MétaCan
Menu
← Retour à la cohorte
Enregistrement W2077835216 · doi:10.1109/embc.2012.6346987

Modelling eye-head coordination without pre-planning — A reflex-based approach

2012· article· en· W2077835216 sur OpenAlexafffund
Iman Haji-Abolhassani, Daniel Guitton, Henrietta L. Galiana

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensMontreal Neurological Institute and HospitalMcGill University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésGazeComputer scienceController (irrigation)Orientation (vector space)NeurophysiologyNetwork topologyTask (project management)Artificial intelligenceComputer visionHuman–computer interactionPsychologyNeuroscienceEngineering

Résumé

récupéré en direct d'OpenAlex

The gaze orientation system is a prime example of the CNS using multiple platforms to achieve its goal. To move the gaze in space, the eyes, head, and body cooperate to place the image of the target on the fovea. Understanding the underlying neural circuitry innervating this collaboration could also be a cue to understanding other movement related CNS tasks involving multiple platforms, i.e., posture and locomotion. Basically two major network topologies for modeling the gaze orientation system have been proposed: the independent controller model and the shared gaze feedback controller model. In the independent controller model, each platform (i.e., eyes, head or trunk) receives its own share of the retinal error (distance of the target from the current gaze position) independent from other platform(s) and its goal is to null its individual error, whereas, in the shared gaze feedback controller all platforms collaborate to null the shared global error, which is calculated on the fly using feedback from all platforms or reflexes. Each of the mentioned general topologies has its own supporters and the question is which does the CNS actually use. In this article, based on evidence from neurophysiology and behavior, complemented by simulation data, it will be shown why a shared feedback controller is the better candidate for this task. More specifically, simulations of an updated Prsa-Galiana model (the Shared Sensory-Motor Integration (SMI) model) will be discussed in more detail and, where applicable, compared with other popular models, including independent and shared controller models. It provides plausible explanations for observations on gaze shifts with various interventions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,127
Tête enseignante GPT0,359
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetEEG and Brain-Computer Interfaces→Travaux en français237 207→