Receptive field organization across multiple electrosensory maps. II. Computational analysis of the effects of receptive field size on prey localization
Notice bibliographique
Résumé
The electric fish Apteronotus leptorhynchus emits a high-frequency electric organ discharge (EOD) sensed by specialized electroreceptors (P-units) distributed across the fish's skin. Objects such as prey increase the amplitude of the EOD over the underlying skin and thus cause an increase in P-unit discharge. The resulting localized intensity increase is called the electric image and is detected by its effect on the P-unit population; the electric image peak value and the extent to its spreads are cues utilized by these fish to estimate the location and size of its prey. P-units project topographically to three topographic maps in the electrosensory lateral line lobe (ELL): centromedial (CMS), centrolateral (CLS), and lateral (LS) segments. In a companion paper I have calculated the receptive fields (RFs) in these maps: RFs were small in CMS and very large in LS, with intermediate values in CLS. Here I use physiological data to create a simple model of the RF structure within the three ELL maps and to compute the response of these model maps to simulated prey. The Fisher information (FI) method was used to compute the optimal estimates possible for prey localization across the three maps. The FI predictions were compared with behavioral studies on prey detection. These comparisons were used to frame alternative hypotheses on the functions of the three maps and on the constraints that RF size and synaptic strength impose on weak signal detection and estimation.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».