Nature.comను సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ వెర్షన్‌లో CSS మద్దతు పరిమితంగా ఉంది. ఉత్తమ అనుభవం కోసం, మీరు అప్‌డేట్ చేయబడిన బ్రౌజర్‌ను ఉపయోగించాలని (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో కంపాటిబిలిటీ మోడ్‌ను నిలిపివేయాలని) మేము సిఫార్సు చేస్తున్నాము. ఈలోగా, మద్దతు కొనసాగేలా చూసేందుకు, మేము స్టైల్స్ మరియు జావాస్క్రిప్ట్ లేకుండా సైట్‌ను రెండర్ చేస్తాము.
ఒకే సమయంలో మూడు స్లయిడ్‌లను చూపించే క్యారౌసెల్. ఒకేసారి మూడు స్లయిడ్‌ల ద్వారా ముందుకు వెళ్లడానికి 'మునుపటి' మరియు 'తదుపరి' బటన్‌లను ఉపయోగించండి, లేదా చివరన ఉన్న స్లైడర్ బటన్‌లను ఉపయోగించి ఒకేసారి మూడు స్లయిడ్‌ల ద్వారా ముందుకు వెళ్లండి.
అధిక-రిజల్యూషన్ దృష్టికి, వస్తువుల లక్షణాలను పునర్నిర్మించడానికి సూక్ష్మమైన రెటీనా నమూనా మరియు ఏకీకరణ అవసరం. వేర్వేరు వస్తువుల నుండి స్థానిక నమూనాలను కలిపినప్పుడు, ఖచ్చితత్వం లోపిస్తుందని గమనించడం ముఖ్యం. అందువల్ల, ఒక చిత్రాన్ని విడివిడిగా ప్రాసెస్ చేయడానికి దానిలోని భాగాలను సమూహపరచడమైన సెగ్మెంటేషన్, గ్రహణశక్తికి చాలా కీలకం. గత పరిశోధనలలో, ఈ ప్రక్రియను అధ్యయనం చేయడానికి, ఒకటి లేదా అంతకంటే ఎక్కువ కదిలే ఉపరితలాలుగా పరిగణించబడే బైస్టేబుల్ లాటిస్ నిర్మాణాలను ఉపయోగించారు. ఇక్కడ, మేము ప్రైమేట్ దృశ్య మార్గంలోని మధ్యస్థ ప్రాంతాలలో క్రియాశీలత మరియు సెగ్మెంటేషన్ నిర్ణయాల మధ్య ఉన్న సంబంధాన్ని నివేదిస్తున్నాము. ప్రత్యేకించి, బైస్టేబుల్ గ్రేటింగ్‌ల గ్రహణశక్తిని వక్రీకరించడానికి ఉపయోగించే టెక్స్చర్ సంకేతాలకు, ఎంపిక చేసుకుని దిశను నిర్దేశించుకునే మీడియన్ టెంపోరల్ న్యూరాన్‌లు సున్నితంగా ఉన్నాయని మరియు ప్రయోగాలు, నిరంతర ఉద్దీపనల యొక్క ఆత్మాశ్రయ గ్రహణశక్తి మధ్య గణనీయమైన సహసంబంధాన్ని చూపించాయని మేము కనుగొన్నాము. బహుళ స్థానిక దిశలు గల నమూనాలలో మొత్తం కదలికను సూచించే యూనిట్లలో ఈ సహసంబంధం ఎక్కువగా ఉంటుంది. అందువల్ల, సంక్లిష్ట దృశ్యాలను వాటిలోని వస్తువులు మరియు ఉపరితలాలుగా వేరు చేయడానికి ఉపయోగించే సంకేతాలు మధ్యస్థ కాల డొమైన్‌లో ఉంటాయని మేము నిర్ధారిస్తున్నాము.
దృష్టి అనేది అంచు దిశ మరియు వేగం వంటి ప్రాథమిక చిత్ర లక్షణాలను ఖచ్చితంగా గుర్తించడంపై మాత్రమే కాకుండా, వస్తువు ఆకారం మరియు పథం వంటి పర్యావరణ లక్షణాలను లెక్కించడానికి ఈ లక్షణాలను సరిగ్గా ఏకీకృతం చేయడంపై కూడా ఆధారపడి ఉంటుంది¹. అయితే, రెటీనా చిత్రాలు సమానంగా ఆమోదయోగ్యమైన అనేక లక్షణ సమూహాలకు మద్దతు ఇచ్చినప్పుడు సమస్యలు తలెత్తుతాయి²,³,⁴ (పటం 1a). ఉదాహరణకు, రెండు వేగ సంకేతాల సమితులు చాలా దగ్గరగా ఉన్నప్పుడు, దీనిని సహేతుకంగా ఒక కదిలే వస్తువుగా లేదా అనేక కదిలే వస్తువులుగా అన్వయించవచ్చు (పటం 1b). ఇది విభజన యొక్క ఆత్మాశ్రయ స్వభావాన్ని వివరిస్తుంది, అంటే ఇది చిత్రం యొక్క స్థిరమైన లక్షణం కాదు, కానీ అన్వయించుకునే ప్రక్రియ. సాధారణ అవగాహనకు దీని ప్రాముఖ్యత స్పష్టంగా ఉన్నప్పటికీ, అవగాహన విభజన యొక్క నాడీ ఆధారాల గురించి మన అవగాహన ఉత్తమంగా చూసినా అసంపూర్ణంగానే ఉంది.
గ్రహణ విభజన సమస్య యొక్క కార్టూన్ దృష్టాంతం. ఒక నెకర్ క్యూబ్‌లో (ఎడమవైపు) లోతును గమనించే వ్యక్తి యొక్క అవగాహన రెండు సంభావ్య వివరణల మధ్య (కుడివైపు) మారుతూ ఉంటుంది. ఎందుకంటే, ఆ బొమ్మ యొక్క 3D దిశను (కుడివైపున ఉన్న ఏకనేత్ర అవరోధ సంకేతం ద్వారా అందించబడినది) మెదడు ప్రత్యేకంగా నిర్ధారించడానికి అనుమతించే సంకేతాలు చిత్రంలో లేవు. బి. ప్రాదేశిక సామీప్యంలో బహుళ చలన సంకేతాలు ప్రదర్శించబడినప్పుడు, స్థానిక నమూనాలు ఒకటి లేదా అంతకంటే ఎక్కువ వస్తువుల నుండి వచ్చాయో లేదో దృష్టి వ్యవస్థ తప్పనిసరిగా నిర్ధారించాలి. స్థానిక చలన సంకేతాల యొక్క సహజమైన అస్పష్టత, అంటే వస్తువుల చలనాల క్రమం ఒకే స్థానిక చలనాన్ని ఉత్పత్తి చేయగలదు, దీని ఫలితంగా దృశ్య ఇన్‌పుట్‌కు సమానంగా ఆమోదయోగ్యమైన బహుళ వివరణలు ఏర్పడతాయి, అంటే ఇక్కడ వెక్టర్ ఫీల్డ్‌లు ఒకే ఉపరితలం యొక్క సుసంగత చలనం నుండి లేదా అతివ్యాప్తి చెందుతున్న ఉపరితలాల యొక్క పారదర్శక చలనం నుండి ఉత్పన్నమవుతాయి. సి (ఎడమవైపు) మా టెక్చర్డ్ గ్రిడ్ స్టిములస్‌కు ఒక ఉదాహరణ. వాటి దిశకు లంబంగా కదులుతున్న దీర్ఘచతురస్రాకార గ్రేటింగ్‌లు (“భాగ దిశలు” – తెల్ల బాణాలు) ఒకదానిపై ఒకటి అతివ్యాప్తి చెంది గ్రేటింగ్ నమూనాను ఏర్పరుస్తాయి. జాలకాన్ని దిశల యొక్క ఒకే, క్రమబద్ధమైన, అనుసంధానించబడిన కదలికగా (ఎరుపు బాణాలు) లేదా మిశ్రమ దిశల యొక్క పారదర్శక కదలికగా గ్రహించవచ్చు. యాదృచ్ఛిక బిందువుల ఆకృతి సూచనలను జోడించడం ద్వారా జాలకం యొక్క గ్రహణశక్తి వక్రీకరించబడుతుంది. (మధ్యలో) పసుపు రంగులో హైలైట్ చేయబడిన ప్రాంతం విస్తరించబడి, వరుసగా పొందికైన మరియు పారదర్శక సంకేతాల కోసం ఫ్రేమ్‌ల శ్రేణిగా ప్రదర్శించబడుతుంది. ప్రతి సందర్భంలో చుక్క యొక్క కదలిక ఆకుపచ్చ మరియు ఎరుపు బాణాల ద్వారా సూచించబడుతుంది. (కుడివైపు) ఎంపిక బిందువు యొక్క స్థానం (x, y) మరియు ఫ్రేమ్‌ల సంఖ్య మధ్య సంబంధాన్ని చూపే గ్రాఫ్. పొందికైన సందర్భంలో, అన్ని ఆకృతులు ఒకే దిశలో కదులుతాయి. పారదర్శకత సందర్భంలో, ఆకృతి దాని భాగం యొక్క దిశలో కదులుతుంది. d మా చలన విభజన పని యొక్క కార్టూన్ దృష్టాంతం. కోతులు ప్రతి ప్రయత్నాన్ని ఒక చిన్న చుక్కను స్థిరంగా ఉంచడం ద్వారా ప్రారంభించాయి. కొద్దిపాటి ఆలస్యం తర్వాత, MT RF ఉన్న ప్రదేశంలో ఒక నిర్దిష్ట రకమైన గ్రేటింగ్ నమూనా (పొందిక/పారదర్శకత) మరియు ఆకృతి సంకేతం పరిమాణం (ఉదా. కాంట్రాస్ట్) కనిపించాయి. ప్రతి పరీక్ష సమయంలో, గ్రేటింగ్ నమూనా యొక్క రెండు సాధ్యమయ్యే దిశలలో ఒకదానిలో కదలవచ్చు. ఉద్దీపన ఉపసంహరణ తర్వాత, MT RF పైన మరియు క్రింద ఎంపిక లక్ష్యాలు కనిపించాయి. కోతులు తగిన ఎంపిక లక్ష్యం వైపు సాకేడ్‌ల ద్వారా గ్రిడ్‌ను తాము గ్రహించినట్లు సూచించాలి.
దృశ్య కదలికల ప్రాసెసింగ్ బాగా వర్గీకరించబడింది, అందువల్ల ఇది అవగాహన విభజన యొక్క నాడీ వలయాలను అధ్యయనం చేయడానికి ఒక అద్భుతమైన నమూనాను అందిస్తుంది. అనేక గణన అధ్యయనాలు రెండు-దశల చలన ప్రాసెసింగ్ నమూనాల ప్రయోజనాన్ని గుర్తించాయి, వీటిలో అధిక-రిజల్యూషన్ ప్రారంభ అంచనా తరువాత, శబ్దాన్ని తొలగించడానికి మరియు వస్తువు వేగాన్ని పునరుద్ధరించడానికి స్థానిక నమూనాల ఎంపిక ఏకీకరణ జరుగుతుంది7,8. దృష్టి వ్యవస్థలు ఈ సమితిని సాధారణ వస్తువుల నుండి వచ్చే స్థానిక నమూనాలకు మాత్రమే పరిమితం చేసేలా జాగ్రత్త వహించాలని గమనించడం ముఖ్యం. స్థానిక చలన సంకేతాలు ఎలా విభజించబడతాయో ప్రభావితం చేసే భౌతిక కారకాలను సైకోఫిజికల్ అధ్యయనాలు వివరించాయి, కానీ శరీర నిర్మాణ పథాల ఆకారం మరియు నాడీ సంకేతాలు ఇంకా అపరిష్కృత ప్రశ్నలుగానే ఉన్నాయి. ప్రైమేట్ కార్టెక్స్ యొక్క టెంపోరల్ (MT) ప్రాంతంలోని దిశ-ఎంపిక కణాలు నాడీ ఆధారాలకు అభ్యర్థులుగా ఉన్నాయని అనేక నివేదికలు సూచిస్తున్నాయి.
ముఖ్యంగా, ఈ మునుపటి ప్రయోగాలలో, నాడీ కార్యకలాపాలలో మార్పులు దృశ్య ఉద్దీపనలలోని భౌతిక మార్పులతో పరస్పర సంబంధం కలిగి ఉన్నాయి. అయితే, పైన పేర్కొన్నట్లుగా, విభజన అనేది ప్రాథమికంగా ఒక గ్రహణ ప్రక్రియ. అందువల్ల, దాని నాడీ ఆధారాన్ని అధ్యయనం చేయడానికి, నాడీ కార్యకలాపాలలో మార్పులను స్థిరమైన ఉద్దీపనల గ్రహణంలోని మార్పులతో అనుసంధానించడం అవసరం. అందువల్ల, ఒకదానిపై ఒకటి అమర్చిన డ్రిఫ్టింగ్ దీర్ఘచతురస్రాకార గ్రేటింగ్‌ల ద్వారా ఏర్పడిన గ్రహించిన బైస్టేబుల్ గ్రేటింగ్ నమూనా ఒకే ఉపరితలమా లేదా రెండు స్వతంత్ర ఉపరితలాలా అని నివేదించడానికి మేము రెండు కోతులకు శిక్షణ ఇచ్చాము. నాడీ కార్యకలాపానికి మరియు విభజన తీర్పులకు మధ్య ఉన్న సంబంధాన్ని అధ్యయనం చేయడానికి, కోతులు ఈ పనిని చేస్తున్నప్పుడు మేము MTలో ఒకే కార్యకలాపాన్ని నమోదు చేశాము.
MT కార్యకలాపాల అధ్యయనానికి మరియు గ్రహణశక్తికి మధ్య మేము ఒక ముఖ్యమైన సహసంబంధాన్ని కనుగొన్నాము. ఉద్దీపనలలో స్పష్టమైన విభజన సంకేతాలు ఉన్నా లేకపోయినా ఈ సహసంబంధం ఉంది. అదనంగా, ఈ ప్రభావం యొక్క తీవ్రత విభజన సంకేతాల పట్ల సున్నితత్వానికి, అలాగే నమూనా సూచికకు కూడా సంబంధం కలిగి ఉంటుంది. ఈ నమూనా సూచిక, సంక్లిష్ట నమూనాలలో ఒక యూనిట్ స్థానిక కదలికకు బదులుగా ప్రపంచవ్యాప్త కదలికను ఎంత మేరకు ప్రసరింపజేస్తుందో పరిమాణాత్మకంగా తెలియజేస్తుంది. ఫ్యాషన్ దిశ పట్ల ఎంపిక అనేది MT యొక్క ఒక నిర్వచనాత్మక లక్షణంగా చాలా కాలంగా గుర్తించబడినప్పటికీ, మరియు ఫ్యాషన్-ఎంపిక కణాలు ఆ ఉద్దీపనల పట్ల మానవ గ్రహణశక్తికి అనుగుణంగా సంక్లిష్ట ఉద్దీపనలకు ట్యూనింగ్‌ను చూపినప్పటికీ, మాకు తెలిసినంతవరకు, నమూనా సూచిక మరియు గ్రహణశక్తి విభజన మధ్య సహసంబంధానికి ఇదే మొదటి సాక్ష్యం.
కదులుతున్న గ్రిడ్ ఉద్దీపనలను (సమగ్ర లేదా పారదర్శక కదలికలు) గ్రహించే సామర్థ్యాన్ని ప్రదర్శించడానికి మేము రెండు కోతులకు శిక్షణ ఇచ్చాము. మానవ పరిశీలకులు సాధారణంగా ఈ ఉద్దీపనలను దాదాపు ఒకే ఫ్రీక్వెన్సీతో కూడిన సమగ్ర లేదా పారదర్శక కదలికలుగా గ్రహిస్తారు. ఈ ప్రయత్నంలో సరైన సమాధానం ఇవ్వడానికి మరియు ఆపరేంట్ రివార్డ్‌కు ఆధారాన్ని ఏర్పరచడానికి, మేము లాటిస్‌ను ఏర్పరిచే కాంపోనెంట్ యొక్క రాస్టర్‌కు టెక్స్‌చర్ జోడించడం ద్వారా సెగ్మెంటేషన్ సిగ్నల్స్‌ను సృష్టించాము (Fig. 1c, d). సమగ్ర పరిస్థితులలో, అన్ని టెక్చర్‌లు నమూనా యొక్క దిశలో కదులుతాయి (Fig. 1c, “సమగ్ర”). పారదర్శక స్థితిలో, టెక్చర్ అది అతివ్యాప్తి చెందిన గ్రేటింగ్ యొక్క దిశకు లంబంగా కదులుతుంది (Fig. 1c, “పారదర్శక”). ఈ టెక్చర్ లేబుల్ యొక్క కాంట్రాస్ట్‌ను మార్చడం ద్వారా మేము టాస్క్ యొక్క కష్టాన్ని నియంత్రిస్తాము. క్యూడ్ ట్రయల్స్‌లో, టెక్చర్ క్యూలకు సంబంధించిన ప్రతిస్పందనలకు కోతులకు రివార్డులు ఇవ్వబడ్డాయి, మరియు టెక్చర్ క్యూలు లేని నమూనాలను కలిగి ఉన్న ట్రయల్స్‌లో (జీరో టెక్చర్ కాంట్రాస్ట్ కండిషన్) రివార్డులు యాదృచ్ఛికంగా (50/50 ఆడ్స్) అందించబడ్డాయి.
రెండు ప్రాతినిధ్య ప్రయోగాల నుండి వచ్చిన ప్రవర్తనా డేటా చిత్రం 2aలో చూపబడింది, మరియు ప్రతిస్పందనలు వరుసగా పైకి లేదా క్రిందికి మారే నమూనాల కోసం, టెక్స్చర్ సిగ్నల్స్ యొక్క కాంట్రాస్ట్‌కు వ్యతిరేకంగా పొందిక యొక్క తీర్పుల నిష్పత్తిగా ప్లాట్ చేయబడ్డాయి (నిర్వచనం ప్రకారం పారదర్శకత కాంట్రాస్ట్ ప్రతికూలంగా ఉంటుందని భావించబడుతుంది). మొత్తం మీద, కోతుల సుసంగతత్వం/పారదర్శకత గ్రహణశక్తి, ఆకృతి సంకేతం యొక్క గుర్తు (పారదర్శక, సుసంగత) మరియు తీవ్రత (విరుద్ధత) రెండింటి ద్వారా విశ్వసనీయంగా ప్రభావితమైంది (ANOVA; కోతి N: దిశ – F = 0.58, p = 0.45, గుర్తు – F = 1248, p < 10−10, విరుద్ధత – F = 22.63, p < 10;−10 కోతి S: దిశ – F = 0.41, p = 0.52, గుర్తు – F = 2876.7, p < 10−10, విరుద్ధత – F = 36.5, p < 10−10). మొత్తం మీద, కోతుల సుసంగతత్వం/పారదర్శకత గ్రహణశక్తి, ఆకృతి సంకేతం యొక్క గుర్తు (పారదర్శక, సుసంగత) మరియు తీవ్రత (విరుద్ధత) రెండింటి ద్వారా విశ్వసనీయంగా ప్రభావితమైంది (ANOVA; కోతి N: దిశ – F = 0.58, p = 0.45, గుర్తు – F = 1248, p < 10−10, విరుద్ధత – F = 22.63, p < 10; −10 కోతి S: దిశ – F = 0.41, p = 0.52, గుర్తు – F = 2876.7, p < 10−10, విరుద్ధత – F = 36.5, p < 10−10). В целом на восприятие обезьяними когрентности/prozrachnosti డోస్టవర్నో విలియలీ కాక్ జానక్ (ప్రోజర్,చ్నోస్ట్), так и сила (కాంట్రస్ట్నోస్ట్) టెక్స్ట్యుర్నోగో ప్రైజ్నాకా (ANOVA; ఒబెసియనా N: направление — F = 0,58, p = 0,45, znak — F = 1248, p <10, p <10 22,63, p <10; -10 обезьяна S: направление – F = 0,41, p = 0,52, признак - F = 2876,7, p <10−10, контраст - F = 36,5, р < 10-10). సాధారణంగా, కోతులు గ్రహించే పొందిక/పారదర్శకత అనేది ఆకృతి లక్షణం యొక్క సంకేతం (పారదర్శకత, పొందిక) మరియు తీవ్రత (విరుద్ధత) రెండింటి ద్వారా గణనీయంగా ప్రభావితమైంది (ANOVA; కోతి N: దిశ — F = 0.58, p = 0.45, సంకేతం — F = 1248, p < 10−10, విరుద్ధత – F = 22.63, p < 10; -10 కోతి S: దిశ – F = 0.41, p = 0.52, సంకేతం – F = 2876.7, p < 10 −10, విరుద్ధత – F = 36.5, p < 10-10).总体而言，猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p <10−10, 对比度– F = 22.63, p <10;−10 猴子S: 方向– F = 0.41, p = 0.52, 符号– F = 2876.7, p <10−10, 对比度– F = 36.5,p <10-10）。总体而言，猴子对连贯性/透明度的感知受到纹理提示（ANOVA）的符号（透明、连贯）和强度（对比度）的可靠影响；猴子N：方向- F = 0.58，p = 0.45，符号- F = 1248, p <10−10, 对比度– F = 22.63, p <10;−10 36.5, p < 10-10).సాధారణంగా, కోతి యొక్క పొందిక/పారదర్శకత గ్రహణశక్తి టెక్స్చర్ సిగ్నల్స్ యొక్క సంకేతం (పారదర్శకత, పొందిక) మరియు తీవ్రత (కాంట్రాస్ట్) ద్వారా గణనీయంగా ప్రభావితమైంది (ANOVA);обезьяна N: ориентация – F = 0,58, p = 0,45, знак – F = 1248, p <10−10, Контрастность — F = 22,63, p <10; కోతి N: దిశ – F = 0.58, p = 0.45, గుర్తు – F = 1248, p < 10−10, వ్యత్యాసం – F = 22.63, p < 10; −10 Обезьяна S: Ориентация - F = 0,41, p = 0,52, Знак - F = 2876,7, p <10−10, Контрастность - F = <310). −10 కోతి S: దిశానిర్దేశం – F = 0.41, p = 0.52, సంకేతం – F = 2876.7, p < 10-10, వ్యత్యాసం – F = 36.5, p < 10-10).కోతుల మానసిక-శారీరక లక్షణాలను వర్గీకరించడానికి, ప్రతి సెషన్ నుండి వచ్చిన డేటాకు గౌసియన్ సంచిత ఫంక్షన్‌లను అమర్చడం జరిగింది. పటం 2b, రెండు కోతులకు అన్ని సెషన్‌లలో ఈ నమూనాల అంగీకార పంపిణీని చూపిస్తుంది. మొత్తంమీద, కోతులు ఈ పనిని ఖచ్చితంగా మరియు స్థిరంగా పూర్తి చేశాయి, మరియు సంచిత గౌసియన్ నమూనాకు సరిగ్గా సరిపోనందున మేము రెండు-కోతుల సెషన్‌లలో 13% కంటే తక్కువ వాటిని తిరస్కరించాము.
a ప్రతినిధి సెషన్‌లలో కోతుల ప్రవర్తనా ఉదాహరణలు (ప్రతి ఉద్దీపన పరిస్థితికి n ≥ 20 ట్రయల్స్). ఎడమ (కుడి) ప్యానెల్‌లలో, ఒక N(S) కోతి సెషన్ నుండి వచ్చిన డేటాను పొందికైన ఎంపిక స్కోర్‌లుగా (ఆర్డినేట్) మరియు టెక్స్చర్ సిగ్నల్స్ యొక్క సైన్ కాంట్రాస్ట్‌కు (అబ్సిస్సా) వ్యతిరేకంగా ప్లాట్ చేయబడింది. ఇక్కడ పారదర్శక (పొందికైన) టెక్స్చర్‌లు ప్రతికూల (సానుకూల) విలువలను కలిగి ఉంటాయని భావించబడింది. పరీక్షలో నమూనా యొక్క కదలిక దిశ (పైకి (90°) లేదా క్రిందికి (270°)) ప్రకారం ప్రతిస్పందనలు విడిగా నిర్మించబడ్డాయి. రెండు జంతువులకు, ప్రతిస్పందన 50/50 కాంట్రాస్ట్ (PSE – ఘన బాణాలు) ద్వారా విభజించబడినా లేదా ఒక నిర్దిష్ట స్థాయి పనితీరుకు మద్దతు ఇవ్వడానికి అవసరమైన టెక్స్చరల్ కాంట్రాస్ట్ మొత్తం (థ్రెషోల్డ్ – ఖాళీ బాణాలు) అయినా, పనితీరు ఈ డ్రిఫ్ట్ దిశలలో ఉంటుంది. b గాస్సియన్ సంచిత ఫంక్షన్ యొక్క R2 విలువల యొక్క అమర్చిన హిస్టోగ్రామ్. కోతి S(N) డేటా ఎడమ (కుడి) వైపు చూపబడింది. c (పైన) గ్రిడ్‌ను క్రిందికి జరిపినప్పుడు కొలిచిన PSE (ఆర్డినేట్) మరియు గ్రిడ్‌ను పైకి జరిపినప్పుడు కొలిచిన PSE (అబ్సిస్సా) లను పోల్చి ప్లాట్ చేయబడింది. ఇందులో అంచులు ప్రతి కండిషన్‌కు సంబంధించిన PSE వితరణను సూచిస్తాయి మరియు బాణాలు ప్రతి కండిషన్‌కు సంబంధించిన సగటును సూచిస్తాయి. అన్ని N(S) కోతి సెషన్‌ల డేటా ఎడమ (కుడి) కాలమ్‌లో ఇవ్వబడింది. (క్రింద) PSE డేటాకు ఉపయోగించిన పద్ధతినే ఇక్కడ కూడా అనుసరించారు, కానీ ఇది ఫిట్టెడ్ ఫీచర్ థ్రెషోల్డ్‌ల కోసం. PSE థ్రెషోల్డ్‌లలో గానీ లేదా ఫ్యాషన్ ట్రెండ్‌లలో గానీ గణనీయమైన తేడాలు లేవు (టెక్స్ట్ చూడండి). d కోణీయ విభజన కాంపోనెంట్ (“ఇంటిగ్రల్ గ్రేటింగ్ యాంగిల్” – అబ్సిస్సా) యొక్క నార్మలైజ్డ్ రాస్టర్ ఓరియంటేషన్‌ను బట్టి PSE మరియు స్లోప్ (ఆర్డినేట్) ప్లాట్ చేయబడ్డాయి. ఖాళీ వృత్తాలు సగటులను, ఘన రేఖ ఉత్తమంగా సరిపోయే రిగ్రెషన్ మోడల్‌ను, మరియు చుక్కల రేఖ రిగ్రెషన్ మోడల్ కోసం 95% కాన్ఫిడెన్స్ ఇంటర్వెల్‌ను సూచిస్తాయి. PSE మరియు నార్మలైజ్డ్ ఇంటిగ్రేషన్ యాంగిల్ మధ్య గణనీయమైన సహసంబంధం ఉంది, కానీ స్లోప్ మరియు నార్మలైజ్డ్ ఇంటిగ్రేషన్ యాంగిల్ మధ్య లేదు. ఇది, కాంపోనెంట్ లాటిస్‌లను కోణం వేరు చేసినప్పుడు సైకోమెట్రిక్ ఫంక్షన్ మారుతుందని, కానీ షార్పెనింగ్ లేదా ఫ్లాటెనింగ్ జరగదని సూచిస్తుంది. (కోతి N, n = 32 సెషన్‌లు; కోతి S, n = 43 సెషన్‌లు). అన్ని ప్యానెల్‌లలో, ఎర్రర్ బార్‌లు సగటు యొక్క ప్రామాణిక దోషాన్ని సూచిస్తాయి. హాహా. పొందిక, PSE ఆత్మాశ్రయ సమానత్వ స్కోరు, ప్రమాణం. ప్రామాణీకరణ.
పైన పేర్కొన్న విధంగా, టెక్స్చర్ క్యూల కాంట్రాస్ట్ మరియు ప్యాటర్న్ యొక్క కదలిక దిశ రెండూ ట్రయల్స్ అంతటా మారుతూ ఉన్నాయి, ఒక నిర్దిష్ట ట్రయల్‌లో స్టిమ్యులీ పైకి లేదా క్రిందికి కదులుతాయి. సైకోఫిజికల్11 మరియు న్యూరోనల్28 అడాప్టివ్ ఎఫెక్ట్‌లను తగ్గించడానికి ఇది జరుగుతుంది. ప్యాటర్న్ ఓరియంటేషన్ వర్సెస్ బయాస్ (సబ్జెక్టివ్ ఈక్వాలిటీ పాయింట్ లేదా PSE) (విల్కాక్సన్ ర్యాంక్ సమ్ టెస్ట్; కోతి N: z = 0.25, p = 0.8; కోతి S: z = 0.86, p = 0.39) లేదా ఫిట్టెడ్ ఫంక్షన్ థ్రెషోల్డ్ (విల్కాక్సన్ ర్యాంకుల మొత్తం; కోతి N: z = 0.14, p = 0.89, కోతి S: z = 0.49, p = 0.62) (Fig. 2c). అదనంగా, పనితీరు కనీస స్థాయిలను కొనసాగించడానికి అవసరమైన ఆకృతి వైరుధ్యం విషయంలో కోతుల మధ్య గణనీయమైన తేడాలు లేవు (N కోతి = 24.5% ± 3.9%, S కోతి = 18.9% ± 1.9%; విల్కాక్సన్ ర్యాంక్ సమ్, z = 1.01, p = 0.31).
ప్రతి సెషన్‌లో, మేము భాగమైన లాటిస్‌ల దిశలను వేరుచేసే అంతర-లాటిస్ కోణాన్ని మార్చాము. ఈ కోణం తక్కువగా ఉన్నప్పుడు ప్రజలు సెల్ 10 అనుసంధానించబడినట్లుగా గ్రహించే అవకాశం ఎక్కువగా ఉందని సైకోఫిజికల్ అధ్యయనాలు చూపించాయి. కోతులు పొందిక/పారదర్శకతపై తమ అవగాహనను విశ్వసనీయంగా నివేదిస్తున్నట్లయితే, ఈ ఫలితాల ఆధారంగా, పొందిక మరియు పారదర్శకత ఎంపికల మధ్య ఏకరీతి విభజనకు అనుగుణంగా ఉండే టెక్స్చర్ కాంట్రాస్ట్ అయిన PSE, పరస్పర చర్య జరిగినప్పుడు పెరుగుతుందని ఆశించవచ్చు. లాటిస్ కోణం. ఇది నిజంగానే జరిగింది (పటం 2డి; నమూనా దిశలలో కుప్పకూలడం, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p < 10−3; కోతి S: χ2 = 22.22, p < 10−3; సాధారణీకరించిన ఇంటర్-గ్రేటింగ్ కోణం మరియు PSE మధ్య సహసంబంధం – కోతి N: r = 0.67, p < 10−9; కోతి S: r = 0.76, p < 10−13). ఇది నిజంగానే జరిగింది (పటం 2డి; నమూనా దిశలలో కుప్పకూలడం, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p < 10−3; కోతి S: χ2 = 22.22, p < 10−3; సాధారణీకరించిన ఇంటర్-గ్రేటింగ్ కోణం మరియు PSE మధ్య సహసంబంధం – కోతి N: r = 0.67, p < 10−9; కోతి S: r = 0.76, p < 10−13). ఎటో డెయిస్ట్‌విటెల్నో ఇమెలో మెస్టో (రిస్. 2డి; కొల్లాప్స్ పోపెరెక్ నాప్రావ్లెనియా పాటర్నా, క్రూస్కాల్, యోలీస్ =2000; < 10-3; обезьяна S: χ2 = 22,22, p < 10-3; korrelyaция между нормализованными угол решетки и PSE – обезьяна N: r = 0,67, p < 10-9, обезьяна S: 10-1, = 3). ఇది నిజంగానే జరిగింది (పటం 2డి; నమూనా దిశకు అడ్డంగా కుప్పకూలడం, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p < 10–3; కోతి S: χ2 = 22.22, p < 10–3; సాధారణీకరించిన లాటిస్ కోణం మరియు PSE మధ్య సహసంబంధం – కోతి N: r = 0.67, p < 10-9, కోతి S: r = 0.76, p < 10-13).情况确实如此（图2d；跨模式方向折叠，క్రుస్కాల్-వాలిస్；猴子N：χ2 = 23.06,p <10-3：χ2 = 23.06,p <10-3 10-3;情况 确实 如此 （图 图 2D 22.22 , p <10-3 10-9；猴子S; 0.76，p < 10-13）。 ఇది డెయిస్ట్‌విటెల్నో ఇమెలో మేస్టో (రిస్. 2డి; క్రాట్‌నోస్ట్ పో ఓసి మోడ్‌లు, క్రూస్కాల్-యులాలీస్; ఒబెసియానా N: 3,102 =, обезьяна S: χ2 = 22,22, p <10-3; నార్మాలిజోవానియ్ మెగ్రేషెటోచ్నియ్ ఉగోల్). ఇది నిజంగానే జరిగింది (పటం 2డి; మోడ్ అక్షం వెంబడి మడత, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 23.06, p < 10-3; కోతి S: χ2 = 22.22, p < 10-3; సాధారణీకరించిన ఇంటర్‌లాటిస్ కార్నర్). PSE-обезьяна N: r = 0,67, p <10-9, обезьяна S: r = 0,76, p <10-13). PSE కోతి N: r = 0.67, p < 10–9, కోతి S: r = 0.76, p < 10–13).దీనికి విరుద్ధంగా, ఇంటర్‌లాటిస్ కోణాన్ని మార్చడం సైకోమెట్రిక్ ఫంక్షన్ యొక్క వాలుపై ఎటువంటి గణనీయమైన ప్రభావాన్ని చూపలేదు (పటం 2డి; క్రాస్-మోడల్ ఓరియంటేషన్ ఫోల్డ్, క్రుస్కల్-వాలిస్; కోతి N: χ2 = 8.09, p = 0.23; కోతి S χ2 = 3.18, p = 0.67, సాధారణీకరించిన ఇంటర్‌లాటిస్ కోణం మరియు వాలు మధ్య సహసంబంధం – కోతి N: r = -0.4, p = 0.2, కోతి S: r = 0.03, p = 0.76). అందువల్ల, ఒక వ్యక్తి యొక్క సైకోఫిజికల్ డేటాకు అనుగుణంగా, గ్రేటింగ్‌ల మధ్య కోణాన్ని మార్చడం వల్ల కలిగే సగటు ప్రభావం స్థానభ్రంశం పాయింట్లలో మార్పు మాత్రమే, అంతేగానీ సెగ్మెంటేషన్ సిగ్నల్స్‌కు సున్నితత్వంలో పెరుగుదల లేదా తగ్గుదల కాదు.
చివరగా, సున్నా టెక్స్చర్ కాంట్రాస్ట్ ఉన్న ట్రయల్స్‌లో 0.5 సంభావ్యతతో రివార్డులు యాదృచ్ఛికంగా కేటాయించబడతాయి. ఒకవేళ కోతులన్నీ ఈ ప్రత్యేకమైన యాదృచ్ఛికత గురించి తెలుసుకుని, సున్నా టెక్స్చర్ కాంట్రాస్ట్ మరియు క్యూ స్టిమ్యులీల మధ్య తేడాను గుర్తించగలిగితే, అవి ఈ రెండు రకాల ట్రయల్స్ కోసం వేర్వేరు వ్యూహాలను అభివృద్ధి చేసుకోగలవు. అయితే, రెండు పరిశీలనలు ఇది వాస్తవం కాదని గట్టిగా సూచిస్తున్నాయి. మొదటిది, గ్రేటింగ్ యాంగిల్‌ను మార్చడం వల్ల క్యూ మరియు సున్నా టెక్స్చర్ కాంట్రాస్ట్ స్కోర్‌లపై గుణాత్మకంగా ఒకే విధమైన ప్రభావాలు కనిపించాయి (Fig. 2d మరియు సప్లిమెంటరీ Fig. 1). రెండవది, రెండు కోతులకు, బైస్టేబుల్ ట్రయల్ సెలక్షన్ అనేది అత్యంత ఇటీవలి (మునుపటి) రివార్డ్ సెలక్షన్‌కు పునరావృతం అయ్యే అవకాశం లేదు (బైనామియల్ టెస్ట్, N కోతులు: 0.52, z = 0.74, p = 0.22; S కోతులు: 0.51, r = 0.9, p = 0.18).
ముగింపుగా, మా సెగ్మెంటేషన్ టాస్క్‌లో కోతుల ప్రవర్తన మంచి స్టిములస్ కంట్రోల్‌లో ఉంది. టెక్స్చర్ క్యూస్ యొక్క గుర్తు మరియు పరిమాణంపై గ్రహణ తీర్పుల ఆధారపడటం, అలాగే గ్రేటింగ్ యాంగిల్‌తో PSEలో మార్పులు, కోతులు మోటార్ కోహెరెన్స్/ట్రాన్స్‌పరెన్సీకి సంబంధించిన తమ ఆత్మాశ్రయ అవగాహనను నివేదించాయని సూచిస్తున్నాయి. చివరగా, జీరో టెక్స్చర్ కాంట్రాస్ట్ ట్రయల్స్‌లో కోతుల ప్రతిస్పందనలు మునుపటి ట్రయల్స్ యొక్క రివార్డ్ హిస్టరీ ద్వారా ప్రభావితం కాలేదు మరియు ఇంటర్-రాస్టర్ యాంగ్యులర్ మార్పుల ద్వారా గణనీయంగా ప్రభావితమయ్యాయి. ఈ ముఖ్యమైన పరిస్థితిలో కూడా కోతులు లాటిస్ సర్ఫేస్ కాన్ఫిగరేషన్‌కు సంబంధించిన తమ ఆత్మాశ్రయ అవగాహనను నివేదించడం కొనసాగిస్తున్నాయని ఇది సూచిస్తుంది.
పైన పేర్కొన్నట్లుగా, టెక్స్చర్ కాంట్రాస్ట్ నెగటివ్ నుండి పాజిటివ్‌కు మారడం అనేది, ఉద్దీపనలు పారదర్శకం నుండి సుసంగతంగా మారే గ్రహణ పరివర్తనకు సమానం. సాధారణంగా, ఒక నిర్దిష్ట కణం విషయంలో, టెక్స్చర్ కాంట్రాస్ట్ నెగటివ్ నుండి పాజిటివ్‌కు మారినప్పుడు MT ప్రతిస్పందన పెరగడానికి లేదా తగ్గడానికి మొగ్గు చూపుతుంది, మరియు ఈ ప్రభావం యొక్క దిశ సాధారణంగా నమూనా/భాగం యొక్క కదలిక దిశపై ఆధారపడి ఉంటుంది. ఉదాహరణకు, రెండు ప్రాతినిధ్య MT కణాల దిశాత్మక ట్యూనింగ్ వక్రతలు, తక్కువ లేదా అధిక కాంట్రాస్ట్ సుసంగత లేదా పారదర్శక టెక్స్చర్ సిగ్నల్స్‌ను కలిగి ఉన్న గ్రేటింగ్‌లకు ఈ కణాల ప్రతిస్పందనలతో పాటుగా పటం 3లో చూపబడ్డాయి. మా కోతుల మానసిక-శారీరక పనితీరుకు సంబంధించిన ఈ గ్రిడ్ ప్రతిస్పందనలను మరింత మెరుగ్గా పరిమాణీకరించడానికి మేము ఒక విధంగా ప్రయత్నించాము.
ఒకే సైనుసోయిడల్ శ్రేణికి ప్రతిస్పందనగా, ఒక ప్రతినిధి కోతి MT కణం S యొక్క దిశాత్మక ట్యూనింగ్ వక్రరేఖ యొక్క పోలార్ ప్లాట్. కోణం గ్రేటింగ్ యొక్క కదలిక దిశను సూచిస్తుంది, పరిమాణం ఉద్గారతను సూచిస్తుంది, మరియు ప్రాధాన్య కణం యొక్క దిశ గ్రేటింగ్ నమూనా దిశలోని భాగాలలో ఒకదాని దిశతో సుమారు 90° (పైకి) అతివ్యాప్తి చెందుతుంది. బి. a లో చూపిన కణం కోసం, టెంప్లేట్ దిశలో 90° మార్చబడిన (ఎడమవైపు రేఖాచిత్రంగా చూపబడింది) ప్రతిస్పందన గ్రిడ్ యొక్క వారపు ఉద్దీపన-సమయ హిస్టోగ్రామ్ (PSTH). ప్రతిస్పందనలు టెక్స్చర్ హింట్ రకం (సంసంజన/పారదర్శక – వరుసగా మధ్య/కుడి ప్యానెల్) మరియు మైకెల్సన్ కాంట్రాస్ట్ (PSTH రంగు హింట్) ద్వారా క్రమబద్ధీకరించబడ్డాయి. ప్రతి రకమైన తక్కువ-కాంట్రాస్ట్ మరియు అధిక-కాంట్రాస్ట్ టెక్స్చర్ సిగ్నల్స్ కోసం సరైన ప్రయత్నాలు మాత్రమే చూపబడ్డాయి. పారదర్శక టెక్స్చర్ సూచనలతో పైకి కదులుతున్న లాటిస్ నమూనాలకు కణాలు మెరుగ్గా ప్రతిస్పందించాయి, మరియు ఈ నమూనాలకు ప్రతిస్పందన పెరుగుతున్న టెక్స్చర్ కాంట్రాస్ట్‌తో పాటు పెరిగింది. c, d లలో కూడా a మరియు b లలో ఉన్నటువంటి నియమాలే ఉన్నాయి, కానీ కోతి S మినహా ఇతర MT కణాలకు, వాటి ప్రాధాన్య దిశ దాదాపుగా క్రిందికి కదులుతున్న గ్రిడ్ దిశతో అతివ్యాప్తి చెందుతుంది. ఈ యూనిట్ పొందికైన టెక్స్చర్ సంకేతాలతో క్రిందికి కదులుతున్న గ్రేటింగ్‌లను ఇష్టపడుతుంది, మరియు ఈ నమూనాలకు ప్రతిస్పందన టెక్స్చర్ కాంట్రాస్ట్ పెరిగే కొద్దీ పెరుగుతుంది. అన్ని ప్యానెల్‌లలో, షేడ్ చేయబడిన ప్రాంతం సగటు యొక్క ప్రామాణిక దోషాన్ని సూచిస్తుంది. స్పోక్స్. స్పైక్స్, సెకన్లు. సెకను.
మా టెక్స్చర్ సిగ్నల్స్ ద్వారా సూచించబడిన లాటిస్ ఉపరితల ఆకృతీకరణ (సమగ్రమైన లేదా పారదర్శకమైన) మరియు MT కార్యాచరణ మధ్య సంబంధాన్ని అన్వేషించడానికి, మేము మొదట రిగ్రెషన్ ద్వారా సమగ్ర కదలిక (ధనాత్మక వాలు) లేదా పారదర్శక కదలిక (ఋణాత్మక వాలు) కోసం కణాల మధ్య సహసంబంధాన్ని రిగ్రెస్ చేసాము. కాంట్రాస్ట్‌తో పోల్చితే సంకేత ప్రతిస్పందన రేటు ద్వారా కణాలను వర్గీకరించడానికి (ప్రతి మోడ్ దిశకు విడిగా) ఇది ఇవ్వబడింది. చిత్రం 3లోని అదే ఉదాహరణ కణం నుండి వచ్చిన ఈ లాటిస్ ట్యూనింగ్ కర్వ్‌ల ఉదాహరణలు చిత్రం 4aలో చూపబడ్డాయి. వర్గీకరణ తర్వాత, టెక్స్చర్ సిగ్నల్స్ యొక్క మాడ్యులేషన్‌కు ప్రతి కణం యొక్క సున్నితత్వాన్ని లెక్కించడానికి మేము రిసీవర్ పనితీరు విశ్లేషణ (ROC)ని ఉపయోగించాము (పద్ధతులు చూడండి). ఈ విధంగా పొందిన న్యూరోమెట్రిక్ ఫంక్షన్‌లను అదే సెషన్‌లోని కోతుల సైకోఫిజికల్ లక్షణాలతో నేరుగా పోల్చవచ్చు, తద్వారా లాటిస్ టెక్స్చర్‌లకు న్యూరాన్‌ల సైకోఫిజికల్ సున్నితత్వాన్ని నేరుగా పోల్చవచ్చు. మేము నమూనాలోని అన్ని యూనిట్‌ల కోసం రెండు సిగ్నల్ డిటెక్షన్ విశ్లేషణలను నిర్వహించాము, నమూనా యొక్క ప్రతి దిశకు (మళ్ళీ, పైకి లేదా క్రిందికి) ప్రత్యేక న్యూరోమెట్రిక్ ఫీచర్‌లను లెక్కించాము. ఈ విశ్లేషణ కోసం, మేము (i) ఉద్దీపనలలో ఆకృతి సూచన ఉన్న మరియు (ii) కోతులు ఆ సూచనకు అనుగుణంగా స్పందించిన (అంటే, “సరైన” ప్రయత్నాలు) ప్రయత్నాలను మాత్రమే చేర్చామని గమనించడం ముఖ్యం.
గ్రేటింగ్‌లు పైకి (ఎడమ) లేదా క్రిందికి (కుడి) మారినప్పుడు, ఫైర్ రేట్లను వరుసగా టెక్స్చర్ సైన్ కాంట్రాస్ట్‌కు వ్యతిరేకంగా ప్లాట్ చేశారు. ఘన రేఖ ఉత్తమంగా సరిపోయే లీనియర్ రిగ్రెషన్‌ను సూచిస్తుంది, మరియు పై (క్రింది) వరుసలోని డేటా Fig. 3a సెల్, b (Fig. 3c, d)లో చూపిన వాటి నుండి తీసుకోబడింది. ప్రతి సెల్/లాటిస్ ఓరియంటేషన్ కలయికకు ప్రాధాన్యతనిచ్చే టెక్స్చర్ క్యూలను (కోహెరెంట్/ట్రాన్స్‌పరెంట్) కేటాయించడానికి రిగ్రెషన్ స్లోప్ ఫీచర్‌లను ఉపయోగించారు (ప్రతి స్టిములస్ కండిషన్‌కు n ≥ 20 ట్రయల్స్). ఎర్రర్ బార్‌లు సగటు యొక్క ప్రామాణిక విచలనాన్ని సూచిస్తాయి. baలో చూపిన యూనిట్ల యొక్క న్యూరోమెట్రిక్ ఫంక్షన్‌లు, అదే సెషన్‌లో సేకరించిన సైకోమెట్రిక్ ఫంక్షన్‌లతో పాటుగా వివరించబడ్డాయి. ఇప్పుడు, ప్రతి ఫీచర్ కోసం, మేము ప్రాధాన్యతనిచ్చే టూల్‌టిప్ ఎంపికను (ఆర్డినేట్) (టెక్స్ట్ చూడండి) టెక్స్చర్ యొక్క సైన్ కాంట్రాస్ట్ (అబ్సిస్సా) శాతంగా ప్లాట్ చేస్తాము. ప్రాధాన్యతనిచ్చే టూల్‌టిప్‌లు పాజిటివ్‌గా మరియు ఖాళీ టూల్‌టిప్‌లు నెగటివ్‌గా ఉండేలా టెక్స్చర్ కాంట్రాస్ట్ మార్చబడింది. పైకి (కిందికి) కదులుతున్న గ్రిడ్‌ల నుండి వచ్చిన డేటా ఎడమ (కుడి) ప్యానెల్‌లలో, పై (కింది) వరుసలలో చూపబడింది – Fig. 3a,b (Fig. 3c,d)లో చూపిన సెల్‌ల నుండి వచ్చిన డేటా. ప్రతి ప్యానెల్‌లో న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ థ్రెషోల్డ్ (N/P) నిష్పత్తులు చూపబడ్డాయి. స్పోక్స్. స్పైక్స్, సెకన్లు. సెక, డైరెక్టరీ. దిశ, ప్రాధాన్య ప్రావిన్స్, సై. సైకోమెట్రీ, న్యూరాలజీ.
రెండు ప్రాతినిధ్య MT కణాల లాటిస్ ట్యూనింగ్ వక్రాలు మరియు న్యూరోమెట్రిక్ ఫంక్షన్‌లు, మరియు వాటికి సంబంధించిన సైకోమెట్రిక్ ఫంక్షన్‌లు, ఈ ప్రతిస్పందనలతో కలిపి, వరుసగా చిత్రం 4a,b యొక్క పై మరియు దిగువ ప్యానెల్‌లలో చూపబడ్డాయి. టెక్స్చర్ యొక్క సూచన పారదర్శకం నుండి సుసంగతంగా మారే కొద్దీ ఈ కణాలు సుమారుగా ఏకరీతి పెరుగుదల లేదా తగ్గుదలను చూపుతాయి. అదనంగా, ఈ బంధం యొక్క దిశ మరియు బలం లాటిస్ చలనం యొక్క దిశపై ఆధారపడి ఉంటాయి. చివరగా, ఈ కణాల ప్రతిస్పందనల నుండి లెక్కించబడిన న్యూరోమెట్రిక్ ఫంక్షన్‌లు ఏకదిశా గ్రిడ్ కదలిక యొక్క సైకోఫిజికల్ లక్షణాలను కేవలం సమీపించాయి (కానీ ఇప్పటికీ వాటికి అనుగుణంగా లేవు). న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ ఫంక్షన్‌లు రెండూ థ్రెషోల్డ్‌లతో సంగ్రహించబడ్డాయి, అనగా సరిగ్గా ఎంచుకున్న కాంట్రాస్ట్‌లో సుమారు 84%కి అనుగుణంగా (ఫిట్ చేయబడిన సంచిత గాస్సియన్ ఫంక్షన్ యొక్క సగటు + 1 sdకి అనుగుణంగా). మొత్తం నమూనాలో, న్యూరోమెట్రిక్ థ్రెషోల్డ్ మరియు సైకోమెట్రిక్ థ్రెషోల్డ్ యొక్క నిష్పత్తి అయిన N/P నిష్పత్తి, కోతి Nలో సగటున 12.4 ± 1.2 మరియు కోతి Sలో 15.9 ± 1.8గా ఉంది, మరియు లాటిస్ కనీసం ఒక దిశలో కదలడానికి, కోతి N (కోతి S) నుండి కేవలం ~16% (18) యూనిట్లు మాత్రమే అవసరమయ్యాయి (పటం 5a). పటంలో చూపిన కణ ఉదాహరణ నుండి. పటాలు 3 మరియు 4లో చూసినట్లుగా, ప్రయోగాలలో ఉపయోగించిన కణం యొక్క ప్రాధాన్య ధోరణికి మరియు లాటిస్ కదలిక దిశకు మధ్య ఉన్న సంబంధం ద్వారా న్యూరాన్ల సున్నితత్వం ప్రభావితం కావచ్చు. ప్రత్యేకించి, పటం 3a,cలోని ధోరణి సర్దుబాటు వక్రతలు ఒకే సైనుసోయిడల్ శ్రేణి యొక్క న్యూరాన్ ధోరణి అమరికకు మరియు మన టెక్స్చర్డ్ శ్రేణిలో పారదర్శక/సమగ్ర చలనానికి దాని సున్నితత్వానికి మధ్య ఉన్న సంబంధాన్ని ప్రదర్శిస్తాయి. రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; సాపేక్షంగా ఇష్టపడే దిశలను 10° రిజల్యూషన్‌తో బదిలీ చేశారు; కోతి N: F = 2.12, p < 0.01; కోతి S: F = 2.01, p < 0.01). రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; సాపేక్షంగా ఇష్టపడే దిశలను 10° రిజల్యూషన్‌తో బదిలీ చేశారు; కోతి N: F = 2.12, p < 0.01; కోతి S: F = 2.01, p < 0.01). ఈ ఉదాహరణ 10°; обезьяна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; సాపేక్షంగా ఇష్టపడే దిశలను 10° రిజల్యూషన్‌తో సమూహపరిచారు; కోతి N: F=2.12, p<0.01; కోతి S: F=2.01, p<0.01).两只猴子都是这种情况（方差分析；以10° 分辨率合并的相对首选方向，2 0.01；猴子S）两 只 猴子 都 是 这 种2.12 , p <0.01 ； ：: f = 2.01 , p <0.01。。。。。。。）））））））））））））））））））））））））） ఇది ఒక ఉదాహరణ обезьяна N: F = 2,12, p <0,01; обезьяна S: F = 2,01, p <0,01). రెండు కోతుల విషయంలోనూ ఇదే జరిగింది (ANOVA; 10° రిజల్యూషన్ వద్ద పూల్ చేయబడిన సాపేక్ష ప్రాధాన్య ధోరణి; కోతి N: F=2.12, p<0.01; కోతి S: F=2.01, p<0.01).న్యూరాన్ సున్నితత్వంలో అధిక స్థాయిలో వైవిధ్యం ఉన్నందున (పటం 5ఎ), సాపేక్ష ప్రాధాన్య దిశలపై న్యూరాన్ సున్నితత్వం యొక్క ఆధారపడటాన్ని దృశ్యమానం చేయడానికి, మేము మొదట ప్రతి కణం యొక్క ప్రాధాన్య దిశను గ్రిడ్ నమూనా కదలికకు "ఉత్తమ" దిశకు (అంటే, ప్రాధాన్య కణ దిశకు మరియు గ్రేటింగ్ నమూనా దిశకు మధ్య అతి చిన్న కోణాన్ని ఏర్పరిచే దిశకు) సాధారణీకరించాము. ఈ సాధారణీకరించిన ప్రాధాన్య దిశతో న్యూరాన్‌ల సాపేక్ష థ్రెషోల్డ్‌లు ("చెత్త" లాటిస్ దిశకు థ్రెషోల్డ్/"ఉత్తమ" లాటిస్ దిశకు థ్రెషోల్డ్) మారుతున్నాయని మేము కనుగొన్నాము, ఈ థ్రెషోల్డ్ నిష్పత్తిలో శిఖరాలు నమూనాలు లేదా భాగాల దిశల చుట్టూ సంభవించాయి (పటం 5బి). ప్రతి నమూనాలోని యూనిట్లలో ప్రాధాన్య దిశల పంపిణీలో ప్లాయిడ్ నమూనా లేదా దాని భాగాల దిశలలో ఒకదాని వైపు పక్షపాతం ఉండటం వల్ల ఈ ప్రభావాన్ని వివరించలేము (పటం 5సి; రేలీ పరీక్ష; కోతి N: z = 8.33, p < 10−3, వృత్తాకార సగటు = 190.13 డిగ్రీలు ± 9.83 డిగ్రీలు; కోతి S: z = 0.79, p = 0.45) మరియు ఇది ప్లాయిడ్ ఇంటర్-గ్రేటింగ్ కోణాలలో స్థిరంగా ఉంది (అనుబంధ పటం 2). ప్రతి నమూనాలోని యూనిట్లలో ప్రాధాన్య దిశల పంపిణీలో ప్లాయిడ్ నమూనా లేదా దాని భాగాల దిశలలో ఒకదాని వైపు పక్షపాతం ఉండటం వల్ల ఈ ప్రభావాన్ని వివరించలేము (పటం 5సి; రేలీ పరీక్ష; కోతి N: z = 8.33, p < 10−3 , వృత్తాకార సగటు = 190.13 డిగ్రీలు ± 9.83 డిగ్రీలు; కోతి S: z = 0.79, p = 0.45) మరియు ఇది ప్లాయిడ్ ఇంటర్-గ్రేటింగ్ కోణాలలో స్థిరంగా ఉంది (అనుబంధ పటం 2). ఎఫెక్ట్ నెల్జియా బైలో ఒబ్యాస్నిట్ స్మెషనియమ్ రాస్ప్రెడెలెనియ ప్రెడ్పోచ్టితెల్నియస్ నేప్యాక్టివ్ విత్ ఎడిన్ విబోర్కే వి స్టోరోను ఆడ్నోగో యిజ్ క్లాత్‌చత్ నాప్‌రావ్లేనియ్ లేదా నాప్రావ్లెనియ్ కాంపోనెంటోవ్ (రిస్. 5వ; క్రిటెరియ్ రేలియా; ఒబెసియానా N: 3, 30 z, 30). ప్రతి నమూనాలోని యూనిట్లలో ప్రాధాన్య దిశల పంపిణీ చదరంగపు దిశలలో ఒకదాని వైపుకు లేదా అనుఘటక దిశల వైపుకు మారడం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (పటం 5సి; రేలీ పరీక్ష; కోతి N: z = 8.33, p < 10–3)., వృత్తాకార సగటు = 190.13 డిగ్రీలు ± 9.83 డిగ్రీలు; కోతి S: z = 0.79, p = 0.45) మరియు ప్లాయిడ్ గ్రిడ్ యొక్క అన్ని మూలలకు ఒకే విధంగా ఉంది (అనుబంధ చిత్రం 2).这种效应不能通过每个样本中单元中的优选方向分布偏向格子图案或组件方向之一来解释（图5c；瑞利测试；猴子N：z = 8.33,p <10-3 ，圆形平均值= 190.13 度± 9.83 度；猴子S：z = 0.79,p = 0.45）并且在格子间光栅角上是一致的（补充图2）。这 种 效应 不 能 通过 每 样本 中 单元 中 优选 方向 分布 偏向 偏向 廖案来 解 释圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形 圆形z ఎఫెక్టు కాదు.. образце смещено либо в స్టోరోను స్ట్రక్చర్ రీషెట్కి, లిబో వ్ స్టోరోను ఒడ్నోయ్ ఇజ్ ఒరియెంటసైయ్ కంపోనెంటోవ్ (రిస్. 5వ; క్రిటెరీ = రైజ్; 8,33, p <10–3). ప్రతి నమూనాలోని కణాలలో ప్రాధాన్య దిశల పంపిణీ జాలక నిర్మాణం వైపు గానీ లేదా దానిలోని అనుఘటక దిశలలో ఒకదాని వైపు గానీ పక్షపాతంతో ఉండటం అనే వాస్తవం ద్వారా ఈ ప్రభావాన్ని వివరించలేము (పటం 5సి; రేలీ పరీక్ష; కోతి N: z = 8.33, p < 10–3)., వృత్తాకార సగటు) = 190.13 డిగ్రీలు ± 9.83 డిగ్రీలు; కోతి S: z = 0.79, p = 0.45) మరియు గ్రిడ్‌ల మధ్య లాటిస్ కోణాలలో సమానంగా ఉన్నాయి (అనుబంధ చిత్రం 2).అందువల్ల, టెక్చర్డ్ గ్రిడ్‌ల పట్ల న్యూరాన్‌ల సున్నితత్వం, కనీసం కొంతవరకు, MT ట్యూనింగ్ యొక్క ప్రాథమిక లక్షణాలపై ఆధారపడి ఉంటుంది.
ఎడమ ప్యానెల్ N/P నిష్పత్తుల (న్యూరాన్/సైకోఫిజియోలాజికల్ థ్రెషోల్డ్) పంపిణీని చూపుతుంది; ప్రతి కణం రెండు డేటా పాయింట్లను అందిస్తుంది, నమూనా కదిలే ప్రతి దిశకు ఒకటి. కుడి ప్యానెల్ నమూనాలోని అన్ని యూనిట్ల కోసం సైకోఫిజికల్ థ్రెషోల్డ్‌లను (ఆర్డినేట్) న్యూరోనల్ థ్రెషోల్డ్‌లకు (అబ్సిస్సా) వ్యతిరేకంగా ప్లాట్ చేస్తుంది. పై (కింది) వరుసలోని డేటా కోతి N (S) నుండి తీసుకోబడింది. b సాధారణీకరించిన థ్రెషోల్డ్ నిష్పత్తులు, సరైన లాటిస్ ఓరియంటేషన్ మరియు ఇష్టపడే కణ ఓరియంటేషన్ మధ్య వ్యత్యాసం యొక్క పరిమాణానికి వ్యతిరేకంగా ప్లాట్ చేయబడ్డాయి. "ఉత్తమ" దిశ అనేది ఇష్టపడే కణ దిశకు అత్యంత సమీపంలో ఉన్న గ్రేటింగ్ నిర్మాణం యొక్క దిశగా నిర్వచించబడింది (ఒకే సైనుసోయిడల్ గ్రేటింగ్‌తో కొలవబడింది). డేటాను మొదట సాధారణీకరించిన ఇష్టపడే ఓరియంటేషన్ (10° బిన్‌లు) ద్వారా బిన్ చేయబడింది, ఆపై థ్రెషోల్డ్ నిష్పత్తులు గరిష్ట విలువకు సాధారణీకరించబడి ప్రతి బిన్‌లో సగటున లెక్కించబడ్డాయి. లాటిస్ భాగాల ఓరియంటేషన్ కంటే కొద్దిగా పెద్దదిగా లేదా చిన్నదిగా ఉన్న ఇష్టపడే ఓరియంటేషన్ కలిగిన కణాలు లాటిస్ నమూనా యొక్క ఓరియంటేషన్‌కు సున్నితత్వంలో అతిపెద్ద వ్యత్యాసాన్ని కలిగి ఉన్నాయి. c ప్రతి కోతిలో రికార్డ్ చేయబడిన అన్ని MT యూనిట్ల ఇష్టపడే ఓరియంటేషన్ పంపిణీ యొక్క గులాబీ రంగు హిస్టోగ్రామ్.
చివరగా, MT యొక్క ప్రతిస్పందన గ్రేటింగ్ కదలిక యొక్క దిశ మరియు మన విభజన సంకేతాల (టెక్చర్) వివరాల ద్వారా మాడ్యులేట్ చేయబడుతుంది. న్యూరోనల్ మరియు సైకోఫిజికల్ సున్నితత్వాన్ని పోల్చి చూసినప్పుడు, సాధారణంగా, కోతులతో పోలిస్తే MT యూనిట్లు కాంట్రాస్టింగ్ టెక్చర్ సంకేతాలకు చాలా తక్కువ సున్నితంగా ఉన్నాయని తేలింది. అయితే, యూనిట్ యొక్క ప్రాధాన్య ధోరణికి మరియు గ్రిడ్ కదలిక దిశకు మధ్య ఉన్న వ్యత్యాసాన్ని బట్టి న్యూరాన్ యొక్క సున్నితత్వం మారింది. అత్యంత సున్నితమైన కణాలు లాటిస్ నమూనాను లేదా దానిలోని ఒక భాగమైన ధోరణులను దాదాపుగా కప్పివేసే ధోరణి ప్రాధాన్యతలను కలిగి ఉన్నాయి, మరియు మన నమూనాలలో ఒక చిన్న ఉపసమితి కాంట్రాస్ట్ వ్యత్యాసాల పట్ల కోతుల అవగాహనతో సమానంగా లేదా అంతకంటే ఎక్కువ సున్నితంగా ఉన్నాయి. ఈ మరింత సున్నితమైన యూనిట్ల నుండి వచ్చే సంకేతాలు కోతులలోని అవగాహనతో మరింత దగ్గరగా సంబంధం కలిగి ఉన్నాయో లేదో నిర్ధారించడానికి, మేము అవగాహన మరియు న్యూరోనల్ ప్రతిస్పందనల మధ్య సహసంబంధాన్ని పరిశీలించాము.
నాడీ కార్యకలాపానికి మరియు ప్రవర్తనకు మధ్య సంబంధాన్ని ఏర్పరచడంలో ఒక ముఖ్యమైన దశ ఏమిటంటే, న్యూరాన్‌లకు మరియు స్థిరమైన ఉద్దీపనలకు ప్రవర్తనా ప్రతిస్పందనలకు మధ్య పరస్పర సంబంధాలను ఏర్పరచడం. నాడీ ప్రతిస్పందనలను విభజన తీర్పులతో అనుసంధానించడానికి, ఒకేలా ఉన్నప్పటికీ, వేర్వేరు ప్రయత్నాలలో విభిన్నంగా గ్రహించబడే ఒక ఉద్దీపనను సృష్టించడం చాలా కీలకం. ప్రస్తుత అధ్యయనంలో, ఇది సున్నా టెక్స్చర్ కాంట్రాస్ట్ గ్రేటింగ్ ద్వారా స్పష్టంగా సూచించబడింది. అయినప్పటికీ, జంతువుల సైకోమెట్రిక్ ఫంక్షన్ల ఆధారంగా, కనిష్ట (~20% కంటే తక్కువ) టెక్స్చర్ కాంట్రాస్ట్ ఉన్న గ్రేటింగ్‌లు సాధారణంగా పొందికగా లేదా పారదర్శకంగా పరిగణించబడతాయని మేము నొక్కి చెబుతున్నాము.
MT ప్రతిస్పందనలు గ్రహణ నివేదికలతో ఎంతవరకు సహసంబంధం కలిగి ఉన్నాయో పరిమాణీకరించడానికి, మేము మా గ్రిడ్ డేటా యొక్క ఎంపిక సంభావ్యత (CP) విశ్లేషణను నిర్వహించాము (3 చూడండి). క్లుప్తంగా, CP అనేది స్పైక్ ప్రతిస్పందనలు మరియు గ్రహణ తీర్పుల మధ్య సంబంధాన్ని పరిమాణీకరించే ఒక నాన్-పారామెట్రిక్, నాన్-స్టాండర్డ్ కొలత30. సున్నా టెక్స్చరల్ కాంట్రాస్ట్ ఉన్న గ్రిడ్‌లను ఉపయోగించే ట్రయల్స్‌కు మరియు ఈ ట్రయల్స్‌లో ప్రతి రకానికి కోతులు కనీసం ఐదు ఎంపికలు చేసిన సెషన్‌లకు విశ్లేషణను పరిమితం చేస్తూ, మేము గ్రిడ్ కదలిక యొక్క ప్రతి దిశకు SRని విడిగా లెక్కించాము. కోతులన్నింటిలో, యాదృచ్ఛికంగా మనం ఆశించే దానికంటే సగటు CP విలువ గణనీయంగా ఎక్కువగా ఉన్నట్లు మేము గమనించాము (పటం 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5 శూన్య పరికల్పనకు వ్యతిరేకంగా ద్విపార్శ్వ t-పరీక్ష, t = 6.7, p < 10−9; కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), ద్విపార్శ్వ t-పరీక్ష, t = 9.4, p < 10−13). కోతులన్నింటిలో, యాదృచ్ఛికంగా మనం ఆశించే దానికంటే సగటు CP విలువ గణనీయంగా ఎక్కువగా ఉన్నట్లు మేము గమనించాము (పటం 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), CP = 0.5 శూన్య పరికల్పనకు వ్యతిరేకంగా ద్విపార్శ్వ t-పరీక్ష, t = 6.7, p < 10−9; కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), ద్విపార్శ్వ t-పరీక్ష, t = 9.4, p < 10−13).కోతులలో, యాదృచ్ఛికంగా ఊహించిన దాని కంటే సగటు CP గణనీయంగా ఎక్కువగా ఉన్నట్లు మేము గమనించాము (Fig. 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), శూన్య విలువలతో పోలిస్తే ద్విముఖ t-పరీక్ష).CP = 0,5, t = 6,7, p <10-9; CP = 0.5, t = 6.7, p <10-9; శోధన S: CP కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), రెండు-వైపుల t-పరీక్ష, t = 9.4, p < 10–13).在猴子中，我们观察到平均CP 值显着大于我们偶然预期的值（图6a, d；猴﹇,5.4CP CI; 双边t 检验, t = 9.4, p <10−13) .మీరు平均 ： 0.54,95% Ci ） 0.53,0.56） ， 空值 检验 CP = 0.5, t = 6.7, p <10−9; 猴子S: 平均CP: 0.55, 95% CI: (0.54, 0.57), 双边t检验, t=9.4, p <10−13) నేను నాబ్లిడాలీ స్రెడ్నియమ్ CP, ప్రఖ్యాతి గాంచాడు d; ఒబెసియనా N: CP 95% ДИ: (0,53, 0,56), двусторонний t- TEST CP ప్రోటీవ్ нуля = 0,5, t = 6,7, p < 10-9, обезьяна S: CP:50,5 (0,54, 0,57), двусторонний t-критерий, t = 9,4, p <10- 13) . కోతులలో, యాదృచ్ఛికంగా మనం ఆశించే దానికంటే చాలా ఎక్కువ సగటు CP విలువలను మేము గమనించాము (పటం 6a, d; కోతి N: సగటు CP: 0.54, 95% CI: (0.53, 0.56), టూ-టెయిల్డ్ t-టెస్ట్ CP vs. జీరో = 0.5, t = 6.7, p < 10-9, కోతి S: సగటు CP: 0.55, 95% CI: (0.54, 0.57), టూ-టెయిల్డ్ t- క్రైటీరియన్, t = 9.4, p < 10-13).అందువల్ల, జాలక చలనంపై జంతువు యొక్క అవగాహన కణం యొక్క ప్రాధాన్యతలతో సరిపోలినప్పుడు, ఎటువంటి స్పష్టమైన విభజన సంకేతాలు లేనప్పటికీ కూడా MT న్యూరాన్లు మరింత బలంగా ప్రేరేపించబడతాయి.
a. కోతి N నుండి రికార్డ్ చేయబడిన నమూనాల కోసం టెక్స్చర్ సిగ్నల్స్ లేని గ్రిడ్‌ల కొరకు ఎంపిక సంభావ్యత పంపిణీ. ప్రతి కణం రెండు డేటా పాయింట్ల వరకు అందించగలదు (గ్రిడ్ కదలిక యొక్క ప్రతి దిశకు ఒకటి). యాదృచ్ఛికం కంటే ఎక్కువ ఉన్న సగటు CP విలువ (తెల్ల బాణాలు) మొత్తం మీద MT కార్యాచరణ మరియు గ్రహణశక్తి మధ్య గణనీయమైన సంబంధం ఉందని సూచిస్తుంది. b. ఏదైనా సంభావ్య ఎంపిక పక్షపాతం యొక్క ప్రభావాన్ని పరిశీలించడానికి, కోతులు కనీసం ఒక తప్పు చేసిన ప్రతి ఉద్దీపన కోసం మేము CPని విడిగా లెక్కించాము. ఎంపిక సంభావ్యతలు అన్ని ఉద్దీపనల కోసం ఎంపిక నిష్పత్తి (ప్రాధాన్యత/శూన్యం) యొక్క ఫంక్షన్‌గా (ఎడమవైపు) మరియు టెక్స్చర్ మార్క్ కాంట్రాస్ట్ యొక్క సంపూర్ణ విలువలుగా (కుడివైపు, 120 వ్యక్తిగత కణాల నుండి డేటా) ప్లాట్ చేయబడ్డాయి. ఎడమ ప్యానెల్‌లోని ఘన రేఖ మరియు నీడ ఉన్న ప్రాంతం 20-పాయింట్ మూవింగ్ యావరేజ్ యొక్క సగటు ± సెమ్‌ను సూచిస్తాయి. అధిక సిగ్నల్ కాంట్రాస్ట్ ఉన్న గ్రిడ్‌ల వంటి అసమతుల్య ఎంపిక నిష్పత్తులతో కూడిన ఉద్దీపనల కోసం లెక్కించిన ఎంపిక సంభావ్యతలు ఎక్కువగా విభిన్నంగా ఉన్నాయి మరియు అవకాశాల చుట్టూ సమూహంగా ఉన్నాయి. కుడి ప్యానెల్‌లోని బూడిద రంగు నీడ ఉన్న ప్రాంతం అధిక ఎంపిక సంభావ్యత యొక్క గణనలో చేర్చబడిన లక్షణాల కాంట్రాస్ట్‌ను నొక్కి చెబుతుంది. c ఒక పెద్ద ఎంపిక యొక్క సంభావ్యత (ఆర్డినేట్) న్యూరాన్ యొక్క థ్రెషోల్డ్ (అబ్సిస్సా)కు వ్యతిరేకంగా ప్లాట్ చేయబడింది. ఎంపిక యొక్క సంభావ్యత థ్రెషోల్డ్‌తో గణనీయంగా ప్రతికూల సహసంబంధం కలిగి ఉంది. df సంప్రదాయం ac వలెనే ఉంటుంది, కానీ ప్రత్యేకంగా పేర్కొనకపోతే కోతి S నుండి వచ్చిన 157 సింగిల్ డేటాకు వర్తిస్తుంది. g రెండు కోతులలో ప్రతిదానికీ, అత్యధిక ఎంపిక సంభావ్యత (ఆర్డినేట్) సాధారణీకరించిన ప్రాధాన్య దిశ (అబ్సిస్సా)కు వ్యతిరేకంగా ప్లాట్ చేయబడింది. ప్రతి MT కణం రెండు డేటా పాయింట్లను అందించింది (లాటిస్ నిర్మాణం యొక్క ప్రతి దిశకు ఒకటి). h ప్రతి ఇంటర్-రాస్టర్ కోణం కోసం ఎంపిక సంభావ్యత యొక్క పెద్ద బాక్స్ ప్లాట్లు. ఘన రేఖ మధ్యస్థాన్ని సూచిస్తుంది, బాక్స్ యొక్క దిగువ మరియు ఎగువ అంచులు వరుసగా 25వ మరియు 75వ పర్సంటైల్‌లను సూచిస్తాయి, విస్కర్‌లు ఇంటర్‌క్వార్టైల్ పరిధికి 1.5 రెట్లు విస్తరించబడ్డాయి మరియు ఈ పరిమితికి మించిన అవుట్‌లయర్‌లు గుర్తించబడ్డాయి. ఎడమ (కుడి) ప్యానెల్‌లలోని డేటా 120 (157) వ్యక్తిగత N(S) కోతి కణాల నుండి తీసుకోబడింది. i అత్యధిక ఎంపిక సంభావ్యత (ఆర్డినేట్) ఉద్దీపన ప్రారంభ సమయం (అబ్సిస్సా)కు వ్యతిరేకంగా ప్లాట్ చేయబడింది. పరీక్ష అంతటా స్లైడింగ్ దీర్ఘచతురస్రాలలో (వెడల్పు 100 ms, స్టెప్ 10 ms) లార్జ్ CPని లెక్కించి, ఆపై యూనిట్ల వారీగా సగటు తీశారు.
కొన్ని మునుపటి అధ్యయనాలు CP అనేది బేసల్ రేట్ డిస్ట్రిబ్యూషన్‌లో ట్రయల్స్ యొక్క సాపేక్ష సంఖ్యపై ఆధారపడి ఉంటుందని నివేదించాయి, అంటే ప్రతి ఎంపిక యొక్క నిష్పత్తిలో పెద్ద తేడాలను కలిగించే స్టిమ్యులీకి ఈ కొలత తక్కువ విశ్వసనీయమైనది. మా డేటాలో ఈ ప్రభావాన్ని పరీక్షించడానికి, మేము సైన్ టెక్స్చర్ కాంట్రాస్ట్‌తో సంబంధం లేకుండా, అన్ని స్టిమ్యులీకి CPని విడిగా లెక్కించాము మరియు కోతులు కనీసం ఒక తప్పుడు ట్రయల్ చేశాయి. CPని ప్రతి జంతువుకు సెలక్షన్ రేషియో (ప్రిఫరెన్స్/నల్)కి వ్యతిరేకంగా ఫిగర్ 6b మరియు e (ఎడమ ప్యానెల్)లో వరుసగా ప్లాట్ చేయబడింది. మూవింగ్ యావరేజ్‌లను చూస్తే, విస్తృత శ్రేణి సెలక్షన్ ఆడ్స్‌లో CP ప్రాబబిలిటీ కంటే ఎక్కువగా ఉంటుందని, ఆడ్స్ 0.2 (0.8) కంటే తక్కువకు (ఎక్కువకు) పడిపోయినప్పుడు (పెరిగినప్పుడు) మాత్రమే తగ్గుతుందని స్పష్టమవుతుంది. జంతువుల సైకోమెట్రిక్ లక్షణాల ఆధారంగా, ఈ పరిమాణంలోని సెలక్షన్ కోఎఫిషియంట్లు అధిక-కాంట్రాస్ట్ టెక్స్చర్ క్యూస్ (కోహెరెంట్ లేదా ట్రాన్స్‌పరెంట్) ఉన్న స్టిమ్యులీకి మాత్రమే వర్తిస్తాయని మేము ఆశిస్తాము (సైకోమెట్రిక్ ఫీచర్ల ఉదాహరణల కోసం ఫిగర్ 2a, b చూడండి). ఇది వాస్తవమేనా మరియు స్పష్టమైన విభజన సంకేతాలు ఉన్న ఉద్దీపనలకు కూడా గణనీయమైన PC కొనసాగిందా అని నిర్ధారించడానికి, మేము PC పై సంపూర్ణ ఆకృతి వైరుధ్య విలువల ప్రభావాన్ని పరిశీలించాము (Fig. 6b, e-right). ఊహించినట్లుగానే, మితమైన (~20% వైరుధ్యం లేదా తక్కువ) విభజన సంకేతాలు ఉన్న ఉద్దీపనలకు సంభావ్యత కంటే CP గణనీయంగా ఎక్కువగా ఉంది.
దిశ, వేగం మరియు అసమతుల్యత గుర్తింపు పనులలో, MT CP అత్యంత సున్నితమైన న్యూరాన్‌లలో అత్యధికంగా ఉంటుంది, బహుశా ఈ న్యూరాన్‌లు అత్యంత సమాచార సంకేతాలను తీసుకువెళతాయి కాబట్టి30,32,33,34.ఈ పరిశోధనలకు అనుగుణంగా, పటం యొక్క కుడివైపు ప్యానెల్‌లో హైలైట్ చేయబడిన టెక్స్చర్ క్యూ కాంట్రాస్ట్‌లలో z-స్కోర్డ్ ఫైరింగ్ రేట్ల నుండి లెక్కించబడిన గ్రాండ్ CPకి మరియు దానికి మధ్య ఒక మోస్తరు కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము.6b, e, మరియు న్యూరోనల్ థ్రెషోల్డ్ (Fig. 6c, f; జ్యామితీయ మధ్యమ ప్రతిగమనం; కోతి N: r = −0.12, p = 0.07 కోతి S: r = −0.18, p < 10−3). 6b, e, మరియు న్యూరోనల్ థ్రెషోల్డ్ (Fig. 6c, f; జ్యామితీయ మధ్యమ ప్రతిగమనం; కోతి N: r = −0.12, p = 0.07 కోతి S: r = −0.18, p < 10−3).ఈ ఫలితాలకు అనుగుణంగా, Fig. 6b, e యొక్క కుడివైపు ప్యానెల్‌లో హైలైట్ చేయబడిన టెక్స్చర్ సిగ్నల్ కాంట్రాస్ట్‌ల నుండి ఎక్సైటేషన్ ఫ్రీక్వెన్సీ z-స్కోర్ నుండి లెక్కించబడిన పెద్ద CPకి మరియు న్యూరోనల్ థ్రెషోల్డ్‌కి (Fig. 6c, f; జ్యామితీయ) మధ్య ఒక మోస్తరు కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము. జ్యామితీయ సగటు రిగ్రెషన్;обезьяна N: r = -0,12, p = 0,07 обезьяна S: r = -0,18, p <10-3). కోతి N: r = -0.12, p = 0.07 కోతి S: r = -0.18, p < 10-3).మీరు和神经元阈值（图6c、f；几何平均回归；猴子N：r = -0.12,p = 0.07 猴子S： <3-18, <3-0.మీరు 、 e 和 元 阈值 （图 图 6c 、 ఎఫ్ఈ ఫలితాలకు అనుగుణంగా, Fig. 6b,e లో చూపిన విధంగా పెద్ద CV లకు మరియు న్యూరాన్ థ్రెషోల్డ్‌లకు మధ్య ఒక మోస్తరు కానీ ముఖ్యమైన సహసంబంధాన్ని మేము గమనించాము (Figure 6c,f; జ్యామితీయ సగటు రిగ్రెషన్; కోతి N: r = -0.12, p = 0.07).Обезьяна S: г = -0,18, р < 10-3). కోతి S: r = -0.18, p < 10-3).అందువల్ల, అత్యంత సమాచారవంతమైన యూనిట్ల నుండి వచ్చే సంకేతాలు కోతులలో ఆత్మాశ్రయ విభజన తీర్పులతో అధిక సహసంబంధాన్ని చూపించాయి, ఇది గ్రహణ పక్షపాతానికి ఏవైనా ఆకృతి సంకేతాలు జోడించబడినప్పటికీ ముఖ్యమైనది.
గ్రిడ్ టెక్స్చర్ సిగ్నల్స్‌కు సున్నితత్వం మరియు ప్రాధాన్యత గల న్యూరోనల్ ఓరియంటేషన్ మధ్య సంబంధాన్ని మేము గతంలోనే స్థాపించినందున, CP మరియు ప్రాధాన్యత గల ఓరియంటేషన్ మధ్య కూడా అటువంటి సంబంధం ఉందేమో అని మేము ఆలోచించాము (Fig. 6g). ఈ అనుబంధం కోతి Sలో కేవలం కొద్దిగా మాత్రమే గణనీయమైనదిగా ఉంది (ANOVA; కోతి N: 1.03, p=0.46; కోతి S: F=1.73, p=0.04). ఏ జంతువులోనూ లాటిస్‌ల మధ్య లాటిస్ కోణాల కోసం CPలో మేము ఎటువంటి తేడాను గమనించలేదు (Fig. 6h; ANOVA; కోతి N: F = 1.8, p = 0.11; కోతి S: F = 0.32, p = 0.9).
చివరగా, మునుపటి పరిశోధనలు ప్రయోగం అంతటా CP మారుతుందని చూపించాయి. కొన్ని అధ్యయనాలు ఆకస్మిక పెరుగుదల తర్వాత సాపేక్షంగా సున్నితమైన ఎంపిక ప్రభావాన్ని నివేదించగా,30 మరికొన్ని ప్రయోగం అంతటా ఎంపిక సంకేతంలో స్థిరమైన పెరుగుదలను నివేదించాయి31. ప్రతి కోతికి, మేము ఉద్దీపన-పూర్వ ప్రారంభం నుండి సగటు ఉద్దీపన-పూర్వ ముగింపు తర్వాత వరకు ప్రతి 20 msకు అడుగులు వేస్తూ, 100 ms సెల్స్‌లో సున్నా ఆకృతి వైరుధ్యం (వరుసగా, నమూనా దిశ ప్రకారం) ఉన్న ప్రయోగాలలో ప్రతి యూనిట్ యొక్క CPని లెక్కించాము. రెండు కోతుల సగటు CP గతిశీలతను Fig. 6iలో చూపించారు. రెండు సందర్భాలలో, ఉద్దీపన ప్రారంభమైన దాదాపు 500 ms వరకు CP యాదృచ్ఛిక స్థాయిలో లేదా దానికి చాలా దగ్గరగా ఉంది, ఆ తర్వాత CP ఆకస్మికంగా పెరిగింది.
సున్నితత్వం మారడంతో పాటు, సెల్ ట్యూనింగ్ లక్షణాల యొక్క కొన్ని గుణాల వల్ల కూడా CP ప్రభావితమవుతుందని తేలింది. ఉదాహరణకు, ఉకా మరియు డిఏంజెలిస్34 కనుగొన్నదేమిటంటే, బైనాక్యులర్ మిస్‌మ్యాచ్ రికగ్నిషన్ టాస్క్‌లో CP అనేది పరికరం యొక్క బైనాక్యులర్ మిస్‌మ్యాచ్ ట్యూనింగ్ కర్వ్ యొక్క సమరూపతపై ఆధారపడి ఉంటుంది. ఈ సందర్భంలో, ప్యాటర్న్ డైరెక్షన్ సెలెక్టివ్ (PDS) కణాలు, కాంపోనెంట్ డైరెక్షన్ సెలెక్టివ్ (CDS) కణాల కంటే ఎక్కువ సున్నితంగా ఉంటాయా అనేది ఒక సంబంధిత ప్రశ్న. PDS కణాలు బహుళ స్థానిక ఓరియంటేషన్‌లను కలిగి ఉన్న ప్యాటర్న్‌ల యొక్క సాధారణ ఓరియంటేషన్‌ను ఎన్‌కోడ్ చేస్తాయి, అయితే CDS కణాలు డైరెక్షనల్ ప్యాటర్న్ కాంపోనెంట్‌ల కదలికకు ప్రతిస్పందిస్తాయి (Fig. 7a).
a మోడ్ కాంపోనెంట్ ట్యూనింగ్ స్టిమ్యులస్ మరియు ఊహాత్మక గ్రేటింగ్ (ఎడమ) మరియు గ్రేటింగ్ ఓరియంటేషన్ ట్యూనింగ్ కర్వ్‌ల (కుడి) యొక్క రేఖాచిత్ర ప్రాతినిధ్యం (మెటీరియల్స్ అండ్ మెథడ్స్ చూడండి). సంక్షిప్తంగా, ఒక కణం నమూనా కదలికను సూచించడానికి గ్రిడ్ కాంపోనెంట్‌లను ఏకీకృతం చేస్తే, వ్యక్తిగత గ్రిడ్ మరియు గ్రిడ్ స్టిమ్యులస్‌ల కోసం ఒకే ట్యూనింగ్ కర్వ్‌లను ఆశించవచ్చు (చివరి కాలమ్, ఘన వక్రరేఖ). దీనికి విరుద్ధంగా, కణం సిగ్నల్ నమూనా యొక్క కదలికలో కాంపోనెంట్‌ల దిశలను ఏకీకృతం చేయకపోతే, గ్రేటింగ్ కదలిక యొక్క ప్రతి దిశలో ఒక శిఖరంతో ద్విపార్శ్వ ట్యూనింగ్ కర్వ్‌ను ఆశించవచ్చు, ఇది ఒక కాంపోనెంట్‌ను కణం యొక్క ప్రాధాన్య దిశలోకి అనువదిస్తుంది (చివరి కాలమ్, డాష్డ్ కర్వ్). b (ఎడమ) చిత్రాలు 1 మరియు 2, 3 మరియు 4 లలో చూపిన కణాల కోసం సైనోసాయిడల్ శ్రేణి యొక్క ఓరియంటేషన్‌ను సర్దుబాటు చేయడానికి కర్వ్‌లు (పై వరుస – చిత్రాలు 3a,b మరియు 4a,b (పైన) లోని కణాలు; దిగువ ప్యానెల్ – చిత్రాలు 3c, d మరియు 4a, b (దిగువ) లోని కణాలు). (మధ్య) లాటిస్ ట్యూనింగ్ ప్రొఫైల్‌ల నుండి లెక్కించబడిన నమూనా మరియు కాంపోనెంట్ అంచనాలు. (కుడివైపు) ఈ కణాల గ్రిడ్‌ను సర్దుబాటు చేయడం. పై (కింది) ప్యానెల్‌లోని కణాలు టెంప్లేట్ (కాంపోనెంట్) కణాలుగా వర్గీకరించబడ్డాయి. ప్యాటర్న్ కాంపోనెంట్‌ల వర్గీకరణలకు మరియు పొందికైన/పారదర్శక కణ కదలికల ప్రాధాన్యతలకు మధ్య ఒకదానికొకటి సంబంధం లేదని గమనించండి (ఈ కణాల కోసం టెక్స్చర్ లాటిస్ ప్రతిస్పందనలను Fig. 4aలో చూడండి). c N (ఎడమ) మరియు S (కుడి) కోతులలో రికార్డ్ చేయబడిన అన్ని కణాల కోసం z-స్కోర్ మోడ్ యొక్క పాక్షిక సహసంబంధ గుణకం (ఆర్డినేట్)ను z-స్కోర్ కాంపోనెంట్ యొక్క పాక్షిక సహసంబంధ గుణకం (అబ్సిస్సా)కు వ్యతిరేకంగా ప్లాట్ చేయబడింది. మందపాటి గీతలు కణాలను వర్గీకరించడానికి ఉపయోగించిన ప్రాముఖ్యత ప్రమాణాలను సూచిస్తాయి. d అధిక ఎంపిక సంభావ్యత (ఆర్డినేట్) వర్సెస్ మోడ్ ఇండెక్స్ (Zp – Zc) (అబ్సిస్సా) యొక్క ప్లాట్. ఎడమ (కుడి) ప్యానెల్‌లలోని డేటా కోతి N(S)కి సంబంధించినది. నల్ల వృత్తాలు సుమారు యూనిట్లలోని డేటాను సూచిస్తాయి. రెండు జంతువులలో, అధిక ఎంపిక సంభావ్యత మరియు ప్యాటర్న్ ఇండెక్స్ మధ్య గణనీయమైన సహసంబంధం ఉంది, ఇది బహుళ కాంపోనెంట్ ఓరియంటేషన్ ఉన్న ఉద్దీపనలలో సిగ్నల్ ప్యాటర్న్ ఓరియంటేషన్ ఉన్న కణాలకు ఎక్కువ గ్రహణ సహసంబంధాన్ని సూచిస్తుంది.
అందువల్ల, ఒక ప్రత్యేక పరీక్షా సమితిలో, మా నమూనాలలో ఉన్న న్యూరాన్‌లను PDS లేదా CDSగా వర్గీకరించడానికి మేము సైనుసోయిడల్ గ్రిడ్‌లు మరియు గ్రిడ్‌లకు ప్రతిస్పందనలను కొలిచాము (పద్ధతులు చూడండి). బొమ్మలు 1 మరియు 3లో చూపిన కణాల కోసం లాటిస్ ట్యూనింగ్ వక్రతలు, ఈ ట్యూనింగ్ డేటా నుండి నిర్మించిన టెంప్లేట్ కాంపోనెంట్ అంచనాలు మరియు లాటిస్ ట్యూనింగ్ వక్రతలు. బొమ్మలు 3 మరియు 4 మరియు అనుబంధ బొమ్మ 3, బొమ్మ 7bలో చూపబడ్డాయి. ప్రతి కోతికి నమూనా పంపిణీ మరియు కాంపోనెంట్ ఎంపిక, అలాగే ప్రతి వర్గంలోని ప్రాధాన్య కణ విన్యాసం వరుసగా బొమ్మ 7c మరియు అనుబంధ బొమ్మ 4లో చూపబడ్డాయి.
ప్యాటర్న్ కాంపోనెంట్స్ యొక్క సవరణపై CP యొక్క ఆధారపడటాన్ని అంచనా వేయడానికి, మేము మొదట ప్యాటర్న్ ఇండెక్స్ 35 (PI)ని లెక్కించాము, దీని పెద్ద (చిన్న) విలువలు పెద్ద PDS (CDS) సారూప్య ప్రవర్తనను సూచిస్తాయి. పైన చూపిన నిరూపణను బట్టి: (i) ఇష్టపడే కణం యొక్క ధోరణి మరియు ఉద్దీపన కదలిక దిశ మధ్య వ్యత్యాసంతో న్యూరోనల్ సున్నితత్వం మారుతుంది, మరియు (ii) మా నమూనాలో న్యూరోనల్ సున్నితత్వం మరియు ఎంపిక సంభావ్యత మధ్య గణనీయమైన సహసంబంధం ఉంది, ప్రతి కణం యొక్క "ఉత్తమ" కదలిక దిశ కోసం PI మరియు మొత్తం CP మధ్య సంబంధాన్ని అధ్యయనం చేసాము (పైన చూడండి). CP మరియు PI మధ్య గణనీయమైన సహసంబంధం ఉందని మేము కనుగొన్నాము (పటం 7డి; జ్యామితీయ మధ్యమ ప్రతిగమనం; గ్రాండ్ CP కోతి N: r = 0.23, p < 0.01; బై-స్టేబుల్ CP కోతి N r = 0.21, p = 0.013; గ్రాండ్ CP కోతి S: r = 0.30, p < 10−4; బై-స్టేబుల్ CP కోతి S: r = 0.29, p < 10−3), ఇది PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించబడని కణాల కంటే ఎక్కువ ఎంపిక-సంబంధిత కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది. CP మరియు PI మధ్య గణనీయమైన సహసంబంధం ఉందని మేము కనుగొన్నాము (పటం 7డి; జ్యామితీయ మధ్యమ ప్రతిగమనం; గ్రాండ్ CP కోతి N: r = 0.23, p < 0.01; బై-స్టేబుల్ CP కోతి N r = 0.21, p = 0.013; గ్రాండ్ CP కోతి S: r = 0.30, p < 10−4; బై-స్టేబుల్ CP కోతి S: r = 0.29, p < 10−3), ఇది PDSగా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించబడని కణాల కంటే ఎక్కువ ఎంపిక-సంబంధిత కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది. మీ ఒబ్నరుజిలీ, CHTO CP జానచిటెల్నో కోర్రెలిరుయెట్ s PI (రిస్. 7d; రీగ్రేషియా స్రెడ్నెగో జియోమెట్రిచెస్కో; CBO; = 0,23, p <0,01 бистабильная; обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,30, p <10-4; бистабильный CP обезьяны S: r = 0,29, p < 10-3), что указывает на то, что клетки, классифицированные కాక్ PDS, ప్రాయోజికల్ బోల్‌షూ యాక్టివ్నోస్ట్, స్వయాన్నియు స్ వైబోరోమ్, కెమ్ సిడిఎస్ మరియు నెక్లాస్సిఫికేషన్.క్లేట్ CP మరియు PI మధ్య గణనీయమైన సహసంబంధం ఉందని మేము కనుగొన్నాము (పటం 7డి; జ్యామితీయ మధ్యమ ప్రతిగమనం; గ్రేట్ మంకీ CP N: r = 0.23, p < 0.01; బైస్టేబుల్ మంకీ CP N r = 0.21, p = 0.013; గ్రేట్ మంకీ CP S: r = 0.30, p < 10-4; మంకీ S బైస్టేబుల్ CP: r = 0.29, p < 10-3), ఇది CDS మరియు వర్గీకరించని కణాలతో పోలిస్తే, PDSగా వర్గీకరించబడిన కణాలు ఎంపికతో సంబంధం ఉన్న అధిక క్రియాశీలతను ప్రదర్శించాయని సూచిస్తుంది.我们发现CP 与PI 显着相关（图7d；几何平均回归；大CP 猴N：r = 0.23,p <0.01Ｓ发0.21,p = 0.013；大CP 猴S： r = 0.30,p <10-4；双稳态CP 猴S：r = 0.29,p <10-3），表明丈焱 和未分类的细胞表现出更大的选择相关活性。 CP 与PI 显着相关（图7d；几何平均回归；大CP猴N：r = 0.23,p <0.01 0.21,p3; 0.0 మీ ఒబ్నరుజిలి, CHTO CP బైల్ జనాచితెల్నో స్విజాన్ s PI (రిస్. 7d; ర్యాగింగ్ స్రెడ్నెగో నేపధ్యం = CP:CB; 0,23, p <0,01; бистабильная обезьяна CP N r = 0,21, p = 0,013; большая обезьяна CP S: r = 0,013) 0,30, p <10-4; CP అనేది PI తో గణనీయంగా సంబంధం కలిగి ఉందని మేము కనుగొన్నాము (చిత్రం 7డి; జ్యామితీయ మధ్యమ ప్రతిగమనం; గ్రేట్ మంకీ CP N: r = 0.23, p < 0.01; బైస్టేబుల్ మంకీ CP N r = 0.21, p = 0.013; గ్రేట్ మంకీ CP S: r = 0.013) 0.30, p < 10-4; бистабильный CP ఒబెసిస్ S: r = 0,29, p < 10-3), CHTO указывает на то, что клетки, классифицироканые, пласифицированые బోల్షుయు సెలెక్సియోన్నియు యాక్టివ్నోస్ట్, కెమ్ క్లేట్కి, క్లాసిఫైడ్ క్యాక్ సిడిఎస్ మరియు నెక్లాస్సిఫిషియొవన్నీ. మంకీ S బైస్టేబుల్ CP: r = 0.29, p < 10-3), PDS గా వర్గీకరించబడిన కణాలు CDS మరియు వర్గీకరించబడని కణాల కంటే ఎక్కువ ఎంపిక కార్యాచరణను ప్రదర్శించాయని సూచిస్తుంది.PI మరియు న్యూరాన్ సున్నితత్వం రెండూ CPతో పరస్పర సంబంధం కలిగి ఉన్నందున, ఆ రెండు కొలతల మధ్య ఒక ప్రభావం ఉండే అవకాశానికి దారితీసే సహసంబంధాన్ని తోసిపుచ్చడానికి, మేము బహుళ రిగ్రెషన్ విశ్లేషణలను (PI మరియు న్యూరాన్ సున్నితత్వాన్ని స్వతంత్ర చరరాశులుగా మరియు పెద్ద CPని ఆధారిత చరరాశిగా తీసుకుని) నిర్వహించాము. రెండు పాక్షిక సహసంబంధ గుణకాలు గణనీయమైనవి (కోతి N: థ్రెషోల్డ్ vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; కోతి S: థ్రెషోల్డ్ vs. CP: r = −0.16, p = 0.03, PI vs CP: 0.29, p < 10−3), ఇది CP సున్నితత్వంతో పాటు పెరుగుతుందని మరియు PIతో స్వతంత్ర పద్ధతిలో పెరుగుతుందని సూచిస్తుంది. రెండు పాక్షిక సహసంబంధ గుణకాలు గణనీయమైనవి (కోతి N: థ్రెషోల్డ్ vs. CP: r = −0.13, p = 0.04, PI vs. CP: r = 0.23, p < 0.01; కోతి S: థ్రెషోల్డ్ vs. CP: r = −0.16, p = 0.03, PI vs CP: 0.29, p < 10−3), ఇది CP సున్నితత్వంతో పాటు పెరుగుతుందని మరియు PIతో స్వతంత్ర పద్ధతిలో పెరుగుతుందని సూచిస్తుంది. ఒబా చాస్ట్నియస్ కోఎఫిఫిషియంటా కొర్రెలియాస్ బైలీ జానచిమి (ఒబెసియానా N: పోరోగ్ ప్రోటీవ్ CP: r = -0,13, p = PI 0,04 0,23, p <0,01; = 0,03, PI vs CP: 0,29, p <10-3), предполагая, что CP увеличивается с чувствительностью и независимымо увеличивается с PI. రెండు పాక్షిక సహసంబంధ గుణకాలు గణనీయమైనవి (కోతి N: థ్రెషోల్డ్ vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; కోతి S: థ్రెషోల్డ్ vs. CP: r = -0.16, p = 0.03, PI vs CP: 0.29, p < 10-3), ఇది CP సున్నితత్వంతో పెరుగుతుందని మరియు PIతో స్వతంత్రంగా పెరుగుతుందని సూచిస్తుంది.两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13,p = 0.04,PI 与CP：r = 0.23,p < 0.01;随灵敏度增加而增加，并且以独立方式随PI 增加.两个偏相关系数均显着（猴子N：阈值与CP：r = -0.13,p = 0.04,PI = 0.03,PI vs CP：0,29,p <10-3推 ఒబా చాస్ట్నియస్ కోఎఫిఫిషియంటా కొర్రెలియాస్ బైలీ జానచిమి (ఒబెసియానా N: పోరోగ్ ప్రోటీవ్ CP: r = -0,13, p = PI 0,04 0,23, p <0,01; = 0,03 , PI ప్రోటీవ్ CP: 0,29, p <10-3), что указывает на то, что CP увеличивалась с чувствительностьвилустьвилевил నెజావిసిమిమ్ ఒబ్రాజోమ్. రెండు పాక్షిక సహసంబంధ గుణకాలు గణనీయమైనవి (కోతి N: థ్రెషోల్డ్ vs. CP: r=-0.13, p=0.04, PI vs. CP: r=0.23, p<0.01; కోతి S: థ్రెషోల్డ్ vs. CP: r = -0.16, p = 0.03, PI vs CP: 0.29, p < 10-3), ఇది CP సున్నితత్వంతో పాటు పెరిగిందని మరియు PIతో పాటు స్వతంత్ర పద్ధతిలో పెరిగిందని సూచిస్తుంది.
మేము MT ప్రాంతంలో ఒకే ఒక్క కార్యాచరణను నమోదు చేశాము, మరియు కోతులు పొందికైన లేదా పారదర్శక కదలికలుగా కనిపించే నమూనాల గురించిన తమ అవగాహనను నివేదించాయి. పక్షపాత అవగాహనలకు తోడైన విభజన సంకేతాల పట్ల న్యూరాన్‌ల సున్నితత్వం విస్తృతంగా మారుతుంది మరియు ఇది, కనీసం పాక్షికంగానైనా, యూనిట్ యొక్క ప్రాధాన్య ధోరణికి మరియు ఉద్దీపన కదలిక దిశకు మధ్య ఉన్న సంబంధం ద్వారా నిర్ణయించబడుతుంది. మొత్తం జనాభాలో, న్యూరానల్ సున్నితత్వం సైకోఫిజికల్ సున్నితత్వం కంటే గణనీయంగా తక్కువగా ఉంది, అయినప్పటికీ అత్యంత సున్నితమైన యూనిట్లు విభజన సంకేతాల పట్ల ప్రవర్తనా సున్నితత్వానికి సరిపోయాయి లేదా దానిని మించిపోయాయి. అదనంగా, ఫైరింగ్ ఫ్రీక్వెన్సీకి మరియు అవగాహనకు మధ్య గణనీయమైన సహసంబంధం ఉంది, ఇది విభజనలో MT సిగ్నలింగ్ పాత్ర పోషిస్తుందని సూచిస్తుంది. ప్రాధాన్య ధోరణి కలిగిన కణాలు లాటిస్ విభజన సంకేతాలలోని తేడాల పట్ల తమ సున్నితత్వాన్ని ఆప్టిమైజ్ చేశాయి మరియు బహుళ స్థానిక ధోరణులు కలిగిన ఉద్దీపనలలో మొత్తం కదలికను సంకేతపరచడానికి మొగ్గు చూపాయి, తద్వారా అత్యధిక అవగాహన సహసంబంధాన్ని ప్రదర్శించాయి. ఈ ఫలితాలను మునుపటి పరిశోధనలతో పోల్చడానికి ముందు, ఇక్కడ మేము కొన్ని సంభావ్య సమస్యలను పరిశీలిస్తాము.
జంతు నమూనాలలో ద్విస్థిర ఉద్దీపనలను ఉపయోగించి చేసే పరిశోధనలో ఒక ప్రధాన సమస్య ఏమిటంటే, ప్రవర్తనా ప్రతిస్పందనలు మనం పరిశీలిస్తున్న అంశంపై ఆధారపడి ఉండకపోవచ్చు. ఉదాహరణకు, మన కోతులు జాలక పొందికపై తమ అవగాహనతో సంబంధం లేకుండా, ఆకృతి విన్యాసంపై తమ అవగాహనను నివేదించి ఉండవచ్చు. కానీ డేటాలోని రెండు అంశాలు ఇది నిజం కాదని సూచిస్తున్నాయి. మొదటిది, గత నివేదికలకు అనుగుణంగా, వేరుచేసే శ్రేణి భాగాల సాపేక్ష విన్యాస కోణాన్ని మార్చడం వల్ల పొందికైన అవగాహన యొక్క సంభావ్యత క్రమపద్ధతిలో మారింది. రెండవది, సగటున, ఆకృతి సంకేతాలు ఉన్న లేదా లేని నమూనాలకు ఈ ప్రభావం ఒకే విధంగా ఉంది. ఈ పరిశీలనలన్నీ కలిపి చూస్తే, కోతుల ప్రతిస్పందనలు వాటి అనుసంధానం/పారదర్శకతపై అవగాహనను స్థిరంగా ప్రతిబింబిస్తాయని సూచిస్తున్నాయి.
మరొక సంభావ్య సమస్య ఏమిటంటే, మేము నిర్దిష్ట పరిస్థితికి గ్రేటింగ్ చలన పారామితులను ఆప్టిమైజ్ చేయలేదు. న్యూరోనల్ మరియు సైకోఫిజికల్ సున్నితత్వాన్ని పోల్చే అనేక మునుపటి పనులలో, నమోదు చేయబడిన ప్రతి యూనిట్ కోసం ఉద్దీపనలు వ్యక్తిగతంగా ఎంపిక చేయబడ్డాయి [31, 32, 34, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45]. ఇక్కడ మేము ప్రతి కణం యొక్క ధోరణి సర్దుబాటుతో సంబంధం లేకుండా లాటిస్ నమూనా యొక్క కదలిక యొక్క అదే రెండు దిశలను ఉపయోగించాము. ఈ రూపకల్పన లాటిస్ కదలిక మరియు ప్రాధాన్య ధోరణి మధ్య అతివ్యాప్తితో సున్నితత్వం ఎలా మారుతుందో అధ్యయనం చేయడానికి మాకు వీలు కల్పించింది, అయితే, కణాలు పొందికైన లేదా పారదర్శక లాటిస్‌లను ఇష్టపడతాయో లేదో నిర్ణయించడానికి ఇది ప్రాథమిక ఆధారాన్ని అందించలేదు. అందువల్ల, మేము ప్రతి కణం యొక్క ప్రతిస్పందనను ఉపయోగించి, మెష్ కదలిక యొక్క ప్రతి వర్గానికి ప్రాధాన్యత మరియు సున్నా లేబుల్‌లను కేటాయించడానికి అనుభావిక ప్రమాణాలపై ఆధారపడతాము. అసంభవం అయినప్పటికీ, ఇది మా సున్నితత్వ విశ్లేషణ మరియు CP సిగ్నల్ గుర్తింపు ఫలితాలను క్రమపద్ధతిలో వక్రీకరించవచ్చు, ఏదైనా కొలతను అతిగా అంచనా వేయవచ్చు. అయితే, క్రింద చర్చించిన విశ్లేషణ మరియు డేటా యొక్క అనేక అంశాలు ఇది అలా కాదని సూచిస్తున్నాయి.
మొదటగా, ఎక్కువ (తక్కువ) క్రియాశీలతను ప్రేరేపించిన ఉద్దీపనలకు ప్రాధాన్యత గల (శూన్య) పేర్లను కేటాయించడం ఈ ప్రతిస్పందన పంపిణీల విచక్షణను ప్రభావితం చేయలేదు. దానికి బదులుగా, ఇది న్యూరోమెట్రిక్ మరియు సైకోమెట్రిక్ ఫంక్షన్‌లు ఒకే సంకేతాన్ని కలిగి ఉండేలా మాత్రమే నిర్ధారిస్తుంది, తద్వారా వాటిని నేరుగా పోల్చవచ్చు. రెండవది, CPని లెక్కించడానికి ఉపయోగించిన ప్రతిస్పందనలు (టెక్చర్ ఉన్న గ్రేటింగ్‌ల కోసం "తప్పు" ట్రయల్స్ మరియు టెక్చర్ కాంట్రాస్ట్ లేని గ్రేటింగ్‌ల కోసం అన్ని ట్రయల్స్) ప్రతి కణం అనుసంధానించబడిన లేదా పారదర్శక క్రీడలకు "ప్రాధాన్యత" ఇస్తుందో లేదో నిర్ధారించే రిగ్రెషన్ విశ్లేషణలో చేర్చబడలేదు. ఇది ఎంపిక ప్రభావాలు ప్రాధాన్యత గల/చెల్లని హోదాల వైపు పక్షపాతం చూపకుండా ఉండేలా నిర్ధారిస్తుంది, ఫలితంగా గణనీయమైన ఎంపిక సంభావ్యత ఏర్పడుతుంది.
చలన దిశ యొక్క సుమారు అంచనాలో MT పాత్రను నిర్ధారించిన మొదటి అధ్యయనాలు న్యూసమ్ మరియు అతని సహచరులవి [36, 39, 46, 47]. తదుపరి నివేదికలు లోతు34,44,48,49,50,51 మరియు వేగం32,52, సూక్ష్మ దిశానిర్దేశం33 మరియు కదలిక నుండి 3D నిర్మాణం యొక్క అవగాహన31,53,54 (3D సుస్థిర అడవులు) లలో MT భాగస్వామ్యంపై డేటాను సేకరించాయి. మేము ఈ ఫలితాలను రెండు ముఖ్యమైన మార్గాల్లో విస్తరిస్తాము. మొదటిది, విజుమోటర్ సిగ్నల్స్ యొక్క అవగాహన విభజనకు MT ప్రతిస్పందనలు దోహదపడతాయని మేము రుజువును అందిస్తాము. రెండవది, MT మోడ్ దిశానిర్దేశ ఎంపిక మరియు ఈ ఎంపిక సిగ్నల్ మధ్య సంబంధాన్ని మేము గమనించాము.
భావనాత్మకంగా, ప్రస్తుత ఫలితాలు 3-D SFM పై చేసిన పనిని చాలా పోలి ఉంటాయి, ఎందుకంటే రెండూ చలనం మరియు లోతు క్రమాన్ని కలిగి ఉన్న సంక్లిష్టమైన ద్విస్థిర గ్రహణశక్తి. డాడ్ మరియు ఇతరులు31 ఒక ద్విస్థిర 3D SFM సిలిండర్ యొక్క భ్రమణ ధోరణిని నివేదించే కోతి టాస్క్‌లో అధిక ఎంపిక సంభావ్యతను (0.67) కనుగొన్నారు. మేము ద్విస్థిర గ్రిడ్ ఉద్దీపనల కోసం చాలా తక్కువ ఎంపిక ప్రభావాన్ని కనుగొన్నాము (రెండు కోతులకు సుమారు 0.55). CP యొక్క అంచనా ఎంపిక గుణకంపై ఆధారపడి ఉంటుంది కాబట్టి, విభిన్న టాస్క్‌లలో విభిన్న పరిస్థితులలో పొందిన CPని వివరించడం కష్టం. అయినప్పటికీ, మేము గమనించిన ఎంపిక ప్రభావం యొక్క పరిమాణం సున్నా మరియు తక్కువ టెక్స్చర్ కాంట్రాస్ట్ గ్రేటింగ్‌లకు, అలాగే శక్తిని పెంచడానికి తక్కువ/టెక్స్చర్ కాంట్రాస్ట్ లేని ఉద్దీపనలను కలిపినప్పుడు కూడా ఒకే విధంగా ఉంది. అందువల్ల, CPలోని ఈ వ్యత్యాసం డేటాసెట్‌ల మధ్య ఎంపిక రేట్లలోని తేడాల వల్ల అయ్యే అవకాశం లేదు.
3-D SFM ఉద్దీపన మరియు బైస్టేబుల్ గ్రిడ్ నిర్మాణాల ద్వారా ప్రేరేపించబడిన తీవ్రమైన మరియు గుణాత్మకంగా విభిన్నమైన గ్రహణ స్థితులతో పోలిస్తే, తరువాతి సందర్భంలో గ్రహణశక్తితో పాటుగా వచ్చే MT ఫైరింగ్ రేటులోని స్వల్ప మార్పులు గందరగోళంగా అనిపిస్తాయి. ఒక అవకాశం ఏమిటంటే, ఉద్దీపన యొక్క మొత్తం వ్యవధిలో ఫైరింగ్ రేటును లెక్కించడం ద్వారా మనం ఎంపిక ప్రభావాన్ని తక్కువగా అంచనా వేసి ఉండవచ్చు. 31 3-D SFM విషయంలో, ట్రయల్స్‌లో సుమారు 250 ms వద్ద MT యాక్టివిటీలో తేడాలు ఏర్పడి, ఆపై ట్రయల్స్ అంతటా క్రమంగా పెరిగాయి. దీనికి విరుద్ధంగా, సెలక్షన్ సిగ్నల్స్ యొక్క టెంపోరల్ డైనమిక్స్‌పై మా విశ్లేషణలో (రెండు కోతులలోనూ స్టిములస్ ప్రారంభమైన 500 ms తర్వాత చూడండి), ఈ తేడాలు కనిపించాయి. అదనంగా, ఈ కాలంలో ఆకస్మిక పెరుగుదల తర్వాత, ట్రయల్ మిగిలిన భాగంలో CPలో హెచ్చుతగ్గులను మేము గమనించాము. సుదీర్ఘ ట్రయల్స్ సమయంలో బైస్టేబుల్ దీర్ఘచతురస్రాకార శ్రేణులపై మానవ అవగాహన తరచుగా మారుతుందని హ్యూప్ మరియు రూబిన్55 నివేదించారు. మా స్టిములస్‌లను కేవలం 1.5 సెకన్ల పాటు మాత్రమే ప్రదర్శించినప్పటికీ, మా కోతుల అవగాహన కూడా ట్రయల్ సమయంలో కోహెరెన్స్ నుండి ట్రాన్స్‌పరెన్సీకి మారవచ్చు (వాటి ప్రతిస్పందనలు క్యూ సెలక్షన్ వద్ద వాటి తుది అవగాహనను ప్రతిబింబించాయి). అందువల్ల, మా టాస్క్ యొక్క రియాక్షన్ టైమ్ వెర్షన్, లేదా కోతులు తమ అవగాహనను నిరంతరం నివేదించగల ప్లాన్, పెద్ద సెలక్షన్ ప్రభావాన్ని కలిగి ఉంటుందని భావిస్తున్నారు. చివరి అవకాశం ఏమిటంటే, రెండు టాస్క్‌లలో MT సిగ్నల్ భిన్నంగా చదవబడుతుంది. CPU సిగ్నల్స్ సెన్సరీ డీకోడింగ్ మరియు కోరిలేటెడ్ నాయిస్56 నుండి వస్తాయని చాలా కాలంగా భావించినప్పటికీ, గూ మరియు సహచరులు57 కంప్యూటేషనల్ మోడల్స్‌లో, విభిన్న పూలింగ్ వ్యూహాలు, పరస్పర సంబంధిత వైవిధ్య స్థాయిల కంటే, డోర్సల్ మీడియా-సుపీరియర్ టెంపోరల్ న్యూరాన్‌లలో CPUని బాగా వివరించగలవు. షీట్ చేంజ్ ఓరియంటేషన్ రికగ్నిషన్ టాస్క్ (MSTd). MTలో మనం గమనించిన చిన్న ఎంపిక ప్రభావం బహుశా పొందిక లేదా పారదర్శకత యొక్క అవగాహనలను సృష్టించడానికి అనేక తక్కువ-సమాచార న్యూరాన్‌ల విస్తృతమైన సమూహాన్ని ప్రతిబింబిస్తుంది. స్థానిక చలన సంకేతాలను ఒకటి లేదా రెండు వస్తువులుగా (బైస్టేబుల్ గ్రేటింగ్స్) లేదా సాధారణ వస్తువుల వేర్వేరు ఉపరితలాలుగా (3-D SFM) సమూహపరచాల్సిన ఏ సందర్భంలోనైనా, MT ప్రతిస్పందనలు గ్రహణ తీర్పులతో గణనీయంగా సంబంధం కలిగి ఉన్నాయని స్వతంత్ర సాక్ష్యం ఉంది, బలమైన MT ప్రతిస్పందనలు ఉన్నాయి. దృశ్య చలన సమాచారాన్ని ఉపయోగించి సంక్లిష్ట చిత్రాలను బహుళ-వస్తువుల దృశ్యాలుగా విభజించడంలో ఇది పాత్ర పోషిస్తుందని ప్రతిపాదించబడింది.
పైన పేర్కొన్నట్లుగా, MT నమూనా సెల్యులార్ కార్యకలాపానికి మరియు అవగాహనకు మధ్య ఉన్న సంబంధాన్ని నివేదించిన మొదటి వ్యక్తులం మేమే. మోవ్‌షోన్ మరియు సహచరులు రూపొందించిన అసలు రెండు-దశల నమూనాలో, మోడ్ యూనిట్ అనేది MT యొక్క అవుట్‌పుట్ దశ. అయితే, ఇటీవలి పరిశోధనలో మోడ్ మరియు కాంపోనెంట్ కణాలు ఒక అవిచ్ఛిన్నత యొక్క విభిన్న చివరలను సూచిస్తాయని మరియు గ్రాహక క్షేత్రం యొక్క నిర్మాణంలోని పారామెట్రిక్ వ్యత్యాసాలు మోడ్ కాంపోనెంట్‌ల ట్యూనింగ్ స్పెక్ట్రమ్‌కు కారణమని తేలింది. అందువల్ల, డెప్త్ రికగ్నిషన్ టాస్క్‌లో బైనాక్యులర్ మిస్‌మ్యాచ్ అడ్జస్ట్‌మెంట్ సిమెట్రీకి మరియు CPకి మధ్య ఉన్న సంబంధం లేదా ఫైన్ ఓరియంటేషన్ డిస్క్రిమినేషన్ టాస్క్‌లో ఓరియంటేషన్ సెట్టింగ్ కాన్ఫిగరేషన్‌కు మధ్య ఉన్న సంబంధం మాదిరిగానే, మేము CP మరియు PI మధ్య ఒక ముఖ్యమైన సహసంబంధాన్ని కనుగొన్నాము. డాక్యుమెంట్‌లు మరియు CP 33 మధ్య సంబంధాలు. వాంగ్ మరియు మోవ్‌షోన్62 MT ఓరియంటేషన్ సెలెక్టివిటీ ఉన్న పెద్ద సంఖ్యలో కణాలను విశ్లేషించి, సగటున, మోడ్ ఇండెక్స్ అనేక ట్యూనింగ్ లక్షణాలతో సంబంధం కలిగి ఉందని కనుగొన్నారు, ఇది MT పాపులేషన్ నుండి చదవగలిగే అనేక ఇతర రకాల సిగ్నల్‌లలో మోడ్ సెలెక్టివిటీ ఉందని సూచిస్తుంది. అందువల్ల, MT కార్యకలాపానికి మరియు ఆత్మాశ్రయ అవగాహనకు మధ్య ఉన్న సంబంధంపై భవిష్యత్ అధ్యయనాల కోసం, నమూనా సూచిక ఇతర కార్యం మరియు ఉద్దీపన ఎంపిక సంకేతాలతో అదే విధంగా పరస్పర సంబంధం కలిగి ఉందా, లేదా ఈ సంబంధం అవగాహన విభజన సందర్భానికి మాత్రమే ప్రత్యేకమైనదా అని నిర్ధారించడం ముఖ్యం.
అదేవిధంగా, నీన్‌బోర్గ్ మరియు కమింగ్ 42 కనుగొన్నదేమిటంటే, V2లో బైనాక్యులర్ మిస్‌మ్యాచ్ కోసం ఎంపిక చేసుకున్న దగ్గరి మరియు దూరపు కణాలు డెప్త్ డిస్క్రిమినేషన్ టాస్క్‌లో సమానంగా సున్నితంగా ఉన్నప్పటికీ, దగ్గరిని ఇష్టపడే కణాల సమూహం మాత్రమే గణనీయమైన CPని ప్రదర్శించింది. అయితే, దూరపు వ్యత్యాసాలకు ప్రాధాన్యతనిచ్చేలా కోతులకు తిరిగి శిక్షణ ఇవ్వడం వలన, అవి ఎక్కువగా ఇష్టపడే బోనులలో గణనీయమైన CPలు ఏర్పడ్డాయి. ఇతర అధ్యయనాలు కూడా శిక్షణ చరిత్ర అనేది పర్సెప్చువల్ కోరిలేషన్స్34,40,63 మీద లేదా MT యాక్టివిటీ మరియు డిఫరెన్షియల్ డిస్క్రిమినేషన్48 మధ్య ఒక కారణ సంబంధం మీద ఆధారపడి ఉంటుందని నివేదించాయి. CP మరియు రెజిమెన్ డైరెక్షన్ సెలెక్టివిటీ మధ్య మేము గమనించిన సంబంధం, మా సమస్యను పరిష్కరించడానికి కోతులు ఉపయోగించిన నిర్దిష్ట వ్యూహాన్ని ప్రతిబింబించే అవకాశం ఉంది, అంతేగానీ విజువల్-మోటార్ పర్సెప్షన్‌లో మోడ్ సెలెక్షన్ సిగ్నల్స్ యొక్క నిర్దిష్ట పాత్రను కాదు. భవిష్యత్ పనిలో, సెగ్మెంటేషన్ తీర్పులు చేయడానికి ఏ MT సిగ్నల్స్‌కు ప్రాధాన్యతనివ్వాలి మరియు సరళంగా ప్రాధాన్యతనివ్వాలి అనే దానిని నిర్ణయించడంలో లెర్నింగ్ హిస్టరీ గణనీయమైన ప్రభావాన్ని చూపుతుందో లేదో నిర్ధారించడం ముఖ్యం.
అతివ్యాప్తి చెందుతున్న గ్రిడ్ ప్రాంతాల ప్రకాశాన్ని మార్చడం వల్ల మానవ పరిశీలకుల నివేదికల పొందిక, పారదర్శకత మరియు మకాక్ MT న్యూరాన్‌లలోని దిశాత్మక సర్దుబాట్లు ఊహించదగిన విధంగా ప్రభావితమవుతాయని స్టోనర్ మరియు అతని సహచరులు¹⁴,²³ మొదటిసారిగా నివేదించారు. అతివ్యాప్తి చెందుతున్న ప్రాంతాల ప్రకాశం భౌతికంగా పారదర్శకతతో సరిపోలినప్పుడు, పరిశీలకులు మరింత పారదర్శకమైన అవగాహనను నివేదించారని, అదే సమయంలో MT న్యూరాన్‌లు రాస్టర్ భాగాల కదలికను సూచించాయని రచయితలు కనుగొన్నారు. దీనికి విరుద్ధంగా, అతివ్యాప్తి చెందుతున్న ప్రకాశం మరియు పారదర్శక అతివ్యాప్తి భౌతికంగా సరిపోలనప్పుడు, పరిశీలకుడు పొందికైన కదలికను గ్రహిస్తాడు, మరియు MT న్యూరాన్‌లు నమూనా యొక్క మొత్తం కదలికను సూచిస్తాయి. అందువల్ల, విభజన నివేదికలను విశ్వసనీయంగా ప్రభావితం చేసే దృశ్య ఉద్దీపనలలోని భౌతిక మార్పులు, MT ఉత్తేజంలో కూడా ఊహించదగిన మార్పులను ప్రేరేపిస్తాయని ఈ అధ్యయనాలు చూపిస్తున్నాయి. ఈ రంగంలో ఇటీవలి పరిశోధనలు సంక్లిష్ట ఉద్దీపనల యొక్క అవగాహన స్వరూపాన్ని ఏ MT సంకేతాలు ట్రాక్ చేస్తాయో అన్వేషించాయి¹⁸,²⁴,⁶⁴. ఉదాహరణకు, MT న్యూరాన్‌ల యొక్క ఒక ఉపసమితి, ఏకదిశాత్మక RDK కంటే తక్కువ దూరంలో ఉన్న రెండు దిశలతో కూడిన రాండమ్ పాయింట్ మోషన్ మ్యాప్ (RDK)కు ద్విరూప ట్యూనింగ్‌ను ప్రదర్శిస్తుందని చూపబడింది. సెల్యులార్ ట్యూనింగ్ యొక్క బ్యాండ్‌విడ్త్ 19, 25. చాలా MT న్యూరాన్‌లు ఈ ఉద్దీపనలకు ప్రతిస్పందనగా ఏకరీతి అనుసరణలను ప్రదర్శించినప్పటికీ, మరియు అన్ని MT కణాల సాధారణ సగటు ఏకరీతి జనాభా ప్రతిస్పందనను ఇచ్చినప్పటికీ, పరిశీలకులు ఎల్లప్పుడూ మొదటి నమూనాను పారదర్శక కదలికగా చూస్తారు. అందువల్ల, ద్విరీతి ట్యూనింగ్‌ను ప్రదర్శించే కణాల ఉపసమితి ఈ అవగాహనకు నాడీ ఆధారాన్ని ఏర్పరచవచ్చు. ఆసక్తికరంగా, మార్మోసెట్‌లలో, సాంప్రదాయ గ్రిడ్ మరియు గ్రిడ్ ఉద్దీపనలను ఉపయోగించి పరీక్షించినప్పుడు ఈ జనాభా PDS కణాలతో సరిపోలింది.
మా ఫలితాలు పైన పేర్కొన్న వాటి కంటే ఒక అడుగు ముందుకు వెళ్తాయి, ఇవి అవగాహన విభజనలో MT పాత్రను స్థాపించడానికి కీలకమైనవి. వాస్తవానికి, విభజన అనేది ఒక ఆత్మాశ్రయ దృగ్విషయం. అనేక బహుళస్థిర దృశ్య ప్రదర్శనలు, దృశ్య వ్యవస్థ నిరంతర ఉద్దీపనలను ఒకటి కంటే ఎక్కువ మార్గాల్లో నిర్వహించడానికి మరియు వ్యాఖ్యానించడానికి గల సామర్థ్యాన్ని వివరిస్తాయి. మా అధ్యయనంలో నాడీ ప్రతిస్పందనలు మరియు అవగాహన నివేదికలను ఏకకాలంలో సేకరించడం ద్వారా, MT ఫైరింగ్ రేటు మరియు స్థిరమైన ఉద్దీపన యొక్క అవగాహన వ్యాఖ్యానాల మధ్య సహసంబంధాన్ని అన్వేషించడానికి మాకు వీలు కలిగింది. ఈ సంబంధాన్ని ప్రదర్శించినప్పటికీ, కారణత్వ దిశ ఇంకా స్థాపించబడలేదని మేము అంగీకరిస్తున్నాము, అంటే, మేము గమనించిన అవగాహన విభజన సంకేతం, కొందరు వాదించినట్లుగా [65, 66, 67], స్వయంచాలకమైనదా కాదా అని నిర్ధారించడానికి మరిన్ని ప్రయోగాలు అవసరం. ఈ ప్రక్రియ మళ్ళీ ఉన్నత ప్రాంతాల నుండి ఇంద్రియ కార్టెక్స్‌కు తిరిగి వచ్చే అవరోహణ సంకేతాలను సూచిస్తుంది 68, 69, 70 (Fig. 8). MT యొక్క ప్రధాన కార్టికల్ లక్ష్యాలలో ఒకటైన MSTd71లో నమూనా-ఎంపిక కణాల నిష్పత్తి ఎక్కువగా ఉన్నట్లు వచ్చిన నివేదికలు, MT మరియు MSTdల ఏకకాల రికార్డింగ్‌లను చేర్చడానికి ఈ ప్రయోగాలను విస్తరించడం అనేది అవగాహన యొక్క నాడీ యంత్రాంగాలను మరింతగా అర్థం చేసుకోవడానికి ఒక మంచి మొదటి అడుగు అవుతుందని సూచిస్తున్నాయి. విభజన.
మెషిన్ ట్రాన్స్‌లేషన్‌లో కాంపోనెంట్ మరియు మోడ్ ఓరియంటేషన్ సెలెక్టివిటీ యొక్క రెండు-దశల నమూనా మరియు ఎంపిక-సంబంధిత కార్యాచరణపై టాప్-డౌన్ ఫీడ్‌బ్యాక్ యొక్క సంభావ్య ప్రభావం. ఇక్కడ, MT దశలో మోడ్ డైరెక్షన్ సెలెక్టివిటీ (PDS – “P”) అనేది (i) నిర్దిష్ట మోడ్ వేగాలకు అనుగుణంగా ఉండే దిశను ఎంచుకునే ఇన్‌పుట్ డేటా యొక్క పెద్ద నమూనా, మరియు (ii) బలమైన ట్యూనింగ్ సప్రెషన్ ద్వారా సృష్టించబడుతుంది. MT (“C”) దశ యొక్క దిశను ఎంచుకునే (CDS) కాంపోనెంట్ ఇన్‌పుట్ దిశలో ఇరుకైన శాంప్లింగ్ పరిధిని కలిగి ఉంటుంది మరియు ఎక్కువ ట్యూనింగ్ సప్రెషన్‌ను కలిగి ఉండదు. అన్‌ట్యూన్డ్ ఇన్హిబిషన్ రెండు పాపులేషన్‌లపై నియంత్రణను ఇస్తుంది. రంగు బాణాలు ప్రాధాన్య పరికర ఓరియంటేషన్‌ను సూచిస్తాయి. స్పష్టత కోసం, V1-MT కనెక్షన్‌ల యొక్క ఉపసమితి మరియు ఒక కాంపోనెంట్ మోడ్ మరియు ఓరియంటేషన్ సెలెక్షన్ బాక్స్ మాత్రమే చూపబడ్డాయి. మా ఫీడ్-ఫార్వర్డ్ (FF) ఫలితాలను వివరించే సందర్భంలో, PDS సెల్స్‌లోని విస్తృత ఇన్‌పుట్ సెట్టింగ్ మరియు బలమైన ట్యూనింగ్ ఇన్హిబిషన్ (ఎరుపు రంగులో హైలైట్ చేయబడింది) బహుళ కదలిక నమూనాలకు ప్రతిస్పందనగా కార్యాచరణలో పెద్ద తేడాలను ప్రేరేపించాయి. మా సెగ్మెంటేషన్ సమస్యలో, ఈ సమూహం నిర్ణయ గొలుసులను నడిపిస్తుంది మరియు అవగాహనను వక్రీకరిస్తుంది. దీనికి విరుద్ధంగా, ఫీడ్‌బ్యాక్ (FB) విషయంలో, ఇంద్రియ డేటా మరియు అభిజ్ఞా పక్షపాతాల ద్వారా అప్‌స్ట్రీమ్ సర్క్యూట్‌లలో గ్రహణ నిర్ణయాలు ఉత్పత్తి చేయబడతాయి, మరియు PDS కణాలపై (మందపాటి గీతలు) డౌన్‌స్ట్రీమ్ FB యొక్క అధిక ప్రభావం ఎంపిక సంకేతాలను ఉత్పత్తి చేస్తుంది. బి. CDS మరియు PDS పరికరాల ప్రత్యామ్నాయ నమూనాల పథచిత్ర ప్రాతినిధ్యం. ఇక్కడ MTలోని PDS సంకేతాలు V1 యొక్క ప్రత్యక్ష ఇన్‌పుట్ ద్వారా మాత్రమే కాకుండా, V1-V2-MT మార్గం యొక్క పరోక్ష ఇన్‌పుట్ ద్వారా కూడా ఉత్పత్తి చేయబడతాయి. టెక్స్చర్ సరిహద్దులకు (గ్రిడ్ అతివ్యాప్తి చెందుతున్న ప్రాంతాలు) ఎంపికను ఇవ్వడానికి మోడల్ యొక్క పరోక్ష మార్గాలు సర్దుబాటు చేయబడతాయి. MT లేయర్ CDS మాడ్యూల్ ప్రత్యక్ష మరియు పరోక్ష ఇన్‌పుట్‌ల యొక్క భారిత మొత్తాన్ని నిర్వహిస్తుంది మరియు అవుట్‌పుట్‌ను PDS మాడ్యూల్‌కు పంపుతుంది. PDS పోటీ నిరోధం ద్వారా నియంత్రించబడుతుంది. మళ్ళీ, మోడల్ యొక్క ప్రాథమిక నిర్మాణాన్ని గీయడానికి అవసరమైన కనెక్షన్‌లు మాత్రమే చూపబడ్డాయి. ఇక్కడ, 'ఎ'లో ప్రతిపాదించిన దానికంటే భిన్నమైన FF యంత్రాంగం PDSకి సెల్యులార్ లాటిస్ ప్రతిస్పందనలో అధిక వైవిధ్యానికి దారితీయవచ్చు, ఇది మళ్ళీ నిర్ణయ నమూనాలలో పక్షపాతాలకు దారితీస్తుంది. ప్రత్యామ్నాయంగా, PDS కణాలలో అధిక CP అనేది PDS కణాలకు FB అటాచ్‌మెంట్ యొక్క బలం లేదా సామర్థ్యంలోని పక్షపాతం ఫలితంగా కూడా ఉండవచ్చు. ఈ సాక్ష్యం రెండు మరియు మూడు-దశల MT PDS నమూనాలకు మరియు CP FF మరియు FB వివరణలకు మద్దతు ఇస్తుంది.
4.5 నుండి 9.0 కిలోల బరువున్న రెండు వయోజన మకాక్‌లను (మకాకా ములాట్టా), ఒక మగ మరియు ఒక ఆడ (వరుసగా 7 మరియు 5 సంవత్సరాల వయస్సు గలవి), అధ్యయన వస్తువులుగా ఉపయోగించారు. అన్ని క్రిమిరహిత శస్త్రచికిత్స ప్రయోగాలకు ముందు, జంతువులలో MT ప్రాంతానికి దగ్గరగా ఉండే నిలువు ఎలక్ట్రోడ్‌ల కోసం ప్రత్యేకంగా తయారు చేసిన రికార్డింగ్ ఛాంబర్, ఒక స్టెయిన్‌లెస్ స్టీల్ హెడ్‌రెస్ట్ స్టాండ్ (క్రిస్ట్ ఇన్‌స్ట్రుమెంట్స్, హేగర్‌స్టౌన్, MD), మరియు కొలవబడిన స్క్లెరల్ సెర్చ్ కాయిల్‌తో (కూనర్ వైర్, శాన్ డియాగో, కాలిఫోర్నియా) కంటి స్థానాన్ని అమర్చారు. అన్ని ప్రోటోకాల్‌లు యునైటెడ్ స్టేట్స్ డిపార్ట్‌మెంట్ ఆఫ్ అగ్రికల్చర్ (USDA) నిబంధనలు మరియు ప్రయోగశాల జంతువుల మానవతా సంరక్షణ మరియు వినియోగం కోసం నేషనల్ ఇన్‌స్టిట్యూట్స్ ఆఫ్ హెల్త్ (NIH) మార్గదర్శకాలకు అనుగుణంగా ఉన్నాయి మరియు యూనివర్సిటీ ఆఫ్ చికాగో ఇన్‌స్టిట్యూషనల్ యానిమల్ కేర్ అండ్ యూజ్ కమిటీ (IAUKC)చే ఆమోదించబడ్డాయి.
అన్ని దృశ్య ఉద్దీపనలు నలుపు లేదా బూడిద రంగు నేపథ్యానికి వ్యతిరేకంగా ఒక గుండ్రని రంధ్రంలో ప్రదర్శించబడ్డాయి. రికార్డింగ్ సమయంలో, ఎలక్ట్రోడ్ కొన వద్ద ఉన్న న్యూరాన్‌ల సాంప్రదాయ గ్రాహక క్షేత్రానికి అనుగుణంగా ఈ రంధ్రం యొక్క స్థానం మరియు వ్యాసం సర్దుబాటు చేయబడ్డాయి. మేము రెండు విస్తృత వర్గాల దృశ్య ఉద్దీపనలను ఉపయోగించాము: సైకోమెట్రిక్ ఉద్దీపనలు మరియు ట్యూనింగ్ ఉద్దీపనలు.
సైకోమెట్రిక్ స్టిమ్యులస్ అనేది ఒక గ్రేటింగ్ నమూనా (20 cd/m2, 50% కాంట్రాస్ట్, 50% డ్యూటీ సైకిల్, 5 డిగ్రీలు/సెకను), ఇది వాటి దిశకు లంబంగా కదులుతున్న రెండు దీర్ఘచతురస్రాకార గ్రేటింగ్‌లను ఒకదానిపై ఒకటి అమర్చడం ద్వారా సృష్టించబడింది (పటం 1బి). మానవ పరిశీలకులు ఈ గ్రిడ్ నమూనాలను బైస్టేబుల్ స్టిమ్యులస్‌లుగా గ్రహిస్తారని గతంలో చూపబడింది, కొన్నిసార్లు ఒకే దిశలో కదులుతున్న ఒకే నమూనాగా (సమగ్ర చలనం) మరియు కొన్నిసార్లు వేర్వేరు దిశలలో కదులుతున్న రెండు వేర్వేరు ఉపరితలాలుగా (పారదర్శక చలనం) గ్రహిస్తారు. లాటిస్ నమూనా యొక్క భాగాలు, సౌష్టవంగా అమర్చబడి ఉంటాయి – లాటిస్‌ల మధ్య కోణం 95° నుండి 130° వరకు ఉంటుంది (ఈ సమితి నుండి తీసుకోబడింది: 95°, 100°, 105°, 115°, 120°, 125°, 130° °, సెషన్ అంతటా 115° వద్ద ఐసోలేషన్ యాంగిల్ న్యూరాన్‌లు భద్రపరచబడలేదు, కానీ మేము ఇక్కడ సైకోఫిజికల్ డేటాను చేర్చాము) – సుమారుగా 90° లేదా 270° (నమూనా ధోరణి). ప్రతి సెషన్‌లో, ఇంటర్‌లాటిస్ లాటిస్ యొక్క ఒక మూలను మాత్రమే ఉపయోగించారు; ప్రతి సెషన్‌లో, ప్రతి ట్రయల్ కోసం నమూనా యొక్క దిశను రెండు అవకాశాల నుండి యాదృచ్ఛికంగా ఎంచుకున్నారు.
గ్రిడ్ యొక్క అవగాహనను స్పష్టం చేయడానికి మరియు చర్యకు ప్రతిఫలం కోసం ఒక అనుభావిక ఆధారాన్ని అందించడానికి, మేము ప్రతి గ్రిడ్ భాగం యొక్క లైట్ బార్ స్టెప్ 72 లో యాదృచ్ఛిక పాయింట్ టెక్స్చర్‌లను ప్రవేశపెడతాము. యాదృచ్ఛికంగా ఎంచుకున్న పిక్సెల్‌ల ఉపసమితి యొక్క ప్రకాశాన్ని (ఒక స్థిరమైన మొత్తంలో) పెంచడం లేదా తగ్గించడం ద్వారా ఇది సాధించబడుతుంది (Fig. 1c). టెక్స్చర్ కదలిక యొక్క దిశ ఒక బలమైన సంకేతాన్ని ఇస్తుంది, ఇది పరిశీలకుని అవగాహనను పొందికైన లేదా పారదర్శక కదలిక వైపు మారుస్తుంది (Fig. 1c). పొందికైన పరిస్థితులలో, టెక్స్చర్ లాటిస్ యొక్క ఏ భాగాన్ని కవర్ చేసినప్పటికీ, అన్ని టెక్స్చర్‌లు నమూనా యొక్క దిశలో అనువదించబడతాయి (Fig. 1c, పొందికైన). పారదర్శక స్థితిలో, టెక్స్చర్ అది కవర్ చేసే గ్రేటింగ్ యొక్క దిశకు లంబంగా కదులుతుంది (Fig. 1c, పారదర్శక) (సప్లిమెంటరీ మూవీ 1). పని యొక్క సంక్లిష్టతను నియంత్రించడానికి, చాలా సెషన్‌లలో ఈ టెక్స్చర్ మార్క్ కోసం మైకెల్సన్ కాంట్రాస్ట్ (Lmax-Lmin/Lmax+Lmin) (-80, -40, -20, -10, -5, 0, 5) సమితి నుండి మార్చబడింది. 10, 20, 40, 80). కాంట్రాస్ట్ అనేది ఒక రాస్టర్ యొక్క సాపేక్ష ప్రకాశంగా నిర్వచించబడింది (కాబట్టి 80% కాంట్రాస్ట్ విలువ 36 లేదా 6 cd/m2 యొక్క టెక్స్చర్‌కు దారితీస్తుంది). కోతి Nలో 6 సెషన్‌లకు మరియు కోతి Sలో 5 సెషన్‌లకు, మేము ఇరుకైన టెక్స్చరల్ కాంట్రాస్ట్ పరిధులను (-30, -20, -15, -10, -5, 0, 5, 10, 15, 20, 30) ఉపయోగించాము, ఇక్కడ సైకోఫిజికల్ లక్షణాలు పూర్తి-శ్రేణి కాంట్రాస్ట్ వలె అదే నమూనాను అనుసరిస్తాయి, కానీ సంతృప్తత లేకుండా.
ట్యూనింగ్ స్టిమ్యులీ అనేవి 16 సమాన దూర దిశలలో ఒకదానిలో కదిలే సైనుసోయిడల్ గ్రిడ్లు (కాంట్రాస్ట్ 50%, 1 సైకిల్/డిగ్రీ, 5 డిగ్రీలు/సెకను), లేదా ప్యాటర్న్ యొక్క అదే దిశలో ఈ దిశలలో కదిలే సైనుసోయిడల్ గ్రిడ్లు (ఒకదానిపై ఒకటి అతికించబడిన రెండు వ్యతిరేక 135° కోణాల సైనుసోయిడల్ గ్రేటింగ్‌లను కలిగి ఉంటాయి).