్లు రెండు వేర్వేరు ఉపరితలాలు వేర్వేరు దిశల్లో (పారదర్శక కదలిక) కదులుతున్నట్లు గ్రహిస్తారని గతంలో చూపబడింది.లాటిస్ నమూనా యొక్క భాగాలు, సమరూపంగా ఉంటాయి - లాటిస్‌ల మధ్య కోణం 95° నుండి 130° వరకు ఉంటుంది (సెట్ నుండి తీయబడింది: 95°, 100°, 105°, 115°, 120°, 125°, 130°°, సెషన్‌లో 10°, 130°° అనువర్తనానికి ముందుగా అందించబడినది, అయితే సెషన్ మొత్తంలో మేము 1 మానసిక కోణంలో 130°ని కలిగి ఉన్నాము. సుమారుగా 90° లేదా 270° (నమూనా ధోరణి).ప్రతి సెషన్‌లో, ఇంటర్‌లాటిస్ లాటిస్‌లో ఒక మూల మాత్రమే ఉపయోగించబడింది;ప్రతి సెషన్ సమయంలో, ప్రతి ట్రయల్ కోసం నమూనా యొక్క ధోరణి యాదృచ్ఛికంగా రెండు అవకాశాల నుండి ఎంపిక చేయబడింది.
గ్రిడ్ యొక్క అవగాహనను అస్పష్టం చేయడానికి మరియు చర్య కోసం రివార్డ్ కోసం అనుభావిక ఆధారాన్ని అందించడానికి, మేము ప్రతి గ్రిడ్ కాంపోనెంట్ యొక్క లైట్ బార్ స్టెప్ 72లో యాదృచ్ఛిక పాయింట్ అల్లికలను పరిచయం చేస్తాము.యాదృచ్ఛికంగా ఎంచుకున్న పిక్సెల్‌ల (Fig. 1c) యొక్క ప్రకాశాన్ని పెంచడం లేదా తగ్గించడం (నిర్ధారిత మొత్తం ద్వారా) ద్వారా ఇది సాధించబడుతుంది.ఆకృతి కదలిక యొక్క దిశ ఒక బలమైన సంకేతాన్ని ఇస్తుంది, ఇది పరిశీలకుని యొక్క అవగాహనను పొందికైన లేదా పారదర్శక కదలిక వైపుకు మారుస్తుంది (Fig. 1c).పొందికైన పరిస్థితులలో, అన్ని అల్లికలు, ఆకృతి లాటిస్ కవర్‌ల యొక్క ఏ భాగంతో సంబంధం లేకుండా, నమూనా దిశలో అనువదించబడతాయి (Fig. 1c, పొందికైనది).పారదర్శక స్థితిలో, ఆకృతి అది కవర్ చేసే గ్రేటింగ్ దిశకు లంబంగా కదులుతుంది (Fig. 1c, పారదర్శకంగా) (సప్లిమెంటరీ మూవీ 1).టాస్క్ యొక్క సంక్లిష్టతను నియంత్రించడానికి, చాలా సెషన్‌లలో ఈ ఆకృతి గుర్తు కోసం Michelson కాంట్రాస్ట్ (Lmax-Lmin/Lmax+Lmin) సెట్ (-80, -40, -20, -10, -5, 0, 5) నుండి మారుతూ ఉంటుంది., 10, 20, 40, 80).కాంట్రాస్ట్ అనేది రాస్టర్ యొక్క సాపేక్ష ప్రకాశంగా నిర్వచించబడింది (కాబట్టి 80% కాంట్రాస్ట్ విలువ 36 లేదా 6 cd/m2 ఆకృతికి దారి తీస్తుంది).మంకీ Nలో 6 సెషన్‌లు మరియు మంకీ Sలో 5 సెషన్‌ల కోసం, మేము ఇరుకైన టెక్చరల్ కాంట్రాస్ట్ పరిధులను (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) ఉపయోగించాము, ఇక్కడ సైకోఫిజికల్ లక్షణాలు పూర్తి-శ్రేణి కాంట్రాస్ట్ మాదిరిగానే ఉంటాయి, కానీ సంతృప్తత లేకుండా.
ట్యూనింగ్ ఉద్దీపనలు సైనూసోయిడల్ గ్రిడ్‌లు (కాంట్రాస్ట్ 50%, 1 సైకిల్/డిగ్రీ, 5 డిగ్రీలు/సెకన్) 16 సమాన అంతరాల దిశలలో ఒకదానిలో కదులుతున్నాయి లేదా ఈ దిశల్లో కదులుతున్న సైనూసోయిడల్ గ్రిడ్‌లు (రెండు వ్యతిరేక 135° కోణాలు ఒకదానిపై ఒకటి సూపర్‌పోజ్ చేయబడిన సైనూసోయిడల్ గ్రేటింగ్‌లను కలిగి ఉంటాయి).నమూనా యొక్క అదే దిశలో.