Tactile Speed Scaling: Contributions of Time and Space
Notice bibliographique
Résumé
A major challenge for the brain is to extract precise information about the attributes of tactile stimuli from signals that co-vary with multiple parameters, e.g., speed and texture in the case of scanning movements. We determined the ability of humans to estimate the tangential speed of surfaces moved under the stationary fingertip and the extent to which the physical characteristics of the surfaces modify speed perception. Scanning speed ranged from 33 to 110 mm/s (duration of motion constant). Subjects could scale tactile scanning speed, but surface structure was essential because the subjects were poor at scaling the speed of a moving smooth surface. For textured surfaces, subjective magnitude estimates increased linearly across the range of speeds tested. The spatial characteristics of the surfaces influenced speed perception, with the roughest surface (8 mm spatial period, SP) being perceived as moving 15% slower than the smoother, textured surfaces (2-3 mm SP). Neither dot disposition (periodic, non periodic) nor dot density contributed to the results, suggesting that the critical factor was dot spacing in the direction of the scan. A single monotonic relation between subjective speed and temporal frequency (speed/SP) was obtained when the ratings were normalized for SP. This provides clear predictions for identifying those cortical neurons that play a critical role in tactile motion perception and the underlying neuronal code. Finally, the results were consistent with observations in the visual system (decreased subjective speed with a decrease in spatial frequency, 1/SP), suggesting that stimulus motion is processed similarly in both sensory systems.
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 | 0,001 |
| 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 ».