Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये CSS साठी मर्यादित समर्थन आहे. सर्वोत्तम अनुभवासाठी, आम्ही शिफारस करतो की तुम्ही अद्ययावत ब्राउझर वापरा (किंवा इंटरनेट एक्सप्लोररमध्ये कॉम्पॅटिबिलिटी मोड अक्षम करा). यादरम्यान, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही ही साइट स्टाईल्स आणि जावास्क्रिप्टशिवाय प्रस्तुत करू.
एकाच वेळी तीन स्लाइड्स दाखवणारे कॅरोसेल. एका वेळी तीन स्लाइड्स पुढे जाण्यासाठी 'मागील' आणि 'पुढील' बटणे वापरा, किंवा शेवटी असलेली स्लायडर बटणे वापरा.
उच्च-रिझोल्यूशन दृष्टीसाठी वस्तूंचे गुणधर्म पुनर्निर्मित करण्याकरिता सूक्ष्म रेटिनल सॅम्पलिंग आणि इंटिग्रेशनची आवश्यकता असते. हे लक्षात घेणे महत्त्वाचे आहे की, जेव्हा वेगवेगळ्या वस्तूंमधील स्थानिक नमुने मिसळले जातात, तेव्हा अचूकता कमी होते. म्हणून, सेगमेंटेशन, म्हणजेच स्वतंत्र प्रक्रियेसाठी प्रतिमेच्या भागांचे गट करणे, हे आकलनासाठी अत्यंत महत्त्वाचे आहे. पूर्वीच्या कामात, या प्रक्रियेचा अभ्यास करण्यासाठी बायस्टेबल लॅटिस स्ट्रक्चर्सचा वापर केला गेला, ज्यांना एक किंवा अधिक हलणारे पृष्ठभाग मानले जाऊ शकते. येथे, आम्ही प्राइमेट व्हिज्युअल पाथवेच्या मध्यवर्ती भागांमधील क्रियाकलाप आणि सेगमेंटेशन निर्णयांमधील संबंध सादर करत आहोत. विशेषतः, आम्हाला आढळले की निवडकपणे अभिमुख होणारे मीडियन टेम्पोरल न्यूरॉन्स हे बायस्टेबल ग्रॅटिंग्जच्या आकलनात विकृती आणण्यासाठी वापरल्या जाणाऱ्या टेक्स्चर संकेतांप्रति संवेदनशील होते आणि त्यांनी ट्रायल्स व स्थिर स्टिम्युलीच्या व्यक्तिनिष्ठ आकलनामध्ये एक महत्त्वपूर्ण सहसंबंध दर्शवला. हा सहसंबंध अशा युनिट्समध्ये अधिक असतो जे अनेक स्थानिक दिशांच्या नमुन्यांमध्ये जागतिक हालचालीचे संकेत देतात. अशाप्रकारे, आम्ही असा निष्कर्ष काढतो की इंटरमीडिएट टाइम डोमेनमध्ये जटिल दृश्यांना घटक वस्तू आणि पृष्ठभागांमध्ये विभागण्यासाठी वापरले जाणारे संकेत असतात.
दृष्टी केवळ कडांची दिशा आणि वेग यांसारख्या मूलभूत प्रतिमा वैशिष्ट्यांमधील अचूक भेद ओळखण्यावरच अवलंबून नसते, तर त्याहून महत्त्वाचे म्हणजे वस्तूचा आकार आणि मार्ग यांसारख्या पर्यावरणीय गुणधर्मांची गणना करण्यासाठी या वैशिष्ट्यांचे योग्य एकत्रीकरण करण्यावर अवलंबून असते¹. तथापि, जेव्हा रेटिनल प्रतिमा अनेक समान संभाव्य वैशिष्ट्य गटांना आधार देतात तेव्हा समस्या उद्भवतात²,³,⁴ (आकृती १अ). उदाहरणार्थ, जेव्हा वेगाच्या संकेतांचे दोन संच खूप जवळ असतात, तेव्हा याचा अर्थ एक हलणारी वस्तू किंवा अनेक हलणाऱ्या वस्तू असा लावला जाऊ शकतो (आकृती १ब). हे विभाजनाचे व्यक्तिनिष्ठ स्वरूप दर्शवते, म्हणजेच तो प्रतिमेचा एक निश्चित गुणधर्म नसून, अर्थ लावण्याची एक प्रक्रिया आहे. सामान्य आकलनासाठी त्याचे स्पष्ट महत्त्व असूनही, आकलनात्मक विभाजनाच्या चेतासंस्थेच्या आधाराबद्दलची आपली समज अपूर्णच राहिली आहे.
संवेदी विभाजन समस्येचे एक व्यंगचित्र. नेकर क्यूबमधील (डावीकडे) खोलीबद्दल निरीक्षकाची धारणा दोन संभाव्य स्पष्टीकरणांमध्ये (उजवीकडे) बदलते. याचे कारण असे आहे की प्रतिमेमध्ये असे कोणतेही संकेत नाहीत जे मेंदूला आकृतीची 3D स्थिती (उजवीकडील एकनेत्रीय अडथळ्याच्या संकेताद्वारे प्रदान केलेली) निश्चितपणे ठरवू देतील. b जेव्हा अनेक गती संकेत अवकाशीय सान्निध्यात सादर केले जातात, तेव्हा दृष्टी प्रणालीला हे ठरवावे लागते की स्थानिक नमुने एका किंवा अधिक वस्तूंचे आहेत. स्थानिक गती संकेतांची अंगभूत संदिग्धता, म्हणजेच वस्तूंच्या गतींचा क्रम समान स्थानिक गती निर्माण करू शकतो, ज्यामुळे दृश्य माहितीचे अनेक समान संभाव्य अर्थ निघतात, म्हणजेच येथील सदिश क्षेत्रे एकाच पृष्ठभागाच्या सुसंगत गतीतून किंवा एकमेकांवर येणाऱ्या पृष्ठभागांच्या पारदर्शक गतीतून निर्माण होऊ शकतात. c (डावीकडे) आमच्या पोतदार जाळीच्या उद्दीपकाचे एक उदाहरण. आयताकृती जाळ्या त्यांच्या दिशेला लंबवत सरकताना (“घटक दिशा” – पांढरे बाण) एकमेकांवर येऊन एक जाळीचा नमुना तयार करतात. लॅटिसला दिशांची एकच, नियमित, जोडलेली हालचाल (लाल बाण) किंवा संयुक्त दिशांची पारदर्शक हालचाल म्हणून पाहिले जाऊ शकते. यादृच्छिक बिंदू पोत संकेतांच्या समावेशामुळे लॅटिसचे आकलन विकृत होते. (मध्यभागी) पिवळ्या रंगात हायलाइट केलेला भाग विस्तारित केला आहे आणि अनुक्रमे सुसंगत आणि पारदर्शक सिग्नलसाठी फ्रेम्सच्या मालिकेच्या रूपात प्रदर्शित केला आहे. प्रत्येक बाबतीत बिंदूची हालचाल हिरव्या आणि लाल बाणांनी दर्शविली आहे. (उजवीकडे) निवड बिंदूच्या स्थितीचा (x, y) फ्रेम्सच्या संख्येनुसार आलेख. सुसंगत बाबतीत, सर्व पोत एकाच दिशेने सरकतात. पारदर्शकतेच्या बाबतीत, पोत घटकाच्या दिशेने सरकतो. d आमच्या मोशन सेगमेंटेशन कार्याचे एक कार्टून चित्रण. माकडांनी प्रत्येक चाचणीची सुरुवात एका लहान बिंदूवर लक्ष केंद्रित करून केली. थोड्या विलंबानंतर, MT RF च्या ठिकाणी एका विशिष्ट प्रकारचा ग्रेटिंग पॅटर्न (सुसंगतता/पारदर्शकता) आणि पोत सिग्नलचा आकार (उदा. कॉन्ट्रास्ट) दिसू लागला. प्रत्येक चाचणी दरम्यान, ग्रेटिंग पॅटर्नच्या दोन संभाव्य दिशांपैकी एका दिशेने सरकू शकते. उत्तेजक काढून घेतल्यानंतर, एमटी आरएफच्या वर आणि खाली निवड लक्ष्ये दिसू लागली. माकडांनी योग्य निवड लक्ष्याकडे सॅकेड्सद्वारे ग्रिडबद्दलची आपली धारणा दर्शवणे आवश्यक आहे.
दृष्य हालचालींची प्रक्रिया चांगल्या प्रकारे स्पष्ट केली गेली आहे आणि त्यामुळे ती संवेदी विभाजनाच्या चेतासंस्थेतील मंडळांचा अभ्यास करण्यासाठी एक उत्कृष्ट नमुना ठरते. अनेक संगणकीय अभ्यासांनी दोन-टप्प्यांच्या गती प्रक्रिया मॉडेलची उपयुक्तता नोंदवली आहे, ज्यामध्ये उच्च-रिझोल्यूशनच्या सुरुवातीच्या अंदाजानंतर गोंधळ (नॉइज) दूर करण्यासाठी आणि वस्तूचा वेग पुनर्संचयित करण्यासाठी स्थानिक नमुन्यांचे निवडक एकत्रीकरण केले जाते7,8. हे लक्षात घेणे महत्त्वाचे आहे की दृष्टी प्रणालींनी हा संच केवळ सामान्य वस्तूंच्या स्थानिक नमुन्यांपुरता मर्यादित ठेवण्याची काळजी घेतली पाहिजे. मनोभौतिक अभ्यासांनी स्थानिक गती संकेतांचे विभाजन कसे होते यावर प्रभाव टाकणाऱ्या भौतिक घटकांचे वर्णन केले आहे, परंतु शारीरिक मार्गांचा आकार आणि चेतासंस्थेतील संकेत हे अनुत्तरित प्रश्न आहेत. असंख्य अहवाल सूचित करतात की प्राइमेट कॉर्टेक्सच्या टेम्पोरल (MT) प्रदेशातील अभिमुखता-निवडक पेशी चेतासंस्थेतील आधारभूत घटकांसाठी उमेदवार आहेत.
महत्त्वाची गोष्ट म्हणजे, या पूर्वीच्या प्रयोगांमध्ये, चेतासंस्थेतील क्रियाकलापांमधील बदल हे दृश्य उद्दीपकांमधील भौतिक बदलांशी संबंधित होते. तथापि, वर नमूद केल्याप्रमाणे, विभाजन ही मूलतः एक संवेदी प्रक्रिया आहे. म्हणून, तिच्या चेतासंस्थेतील आधाराच्या अभ्यासासाठी, चेतासंस्थेतील क्रियाकलापांमधील बदलांना स्थिर उद्दीपकांच्या आकलनातील बदलांशी जोडणे आवश्यक आहे. म्हणूनच, आम्ही दोन माकडांना, एकमेकांवर रचलेल्या सरकणाऱ्या आयताकृती जाळ्यांनी तयार झालेला जाणवलेला द्विस्थिर जाळीचा नमुना हा एकच पृष्ठभाग आहे की दोन स्वतंत्र पृष्ठभाग आहेत, हे सांगण्याचे प्रशिक्षण दिले. चेतासंस्थेतील क्रियाकलाप आणि विभाजनाचे निर्णय यांच्यातील संबंधाचा अभ्यास करण्यासाठी, जेव्हा माकडे हे कार्य करत होती, तेव्हा आम्ही MT मधील एकाच क्रियाकलापाची नोंद केली.
आम्हाला एमटी क्रियाकलाप आणि आकलन यांच्या अभ्यासात एक महत्त्वपूर्ण सहसंबंध आढळला. उत्तेजकांमध्ये स्पष्ट विभाजन संकेत असोत वा नसोत, हा सहसंबंध अस्तित्वात होता. याव्यतिरिक्त, या परिणामाची तीव्रता विभाजन संकेतांप्रति असलेल्या संवेदनशीलतेशी, तसेच पॅटर्न इंडेक्सशी संबंधित आहे. पॅटर्न इंडेक्स हे मोजतो की, जटिल पॅटर्नमध्ये युनिट स्थानिक हालचालींऐवजी जागतिक हालचाली किती प्रमाणात प्रसारित करते. जरी फॅशनच्या दिशेसाठीची निवडक्षमता हे एमटीचे एक परिभाषित वैशिष्ट्य म्हणून बऱ्याच काळापासून ओळखले जात असले, आणि फॅशन-निवडक पेशी त्या उत्तेजकांच्या मानवी आकलनाशी सुसंगत असे जटिल उत्तेजकांशी जुळवून घेणे दर्शवत असल्या, तरी आमच्या माहितीनुसार, पॅटर्न इंडेक्स आणि आकलनात्मक विभाजन यांच्यातील सहसंबंधाचा हा पहिलाच पुरावा आहे.
आम्ही दोन माकडांना सरकणाऱ्या ग्रिड स्टिम्युली (सुसंगत किंवा पारदर्शक हालचाली) समजून घेण्याचे प्रशिक्षण दिले. मानवी निरीक्षक सहसा या स्टिम्युलींना अंदाजे समान वारंवारतेच्या सुसंगत किंवा पारदर्शक हालचाली म्हणून पाहतात. या चाचणीमध्ये अचूक उत्तर देण्यासाठी आणि ऑपरंट रिवॉर्डचा आधार तयार करण्यासाठी, आम्ही जाळी तयार करणाऱ्या घटकाच्या रास्टरला टेक्स्चरिंग करून सेगमेंटेशन सिग्नल तयार केले (आकृती १क, ड). सुसंगत परिस्थितीत, सर्व टेक्स्चर पॅटर्नच्या दिशेने सरकतात (आकृती १क, “सुसंगत”). पारदर्शक स्थितीत, टेक्स्चर ज्या ग्रेटिंगवर आच्छादित आहे, त्याच्या दिशेला लंबवत सरकते (आकृती १क, “पारदर्शक”). आम्ही या टेक्स्चर लेबलचा कॉन्ट्रास्ट बदलून कार्याची अडचण नियंत्रित करतो. क्यूड ट्रायल्समध्ये, टेक्स्चर क्यूजशी जुळणाऱ्या प्रतिसादांसाठी माकडांना बक्षीस दिले गेले आणि टेक्स्चर क्यूज नसलेल्या पॅटर्नच्या ट्रायल्समध्ये (शून्य टेक्स्चर कॉन्ट्रास्ट स्थिती) यादृच्छिकपणे (५०/५० शक्यता) बक्षिसे दिली गेली.
दोन प्रातिनिधिक प्रयोगांमधील वर्तणुकीशी संबंधित डेटा आकृती 2a मध्ये दर्शविला आहे, आणि अनुक्रमे वर किंवा खाली सरकणाऱ्या नमुन्यांसाठी, पोत संकेतांच्या सुसंगततेच्या निर्णयांच्या तुलनेत कॉन्ट्रास्टच्या प्रमाणात प्रतिसाद दर्शविले आहेत (पारदर्शकता कॉन्ट्रास्ट व्याख्येनुसार नकारात्मक मानला जातो). एकंदरीत, माकडांची सुसंगतता/पारदर्शकतेची धारणा पोत संकेताच्या चिन्हामुळे (पारदर्शक, सुसंगत) आणि तीव्रतेमुळे (फरक) विश्वसनीयपणे प्रभावित झाली होती (ANOVA; माकड N: दिशा – F = 0.58, p = 0.45, चिन्ह – F = 1248, p < 10−10, फरक – F = 22.63, p < 10; माकड S: दिशा – F = 0.41, p = 0.52, चिन्ह – F = 2876.7, p < 10−10, फरक – F = 36.5, p < 10−10). एकंदरीत, माकडांची सुसंगतता/पारदर्शकतेची धारणा पोत संकेताच्या चिन्हामुळे (पारदर्शक, सुसंगत) आणि तीव्रतेमुळे (फरक) विश्वसनीयपणे प्रभावित झाली होती (ANOVA; माकड N: दिशा – F = 0.58, p = 0.45, चिन्ह – F = 1248, p < 10−10, फरक – F = 22.63, p < 10; माकड S: दिशा – F = 0.41, p = 0.52, चिन्ह – F = 2876.7, p < 10−10, फरक – F = 36.5, p < 10−10). В целом на восприятие обезьянами когерентности/прозрачности достоверно влияли как знак (прозрачность, когерентность), так ислав (контрастность) текстурного признака (ANOVA; обезьяна N: направление — F = 0,58, p = 0,45, знак — F = 1248, p < 10−10, контраст, F−10 < p−10, контраст, = 30; обезьяна S: направление – F = 0,41, p = 0,52, признак – F = 2876,7, p < 10−10, контраст – F = 36,5, р < 10-10). सर्वसाधारणपणे, माकडांद्वारे सुसंगतता/पारदर्शकतेच्या आकलनावर पोत वैशिष्ट्याच्या चिन्हाचा (पारदर्शकता, सुसंगतता) आणि तीव्रतेचा (कॉन्ट्रास्ट) या दोन्हींचा लक्षणीय परिणाम झाला (ANOVA; माकड N: दिशा — F = 0.58, p = 0.45, चिन्ह — F = 1248, p < 10−10, कॉन्ट्रास्ट – F = 22.63, p < 10; -10 माकड S: दिशा – F = 0.41, p = 0.52, चिन्ह – F = 2876.7, p < 10 −10, कॉन्ट्रास्ट – F = 36.5, p < 10-10).总体而言,猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;−10 猴子S: 方向– F = 0.41, p = 0.52, 符号– F = 2876.7, p < 10−10, 对比度– F = 36.5，p < 10-10）.总体而言,猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p < 10−10, 对比度– F = 22.63, p < 10;−10 ३६.५，p < १०-१०）।सर्वसाधारणपणे, टेक्स्चर सिग्नलच्या चिन्हाचा (पारदर्शकता, सुसंगतता) आणि तीव्रतेचा (कॉन्ट्रास्ट) माकडाच्या सुसंगतता/पारदर्शकतेच्या आकलनावर लक्षणीय परिणाम झाला (ANOVA);обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p < 10−10, Контрастность — F = 22,63, p < 10; माकड N: अभिमुखता – F = 0.58, p = 0.45, चिन्ह – F = 1248, p < 10−10, कॉन्ट्रास्ट – F = 22.63, p < 10; −10 Обезьяна S: Ориентация — F = 0,41, p = 0,52, Знак — F = 2876,7, p < 10−10, Контрастность — F = 36,5, p < 10-10). −१० माकड एस: अभिमुखता – F = ०.४१, p = ०.५२, चिन्ह – F = २८७६.७, p < १०⁻¹⁰, फरक – F = ३६.५, p < १०⁻¹⁰).माकडांची मनोशारीरिक वैशिष्ट्ये दर्शवण्यासाठी प्रत्येक सत्रातील डेटावर गॉसियन संचयी फंक्शन्स बसवण्यात आली. आकृती २ब मध्ये दोन्ही माकडांसाठी सर्व सत्रांमधील या मॉडेल्सच्या सहमतीचे वितरण दाखवले आहे. एकूणच, माकडांनी कार्य अचूकपणे आणि सातत्याने पूर्ण केले, आणि संचयी गॉसियन मॉडेलशी योग्य जुळणी न झाल्यामुळे आम्ही दोन्ही माकडांची १३% पेक्षा कमी सत्रे नाकारली.
a प्रातिनिधिक सत्रांमधील माकडांच्या वर्तणुकीची उदाहरणे (प्रत्येक उत्तेजक स्थितीसाठी n ≥ २० चाचण्या). डाव्या (उजव्या) पॅनेलमध्ये, एका N(S) माकड सत्रातील डेटा सुसंगत निवड गुणांक (ऑर्डिनेट) विरुद्ध टेक्स्चर सिग्नलचा साइन कॉन्ट्रास्ट (अॅबसिसा) म्हणून प्लॉट केला आहे. येथे असे गृहीत धरले आहे की पारदर्शक (सुसंगत) टेक्स्चरची मूल्ये नकारात्मक (सकारात्मक) आहेत. चाचणीमध्ये पॅटर्नच्या हालचालीच्या दिशेनुसार (वर (९०°) किंवा खाली (२७०°)) प्रतिसाद स्वतंत्रपणे तयार केले गेले. दोन्ही प्राण्यांसाठी, कामगिरी, मग ती ५०/५० कॉन्ट्रास्टने विभागलेली प्रतिसाद असो (PSE – भरीव बाण) किंवा कामगिरीच्या विशिष्ट स्तराला आधार देण्यासाठी आवश्यक टेक्स्चरल कॉन्ट्रास्टचे प्रमाण असो (थ्रेशोल्ड – पोकळ बाण), ती या ड्रिफ्ट दिशांमध्ये आहे. b गॉसियन संचयी फलनाच्या R2 मूल्यांचा फिट केलेला हिस्टोग्राम. माकडांचा S(N) डेटा डावीकडे (उजवीकडे) दर्शविला आहे. c (वर) खाली सरकवलेल्या ग्रिडसाठी (ऑर्डिनेट) मोजलेले PSE, ग्रिडवर वर सरकवलेल्या PSE (ॲब्सिसा) च्या तुलनेत आलेखित केले आहे, ज्यामध्ये कडा प्रत्येक स्थितीसाठी PSE वितरण दर्शवतात आणि बाण प्रत्येक स्थितीसाठी सरासरी दर्शवतात. सर्व N(S) माकड सत्रांचा डेटा डाव्या (उजव्या) स्तंभात दिला आहे. (खाली) PSE डेटाप्रमाणेच संकेत, परंतु फिट केलेल्या वैशिष्ट्य थ्रेशोल्डसाठी. PSE थ्रेशोल्ड किंवा फॅशन ट्रेंडमध्ये कोणतेही महत्त्वपूर्ण फरक नव्हते (मजकूर पहा). d कोनीय विभक्त घटकाच्या (“इंटिग्रल ग्रेटिंग अँगल” – ॲब्सिसा) सामान्यीकृत रास्टर अभिमुखतेनुसार PSE आणि स्लोप (ऑर्डिनेट) आलेखित केले आहेत. मोकळी वर्तुळे सरासरी आहेत, भरीव रेषा सर्वोत्तम फिटिंग रिग्रेशन मॉडेल आहे आणि तुटक रेषा रिग्रेशन मॉडेलसाठी ९५% विश्वासार्हता अंतराल आहे. PSE आणि सामान्यीकृत एकीकरण कोन यांच्यात महत्त्वपूर्ण सहसंबंध आहे, परंतु स्लोप आणि सामान्यीकृत एकीकरण कोन यांच्यात नाही, जे सूचित करते की जेव्हा कोन घटक लॅटिसला वेगळे करतो तेव्हा सायकोमेट्रिक फंक्शन सरकते, परंतु ते तीक्ष्ण किंवा सपाट होत नाही. (माकड N, n = ३२ सत्रे; माकड S, n = ४३ सत्रे). सर्व पॅनेलमध्ये, एरर बार सरासरीची मानक त्रुटी दर्शवतात. हाहा. सुसंगतता, PSE व्यक्तिनिष्ठ समानता स्कोअर, नॉर्म. प्रमाणीकरण.
वर नमूद केल्याप्रमाणे, टेक्स्चर क्यूजचा कॉन्ट्रास्ट आणि पॅटर्नच्या हालचालीची दिशा दोन्ही ट्रायल्समध्ये बदलत होती, दिलेल्या ट्रायलमध्ये स्टिम्युली वर किंवा खाली सरकत होते. सायकोफिजिकल¹¹ आणि न्यूरोनल²⁸ अॅडॅप्टिव्ह इफेक्ट्स कमी करण्यासाठी हे केले जाते. पॅटर्न ओरिएंटेशन विरुद्ध बायस (सब्जेक्टिव्ह इक्वॅलिटी पॉइंट किंवा PSE) (विल्कॉक्सॉन रँक सम टेस्ट; माकड N: z = 0.25, p = 0.8; माकड S: z = 0.86, p = 0.39) किंवा फिटेड फंक्शन थ्रेशोल्ड (विल्कॉक्सॉन रँक्सची बेरीज; माकड N: z = 0.14, p = 0.89, माकड S: z = 0.49, p = 0.62) (आकृती 2c). याव्यतिरिक्त, कार्यक्षमतेच्या उंबरठा पातळी राखण्यासाठी आवश्यक असलेल्या पोत फरकाच्या प्रमाणात माकडांमध्ये कोणतेही महत्त्वपूर्ण फरक नव्हते (N माकड = 24.5% ± 3.9%, S माकड = 18.9% ± 1.9%; विल्कोक्सन रँक सम, z = 1.01, p = 0.31).
प्रत्येक सत्रात, आम्ही घटक जाळ्यांच्या अभिमुखतेला वेगळे करणारा आंतरजाळी कोन बदलला. मनोभौतिक अभ्यासातून असे दिसून आले आहे की जेव्हा हा कोन लहान असतो, तेव्हा लोकांना सेल १० जोडलेला असल्याची जाणीव होण्याची शक्यता जास्त असते. जर माकडे सुसंगतता/पारदर्शकतेबद्दलची त्यांची धारणा विश्वसनीयपणे नोंदवत असतील, तर या निष्कर्षांच्या आधारे, अशी अपेक्षा केली जाऊ शकते की PSE, म्हणजेच सुसंगतता आणि पारदर्शकतेच्या निवडींमधील एकसमान विभाजनाशी संबंधित पोत विरोधाभास, आंतरक्रियेनंतर वाढेल. जाळी कोन. हे खरोखरच खरे होते (आकृती 2d; पॅटर्न दिशांमध्ये एकत्रित करून, क्रुस्कल-वॉलिस; माकड N: χ2 = 23.06, p < 10−3; माकड S: χ2 = 22.22, p < 10−3; सामान्यीकृत इंटर-ग्रेटिंग कोन आणि PSE मधील सहसंबंध – माकड N: r = 0.67, p < 10−9; माकड S: r = 0.76, p < 10−13). हे खरोखरच खरे होते (आकृती 2d; पॅटर्न दिशांमध्ये एकत्रित करणे, क्रुस्कल-वॉलिस; माकड N: χ2 = 23.06, p < 10−3; माकड S: χ2 = 22.22, p < 10−3; सामान्यीकृत इंटरग्रेटिंग कोन आणि PSE मधील सहसंबंध – माकड N: r = 0.67, p < 10−9; माकड S: r = 0.76, p < 10−13). Это действительно имело место (рис. 2d; коллапс поперек направления паттерна, Крускал-Уоллис; обезьяна N: χ2 = p, 23; Sb. χ2 = 22,22, p < 10–3; корреляция между нормализованными угол решетки и PSE – обезьяна N: r = 0,67, p < 10-9, обезьяна S: r = 0,76, p < 10-13). हे खरोखरच घडले (आकृती 2d; नमुन्याच्या दिशेने संकुचन, क्रुस्कल-वॉलिस; माकड N: χ2 = 23.06, p < 10–3; माकड S: χ2 = 22.22, p < 10–3; सामान्यीकृत जाळी कोन आणि PSE मधील सहसंबंध – माकड N: r = 0.67, p < 10-9, माकड S: r = 0.76, p < 10-13).情况确实如此（图2डी 10-3；标准化间光栅角和PSE – 猴子N：r = 0.67，p <10-9；猴子S：r = 0.76，p < 10-13）.情况 确实 如此 （图 图 2D ； 方向 折叠 ， kruskal-wallis ； n ： ：2 = 23.06 ， p <10-3 Ｍ ： 2D 22.22 ， p <10-3 ； 间 光栅角 和 pse-猴子 猴子 猴子 猴子 猴子 猴子 猴子 猴子 N： ， 7p = 0. 10-9；猴子S：r = ०.७६, p < १०⁻¹³। Это действительно имело место (рис. 2d; кратность по оси моды, Крускал-Уоллис; обезьяна N: χ2 = 23,06, p < 10-2d = боя;χ 22,22, p < 10-3; нормализованный межрешеточный угол). हे खरोखरच खरे होते (आकृती 2d; मोड अक्षाच्या बाजूने घडी, क्रुस्कल-वॉलिस; माकड N: χ2 = 23.06, p < 10-3; माकड S: χ2 = 22.22, p < 10-3; सामान्यीकृत इंटरलॅटिस कोपरा). PSE-обезьяна N: r = 0,67, p < 10–9, обезьяна S: r = 0,76, p < 10–13). PSE माकड N: r = 0.67, p < 10–9, माकड S: r = 0.76, p < 10–13).याउलट, इंटरलॅटिस कोन बदलल्याने सायकोमेट्रिक फंक्शनच्या स्लोपवर कोणताही लक्षणीय परिणाम झाला नाही (आकृती २डी; क्रॉस-मोडल ओरिएंटेशन फोल्ड, क्रुस्कल-वॉलिस; माकड N: χ2 = ८.०९, p = ०.२३; माकड S χ2 = ३.१८, p = ०.६७, नॉर्मलाइज्ड इंटरलॅटिस कोन आणि स्लोपमधील सहसंबंध – माकड N: r = -०.४, p = ०.२, माकड S: r = ०.०३, p = ०.७६). अशाप्रकारे, व्यक्तीच्या सायकोफिजिकल डेटानुसार, ग्रेटिंग्जमधील कोन बदलण्याचा सरासरी परिणाम म्हणजे डिस्प्लेसमेंट पॉइंट्समध्ये बदल होणे, आणि सेगमेंटेशन सिग्नल्सच्या संवेदनशीलतेत वाढ किंवा घट होणे नव्हे.
शेवटी, शून्य टेक्स्चर कॉन्ट्रास्ट असलेल्या ट्रायल्समध्ये ०.५ च्या संभाव्यतेने बक्षिसे यादृच्छिकपणे दिली जातात. जर सर्व माकडांना या अद्वितीय यादृच्छिकतेची जाणीव असती आणि ते शून्य टेक्स्चर कॉन्ट्रास्ट व क्यू स्टिम्युलीमध्ये फरक करू शकले असते, तर ते दोन प्रकारच्या ट्रायल्ससाठी वेगवेगळ्या स्ट्रॅटेजी विकसित करू शकले असते. दोन निरीक्षणे ठामपणे सूचित करतात की तसे नाही. पहिले, ग्रेटिंगचा कोन बदलल्याने क्यू आणि शून्य टेक्स्चर कॉन्ट्रास्ट स्कोअरवर गुणात्मकदृष्ट्या समान परिणाम झाले (आकृती २डी आणि पूरक आकृती १). दुसरे, दोन्ही माकडांसाठी, बायस्टेबल ट्रायल सिलेक्शन हे सर्वात अलीकडील (मागील) बक्षीस निवडीची पुनरावृत्ती असण्याची शक्यता कमी आहे (बायनोमियल टेस्ट, N माकडे: ०.५२, z = ०.७४, p = ०.२२; S माकडे: ०.५१, r = ०.९, p = ०.१८).
थोडक्यात सांगायचे झाल्यास, आमच्या सेगमेंटेशन टास्कमधील माकडांचे वर्तन चांगल्या उद्दीपक नियंत्रणाखाली होते. टेक्सचर क्यूजच्या चिन्हावर आणि आकारावर आकलनात्मक निर्णयांचे अवलंबित्व, तसेच ग्रेटिंग अँगलनुसार PSE मध्ये होणारे बदल, हे दर्शवतात की माकडांनी मोटर कोहेरन्स/ट्रान्सपरन्सीबद्दलचे त्यांचे व्यक्तिनिष्ठ आकलन नोंदवले. शेवटी, शून्य टेक्सचर कॉन्ट्रास्ट ट्रायल्समधील माकडांच्या प्रतिसादांवर मागील ट्रायल्सच्या रिवॉर्ड हिस्ट्रीचा परिणाम झाला नाही आणि इंटर-रास्टर अँगल बदलांमुळे त्यांच्यावर लक्षणीय परिणाम झाला. यावरून असे सूचित होते की, या महत्त्वाच्या परिस्थितीतही माकडे लॅटिस पृष्ठभागाच्या संरचनेबद्दलचे त्यांचे व्यक्तिनिष्ठ आकलन नोंदवणे सुरू ठेवतात.
वर नमूद केल्याप्रमाणे, टेक्स्चर कॉन्ट्रास्टचे नकारात्मक ते सकारात्मक असे संक्रमण हे उद्दीपकांच्या पारदर्शक ते सुसंगत अशा संवेदी संक्रमणासमान आहे. सर्वसाधारणपणे, दिलेल्या पेशीसाठी, टेक्स्चर कॉन्ट्रास्ट नकारात्मक ते सकारात्मक असा बदलत असताना MT प्रतिसाद वाढतो किंवा कमी होतो, आणि या परिणामाची दिशा सामान्यतः पॅटर्न/घटकाच्या हालचालीच्या दिशेवर अवलंबून असते. उदाहरणार्थ, दोन प्रातिनिधिक MT पेशींचे दिशात्मक ट्युनिंग वक्र आकृती ३ मध्ये दाखवले आहेत, सोबतच कमी किंवा जास्त कॉन्ट्रास्ट असलेले सुसंगत किंवा पारदर्शक टेक्स्चर सिग्नल असलेल्या ग्रॅटिंग्जला या पेशींनी दिलेले प्रतिसादही दाखवले आहेत. आम्ही या ग्रिड प्रतिसादांचे अधिक चांगल्या प्रकारे संख्यात्मक मापन करण्याचा काही प्रमाणात प्रयत्न केला आहे, जे आमच्या माकडांच्या मनोशारीरिक कामगिरीशी संबंधित असू शकतात.
एकाच साइनोसायडल अॅरेला दिलेल्या प्रतिसादात, एका प्रातिनिधिक माकडाच्या MT पेशी S च्या दिशात्मक ट्यूनिंग वक्राचा पोलर प्लॉट. कोन ग्रॅटिंगच्या हालचालीची दिशा दर्शवतो, परिमाण उत्सर्जनक्षमता दर्शवते, आणि पेशीची पसंतीची दिशा ग्रॅटिंग पॅटर्नच्या दिशेतील एका घटकाच्या दिशेशी सुमारे ९०° (वर) ओव्हरलॅप होते. b, a मध्ये दर्शविलेल्या पेशीसाठी, टेम्पलेटच्या दिशेने ९०° ने सरकवलेल्या (डावीकडे योजनाबद्धरित्या दर्शविलेल्या) प्रतिसाद ग्रिडचा साप्ताहिक उद्दीपक-वेळ हिस्टोग्राम (PSTH). प्रतिसाद टेक्सचर हिंटच्या प्रकारानुसार (सुसंगत/पारदर्शक – अनुक्रमे मधले/उजवे पॅनेल) आणि मायकेलसन कॉन्ट्रास्टनुसार (PSTH कलर हिंट) वर्गीकृत केले आहेत. कमी-कॉन्ट्रास्ट आणि उच्च-कॉन्ट्रास्ट टेक्सचर सिग्नलच्या प्रत्येक प्रकारासाठी फक्त योग्य प्रयत्न दर्शविले आहेत. पेशींनी पारदर्शक टेक्सचर संकेतांसह वरच्या दिशेने सरकणाऱ्या लॅटिस पॅटर्नला अधिक चांगला प्रतिसाद दिला, आणि या पॅटर्नला दिलेला प्रतिसाद टेक्सचर कॉन्ट्रास्ट वाढल्याने वाढला. c, d हे a आणि b प्रमाणेच संकेत आहेत, परंतु माकड S व्यतिरिक्त इतर MT पेशींसाठी, त्यांची पसंतीची दिशा खाली सरकणाऱ्या ग्रिडच्या दिशेशी जवळजवळ जुळते. हे युनिट सुसंगत पोत संकेतांसह खाली सरकणाऱ्या ग्रॅटिंग्जला प्राधान्य देते आणि या नमुन्यांना मिळणारा प्रतिसाद पोत विरोधाभास वाढल्याने वाढतो. सर्व पॅनेलमध्ये, छायांकित क्षेत्र सरासरीची मानक त्रुटी दर्शवते. स्पोक्स. स्पाइक्स, सेकंद. सेकंद.
आमच्या टेक्सचर सिग्नल्सद्वारे सूचित केल्यानुसार लॅटिस पृष्ठभागाची रचना (सुसंगत किंवा पारदर्शक) आणि MT क्रियाकलाप यांच्यातील संबंध तपासण्यासाठी, आम्ही प्रथम रिग्रेशनद्वारे सुसंगत हालचालीसाठी (पॉझिटिव्ह स्लोप) किंवा पारदर्शक हालचालीसाठी (निगेटिव्ह स्लोप) पेशींमधील सहसंबंधाचे रिग्रेशन केले. कॉन्ट्रास्टच्या तुलनेत साइन रिस्पॉन्स रेटनुसार (प्रत्येक मोड दिशेसाठी स्वतंत्रपणे) पेशींचे वर्गीकरण करण्यासाठी हे दिले आहे. आकृती ३ मधील त्याच उदाहरण पेशीमधील या लॅटिस ट्यूनिंग वक्रांची उदाहरणे आकृती ४अ मध्ये दर्शविली आहेत. वर्गीकरणानंतर, टेक्सचर सिग्नल्सच्या मॉड्युलेशनसाठी प्रत्येक पेशीची संवेदनशीलता मोजण्यासाठी आम्ही रिसीव्हर परफॉर्मन्स ॲनालिसिस (ROC) वापरले (पहा पद्धती). अशा प्रकारे प्राप्त झालेल्या न्यूरोमेट्रिक फंक्शन्सची थेट तुलना त्याच सत्रातील माकडांच्या सायकोफिजिकल वैशिष्ट्यांशी केली जाऊ शकते, जेणेकरून न्यूरॉन्सच्या लॅटिस टेक्सचरप्रती असलेल्या सायकोफिजिकल संवेदनशीलतेची थेट तुलना करता येईल. आम्ही नमुन्यातील सर्व युनिट्ससाठी दोन सिग्नल डिटेक्शन विश्लेषणे केली, ज्यामध्ये पॅटर्नच्या प्रत्येक दिशेसाठी (पुन्हा, वर किंवा खाली) स्वतंत्र न्यूरोमेट्रिक वैशिष्ट्ये मोजली. हे लक्षात घेणे महत्त्वाचे आहे की, या विश्लेषणासाठी, आम्ही फक्त अशा चाचण्यांचा समावेश केला आहे ज्यामध्ये (i) उत्तेजकांमध्ये पोताचा संकेत होता आणि (ii) माकडांनी त्या संकेतानुसार प्रतिसाद दिला (म्हणजेच, "बरोबर" चाचण्या).
वर (डावीकडे) किंवा खाली (उजवीकडे) सरकणाऱ्या ग्रॅटिंग्जसाठी, फायर रेट्स अनुक्रमे टेक्सचर साइन कॉन्ट्रास्टच्या विरुद्ध प्लॉट केले आहेत. भरीव रेषा सर्वोत्तम फिट लिनियर रिग्रेशन दर्शवते आणि वरच्या (खालच्या) ओळीतील डेटा आकृती ३अ सेल, ब (आकृती ३क, ड) मध्ये दर्शविलेल्या डेटामधून घेतला आहे. प्रत्येक सेल/लॅटिस ओरिएंटेशन कॉम्बिनेशनला पसंतीचे टेक्सचर क्यूज (सुसंगत/पारदर्शक) देण्यासाठी रिग्रेशन स्लोप फीचर्सचा वापर केला गेला (प्रत्येक स्टिम्युलस कंडिशनसाठी n ≥ २० ट्रायल्स). एरर बार्स सरासरीचे स्टँडर्ड डेव्हिएशन दर्शवतात. ba मध्ये दर्शविलेल्या युनिट्सची न्यूरोमेट्रिक फंक्शन्स, त्याच सेशनमध्ये गोळा केलेल्या सायकोमेट्रिक फंक्शन्ससह वर्णन केली आहेत. आता, प्रत्येक फीचरसाठी, आम्ही पसंतीच्या टूलटिपची निवड (ऑर्डिनेट) (मजकूर पहा) टेक्सचरच्या साइन कॉन्ट्रास्टच्या (अॅबसिसा) टक्केवारीच्या रूपात प्लॉट करतो. टेक्सचर कॉन्ट्रास्ट अशा प्रकारे बदलला आहे की पसंतीचे टूलटिप्स पॉझिटिव्ह आणि ब्लँक टूलटिप्स निगेटिव्ह असतील. वरच्या (खालच्या) सरकणाऱ्या ग्रिड्समधील डेटा डाव्या (उजव्या) पॅनेलमध्ये, वरच्या (खालच्या) ओळींमध्ये दर्शविला आहे – आकृती 3a,b (आकृती 3c,d) मध्ये दर्शविलेल्या सेल्समधील डेटा. प्रत्येक पॅनेलमध्ये न्यूरोमेट्रिक आणि सायकोमेट्रिक थ्रेशोल्डचे (N/P) गुणोत्तर दर्शविले आहे. स्पोक्स. स्पाइक्स, सेकंद. सेकंद, डिरेक्टरी. दिशा, पसंतीचा प्रांत, साय. सायकोमेट्री, न्यूरोलॉजी.
दोन प्रातिनिधिक MT पेशींचे लॅटिस ट्युनिंग वक्र आणि न्यूरोमेट्रिक फंक्शन्स, तसेच त्यांची संबंधित सायकोमेट्रिक फंक्शन्स, या प्रतिसादांसह एकत्रित करून, आकृती 4a,b च्या अनुक्रमे वरच्या आणि खालच्या पॅनेलमध्ये दर्शविली आहेत. जेव्हा टेक्स्चरचा अंश पारदर्शक ते सुसंगत होतो, तेव्हा या पेशींमध्ये साधारणपणे एकसारखी वाढ किंवा घट दिसून येते. याव्यतिरिक्त, या बंधाची दिशा आणि सामर्थ्य लॅटिसच्या गतीच्या दिशेवर अवलंबून असते. शेवटी, या पेशींच्या प्रतिसादांवरून गणना केलेली न्यूरोमेट्रिक फंक्शन्स एकदिशीय ग्रिड हालचालीच्या सायकोफिजिकल गुणधर्मांच्या केवळ जवळ पोहोचली (परंतु तरीही त्यांच्याशी जुळली नाहीत). न्यूरोमेट्रिक आणि सायकोमेट्रिक दोन्ही फंक्शन्स थ्रेशोल्डसह सारांशित केली गेली, म्हणजेच योग्यरित्या निवडलेल्या कॉन्ट्रास्टच्या सुमारे 84% शी संबंधित (फिट केलेल्या संचयी गॉसियन फंक्शनच्या सरासरी + 1 sd शी संबंधित). संपूर्ण नमुन्यामध्ये, N/P गुणोत्तर, म्हणजेच न्यूरोमेट्रिक थ्रेशोल्ड आणि सायकोमेट्रिक थ्रेशोल्ड यांचे गुणोत्तर, माकड N मध्ये सरासरी 12.4 ± 1.2 आणि माकड S मध्ये 15.9 ± 1.8 होते, आणि लॅटिसला किमान एका दिशेने हलण्यासाठी, माकड N (माकड S) पासून फक्त ~16% (18%) युनिट्सची आवश्यकता होती (आकृती 5a). आकृतीमध्ये दाखवलेल्या पेशीच्या उदाहरणावरून. आकृती 3 आणि 4 मध्ये पाहिल्याप्रमाणे, पेशीची पसंतीची स्थिती आणि प्रयोगांमध्ये वापरलेल्या लॅटिसच्या हालचालीची दिशा यांच्यातील संबंधामुळे न्यूरॉन्सच्या संवेदनशीलतेवर परिणाम होऊ शकतो. विशेषतः, आकृती 3a,c मधील ओरिएंटेशन ॲडजस्टमेंट वक्र, एकाच साइनोसायडल ॲरेच्या न्यूरॉन ओरिएंटेशन सेटिंग आणि आमच्या टेक्स्चर्ड ॲरेमधील पारदर्शक/सुसंगत गतीसाठी त्याची संवेदनशीलता यांच्यातील संबंध दर्शवतात. दोन्ही माकडांच्या बाबतीत हेच घडले (ANOVA; 10° रिझोल्यूशनसह बिन केलेल्या सापेक्ष पसंतीच्या दिशा; माकड N: F = 2.12, p < 0.01; माकड S: F = 2.01, p < 0.01). दोन्ही माकडांच्या बाबतीत हेच घडले (ANOVA; 10° रिझोल्यूशनसह बिन केलेल्या सापेक्ष पसंतीच्या दिशा; माकड N: F = 2.12, p < 0.01; माकड S: F = 2.01, p < 0.01). Это имело место для обеих обезьян (ANOVA; относительные предпочтительные направления объединены в группы с; N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). दोन्ही माकडांच्या बाबतीत हेच घडले (ANOVA; 10° रिझोल्यूशनवर गटबद्ध केलेल्या सापेक्ष पसंतीच्या दिशा; माकड N: F=2.12, p<0.01; माकड S: F=2.01, p<0.01).两只猴子都是这种情况（方差分析；以10° 分辨率合并的相对首选方向；猴 ，．F2p. 0.01；猴子S：F = 2.01，p <0.01）.两 只 猴子 都 是 这 种 （方差 分析 以 10 ° 分辨率 合并 的 ； 对 方向 （方差2.12 ， p <0.01 ； ： ： f = 2.01 ， p <0.01。。。。。。。）））））））））））））））））））））））））） Это имело место для обеих обезьян (ANOVA; относительная предпочтительная ориентация объединена при разрешении, F12°, F12°; <0,01; обезьяна S: F = 2,01, p <0,01). दोन्ही माकडांच्या बाबतीत हेच घडले (ANOVA; 10° रिझोल्यूशनवर एकत्रित केलेले सापेक्ष पसंतीचे अभिमुखता; माकड N: F=2.12, p<0.01; माकड S: F=2.01, p<0.01).न्यूरॉनच्या संवेदनशीलतेमध्ये मोठ्या प्रमाणात भिन्नता असल्याने (आकृती ५अ), न्यूरॉनच्या संवेदनशीलतेचे सापेक्ष पसंतीच्या अभिमुखतेवरील अवलंबित्व दृश्यमान करण्यासाठी, आम्ही प्रथम प्रत्येक पेशीची पसंतीची अभिमुखता ग्रिड पॅटर्नच्या हालचालीसाठीच्या "सर्वोत्तम" अभिमुखतेनुसार (म्हणजे दिशा, ज्यामध्ये ग्रॅटिंग पेशीच्या पसंतीच्या अभिमुखतेमध्ये आणि ग्रॅटिंग पॅटर्नच्या अभिमुखतेमध्ये सर्वात लहान कोन तयार करते) सामान्यीकृत केली. आम्हाला आढळले की न्यूरॉन्सच्या सापेक्ष मर्यादा ("सर्वात वाईट" जाळी अभिमुखतेसाठीची मर्यादा / "सर्वोत्तम" जाळी अभिमुखतेसाठीची मर्यादा) या सामान्यीकृत पसंतीच्या अभिमुखतेनुसार बदलत होत्या, आणि या मर्यादा गुणोत्तरातील उच्चांक पॅटर्न किंवा घटक अभिमुखतेच्या आसपास आढळत होते (आकृती ५ब). प्रत्येक नमुन्यातील युनिट्समध्ये पसंतीच्या दिशांच्या वितरणात प्लेड पॅटर्न किंवा घटक दिशांपैकी एकाकडे असलेल्या पक्षपातामुळे या परिणामाचे स्पष्टीकरण देता आले नाही (आकृती 5c; रेले चाचणी; माकड N: z = 8.33, p < 10−3, वर्तुळाकार सरासरी = 190.13 अंश ± 9.83 अंश; माकड S: z = 0.79, p = 0.45) आणि ते प्लेड इंटर-ग्रेटिंग कोनांमध्ये सुसंगत होते (पूरक आकृती 2). प्रत्येक नमुन्यातील युनिट्समध्ये पसंतीच्या दिशांच्या वितरणात प्लेड पॅटर्न किंवा घटक दिशांपैकी एकाकडे असलेल्या पक्षपातामुळे या परिणामाचे स्पष्टीकरण देता आले नाही (आकृती 5c; रेले चाचणी; माकड N: z = 8.33, p < 10−3, वर्तुळाकार सरासरी = 190.13 अंश ± 9.83 अंश; माकड S: z = 0.79, p = 0.45) आणि ते प्लेड इंटर-ग्रेटिंग कोनांमध्ये सुसंगत होते (पूरक आकृती 2). Этот эффект нельзя было объяснить смещением распределения предпочтительных направлений в единицах в каждой выборкет. одного из клетчатых направлений или направлений компонентов (рис. 5в; критерий Рэлея; обезьяна N: z = 8,33, p < 10-3). प्रत्येक नमुन्यातील युनिट्समध्ये पसंतीच्या दिशांच्या वितरणात चौकोनी दिशांपैकी किंवा घटक दिशांपैकी एकाकडे झालेल्या बदलामुळे या परिणामाचे स्पष्टीकरण देता आले नाही (आकृती 5c; रेले चाचणी; माकड N: z = 8.33, p < 10–3)., वर्तुळाकार सरासरी = 190.13 अंश ± 9.83 अंश; माकड S: z = 0.79, p = 0.45) आणि प्लेड ग्रिडच्या सर्व कोपऱ्यांसाठी ते समान होते (पूरक आकृती 2).这种效应不能通过每个样本中单元中的优选方向分布偏向格子图案或组件方向之一来解释（图5c；瑞利测试；猴子N：z = 8.33，p < 10-3 ，圆形平均值= 190.13 度± 9.83 度；猴子S：z = 0.79，p = 0.45）并且在格子间光栅角上是一致的（补充图2）.मी来 解释 （图 图 图 图 瑞利 测试 ； 猴子 n ： z = 8.33 ， p <10-3 ， 平均值 平均圽圽圢圽圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形z Этот эффект не может быть объяснен тем, что распределение предпочтительных ориентаций в клетках в каждом образевцев. сторону структуры решетки, либо в сторону одной из ориентаций компонентов (рис. 5в; критерий Рэлея; обезьяна N: z, <31 = 31). प्रत्येक नमुन्यातील पेशींमध्ये पसंतीच्या अभिमुखतेचे वितरण एकतर जाळीच्या संरचनेकडे किंवा घटक अभिमुखतेपैकी एकाकडे झुकलेले आहे या वस्तुस्थितीमुळे हा परिणाम स्पष्ट करता येत नाही (आकृती 5c; रेले चाचणी; माकड N: z = 8.33, p < 10–3)., वर्तुळाकार सरासरी) = 190.13 अंश ± 9.83 अंश; माकड S: z = 0.79, p = 0.45) आणि ग्रिडमधील जाळी कोनांमध्ये समान होते (पूरक आकृती 2).अशाप्रकारे, न्यूरॉन्सची टेक्स्चर असलेल्या ग्रिड्सप्रती असलेली संवेदनशीलता, किमान अंशतः, एमटी ट्यूनिंगच्या मूलभूत गुणधर्मांवर अवलंबून असते.
डाव्या पॅनेलमध्ये N/P गुणोत्तरांचे (न्यूरॉन/मनोशारीरिक उंबरठा) वितरण दर्शविले आहे; प्रत्येक पेशी दोन डेटा पॉइंट्स प्रदान करते, नमुना ज्या दिशेने सरकतो त्या प्रत्येक दिशेसाठी एक. उजव्या पॅनेलमध्ये नमुन्यातील सर्व युनिट्ससाठी मनोशारीरिक उंबरठे (ऑर्डिनेट) विरुद्ध न्यूरॉनल उंबरठे (अॅबसिसा) दर्शविले आहेत. वरच्या (खालच्या) ओळीतील डेटा माकड N (S) कडून आहे. b सामान्यीकृत उंबरठा गुणोत्तरे इष्टतम जाळी अभिमुखता आणि पसंतीची पेशी अभिमुखता यांच्यातील फरकाच्या परिमाणाविरुद्ध दर्शविली आहेत. "सर्वोत्तम" दिशा म्हणजे पसंतीच्या पेशी दिशेच्या सर्वात जवळ असलेल्या ग्रॅटिंग संरचनेची दिशा (एकाच साइनोसायडल ग्रॅटिंगने मोजलेली). डेटा प्रथम सामान्यीकृत पसंतीच्या अभिमुखतेनुसार (१०° बिन्स) विभागला गेला, नंतर उंबरठा गुणोत्तरे कमाल मूल्यावर सामान्यीकृत केली गेली आणि प्रत्येक बिनमध्ये सरासरी काढली गेली. जाळीच्या घटकांच्या अभिमुखतेपेक्षा किंचित मोठी किंवा लहान पसंतीची अभिमुखता असलेल्या पेशींमध्ये जाळीच्या नमुन्याच्या अभिमुखतेप्रती संवेदनशीलतेमध्ये सर्वात मोठा फरक होता. c प्रत्येक माकडात नोंदवलेल्या सर्व MT युनिट्सच्या पसंतीच्या अभिमुखतेच्या वितरणाचा गुलाबी हिस्टोग्राम.
शेवटी, एमटीचा प्रतिसाद ग्रेटिंगच्या हालचालीची दिशा आणि आमच्या सेगमेंटेशन सिग्नलच्या तपशिलांवर (टेक्स्चर) अवलंबून असतो. न्यूरॉनल आणि सायकोफिजिकल संवेदनशीलतेच्या तुलनेवरून असे दिसून आले की, सर्वसाधारणपणे, एमटी युनिट्स माकडांपेक्षा भिन्न टेक्स्चर सिग्नलसाठी खूप कमी संवेदनशील होते. तथापि, युनिटची पसंतीची दिशा आणि ग्रिडच्या हालचालीची दिशा यांमधील फरकानुसार न्यूरॉनची संवेदनशीलता बदलली. सर्वात संवेदनशील पेशींमध्ये अशा दिशात्मक पसंती होत्या ज्या जवळजवळ संपूर्ण लॅटिस पॅटर्न किंवा त्यातील एका घटक दिशेला व्यापत होत्या, आणि आमच्या नमुन्यांचा एक छोटा उपसंच माकडांच्या कॉन्ट्रास्टमधील फरकांच्या आकलनाइतकाच किंवा त्याहून अधिक संवेदनशील होता. या अधिक संवेदनशील युनिट्सकडून येणारे सिग्नल माकडांमधील आकलनाशी अधिक जवळून संबंधित आहेत की नाही हे ठरवण्यासाठी, आम्ही आकलन आणि न्यूरॉनल प्रतिसादांमधील सहसंबंध तपासला.
चेतासंस्थेतील क्रियाकलाप आणि वर्तन यांच्यात संबंध प्रस्थापित करण्यामधील एक महत्त्वाचा टप्पा म्हणजे, चेतापेशी आणि स्थिर उद्दीपकांना मिळणाऱ्या वर्तनात्मक प्रतिसादांमध्ये सहसंबंध स्थापित करणे. चेतासंस्थेच्या प्रतिसादांना विभाजनाच्या निर्णयांशी जोडण्यासाठी, एक असा उद्दीपक तयार करणे अत्यावश्यक आहे, जो सारखाच असूनही, वेगवेगळ्या चाचण्यांमध्ये वेगळ्या प्रकारे जाणवला जाईल. प्रस्तुत अभ्यासात, हे शून्य पोत-विरोधाभास असलेल्या जाळीद्वारे (ग्रेटिंग) स्पष्टपणे दर्शवले आहे. तथापि, आम्ही यावर जोर देतो की, प्राण्यांच्या मनोमापन कार्यांच्या (सायकोमेट्रिक फंक्शन्स) आधारावर, किमान (सुमारे २०% पेक्षा कमी) पोत-विरोधाभास असलेल्या जाळ्यांना सामान्यतः सुसंगत किंवा पारदर्शक मानले जाते.
MT प्रतिसाद आणि आकलनात्मक अहवाल यांच्यातील सहसंबंधाचे प्रमाण निश्चित करण्यासाठी, आम्ही आमच्या ग्रिड डेटाचे निवड संभाव्यता (CP) विश्लेषण केले (पहा ३). थोडक्यात, CP हे एक नॉन-पॅरामीट्रिक, नॉन-स्टँडर्ड मापन आहे जे स्पाइक प्रतिसाद आणि आकलनात्मक निर्णय यांच्यातील संबंधाचे प्रमाण ठरवते³⁰. शून्य टेक्स्चरल कॉन्ट्रास्ट असलेल्या ग्रिडचा वापर करणाऱ्या ट्रायल्स आणि ज्या सत्रांमध्ये माकडांनी या प्रत्येक प्रकारच्या ट्रायल्ससाठी किमान पाच निवडी केल्या होत्या, अशा ट्रायल्सपुरते विश्लेषण मर्यादित ठेवून, आम्ही ग्रिड हालचालीच्या प्रत्येक दिशेसाठी SR ची स्वतंत्रपणे गणना केली. माकडांमध्ये, आम्हाला सरासरी CP मूल्य अपेक्षेपेक्षा लक्षणीयरीत्या जास्त आढळले (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5 च्या शून्य गृहीतकाविरुद्ध द्विपक्षीय टी-चाचणी, t = 6.7, p < 10−9; माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), द्विपक्षीय टी-चाचणी, t = 9.4, p < 10−13). माकडांमध्ये, आम्हाला सरासरी CP मूल्य अपेक्षेपेक्षा लक्षणीयरीत्या जास्त आढळले (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5 च्या शून्य गृहीतकाविरुद्ध द्विपक्षीय t-चाचणी, t = 6.7, p < 10−9; माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), द्विपक्षीय t-चाचणी, t = 9.4, p < 10−13).माकडांमध्ये, आम्हाला यादृच्छिकपणे अपेक्षित असलेल्यापेक्षा लक्षणीयरीत्या जास्त सरासरी CP आढळला (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), शून्य मूल्यांविरुद्ध द्विपक्षीय टी-चाचणी).CP = 0,5, t = 6,7, p < 10-9; CP = 0.5, t = 6.7, p < 10–9; обезьяна S: среднее CP: 0,55, 95% ДИ: (0,54, 0,57), двусторонний t-критерий, t = 9,4, p < 10–13) . माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), द्विपक्षीय टी-चाचणी, t = 9.4, p < 10–13).在猴子中，我们观察到平均CP 值显着大于我们偶然预期的值（图6a，d；猴子N：5%平均CI：（0.53，0.56），针对空值的双边t 检验CP = 0.5, t = 6.7, p < 10−9;猴子S: 平均CP: 0.55, 9.5% (95%), 双边t 检验, t = 9.4, 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 （图 图 值 （图 图 值平均 ： 0.54，95% Ci ： 0.53，0.56）, 空值 检验 CP = 0.5, t = 6.7, p < 10−9; 猴子S: 平均CP: 0.55, 95% CI: (0.54, 0.57), 双边t检验, t=9.4, p < 10−13) У обезьян мы наблюдали средние значения CP, значительно превышающие то, что мы могли бы ожидать случайно (рис; 6a. среднее CP: 0,54, 95% ДИ: (0,53, 0,56), двусторонний t- тест CP против нуля = 0,5, t = 6,7, p < 10-9, обезьяна S: средний CP: 0,55, , 0,55, , 07, 04, двусторонний t-критерий, t = 9,4, p < 10- 13) . माकडांमध्ये, आम्हाला सरासरी CP मूल्ये आढळली जी योगायोगाने अपेक्षित असलेल्या मूल्यांपेक्षा बरीच जास्त होती (आकृती 6a, d; माकड N: सरासरी CP: 0.54, 95% CI: (0.53, 0.56), द्विपक्षीय t-चाचणी CP विरुद्ध शून्य = 0.5, t = 6.7, p < 10-9, माकड S: सरासरी CP: 0.55, 95% CI: (0.54, 0.57), द्विपक्षीय t-निकष, t = 9.4, p < 10-13).अशाप्रकारे, जेव्हा प्राण्याची लॅटिस गतीबद्दलची धारणा पेशीच्या पसंतीशी जुळते, तेव्हा कोणतेही स्पष्ट विभाजन संकेत नसताना देखील MT न्यूरॉन्स अधिक तीव्रतेने उत्तेजित होतात.
माकड N कडून रेकॉर्ड केलेल्या नमुन्यांसाठी, टेक्सचर सिग्नल नसलेल्या ग्रिड्सकरिता निवड संभाव्यता वितरण. प्रत्येक सेल जास्तीत जास्त दोन डेटा पॉइंट्स देऊ शकते (ग्रिडच्या हालचालीच्या प्रत्येक दिशेसाठी एक). रँडमपेक्षा जास्त असलेले सरासरी CP मूल्य (पांढरे बाण) हे दर्शवते की एकूणच MT क्रियाकलाप आणि आकलन यांच्यात एक महत्त्वपूर्ण संबंध आहे. b कोणत्याही संभाव्य निवड पक्षपाताचा (selection bias) परिणाम तपासण्यासाठी, ज्या उत्तेजकांसाठी माकडांनी किमान एक चूक केली होती, त्या प्रत्येक उत्तेजकासाठी आम्ही CP ची स्वतंत्रपणे गणना केली. निवड संभाव्यता सर्व उत्तेजकांसाठी निवड गुणोत्तराच्या (pref/null) फंक्शन म्हणून (डावीकडे) आणि टेक्सचर मार्क कॉन्ट्रास्टच्या निरपेक्ष मूल्यांनुसार (उजवीकडे, १२० वैयक्तिक सेल्समधील डेटा) प्लॉट केल्या आहेत. डाव्या पॅनेलमधील भरीव रेषा आणि छायांकित क्षेत्र २०-पॉइंट मूव्हिंग ॲव्हरेजचे सरासरी ± sem दर्शवते. असंतुलित निवड गुणोत्तर असलेल्या उत्तेजकांसाठी, जसे की उच्च सिग्नल कॉन्ट्रास्ट असलेले ग्रिड्स, गणना केलेल्या निवड संभाव्यता अधिक भिन्न होत्या आणि शक्यतांभोवती एकत्रित झाल्या होत्या. उजव्या पॅनेलमधील राखाडी-छायांकित क्षेत्र उच्च निवड संभाव्यतेच्या गणनेत समाविष्ट केलेल्या वैशिष्ट्यांचा कॉन्ट्रास्ट अधोरेखित करते. c मोठ्या निवडीची संभाव्यता (ऑर्डिनेट) न्यूरॉनच्या थ्रेशोल्ड (अॅबसिसा) विरुद्ध प्लॉट केली आहे. निवडीची संभाव्यता थ्रेशोल्डशी लक्षणीयरीत्या नकारात्मक सहसंबंधित होती. df हे संकेत ac प्रमाणेच आहेत, परंतु अन्यथा नमूद केल्याशिवाय ते माकड S च्या 157 एकल डेटाला लागू होतात. g सर्वोच्च निवड संभाव्यता (ऑर्डिनेट) दोन्ही माकडांसाठी सामान्यीकृत पसंतीच्या दिशे (अॅबसिसा) विरुद्ध प्लॉट केली आहे. प्रत्येक MT सेलने दोन डेटा पॉइंट्स दिले (लॅटिस संरचनेच्या प्रत्येक दिशेसाठी एक). h प्रत्येक इंटर-रास्टर अँगलसाठी निवड संभाव्यतेचे मोठे बॉक्स प्लॉट्स. भरीव रेषा मध्यक दर्शवते, बॉक्सच्या खालच्या आणि वरच्या कडा अनुक्रमे 25 वे आणि 75 वे पर्सेन्टाइल दर्शवतात, व्हिस्कर्स इंटरक्वार्टाइल रेंजच्या 1.5 पट वाढवलेले आहेत आणि या मर्यादेपलीकडील आउटलायर्स नोंदवलेले आहेत. डाव्या (उजव्या) पॅनेलमधील डेटा 120 (157) वैयक्तिक N(S) माकडांच्या पेशींमधून घेतलेला आहे. i सर्वोच्च निवड संभाव्यता (ऑर्डिनेट) उद्दीपकाच्या प्रारंभाच्या वेळे (अॅबसिसा) विरुद्ध प्लॉट केली आहे. संपूर्ण चाचणीदरम्यान मोठ्या सीपीची गणना स्लाइडिंग आयतांमध्ये (रुंदी 100 ms, पायरी 10 ms) केली गेली आणि नंतर युनिट्सवर सरासरी काढली गेली.
काही पूर्वीच्या अभ्यासांनी असे नोंदवले आहे की सीपी (CP) हा मूळ दर वितरणातील चाचण्यांच्या सापेक्ष संख्येवर अवलंबून असतो, म्हणजेच प्रत्येक निवडीच्या प्रमाणात मोठे फरक निर्माण करणाऱ्या उद्दीपकांसाठी हे मापन कमी विश्वसनीय आहे. आमच्या डेटामध्ये हा परिणाम तपासण्यासाठी, आम्ही चिन्हाच्या पोत फरकाचा विचार न करता, सर्व उद्दीपकांसाठी स्वतंत्रपणे सीपीची गणना केली आणि माकडांनी किमान एक चुकीची चाचणी केली. प्रत्येक प्राण्यासाठी सीपी विरुद्ध निवड गुणोत्तर (पसंती/शून्य) आकृती 6b आणि e (डावीकडील पॅनेल) मध्ये अनुक्रमे दर्शविले आहे. चल सरासरी पाहता, हे स्पष्ट होते की निवडीच्या शक्यतांच्या विस्तृत श्रेणीमध्ये सीपी संभाव्यतेपेक्षा जास्त राहतो आणि केवळ जेव्हा शक्यता 0.2 (0.8) च्या खाली (वर) येतात (वाढतात) तेव्हाच तो कमी होतो. प्राण्यांच्या मानसशास्त्रीय वैशिष्ट्यांच्या आधारावर, आम्हाला अपेक्षा आहे की या तीव्रतेचे निवड गुणांक केवळ उच्च-फरक पोत संकेत (सुसंगत किंवा पारदर्शक) असलेल्या उद्दीपकांनाच लागू होतील (आकृती 2a, b मध्ये मानसशास्त्रीय वैशिष्ट्यांची उदाहरणे पहा). हे खरे आहे की नाही आणि स्पष्ट विभाजन संकेत असलेल्या उद्दीपकांसाठी देखील लक्षणीय PC टिकून राहतो की नाही हे ठरवण्यासाठी, आम्ही PC वर निरपेक्ष पोत विरोधाभास मूल्यांचा परिणाम तपासला (आकृती 6b, e-उजवीकडे). अपेक्षेप्रमाणे, मध्यम (~20% विरोधाभास किंवा त्याहून कमी) विभाजन संकेत असलेल्या उद्दीपकांसाठी CP संभाव्यतेपेक्षा लक्षणीयरीत्या जास्त होता.
अभिमुखता, वेग आणि विसंगती ओळखण्याच्या कार्यांमध्ये, MT CP सर्वात संवेदनशील न्यूरॉन्समध्ये सर्वाधिक असते, बहुधा कारण हे न्यूरॉन्स सर्वात माहितीपूर्ण सिग्नल वाहून नेतात30,32,33,34.या निष्कर्षांशी सुसंगत, आम्हाला आकृतीच्या सर्वात उजव्या पॅनेलमध्ये हायलाइट केलेल्या टेक्सचर क्यू कॉन्ट्रास्ट्समधील z-स्कोअर केलेल्या फायरिंग दरांमधून गणना केलेल्या ग्रँड CP मध्ये एक माफक परंतु महत्त्वपूर्ण सहसंबंध आढळला.6b, e, आणि न्यूरॉनल थ्रेशोल्ड (आकृती 6c, f; भूमितीय माध्य रिग्रेशन; माकड N: r = −0.12, p = 0.07 माकड S: r = −0.18, p < 10−3). 6b, e, आणि न्यूरॉनल थ्रेशोल्ड (आकृती 6c, f; भूमितीय माध्य रिग्रेशन; माकड N: r = −0.12, p = 0.07 माकड S: r = −0.18, p < 10−3).या निष्कर्षांशी सुसंगत, आम्हाला आकृती 6b, e च्या सर्वात उजव्या पॅनेलमध्ये हायलाइट केलेल्या टेक्सचर सिग्नल कॉन्ट्रास्टमधून उत्तेजन वारंवारता z-स्कोरमधून गणना केलेल्या मोठ्या CP आणि न्यूरोनल थ्रेशोल्ड (आकृती 6c, f; भौमितिक) यांच्यात एक माफक परंतु महत्त्वपूर्ण सहसंबंध आढळला. भौमितिक माध्य प्रतिगमन;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p < 10-3). माकड N: r = -0.12, p = 0.07 माकड S: r = -0.18, p < 10-3).与这些发现一致,我们观察到大CP 之间存在适度但显着的相关性,这是根捀图e6b和神经元阈值（图6c、f；几何平均回归；猴子N：r = -0.12，p = 0.07 猴子S：r = -1.0.8.与 这些 发现 一致 ， 我们 到 大 大 之间 存在 适度 但 显着 的 相关性 这湛 湛 6和 元 阈值 （图 图 6c 、 f ； 回归 ； 猴子 n ： r = -0.12 ， p = 0.07 猴子S：r = -0.18.या निष्कर्षांशी सुसंगत, आम्हाला आकृती 6b,e मध्ये दर्शविल्याप्रमाणे मोठ्या CVs आणि न्यूरॉन थ्रेशोल्ड (आकृती 6c,f; भूमितीय माध्य प्रतिगमन; माकड N: r = -0.12, p = 0.07) यांच्यामध्ये एक माफक परंतु महत्त्वपूर्ण सहसंबंध आढळला.Обезьяна S: г = -0,18, р < 10-3). माकड S: r = -0.18, p < 10-3).त्यामुळे, सर्वात माहितीपूर्ण घटकांकडून मिळणारे संकेत माकडांमधील व्यक्तिनिष्ठ विभाजन निर्णयांसोबत अधिक सहसंबंध दर्शवण्याकडे झुकले, जे आकलनविषयक पूर्वग्रहामध्ये जोडलेल्या कोणत्याही पोतविषयक संकेतांचा विचार न करताही महत्त्वाचे आहे.
ग्रिड टेक्सचर सिग्नलच्या संवेदनशीलतेमध्ये आणि पसंतीच्या न्यूरॉनल ओरिएंटेशनमध्ये आम्ही आधीच एक संबंध प्रस्थापित केला होता, त्यामुळे आम्हाला आश्चर्य वाटले की सीपी आणि पसंतीच्या ओरिएंटेशनमध्ये असाच काही संबंध आहे का (आकृती 6g). माकड S मध्ये हा संबंध फक्त किंचित लक्षणीय होता (ANOVA; माकड N: 1.03, p=0.46; माकड S: F=1.73, p=0.04). कोणत्याही प्राण्यामध्ये लॅटिसच्या कोनांसाठी सीपीमध्ये आम्हाला कोणताही फरक आढळला नाही (आकृती 6h; ANOVA; माकड N: F = 1.8, p = 0.11; माकड S: F = 0.32, p = 0.9).
शेवटी, पूर्वीच्या कामातून असे दिसून आले आहे की चाचणीदरम्यान सीपी बदलतो. काही अभ्यासांनी तीव्र वाढीनंतर तुलनेने सौम्य निवड परिणामाची नोंद केली आहे,³⁰ तर इतरांनी चाचणीदरम्यान निवड संकेतामध्ये स्थिर वाढीची नोंद केली आहे³¹. प्रत्येक माकडासाठी, आम्ही पूर्व-उत्तेजना सुरुवातीपासून ते पूर्व-उत्तेजना समाप्तीनंतरच्या सरासरीपर्यंत प्रत्येक २० एमएसच्या टप्प्याने १०० एमएस सेल्समध्ये शून्य टेक्स्चरल कॉन्ट्रास्ट असलेल्या चाचण्यांमध्ये (अनुक्रमे, पॅटर्न ओरिएंटेशननुसार) प्रत्येक युनिटच्या सीपीची गणना केली. दोन माकडांसाठी सरासरी सीपी डायनॅमिक्स आकृती ६i मध्ये दर्शविले आहे. दोन्ही प्रकरणांमध्ये, उद्दीपकाच्या प्रारंभापासून सुमारे ५०० एमएस पर्यंत सीपी यादृच्छिक पातळीवर किंवा त्याच्या अगदी जवळ राहिला, त्यानंतर सीपीमध्ये तीव्र वाढ झाली.
बदलत्या संवेदनशीलतेव्यतिरिक्त, CP वर पेशींच्या ट्यूनिंग वैशिष्ट्यांच्या विशिष्ट गुणधर्मांचा देखील परिणाम होतो असे दिसून आले आहे. उदाहरणार्थ, उका आणि डीअँजेलिस३४ यांना आढळले की द्विनेत्रीय विसंगती ओळखण्याच्या कार्यातील CP हे उपकरणाच्या द्विनेत्रीय विसंगती ट्यूनिंग वक्राच्या सममितीवर अवलंबून असते. या प्रकरणात, एक संबंधित प्रश्न असा आहे की पॅटर्न दिशा निवडक (PDS) पेशी या घटक दिशा निवडक (CDS) पेशींपेक्षा अधिक संवेदनशील आहेत का. PDS पेशी अनेक स्थानिक अभिमुखता असलेल्या पॅटर्नच्या सामान्य अभिमुखतेचे संकेतन करतात, तर CDS पेशी दिशात्मक पॅटर्न घटकांच्या हालचालीस प्रतिसाद देतात (आकृती ७अ).
a मोड घटक ट्यूनिंग उद्दीपक आणि काल्पनिक ग्रेटिंगचे योजनाबद्ध सादरीकरण (डावीकडे) आणि ग्रेटिंग अभिमुखता ट्यूनिंग वक्र (उजवीकडे) (सामग्री आणि पद्धती पहा). थोडक्यात, जर एखादी पेशी पॅटर्नच्या हालचालीचा संकेत देण्यासाठी ग्रिडच्या घटकांमध्ये समन्वय साधत असेल, तर वैयक्तिक ग्रिड आणि ग्रिड उद्दीपकांसाठी समान ट्यूनिंग वक्र अपेक्षित असतील (शेवटचा स्तंभ, भरीव वक्र). याउलट, जर पेशी घटकांच्या दिशांना सिग्नल पॅटर्नच्या गतीमध्ये एकत्रित करत नसेल, तर एक द्विभागीय ट्यूनिंग वक्र अपेक्षित असेल, ज्यामध्ये ग्रेटिंगच्या गतीच्या प्रत्येक दिशेत एक शिखर असेल, जे एका घटकाला पेशीच्या पसंतीच्या दिशेत स्थानांतरित करते (शेवटचा स्तंभ, तुटक वक्र). b (डावीकडे) आकृती १ आणि २ मध्ये दर्शविलेल्या पेशींसाठी साइनोसाइडल अॅरेची अभिमुखता समायोजित करण्यासाठीचे वक्र. ३ आणि ४ (वरची ओळ – आकृती ३a,b आणि ४a,b (वर) मधील पेशी; खालचा पॅनेल – आकृती ३c, d आणि ४a, b (खाली) मधील पेशी). (मध्यभागी) लॅटिस ट्यूनिंग प्रोफाइलवरून गणना केलेले पॅटर्न आणि घटकांचे अंदाज. (उजवीकडे) या पेशींच्या ग्रिडचे समायोजन. वरच्या (खालच्या) पॅनेलमधील पेशींचे वर्गीकरण टेम्पलेट (घटक) पेशी म्हणून केले जाते. लक्षात घ्या की पॅटर्न घटकांचे वर्गीकरण आणि सुसंगत/पारदर्शक पेशींच्या हालचालींची पसंती यांच्यात एक-एक संगती नाही (या पेशींसाठी टेक्सचर लॅटिस प्रतिसाद आकृती ४अ मध्ये पहा). क N (डावीकडे) आणि S (उजवीकडे) माकडांमध्ये नोंदवलेल्या सर्व पेशींसाठी, झेड-स्कोर मोडच्या आंशिक सहसंबंध गुणांकाचा (ऑर्डिनेट) झेड-स्कोर घटकाच्या आंशिक सहसंबंध गुणांकाविरुद्ध (अॅबसिसा) आलेख. जाड रेषा पेशींचे वर्गीकरण करण्यासाठी वापरलेले महत्त्वपूर्ण निकष दर्शवतात. ड उच्च निवड संभाव्यता (ऑर्डिनेट) विरुद्ध मोड इंडेक्स (Zp – Zc) (अॅबसिसा) यांचा आलेख. डाव्या (उजव्या) पॅनेलमधील डेटा माकड N(S) शी संबंधित आहे. काळी वर्तुळे अंदाजे एककांमधील डेटा दर्शवतात. दोन्ही प्राण्यांमध्ये, उच्च निवड संभाव्यता आणि पॅटर्न इंडेक्स यांच्यात महत्त्वपूर्ण सहसंबंध होता, जो अनेक घटक अभिमुखता असलेल्या उद्दीपकांमध्ये सिग्नल पॅटर्न अभिमुखता असलेल्या पेशींसाठी अधिक संवेदी सहसंबंध सूचित करतो.
म्हणून, एका वेगळ्या चाचणी संचामध्ये, आम्ही आमच्या नमुन्यांमधील न्यूरॉन्सचे PDS किंवा CDS म्हणून वर्गीकरण करण्यासाठी साइनोसायडल ग्रिड्स आणि ग्रिड्सना दिलेल्या प्रतिसादांचे मापन केले (पहा पद्धती). लॅटिस ट्युनिंग वक्र, या ट्युनिंग डेटामधून तयार केलेले टेम्पलेट घटक अंदाज, आणि आकृती १ व ३ मध्ये दर्शविलेल्या पेशींसाठीचे लॅटिस ट्युनिंग वक्र. आकृती ३ आणि ४ आणि पूरक आकृती ३, आकृती ७ब मध्ये दर्शविल्या आहेत. प्रत्येक माकडासाठी पॅटर्न वितरण आणि घटक निवडक्षमता, तसेच प्रत्येक श्रेणीतील पसंतीची पेशी अभिमुखता, अनुक्रमे आकृती ७क आणि पूरक आकृती ४ मध्ये दर्शविली आहे.
पॅटर्न घटकांच्या दुरुस्तीवर सीपीचे अवलंबित्व तपासण्यासाठी, आम्ही प्रथम पॅटर्न इंडेक्स ३५ (पीआय) ची गणना केली, ज्याची मोठी (लहान) मूल्ये मोठे पीडीएस (सीडीएस) सारखे वर्तन दर्शवतात. वरील प्रात्यक्षिकावरून हे स्पष्ट होते की: (i) न्यूरॉनल संवेदनशीलता ही पसंतीच्या पेशी अभिमुखता आणि उत्तेजकाच्या हालचालीची दिशा यांमधील फरकानुसार बदलते, आणि (ii) आमच्या नमुन्यामध्ये न्यूरॉनल संवेदनशीलता आणि निवड संभाव्यता यांच्यात एक महत्त्वपूर्ण सहसंबंध आहे. हे लक्षात घेऊन, आम्ही प्रत्येक पेशीच्या हालचालीच्या "सर्वोत्तम" दिशेसाठी (वर पहा) पीआय आणि एकूण सीपी यांच्यातील संबंधाचा अभ्यास केला. आम्हाला आढळले की CP चा PI शी लक्षणीय सहसंबंध होता (आकृती 7d; भूमितीय माध्य प्रतिगमन; ग्रँड CP माकड N: r = 0.23, p < 0.01; बाय-स्टेबल CP माकड N r = 0.21, p = 0.013; ग्रँड CP माकड S: r = 0.30, p < 10−4; बाय-स्टेबल CP माकड S: r = 0.29, p < 10−3), जे दर्शवते की PDS म्हणून वर्गीकृत केलेल्या पेशींनी CDS आणि अवर्गीकृत पेशींपेक्षा जास्त निवड-संबंधित क्रियाकलाप प्रदर्शित केले. आम्हाला आढळले की CP चा PI शी लक्षणीय सहसंबंध होता (आकृती 7d; भूमितीय माध्य प्रतिगमन; ग्रँड CP माकड N: r = 0.23, p < 0.01; बाय-स्टेबल CP माकड N r = 0.21, p = 0.013; ग्रँड CP माकड S: r = 0.30, p < 10−4; बाय-स्टेबल CP माकड S: r = 0.29, p < 10−3), जे दर्शवते की PDS म्हणून वर्गीकृत केलेल्या पेशींनी CDS आणि अवर्गीकृत पेशींपेक्षा जास्त निवड-संबंधित क्रियाकलाप प्रदर्शित केले. Мы обнаружили, что CP значительно коррелирует с PI (рис. 7d; регрессия среднего геометрического; большая обезьяна, большая обезьяна,
आम्ही एमटी (MT) क्षेत्रात एकाच हालचालीची नोंद केली, आणि माकडांनी अशा नमुन्यांबद्दल (patterns) त्यांचे आकलन नोंदवले जे सुसंगत किंवा पारदर्शक हालचालींसारखे दिसू शकत होते. पक्षपाती आकलनांमध्ये जोडलेल्या विभाजन संकेतांप्रति न्यूरॉन्सची संवेदनशीलता मोठ्या प्रमाणात बदलते आणि ती, किमान अंशतः, युनिटच्या पसंतीच्या अभिमुखतेचा (preferred orientation) आणि उत्तेजकाच्या हालचालीच्या दिशेमधील संबंधाद्वारे निर्धारित केली जाते. संपूर्ण समूहामध्ये, न्यूरॉनल संवेदनशीलता मनोभौतिक संवेदनशीलतेपेक्षा लक्षणीयरीत्या कमी होती, जरी सर्वात संवेदनशील युनिट्सनी विभाजन संकेतांप्रति वर्तनात्मक संवेदनशीलतेची बरोबरी केली किंवा ती ओलांडली. याव्यतिरिक्त, फायरिंग वारंवारता (firing frequency) आणि आकलन यांच्यात एक महत्त्वपूर्ण सहसंबंध (covariance) आहे, जो सूचित करतो की एमटी सिग्नलिंग विभाजनामध्ये भूमिका बजावते. पसंतीची अभिमुखता असलेल्या पेशींनी लॅटिस विभाजन संकेतांमधील फरकांप्रति त्यांची संवेदनशीलता अनुकूलित केली आणि अनेक स्थानिक अभिमुखता असलेल्या उत्तेजकांमध्ये जागतिक हालचालीचा संकेत देण्याकडे त्यांचा कल होता, ज्यामुळे सर्वोच्च आकलनात्मक सहसंबंध दिसून आला. या निष्कर्षांची मागील कामाशी तुलना करण्यापूर्वी, आम्ही येथे काही संभाव्य समस्यांचा विचार करतो.
प्राण्यांच्या मॉडेल्समध्ये द्विस्थिर उद्दीपकांचा वापर करून केलेल्या संशोधनातील एक मोठी समस्या ही आहे की, वर्तणुकीशी संबंधित प्रतिसाद हे अभ्यासाच्या मुख्य आयामावर आधारित असतीलच असे नाही. उदाहरणार्थ, आमची माकडे जाळीच्या सुसंगततेच्या आकलनापासून स्वतंत्रपणे पोताच्या अभिमुखतेबद्दलचे त्यांचे आकलन नोंदवू शकत होती. माहितीमधील दोन बाबी असे सूचित करतात की तसे नाही. पहिले म्हणजे, पूर्वीच्या अहवालांनुसार, वेगळ्या करणाऱ्या मांडणीच्या घटकांचा सापेक्ष अभिमुखता कोन बदलल्याने सुसंगत आकलनाची शक्यता पद्धतशीरपणे बदलली. दुसरे म्हणजे, पोताचे संकेत असलेल्या किंवा नसलेल्या नमुन्यांसाठी, सरासरीने हा परिणाम सारखाच असतो. एकत्रितपणे, ही निरीक्षणे असे सूचित करतात की माकडांचे प्रतिसाद सातत्याने त्यांच्या जोडणी/पारदर्शकतेच्या आकलनाचे प्रतिबिंब असतात.
आणखी एक संभाव्य समस्या अशी आहे की, आम्ही विशिष्ट परिस्थितीसाठी ग्रेटिंग मोशन पॅरामीटर्स ऑप्टिमाइझ केलेले नाहीत. न्यूरॉनल आणि सायकोफिजिकल संवेदनशीलतेची तुलना करणाऱ्या अनेक पूर्वीच्या कामांमध्ये, प्रत्येक नोंदणीकृत युनिटसाठी उत्तेजक स्वतंत्रपणे निवडले गेले होते [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45]. येथे आम्ही प्रत्येक पेशीच्या ओरिएंटेशनच्या समायोजनाची पर्वा न करता, लॅटिस पॅटर्नच्या हालचालीच्या त्याच दोन दिशा वापरल्या आहेत. या डिझाइनमुळे आम्हाला लॅटिसची हालचाल आणि पसंतीचे ओरिएंटेशन यांच्यातील ओव्हरलॅपमुळे संवेदनशीलता कशी बदलते याचा अभ्यास करता आला, तथापि, पेशी सुसंगत (कोहेरेंट) लॅटिसला प्राधान्य देतात की पारदर्शक (ट्रान्सपरंट) लॅटिसला, हे ठरवण्यासाठी यातून कोणताही पूर्व-निर्धारित आधार मिळाला नाही. म्हणून, आम्ही प्रत्येक पेशीच्या टेक्स्चर असलेल्या मेशला दिलेल्या प्रतिसादाचा वापर करून, मेशच्या हालचालीच्या प्रत्येक श्रेणीला प्राधान्य आणि शून्य लेबल्स देण्यासाठी अनुभवजन्य निकषांवर अवलंबून आहोत. जरी हे संभवनीय नसले तरी, यामुळे आमच्या संवेदनशीलता विश्लेषणाचे आणि सीपी सिग्नल डिटेक्शनचे परिणाम पद्धतशीरपणे विचलित होऊ शकतात, ज्यामुळे कोणतेही मोजमाप संभाव्यतः जास्त दाखवले जाऊ शकते. तथापि, खाली चर्चा केलेल्या विश्लेषणाचे आणि डेटाचे अनेक पैलू सूचित करतात की तसे नाही.
प्रथम, अधिक (कमी) क्रियाशीलता निर्माण करणाऱ्या उद्दीपकांना पसंतीची (शून्य) नावे दिल्याने या प्रतिसाद वितरणांच्या भेदक्षमतेवर परिणाम झाला नाही. उलट, यामुळे केवळ न्यूरोमेट्रिक आणि सायकोमेट्रिक फंक्शन्सचे चिन्ह समान राहते, जेणेकरून त्यांची थेट तुलना करता येईल. दुसरे, सीपी (CP) मोजण्यासाठी वापरलेले प्रतिसाद (टेक्स्चर असलेल्या ग्रॅटिंग्जसाठीच्या “चुकीच्या” ट्रायल्स आणि टेक्स्चर कॉन्ट्रास्ट नसलेल्या ग्रॅटिंग्जसाठीच्या सर्व ट्रायल्स) त्या रिग्रेशन विश्लेषणात समाविष्ट केले गेले नाहीत, ज्याद्वारे प्रत्येक पेशी जोडलेल्या किंवा पारदर्शक पृष्ठभागांना “पसंती” देते की नाही हे ठरवले जाते. यामुळे हे सुनिश्चित होते की निवडीचे परिणाम पसंतीच्या/अमान्य पदनामांकडे झुकलेले नाहीत, ज्यामुळे महत्त्वपूर्ण निवड संभाव्यता निर्माण होते.
न्यूसम आणि त्यांच्या सहकाऱ्यांचे अभ्यास [36, 39, 46, 47] हे गतीच्या दिशेच्या अंदाजे अंदाजामध्ये MT ची भूमिका निश्चित करणारे पहिले अभ्यास होते. त्यानंतरच्या अहवालांनी खोली34,44,48,49,50,51 आणि वेग32,52, सूक्ष्म अभिमुखता33 आणि हालचालीतून 3D संरचनेचे आकलन31,53,54 (3D शाश्वत जंगले) यांमध्ये MT च्या सहभागावर डेटा गोळा केला आहे. आम्ही हे निष्कर्ष दोन महत्त्वाच्या मार्गांनी पुढे नेतो. प्रथम, आम्ही पुरावा देतो की MT प्रतिसाद दृक्-चलन संकेतांच्या आकलनात्मक विभाजनात योगदान देतात. दुसरे, आम्ही MT मोड अभिमुखता निवडक्षमता आणि हा निवड संकेत यांच्यात एक संबंध पाहिला.
संकल्पनात्मकदृष्ट्या, सध्याचे निष्कर्ष 3-D SFM वरील कार्याशी सर्वाधिक मिळतेजुळते आहेत, कारण दोन्ही जटिल द्विस्थिर संवेदन आहेत ज्यात हालचाल आणि खोलीची क्रमवारी यांचा समावेश असतो. डॉड आणि सहकाऱ्यांनी³¹ द्विस्थिर 3D SFM सिलेंडरच्या फिरण्याच्या स्थितीची नोंद करणाऱ्या माकडाच्या कार्यात एक मोठी निवड संभाव्यता (०.६७) आढळली. आम्हाला द्विस्थिर ग्रिड उद्दीपकांसाठी खूपच लहान निवड प्रभाव आढळला (दोन्ही माकडांसाठी सुमारे ०.५५). निवड गुणांकाचे (CP) मूल्यांकन निवड गुणांकावर अवलंबून असल्यामुळे, वेगवेगळ्या कार्यांमध्ये वेगवेगळ्या परिस्थितीत मिळालेल्या निवड गुणांकाचा अर्थ लावणे कठीण आहे. तथापि, आम्ही निरीक्षण केलेल्या निवड प्रभावाचे प्रमाण शून्य आणि कमी पोत विरोधाभास असलेल्या ग्रॅटिंग्जसाठी, तसेच जेव्हा आम्ही शक्ती वाढवण्यासाठी कमी/शून्य पोत विरोधाभास असलेले उद्दीपक एकत्र केले तेव्हाही सारखेच होते. त्यामुळे, निवड गुणांकातील हा फरक डेटासेटमधील निवड दरांमधील फरकांमुळे असण्याची शक्यता कमी आहे.
दुसऱ्या प्रकरणात संवेदनासोबत होणारे MT फायरिंग दरातील किरकोळ बदल, 3-D SFM उद्दीपन आणि बायस्टेबल ग्रिड संरचनांमुळे प्रेरित होणाऱ्या तीव्र आणि गुणात्मकदृष्ट्या भिन्न संवेदनात्मक अवस्थांच्या तुलनेत गोंधळात टाकणारे वाटतात. एक शक्यता अशी आहे की, उद्दीपकाच्या संपूर्ण कालावधीसाठी फायरिंग दराची गणना करून आपण निवड परिणामाचा कमी अंदाज लावला. 31 3-D SFM च्या बाबतीत याच्या उलट, जिथे MT क्रियाकलापांमधील फरक चाचण्यांमध्ये सुमारे 250 ms च्या सुमारास विकसित झाले आणि नंतर संपूर्ण चाचण्यांमध्ये स्थिरपणे वाढत गेले, आमच्या निवड संकेतांच्या तात्कालिक गतिशीलतेच्या विश्लेषणात (दोन्ही माकडांमध्ये उत्तेजक सुरू झाल्यानंतर 500 ms नंतर पहा) असे दिसून आले की... याव्यतिरिक्त, या कालावधीत तीव्र वाढ झाल्यानंतर, आम्ही चाचणीच्या उर्वरित काळात CP मध्ये चढउतार पाहिले. ह्यूप आणि रुबिन55 यांनी नोंदवले आहे की द्विस्थिर आयताकृती मांडणीबद्दल मानवी आकलन अनेकदा दीर्घ चाचण्यांदरम्यान बदलते. जरी आमचे उत्तेजक केवळ 1.5 सेकंदांसाठी सादर केले गेले असले तरी, आमच्या माकडांचे आकलन देखील चाचणीदरम्यान सुसंगततेपासून पारदर्शकतेपर्यंत बदलू शकले (त्यांचे प्रतिसाद संकेत निवडीच्या वेळी त्यांच्या अंतिम आकलनाचे प्रतिबिंब होते.) म्हणून, आमच्या कार्याची प्रतिक्रिया-वेळ आवृत्ती, किंवा अशी योजना ज्यामध्ये माकडे त्यांचे आकलन सतत नोंदवू शकतात, अधिक मोठा निवड प्रभाव देईल अशी अपेक्षा आहे. शेवटची शक्यता अशी आहे की दोन कार्यांमध्ये MT संकेत वेगळ्या प्रकारे वाचला जातो. जरी असे बऱ्याच काळापासून मानले जात आहे की CPU संकेत संवेदी डीकोडिंग आणि सहसंबंधित आवाजामुळे येतात,56 गु आणि त्यांच्या सहकाऱ्यांनी57 असे आढळले की संगणकीय मॉडेल्समध्ये, वेगवेगळ्या पूलिंग धोरणांमुळे, सहसंबंधित परिवर्तनाच्या पातळ्यांऐवजी, पृष्ठीय मीडिया-सुपीरियर टेम्पोरल न्यूरॉन्समधील CPU चे अधिक चांगल्या प्रकारे स्पष्टीकरण देऊ शकते. शीट चेंज ओरिएंटेशन रिकग्निशन टास्क (MSTd). MT मध्ये आम्हाला आढळलेला लहान निवड प्रभाव कदाचित सुसंगतता किंवा पारदर्शकतेची जाणीव निर्माण करण्यासाठी अनेक कमी-माहितीपूर्ण न्यूरॉन्सच्या व्यापक एकत्रीकरणाला प्रतिबिंबित करतो. ज्या कोणत्याही परिस्थितीत स्थानिक गती संकेतांना एक किंवा दोन वस्तूंमध्ये (बायस्टेबल ग्रेटिंग्ज) किंवा सामान्य वस्तूंच्या वेगळ्या पृष्ठभागांमध्ये (3-D SFM) गटबद्ध करायचे होते, तिथे तीव्र MT प्रतिसाद होते, जे MT प्रतिसादांचे आकलनविषयक निर्णयांशी लक्षणीय संबंध असल्याचे स्वतंत्र पुरावे आहेत. दृश्य गती माहितीचा वापर करून जटिल प्रतिमांचे बहु-वस्तू दृश्यांमध्ये विभाजन करण्यात त्याची भूमिका असल्याचे प्रस्तावित आहे.
वर नमूद केल्याप्रमाणे, MT पॅटर्न सेल्युलर क्रियाकलाप आणि आकलन यांच्यातील संबंधाची नोंद करणारे आम्ही पहिले होतो. मोव्हशॉन आणि त्यांच्या सहकाऱ्यांनी मांडलेल्या मूळ दोन-टप्प्यांच्या मॉडेलनुसार, मोड युनिट हा MT चा आउटपुट टप्पा आहे. तथापि, अलीकडील संशोधनातून असे दिसून आले आहे की मोड आणि घटक पेशी एका सातत्यपूर्णतेची भिन्न टोके दर्शवतात आणि रिसेप्टिव्ह फील्डच्या संरचनेतील पॅरामीट्रिक फरक हे मोड घटकांच्या ट्यूनिंग स्पेक्ट्रमसाठी जबाबदार असतात. त्यामुळे, आम्हाला CP आणि PI यांच्यात एक महत्त्वपूर्ण सहसंबंध आढळला, जो डेप्थ रिकग्निशन टास्कमधील बायोक्युलर मिसमॅच ॲडजस्टमेंट सिमेट्री आणि CP यांच्यातील संबंधासारखा किंवा फाइन ओरिएंटेशन डिस्क्रिमिनेशन टास्कमधील ओरिएंटेशन सेटिंग कॉन्फिगरेशनसारखा आहे. दस्तऐवज आणि CP यांच्यातील संबंध ३३. वांग आणि मोव्हशॉन६२ यांनी MT ओरिएंटेशन सिलेक्टिव्हिटी असलेल्या मोठ्या संख्येने पेशींचे विश्लेषण केले आणि त्यांना आढळले की, सरासरी, मोड इंडेक्स अनेक ट्यूनिंग गुणधर्मांशी संबंधित होता, जे सूचित करते की मोड सिलेक्टिव्हिटी इतर अनेक प्रकारच्या सिग्नल्समध्ये अस्तित्वात आहे जे MT पॉप्युलेशनमधून वाचले जाऊ शकतात. म्हणून, MT क्रियाकलाप आणि व्यक्तिनिष्ठ आकलन यांच्यातील संबंधाच्या भविष्यातील अभ्यासासाठी, पॅटर्न इंडेक्स इतर कार्य आणि उद्दीपक निवड संकेतांशी त्याच प्रकारे सहसंबंधित आहे की नाही, किंवा हा संबंध केवळ आकलनात्मक विभाजनाच्या बाबतीतच विशिष्ट आहे, हे निश्चित करणे महत्त्वाचे ठरेल.
त्याचप्रमाणे, निएनबोर्ग आणि कमिंग ४२ यांना असे आढळले की, जरी V2 मधील द्विनेत्रीय विसंगतीसाठी निवडक असलेल्या जवळच्या आणि दूरच्या पेशी खोली ओळखण्याच्या कार्यात समान संवेदनशील होत्या, तरी केवळ जवळच्या फरकांना प्राधान्य देणाऱ्या पेशींच्या समूहानेच लक्षणीय CP दर्शविला. तथापि, माकडांना दूरच्या फरकांना प्राधान्याने महत्त्व देण्यासाठी पुन्हा प्रशिक्षित केल्याने अधिक अनुकूल पिंजऱ्यांमध्ये लक्षणीय CP दिसून आले. इतर अभ्यासांनी असेही नोंदवले आहे की प्रशिक्षणाचा इतिहास हा आकलनात्मक सहसंबंधांवर ३४,४०,६३ किंवा MT क्रियाकलाप आणि विभेदक भेदभावामधील कार्यकारण संबंधावर ४८ अवलंबून असतो. CP आणि कार्यपद्धती दिशा निवडकतेमध्ये आम्ही पाहिलेला संबंध, कदाचित माकडांनी आमची समस्या सोडवण्यासाठी वापरलेल्या विशिष्ट धोरणाचे प्रतिबिंब आहे, आणि दृक-मोटर आकलनामध्ये मोड निवड संकेतांच्या विशिष्ट भूमिकेचे नाही. भविष्यातील कामात, विभाजनाचे निर्णय घेण्यासाठी कोणत्या MT संकेतांना प्राधान्याने आणि लवचिकपणे महत्त्व दिले जाते हे ठरवण्यावर शिकण्याच्या इतिहासाचा लक्षणीय परिणाम होतो की नाही, हे निश्चित करणे महत्त्वाचे ठरेल.
स्टोनर आणि त्यांच्या सहकाऱ्यांनी¹⁴,²³ सर्वप्रथम असे नोंदवले की, एकमेकांवर येणाऱ्या ग्रिड क्षेत्रांची चमक बदलल्याने मानवी निरीक्षकांच्या अहवालांची सुसंगतता आणि पारदर्शकता, तसेच मकाक माकडांच्या एमटी न्यूरॉन्समधील दिशात्मक समायोजनांवर अपेक्षितपणे परिणाम होतो. लेखकांना असे आढळले की, जेव्हा एकमेकांवर येणाऱ्या क्षेत्रांची चमक भौतिकदृष्ट्या पारदर्शकतेशी जुळत होती, तेव्हा निरीक्षकांनी अधिक पारदर्शक आकलन झाल्याचे नोंदवले, तर एमटी न्यूरॉन्सनी रास्टर घटकांच्या हालचालीचे संकेत दिले. याउलट, जेव्हा एकमेकांवर येणारी चमक आणि पारदर्शक आच्छादन भौतिकदृष्ट्या विसंगत असतात, तेव्हा निरीक्षकाला सुसंगत हालचाल जाणवते आणि एमटी न्यूरॉन्स पॅटर्नच्या जागतिक हालचालीचे संकेत देतात. अशाप्रकारे, हे अभ्यास दर्शवतात की दृष्य उद्दीपकांमधील भौतिक बदल, जे सेगमेंटेशन अहवालांवर विश्वसनीयपणे प्रभाव टाकतात, ते एमटी उत्तेजनेमध्ये अपेक्षित बदल देखील घडवून आणतात. या क्षेत्रातील अलीकडील संशोधनात, कोणते एमटी संकेत जटिल उद्दीपकांच्या आकलनात्मक स्वरूपाचा मागोवा घेतात¹⁸,²⁴,⁶⁴ याचा शोध घेण्यात आला आहे. उदाहरणार्थ, एमटी न्यूरॉन्सचा एक उपसंच यादृच्छिक बिंदू गती नकाशा (RDK) साठी द्विमार्गी ट्यूनिंग दर्शवितो असे दिसून आले आहे, ज्यामध्ये एकदिशीय RDK पेक्षा कमी अंतरावर असलेल्या दोन दिशा असतात. पेशीय जुळवणीची बँडविड्थ १९, २५. निरीक्षक नेहमी पहिल्या नमुन्याला पारदर्शक हालचाल म्हणून पाहतात, जरी बहुतेक MT न्यूरॉन्स या उत्तेजनांना प्रतिसाद म्हणून एक-आयामी अनुकूलन दर्शवतात आणि सर्व MT पेशींची साधी सरासरी एक-आयामी समूह प्रतिसाद देते. अशाप्रकारे, द्वि-आयामी जुळवणी दर्शविणाऱ्या पेशींचा एक उपसंच या आकलनासाठी चेतासंस्थेचा आधार बनू शकतो. विशेष म्हणजे, मार्मोसेटमध्ये, पारंपरिक ग्रिड आणि ग्रिड उत्तेजनांचा वापर करून चाचणी केली असता, हा समूह PDS पेशींशी जुळला.
आमचे निष्कर्ष वरील निष्कर्षांपेक्षा एक पाऊल पुढे जातात, जे संवेदी विभाजनामध्ये MT ची भूमिका प्रस्थापित करण्यासाठी महत्त्वपूर्ण आहेत. वास्तविक पाहता, विभाजन ही एक व्यक्तिनिष्ठ घटना आहे. अनेक बहुस्थिर दृश्य प्रदर्शने दृश्य प्रणालीची स्थिर उत्तेजनांना एकापेक्षा जास्त मार्गांनी संघटित करण्याची आणि त्यांचा अर्थ लावण्याची क्षमता दर्शवतात. आमच्या अभ्यासात एकाच वेळी चेतासंस्थेचा प्रतिसाद आणि संवेदी अहवाल गोळा केल्यामुळे आम्हाला MT फायरिंग दर आणि स्थिर उत्तेजनांच्या संवेदी अर्थांमधील सहसंबंध शोधता आला. हे नाते सिद्ध केल्यानंतर, आम्ही हे मान्य करतो की कार्यकारणभावाची दिशा अद्याप स्थापित झालेली नाही, म्हणजेच, आमच्याद्वारे निरीक्षण केलेला संवेदी विभाजनाचा संकेत, काही जणांच्या मते [65, 66, 67], स्वयंचलित आहे की नाही हे ठरवण्यासाठी पुढील प्रयोगांची आवश्यकता आहे. ही प्रक्रिया पुन्हा उच्च क्षेत्रांमधून संवेदी कॉर्टेक्सकडे परत येणाऱ्या अधोगामी संकेतांचे प्रतिनिधित्व करते 68, 69, 70 (आकृती 8). MT च्या मुख्य कॉर्टिकल लक्ष्यांपैकी एक असलेल्या MSTd71 मध्ये पॅटर्न-सिलेक्टिव्ह पेशींचे प्रमाण जास्त असल्याच्या अहवालांवरून असे सूचित होते की, MT आणि MSTd च्या एकाच वेळी रेकॉर्डिंगचा समावेश करण्यासाठी हे प्रयोग वाढवणे, हे संवेदन आणि विभाजनाच्या न्यूरल यंत्रणा अधिक चांगल्या प्रकारे समजून घेण्याच्या दिशेने एक चांगले पहिले पाऊल ठरेल.
घटक आणि मोड अभिमुखता निवडक्षमतेचे द्वि-स्तरीय मॉडेल आणि मशीन ट्रान्सलेशनमधील निवडीशी संबंधित कार्यावर टॉप-डाउन फीडबॅकचा संभाव्य परिणाम. येथे, MT टप्प्यातील मोड दिशा निवडक्षमता (PDS – “P”) ही (i) विशिष्ट मोड वेगांशी सुसंगत असलेल्या दिशा-निवडक इनपुट डेटाच्या मोठ्या नमुन्याद्वारे, आणि (ii) तीव्र ट्यूनिंग दमनाद्वारे तयार केली जाते. MT टप्प्याच्या दिशा-निवडक (CDS) घटकाची (“C”) इनपुट दिशेमध्ये सॅम्पलिंग श्रेणी अरुंद असते आणि त्यात जास्त ट्यूनिंग दमन नसते. अनट्यून्ड इनहिबिशन दोन्ही गटांवर नियंत्रण ठेवते. रंगीत बाण पसंतीची डिव्हाइस अभिमुखता दर्शवतात. स्पष्टतेसाठी, केवळ V1-MT कनेक्शन्सचा एक उपसंच आणि एक घटक मोड व अभिमुखता निवड बॉक्स दर्शविला आहे. आमच्या फीड-फॉरवर्ड (FF) परिणामांचा अर्थ लावण्याच्या संदर्भात, PDS पेशींमधील व्यापक इनपुट सेटिंग आणि तीव्र ट्यूनिंग इनहिबिशनमुळे (लाल रंगात हायलाइट केलेले) अनेक हालचालींच्या नमुन्यांना प्रतिसाद म्हणून कार्यात मोठे फरक दिसून आले. आमच्या सेगमेंटेशन समस्येमध्ये, हा गट निर्णय साखळ्या चालवतो आणि आकलनात विकृती निर्माण करतो. याउलट, फीडबॅकच्या (FB) बाबतीत, संवेदी डेटा आणि संज्ञानात्मक पूर्वग्रहांमुळे अपस्ट्रीम सर्किट्समध्ये आकलनात्मक निर्णय तयार होतात, आणि PDS पेशींवर (जाड रेषा) डाउनस्ट्रीम FB चा अधिक प्रभाव निवड संकेत निर्माण करतो. b CDS आणि PDS उपकरणांच्या पर्यायी मॉडेल्सचे योजनाबद्ध सादरीकरण. येथे MT मधील PDS संकेत केवळ V1 च्या थेट इनपुटद्वारेच नव्हे, तर V1-V2-MT मार्गाच्या अप्रत्यक्ष इनपुटद्वारे देखील तयार होतात. मॉडेलचे अप्रत्यक्ष मार्ग टेक्सचरच्या सीमांना (ग्रिड ओव्हरलॅपिंग क्षेत्रे) निवडक्षमता देण्यासाठी समायोजित केले आहेत. MT लेयर CDS मॉड्यूल थेट आणि अप्रत्यक्ष इनपुटची भारित बेरीज करते आणि आउटपुट PDS मॉड्यूलला पाठवते. PDS स्पर्धात्मक प्रतिबंधाद्वारे नियंत्रित केले जाते. पुन्हा, मॉडेलची मूलभूत रचना रेखाटण्यासाठी आवश्यक असलेले कनेक्शनच दाखवले आहेत. येथे, 'a' मध्ये प्रस्तावित केलेल्यापेक्षा वेगळ्या FF यंत्रणेमुळे PDS ला सेल्युलर लॅटिसच्या प्रतिसादात अधिक परिवर्तनशीलता येऊ शकते, ज्यामुळे पुन्हा निर्णय पद्धतींमध्ये पूर्वग्रह निर्माण होऊ शकतात. पर्यायाने, PDS पेशींमधील अधिक CP हे PDS पेशींना FB जोडण्याच्या सामर्थ्यात किंवा कार्यक्षमतेतील पक्षपाताचा परिणाम असू शकतो. हा पुरावा दोन- आणि तीन-टप्प्यांच्या MT PDS मॉडेल्सना आणि CP FF व FB स्पष्टीकरणांना समर्थन देतो.
अभ्यासासाठी दोन प्रौढ मकाक माकडांचा (मकाका मुलाटा), एक नर आणि एक मादी (अनुक्रमे ७ आणि ५ वर्षे वयाचे), ज्यांचे वजन ४.५ ते ९.० किलो होते, वापर करण्यात आला. सर्व निर्जंतुक शस्त्रक्रिया प्रयोगांपूर्वी, प्राण्यांमध्ये एमटी (MT) क्षेत्राजवळ जाणारे उभे इलेक्ट्रोड लावण्यासाठी एक खास तयार केलेले रेकॉर्डिंग चेंबर, एक स्टेनलेस स्टीलचा हेडरेस्ट स्टँड (क्रिस्ट इन्स्ट्रुमेंट्स, हेगरस्टाउन, एमडी), आणि मोजलेल्या स्क्लेरल सर्च कॉइलद्वारे (कूनर वायर, सॅन दिएगो, कॅलिफोर्निया) डोळ्यांची स्थिती निश्चित करण्याची व्यवस्था करण्यात आली. सर्व कार्यपद्धती युनायटेड स्टेट्स डिपार्टमेंट ऑफ ॲग्रीकल्चर (USDA) च्या नियमांचे आणि नॅशनल इन्स्टिट्यूट्स ऑफ हेल्थ (NIH) च्या 'प्रयोगशाळेतील प्राण्यांची मानवी काळजी आणि वापरासाठीच्या मार्गदर्शक तत्त्वांचे' पालन करतात आणि त्यांना युनिव्हर्सिटी ऑफ शिकागो इन्स्टिट्यूशनल ॲनिमल केअर अँड यूज कमिटी (IAUKC) ने मान्यता दिली आहे.
सर्व दृश्य उद्दीपक काळ्या किंवा राखाडी पार्श्वभूमीवर एका गोलाकार छिद्रामध्ये सादर केले गेले. रेकॉर्डिंग दरम्यान, इलेक्ट्रोडच्या टोकावरील न्यूरॉन्सच्या क्लासिकल रिसेप्टिव्ह फील्डनुसार या छिद्राची स्थिती आणि व्यास समायोजित केले गेले. आम्ही दृश्य उद्दीपकांच्या दोन व्यापक श्रेणी वापरल्या: सायकोमेट्रिक उद्दीपक आणि ट्यूनिंग उद्दीपक.
सायकोमेट्रिक उद्दीपक हा एक ग्रेटिंग पॅटर्न (20 cd/m2, 50% कॉन्ट्रास्ट, 50% ड्युटी सायकल, 5 डिग्री/सेकंद) आहे, जो त्यांच्या दिशेला लंब दिशेने सरकणाऱ्या दोन आयताकृती ग्रेटिंग्ज एकमेकांवर ठेवून तयार केला जातो (आकृती 1b). हे पूर्वी दाखवून दिले गेले आहे की मानवी निरीक्षक या ग्रिड पॅटर्नला द्विस्थिर उद्दीपक म्हणून पाहतात, कधीकधी एकाच दिशेने सरकणाऱ्या एकाच पॅटर्नच्या रूपात (सुसंगत हालचाल) आणि कधीकधी वेगवेगळ्या दिशांनी सरकणाऱ्या दोन स्वतंत्र पृष्ठभागांच्या रूपात (पारदर्शक हालचाल). लॅटिस पॅटर्नचे घटक, सममितीयपणे संरेखित केलेले – लॅटिसमधील कोन 95° ते 130° पर्यंत असतो (सत्रादरम्यान 95°, 100°, 105°, 115°, 120°, 125°, 130° या संचातून घेतलेले. 115° वरील आयसोलेशन अँगल न्यूरॉन्स जतन केले गेले नाहीत, परंतु आम्ही येथे सायकोफिजिकल डेटा समाविष्ट करत आहोत) – अंदाजे 90° किंवा 270° (पॅटर्न ओरिएंटेशन). प्रत्येक सत्रात, आंतरजाळीचा फक्त एक कोपरा वापरला गेला; प्रत्येक सत्रादरम्यान, प्रत्येक चाचणीसाठी नमुन्याची दिशा दोन शक्यतांमधून यादृच्छिकपणे निवडली गेली.
ग्रिडच्या आकलनातील संदिग्धता दूर करण्यासाठी आणि कृतीसाठीच्या प्रतिफळाला एक अनुभवजन्य आधार प्रदान करण्यासाठी, आम्ही प्रत्येक ग्रिड घटकाच्या लाईट बार स्टेप ७२ मध्ये यादृच्छिक बिंदू पोत (random point textures) समाविष्ट करतो. हे पिक्सेलच्या यादृच्छिकपणे निवडलेल्या उपसंचाची चमक (एका निश्चित प्रमाणात) वाढवून किंवा कमी करून साध्य केले जाते (आकृती १क). पोताच्या हालचालीची दिशा एक तीव्र संकेत देते, जो निरीक्षकाचे आकलन सुसंगत (coherent) किंवा पारदर्शक (transparent) हालचालीकडे वळवतो (आकृती १क). सुसंगत परिस्थितीत, पोत जाळीचा (texture lattice) कोणताही घटक व्यापत असला तरी, सर्व पोत नमुन्याच्या (pattern) दिशेने सरकतात (आकृती १क, सुसंगत). पारदर्शक स्थितीत, पोत ज्या जाळीला व्यापतो, तिच्या दिशेला लंबवत सरकतो (आकृती १क, पारदर्शक) (पूरक चित्रपट १). कार्याची गुंतागुंत नियंत्रित करण्यासाठी, बहुतेक सत्रांमध्ये या पोत चिन्हासाठी मायकेलसन कॉन्ट्रास्ट (Lmax-Lmin/Lmax+Lmin) हा (-८०, -४०, -२०, -१०, -५, ०, ५) या संचातून बदलला गेला. , 10, 20, 40, 80). कॉन्ट्रास्ट म्हणजे रास्टरची सापेक्ष चमक (म्हणून 80% कॉन्ट्रास्ट मूल्यामुळे 36 किंवा 6 cd/m2 चा टेक्सचर मिळेल). माकड N मध्ये 6 सत्रांसाठी आणि माकड S मध्ये 5 सत्रांसाठी, आम्ही अरुंद टेक्सचरल कॉन्ट्रास्ट श्रेणी (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) वापरल्या, जिथे सायकोफिजिकल वैशिष्ट्ये पूर्ण-श्रेणी कॉन्ट्रास्टप्रमाणेच नमुना दर्शवतात, परंतु सॅचुरेशनशिवाय.
ट्यूनिंग स्टिम्युली म्हणजे १६ समान अंतरावरील दिशांपैकी एका दिशेने फिरणारे साइनोसायडल ग्रिड्स (कॉन्ट्रास्ट ५०%, १ सायकल/डिग्री, ५ डिग्री/सेकंद), किंवा पॅटर्नच्या दिशेनेच फिरणारे साइनोसायडल ग्रिड्स (ज्यात एकमेकांवर आच्छादित केलेल्या दोन विरुद्ध १३५° कोनांच्या साइनोसायडल ग्रेटिंग्जचा समावेश असतो).
पोस्ट करण्याची वेळ: १३ नोव्हेंबर २०२२
