Neuronal Population Codes and the Perception of Object Distance in Weakly Electric Fish
Notice bibliographique
Résumé
Weakly electric fish use an electric sense to navigate and capture prey in the dark. Objects in the surroundings of the fish produce distortions in their self-generated electric field; these distortions form a two-dimensional Gaussian-like electric image on the skin surface. To determine the distance of an object, the peak amplitude and width of its electric image must be estimated. These sensory features are encoded by a neuronal population in the early stages of the electrosensory pathway, but are not represented with classic bell-shaped neuronal tuning curves. In contrast, bell-shaped tuning curves do characterize the neuronal responses to the location of the electric image on the body surface, such that parallel two-dimensional maps of this feature are formed. In the case of such two-dimensional maps, theoretical results suggest that the width of neural tuning should have no effect on the accuracy of a population code. Here we show that although the spatial scale of the electrosensory maps does not affect the accuracy of encoding the body surface location of the electric image, maps with narrower tuning are better for estimating image width and those with wider tuning are better for estimating image amplitude. We quantitatively evaluate a two-step algorithm for distance perception involving the sequential estimation of peak amplitude and width of the electric image. This algorithm is best implemented by two neural maps with different tuning widths. These results suggest that multiple maps of sensory features may be specialized with different tuning widths, for encoding additional sensory features that are not explicitly mapped.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».