Negative Interspike Interval Correlations Increase the Neuronal Capacity for Encoding Time-Dependent Stimuli
Notice bibliographique
Résumé
Accurate detection of sensory input is essential for the survival of a species. Weakly electric fish use amplitude modulations of their self-generated electric field to probe their environment. P-type electroreceptors convert these modulations into trains of action potentials. Cumulative relative refractoriness in these afferents leads to negatively correlated successive interspike intervals (ISIs). We use simple and accurate models of P-unit firing to show that these refractory effects lead to a substantial increase in the animal's ability to detect sensory stimuli. This assessment is based on two approaches, signal detection theory and information theory. The former is appropriate for low-frequency stimuli, and the latter for high-frequency stimuli. For low frequencies, we find that signal detection is dependent on differences in mean firing rate and is optimal for a counting time at which spike train variability is minimal. Furthermore, we demonstrate that this minimum arises from the presence of negative ISI correlations at short lags and of positive ISI correlations that extend out to long lags. Although ISI correlations might be expected to reduce information transfer, in fact we find that they improve information transmission about time-varying stimuli. This is attributable to the differential effect that these correlations have on the noise and baseline entropies. Furthermore, the gain in information transmission rate attributable to correlations exhibits a resonance as a function of stimulus bandwidth; the maximum occurs when the inverse of the cutoff frequency of the stimulus is of the order of the decay time constant of refractory effects. Finally, we show that the loss of potential information caused by a decrease in spike-timing resolution is smaller for low stimulus cutoff frequencies than for high ones. This suggests that a rate code is used for the encoding of low-frequency stimuli, whereas spike timing is important for the encoding of high-frequency stimuli.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».