Limits of Linear Rate Coding of Dynamic Stimuli by Electroreceptor Afferents
Notice bibliographique
Résumé
We estimated the frequency-intensity (f-I) curves of P-unit electroreceptors using 4-Hz random amplitude modulations (RAMs) and using the covariance method (50-Hz RAMs). Both methods showed that P units are linear encoders of stimulus amplitude with additive noise; the gain of the f-I curve was, on average, 0.32 and 2.38 spikesxs(-1)xmicroV(-1) for the low- and high-frequency cutoffs, respectively. There were two sources of apparent noise in the encoding process: the first was the variability of baseline P-unit discharge and the second was the variation of receptor discharge due to variability of the stimulus slope independent of its intensity. The covariance method showed that a linear combination of eigenvectors representing the time-weighted stimulus intensity (E1) and its derivative (E2) could account for, on average, 92% of the total response variability; E1 by itself accounted for 76% of the variability. The low gain of the low-frequency f-I curve implies that detection of small (1 microV) signals would require integration over many receptors ( approximately 1,200) and time (200 ms); even then, signals that elicit behavioral responses could not be detected using rate coding with the estimated gain and noise levels. Weak signals at the limit of behavioral thresholds could be detected if the animal were able to extract E1 from the population of responding P units; we propose a tentative mechanism for this operation although there is no evidence as to whether it is actually implemented in the nervous system of these fish.
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 ».