Nonstationary Stochastic Dynamics Underlie Spontaneous Transitions between Active and Inactive Behavioral States
Notice bibliographique
Résumé
The neural basis of spontaneous movement generation is a fascinating open question. Long-term monitoring of fish, swimming freely in a constant sensory environment, has revealed a sequence of behavioral states that alternate randomly and spontaneously between periods of activity and inactivity. We show that key dynamical features of this sequence are captured by a 1-D diffusion process evolving in a nonlinear double well energy landscape, in which a slow variable modulates the relative depth of the wells. This combination of stochasticity, nonlinearity, and nonstationary forcing correctly captures the vastly different timescales of fluctuations observed in the data (∼1 to ∼1000 s), and yields long-tailed residence time distributions (RTDs) also consistent with the data. In fact, our model provides a simple mechanism for the emergence of long-tailed distributions in spontaneous animal behavior. We interpret the stochastic variable of this dynamical model as a decision-like variable that, upon reaching a threshold, triggers the transition between states. Our main finding is thus the identification of a threshold crossing process as the mechanism governing spontaneous movement initiation and termination, and to infer the presence of underlying nonstationary agents. Another important outcome of our work is a dimensionality reduction scheme that allows similar segments of data to be grouped together. This is done by first extracting geometrical features in the dataset and then applying principal component analysis over the feature space. Our study is novel in its ability to model nonstationary behavioral data over a wide range of timescales.
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 | 0,001 | 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 ».