MétaCan
Menu
← Retour à la cohorte
Enregistrement W4311803061 · doi:10.1167/jov.22.14.4150

Temporal dynamics of neural ensemble coding of remembered target location in the primate prefrontal cortex

2022· article· en· W4311803061 sur OpenAlexaff
Milad Khaki, Nasim Mortazavi, Megan Roussy, Adam Sachs, Julio Martínez-Trujillo

Notice bibliographique

RevueJournal of Vision · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeural dynamics and brain function
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésPrimateNeural ensembleComputer scienceCoding (social sciences)Decoding methodsNeurosciencePrefrontal cortexWorking memoryNeural codingMacaqueSpatial memoryArtificial intelligencePattern recognition (psychology)PsychologyCognitionMathematics

Résumé

récupéré en direct d'OpenAlex

Neurons in the primate lateral prefrontal cortex (LPFC) encode and maintain working memory (WM) representations in the absence of external stimuli. Neural computations underlying spatial WM in primates are traditionally studied using highly controlled tasks consisting of simple 2D visual stimuli and require a saccadic response. Hence, there is little known about how populations of LPFC neurons may maintain and transform 3D representations of space for animals to navigate towards remembered object locations. To explore this issue, we created a spatial WM task that takes place in a 3D virtual environment. This task presents a target in one of nine virtual locations. The subject is required to navigate to the remembered location by using a joystick after a two-second delay. Neural recordings were conducted in two male rhesus macaques using two 10×10 Utah arrays located in the LPFC (area 8A), resulting in 3847 neurons. We decoded target location on a single-trial basis using a novel high-efficiency classification technique. The method resulted in high decoding accuracy using a minimum number of neurons containing the highest target-specific information. In ensembles of 8-12 neurons, decoding accuracy ranged from 60%-90% (chance = ~11). We determined how neural ensembles encode and maintain information about target locations in three-dimensional space during each trial. Our results demonstrate that ensembles of 2-15 neurons in a group represent each of the nine selected targets that exist during the trial. Ensembles remain consistent over multiple trials of each session, and the specific target of each trial is decoded with 40% to 60% accuracy over chance. These results indicate that in addition to the information encoded in single-neuron activity, temporal dynamics of groups of neurons consistently interacting with each other is also informative and can be used for decoding.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,282
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Vision→Même sujetNeural dynamics and brain function→Travaux en français237 207→