प्रतिलिपि प्रस्तुत करने योग्य, कुशल अस्थायी पैटर्न की स्वैच्छिक पीढ़ी

अमूर्त:जैविक मस्तिष्क की असाधारण विशेषताओं में से एक आधुनिक कृत्रिम बुद्धिमत्ता (एआई) की तुलना में विभिन्न प्रकार के जैविक कार्यों और बुद्धिमत्ता को लागू करने के लिए कम ऊर्जा व्यय की आवश्यकता होती है। स्पाइक-आधारित ऊर्जा-कुशल टेम्पोरल कोड को लंबे समय से मस्तिष्क को कम ऊर्जा व्यय पर चलाने में योगदानकर्ता के रूप में सुझाया गया है। इस कोड के संवेदी प्रांतस्था में बड़े पैमाने पर रिपोर्ट किए जाने के बावजूद, क्या इस कोड को व्यापक कार्यों को पूरा करने के लिए मस्तिष्क के अन्य क्षेत्रों में लागू किया जा सकता है और यह सीखने के दौरान कैसे विकसित होता है, इस पर ध्यान नहीं दिया गया है। इस अध्ययन में, हमने एक नवीन मस्तिष्क-मशीन इंटरफ़ेस (बीएमआई) प्रतिमान तैयार किया। दो मकाक स्वेच्छा से प्रजनन योग्य उत्पन्न कर सकते हैंऊर्जा-कुशल अस्थायी पैटर्नबीएमआई प्रतिमान सीखकर प्राथमिक मोटर कॉर्टेक्स (एम1) में। इसके अलावा, अधिकांश न्यूरॉन्स जिन्हें सीधे बीएमआई को नियंत्रित करने के लिए नहीं सौंपा गया था, उनकी उत्तेजना में वृद्धि नहीं हुई, और उन्होंने कार्य को करने में समग्र ऊर्जा-कुशल तरीके का प्रदर्शन किया। सीखने के दौरान, हमने पाया कि चयनित न्यूरॉन्स की फायरिंग दर और अस्थायी सटीकता उत्पन्न करने के लिए सह-विकसित हुईऊर्जा-कुशल अस्थायी पैटर्न, यह सुझाव देते हुए कि पृथक्करणीय प्रसंस्करण के बजाय सामंजस्यपूर्ण प्रसंस्करण ऊर्जा-कुशल अस्थायी पैटर्न के शोधन को रेखांकित करता है।

कीवर्ड:सटीक अस्थायी पैटर्न;ऊर्जा-कुशल कोड;मस्तिष्क-मशीन इंटरफ़ेस; प्राथमिक मोटर कॉर्टेक्स

मस्तिष्क ऊर्जा के लिए सिस्टान्चे जानने के लिए यहां क्लिक करें

1 परिचय

यद्यपि मानव मस्तिष्क सक्रिय रूप से शरीर की 20 प्रतिशत ऊर्जा खर्च करता है, अंततः यह केवल 20 वाट बिजली की खपत करता है [1,2]। इसके अलावा, नवीनतम अध्ययनों में से एक से पता चला है कि तंत्रिका गणना के लिए खर्च की गई शक्ति कुल बजट का एक प्रतिशत से भी कम लेती है [3]। सिलिकॉन-आधारित हार्डवेयर में लागू आधुनिक कृत्रिम बुद्धिमत्ता (एआई) द्वारा खपत की गई ऊर्जा की तुलना में, मस्तिष्क जैविक बुद्धिमत्ता को लागू करने के लिए असाधारण रूप से बहुत कम ऊर्जा की खपत करता है। दशकों से, वैज्ञानिकों और इंजीनियरों ने कुशल बुद्धिमान सिस्टम बनाने के लिए तंत्रिका कोडिंग योजनाओं से अंतर्दृष्टि प्राप्त करने का प्रयास किया है। टेम्पोरल कोडिंग, जिसके द्वारा स्पाइक्स के अस्थायी समन्वय के माध्यम से जानकारी संचारित और संसाधित की जाती है, स्पाइक्स की असतत प्रकृति का उपयोग करती है। टेम्पोरल कोड सैद्धांतिक रूप से रेट कोड [4] की तुलना में अधिक जानकारी ले सकता है। इसलिए, अस्थायी कोडिंग ने ध्यान आकर्षित किया है और इसे एआई प्रथाओं में नियोजित किया गया है [5-7]। हालाँकि, अस्थायी कोड के कार्यान्वयन से वैश्विक स्तर पर जैविक मस्तिष्क में विरलता या कम ऊर्जा बजट नहीं होता है (चित्र 1ए)। [8] के अनुसार, कोड दक्षता को व्यय की गई ऊर्जा के लिए प्रतिनिधित्व क्षमता के अनुपात के रूप में परिभाषित किया गया है, जो कि शामिल कार्य क्षमता की संख्या से निर्धारित होता है। एक हालिया अध्ययन ने संकेत दिया है कि सटीक अस्थायी पैटर्न की उत्पत्ति उन्नत उत्तेजना के साथ होती है [9]। इस मामले में, हालांकि सटीक अस्थायी पैटर्न दृढ़ता से उत्पन्न किए गए थे, लेकिन अधिशेष स्पाइक्स के कारण बढ़ती चयापचय लागत के कारण उन्हें कुशल नहीं माना गया था। इसलिए, कुशल अस्थायी पैटर्न कैसे उत्पन्न होते हैं और कुशल और गैर-कुशल पैटर्न की पीढ़ी के अंतर्निहित तंत्रिका अंतर की गहरी समझ की बहुत आवश्यकता है। यह गहरी समझ तंत्रिका विज्ञान के क्षेत्र में कार्यात्मक निहितार्थ निकालने और कुशल कृत्रिम बुद्धिमत्ता को डिजाइन करने की कुंजी है।

 

चित्र 1. सटीक अस्थायी कोड का योजनाबद्ध। (ए) दो प्रकार के सटीक अस्थायी कोड को दर्शाने वाला योजनाबद्ध। छायांकित आयतें दर में उतार-चढ़ाव से परे सटीक सिंक्रनाइज़ेशन को चिह्नित करती हैं जो दो न्यूरॉन्स की स्पाइक ट्रेनों में संरक्षित होती है। हालाँकि, दाईं ओर दर्शाए गए कुशल सटीक अस्थायी पैटर्न में बाईं ओर की तुलना में कम स्पाइक्स हैं, हालांकि दोनों मामलों के तहत स्पाइकिंग संयोगों की संख्या समान है। (बी) उच्च फायरिंग दर आर (टी) को दंडित करने के लिए लागत फ़ंक्शन में नियमितीकरण शब्द को स्पष्ट रूप से शामिल करके कृत्रिम तंत्रिका नेटवर्क पर कुशल कोड का अध्ययन कैसे किया जाता है, इसकी योजनाबद्ध। यहां, c(t) नेटवर्क द्वारा दर्शाए जाने वाले लक्ष्य संकेतों को दर्शाता है। (सी) विवो में कुशल कोड के अध्ययन के लिए मस्तिष्क-मशीन इंटरफ़ेस के डिकोडर में सूचना क्षमता सी (टी) और चयापचय लागत (न्यूरॉन्स की फायरिंग दर आर (टी)) के स्पष्ट समावेश की योजनाबद्ध। एनसीएस(टी) इस अध्ययन में परिभाषित डिकोडेड वैरिएबल है

 

पिछले दशकों में, शोधकर्ता मुख्य रूप से उत्तेजना एन्कोडिंग [10,11] के संदर्भ में, कुशल अस्थायी पैटर्न का दस्तावेजीकरण कर रहे हैं। हालाँकि, उत्तेजना का प्रतिनिधित्व करने के अलावा, बुद्धि उत्पन्न करने के लिए जैविक मस्तिष्क में विभिन्न गणनाएँ की जाती हैं, उदाहरण के लिए, कार्यशील स्मृति, जटिल आत्मनिर्भर पैटर्न की पीढ़ी, और आउटपुट जारी करना। फिर भी, इस बारे में बहुत कम जानकारी है कि क्या व्यापक श्रेणी के कार्यों को पूरा करने के लिए कुशल अस्थायी पैटर्न को पुन: प्रस्तुत किया जा सकता है। कुशल कोड के संबंध में एक और विवादास्पद विषय इसकी सीखने की क्षमता है। चूँकि प्रत्येक स्पाइक का अस्थायी विस्थापन "मायने रखता है", और किसी भी अधिशेष स्पाइक को कुशल कोड की परिभाषा के अनुसार चयापचय रूप से महंगा माना जाएगा, कुशल गणना का समर्थन करने के लिए स्पाइक-आधारित तंत्रिका नेटवर्क में इस कोड की तैनाती बहुत अधिक संभावनाएं रखती है। हालाँकि, अपेक्षाकृत कुछ अध्ययनों से पता चला है कि नेटवर्क को कुशल पैटर्न उत्पन्न करने के लिए प्रशिक्षित किया जा सकता है [12-14]। एक प्रस्तावित रणनीति लागत फ़ंक्शन में फायरिंग दरों को स्पष्ट रूप से नियंत्रित करना और वैश्विक त्रुटि बैक-प्रचार के साथ नेटवर्क को प्रशिक्षित करना था, जो जैविक रूप से असंभव था (चित्रा 1 बी)। फिर भी, यह प्रदर्शित नहीं किया गया है कि क्या कुशल पैटर्न को जैविक रूप से प्रशंसनीय तरीके से सीखा जा सकता है, जो कि विवो में जांच करना चुनौतीपूर्ण हो सकता है क्योंकि कोई पारंपरिक व्यवहार कार्यों के दौरान स्पाइक्स के उत्सर्जन को रोकने के लिए "उद्देश्यों" को परिभाषित नहीं कर सकता है, जो कि मामला है कृत्रिम तंत्रिका नेटवर्क में.

इन चुनौतियों से निपटने के लिए, हमने ब्रेन-मशीन इंटरफ़ेस (बीएमआई) [15] का लाभ उठाया। मोटर [16-20], वाणी [21] और मनोवैज्ञानिक कार्यों [22] को बहाल करने में अपनी शानदार सफलता के अलावा, बीएमआई ने हाल ही में कुछ तंत्रिका पैटर्न के लिए व्यवहारिक परिणामों के लिए कार्य-कारण की पेशकश करके तंत्रिका विज्ञान को सक्रिय किया है। शोधकर्ता तंत्रिका गतिविधि और व्यवहारिक परिणामों के बीच मैपिंग को परिभाषित कर सकते हैं, जिन्हें "डिकोडर" [23-26] कहा गया था। इस प्रकार, बीएमआई ने हमें "उद्देश्यों" को परिभाषित करने की क्षमता प्रदान की, अर्थात् स्पाइक्स के उत्सर्जन को सीमित करने के लिए ताकि यह जांच की जा सके कि क्या कुशल अस्थायी पैटर्न को पुन: उत्पन्न और सीखा जा सकता है (चित्रा 1 सी)। [9] के अध्ययन में, लेखकों ने दिखाया कि जब डिकोडर परिणामों को नियंत्रित करने के लिए आमतौर पर इस्तेमाल किए जाने वाले डिस्क्रिप्टर जैसे फायरिंग दर के बजाय सापेक्ष स्पाइक टाइमिंग का एक कार्य थे, तो अस्थायी परिशुद्धता के साथ प्राप्त पैटर्न व्यवहार से संबंधित हो सकते हैं। इसके अलावा, ऐसे "टेम्पोरल न्यूरोप्रोस्थेटिक्स" में ज्ञात मैपिंग ने लेखकों को यह ट्रैक करने की अनुमति दी कि मस्तिष्क सर्किट में टेम्पोरल पैटर्न कैसे सीखे और परिष्कृत किए गए थे। हालाँकि, उस अध्ययन में केवल गैर-कुशल अस्थायी पैटर्न के मामले को शामिल किया गया था, जिससे कुशल अस्थायी पैटर्न को काफी हद तक अनदेखा कर दिया गया था। इसलिए, इस काम का फोकस एक नए बीएमआई को पेश करके मोटर कॉर्टेक्स में कुशल टेम्पोरल पैटर्न की पीढ़ी और सीखने का अध्ययन करना है जो सटीक स्पाइक टाइमिंग के साथ-साथ स्पाइक काउंट द्वारा लाई गई चयापचय लागत को सीमित करता है।

 

2। सामग्री और विधि

सभी सर्जिकल और प्रायोगिक प्रक्रियाएं प्रयोगशाला जानवरों की देखभाल और उपयोग के लिए गाइड (चीन स्वास्थ्य मंत्रालय) के अनुरूप थीं और चीन में झेजियांग विश्वविद्यालय की पशु देखभाल समिति द्वारा अनुमोदित की गई थीं। [27] में शल्य चिकित्सा प्रक्रिया का विस्तार से वर्णन किया गया था। संक्षेप में, चैनल माइक्रोइलेक्ट्रोड एरेज़ (ब्लैकरॉक न्यूरोटेक) को दो नर रीसस बंदरों (मकाका मुलट्टा) (मंकी बी11, मंकी सी05) के प्राथमिक मोटर कॉर्टेक्स में क्रमिक रूप से प्रत्यारोपित किया गया था। सर्जरी के बाद बंदरों को ठीक होने में लगभग एक सप्ताह का समय लगा, जिसके बाद सेरेबस मल्टीचैनल डेटा अधिग्रहण प्रणाली (ब्लैकरॉक न्यूरोटेक) के माध्यम से 30 किलोहर्ट्ज़ की नमूना दर पर तंत्रिका संकेतों को रिकॉर्ड किया गया। स्पाइक गतिविधियों का पता थ्रेशोल्डिंग (मूल माध्य वर्ग गुणक, B11: ×5.5; C05: ×7) द्वारा लगाया गया। पहले शिक्षण सत्र में और ऑनलाइन मैनुअल सॉर्टिंग के बाद, हमने पिछले हफ्तों की रिकॉर्डिंग के आधार पर उच्चतम सिग्नल-टू-अनुपात (एसएनआर) और तरंग स्थिरता के साथ दो अलग-अलग इकाइयों को क्रमशः ट्रिगर इकाई और लक्ष्य इकाई के रूप में नियुक्त किया। इन दोनों इकाइयों के लिए ऑनलाइन सॉर्टिंग टेम्प्लेट पूरे शिक्षण के दौरान अपरिवर्तित थे और ऑफ़लाइन सॉर्टर (प्लेक्सन, डलास, टीएक्स, यूएसए, इंक.) द्वारा मान्य किए गए थे ताकि यह सुनिश्चित किया जा सके कि समान न्यूरॉन्स रिकॉर्ड किए गए थे और सभी सत्रों में प्रशिक्षण के लिए उपयोग किए गए थे। यह चित्र S1A में दिखाया गया है कि सत्रों में तरंगों की भिन्नता औसत आयाम से छोटी है। चूंकि ये दो चयनित इकाइयां परिणाम के लिए सीधे जिम्मेदार थीं, इसलिए उन्हें "प्रत्यक्ष न्यूरॉन्स" के रूप में लेबल किया गया था। शेष इकाइयाँ "अप्रत्यक्ष न्यूरॉन्स" थीं, जिनका पता लगाया गया और इस लेख में बाद के विश्लेषण के लिए ऑफ़लाइन क्रमबद्ध किया गया। रिकॉर्ड किए गए "अप्रत्यक्ष न्यूरॉन्स" की संख्या पूरे दिनों में अपेक्षाकृत स्थिर थी (बी11: 54.3 ± 8.5; सी05: 54.3 ± 9.1)। इसके अतिरिक्त, सरणी में प्रत्यक्ष न्यूरॉन्स का स्थानिक संबंध चित्र S1B में दिखाया गया है।

 

2.1. व्यवहारिक कार्य

इस कार्य में, ट्रिगर इकाई और लक्ष्य इकाई के स्पाइक्स को 3{13}}0 एमएस की विंडो में MATLAB (मैथवर्क्स इंक., नैटिक,) में कस्टम-लिखित स्क्रिप्ट में वास्तविक समय में स्ट्रीम किया गया था। एमए, यूएसए) एक कंडीशनिंग चर की गणना करने के लिए: सामान्यीकृत संयोग स्कोर (एनसीएस)। विंडो को प्रत्येक 150 एमएस पर 150 एमएस ओवरलैप के साथ स्लाइड किया गया था। एनसीएस को फिर प्रत्येक 150 एमएस पर श्रवण और दृष्टि से विषय पर वापस फ़ीड किया गया। यदि विषय एनसीएस को 15 सेकंड में दहलीज तक ले जाने के लिए तंत्रिका पैटर्न को संशोधित करने में कामयाब रहे तो उन्हें पानी का इनाम मिलेगा। अन्यथा, परीक्षण समाप्त कर दिया जाएगा, और विषयों को अगला परीक्षण शुरू करने के लिए अन्य 4 सेकंड तक इंतजार करना होगा (चित्र 2बी)। इनाम प्राप्त करने के लिए एनसीएस सीमा एनसीएस वितरण का 99वां प्रतिशत निर्धारित किया गया था, जिसका अनुमान पहले सत्र में बेसलाइन डेटा (5 मिनट के लिए हर 150 एमएस में नमूना) से लगाया गया था। एनसीएस सीमाएँ (बी11: 0.36; सी05: 0.32) सभी सत्रों में तय की गईं। आधारभूत अवधि में, विषय अपने हाथों को सीमित करके बैठे थे। पानी बेतरतीब ढंग से लेकिन कम दिया गया, केवल विषय को शांत करने के लिए और उन्हें बड़े आंदोलनों से रहित एक स्थिर स्थिति बनाए रखने की अनुमति देने के लिए। इस अवधि में कोई श्रवण या दृश्य उत्तेजना नहीं दी गई।

 

कंडीशनिंग वैरिएबल एनसीएस को इस प्रकार परिभाषित किया गया है:

जहां एम और एन 300 एमएस समय विंडो में ट्रिगर इकाई और लक्ष्य इकाई से स्पाइक्स की कुल संख्या हैं, एस (∆जी) स्कोर फ़ंक्शन है जो आई वें स्पाइक के उत्सर्जन समय के बीच अंतराल ∆जी पर निर्भर है ट्रिगर इकाई और लक्ष्य इकाई का जेवां स्पाइक। अधिक विशेष रूप से, स्कोर फ़ंक्शन एक घातीय रूप लेता है, स्पाइक-टाइमिंग-निर्भर प्लास्टिसिटी (एसटीडीपी) [28] के तहत सिनैप्टिक प्रभावकारिता कैसे बदलती है, इसके समान, जहां लक्ष्य का नेतृत्व करने वाला ट्रिगर सकारात्मक स्कोर में परिणाम देता है और इसके विपरीत:

 

हमारे प्रयोग में, एसटीडीपी प्रयोगों [29] में देखी गई महत्वपूर्ण विंडो में फिट होने के लिए τ को 17 एमएस पर सेट किया गया था। इसलिए, एनसीएस के अंश ने न केवल अस्थायी सटीकता बल्कि सही अस्थायी क्रम को भी पुरस्कृत किया। सुविधा के लिए, हमने इस अंश को संयोग स्कोर (सीएस) कहा है। दो इकाइयों से स्पाइक गिनती के ज्यामितीय माध्य द्वारा सामान्यीकरण ने ऊर्जा व्यय को रोकने के लिए अत्यधिक स्पाइक्स को दंडित करने की भूमिका निभाई। सैद्धांतिक रूप से, एनसीएस का मान -1 से 1 की सीमा के भीतर होना चाहिए।

 

हमने एनसीएस को एक ऑडियो कर्सर की आवृत्ति में मैप किया, जो क्वार्टर-ऑक्टेव वृद्धि में 1 किलोहर्ट्ज़ से 24 किलोहर्ट्ज़ तक थी। इसके अलावा, हमने सेंटर-आउट कार्यों में एक समान दृश्य प्रतिक्रिया वातावरण अपनाया, क्योंकि सभी विषयों को सेंटर-आउट कार्यों पर प्रशिक्षित किया गया था। [−0.5, 0.5] में एनसीएस को स्क्रीन पर एक नीले वृत्त की ऊर्ध्वाधर स्थिति में मैप किया गया था (चित्र 2ए), जिसमें एक पीला वृत्त इनाम सीमा को दर्शाता है। विज़ुअल फीडबैक को साइकटूलबॉक्स का उपयोग करके कार्यान्वित किया गया था और कस्टम-लिखित मुख्य कार्यक्रम के साथ इंटरफ़ेस किया गया था।

विषयों में पानी की कमी थी और उन्हें लगातार दिनों में कार्य सीखना पड़ता था, प्रत्येक दिन दो सत्र आयोजित किए जाते थे, एक सुबह और दूसरा दोपहर में।

 

हमने यह जांचने के लिए एक नियंत्रण प्रयोग भी किया कि फायरिंग दर के सामान्यीकरण ने कुशल अस्थायी तंत्रिका पैटर्न की पीढ़ी को कैसे प्रभावित किया। इस नियंत्रण प्रयोग में, C05 को प्रत्यक्ष इकाइयों की एक अलग जोड़ी (जिसे "सीएस-मॉड्यूलेशन" कार्य कहा जाता है) का उपयोग करके सामान्यीकृत संयोग स्कोर के बजाय संयोग स्कोर को संशोधित करना था। अन्य कार्य कॉन्फ़िगरेशन "एनसीएस-मॉड्यूलेशन" कार्य के समान थे।

 

चित्र 2. बीएमआई-आधारित कार्य प्रतिमान। (ए) कार्य बंद-लूप तरीके से चलाया गया था। विषय के M1 से तंत्रिका गतिविधि स्वचालित रूप से पढ़ी और निकाली गई थी। ट्रिगर और लक्ष्य इकाइयों से स्पाइक्स के बीच सभी लीड और लैग का उपयोग एनसीएस की गणना करने के लिए किया गया था, जिसे ऑडियो कर्सर की आवृत्ति और दृश्य कर्सर की ऊर्ध्वाधर स्थिति में मैप करके वापस फीड किया गया था। इस उदाहरण परीक्षण में, इनाम के लिए एनसीएस सीमा 0.32 थी। पहले सत्र में अनुमानित एनसीएस वितरण के आधार पर जल पुरस्कार की सीमा निर्धारित की गई थी। (बी) एक विशिष्ट सत्र की कार्य संरचना। सत्र की शुरुआत 5-मिनट के बेसलाइन ब्लॉक के साथ हुई, जिसके बाद एनसीएस के वितरण का अनुमान लगाया जा सका। एक परीक्षण अधिकतम 15 सेकंड तक चल सकता है, उसके बाद 4 सेकंड लंबा अंतर-परीक्षण अंतराल (आईटीआई) हो सकता है। एनसीएस की गणना 300 एमएस स्लाइडिंग विंडो में तंत्रिका गतिविधि का उपयोग करके की गई थी।

 

2.2. डेटा विश्लेषण व्यवहार मेट्रिक्स।

कार्य में व्यवहारिक प्रदर्शन का मूल्यांकन करने के लिए हमने दो मेट्रिक्स, सफलता दर और परीक्षण अवधि लागू की। सफलता दर को सफल परीक्षणों की संख्या और एक सत्र में परीक्षणों की कुल संख्या के बीच के अनुपात के रूप में परिभाषित किया गया था। प्रत्येक विषय के लिए सत्रों में तुलनात्मक रूप से समान कुल संख्या में परीक्षण किए गए (बी11: 105.3 ± 12.8; सी05: 215 ± 20.0) और बाद के विश्लेषण के लिए उपयोग किया गया था। परीक्षणों की संख्या इतनी निर्धारित की गई थी कि विषय पूर्ण सहभागिता के साथ प्रदर्शन कर सकें। एक अन्य मीट्रिक जो व्यवहारिक प्रदर्शन, परीक्षण अवधि का आकलन करती है, उसे परीक्षण की शुरुआत से लेकर इनाम वितरण तक के समय के रूप में परिभाषित किया गया था।

एक अन्य मीट्रिक जो व्यवहारिक प्रदर्शन, परीक्षण अवधि का आकलन करती है, उसे परीक्षण की शुरुआत से लेकर इनाम वितरण तक के समय के रूप में परिभाषित किया गया था

 

सीसीएच. हमने एक सीमित समय पैमाने [30] पर ट्रिगर और लक्ष्य इकाइयों के बीच अस्थायी संबंध को चित्रित करने के लिए एक जिटर-करेक्टेड क्रॉस-सहसंबंध हिस्टोग्राम (सीसीएच) का उपयोग किया। हमने सरोगेट CCH (sCCH) को प्रस्तुत करने के लिए लक्ष्य इकाई से प्रत्येक स्पाइक के लिए उत्सर्जन समय को बेतरतीब ढंग से कम कर दिया। यह पुन: नमूनाकरण प्रक्रिया 1000 बार [31] चलाई गई। घबराहट में भिन्नता सीसीएच के अस्थायी समाधान पर निर्भर थी। उदाहरण के लिए, यदि सीसीएच का बिन 15 एमएस था, जैसा कि चित्र 5ए में दिखाया गया है, तो यादृच्छिक जिटरिंग ("जिटर विंडो") का मानक विचलन भी 15 एमएस पर सेट किया जाना चाहिए। सही CCH प्राप्त करने के लिए हमने इस sCCH को कच्चे CCH से घटा दिया। इस तरह, हमने गारंटी दी कि सीसीएच के अस्थायी रिज़ॉल्यूशन की तुलना में संरचित फायरिंग पैटर्न या टाइमस्केल में बदलाव को हटा दिया जाएगा। अनिवार्य रूप से, सीसीएच में एक विशेष बिन की प्रत्येक पट्टी लक्ष्य न्यूरॉन के साथ संयोग उत्पन्न करने के लिए ट्रिगर न्यूरॉन्स की स्पाइक की संभावना का प्रतिनिधित्व करती है। इसलिए, हम दो न्यूरॉन्स की अस्थायी सटीकता को मापने के लिए जीरो-लैग के पास खड़े बार का उपयोग कर सकते हैं। चूंकि हमारा अध्ययन अस्थायी क्रम के साथ अस्थायी परिशुद्धता पर केंद्रित था, इसलिए हमने विश्लेषण के लिए केवल [0, 15] एमएस या [0, 5] एमएस में संयोग का उपयोग किया। इसके अलावा, स्वीकृति बैंड के निर्माण के लिए sCCH की टेल प्रायिकता का उपयोग किया गया था। घबराकर सुधारे गए CCH में त्रुटि पट्टी ने sCCH के मानक विचलन को रेखांकित किया

सटीक अस्थायी पैटर्न के लिए स्पाइक गिनती की तुलना। इस परिकल्पना का परीक्षण करने के लिए कि उत्पन्न सटीक टेम्पोरल पैटर्न ऊर्जा कुशल हैं, हमने संयोग स्कोर को नियंत्रित करते हुए बेसलाइन ब्लॉक के साथ कार्य ब्लॉक से एकत्र किए गए सटीक टेम्पोरल पैटर्न की स्पाइक गिनती की तुलना की। अधिक विशेष रूप से, हमने बेसलाइन ब्लॉक (150 एमएस चरणों में विंडो को घुमाकर) से 300 एमएस लंबे तंत्रिका पैटर्न का नमूना लिया, जिसका संयोग स्कोर पुरस्कृत तंत्रिका पैटर्न से संयोग स्कोर की सीमा में था।

 

इसके अतिरिक्त, हमने इस कार्य से एकत्र किए गए सटीक अस्थायी पैटर्न की स्पाइक गिनती की तुलना सीएस-मॉड्यूलेशन कार्य के पुरस्कृत तंत्रिका पैटर्न से भी की है। इसी तरह, हमने इन दो सेटों से तंत्रिका पैटर्न का नमूना लिया ताकि संयोग स्कोर की सीमा मेल खाए। मॉडुलन सूचकांक.

 

मॉड्यूलेशन इंडेक्स का उपयोग बेसलाइन ब्लॉक FRbaseline में इसकी फायरिंग के आधार पर कार्य ब्लॉक में एकल न्यूरॉन्स की मॉड्यूलेशन गहराई को चिह्नित करने के लिए किया गया था:

 

अधिक विशिष्ट रूप से, कार्य ब्लॉक में सफल परीक्षणों का उपयोग करके FRtask का अनुमान लगाया गया था। स्थिर सत्र. कुल n रिकॉर्डिंग सत्रों में स्थिर सत्र (या सीखने का पठार) का पता लगाने के लिए, हमने पिछले k सत्रों से सफलता दर के भिन्नता के बीच अनुपात rk की गणना की σ 2 ({Si |i=n - k प्लस 1, ..., n}) और वह पहले σ 2 से ({Si |i=1, ..., n - k}) इस प्रकार है:

 

जहां Si सत्र i में सफलता दर को दर्शाता है। k को 2 से n - 1 तक पुनरावृत्त किया गया था, और जब rk, rk-1 से अधिक था तो पुनरावृत्ति समाप्त कर दी गई थी। अंतिम k-1 सत्र स्थिर सत्र के रूप में लौटाया जाएगा। दूसरे शब्दों में, k वें सत्र को अंतिम k - 1 सत्र में जोड़ने से व्यवहारिक भिन्नता बढ़ जाएगी और इस प्रकार इसे एक स्थिर सत्र के रूप में नहीं माना जाएगा। इस मानदंड के आधार पर, बी11 के सत्र 6 से सत्र 10 तक और सी05 के सत्र 9 से सत्र 10 को स्थिर माना गया।

ओवरशूटिंग एनसीएस। जो एनसीएस इनाम की सीमा को पार कर गया, उसे ओवरशूटिंग एनसीएस के रूप में परिभाषित किया गया। दो विषयों में थ्रेशोल्ड मानों की असमानता का मुकाबला करने के लिए, हमने क्रम में B11 के सभी ओवरशूटिंग एनसीएस से थ्रेसहोल्ड ({{0}}.36 − 0.32=0.04) में अंतर घटा दिया। संशोधित ओवरशूटिंग एनसीएस को प्रस्तुत करने के लिए।

2.3. सांख्यिकीय विश्लेषण सफलता दर.

प्रत्येक विषय में ऊपर की ओर रुझान का परीक्षण करने के लिए सबसे पहले रैखिक फिटिंग का प्रदर्शन किया गया था। प्रारंभिक चरण में सफलता दर की तुलना अंतिम चरण में सफलता दर की तुलना करने के लिए एक-पूंछ वाले मान-व्हिटनी परीक्षण का उपयोग किया गया था। प्रत्येक समूह ने दो विषयों के चार सत्रों को संयोजित किया (n=8) [32]।

परीक्षण अवधि. प्रारंभिक चरण में परीक्षण अवधि की तुलना अंतिम चरण में परीक्षण अवधि से करने के लिए, हमने विभिन्न सत्रों और विषयों से परीक्षण अवधि के नमूनों को एक साथ एकत्र किया। इस नेस्टेड संरचना को देखते हुए, "चरण" कारक की भिन्नता और विभिन्न कारकों के बीच बातचीत को प्रकट करने के लिए दो-तरफा एनोवा (एफ (डीएफएन, डीएफडी)) का उपयोग किया गया था। महत्वपूर्ण संयोग के लिए परीक्षण. पुनः नमूनाकरण के बाद सरोगेट सीसीएच के मानक विचलन का उपयोग अलग-अलग अल्फ़ाज़ के तहत प्रत्येक बिन के लिए विश्वास अंतराल की ऊपरी सीमा की गणना करने के लिए किया गया था (उदाहरण के लिए, 95 प्रतिशत आत्मविश्वास के लिए 0.05)। इस प्रकार हमने उन ऊपरी सीमाओं के साथ घबराहट-सही सीसीएच की तुलना करके प्रत्येक बिन के महत्वपूर्ण संयोग का परीक्षण किया। फायरिंग दर सामान्यीकरण के साथ कुशल फायरिंग।

यह देखते हुए कि 3 0 0 एमएस लंबे तंत्रिका पैटर्न में स्पाइक गिनती एक अलग चर थी, मैक-स्किलिंग्स परीक्षण (गैर-पैरामीट्रिक दो-तरफा एनोवा) का उपयोग अशक्त परिकल्पना के खिलाफ परीक्षण करने के लिए किया गया था कि स्पाइक गिनती सटीक है कार्य ब्लॉक और बेसलाइन ब्लॉक (या सीएस-मॉड्यूलेशन कार्य) से अस्थायी पैटर्न में कोई अंतर नहीं था। दूसरे कारक के रूप में संयोग स्कोर के साथ, इसे 0.9 से 2.9 तक पांच ब्लॉकों में विभाजित किया गया था (सीएस-मॉड्यूलेशन कार्य की तुलना में 1.8 से 3.2 तक तीन ब्लॉक)। नेटवर्क मॉड्यूलेशन इंडेक्स. सत्रों (प्रत्येक स्थिति के लिए चार सत्र) में सभी महत्वपूर्ण रूप से संशोधित अप्रत्यक्ष न्यूरॉन्स के मॉड्यूलेशन सूचकांकों को एक साथ एकत्रित किया गया था, और यह जांचने के लिए एक-नमूना टी-परीक्षण का उपयोग किया गया था कि क्या माध्य मॉड्यूलेशन सूचकांक सांख्यिकीय रूप से शून्य से भिन्न था। संशोधित ओवरशूटिंग एनसीएस का एकत्रित वितरण। एक दो-नमूना कोलमोगोरोव-स्मिरनोव परीक्षण का उपयोग शून्य परिकल्पना के खिलाफ परीक्षण करने के लिए किया गया था कि दो विषयों के सही ओवरशूटिंग एनसीएस एक ही वितरण से थे।

---

जायदा के लिये पूछो:

ईमेल:wallence.suen@wecistanche.com

व्हाट्सएप/टेलीफोन: प्लस 86 15292862950

दुकान:

https://www.xjcistanche.com/cISTanche-shop