Neural correlations code for stimulus variance
Notice bibliographique
Résumé
Natural sensory stimuli are characterized by time varying moments such as mean (first-order) and variance (second-order). While psychophysical studies have shown that second order attributes are critical for perception, how they are encoded in the brain remains largely unknown. Here we focused on second-order feature coding by correlated activity. We recorded from two example sensory systems that share many similarities: the primate vestibular system and the fish electrosensory system. Peripheral sensory neurons in both systems respond to amplitude modulated noise stimuli (Figure. 1A.1, B.1). We found that the correlation coefficient between spike trains coded second order attributes (i.e. envelope, Figures. 1A.2, B.2) whereas single neuron firing rate coded first order attributes (Figure. 1A.3, B.3). We built a simple phenomenological mathematical model based on the leaky integrate-and-fire formalism that reproduced our experimental data (Figure. 1C.1, C.2) and predicted that optimal coding of second-order stimulus features by correlation is achieved for non-zero values of baseline variability as quantified by the coefficient of variation (CV) (Figure. 1C.3). We tested this prediction by plotting our data as a function of CV and found that our model could explain variations on both vestibular and electrosensory data (Figure. (Figure.1D).1D). Our results show that correlated activity codes for stimulus attributes that are distinct from those coded by firing rate and provide a novel role for neural variability. Such codes are predicted to be a general feature of sensory processing. Figure 1
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 | 0,001 |
| 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 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 ».