Nature.com ની મુલાકાત લેવા બદલ આભાર.તમે જે બ્રાઉઝર સંસ્કરણનો ઉપયોગ કરી રહ્યાં છો તે મર્યાદિત CSS સપોર્ટ ધરાવે છે.શ્રેષ્ઠ અનુભવ માટે, અમે ભલામણ કરીએ છીએ કે તમે અપડેટ કરેલ બ્રાઉઝરનો ઉપયોગ કરો (અથવા Internet Explorer માં સુસંગતતા મોડને અક્ષમ કરો).આ દરમિયાન, સતત સમર્થન સુનિશ્ચિત કરવા માટે, અમે શૈલીઓ અને JavaScript વિના સાઇટને રેન્ડર કરીશું.
એક જ સમયે ત્રણ સ્લાઇડ્સ દર્શાવતું કેરોયુઝલ.એક સમયે ત્રણ સ્લાઇડ્સમાંથી આગળ વધવા માટે પાછલા અને આગલા બટનોનો ઉપયોગ કરો અથવા એક સમયે ત્રણ સ્લાઇડ્સમાંથી આગળ વધવા માટે અંતે સ્લાઇડર બટનનો ઉપયોગ કરો.
ઉચ્ચ-રિઝોલ્યુશન વિઝનને ઑબ્જેક્ટ ગુણધર્મોને પુનર્નિર્માણ કરવા માટે દંડ રેટિના નમૂના અને એકીકરણની જરૂર છે.એ નોંધવું અગત્યનું છે કે વિવિધ પદાર્થોમાંથી સ્થાનિક નમૂનાઓનું મિશ્રણ કરતી વખતે, ચોકસાઈ ખોવાઈ જાય છે.તેથી, વિભાજન, અલગ પ્રક્રિયા માટે ઇમેજના વિસ્તારોનું જૂથ, ધારણા માટે મહત્વપૂર્ણ છે.અગાઉના કાર્યમાં, આ પ્રક્રિયાના અભ્યાસ માટે બિસ્ટેબલ લેટીસ સ્ટ્રક્ચર્સનો ઉપયોગ કરવામાં આવ્યો હતો, જેને એક અથવા વધુ ગતિશીલ સપાટી તરીકે ગણી શકાય.અહીં, અમે પ્રાઈમેટ વિઝ્યુઅલ પાથવેના મધ્યવર્તી પ્રદેશોમાં પ્રવૃત્તિ અને વિભાજનના નિર્ણયો વચ્ચેના સંબંધની જાણ કરીએ છીએ.ખાસ કરીને, અમે શોધી કાઢ્યું કે પસંદગીયુક્ત રીતે દિશા આપનાર મધ્ય ટેમ્પોરલ ચેતાકોષો બિસ્ટેબલ ગ્રેટિંગ્સની ધારણાને વિકૃત કરવા માટે ઉપયોગમાં લેવાતા ટેક્સચર સંકેતો પ્રત્યે સંવેદનશીલ હતા અને સતત ઉત્તેજનાની ટ્રાયલ અને વ્યક્તિલક્ષી દ્રષ્ટિ વચ્ચે નોંધપાત્ર સંબંધ દર્શાવે છે.આ સહસંબંધ એવા એકમોમાં વધારે છે જે બહુવિધ સ્થાનિક દિશાઓ સાથે પેટર્નમાં વૈશ્વિક હિલચાલનો સંકેત આપે છે.આમ, અમે તારણ કાઢીએ છીએ કે મધ્યવર્તી સમયના ડોમેનમાં જટિલ દ્રશ્યોને ઘટક પદાર્થો અને સપાટીઓમાં અલગ કરવા માટે ઉપયોગમાં લેવાતા સંકેતો છે.
દ્રષ્ટિ માત્ર એજ ઓરિએન્ટેશન અને સ્પીડ જેવી પ્રાથમિક ઇમેજ લાક્ષણિકતાઓના ચોક્કસ ભેદભાવ પર જ આધાર રાખે છે, પરંતુ પર્યાવરણીય ગુણધર્મો જેમ કે ઑબ્જેક્ટ આકાર અને ટ્રેજેક્ટરી1ની ગણતરી કરવા માટે આ લાક્ષણિકતાઓના યોગ્ય સંકલન પર વધુ મહત્ત્વનું છે.જો કે, સમસ્યાઓ ઊભી થાય છે જ્યારે રેટિના ઇમેજ કેટલાક સમાન બુદ્ધિગમ્ય લક્ષણ જૂથો 2, 3, 4 (ફિગ. 1a) ને સમર્થન આપે છે.ઉદાહરણ તરીકે, જ્યારે સ્પીડ સિગ્નલના બે સેટ ખૂબ જ નજીક હોય, ત્યારે આને એક મૂવિંગ ઑબ્જેક્ટ અથવા અનેક મૂવિંગ ઑબ્જેક્ટ્સ (ફિગ. 1b) તરીકે વ્યાજબી રીતે અર્થઘટન કરી શકાય છે.આ વિભાજનની વ્યક્તિલક્ષી પ્રકૃતિને સમજાવે છે, એટલે કે તે છબીની નિશ્ચિત મિલકત નથી, પરંતુ અર્થઘટનની પ્રક્રિયા છે.સામાન્ય ધારણા માટે તેનું સ્પષ્ટ મહત્વ હોવા છતાં, ગ્રહણશીલ વિભાજનના ન્યુરલ આધાર વિશેની અમારી સમજ શ્રેષ્ઠ રીતે અધૂરી રહે છે.
સમજશક્તિ વિભાજન સમસ્યાનું કાર્ટૂન ચિત્ર.નેકર ક્યુબ (ડાબે)માં ઊંડાણ વિશે નિરીક્ષકની ધારણા બે સંભવિત સ્પષ્ટતાઓ (જમણે) વચ્ચે વૈકલ્પિક રીતે થાય છે.આ એટલા માટે છે કારણ કે ઈમેજમાં એવા કોઈ સિગ્નલ નથી કે જે મગજને આકૃતિના 3D ઓરિએન્ટેશન (જમણી બાજુના મોનોક્યુલર ઓક્લુઝન સિગ્નલ દ્વારા પ્રદાન કરવામાં આવે છે) વિશિષ્ટ રીતે નક્કી કરવા દે.b જ્યારે અવકાશી નિકટતામાં બહુવિધ ગતિ સંકેતો રજૂ કરવામાં આવે છે, ત્યારે વિઝન સિસ્ટમે નિર્ધારિત કરવું જોઈએ કે સ્થાનિક નમૂનાઓ એક અથવા વધુ વસ્તુઓમાંથી છે કે કેમ.સ્થાનિક ગતિ સંકેતોની સહજ અસ્પષ્ટતા, એટલે કે ઑબ્જેક્ટ ગતિનો ક્રમ સમાન સ્થાનિક ગતિ પેદા કરી શકે છે, જેના પરિણામે વિઝ્યુઅલ ઇનપુટના બહુવિધ સમાન બુદ્ધિગમ્ય અર્થઘટન થાય છે, એટલે કે અહીં વેક્ટર ક્ષેત્રો એક સપાટીની સુસંગત ગતિ અથવા ઓવરલેપિંગ સપાટીઓની પારદર્શક ગતિમાંથી ઉદ્ભવી શકે છે.c (ડાબે) અમારા ટેક્ષ્ચર ગ્રીડ ઉત્તેજનાનું ઉદાહરણ.લંબચોરસ ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી.જાળીને દિશાઓની એકલ, નિયમિત, જોડાયેલ હિલચાલ (લાલ તીર) અથવા સંયોજન દિશાઓની પારદર્શક હિલચાલ તરીકે સમજી શકાય છે.રેન્ડમ પોઈન્ટ ટેક્સચર સંકેતોના ઉમેરા દ્વારા જાળીની ધારણા વિકૃત થાય છે.(મધ્યમ) પીળા રંગમાં પ્રકાશિત થયેલ વિસ્તાર અનુક્રમે સુસંગત અને પારદર્શક સંકેતો માટે ફ્રેમની શ્રેણી તરીકે વિસ્તૃત અને પ્રદર્શિત થાય છે.દરેક કિસ્સામાં બિંદુની હિલચાલ લીલા અને લાલ તીરો દ્વારા દર્શાવવામાં આવે છે.(જમણે) ફ્રેમની સંખ્યા વિરુદ્ધ પસંદગી બિંદુની સ્થિતિ (x, y) નો ગ્રાફ.સુસંગત કિસ્સામાં, તમામ ટેક્સચર એક જ દિશામાં ડ્રિફ્ટ થાય છે.પારદર્શિતાના કિસ્સામાં, રચના ઘટકની દિશામાં આગળ વધે છે.d અમારા ગતિ વિભાજન કાર્યનું કાર્ટૂન ચિત્ર.વાંદરાઓ દરેક અજમાયશની શરૂઆત એક નાનો ટપકું ફિક્સ કરીને કરતા હતા.ટૂંકા વિલંબ પછી, MT RF ના સ્થાન પર ચોક્કસ પ્રકારની ગ્રેટિંગ પેટર્ન (સુસંગતતા/પારદર્શિતા) અને ટેક્સચર સિગ્નલનું કદ (દા.ત. કોન્ટ્રાસ્ટ) દેખાયું.દરેક કસોટી દરમિયાન, જાળી પેટર્નની બે સંભવિત દિશાઓમાંની એકમાં ડ્રિફ્ટ થઈ શકે છે.ઉત્તેજના ઉપાડ પછી, પસંદગીના લક્ષ્યો MT RF ની ઉપર અને નીચે દેખાયા.વાંદરાઓએ યોગ્ય પસંદગીના લક્ષ્ય માટે ગ્રીડની તેમની ધારણાને સાકડેસમાં દર્શાવવી જોઈએ.
વિઝ્યુઅલ હિલચાલની પ્રક્રિયા સારી રીતે લાક્ષણિકતા ધરાવે છે અને આ રીતે ગ્રહણશીલ વિભાજનના ન્યુરલ સર્કિટનો અભ્યાસ કરવા માટે ઉત્તમ મોડેલ પ્રદાન કરે છે.કેટલાક કોમ્પ્યુટેશનલ અભ્યાસોએ બે-તબક્કાના ગતિ પ્રક્રિયા મોડલની ઉપયોગિતાની નોંધ લીધી છે જેમાં અવાજને દૂર કરવા અને ઑબ્જેક્ટ વેગ 7,8 પુનઃસ્થાપિત કરવા માટે સ્થાનિક નમૂનાઓના પસંદગીયુક્ત સંકલન દ્વારા ઉચ્ચ-રિઝોલ્યુશન પ્રારંભિક અંદાજને અનુસરવામાં આવે છે.એ નોંધવું અગત્યનું છે કે દ્રષ્ટિ પ્રણાલીઓએ આ જોડાણને સામાન્ય વસ્તુઓમાંથી ફક્ત તે સ્થાનિક નમૂનાઓ સુધી મર્યાદિત કરવાની કાળજી લેવી જોઈએ.સાયકોફિઝિકલ અભ્યાસોએ ભૌતિક પરિબળોનું વર્ણન કર્યું છે જે સ્થાનિક ગતિ સંકેતોને કેવી રીતે વિભાજિત કરવામાં આવે છે તે પ્રભાવિત કરે છે, પરંતુ એનાટોમિકલ ટ્રેજેકટ્રીઝ અને ન્યુરલ કોડના આકાર ખુલ્લા પ્રશ્નો રહે છે.અસંખ્ય અહેવાલો સૂચવે છે કે પ્રાઈમેટ કોર્ટેક્સના ટેમ્પોરલ (MT) પ્રદેશમાં ઓરિએન્ટેશન-પસંદગીયુક્ત કોષો ન્યુરલ સબસ્ટ્રેટ માટે ઉમેદવારો છે.
અગત્યની રીતે, આ અગાઉના પ્રયોગોમાં, ચેતાકીય પ્રવૃત્તિમાં ફેરફારો દ્રશ્ય ઉત્તેજનામાં શારીરિક ફેરફારો સાથે સંકળાયેલા હતા.જો કે, ઉપર જણાવ્યા મુજબ, વિભાજન અનિવાર્યપણે એક સમજશક્તિની પ્રક્રિયા છે.તેથી, તેના ન્યુરલ સબસ્ટ્રેટના અભ્યાસ માટે નિશ્ચિત ઉત્તેજનાની ધારણામાં ફેરફાર સાથે ન્યુરલ પ્રવૃત્તિમાં ફેરફારોને જોડવાની જરૂર છે.તેથી, અમે બે વાંદરાઓને જાણ કરવા માટે તાલીમ આપી હતી કે શું સુપરઇમ્પોઝ્ડ ડ્રિફ્ટિંગ લંબચોરસ ગ્રેટિંગ્સ દ્વારા રચાયેલી દેખીતી બિસ્ટેબલ ગ્રેટિંગ પેટર્ન એક સપાટી છે કે બે સ્વતંત્ર સપાટી છે.ન્યુરલ એક્ટિવિટી અને સેગ્મેન્ટેશન જજમેન્ટ્સ વચ્ચેના સંબંધનો અભ્યાસ કરવા માટે, જ્યારે વાંદરાઓએ આ કાર્ય કર્યું ત્યારે અમે MTમાં એક જ પ્રવૃત્તિ રેકોર્ડ કરી.
અમે MT પ્રવૃત્તિ અને ધારણાના અભ્યાસ વચ્ચે નોંધપાત્ર સહસંબંધ શોધી કાઢ્યો છે.આ સહસંબંધ અસ્તિત્વમાં છે કે શું ઉત્તેજનામાં સ્પષ્ટ વિભાજન સંકેતો છે.વધુમાં, આ અસરની મજબૂતાઈ સેગ્મેન્ટેશન સિગ્નલોની સંવેદનશીલતા તેમજ પેટર્ન ઈન્ડેક્સ સાથે સંબંધિત છે.બાદમાં જટિલ પેટર્નમાં સ્થાનિક હિલચાલને બદલે એકમ વૈશ્વિક સ્તરે પ્રસારિત થાય છે તે ડિગ્રીનું પ્રમાણ દર્શાવે છે.જો કે ફેશન દિશા માટે પસંદગીને લાંબા સમયથી MT ના નિર્ધારિત લક્ષણ તરીકે ઓળખવામાં આવે છે, અને ફેશન-પસંદગીયુક્ત કોષો તે ઉત્તેજનાની માનવીય ધારણા સાથે સુસંગત જટિલ ઉત્તેજનાને ટ્યુનિંગ દર્શાવે છે, અમારી શ્રેષ્ઠ જાણકારી મુજબ, પેટર્ન વચ્ચેના સહસંબંધ માટે આ પ્રથમ પુરાવો છે.અનુક્રમણિકા અને ગ્રહણશીલ વિભાજન.
અમે બે વાંદરાઓને ડ્રિફ્ટિંગ ગ્રીડ સ્ટિમ્યુલી (સુસંગત અથવા પારદર્શક હલનચલન) ની તેમની ધારણા દર્શાવવા માટે તાલીમ આપી.માનવ નિરીક્ષકો સામાન્ય રીતે આ ઉત્તેજનાને લગભગ સમાન આવર્તનની સુસંગત અથવા પારદર્શક હિલચાલ તરીકે જુએ છે.આ અજમાયશમાં સાચો જવાબ આપવા અને ઓપરેંટ પુરસ્કાર માટેનો આધાર સેટ કરવા માટે, અમે ઘટકના રાસ્ટરને ટેક્ષ્ચર કરીને વિભાજન સંકેતો બનાવ્યા છે જે જાળી બનાવે છે (ફિગ. 1c, d).સુસંગત પરિસ્થિતિઓ હેઠળ, તમામ ટેક્સચર પેટર્નની દિશામાં આગળ વધે છે (ફિગ. 1c, "સુસંગત").પારદર્શક અવસ્થામાં, ટેક્સચર એ ગ્રૅટિંગની દિશામાં લંબરૂપ રીતે ખસે છે કે જેના પર તેને સુપરઇમ્પોઝ કરવામાં આવે છે (ફિગ. 1c, "પારદર્શક").અમે આ ટેક્સચર લેબલના કોન્ટ્રાસ્ટને બદલીને કાર્યની મુશ્કેલીને નિયંત્રિત કરીએ છીએ.ક્યુડ ટ્રાયલ્સમાં, વાંદરાઓને ટેક્સચર સંકેતોને અનુરૂપ પ્રતિસાદો માટે પુરસ્કાર આપવામાં આવ્યો હતો, અને ટેક્સચર સંકેતો (શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ શરત) વિના પેટર્ન ધરાવતી ટ્રાયલ્સમાં રેન્ડમલી (50/50 મતભેદ) ઇનામ આપવામાં આવ્યા હતા.
બે પ્રતિનિધિ પ્રયોગોમાંથી વર્તણૂકીય ડેટા આકૃતિ 2a માં દર્શાવવામાં આવ્યો છે, અને પ્રતિસાદો અનુક્રમે ઉપર અથવા નીચે શિફ્ટ થતા પેટર્ન માટે ટેક્સચર સિગ્નલોના વિરોધાભાસ વિરુદ્ધ સુસંગતતાના ચુકાદાઓના પ્રમાણ તરીકે રચવામાં આવે છે (પારદર્શકતા કોન્ટ્રાસ્ટને વ્યાખ્યા દ્વારા નકારાત્મક માનવામાં આવે છે). એકંદરે, સુસંગતતા/પારદર્શિતાની વાંદરાઓની ધારણા ટેક્સચર ક્યુ (ANOVA; વાનર N: દિશા – F = 0.58, p = 0.45, ચિહ્ન – F = 1248, p < 10st−10, F2st−10, F2st−10, 1248, p <10, 1248, 1248, ચિહ્ન - F = 1248. કી S: દિશા – F = 0.41, p = 0.52, સાઇન – F = 2876.7, p < 10−10, કોન્ટ્રાસ્ટ – F = 36.5, p < 10−10). એકંદરે, વાંદરાઓની સુસંગતતા/પારદર્શકતાની ધારણાને ટેક્સચર ક્યુ (ANOVA; વાનર N: દિશા – F = 0.58, p = 0.45, ચિહ્ન – F = 1248, p < 10, F = 1248, p < 10, F2st−10, F210, 1248, 1248, p < 10, 10, 1248, 1248, ચિહ્ન - F = 1248. મંકી એસ: દિશા – F = 0.41, p = 0.52, ચિહ્ન – F = 2876.7, p < 10−10, વિપરીત – F = 36.5, p < 10−10). В целом на восприятие обезьянами когерентности/прозрачности достоверно влияли как знак (прозрачность, когерентность), так (прозрачность, когерентность) રિઝનકા (ANOVA; обезьяна N: направление — F = 0,58, p = 0,45, знак — F = 1248, p < 10−10, контраст – F = 22,63, p < 10; −10, p = 0, p = 0, 10; ,52, признак – F = 2876,7, p < 10−10, контраст – F = 36,5, р < 10-10). સામાન્ય રીતે, વાંદરાઓ દ્વારા સુસંગતતા/પારદર્શિતાની દ્રષ્ટિએ ટેક્સ્ચરલ સુવિધા (એનોવા; વાંદરા એન: દિશા -એફ = 0.58, પી = 0.45, સાઇન -એફ = 1248, પી <10−10, વિપરીત -એફ = 22.63, પી <10, પી <10, પી <105, પી. 76.7, પી <10 −10, વિરોધાભાસ-એફ = 36.5, પી <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）的符刔对（透明老连度）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 = 22.6; 对比度– F = 22.6;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）的符刔对（透明老连度）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 = 22.10, <310, p <310; ).સામાન્ય રીતે, વાંદરાની સુસંગતતા/પારદર્શિતાની ધારણાને ચિહ્ન (પારદર્શકતા, સુસંગતતા) અને ટેક્સચર સિગ્નલો (ANOVA) ની તીવ્રતા (વિપરીત) દ્વારા નોંધપાત્ર રીતે અસર થઈ હતી;обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p < 10−10, Контрастность — F = 22,63, p < 10; મંકી N: ઓરિએન્ટેશન – F = 0.58, p = 0.45, સાઇન – F = 1248, p < 10−10, કોન્ટ્રાસ્ટ – F = 22.63, p < 10; −10 Обезьяна S: Ориентация — F = 0,41, p = 0,52, Знак — F = 2876,7, p < 10−10, Контрастность — F = 36,5, p < 10-10). −10 મંકી એસ: ઓરિએન્ટેશન – F = 0.41, p = 0.52, સાઇન - F = 2876.7, p < 10-10, કોન્ટ્રાસ્ટ - F = 36.5, p < 10-10).વાંદરાઓની સાયકોફિઝિકલ લાક્ષણિકતાઓને દર્શાવવા માટે દરેક સત્રના ડેટામાં ગૌસિયન સંચિત કાર્યો ફીટ કરવામાં આવ્યા હતા.અંજીર પર.2b બંને વાંદરાઓ માટેના તમામ સત્રોમાં આ મોડેલો માટે કરારનું વિતરણ દર્શાવે છે.એકંદરે, વાંદરાઓએ સચોટ અને સતત કાર્ય પૂર્ણ કર્યું, અને અમે સંચિત ગૌસિયન મોડલ માટે નબળા ફિટને કારણે બે-વાંદરા સત્રોના 13% કરતા ઓછા સત્રોને નકારી કાઢ્યા.
પ્રતિનિધિ સત્રોમાં વાંદરાઓના વર્તણૂકીય ઉદાહરણો (n ≥ 20 ટ્રાયલ પ્રતિ ઉત્તેજના સ્થિતિ).ડાબી (જમણી) પેનલમાં, એક N(S) વાનર સત્રના ડેટાને સુસંગત પસંદગી સ્કોર્સ (ઓર્ડિનેટ) વિરુદ્ધ ટેક્સચર સિગ્નલો (એબ્સિસા) ના સાઇન કોન્ટ્રાસ્ટ તરીકે રચવામાં આવે છે.અહીં એવું માનવામાં આવે છે કે પારદર્શક (સુસંગત) રચનામાં નકારાત્મક (હકારાત્મક) મૂલ્યો હોય છે.પરીક્ષણમાં પેટર્ન (ઉપર (90°) અથવા નીચે (270°)) ની હિલચાલની દિશા અનુસાર જવાબો અલગથી બનાવવામાં આવ્યા હતા.બંને પ્રાણીઓ માટે, પ્રદર્શન, પ્રતિસાદને 50/50 કોન્ટ્રાસ્ટ (PSE – સોલિડ એરો) દ્વારા વિભાજિત કરવામાં આવે છે કે કેમ તે પ્રદર્શનના ચોક્કસ સ્તર (થ્રેશોલ્ડ – ઓપન એરો)ને ટેકો આપવા માટે જરૂરી ટેક્સચરલ કોન્ટ્રાસ્ટની માત્રા આ ડ્રિફ્ટ દિશાઓમાં છે.b ગૌસીયન સંચિત કાર્યના R2 મૂલ્યોનો ફીટ કરેલ હિસ્ટોગ્રામ.મંકી એસ(એન) ડેટા ડાબી (જમણે) પર બતાવવામાં આવે છે.ગ્રીડ માટે માપવામાં આવેલ c (ટોચ) PSE PSE ની સરખામણીમાં નીચે ખસેડવામાં આવેલ (ઓર્ડિનેટ) ગ્રિડ ઉપર ખસેડવામાં આવે છે (એબ્સીસા) દરેક શરત માટે PSE વિતરણને રજૂ કરતી કિનારીઓ અને દરેક શરત માટે સરેરાશ દર્શાવતા તીરો સાથે.બધા N(S) મંકી સત્રો માટેનો ડેટા ડાબી (જમણી) કૉલમમાં આપવામાં આવે છે.(નીચે) PSE ડેટા માટે સમાન સંમેલન, પરંતુ ફીટ ફીચર થ્રેશોલ્ડ માટે.PSE થ્રેશોલ્ડ અથવા ફેશન વલણોમાં કોઈ નોંધપાત્ર તફાવત ન હતો (ટેક્સ્ટ જુઓ).d PSE અને ઢોળાવ (ઓર્ડિનેટ) કોણીય વિભાજન ઘટક ("ઇન્ટિગ્રલ ગ્રેટિંગ એંગલ" - એબ્સીસા) ના સામાન્ય રાસ્ટર ઓરિએન્ટેશનના આધારે રચાયેલ છે.ખુલ્લા વર્તુળો એ માધ્યમ છે, નક્કર રેખા એ શ્રેષ્ઠ ફિટિંગ રીગ્રેસન મોડલ છે, અને ડોટેડ લાઇન એ રીગ્રેશન મોડલ માટે 95% વિશ્વાસ અંતરાલ છે.PSE અને સામાન્યકૃત સંકલન કોણ વચ્ચે નોંધપાત્ર સહસંબંધ છે, પરંતુ ઢાળ અને સામાન્યકૃત સંકલન કોણ નથી, જે સૂચવે છે કે સાયકોમેટ્રિક કાર્ય બદલાય છે કારણ કે કોણ ઘટક જાળીઓને અલગ કરે છે, પરંતુ શાર્પનિંગ અથવા ફ્લેટનિંગ નથી.(મંકી N, n = 32 સત્રો; મંકી S, n = 43 સત્રો).તમામ પેનલમાં, એરર બાર સરેરાશની પ્રમાણભૂત ભૂલનું પ્રતિનિધિત્વ કરે છે.હાહા.સુસંગતતા, PSE વ્યક્તિલક્ષી સમાનતા સ્કોર, ધોરણ.માનકીકરણ
ઉપર નોંધ્યું છે તેમ, આપેલ અજમાયશમાં ઉત્તેજના ઉપર અથવા નીચે વહી જવા સાથે, રચનાના સંકેતોનો વિરોધાભાસ અને પેટર્નની હિલચાલની દિશા બંને તમામ ટ્રાયલ્સમાં બદલાય છે.આ સાયકોફિઝિકલ11 અને ન્યુરોનલ28 અનુકૂલનશીલ અસરોને ઘટાડવા માટે કરવામાં આવે છે.પેટર્ન ઓરિએન્ટેશન વિરુદ્ધ પૂર્વગ્રહ (વ્યક્તિગત સમાનતા બિંદુ અથવા PSE) (વિલકોક્સન રેન્ક સરવાળો ટેસ્ટ; મંકી N: z = 0.25, p = 0.8; મંકી S: z = 0.86, p = 0.39) અથવા ફીટ ફંક્શન થ્રેશોલ્ડ (વિલકોક્સન p = 0, 8 નો સરવાળો, p = 0.8; કી S: z = 0.49, p = 0.62) (ફિગ. 2c).વધુમાં, પ્રદર્શન થ્રેશોલ્ડ સ્તરો જાળવવા માટે જરૂરી ટેક્સચર કોન્ટ્રાસ્ટની ડિગ્રીમાં વાંદરાઓ વચ્ચે કોઈ નોંધપાત્ર તફાવત ન હતો (N વાનર = 24.5% ± 3.9%, S વાનર = 18.9% ± 1.9%; વિલકોક્સન રેન્ક સરવાળો , z = 1.01, p = 0.31).
દરેક સત્રમાં, અમે કમ્પોનન્ટ જાળીના ઓરિએન્ટેશનને અલગ કરતા ઇન્ટરલેટીસ એંગલ બદલ્યા છે.સાયકોફિઝિકલ અભ્યાસોએ દર્શાવ્યું છે કે જ્યારે આ ખૂણો નાનો હોય ત્યારે લોકો કોષ 10 સાથે જોડાયેલા હોવાનું સમજે છે.જો વાંદરાઓ સુસંગતતા/પારદર્શિતા અંગેની તેમની ધારણાની વિશ્વસનીયતાથી જાણ કરતા હોય, તો પછી આ તારણોના આધારે, વ્યક્તિ પીએસઈ, સુસંગતતા અને પારદર્શિતા પસંદગીઓ વચ્ચે સમાન વિભાજનને અનુરૂપ ટેક્સચર કોન્ટ્રાસ્ટ, ક્રિયાપ્રતિક્રિયા પર વધવાની અપેક્ષા રાખશે.જાળી કોણ. આ ખરેખર કેસ હતો (ફિગ. 2d; પેટર્ન દિશાઓમાં તૂટી પડવું, ક્રુસ્કલ–વોલિસ; વાનર N: χ2 = 23.06, p < 10−3; વાનર S: χ2 = 22.22, p < 10−3; નોર્મલાઇઝ્ડ ઇન્ટર-ગ્રેટિંગ એન્ગલ, p. 01 = 0-9 કી વચ્ચેનો સહસંબંધ; વાનર S: r = 0.76, p < 10−13). આ ખરેખર કેસ હતો (ફિગ. 2d; પેટર્ન દિશાઓમાં તૂટી પડવું, ક્રુસ્કલ–વોલિસ; વાનર N: χ2 = 23.06, p < 10−3; વાનર S: χ2 = 22.22, p < 10−3; નોર્મલાઇઝ્ડ ઇન્ટર-ગ્રેટિંગ વચ્ચેનો સહસંબંધ, P1-0 = 07 એંગલ; <1-9 કી; વાનર S: r = 0.76, p < 10−13). Это действительно имело место (рис. 2d; коллапс поперек направления паттерна, Крускал-Уоллис; обезьяна N: χ2 = p, 23; Sb = 23; 22,22, p < 10–3; корреляция между нормализованными угол решетки и PSE – обезьяна N: r = 0,67, p < 10-9, обезья, p <10-9, обезья, p = 107, <107). આ ખરેખર થયું છે (ફિગ. 2d; પેટર્નની સમગ્ર દિશામાં પતન, ક્રુસ્કલ-વોલિસ; વાનર N: χ2 = 23.06, p < 10–3; મંકી S: χ2 = 22.22, p < 10–3; નોર્મલાઇઝ્ડ લેટીસ એન્ગલ, p <1-monkey, <SE9-7 એન્ગલ, <SE9-7 વચ્ચેનો સહસંબંધ. વાનર S: r = 0.76, p < 10-13).情况确实如此（图2ડી ；标准化间光栅角和PSE – 猴子N：r = 0.67，p <10-9；猴子S：r = 0.76，p <10-13）.情况 确实 如此 （图 图 2D ； 方向 折叠 ， ક્રુસ્કલ-વોલિસ ； n ： 2 = 23.06 ， p <10-3 p. <10-3 ； 间 光栅角 和 pse-猴子 猴子 猴子 猴子 猴子 猴子 猴子N：r = 0.67，p < 10-10r 0p <10. -13). Это действительно имело место (рис. 2d; кратность по оси моды, Крускал-Уоллис; обезьяна N: χ2 = 23,06, p < p < 10: 22, S = 23; 10-3; нормализованный межрешеточный угол). આ ખરેખર કેસ હતો (ફિગ. 2d; મોડ અક્ષ સાથે ફોલ્ડ કરો, ક્રુસ્કલ-વોલિસ; વાનર N: χ2 = 23.06, p < 10-3; મંકી S: χ2 = 22.22, p < 10-3; સામાન્ય ઇન્ટરલેટીસ કોર્નર). PSE-обезьяна N: r = 0,67, p < 10–9, обезьяна S: r = 0,76, p < 10–13). PSE વાનર N: r = 0.67, p < 10–9, મંકી S: r = 0.76, p < 10–13).તેનાથી વિપરીત, ઇન્ટરલેટીસ એંગલ બદલવાથી સાયકોમેટ્રિક ફંક્શનના ઢોળાવ પર કોઈ નોંધપાત્ર અસર થઈ ન હતી (ફિગ. 2d; ક્રોસ-મોડલ ઓરિએન્ટેશન ફોલ્ડ, ક્રુસ્કલ-વોલિસ; મંકી N: χ2 = 8.09, p = 0.23; મંકી S χ2 = 3.18, નોર્મલ ઈન્ટરલેશન, p = 3.107, 1067 વચ્ચેનો વાનર. lope – વાનર N: r = -0.4, p = 0.2, વાનર S: r = 0.03, p = 0.76).આમ, વ્યક્તિના સાયકોફિઝિકલ ડેટા અનુસાર, ગ્રેટિંગ્સ વચ્ચેના ખૂણાને બદલવાની સરેરાશ અસર એ ડિસ્પ્લેસમેન્ટ પોઈન્ટ્સમાં ફેરફાર છે, અને વિભાજન સંકેતોની સંવેદનશીલતામાં વધારો અથવા ઘટાડો નથી.
છેલ્લે, શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ સાથે ટ્રાયલ્સમાં 0.5 ની સંભાવના સાથે પુરસ્કારો અવ્યવસ્થિત રીતે સોંપવામાં આવે છે.જો બધા વાંદરાઓ આ અનન્ય રેન્ડમનેસથી વાકેફ હતા અને શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ અને ક્યૂ ઉત્તેજના વચ્ચે તફાવત કરવામાં સક્ષમ હતા, તો તેઓ બે પ્રકારના ટ્રાયલ માટે વિવિધ વ્યૂહરચના વિકસાવી શકે છે.બે અવલોકનો ભારપૂર્વક સૂચવે છે કે આ કેસ નથી.પ્રથમ, ગ્રેટિંગ એંગલ બદલવાથી કયૂ અને ઝીરો ટેક્સચર કોન્ટ્રાસ્ટ સ્કોર્સ (ફિગ. 2d અને પૂરક ફિગ. 1) પર ગુણાત્મક રીતે સમાન અસરો હતી.બીજું, બંને વાંદરાઓ માટે, બિસ્ટેબલ ટ્રાયલ પસંદગી સૌથી તાજેતરની (અગાઉની) પુરસ્કાર પસંદગી (દ્વિપદી પરીક્ષણ, N વાંદરાઓ: 0.52, z = 0.74, p = 0.22; S વાંદરાઓ: 0.51 , r = 0.9, p = 0.18) નું પુનરાવર્તન થવાની શક્યતા નથી.
નિષ્કર્ષમાં, અમારા વિભાજન કાર્યમાં વાંદરાઓનું વર્તન સારા ઉત્તેજના નિયંત્રણ હેઠળ હતું.ટેક્ષ્ચર સંકેતોની નિશાની અને કદ પરના ગ્રહણાત્મક ચુકાદાઓની અવલંબન, તેમજ ગ્રાટિંગ એંગલ સાથે PSE માં ફેરફારો, સૂચવે છે કે વાંદરાઓએ મોટર સુસંગતતા/પારદર્શિતાની તેમની વ્યક્તિલક્ષી ધારણાની જાણ કરી હતી.છેલ્લે, શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ ટ્રાયલ્સમાં વાંદરાઓના પ્રતિભાવો અગાઉના ટ્રાયલ્સના પુરસ્કાર ઇતિહાસથી પ્રભાવિત થયા ન હતા અને ઇન્ટર-રાસ્ટર કોણીય ફેરફારો દ્વારા નોંધપાત્ર રીતે પ્રભાવિત થયા હતા.આ સૂચવે છે કે વાંદરાઓ આ મહત્વપૂર્ણ સ્થિતિ હેઠળ જાળીની સપાટીના રૂપરેખાંકનની તેમની વ્યક્તિલક્ષી દ્રષ્ટિની જાણ કરવાનું ચાલુ રાખે છે.
ઉપર સૂચવ્યા મુજબ, ટેક્સચર કોન્ટ્રાસ્ટનું નકારાત્મકથી સકારાત્મકમાં સંક્રમણ પારદર્શકથી સુસંગત તરફ ઉત્તેજનાના સંવેદનાત્મક સંક્રમણની સમકક્ષ છે.સામાન્ય રીતે, આપેલ કોષ માટે, MT પ્રતિસાદ વધવા અથવા ઘટાડવાનું વલણ ધરાવે છે કારણ કે ટેક્સચર કોન્ટ્રાસ્ટ નકારાત્મકથી હકારાત્મકમાં બદલાય છે, અને આ અસરની દિશા સામાન્ય રીતે પેટર્ન/ઘટકની હિલચાલની દિશા પર આધારિત છે.ઉદાહરણ તરીકે, બે પ્રતિનિધિ MT કોષોના ડાયરેક્શનલ ટ્યુનિંગ વણાંકો આકૃતિ 3 માં આ કોષોના પ્રતિભાવો સાથે નીચા અથવા ઉચ્ચ કોન્ટ્રાસ્ટ સુસંગત અથવા પારદર્શક ટેક્સચર સિગ્નલો ધરાવતી ગ્રેટિંગ્સ સાથે દર્શાવવામાં આવ્યા છે.અમે આ ગ્રીડ પ્રતિસાદોને વધુ સારી રીતે માપવા માટે અમુક રીતે પ્રયાસ કર્યો છે, જે આપણા વાંદરાઓના સાયકોફિઝીયોલોજીકલ પ્રદર્શન સાથે સંબંધિત હોઈ શકે છે.
સિંગલ સિન્યુસોઇડલ એરેના પ્રતિભાવમાં પ્રતિનિધિ વાનર MT સેલ S ના ડાયરેક્શનલ ટ્યુનિંગ કર્વનો ધ્રુવીય પ્લોટ.ખૂણો ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી ઝીણી.b પ્રતિસાદ ગ્રીડનો સાપ્તાહિક સ્ટીમ્યુલસ-ટાઇમ હિસ્ટોગ્રામ (PSTH), a માં બતાવેલ કોષ માટે ટેમ્પલેટ દિશામાં 90° (ડાબી બાજુએ યોજનાકીય રીતે બતાવેલ) દ્વારા ખસેડવામાં આવ્યો.પ્રતિભાવો ટેક્સચર હિંટ પ્રકાર (અનુક્રમે સ્નિગ્ધ/પારદર્શક - મધ્ય/જમણી પેનલ) અને મિશેલસન કોન્ટ્રાસ્ટ (PSTH રંગ સંકેત) દ્વારા સૉર્ટ કરવામાં આવે છે.દરેક પ્રકારના લો-કોન્ટ્રાસ્ટ અને હાઈ-કોન્ટ્રાસ્ટ ટેક્સચર સિગ્નલો માટે માત્ર સાચા પ્રયાસો જ બતાવવામાં આવે છે.કોષોએ પારદર્શક ટેક્ષ્ચર સંકેતો સાથે ઉપર તરફ વહેતી જાળી પેટર્નને વધુ સારી રીતે પ્રતિસાદ આપ્યો, અને આ પેટર્નનો પ્રતિભાવ વધતા ટેક્સચર કોન્ટ્રાસ્ટ સાથે વધ્યો.c, d એ a અને b માં સમાન સંમેલનો છે, પરંતુ મંકી S સિવાયના અન્ય MT કોષો માટે, તેમની પસંદગીનું ઓરિએન્ટેશન ડાઉનવર્ડ ડ્રિફ્ટિંગ ગ્રીડને લગભગ ઓવરલેપ કરે છે.એકમ સુસંગત ટેક્સચર સંકેતો સાથે ડાઉનવર્ડ ડ્રિફ્ટિંગ ગ્રેટિંગ્સને પસંદ કરે છે, અને આ પેટર્નનો પ્રતિભાવ વધતા ટેક્સચર કોન્ટ્રાસ્ટ સાથે વધે છે.તમામ પેનલમાં, છાંયડો વિસ્તાર સરેરાશની પ્રમાણભૂત ભૂલ દર્શાવે છે.સ્પોક્સ.સ્પાઇક્સ, સેકન્ડ.બીજું
અમારા ટેક્સચર સિગ્નલો અને MT પ્રવૃત્તિ દ્વારા સૂચવ્યા મુજબ જાળી સપાટીના રૂપરેખાંકન (સુસંગત અથવા પારદર્શક) વચ્ચેના સંબંધનું અન્વેષણ કરવા માટે, અમે સૌપ્રથમ સુસંગત ચળવળ (હકારાત્મક ઢોળાવ) અથવા પારદર્શક ચળવળ (નકારાત્મક ઢોળાવ) માટે રીગ્રેશન દ્વારા કોષો વચ્ચેના સંબંધને રીગ્રેસ કર્યો.કોન્ટ્રાસ્ટની તુલનામાં સાઇન રિસ્પોન્સ રેટ દ્વારા કોષોને વર્ગીકૃત કરવા માટે આપવામાં આવે છે (દરેક મોડ દિશા માટે અલગથી).આકૃતિ 3 માં સમાન ઉદાહરણ કોષમાંથી આ જાળી ટ્યુનિંગ વણાંકોના ઉદાહરણો આકૃતિ 4a માં દર્શાવવામાં આવ્યા છે.વર્ગીકરણ પછી, અમે ટેક્સચર સિગ્નલોના મોડ્યુલેશન માટે પ્રત્યેક કોષની સંવેદનશીલતાને માપવા માટે રીસીવર પર્ફોર્મન્સ એનાલિસિસ (આરઓસી) નો ઉપયોગ કર્યો (પદ્ધતિઓ જુઓ).આ રીતે મેળવેલા ન્યુરોમેટ્રિક કાર્યોની સીધી તુલના એ જ સત્રમાં વાંદરાઓની સાયકોફિઝિકલ લાક્ષણિકતાઓ સાથે કરી શકાય છે જેથી ચેતાકોષોની સાયકોફિઝિકલ સંવેદનશીલતાને જાળીના ટેક્સચર સાથે સીધી રીતે સરખાવવામાં આવે.અમે નમૂનામાંના તમામ એકમો માટે બે સિગ્નલ શોધ વિશ્લેષણ કર્યું, પેટર્નની દરેક દિશા (ફરીથી, ઉપર અથવા નીચે) માટે અલગ ન્યુરોમેટ્રિક સુવિધાઓની ગણતરી કરી.એ નોંધવું અગત્યનું છે કે, આ પૃથ્થકરણ માટે, અમે ફક્ત ટ્રાયલનો સમાવેશ કર્યો છે જેમાં (i) ઉત્તેજનામાં ટેક્સચર ક્યુ છે અને (ii) વાંદરાઓએ તે સંકેત (એટલે ​​​​કે, "સાચા" ટ્રાયલ) અનુસાર પ્રતિક્રિયા આપી છે.
અગ્નિ દરો અનુક્રમે ટેક્સચર સાઇન કોન્ટ્રાસ્ટ સામે રચવામાં આવે છે, ગ્રેટિંગ્સ ઉપર (ડાબે) અથવા નીચે (જમણે) શિફ્ટિંગ માટે, નક્કર રેખા શ્રેષ્ઠ ફિટ રેખીય રીગ્રેસન રજૂ કરે છે, અને ટોચની (નીચે) પંક્તિમાંનો ડેટા ફિગમાં બતાવેલ ડેટામાંથી લેવામાં આવે છે.ચોખા.3a સેલ, b (ફિગ. 3c, d).રીગ્રેશન સ્લોપ ફીચર્સનો ઉપયોગ દરેક કોષ/જાળી ઓરિએન્ટેશન કોમ્બિનેશન (એન ≥ 20 ટ્રાયલ પ્રતિ ઉત્તેજના શરત) માટે પસંદગીના ટેક્સચર સંકેતો (સુસંગત/પારદર્શક) સોંપવા માટે કરવામાં આવ્યો હતો.ભૂલ બાર સરેરાશના પ્રમાણભૂત વિચલનનું પ્રતિનિધિત્વ કરે છે.ba માં દર્શાવેલ એકમોના ન્યુરોમેટ્રિક કાર્યોને સમાન સત્ર દરમિયાન એકત્રિત કરવામાં આવેલા સાયકોમેટ્રિક કાર્યો સાથે એકસાથે વર્ણવવામાં આવે છે.હવે, દરેક વિશેષતા માટે, અમે ટેક્ષ્ચરના સાઇન કોન્ટ્રાસ્ટ (એબ્સીસા)ની ટકાવારી તરીકે પસંદગીની ટૂલટીપ પસંદગી (ઓર્ડિનેટ) (ટેક્સ્ટ જુઓ)નું પ્લોટિંગ કરીએ છીએ.ટેક્ષ્ચર કોન્ટ્રાસ્ટ બદલવામાં આવ્યો છે જેથી પસંદગીની ટૂલટીપ્સ હકારાત્મક છે અને ખાલી ટૂલટિપ્સ નકારાત્મક છે.ઉપરની તરફ (ડાઉનવર્ડ) ડ્રિફ્ટિંગ ગ્રીડમાંથી ડેટા ડાબી (જમણે) પેનલમાં, ઉપરની (નીચલી) પંક્તિઓમાં બતાવવામાં આવે છે - ફિગ. 3a,b (ફિગ. 3c,d) માં બતાવેલ કોષોમાંથી ડેટા.ન્યુરોમેટ્રિક અને સાયકોમેટ્રિક થ્રેશોલ્ડ (N/P) ના ગુણોત્તર દરેક પેનલમાં દર્શાવવામાં આવ્યા છે.સ્પોક્સ.સ્પાઇક્સ, સેકન્ડ.સેકન્ડ, ડિરેક્ટરી.દિશા, પ્રાંત પ્રાધાન્ય, psi.સાયકોમેટ્રી, ન્યુરોલોજી.
જાળી ટ્યુનિંગ વણાંકો અને બે પ્રતિનિધિ MT કોષોના ન્યુરોમેટ્રિક કાર્યો અને તેમની સાથે સંકળાયેલ સાયકોમેટ્રિક કાર્યો, આ પ્રતિભાવો સાથે એકીકૃત, અનુક્રમે આકૃતિ 4a,b ની ઉપર અને નીચેની પેનલમાં દર્શાવવામાં આવ્યા છે.આ કોષો આશરે એકવિધ વધારો અથવા ઘટાડો દર્શાવે છે કારણ કે રચનાનો સંકેત પારદર્શકથી સુસંગત તરફ જાય છે.વધુમાં, આ બોન્ડની દિશા અને તાકાત જાળીની ગતિની દિશા પર આધારિત છે.છેલ્લે, આ કોષોના પ્રતિભાવોમાંથી ગણતરી કરાયેલ ન્યુરોમેટ્રિક કાર્યો માત્ર યુનિડાયરેક્શનલ ગ્રીડ ચળવળના સાયકોફિઝિકલ ગુણધર્મોનો સંપર્ક કરે છે (પરંતુ હજુ પણ તેને અનુરૂપ નથી).ન્યુરોમેટ્રિક અને સાયકોમેટ્રિક ફંક્શન બંનેનો સારાંશ થ્રેશોલ્ડ સાથે કરવામાં આવ્યો હતો, એટલે કે યોગ્ય રીતે પસંદ કરાયેલ કોન્ટ્રાસ્ટના લગભગ 84% (ફીટ કરેલ ક્યુમ્યુલેટિવ ગૌસિયન ફંક્શનના સરેરાશ + 1 sd ને અનુરૂપ).સમગ્ર નમૂનામાં, N/P ગુણોત્તર, ન્યુરોમેટ્રિક થ્રેશોલ્ડનો સાયકોમેટ્રિક એકનો ગુણોત્તર, વાનર N માં સરેરાશ 12.4 ± 1.2 અને વાનર S માં 15.9 ± 1.8, અને જાળી ઓછામાં ઓછી એક દિશામાં ખસેડવા માટે, માત્ર ~16% (18%) પર.%) મંકી એન (વાનર એસ) (ફિગ. 5a) માંથી એકમો.આકૃતિમાં બતાવેલ કોષના ઉદાહરણમાંથી.આકૃતિ 3 અને 4 માં જોવામાં આવ્યું છે તેમ, ચેતાકોષોની સંવેદનશીલતા કોષના પસંદગીના અભિગમ અને પ્રયોગોમાં ઉપયોગમાં લેવાતી જાળીની હિલચાલની દિશા વચ્ચેના સંબંધથી પ્રભાવિત થઈ શકે છે.ખાસ કરીને, ફિગ. 3a,c માં ઓરિએન્ટેશન એડજસ્ટમેન્ટ વણાંકો એક સિંગલ સિનુસોઇડલ એરેના ન્યુરોન ઓરિએન્ટેશન સેટિંગ અને અમારા ટેક્ષ્ચર એરેમાં પારદર્શક/સુસંગત ગતિ પ્રત્યેની તેની સંવેદનશીલતા વચ્ચેનો સંબંધ દર્શાવે છે. આ બંને વાંદરાઓ માટેનો કેસ હતો (ANOVA; 10° રિઝોલ્યુશન સાથે બંધાયેલ સંબંધિત પસંદગીની દિશાઓ; વાનર N: F = 2.12, p < 0.01; વાનર S: F = 2.01, p < 0.01). આ બંને વાંદરાઓ માટેનો કેસ હતો (ANOVA; 10° રિઝોલ્યુશન સાથે બંધાયેલ સંબંધિત પસંદગીની દિશાઓ; વાનર N: F = 2.12, p < 0.01; વાનર S: F = 2.01, p < 0.01). Это имело место для обеих обезьян (ANOVA; относительные предпочтительные направления объединены в группы с;бязенены ° 12, પી <0,01; обезьяна S: F = 2,01, p <0,01). આ બંને વાંદરાઓ માટેનો કેસ હતો (ANOVA; 10° રિઝોલ્યુશન પર જૂથબદ્ધ સંબંધિત પસંદગીની દિશાઓ; વાનર N: F=2.12, p<0.01; મંકી 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的相对首选方向；猴猴子S：F = 2.01, p < 0.01）.આ 0.01; Это имело место для обеих обезьян (ANOVA; относительная предпочтительная ориентация объединена при разрешении , F02°, <p02°, F=10; обезьяна S: F = 2,01, p <0,01). આ બંને વાંદરાઓ માટેનો કેસ હતો (ANOVA; સંબંધિત પ્રિફર્ડ ઓરિએન્ટેશન 10° રિઝોલ્યુશન પર પૂલ; વાનર N: F=2.12, p<0.01; વાનર S: F=2.01, p<0.01).ચેતાકોષની સંવેદનશીલતા (ફિગ. 5a) માં મોટી માત્રામાં પરિવર્તનશીલતાને જોતાં, સંબંધિત પ્રિફર્ડ ઓરિએન્ટેશન પર ચેતાકોષની સંવેદનશીલતાની અવલંબનને જોવા માટે, અમે સૌપ્રથમ ગ્રીડ પેટર્ન (એટલે ​​કે દિશા) ની હિલચાલ માટે "શ્રેષ્ઠ" ઓરિએન્ટેશન માટે દરેક કોષની પસંદગીના અભિગમને સામાન્ય બનાવ્યો.જેમાં ગ્રેટિંગ પ્રિફર્ડ સેલ ઓરિએન્ટેશન અને ગ્રેટિંગ પેટર્નના ઓરિએન્ટેશન વચ્ચેનો સૌથી નાનો કોણ બનાવે છે).અમે શોધી કાઢ્યું છે કે ન્યુરોન્સના સંબંધિત થ્રેશોલ્ડ ("સૌથી ખરાબ" જાળી ઓરિએન્ટેશન માટે થ્રેશોલ્ડ/"શ્રેષ્ઠ" જાળી ઓરિએન્ટેશન માટે થ્રેશોલ્ડ) આ સામાન્ય પ્રિફર્ડ ઓરિએન્ટેશન સાથે બદલાય છે, આ થ્રેશોલ્ડ રેશિયોમાં શિખરો પેટર્ન અથવા ઘટક ઓરિએન્ટેશનની આસપાસ થાય છે (આકૃતિ 5b).)). પ્લેઇડ પેટર્ન અથવા ઘટક દિશાઓ (ફિગ. 5c; રેલે ટેસ્ટ; મંકી N: z = 8.33, p < 10−3, પરિપત્ર સરેરાશ = 190.13 deg ± 0 = 9; 0 = 9; 190.13 deg ± 0 = 7. 8. 190.13 deg ± 0 = 9; 5) અને પ્લેઇડ ઇન્ટર-ગ્રેટિંગ એંગલ્સમાં સુસંગત હતું (પૂરક ફિગ. 2). પ્લેઇડ પેટર્ન અથવા ઘટક દિશાઓ (ફિગ. 5c; રેલે ટેસ્ટ; મંકી N: z = 8.33, p < 10−3 , ગોળાકાર સરેરાશ = 190.13 deg = 0 ± 0 = 0.9; ગોળ સરેરાશ = 190.13 deg = 0.9; 45) અને પ્લેઇડ ઇન્ટર-ગ્રેટિંગ એંગલ્સમાં સુસંગત હતું (પૂરક ફિગ. 2). Этот эффект нельзя было объяснить смещением распределения предпочтительных направлений в единицах в каждой выбочакудах выбочаке ых направлений или направлений компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,33, p < 10–3). દરેક નમૂનામાં એકમોમાં પસંદગીની દિશાઓના વિતરણમાં એક ચેકર્ડ દિશાઓ અથવા ઘટક દિશાઓ (ફિગ. 5c; રેલેગ ટેસ્ટ; મંકી N: z = 8.33, p < 10–3) તરફ આ અસરને સમજાવી શકાતી નથી., ગોળાકાર સરેરાશ = 190.13 ડિગ્રી ± 9.83 ડિગ્રી;મંકી S: z = 0.79, p = 0.45) અને પ્લેઇડ ગ્રીડના તમામ ખૂણાઓ માટે સમાન હતું (પૂરક આકૃતિ 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） ；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： = 45度；猴子S： 度；猴子S： = 050p0子间光栅角上是一致的（补充图2）.આ释 （图 图 图 瑞利 测试 ； 猴子 n ： z = 8.33 ， p <10-3 ， 平均值 平均值 圢圢圢圢圢圢圽圢值形 圆形 圆形 圆形 圆形 圆形 圆形z Этот эффект не может быть объяснен тем, что распределение предпочтительных ориентаций в клетках в каждом образукетукет. туры решетки, либо в сторону одной из ориентаций компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,33, p < 10–33). આ અસર એ હકીકત દ્વારા સમજાવી શકાતી નથી કે દરેક નમૂનામાં કોષોમાં પસંદગીના અભિગમનું વિતરણ કાં તો જાળીના બંધારણ તરફ અથવા એક ઘટક અભિગમ તરફ પક્ષપાતી છે (ફિગ. 5c; રેલેહનું પરીક્ષણ; વાનર N: z = 8.33, p < 10–3)., ગોળાકાર સરેરાશ) = 190.13 ડિગ્રી ± 9.83 ડિગ્રી;મંકી S: z = 0.79, p = 0.45) અને ગ્રીડ વચ્ચેના જાળીના ખૂણામાં સમાન હતા (પૂરક ફિગ. 2).આમ, ટેક્ષ્ચર ગ્રીડ માટે ચેતાકોષોની સંવેદનશીલતા, ઓછામાં ઓછા આંશિક રીતે, MT ટ્યુનિંગના મૂળભૂત ગુણધર્મો પર આધાર રાખે છે.
ડાબી પેનલ એન/પી રેશિયો (ન્યુરોન/સાયકોફિઝીયોલોજીકલ થ્રેશોલ્ડ) નું વિતરણ દર્શાવે છે;દરેક કોષ બે ડેટા પોઈન્ટ પૂરા પાડે છે, દરેક દિશા માટે એક જેમાં પેટર્ન ફરે છે.જમણી પેનલ નમૂનાના તમામ એકમો માટે સાયકોફિઝિકલ થ્રેશોલ્ડ (ઓર્ડિનેટ) વિરુદ્ધ ન્યુરોનલ થ્રેશોલ્ડ (એબ્સિસા) દર્શાવે છે.ટોચની (નીચે) પંક્તિમાંનો ડેટા વાનર N (S) નો છે.b સામાન્યકૃત થ્રેશોલ્ડ ગુણોત્તર શ્રેષ્ઠ જાળી ઓરિએન્ટેશન અને પ્રિફર્ડ સેલ ઓરિએન્ટેશન વચ્ચેના તફાવતની તીવ્રતા સામે રચવામાં આવે છે."શ્રેષ્ઠ" દિશાને ગ્રૅટિંગ સ્ટ્રક્ચરની દિશા તરીકે વ્યાખ્યાયિત કરવામાં આવે છે (એક સિંગલ સાઇનસૉઇડલ ગ્રૅટિંગ વડે માપવામાં આવે છે) પ્રિફર્ડ સેલ દિશાની સૌથી નજીક.ડેટાને સૌપ્રથમ નોર્મલાઇઝ્ડ પ્રિફર્ડ ઓરિએન્ટેશન (10° ડબ્બા) દ્વારા બાંધવામાં આવ્યા હતા, પછી થ્રેશોલ્ડ રેશિયોને મહત્તમ મૂલ્ય સુધી સામાન્ય કરવામાં આવ્યા હતા અને દરેક ડબ્બામાં સરેરાશ કરવામાં આવ્યા હતા.પ્રિફર્ડ ઓરિએન્ટેશન ધરાવતા કોષો જાળીના ઘટકોના ઓરિએન્ટેશન કરતાં સહેજ મોટા અથવા નાના હોય છે, જેમાં જાળીની પેટર્નના ઓરિએન્ટેશન પ્રત્યે સંવેદનશીલતામાં સૌથી મોટો તફાવત હતો.c દરેક વાંદરામાં નોંધાયેલા તમામ MT એકમોના પ્રિફર્ડ ઓરિએન્ટેશન વિતરણનો ગુલાબી હિસ્ટોગ્રામ.
છેલ્લે, MT ના પ્રતિભાવને ઝીણી ચળવળની દિશા અને અમારા વિભાજન સંકેતો (ટેક્ચર) ની વિગતો દ્વારા મોડ્યુલેટ કરવામાં આવે છે.ન્યુરોનલ અને સાયકોફિઝિકલ સંવેદનશીલતાની સરખામણી દર્શાવે છે કે, સામાન્ય રીતે, MT એકમો વાંદરાઓ કરતાં વિરોધાભાસી ટેક્સચર સિગ્નલો માટે ખૂબ ઓછા સંવેદનશીલ હતા.જો કે, એકમના પ્રિફર્ડ ઓરિએન્ટેશન અને ગ્રીડ ચળવળની દિશા વચ્ચેના તફાવતને આધારે ચેતાકોષની સંવેદનશીલતા બદલાઈ ગઈ છે.સૌથી વધુ સંવેદનશીલ કોષો ઓરિએન્ટેશનલ પસંદગીઓ ધરાવે છે જે લગભગ જાળી પેટર્ન અથવા એક ઘટક ઓરિએન્ટેશનને આવરી લે છે, અને અમારા નમૂનાઓનો એક નાનો સબસેટ વિરોધાભાસી તફાવતોની વાંદરાઓની ધારણા કરતાં સંવેદનશીલ અથવા વધુ સંવેદનશીલ હતા.આ વધુ સંવેદનશીલ એકમોમાંથી સિગ્નલો વાંદરાઓમાં ધારણા સાથે વધુ નજીકથી સંકળાયેલા હતા કે કેમ તે નિર્ધારિત કરવા માટે, અમે ધારણા અને ન્યુરોનલ પ્રતિભાવો વચ્ચેના સહસંબંધની તપાસ કરી.
ન્યુરલ પ્રવૃત્તિ અને વર્તન વચ્ચે જોડાણ સ્થાપિત કરવા માટેનું એક મહત્વપૂર્ણ પગલું એ છે કે ચેતાકોષો અને સતત ઉત્તેજના પ્રત્યે વર્તણૂકીય પ્રતિક્રિયાઓ વચ્ચે સહસંબંધ સ્થાપિત કરવો.વિભાજનના ચુકાદાઓ સાથે ન્યુરલ પ્રતિસાદોને લિંક કરવા માટે, એક ઉત્તેજના બનાવવી મહત્વપૂર્ણ છે જે, સમાન હોવા છતાં, વિવિધ પરીક્ષણોમાં અલગ રીતે જોવામાં આવે છે.વર્તમાન અભ્યાસમાં, આ સ્પષ્ટપણે શૂન્ય ટેક્સચર કોન્ટ્રાસ્ટ ગ્રેટિંગ દ્વારા દર્શાવવામાં આવ્યું છે.જો કે અમે ભારપૂર્વક કહીએ છીએ કે, પ્રાણીઓના સાયકોમેટ્રિક કાર્યોના આધારે, લઘુત્તમ (~20% કરતા ઓછા) ટેક્સ્ચરલ કોન્ટ્રાસ્ટ સાથેની ગ્રેટિંગ્સને સામાન્ય રીતે સુસંગત અથવા પારદર્શક ગણવામાં આવે છે.
MT પ્રતિસાદો અનુભૂતિના અહેવાલો સાથે કેટલી હદ સુધી સંકળાયેલા છે તેની માત્રા નક્કી કરવા માટે, અમે અમારા ગ્રીડ ડેટાનું સિલેક્શન પ્રોબેબિલિટી (CP) વિશ્લેષણ કર્યું (જુઓ 3).ટૂંકમાં, CP એ બિન-પેરામેટ્રિક, બિન-પ્રમાણભૂત માપ છે જે સ્પાઇક પ્રતિસાદો અને ગ્રહણશીલ ચુકાદાઓ વચ્ચેના સંબંધને પ્રમાણિત કરે છે30.શૂન્ય ટેક્ષ્ચરલ કોન્ટ્રાસ્ટ અને સત્રો જેમાં વાંદરાઓએ દરેક પ્રકારના આ ટ્રાયલ માટે ઓછામાં ઓછી પાંચ પસંદગીઓ કરી હોય તેવા ગ્રીડનો ઉપયોગ કરીને ટ્રાયલ સુધીના વિશ્લેષણને મર્યાદિત કરીને, અમે ગ્રીડની ગતિની દરેક દિશા માટે અલગથી SR ની ગણતરી કરી. સમગ્ર વાંદરાઓમાં, અમે સરેરાશ CP મૂલ્યનું અવલોકન કર્યું જે અમે તક દ્વારા અપેક્ષા રાખીએ છીએ તેના કરતા નોંધપાત્ર રીતે વધારે છે (ફિગ. 6a, d; વાનર N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 0.5, p = 6. ની સામે બે બાજુવાળા ટી-ટેસ્ટ; 95% CI: (0.54, 0.57), બે બાજુવાળા ટી-ટેસ્ટ, t = 9.4, p < 10−13). સમગ્ર વાંદરાઓમાં, અમે સરેરાશ CP મૂલ્યનું અવલોકન કર્યું જે અમે તક દ્વારા અપેક્ષા રાખીએ છીએ તેના કરતા નોંધપાત્ર રીતે વધારે છે (ફિગ. 6a, d; વાનર N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5, t = 0.5, p = 6. ની સામે બે બાજુવાળા ટી-ટેસ્ટ; 95% CI: (0.54, 0.57), બે બાજુવાળા ટી-ટેસ્ટ, t = 9.4, p < 10−13) .વાંદરાઓમાં, અમે અવ્યવસ્થિત રીતે અપેક્ષિત કરતાં નોંધપાત્ર રીતે ઊંચું સરેરાશ CP અવલોકન કર્યું (ફિગ. 6a, d; મંકી N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), ટુ-ટેલ્ડ ટી-ટેસ્ટ વિ. નલ મૂલ્યો).CP = 0,5, t = 6,7, p < 10–9; CP = 0.5, t = 6.7, p < 10–9; обезьяна S: среднее CP: 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10–13) . વાનર S: સરેરાશ CP: 0.55, 95% CI: (0.54, 0.57), ટુ-ટેલ્ડ ટી-ટેસ્ટ, t = 9.4, p < 10–13).在猴子中，我们观察到平均CP 值显着大于我们偶然预期的值（图6a,d；猴子N： 5% .53 ， 0.56 .4, p < 10−13) .在 猴子 中 ， 我们 观察 平均 平均 值 显着 大于 我们 偶然 的 值 （坏 值 6 （图 图 图： 0.54，95% Ci ： 0.53，0.56）, 空值 检验 CP = 0.5, t = 6.7, p < 10−9;猴子S: 平均CP: 0.55, 95% CI: (0.54, 0.57), 双边t检验, t=9.4, p < 10−13) У обезьян мы наблюдали средние значения CP, значительно превышающие то, что мы могли бы ожидать случайно (рис., NCP; 0,54, 95% ДИ: (0,53, 0,56), двусторонний t- тест CP против нуля = 0,5, t = 6,7, p < 10-9, обезьяна S: средний CP, Ди5 , 5д: 05, 07,05,05, усторонний t-критерий, t = 9,4, p < 10- 13) . વાંદરાઓમાં, અમે સરેરાશ CP મૂલ્યોનું અવલોકન કર્યું છે જે આપણે તક દ્વારા અપેક્ષા રાખી શકીએ છીએ (ફિગ. 6a, d; મંકી N: સરેરાશ CP: 0.54, 95% CI: (0.53, 0.56), દ્વિ-પૂંછડીવાળા ટી-ટેસ્ટ CP વિ. શૂન્ય = 0.5, t = p <6.19, CP9, મણકી: 50, મીન: 50. 5% CI: (0.54, 0.57), ટુ-ટેલ્ડ ટી- માપદંડ, t = 9.4, p < 10-13).આમ, MT ચેતાકોષો કોઈપણ સ્પષ્ટ વિભાજન સંકેતોની ગેરહાજરીમાં પણ વધુ મજબૂત રીતે આગ ફેલાવવાનું વલણ ધરાવે છે, જ્યારે જાળી ગતિ વિશે પ્રાણીની ધારણા કોષની પસંદગીઓ સાથે મેળ ખાતી હોય છે.
મંકી N માંથી રેકોર્ડ કરાયેલા નમૂનાઓ માટે ટેક્સચર સિગ્નલ વિના ગ્રીડ માટે પસંદગીની સંભાવનાનું વિતરણ. દરેક કોષ બે ડેટા પોઈન્ટ (ગ્રીડ ચળવળની દરેક દિશા માટે એક) સુધીનું યોગદાન આપી શકે છે.રેન્ડમ (સફેદ તીર) થી ઉપરનું સરેરાશ CP મૂલ્ય સૂચવે છે કે એકંદરે MT પ્રવૃત્તિ અને ધારણા વચ્ચે નોંધપાત્ર સંબંધ છે.b કોઈપણ સંભવિત પસંદગી પૂર્વગ્રહની અસરની તપાસ કરવા માટે, અમે કોઈપણ ઉત્તેજના માટે CP ની અલગથી ગણતરી કરી જેના માટે વાંદરાઓએ ઓછામાં ઓછી એક ભૂલ કરી.પસંદગીની સંભાવનાઓ તમામ ઉત્તેજના (ડાબે) અને ટેક્સચર માર્ક કોન્ટ્રાસ્ટના સંપૂર્ણ મૂલ્યો (જમણે, 120 વ્યક્તિગત કોષોમાંથી ડેટા) માટે પસંદગી ગુણોત્તર (પ્રિફ/નલ) ના કાર્ય તરીકે રચવામાં આવે છે.ડાબી પેનલમાં નક્કર રેખા અને છાંયડો વિસ્તાર 20-પોઇન્ટ મૂવિંગ એવરેજના સરેરાશ ± સેમનું પ્રતિનિધિત્વ કરે છે.અસંતુલિત પસંદગી ગુણોત્તર સાથે ઉત્તેજના માટે ગણવામાં આવતી પસંદગીની સંભાવનાઓ, જેમ કે ઉચ્ચ સિગ્નલ કોન્ટ્રાસ્ટ સાથેના ગ્રીડ, વધુ અલગ હતા અને શક્યતાઓની આસપાસ ક્લસ્ટર કરવામાં આવ્યા હતા.જમણી પેનલમાં ગ્રે-શેડેડ વિસ્તાર ઉચ્ચ પસંદગીની સંભાવનાની ગણતરીમાં સમાવિષ્ટ લક્ષણોના વિરોધાભાસ પર ભાર મૂકે છે.c મોટી પસંદગી (ઓર્ડિનેટ) ની સંભાવના ચેતાકોષની થ્રેશોલ્ડ (એબ્સીસા) સામે રચવામાં આવી છે.પસંદગીની સંભાવના થ્રેશોલ્ડ સાથે નોંધપાત્ર રીતે નકારાત્મક રીતે સંકળાયેલી હતી.કન્વેન્શન df એ એસી જેવું જ છે પરંતુ મંકી એસના 157 સિંગલ ડેટા પર લાગુ થાય છે સિવાય કે અન્યથા નોંધવામાં આવે.g સર્વોચ્ચ પસંદગીની સંભાવના (ઓર્ડિનેટ) દરેક બે વાંદરાઓ માટે સામાન્ય પસંદગીની દિશા (એબ્સિસા) સામે રચવામાં આવી છે.દરેક MT કોષે બે ડેટા પોઈન્ટ્સનું યોગદાન આપ્યું હતું (લેટીસ સ્ટ્રક્ચરની દરેક દિશા માટે એક).h દરેક ઇન્ટર-રાસ્ટર એંગલ માટે પસંદગીની સંભાવનાના મોટા બોક્સ પ્લોટ.નક્કર રેખા મધ્યને ચિહ્નિત કરે છે, બૉક્સની નીચલી અને ઉપલી કિનારીઓ અનુક્રમે 25મી અને 75મી પર્સન્ટાઇલ દર્શાવે છે, મૂછો ઇન્ટરક્વાર્ટાઇલ રેન્જના 1.5 ગણા સુધી લંબાવવામાં આવે છે, અને આ મર્યાદાની બહારના આઉટલીયર્સ નોંધવામાં આવે છે.ડાબી (જમણી) પેનલમાંનો ડેટા 120 (157) વ્યક્તિગત N(S) વાનર કોષોમાંથી છે.i પસંદગીની ઉચ્ચતમ સંભાવના (ઓર્ડિનેટ) ઉત્તેજના (એબ્સીસા) ની શરૂઆતના સમય સામે રચવામાં આવી છે.સમગ્ર પરીક્ષણ દરમિયાન સ્લાઇડિંગ લંબચોરસ (પહોળાઈ 100 ms, સ્ટેપ 10 ms) માં મોટા CPની ગણતરી કરવામાં આવી હતી અને પછી એકમો પર સરેરાશ કરવામાં આવી હતી.
અગાઉના કેટલાક અભ્યાસોએ અહેવાલ આપ્યો છે કે CP મૂળભૂત દર વિતરણમાં ટ્રાયલની સંબંધિત સંખ્યા પર આધાર રાખે છે, એટલે કે આ માપ ઉત્તેજના માટે ઓછું વિશ્વસનીય છે જે દરેક પસંદગીના પ્રમાણમાં મોટા તફાવતનું કારણ બને છે.અમારા ડેટામાં આ અસરને ચકાસવા માટે, અમે સાઇન ટેક્સચર કોન્ટ્રાસ્ટને ધ્યાનમાં લીધા વિના, તમામ ઉત્તેજના માટે અલગથી CPની ગણતરી કરી, અને વાંદરાઓએ ઓછામાં ઓછી એક ખોટી અજમાયશ કરી.CP અનુક્રમે આકૃતિ 6b અને e (ડાબી પેનલ) માં દરેક પ્રાણી માટે પસંદગી ગુણોત્તર (પ્રિફ/નલ) ની સામે રચાયેલ છે.મૂવિંગ એવરેજને જોતાં, તે સ્પષ્ટ છે કે CP પસંદગીના અવરોધોની વિશાળ શ્રેણી પર સંભાવનાઓથી ઉપર રહે છે, જ્યારે મતભેદ 0.2 (0.8) ની નીચે (ઉપર) ઘટે ત્યારે જ ઘટે છે.પ્રાણીઓની સાયકોમેટ્રિક લાક્ષણિકતાઓના આધારે, અમે અપેક્ષા રાખીશું કે આ તીવ્રતાના પસંદગીના ગુણાંક માત્ર ઉચ્ચ-કોન્ટ્રાસ્ટ ટેક્સચર સંકેતો (સુસંગત અથવા પારદર્શક) સાથે ઉત્તેજના પર લાગુ થશે (ફિગ. 2a, b માં મનોમેટ્રિક લક્ષણોના ઉદાહરણો જુઓ).આ કિસ્સો છે કે કેમ તે નિર્ધારિત કરવા માટે અને સ્પષ્ટ વિભાજન સંકેતો સાથે ઉત્તેજના માટે પણ નોંધપાત્ર PC ચાલુ રહે છે કે કેમ, અમે PC (ફિગ. 6b, e-જમણે) પર સંપૂર્ણ ટેક્સ્ચરલ કોન્ટ્રાસ્ટ મૂલ્યોની અસરની તપાસ કરી.અપેક્ષા મુજબ, CP મધ્યમ (~20% કોન્ટ્રાસ્ટ અથવા નીચું) વિભાજન સંકેતો ધરાવતી ઉત્તેજના માટેની સંભાવના કરતાં નોંધપાત્ર રીતે વધારે હતું.
ઓરિએન્ટેશન, સ્પીડ અને મિસમેચ રેકગ્નિશન કાર્યોમાં, MT CP સૌથી વધુ સંવેદનશીલ ચેતાકોષોમાં સૌથી વધુ હોય છે, સંભવતઃ કારણ કે આ ચેતાકોષો સૌથી વધુ માહિતીપ્રદ સંકેતો ધરાવે છે30,32,33,34.આ તારણો સાથે સુસંગત અમે ગ્રાન્ડ CP વચ્ચેનો સાધારણ પરંતુ નોંધપાત્ર સહસંબંધ જોયો છે, જે ફિગની જમણી બાજુની પેનલમાં હાઇલાઇટ કરાયેલ ટેક્સચર ક્યૂ કોન્ટ્રાસ્ટમાં ઝેડ-સ્કોર્ડ ફાયરિંગ રેટમાંથી ગણવામાં આવે છે.6b, e, અને ન્યુરોનલ થ્રેશોલ્ડ (ફિગ. 6c, f; ભૌમિતિક સરેરાશ રીગ્રેસન; વાનર N: r = −0.12, p = 0.07 વાનર S: r = −0.18, p < 10−3). 6b, e, અને ન્યુરોનલ થ્રેશોલ્ડ (ફિગ. 6c, f; ભૌમિતિક સરેરાશ રીગ્રેસન; વાનર N: r = −0.12, p = 0.07 વાનર S: r = −0.18, p < 10−3).આ તારણો સાથે સુસંગત, અમે ફિગ. 6b, e, અને ન્યુરોનલ થ્રેશોલ્ડ (ફિગ. 6c, f; ભૌમિતિક) ની જમણી બાજુની પેનલમાં હાઇલાઇટ કરાયેલ ટેક્સચર સિગ્નલ કોન્ટ્રાસ્ટમાંથી ઉત્તેજના આવર્તન z-સ્કોરમાંથી ગણતરી કરાયેલ મોટા CP વચ્ચે સાધારણ પરંતુ નોંધપાત્ર સહસંબંધ જોયો.ભૌમિતિક સરેરાશ રીગ્રેસન;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p < 10-3). વાનર N: r = -0.12, p = 0.07 મંકી S: r = -0.18, p < 10-3).-图6c、f；几何平均回归；猴子N：r = -0.12，p = 0.07 猴子S：r = -0.18，p < 10-3）.与 这些 发现 一致 ， 我们 到 大 之间 存在 适度 但 显着 的 相关 性 这 湛 6 匯元 阈值 （图 图 6c 、 f ； 回归 ； 猴子 n ： r = -0.12 ， p = 0.07 猴子S：r = -0.18，）））） 3 p <1આ તારણો સાથે સુસંગત, અમે ફિગ. 6b,e અને ન્યુરોન થ્રેશોલ્ડ (આકૃતિ 6c,f; ભૌમિતિક સરેરાશ રીગ્રેશન; વાનર N: r = -0.12, p = 0.07) માં બતાવ્યા પ્રમાણે મોટા CVs વચ્ચે સાધારણ પરંતુ નોંધપાત્ર સહસંબંધ જોયો.Обезьяна S: г = -0,18, р < 10-3). મંકી એસ: r = -0.18, p < 10-3).તેથી, સૌથી વધુ માહિતીપ્રદ એકમોના સંકેતો વાંદરાઓમાં વ્યક્તિલક્ષી વિભાજનના ચુકાદાઓ સાથે વધુ સહપ્રવૃત્તિ દર્શાવવાનું વલણ ધરાવે છે, જે સમજશક્તિના પૂર્વગ્રહમાં ઉમેરવામાં આવેલા કોઈપણ ટેક્સ્ચરલ સંકેતોને ધ્યાનમાં લીધા વિના મહત્વપૂર્ણ છે.
આપેલ છે કે અમે અગાઉ ગ્રીડ ટેક્સચર સિગ્નલો પ્રત્યે સંવેદનશીલતા અને પ્રિફર્ડ ન્યુરોનલ ઓરિએન્ટેશન વચ્ચે સંબંધ સ્થાપિત કર્યો હતો, અમે વિચાર્યું કે શું CP અને પ્રિફર્ડ ઓરિએન્ટેશન (ફિગ. 6g) વચ્ચે સમાન સંબંધ છે.મંકી એસ (ANOVA; વાનર N: 1.03, p=0.46; મંકી S: F=1.73, p=0.04) માં આ જોડાણ માત્ર થોડું નોંધપાત્ર હતું.અમે કોઈપણ પ્રાણીમાં જાળી વચ્ચેના જાળીના ખૂણા માટે CPમાં કોઈ તફાવત જોયો નથી (ફિગ. 6h; ANOVA; વાનર N: F = 1.8, p = 0.11; વાનર S: F = 0.32, p = 0. 9).
છેલ્લે, અગાઉના કામે દર્શાવ્યું છે કે સમગ્ર અજમાયશ દરમિયાન CP બદલાય છે.કેટલાક અભ્યાસોએ પ્રમાણમાં સરળ પસંદગીની અસર પછી તીવ્ર વધારો નોંધાવ્યો છે, 30 જ્યારે અન્યોએ અજમાયશ દરમિયાન પસંદગીના સંકેતમાં સતત વધારો નોંધ્યો છે31.દરેક વાનર માટે, અમે 100 ms કોષોમાં શૂન્ય ટેક્ષ્ચરલ કોન્ટ્રાસ્ટ (અનુક્રમે, પેટર્ન ઓરિએન્ટેશન અનુસાર) સાથેના ટ્રાયલ્સમાં દરેક એકમના CPની ગણતરી પૂર્વ-ઉત્તેજના પ્રારંભથી સરેરાશ પૂર્વ-સ્ટિમ્યુલસ ઓફસેટ પોસ્ટ કરવા માટે દર 20 msએ આગળ વધે છે.બે વાંદરાઓ માટે સરેરાશ CP ગતિશીલતા આકૃતિ 6i માં બતાવવામાં આવી છે.બંને કિસ્સાઓમાં, ઉત્તેજના શરૂ થયા પછી લગભગ 500 ms સુધી CP રેન્ડમ સ્તરે અથવા તેની ખૂબ નજીક રહ્યું, જે પછી CP તીવ્રપણે વધ્યું.
બદલાતી સંવેદનશીલતા ઉપરાંત, CP સેલ ટ્યુનિંગ લાક્ષણિકતાઓના અમુક ગુણો દ્વારા પણ પ્રભાવિત હોવાનું દર્શાવવામાં આવ્યું છે.ઉદાહરણ તરીકે, Uka અને DeAngelis34 એ શોધી કાઢ્યું કે બાયનોક્યુલર મિસમેચ રેકગ્નિશન ટાસ્કમાં CP ઉપકરણના બાયનોક્યુલર મિસમેચ ટ્યુનિંગ કર્વની સમપ્રમાણતા પર આધાર રાખે છે.આ કિસ્સામાં, સંબંધિત પ્રશ્ન એ છે કે શું પેટર્ન દિશા પસંદગીયુક્ત (PDS) કોષો ઘટક દિશા પસંદગીયુક્ત (CDS) કોષો કરતાં વધુ સંવેદનશીલ છે.પીડીએસ કોશિકાઓ બહુવિધ સ્થાનિક ઓરિએન્ટેશન ધરાવતી પેટર્નના સામાન્ય અભિગમને એન્કોડ કરે છે, જ્યારે સીડીએસ કોષો દિશાત્મક પેટર્ન ઘટકોની હિલચાલને પ્રતિભાવ આપે છે (ફિગ. 7a).
મોડ કમ્પોનન્ટ ટ્યુનિંગ સ્ટીમ્યુલસ અને કાલ્પનિક ગ્રેટિંગ (ડાબે) અને ગ્રેટિંગ ઓરિએન્ટેશન ટ્યુનિંગ વણાંકો (જમણે) (સામગ્રી અને પદ્ધતિઓ જુઓ) ની યોજનાકીય રજૂઆત.ટૂંકમાં, જો કોષ પેટર્નની હિલચાલને સંકેત આપવા માટે સમગ્ર ગ્રીડ ઘટકોમાં એકીકૃત થાય છે, તો વ્યક્તિ વ્યક્તિગત ગ્રીડ અને ગ્રીડ ઉત્તેજના (છેલ્લી કૉલમ, નક્કર વળાંક) માટે સમાન ટ્યુનિંગ વણાંકોની અપેક્ષા રાખે છે.તેનાથી વિપરિત, જો કોષ સિગ્નલ પેટર્નની ગતિમાં ઘટકોની દિશાઓને એકીકૃત કરતું નથી, તો એક દ્વિપક્ષીય ટ્યુનિંગ વળાંકની અપેક્ષા રાખશે જે ગ્રૅટિંગ ગતિની પ્રત્યેક દિશામાં ટોચ સાથે છે જે એક ઘટકને કોષની પસંદગીની દિશામાં (છેલ્લો કૉલમ, ડૅશ કરેલ વળાંક) માં અનુવાદિત કરે છે..આકૃતિ 1 અને 2. 3 અને 4 (ટોચની પંક્તિ - ફિગ. 3a,b અને 4a,b (ટોચ) માં કોષો; નીચેની પેનલ - Fig. 3c, d અને 4a, b (નીચે) ના કોષો) માં દર્શાવેલ કોષો માટે સાઇનસૉઇડલ એરેના ઓરિએન્ટેશનને સમાયોજિત કરવા માટે b (ડાબે) વળાંકો.(મધ્યમ) જાળી ટ્યુનિંગ પ્રોફાઇલ્સમાંથી ગણતરી કરેલ પેટર્ન અને ઘટક અનુમાનો.(જમણે) આ કોષોની ગ્રીડને સમાયોજિત કરવી.ટોચની (નીચે) પેનલના કોષોને નમૂના (ઘટક) કોષો તરીકે વર્ગીકૃત કરવામાં આવે છે.નોંધ કરો કે પેટર્ન ઘટકોના વર્ગીકરણ અને સુસંગત/પારદર્શક કોષ ચળવળ માટેની પસંદગીઓ વચ્ચે કોઈ એક-થી-એક પત્રવ્યવહાર નથી (ફિગ. 4a માં આ કોષો માટે ટેક્સચર જાળીના જવાબો જુઓ).c N (ડાબે) અને S (જમણે) વાંદરાઓમાં નોંધાયેલા તમામ કોષો માટે z-સ્કોર ઘટક (abscissa) ના આંશિક સહસંબંધ ગુણાંક સામે રચાયેલ z-સ્કોર મોડ (ઓર્ડિનેટ) ના આંશિક સહસંબંધનો ગુણાંક.જાડી રેખાઓ કોષોને વર્ગીકૃત કરવા માટે વપરાતા મહત્વના માપદંડો દર્શાવે છે.d ઉચ્ચ પસંદગીની સંભાવના (ઓર્ડિનેટ) વિરુદ્ધ મોડ ઇન્ડેક્સ (Zp – Zc) (abscissa) નો પ્લોટ.ડાબી (જમણી) પેનલમાંનો ડેટા વાનર N(S) નો સંદર્ભ આપે છે.કાળા વર્તુળો અંદાજિત એકમોમાં ડેટા સૂચવે છે.બંને પ્રાણીઓમાં, ઉચ્ચ પસંદગીની સંભાવના અને પેટર્ન ઇન્ડેક્સ વચ્ચે નોંધપાત્ર સહસંબંધ હતો, જે બહુવિધ ઘટક ઓરિએન્ટેશન સાથે ઉત્તેજનામાં સિગ્નલ પેટર્ન ઓરિએન્ટેશન ધરાવતા કોષો માટે વધુ સમજદારીયુક્ત સંબંધ સૂચવે છે.
તેથી, એક અલગ ટેસ્ટ સેટમાં, અમે અમારા નમૂનાઓમાંના ચેતાકોષોને PDS અથવા CDS (પદ્ધતિઓ જુઓ) તરીકે વર્ગીકૃત કરવા માટે sinusoidal ગ્રીડ અને ગ્રીડના પ્રતિભાવોને માપ્યા.જાળી ટ્યુનિંગ વણાંકો, આ ટ્યુનિંગ ડેટામાંથી બનાવેલ નમૂના ઘટક અનુમાનો, અને આકૃતિ 1 અને 3 માં બતાવેલ કોષો માટે જાળી ટ્યુનિંગ વણાંકો. આકૃતિ 3 અને 4 અને પૂરક આકૃતિ 3 આકૃતિ 7b માં દર્શાવવામાં આવ્યા છે.પેટર્ન વિતરણ અને ઘટકોની પસંદગી, તેમજ દરેક શ્રેણીમાં પસંદગીના કોષ અભિગમ, દરેક વાંદરાને ફિગ. 7c અને પૂરક ફિગમાં દર્શાવવામાં આવ્યા છે.અનુક્રમે 4.
પેટર્ન ઘટકોના સુધારણા પર CP ની અવલંબનનું મૂલ્યાંકન કરવા માટે, અમે પ્રથમ પેટર્ન ઇન્ડેક્સ 35 (PI) ની ગણતરી કરી, જેમાંથી મોટા (નાના) મૂલ્યો મોટા PDS (CDS) સમાન વર્તન સૂચવે છે.ઉપરોક્ત નિદર્શન આપેલ છે કે: (i) ચેતાકોષીય સંવેદનશીલતા પ્રિફર્ડ સેલ ઓરિએન્ટેશન અને ઉત્તેજના ચળવળની દિશા વચ્ચેના તફાવત સાથે બદલાય છે, અને (ii) અમારા નમૂનામાં ચેતાકોષીય સંવેદનશીલતા અને પસંદગીની સંભાવના વચ્ચે નોંધપાત્ર સંબંધ છે, અમે PI અને કુલ CP વચ્ચેનો સંબંધ શોધી કાઢ્યો છે (દરેક કોષની "ઉપરની સૌથી શ્રેષ્ઠ ચળવળ"ની દિશા માટે અભ્યાસ કરવામાં આવ્યો હતો). અમે જોયું કે CP નોંધપાત્ર રીતે PI (ફિગ. 7d; ભૌમિતિક સરેરાશ રીગ્રેસન; ગ્રાન્ડ CP મંકી N: r = 0.23, p < 0.01; દ્વિ-સ્થિર CP વાનર N r = 0.21, p = 0.013; ગ્રાન્ડ CP મંકી S: <0 CP = 0.013; ગ્રાન્ડ CP મંકી S: <0 CP = 01; : r = 0.29, p < 10−3), જે દર્શાવે છે કે PDS તરીકે વર્ગીકૃત થયેલ કોષો CDS અને અવર્ગીકૃત કોષો કરતાં વધુ પસંદગી-સંબંધિત પ્રવૃત્તિ દર્શાવે છે. અમે જોયું કે CP નોંધપાત્ર રીતે PI (ફિગ. 7d; ભૌમિતિક સરેરાશ રીગ્રેસન; ગ્રાન્ડ CP મંકી N: r = 0.23, p < 0.01; દ્વિ-સ્થિર CP વાનર N r = 0.21, p = 0.013; ગ્રાન્ડ CP મંકી S: <0 CP = 0.013; ગ્રાન્ડ CP મંકી S: <0 CP = 01; : r = 0.29, p < 10−3), જે દર્શાવે છે કે PDS તરીકે વર્ગીકૃત થયેલ કોષો CDS અને અવર્ગીકૃત કોષો કરતાં વધુ પસંદગી-સંબંધિત પ્રવૃત્તિ દર્શાવે છે. Мы обнаружили, что CP значительно коррелирует с PI (рис. 7d; регрессия среднего геометрического; большая обезьяна, большая обезьяна , бальшая обезьяна , б3 CP: , б02 = 02; ная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,30, p < 10-4; бистабильный CP обезьяны S: r, p = 0, <3 , что клетки, классифицированные как PDS, проявляли большую активность, связанную с выбором, чем CDS અને некласифицированные и некласифицированные. અમે શોધી કાઢ્યું કે CP નોંધપાત્ર રીતે PI (આકૃતિ 7d; ભૌમિતિક સરેરાશ રીગ્રેસન; ગ્રેટ મંકી CP N: r = 0.23, p < 0.01; bistable વાનર CP N r = 0.21, p = 0.013; ગ્રેટ મંકી CP S: r = 0.013; ગ્રેટ મંકી CP S: r = p0r = 01; CP = 01; 0.29, p < 10-3), જે દર્શાવે છે કે PDS તરીકે વર્ગીકૃત થયેલ કોષોએ CDS અને અવર્ગીકૃત કોષો કરતાં પસંદગી સાથે સંકળાયેલી વધુ પ્રવૃત્તિ દર્શાવી છે.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；挛NCP = 0.01；持CP = 0.01 .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猪表戾戎分熊園S猞PDS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；双稳态CP 猴1；双稳态CP 猴01 = 0pr01. .0 Мы обнаружили, что CP был значительно связан с PI (рис. 7d; регрессия среднего геометрического; большая обез:был, большая обезь:,б01,б03; ильная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,013) 0,30, p < 10-4; અમને જાણવા મળ્યું કે CP નોંધપાત્ર રીતે PI (આકૃતિ 7d; ભૌમિતિક સરેરાશ રીગ્રેસન; ગ્રેટ મંકી CP N: r = 0.23, p < 0.01; bistable મંકી CP N r = 0.21, p = 0.013; ગ્રેટ મંકી CP S: r = 0.013; <0.010) સાથે સંકળાયેલું છે. бистабильный CP обезьяны S: r = 0,29, p < 10-3), что указывает на то, что клетки, классифицированные как PDS, проявляцированные как PDS сть, чем клетки, классифицированные как CDS અને неклассифицированные. monkey S bistable CP: r = 0.29, p < 10-3), જે દર્શાવે છે કે PDS તરીકે વર્ગીકૃત થયેલ કોષો CDS તરીકે વર્ગીકૃત અને અવર્ગીકૃત કોષો કરતાં વધુ પસંદગીની પ્રવૃત્તિ દર્શાવે છે.કારણ કે બંને PI અને ચેતાકોષ સંવેદનશીલતા CP સાથે સંબંધ ધરાવે છે, અમે અસરની શક્યતા તરફ દોરી જતા બે પગલાં વચ્ચેના સહસંબંધને નકારી કાઢવા માટે બહુવિધ રીગ્રેસન વિશ્લેષણ (સ્વતંત્ર ચલ તરીકે PI અને ન્યુરોન સંવેદનશીલતા અને આશ્રિત ચલ તરીકે મોટા CP સાથે) કર્યા.. બંને આંશિક સહસંબંધ ગુણાંક નોંધપાત્ર હતા (વાંદરો N: થ્રેશોલ્ડ વિ. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; મંકી S: થ્રેશોલ્ડ વિ. CP: r = −0.16, p = 0.16, p = 0.3 CP: r = −0.16, p <0.3, CP −3), સૂચવે છે કે CP સંવેદનશીલતા સાથે વધે છે અને સ્વતંત્ર રીતે PI સાથે વધે છે. બંને આંશિક સહસંબંધ ગુણાંક નોંધપાત્ર હતા (વાંદરો N: થ્રેશોલ્ડ વિ. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; મંકી S: થ્રેશોલ્ડ વિ. CP: r = −0.16, p = 0.16, p = 0.3 CP: r = −0.16, p <0.3, CP −3), સૂચવે છે કે CP સંવેદનશીલતા સાથે વધે છે અને સ્વતંત્ર રીતે PI સાથે વધે છે. Оба частных коэффициента корреляции были значимыми (обезьяна N: порог против CP: r = -0,13, p = 0,04, PI против, p = 0,04, PI против, 03 CP: порог против CP: r = -0,16, p = 0,03, PI vs CP: 0,29, p < 10-3), предполагая, что CP увеличивается с чувствительновстимовызимовымительности ивается с PI. બંને આંશિક સહસંબંધ ગુણાંક નોંધપાત્ર હતા (વાનર N: થ્રેશોલ્ડ વિ. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; મંકી S: થ્રેશોલ્ડ વિ. CP: r = -0.16, p = 0.16, PI = 0.13, PI = 0.13, PI = 0.13, સૂચન. કે CP સંવેદનશીલતા સાથે વધે છે અને PI સાથે સ્વતંત્ર રીતે વધે છે.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.CP系：r = 0.23，p < 0.CP 帘11 ：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，并且以独珫頚劶且以独珫。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 <1-13CP Оба частных коэффициента корреляции были значимыми (обезьяна N: порог против CP: r = -0,13, p = 0,04, PI против, p = 0,04, PI против, 03 CP: порог против CP: r = -0,16, p = 0,03 , PI против CP: 0,29, p < 10-3), что указывает на то, что CP увеличивалась с чувеличивалась с чувеличивась с чувеличивась с чувеличивает на то, что CP અસ્વસ્થતા. બંને આંશિક સહસંબંધ ગુણાંક નોંધપાત્ર હતા (વાનર N: થ્રેશોલ્ડ વિ. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; મંકી S: થ્રેશોલ્ડ વિ. CP: r = -0.16, p = p-0.3, PI = 0.13, PI = 0.13, પી. CP સંવેદનશીલતા સાથે વધ્યું અને સ્વતંત્ર રીતે PI સાથે વધ્યું.
અમે MT વિસ્તારમાં એક જ પ્રવૃત્તિ રેકોર્ડ કરી, અને વાંદરાઓએ તેમની પેટર્નની ધારણાની જાણ કરી જે સુસંગત અથવા પારદર્શક હિલચાલ તરીકે દેખાઈ શકે છે.પૂર્વગ્રહયુક્ત ધારણાઓમાં ઉમેરવામાં આવેલા વિભાજન સંકેતો પ્રત્યે ચેતાકોષોની સંવેદનશીલતા વ્યાપકપણે બદલાય છે અને તે નક્કી કરવામાં આવે છે, ઓછામાં ઓછા ભાગમાં, એકમના પસંદગીના અભિગમ અને ઉત્તેજના ચળવળની દિશા વચ્ચેના સંબંધ દ્વારા.સમગ્ર વસ્તીમાં, ચેતાકોષીય સંવેદનશીલતા સાયકોફિઝિકલ સંવેદનશીલતા કરતા નોંધપાત્ર રીતે ઓછી હતી, જો કે સૌથી વધુ સંવેદનશીલ એકમો વિભાજન સંકેતો સાથે વર્તણૂકીય સંવેદનશીલતા સાથે મેળ ખાતા અથવા ઓળંગી ગયા હતા.વધુમાં, ફાયરિંગ ફ્રિક્વન્સી અને પર્સેપ્શન વચ્ચે નોંધપાત્ર સહસંવાદ છે, જે સૂચવે છે કે MT સિગ્નલિંગ વિભાજનમાં ભૂમિકા ભજવે છે.પ્રિફર્ડ ઓરિએન્ટેશન સાથેના કોષોએ જાળીના વિભાજન સિગ્નલોમાં તફાવતો પ્રત્યે તેમની સંવેદનશીલતાને ઑપ્ટિમાઇઝ કરી અને બહુવિધ સ્થાનિક અભિગમ સાથે ઉત્તેજનામાં વૈશ્વિક હિલચાલને સંકેત આપવાનું વલણ રાખ્યું, જે ઉચ્ચતમ સમજશક્તિના સહસંબંધને દર્શાવે છે.અગાઉના કાર્ય સાથે આ પરિણામોની તુલના કરતા પહેલા અમે અહીં કેટલીક સંભવિત સમસ્યાઓનો વિચાર કરીએ છીએ.
પ્રાણીઓના નમૂનાઓમાં બિસ્ટેબલ ઉત્તેજનાનો ઉપયોગ કરીને સંશોધનમાં એક મોટી સમસ્યા એ છે કે વર્તણૂકીય પ્રતિભાવો રસના પરિમાણ પર આધારિત ન હોઈ શકે.ઉદાહરણ તરીકે, અમારા વાંદરાઓ જાળી સુસંગતતાની તેમની ધારણાથી સ્વતંત્ર રીતે ટેક્સચર ઓરિએન્ટેશનની તેમની ધારણાની જાણ કરી શકે છે.ડેટાના બે પાસાઓ સૂચવે છે કે આ કેસ નથી.પ્રથમ, અગાઉના અહેવાલો અનુસાર, વિભાજિત એરે ઘટકોના સંબંધિત ઓરિએન્ટેશન એંગલને બદલવાથી સુસંગત દ્રષ્ટિની સંભાવનાને વ્યવસ્થિત રીતે બદલાઈ ગઈ.બીજું, સરેરાશ, અસર એ પેટર્ન માટે સમાન હોય છે જેમાં ટેક્સચર સિગ્નલ હોય છે અથવા નથી.એકસાથે લેવામાં આવે તો, આ અવલોકનો સૂચવે છે કે વાંદરાના પ્રતિભાવો તેમની જોડાણ/પારદર્શિતાની ધારણાને સતત પ્રતિબિંબિત કરે છે.
બીજી સંભવિત સમસ્યા એ છે કે અમે ચોક્કસ પરિસ્થિતિ માટે ગ્રેટિંગ ગતિ પરિમાણોને ઑપ્ટિમાઇઝ કર્યા નથી.ન્યુરોનલ અને સાયકોફિઝિકલ સંવેદનશીલતાની સરખામણી કરતા અગાઉના ઘણા કાર્યોમાં, દરેક નોંધાયેલ એકમ માટે ઉત્તેજના વ્યક્તિગત રીતે પસંદ કરવામાં આવી હતી [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45].અહીં આપણે દરેક કોષના ઓરિએન્ટેશનના ગોઠવણને ધ્યાનમાં લીધા વિના જાળી પેટર્નની હિલચાલની સમાન બે દિશાઓનો ઉપયોગ કર્યો છે.આ ડિઝાઇને અમને જાળીની હિલચાલ અને પ્રિફર્ડ ઓરિએન્ટેશન વચ્ચેના ઓવરલેપ સાથે કેવી રીતે સંવેદનશીલતા બદલાઈ તેનો અભ્યાસ કરવાની મંજૂરી આપી, જો કે, કોષો સુસંગત કે પારદર્શક જાળીઓ પસંદ કરે છે કે કેમ તે નક્કી કરવા માટે તે પ્રાથમિક આધાર પૂરો પાડતો નથી.તેથી, અમે ટેક્ષ્ચર મેશના પ્રત્યેક કોષના પ્રતિભાવનો ઉપયોગ કરીને, મેશ ચળવળની દરેક શ્રેણીને પસંદગી અને શૂન્ય લેબલ્સ સોંપવા માટે પ્રયોગમૂલક માપદંડો પર આધાર રાખીએ છીએ.અસંભવિત હોવા છતાં, આ અમારા સંવેદનશીલતા વિશ્લેષણ અને CP સિગ્નલ શોધના પરિણામોને વ્યવસ્થિત રીતે ત્રાંસી કરી શકે છે, સંભવિતપણે કોઈપણ માપને વધારે પડતો અંદાજ આપી શકે છે.જો કે, નીચે ચર્ચા કરવામાં આવેલ વિશ્લેષણ અને ડેટાના કેટલાક પાસાઓ સૂચવે છે કે આ કેસ નથી.
પ્રથમ, ઉત્તેજના માટે પસંદગીના (નલ) નામો સોંપવાથી જે વધુ (ઓછી) પ્રવૃત્તિને ઉત્તેજિત કરે છે તે આ પ્રતિભાવ વિતરણોની વિશિષ્ટતાને અસર કરતું નથી.તેના બદલે, તે માત્ર એ સુનિશ્ચિત કરે છે કે ન્યુરોમેટ્રિક અને સાયકોમેટ્રિક ફંક્શન્સ સમાન ચિહ્ન ધરાવે છે, તેથી તેમની સીધી તુલના કરી શકાય છે.બીજું, CP ની ગણતરી કરવા માટે વપરાતા પ્રતિસાદો (ટેક્ષ્ચર ગ્રેટિંગ્સ માટે "ખોટા" ટ્રાયલ્સ અને ટેક્સ્ચર કોન્ટ્રાસ્ટ વગરના ગ્રેટિંગ્સ માટેના તમામ ટ્રાયલ) રીગ્રેસન વિશ્લેષણમાં શામેલ કરવામાં આવ્યા ન હતા જે નિર્ધારિત કરે છે કે દરેક કોષ કનેક્ટેડ અથવા પારદર્શક રમતો "પસંદ" કરે છે.આ સુનિશ્ચિત કરે છે કે પસંદગીની અસરો પ્રિફર્ડ/અમાન્ય હોદ્દો તરફ પક્ષપાતી નથી, પરિણામે પસંદગીની નોંધપાત્ર સંભાવના છે.
ન્યુઝમ અને તેના સાથીદારો [36, 39, 46, 47] ના અભ્યાસો ગતિની દિશાના અંદાજિત અંદાજમાં MT ની ભૂમિકા નક્કી કરનાર પ્રથમ હતા.અનુગામી અહેવાલોએ 34,44,48,49,50,51 અને ગતિ 32,52 માં MT ભાગીદારી પર ડેટા એકત્રિત કર્યો છે, 31,53,54 (3D ટકાઉ જંગલો) માંથી 3D માળખું અને 3D માળખું ની ધારણા.શાસન કરવું).અમે આ પરિણામોને બે મહત્વપૂર્ણ રીતે વિસ્તૃત કરીએ છીએ.પ્રથમ, અમે પુરાવા પ્રદાન કરીએ છીએ કે MT પ્રતિસાદો વિઝ્યુમોટર સિગ્નલોના સમજશક્તિ વિભાજનમાં ફાળો આપે છે.બીજું, અમે MT મોડ ઓરિએન્ટેશન સિલેક્ટિવિટી અને આ સિલેક્શન સિગ્નલ વચ્ચેનો સંબંધ જોયો.
સૈદ્ધાંતિક રીતે, હાલના પરિણામો 3-D SFM પરના કામ જેવા જ છે, કારણ કે બંને જટિલ બિસ્ટેબલ પર્સેપ્શન છે જેમાં હલનચલન અને ઊંડાણ ક્રમમાં સમાવેશ થાય છે.ડોડ એટ અલ.31 એ બિસ્ટેબલ 3D SFM સિલિન્ડરના રોટેશનલ ઓરિએન્ટેશનની જાણ કરતા મંકી ટાસ્કમાં મોટી પસંદગીની સંભાવના (0.67) મળી.અમને બિસ્ટેબલ ગ્રીડ સ્ટિમ્યુલી (બંને વાંદરાઓ માટે લગભગ 0.55) માટે ઘણી નાની પસંદગીની અસર મળી.સીપીનું મૂલ્યાંકન પસંદગીના ગુણાંક પર આધારિત હોવાથી, વિવિધ કાર્યોમાં વિવિધ પરિસ્થિતિઓ હેઠળ મેળવેલ સીપીનું અર્થઘટન કરવું મુશ્કેલ છે.જો કે, અમે અવલોકન કરેલ પસંદગીની અસરની તીવ્રતા શૂન્ય અને ઓછી ટેક્ષ્ચર કોન્ટ્રાસ્ટ ગ્રેટીંગ્સ માટે સમાન હતી, અને જ્યારે અમે પાવર વધારવા માટે ઓછી/કોઈ ટેક્ષ્ચર કોન્ટ્રાસ્ટ ઉત્તેજનાને જોડીએ છીએ ત્યારે પણ.તેથી, CP માં આ તફાવત ડેટાસેટ્સ વચ્ચે પસંદગી દરોમાં તફાવતને કારણે હોવાની શક્યતા નથી.
MT ફાયરિંગ રેટમાં સાધારણ ફેરફારો કે જે પછીના કિસ્સામાં ધારણા સાથે આવે છે તે 3-D SFM સ્ટીમ્યુલેશન અને બિસ્ટેબલ ગ્રીડ સ્ટ્રક્ચર્સ દ્વારા પ્રેરિત તીવ્ર અને ગુણાત્મક રીતે જુદી જુદી સમજશક્તિની સ્થિતિની તુલનામાં કોયડારૂપ લાગે છે.એક શક્યતા એ છે કે અમે ઉત્તેજનાના સમગ્ર સમયગાળા દરમિયાન ફાયરિંગ રેટની ગણતરી કરીને પસંદગીની અસરને ઓછો અંદાજ આપ્યો છે.31 3-D SFM ના કિસ્સામાં વિપરીત, જ્યાં MT પ્રવૃત્તિમાં તફાવતો લગભગ 250 ms ટ્રાયલ્સમાં વિકસ્યા અને પછી સમગ્ર ટ્રાયલ દરમિયાન સતત વધ્યા, પસંદગી સિગ્નલોની ટેમ્પોરલ ડાયનેમિક્સનું અમારું વિશ્લેષણ (બંને વાંદરાઓમાં ઉત્તેજનાની શરૂઆત પછી 500 ms જુઓ. વધુમાં, આ સમયગાળા દરમિયાન CP માં વધારો થયો છે જે દરમિયાન અમે CP માં વધારો કર્યો છે. અજમાયશ. હ્યુપ અને રુબિન55 અહેવાલ આપે છે કે લાંબા અજમાયશ દરમિયાન બિસ્ટેબલ લંબચોરસ એરેની માનવ દ્રષ્ટિ ઘણીવાર બદલાય છે. જો કે અમારી ઉત્તેજના માત્ર 1.5 સેકન્ડ માટે રજૂ કરવામાં આવી હતી, અમારા વાંદરાઓની ધારણા પણ અજમાયશ દરમિયાન સુસંગતતાથી પારદર્શિતા સુધી બદલાઈ શકે છે (તેમના પ્રતિભાવો ક્યૂની પસંદગી વખતે તેમની અંતિમ ધારણાને પ્રતિબિંબિત કરે છે.) તેથી, અમારી ધારણાની ક્રિયા, પ્રતિભાવ અથવા પ્રતિભાવના સતત કાર્યને અનુમાનિત કરવા માટે અમારા વાંદરાઓની ધારણા, સમયની યોજના અથવા પ્રતિસાદની સતત યોજના હોઈ શકે છે. પસંદગીની મોટી અસર હોય છે. છેલ્લી શક્યતા એ છે કે બે કાર્યોમાં MT સિગ્નલ અલગ રીતે વાંચવામાં આવે છે. જો કે લાંબા સમયથી એવું માનવામાં આવતું હતું કે CPU સિગ્નલ સંવેદનાત્મક ડીકોડિંગ અને સહસંબંધિત અવાજથી પરિણમે છે,56 Gu અને સહકર્મીઓ57એ શોધી કાઢ્યું હતું કે કોમ્પ્યુટેશનલ મોડલમાં, વિવિધ પૂલિંગ વ્યૂહરચના, CPU ને ટેમ્પર-ટેમ્પરેલિબિલિટીના સ્તરને બદલે વધુ સારી રીતે સમજાવે છે. .શીટ ચેન્જ ઓરિએન્ટેશન રેકગ્નિશન ટાસ્ક (MSTd).અમે MT માં અવલોકન કરેલ નાની પસંદગીની અસર સંભવતઃ સુસંગતતા અથવા પારદર્શિતાની ધારણાઓ બનાવવા માટે ઘણા ઓછા માહિતીપ્રદ ન્યુરોન્સના વ્યાપક એકત્રીકરણને પ્રતિબિંબિત કરે છે.કોઈ પણ સંજોગોમાં જ્યાં સ્થાનિક ગતિ સંકેતોને એક અથવા બે ઑબ્જેક્ટ (બિસ્ટેબલ ગ્રેટિંગ્સ) અથવા સામાન્ય ઑબ્જેક્ટ્સની અલગ સપાટી (3-D SFM) માં જૂથબદ્ધ કરવાના હતા, સ્વતંત્ર પુરાવા છે કે MT પ્રતિભાવો સમજશક્તિના નિર્ણયો સાથે નોંધપાત્ર રીતે સંકળાયેલા હતા, ત્યાં મજબૂત MT પ્રતિભાવો હતા.વિઝ્યુઅલ મોશન માહિતીનો ઉપયોગ કરીને મલ્ટી-ઓબ્જેક્ટ દ્રશ્યોમાં જટિલ છબીઓના વિભાજનમાં ભૂમિકા ભજવવાનો પ્રસ્તાવ છે.
ઉપર સૂચવ્યા મુજબ, અમે MT પેટર્ન સેલ્યુલર પ્રવૃત્તિ અને ધારણા વચ્ચેના જોડાણની જાણ કરનારા સૌપ્રથમ હતા.મૂવશોન અને સહકર્મીઓ દ્વારા મૂળ બે-તબક્કાના મોડેલમાં ઘડવામાં આવ્યા મુજબ, મોડ યુનિટ એ MTનું આઉટપુટ સ્ટેજ છે.જો કે, તાજેતરના કાર્યએ દર્શાવ્યું છે કે મોડ અને ઘટક કોષો સતતના જુદા જુદા છેડાઓનું પ્રતિનિધિત્વ કરે છે અને ગ્રહણશીલ ક્ષેત્રની રચનામાં પેરામેટ્રિક તફાવતો મોડ ઘટકોના ટ્યુનિંગ સ્પેક્ટ્રમ માટે જવાબદાર છે.તેથી, અમને CP અને PI વચ્ચે નોંધપાત્ર સહસંબંધ જોવા મળ્યો, જે બાયનોક્યુલર મિસમેચ એડજસ્ટમેન્ટ સમપ્રમાણતા અને CP વચ્ચેના સંબંધની જેમ ઊંડાણની ઓળખ કાર્યમાં અથવા ફાઇન ઓરિએન્ટેશન ભેદભાવ કાર્યમાં ઓરિએન્ટેશન સેટિંગ રૂપરેખાંકન.દસ્તાવેજો અને CP 33 વચ્ચેના સંબંધો.વાંગ અને Movshon62 એ MT ઓરિએન્ટેશન સિલેક્ટિવિટી સાથે મોટી સંખ્યામાં કોષોનું પૃથ્થકરણ કર્યું અને જાણવા મળ્યું કે, સરેરાશ, મોડ ઇન્ડેક્સ ઘણા ટ્યુનિંગ પ્રોપર્ટીઝ સાથે સંકળાયેલ છે, જે સૂચવે છે કે મોડ સિલેક્શન અન્ય ઘણા પ્રકારના સિગ્નલોમાં અસ્તિત્વ ધરાવે છે જે MT વસ્તીમાંથી વાંચી શકાય છે..તેથી, MT પ્રવૃત્તિ અને વ્યક્તિલક્ષી દ્રષ્ટિ વચ્ચેના સંબંધના ભાવિ અભ્યાસ માટે, તે નક્કી કરવું અગત્યનું રહેશે કે શું પેટર્ન ઇન્ડેક્સ અન્ય કાર્ય અને ઉત્તેજના પસંદગી સંકેતો સાથે સમાન રીતે સંબંધિત છે, અથવા શું આ સંબંધ ગ્રહણાત્મક વિભાજનના કિસ્સામાં વિશિષ્ટ છે.
એ જ રીતે, નિએનબોર્ગ અને કમિંગ 42 એ શોધી કાઢ્યું હતું કે જો કે V2 માં બાયનોક્યુલર અસંગતતા માટે પસંદગીના નજીકના અને દૂરના કોષો ઊંડાણના ભેદભાવના કાર્યમાં સમાન રીતે સંવેદનશીલ હતા, માત્ર નજીકના-પસંદગી ધરાવતા કોષોની વસ્તી નોંધપાત્ર CP પ્રદર્શિત કરે છે.જો કે, વાંદરાઓને પ્રાધાન્યપૂર્વક વજન દૂરના તફાવતો માટે ફરીથી તાલીમ આપવાના પરિણામે વધુ તરફેણવાળા પાંજરામાં નોંધપાત્ર સી.પી.અન્ય અભ્યાસોએ એ પણ નોંધ્યું છે કે પ્રશિક્ષણ ઇતિહાસ 34,40,63 ગ્રહણાત્મક સહસંબંધો અથવા MT પ્રવૃત્તિ અને વિભેદક ભેદભાવ વચ્ચેના કારણ સંબંધ પર આધાર રાખે છે.અમે CP અને રેજીમેન દિશા પસંદગી વચ્ચે જે સંબંધ જોયો છે તે સંભવતઃ ચોક્કસ વ્યૂહરચના પ્રતિબિંબિત કરે છે જેનો ઉપયોગ વાંદરાઓએ અમારી સમસ્યાને ઉકેલવા માટે કર્યો હતો, અને વિઝ્યુઅલ-મોટર પર્સેપ્શનમાં મોડ સિલેક્શન સિગ્નલની ચોક્કસ ભૂમિકાને નહીં.ભવિષ્યના કાર્યમાં, તે નિર્ધારિત કરવું મહત્વપૂર્ણ છે કે વિભાજનના નિર્ણયો કરવા માટે કયા MT સિગ્નલોને પ્રાધાન્યપૂર્વક અને લવચીક રીતે ભારિત કરવામાં આવે છે તે નિર્ધારિત કરવા પર શીખવાના ઇતિહાસની નોંધપાત્ર અસર છે.
સ્ટોનર અને સહકર્મીઓ 14,23 એ જાણ કરનારા સૌપ્રથમ હતા કે ઓવરલેપિંગ ગ્રીડ પ્રદેશોની તેજ બદલવાથી માનવ નિરીક્ષક અહેવાલોની સુસંગતતા અને પારદર્શિતા અને મેકાક MT ચેતાકોષોમાં દિશાસૂચક ગોઠવણોને અનુમાનિત રીતે અસર થઈ હતી.લેખકોએ શોધી કાઢ્યું કે જ્યારે ઓવરલેપિંગ પ્રદેશોની તેજસ્વીતા શારીરિક રીતે પારદર્શિતા સાથે મેળ ખાતી હોય, ત્યારે નિરીક્ષકોએ વધુ પારદર્શક દ્રષ્ટિકોણની જાણ કરી, જ્યારે MT ન્યુરોન્સ રાસ્ટર ઘટકોની હિલચાલનો સંકેત આપે છે.તેનાથી વિપરીત, જ્યારે ઓવરલેપિંગ તેજ અને પારદર્શક ઓવરલેપ ભૌતિક રીતે અસંગત હોય છે, ત્યારે નિરીક્ષક સુસંગત હિલચાલને સમજે છે, અને MT ચેતાકોષો પેટર્નની વૈશ્વિક હિલચાલનો સંકેત આપે છે.આમ, આ અભ્યાસો દર્શાવે છે કે દ્રશ્ય ઉત્તેજનામાં ભૌતિક ફેરફારો જે વિભાજન અહેવાલોને વિશ્વસનીય રીતે પ્રભાવિત કરે છે તે પણ MT ઉત્તેજનામાં અનુમાનિત ફેરફારો પ્રેરિત કરે છે.આ ક્ષેત્રમાં તાજેતરના કાર્યએ શોધ્યું છે કે કયા MT સિગ્નલો જટિલ ઉત્તેજનાના ગ્રહણશીલ દેખાવને ટ્રેક કરે છે 18,24,64.ઉદાહરણ તરીકે, MT ચેતાકોષોના સબસેટને બે દિશાઓ સાથે રેન્ડમ પોઈન્ટ મોશન મેપ (RDK) પર બિમોડલ ટ્યુનિંગ દર્શાવવામાં આવ્યું છે જે યુનિડાયરેક્શનલ RDK કરતા ઓછા અંતરે છે.સેલ્યુલર ટ્યુનિંગની બેન્ડવિડ્થ 19, 25 .નિરીક્ષકો હંમેશા પ્રથમ પેટર્નને પારદર્શક ચળવળ તરીકે જુએ છે, તેમ છતાં મોટાભાગના MT ચેતાકોષો આ ઉત્તેજનાના પ્રતિભાવમાં યુનિમોડલ અનુકૂલન પ્રદર્શિત કરે છે, અને તમામ MT કોષોની સાદી સરેરાશ એક યુનિમોડલ વસ્તી પ્રતિભાવ આપે છે.આમ, બિમોડલ ટ્યુનિંગ દર્શાવતા કોષોનો સબસેટ આ ધારણા માટે ન્યુરલ સબસ્ટ્રેટ બનાવી શકે છે.રસપ્રદ રીતે, માર્મોસેટ્સમાં, પરંપરાગત ગ્રીડ અને ગ્રીડ ઉત્તેજનાનો ઉપયોગ કરીને પરીક્ષણ કરવામાં આવે ત્યારે આ વસ્તી PDS કોષો સાથે મેળ ખાતી હતી.
અમારા પરિણામો ઉપરોક્ત કરતાં એક પગલું આગળ વધે છે, જે અનુભૂતિના વિભાજનમાં MT ની ભૂમિકા સ્થાપિત કરવા માટે મહત્વપૂર્ણ છે.હકીકતમાં, વિભાજન એક વ્યક્તિલક્ષી ઘટના છે.ઘણા પોલિસ્ટેબલ વિઝ્યુઅલ ડિસ્પ્લે એક કરતાં વધુ રીતે સતત ઉત્તેજનાનું આયોજન અને અર્થઘટન કરવાની વિઝ્યુઅલ સિસ્ટમની ક્ષમતા દર્શાવે છે.એકસાથે અમારા અભ્યાસમાં ન્યુરલ પ્રતિભાવો અને સમજશક્તિના અહેવાલો એકત્રિત કરવાથી અમને એમટી ફાયરિંગ રેટ અને સતત ઉત્તેજનાના સમજશક્તિના અર્થઘટન વચ્ચેના સહપ્રસંગનું અન્વેષણ કરવાની મંજૂરી મળી.આ સંબંધ દર્શાવ્યા પછી, અમે સ્વીકારીએ છીએ કે કાર્યકારણની દિશા સ્થાપિત કરવામાં આવી નથી, એટલે કે, અમારા દ્વારા અવલોકન કરાયેલ ગ્રહણાત્મક વિભાજનના સંકેત, જેમ કે કેટલાક લોકો [65, 66, 67], સ્વચાલિત છે કે કેમ તે નક્કી કરવા માટે વધુ પ્રયોગોની જરૂર છે.આ પ્રક્રિયા ફરીથી 68, 69, 70 (ફિગ. 8) ઉચ્ચ વિસ્તારોમાંથી સંવેદનાત્મક કોર્ટેક્સમાં પાછા આવતા ઉતરતા સંકેતોનું પ્રતિનિધિત્વ કરે છે.MSTd71 માં પેટર્ન-પસંદગીયુક્ત કોષોના મોટા પ્રમાણના અહેવાલો, MT ના મુખ્ય કોર્ટિકલ લક્ષ્યોમાંના એક, સૂચવે છે કે MT અને MSTd ના એકસાથે રેકોર્ડિંગનો સમાવેશ કરવા માટે આ પ્રયોગોને લંબાવવું એ ધારણાના ન્યુરલ મિકેનિઝમ્સને વધુ સમજવા તરફનું એક સારું પ્રથમ પગલું હશે.વિભાજન
કમ્પોનન્ટ અને મોડ ઓરિએન્ટેશન પસંદગીનું બે-તબક્કાનું મોડેલ અને મશીન ટ્રાન્સલેશનમાં પસંદગી-સંબંધિત પ્રવૃત્તિ પર ટોપ-ડાઉન પ્રતિસાદની સંભવિત અસર.અહીં, MT સ્ટેપમાં મોડ ડિરેક્શન સિલેક્ટિવિટી (PDS – “P”) (i) ચોક્કસ મોડ વેગ સાથે સુસંગત દિશા પસંદગીયુક્ત ઇનપુટ ડેટાના મોટા નમૂના અને (ii) મજબૂત ટ્યુનિંગ સપ્રેસન દ્વારા બનાવવામાં આવે છે.MT (“C”) સ્ટેજના ડાયરેક્શનલી સિલેક્ટિવ (CDS) ઘટક ઇનપુટ દિશામાં સાંકડી સેમ્પલિંગ રેન્જ ધરાવે છે અને તેમાં વધુ ટ્યુનિંગ સપ્રેસન નથી.અસંતુષ્ટ નિષેધ બંને વસ્તી પર નિયંત્રણ આપે છે.રંગીન તીરો પ્રાધાન્યવાળું ઉપકરણ ઓરિએન્ટેશન સૂચવે છે.સ્પષ્ટતા માટે, માત્ર V1-MT કનેક્શનનો સબસેટ અને એક ઘટક મોડ અને ઓરિએન્ટેશન પસંદગી બોક્સ બતાવવામાં આવે છે.અમારા ફીડ-ફોરવર્ડ (FF) પરિણામોનું અર્થઘટન કરવાના સંદર્ભમાં, PDS કોષોમાં વ્યાપક ઇનપુટ સેટિંગ અને મજબૂત ટ્યુનિંગ અવરોધ (લાલ રંગમાં પ્રકાશિત)એ બહુવિધ હલનચલન પેટર્નના પ્રતિભાવમાં પ્રવૃત્તિમાં મોટા તફાવતને પ્રેરિત કર્યો.અમારી વિભાજનની સમસ્યામાં, આ જૂથ નિર્ણયની સાંકળો ચલાવે છે અને દ્રષ્ટિને વિકૃત કરે છે.તેનાથી વિપરિત, પ્રતિસાદ (FB) ના કિસ્સામાં, સંવેદનાત્મક ડેટા અને જ્ઞાનાત્મક પૂર્વગ્રહો દ્વારા અપસ્ટ્રીમ સર્કિટમાં ગ્રહણાત્મક નિર્ણયો જનરેટ થાય છે, અને PDS કોષો (જાડી રેખાઓ) પર ડાઉનસ્ટ્રીમ FB ની વધુ અસર પસંદગીના સંકેતો પેદા કરે છે.b CDS અને PDS ઉપકરણોના વૈકલ્પિક મોડલની યોજનાકીય રજૂઆત.અહીં MT માં PDS સિગ્નલો માત્ર V1 ના સીધા ઇનપુટ દ્વારા જ નહીં, પણ V1-V2-MT પાથના પરોક્ષ ઇનપુટ દ્વારા પણ જનરેટ થાય છે.ટેક્ષ્ચર સીમાઓ (ગ્રીડ ઓવરલેપિંગ વિસ્તારો) ને પસંદગી આપવા માટે મોડેલના પરોક્ષ પાથને સમાયોજિત કરવામાં આવે છે.એમટી લેયર સીડીએસ મોડ્યુલ પ્રત્યક્ષ અને પરોક્ષ ઇનપુટ્સનો ભારાંકિત સરવાળો કરે છે અને પીડીએસ મોડ્યુલને આઉટપુટ મોકલે છે.PDS સ્પર્ધાત્મક નિષેધ દ્વારા નિયંત્રિત થાય છે.ફરીથી, ફક્ત તે જ જોડાણો બતાવવામાં આવે છે જે મોડેલના મૂળભૂત આર્કિટેક્ચરને દોરવા માટે જરૂરી છે.અહીં, એમાં સૂચિત કરતાં અલગ FF મિકેનિઝમ પીડીએસને સેલ્યુલર જાળીના પ્રતિભાવમાં વધુ પરિવર્તનશીલતા તરફ દોરી શકે છે, જે ફરીથી નિર્ણય પેટર્નમાં પૂર્વગ્રહ તરફ દોરી જાય છે.વૈકલ્પિક રીતે, PDS કોષોમાં વધુ CP હજુ પણ PDS કોષો સાથે FB જોડાણની શક્તિ અથવા કાર્યક્ષમતામાં પૂર્વગ્રહનું પરિણામ હોઈ શકે છે.પુરાવા બે અને ત્રણ-તબક્કાના MT PDS મોડલ અને CP FF અને FB અર્થઘટનને સમર્થન આપે છે.
બે પુખ્ત મકાક (મકાકા મુલત્તા), એક નર અને એક માદા (અનુક્રમે 7 અને 5 વર્ષ), વજન 4.5 થી 9.0 કિગ્રા, અભ્યાસના પદાર્થો તરીકે ઉપયોગ કરવામાં આવ્યો હતો.તમામ જંતુરહિત શસ્ત્રક્રિયાના પ્રયોગો પહેલા, પ્રાણીઓને MT વિસ્તારની નજીક આવતા વર્ટિકલ ઇલેક્ટ્રોડ માટે કસ્ટમ-મેઇડ રેકોર્ડિંગ ચેમ્બર, સ્ટેનલેસ સ્ટીલ હેડરેસ્ટ સ્ટેન્ડ (ક્રિસ્ટ ઇન્સ્ટ્રુમેન્ટ્સ, હેગર્સટાઉન, MD), અને માપેલ સ્ક્લેરલ સર્ચ કોઇલ સાથે આંખની સ્થિતિ સાથે રોપવામાં આવ્યા હતા.(કુનર વાયર, સાન ડિએગો, કેલિફોર્નિયા).બધા પ્રોટોકોલ યુનાઈટેડ સ્ટેટ્સ ડિપાર્ટમેન્ટ ઓફ એગ્રીકલ્ચર (યુએસડીએ) ના નિયમો અને નેશનલ ઈન્સ્ટિટ્યૂટ ઓફ હેલ્થ (એનઆઈએચ) ની માનવીય સંભાળ અને પ્રયોગશાળા પ્રાણીઓના ઉપયોગ માટેની માર્ગદર્શિકાનું પાલન કરે છે અને યુનિવર્સિટી ઓફ શિકાગો ઈન્સ્ટિટ્યુશનલ એનિમલ કેર એન્ડ યુઝ કમિટી (IAUKC) દ્વારા મંજૂર કરવામાં આવ્યા છે.
તમામ દ્રશ્ય ઉત્તેજના કાળી અથવા રાખોડી પૃષ્ઠભૂમિ સામે રાઉન્ડ છિદ્રમાં રજૂ કરવામાં આવી હતી.રેકોર્ડિંગ દરમિયાન, આ છિદ્રની સ્થિતિ અને વ્યાસ ઇલેક્ટ્રોડની ટોચ પરના ચેતાકોષોના શાસ્ત્રીય ગ્રહણશીલ ક્ષેત્ર અનુસાર ગોઠવવામાં આવ્યા હતા.અમે દ્રશ્ય ઉત્તેજનાની બે વ્યાપક શ્રેણીઓનો ઉપયોગ કર્યો: સાયકોમેટ્રિક સ્ટિમ્યુલી અને ટ્યુનિંગ સ્ટિમ્યુલી.
સાયકોમેટ્રિક સ્ટિમ્યુલસ એ ગ્રેટિંગ પેટર્ન છે (20 cd/m2, 50% કોન્ટ્રાસ્ટ, 50% ડ્યુટી સાયકલ, 5 ડિગ્રી/સેકન્ડ) બે લંબચોરસ ગ્રેટિંગ્સને તેમની દિશા (ફિગ. 1b) પર લંબરૂપ દિશામાં ડ્રિફ્ટ કરીને સુપરઇમ્પોઝ કરીને બનાવવામાં આવે છે.તે અગાઉ દર્શાવવામાં આવ્યું છે કે માનવ નિરીક્ષકો આ ગ્રીડ પેટર્નને બિસ્ટેબલ ઉત્તેજના તરીકે જુએ છે, કેટલીકવાર એક જ દિશામાં એક જ પેટર્ન (સુસંગત હિલચાલ) અને કેટલીકવાર બે અલગ-અલગ સપાટીઓ અલગ-અલગ દિશામાં (પારદર્શક ચળવળ) ફરતી હોય છે.જાળી પેટર્નના ઘટકો, સમપ્રમાણરીતે લક્ષી - જાળી વચ્ચેનો ખૂણો 95° થી 130° સુધીનો છે (સમૂહમાંથી દોરેલા: 95°, 100°, 105°, 115°, 120°, 125°, 130° °, સમગ્ર સત્ર દરમિયાન, અમે પૂર્વ-પરિવર્તન 1° એકલતામાં સમાવિષ્ટ ન હતા. અહીં ડેટા) - લગભગ 90° અથવા 270° (પેટર્ન ઓરિએન્ટેશન).દરેક સત્રમાં, ઇન્ટરલેટીસ જાળીના માત્ર એક ખૂણાનો ઉપયોગ થતો હતો;દરેક સત્ર દરમિયાન, દરેક ટ્રાયલ માટે પેટર્નનું ઓરિએન્ટેશન બે શક્યતાઓમાંથી રેન્ડમલી પસંદ કરવામાં આવ્યું હતું.
ગ્રીડની ધારણાને અસ્પષ્ટ કરવા અને ક્રિયા માટેના પુરસ્કાર માટે પ્રયોગમૂલક આધાર પૂરો પાડવા માટે, અમે દરેક ગ્રીડ ઘટકના લાઇટ બાર સ્ટેપ 72માં રેન્ડમ પોઈન્ટ ટેક્સચર દાખલ કરીએ છીએ.આ પિક્સેલ (ફિગ. 1c) ના અવ્યવસ્થિત રીતે પસંદ કરેલા સબસેટની તેજને વધારીને અથવા ઘટાડીને (નિશ્ચિત રકમ દ્વારા) પ્રાપ્ત થાય છે.ટેક્સચર હિલચાલની દિશા એક મજબૂત સંકેત આપે છે જે નિરીક્ષકની ધારણાને સુસંગત અથવા પારદર્શક ચળવળ (ફિગ. 1c) તરફ ફેરવે છે.સુસંગત પરિસ્થિતિઓ હેઠળ, તમામ ટેક્સચર, ટેક્સચર જાળીના કવરના કયા ઘટકને ધ્યાનમાં લીધા વગર, પેટર્નની દિશામાં અનુવાદિત થાય છે (ફિગ. 1c, સુસંગત).પારદર્શક અવસ્થામાં, ટેક્સચર તે આવરી લેતી જાળીની દિશામાં કાટખૂણે ખસે છે (ફિગ. 1c, પારદર્શક) (પૂરક મૂવી 1).કાર્યની જટિલતાને નિયંત્રિત કરવા માટે, મોટાભાગના સત્રોમાં આ ટેક્સચર માર્ક માટે મિશેલસન કોન્ટ્રાસ્ટ (Lmax-Lmin/Lmax+Lmin) (-80, -40, -20, -10, -5, 0, 5) ના સમૂહથી બદલાય છે., 10, 20, 40, 80).કોન્ટ્રાસ્ટને રાસ્ટરની સાપેક્ષ તેજસ્વીતા તરીકે વ્યાખ્યાયિત કરવામાં આવે છે (તેથી 80% નું કોન્ટ્રાસ્ટ મૂલ્ય 36 અથવા 6 cd/m2 ની રચનામાં પરિણમશે).વાનર N માં 6 સત્રો અને મંકી S માં 5 સત્રો માટે, અમે સાંકડી ટેક્ષ્ચરલ કોન્ટ્રાસ્ટ રેન્જ (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) નો ઉપયોગ કર્યો છે, જ્યાં સાયકોફિઝિકલ લાક્ષણિકતાઓ સમાન પેટર્નને અનુસરે છે.
ટ્યુનિંગ ઉત્તેજના એ 16 સમાન અંતરવાળી દિશાઓમાંની એકમાં આગળ વધતી સાઇનસૉઇડલ ગ્રીડ (50%, 1 ચક્ર/ડિગ્રી, 5 ડિગ્રી/સેકંડ) છે, અથવા આ દિશાઓમાં આગળ વધતી સાઇનસૉઇડલ ગ્રીડ છે (દરેક ટોચ પરના 135° ખૂણાના બે વિરોધી 135° ખૂણાઓ ધરાવે છે).પેટર્નની સમાન દિશામાં.