Encoding mechanisms for sensory neurons studied with a multielectrode array in the cat dorsal root ganglion
Notice bibliographique
Résumé
Recent advances in microelectrode array technology now permit a direct examination of the way populations of sensory neurons encode information about a limb's position in space. To address this issue, we recorded nerve impulses from about 100 single units simultaneously in the L6 and L7 dorsal root ganglia (DRG) of the anesthetized cat. Movement sensors, placed near the hip, knee, ankle, and foot, recorded passive movements of the cat's limb while it was moved pseudo-randomly. The firing rate of the neurons was correlated with the position of the limb in various coordinate systems. The firing rates were less correlated to the position of the foot in Cartesian coordinates (x, y) than in joint angular coordinates (hip, knee, ankle), or in polar coordinates. A model was developed in which position and its derivatives are encoded linearly, followed by a nonlinear spike-generating process. Adding the nonlinear portion significantly increased the correlations in all coordinate systems, and the full models were able to accurately predict the firing rates of various types of sensory neurons. The observed residual variability is captured by a simple stochastic model. Our results suggest that compact encoding models for primary afferents recorded at the DRG are well represented in polar coordinates, as has previously been suggested for the cortical and spinal representation of movement. This study illustrates how sensory receptors encode a sense of limb position, and it provides a general framework for modeling sensory encoding by populations of neurons.
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 | 0,000 | 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 ».