Spike-Frequency Adaptation Separates Transient Communication Signals from Background Oscillations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spike-frequency adaptation is a prominent feature of many neurons. However, little is known about its computational role in processing behaviorally relevant natural stimuli beyond filtering out slow changes in stimulus intensity. Here, we present a more complex example in which we demonstrate how spike-frequency adaptation plays a key role in separating transient signals from slower oscillatory signals. We recorded in vivo from very rapidly adapting electroreceptor afferents of the weakly electric fish Apteronotus leptorhynchus. The firing-frequency response of electroreceptors to fast communication stimuli ("small chirps") is strongly enhanced compared with the response to slower oscillations ("beats") arising from interactions of same-sex conspecifics. We are able to accurately predict the electroreceptor afferent response to chirps and beats, using a recently proposed general model for spike-frequency adaptation. The parameters of the model are determined for each neuron individually from the responses to step stimuli. We conclude that the dynamics of the rapid spike-frequency adaptation is sufficient to explain the data. Analysis of additional data from step responses demonstrates that spike-frequency adaptation acts subtractively rather than divisively as expected from depressing synapses. Therefore, the adaptation dynamics is linear and creates a high-pass filter with a cutoff frequency of 23 Hz that separates fast signals from slower changes in input. A similar critical frequency is seen in behavioral data on the probability of a fish emitting chirps as a function of beat frequency. These results demonstrate how spike-frequency adaptation in general can facilitate extraction of signals of different time scales, specifically high-frequency signals embedded in slower oscillations.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle