Coding Conspecific Identity and Motion in the Electric Sense
Notice bibliographique
Résumé
Interactions among animals can result in complex sensory signals containing a variety of socially relevant information, including the number, identity, and relative motion of conspecifics. How the spatiotemporal properties of such evolving naturalistic signals are encoded is a key question in sensory neuroscience. Here, we present results from experiments and modeling that address this issue in the context of the electric sense, which combines the spatial aspects of vision and touch, with the temporal aspects of audition. Wave-type electric fish, such as the brown ghost knifefish, Apteronotus leptorhynchus, used in this study, are uniquely identified by the frequency of their electric organ discharge (EOD). Multiple beat frequencies arise from the superposition of the EODs of each fish. We record the natural electrical signals near the skin of a "receiving" fish that are produced by stationary and freely swimming conspecifics. Using spectral analysis, we find that the primary beats, and the secondary beats between them ("beats of beats"), can be greatly influenced by fish swimming; the resulting motion produces low-frequency envelopes that broaden all the beat peaks and reshape the "noise floor". We assess the consequences of this motion on sensory coding using a model electroreceptor. We show that the primary and secondary beats are encoded in the afferent spike train, but that motion acts to degrade this encoding. We also simulate the response of a realistic population of receptors, and find that it can encode the motion envelope well, primarily due to the receptors with lower firing rates. We discuss the implications of our results for the identification of conspecifics through specific beat frequencies and its possible hindrance by active swimming.
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 ».