Neural Heterogeneities and the coding of contrast envelopes
Notice bibliographique
Résumé
It is well known that higher order neurons respond to contrast envelopes (second order statistics) present in sensory stimuli. These contrast envelopes can be defined as the curve connecting successive peaks in the stimulus and can only be obtained through a nonlinear transformation of the stimulus such as the Hilbert transform. They contain important information that is decoded by the brain: for example, removal of these envelopes from speech severely reduces its intelligibility. While recent studies have shown potential mechanisms by which higher order neurons can acquire sensitivity to contrast envelopes, it is generally thought that peripheral sensory neurons do not respond to them. Using the electrosensory system of the weakly electric fish as a model we performed extracellular recordings from primary afferents while presenting contrast-modulated random amplitude modulations (AMs) of the fish’s quasi-sinusoidal electric field and found that about 45% of units responded to the time varying contrast envelope. Previous studies have shown that these afferents are spontaneously active and display large heterogeneities in their firing rates and burst firing properties: we therefore investigated whether these heterogeneities are linked to contrast envelope coding. We found that afferents with low spontaneous firing rate responded best to the contrast envelope due to higher levels of rectification. We next investigated the basis of this higher level of rectification using a simple phenomenological model of primary afferent activity. We found that varying levels of intrinsic noise as well as overall bias current in our model could reproduce our experimental results, suggesting that neural heterogeneities can significantly influence contrast envelope coding at the sensory periphery.
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 | 0,004 |
| 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 ».