P.161 Spatiotemporal dynamics of neuronal ensembles in the primate prefrontal cortex during virtual reality navigation tasks
Notice bibliographique
Résumé
Background: Brain-machine-interface research has utilized multichannel single neuron recordings to decode movement intention. However, the prefrontal cortex (PFC) contains mental representations of more abstract task and goal elements which may be utilized as important signals in a brain-machine-interface. We therefore utilized virtual reality to simulate a real-world task while recording from ensembles of primate PFC neurons. Methods: Two male rhesus macaques (macaca mulatta) were trained to navigate a virtual reality environment using a joystick and learn a context-object association rule. We implanted each monkey with two 96-channel Utah arrays (Blackrock Microsystems) in the lateral PFC (areas 9/46 and 8a) and simultaneously recorded from multiple single neurons. Results: A linear support-vector-machine decoded task elements (context, target location and chosen direction of movement) with significantly greater than chance accuracy. This information was decoded in a sequential manner as the primates made a rule-based decision, with context information appearing first, followed by target location, and chosen side. Conclusions: We found that different neuronal ensembles encode the elements needed for implementing the context rule, and that such ensembles are activated sequentially. Brain-machine-interface systems may benefit by integrating neural data from the PFC, providing salient goal-related information such as the content of the goal and its spatial location.
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 | 0,001 |
| 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) | 0,001 | 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 ».