multi-unit-recording-methods-to-characterize-neural-activity-locust

Multi-unit Recording Methods to Characterize Neural Activity in the Locust (<em>Schistocerca Americana</em>) Olfactory Circuits

Detection and interpretation of olfactory cues are critical for the survival  of many organisms. Remarkably, species across phyla have strikingly similar ...

Washington University in St. Louis 

&#x5185;&#x76AE;&#x5C42;&#x533A;&#x548C;&#x7A97;&#x4F53;&#x5730;&#x5F62;&#x56FE;&#x63ED;&#x793A;&#x795E;&#x7ECF;&#x7EC6;&#x80DE;&#x7EC4;&#x7EC7;&#x548C;&#x4E92;&#x8FDE;&#x7684;&#x6D1E;&#x5BDF;&#x5E38; nonrandomly &#x5206;&#x5E03;&#x795E;&#x7ECF;&#x5143;&#x7684;&#x529F;&#x80FD;&#x7279;&#x6027;&#x3002;&#x4E00;&#x4E9B;&#x529F;&#x80FD;&#x7684;&#x5730;&#x56FE;&#xFF0C;&#x8FD9;&#x6837;&#x5728;&#x89C6;&#x89C9;&#x76AE;&#x5C42;&#xFF0C;&#x662F;&#x76F8;&#x5F53;&#x7B80;&#x5355;&#x7684;&#x8FA8;&#x522B;&#x4E0E;&#x5404;&#x79CD;&#x5404;&#x6837;&#x7684;&#x6280;&#x672F;&#xFF0C;&#x540C;&#x65F6;&#x5176;&#x4ED6;&#x5730;&#x56FE;&#x3001; &#x542C;&#x89C9;&#x76AE;&#x5C42;&#xFF0C;&#x5982;&#x62B5;&#x5236;&#x6613;&#x4E8E;&#x8868;&#x5F81;&#x3002;&#x4E3A;&#x4E86;&#x786E;&#x5B9A;&#x9002;&#x5F53;&#x7684;&#x534F;&#x8BAE;&#xFF0C;&#x5EFA;&#x7ACB;&#x7CBE;&#x786E;&#x7684;&#x529F;&#x80FD;&#x5730;&#x56FE;&#x7684;&#x542C;&#x89C9;&#x76AE;&#x5C42;&#xFF0C;&#x4EBA;&#x5DE5;&#x5730;&#x5F62;&#x56FE;&#x63A2;&#x6D4B;&#x5728;&#x5404;&#x79CD;&#x6761;&#x4EF6;&#x4E0B;&#xFF0C;&#x5F62;&#x6210;&#x4E86;&#x5B9E;&#x9645;&#x7684;&#x5730;&#x56FE;&#x4ECE;&#x4F30;&#x8BA1;&#x7684;&#x51C6;&#x786E;&#x6027;&#x91CF;&#x5316;&#x3002;&#x5728;&#x8FD9;&#x4E9B;&#x60C5;&#x51B5;&#x4E0B;&#xFF0C;&#x4F4E;&#x590D;&#x6742;&#x6027;&#x5730;&#x56FE;&#x5982;&#x58F0;&#x97F3;&#x9891;&#x7387;&#x53EF;&#x4EE5;&#x4F30;&#x8BA1;&#x51C6;&#x786E;&#x5730;&#x5C11; 25 &#x6837;&#x672C;&#x603B;&#x6570; (&#x4F8B;&#x5982;&#xFF0C;&#x7535;&#x6781;&#x6E17;&#x900F;&#x6216;&#x6210;&#x50CF;&#x50CF;&#x7D20;) &#x5982;&#x679C;&#x795E;&#x7ECF;&#x53CD;&#x5E94;&#x5728;&#x4E00;&#x8D77;&#x8BA1;&#x7B97;&#x7684;&#x5E73;&#x5747;&#x503C;&#x3002;&#x66F4;&#x591A;&#x7684;&#x6837;&#x672C;&#x6240;&#x9700;&#x7684;&#x5730;&#x56FE;&#xFF0C;&#x590D;&#x6742;&#x7A0B;&#x5EA6;&#x8F83;&#x9AD8;&#x7684;&#x6700;&#x9AD8;&#x4F30;&#x8BA1;&#x7CBE;&#x786E;&#x5EA6;&#xFF0C;&#x751A;&#x81F3;&#x8D85;&#x8FC7;&#x589E;&#x52A0;&#x53D6;&#x6837;&#x5BC6;&#x5EA6;&#x5E73;&#x5747;&#x63D0;&#x9AD8;&#x4E86;&#x5730;&#x56FE;&#x4F30;&#x7B97;&#x7CBE;&#x5EA6;&#x3002;&#x6B20;&#x91C7;&#x6837;&#x4E0D;&#x5E73;&#x5747;&#x7684;&#x60C5;&#x51B5;&#x4E0B;&#x53EF;&#x4EE5;&#x4EA7;&#x751F;&#x8BEF;&#x5BFC;&#x5730;&#x56FE;&#x4F30;&#x8BA1;&#xFF0C;&#x867D;&#x7136;&#x5E73;&#x5747;&#x6B20;&#x91C7;&#x6837;&#x53EF;&#x4EE5;&#x5BFC;&#x81F4;&#x9519;&#x8BEF;&#x7684;&#x5224;&#x65AD;&#xFF0C;&#x6CA1;&#x6709;&#x5730;&#x56FE;&#x7684;&#x5F53;&#x4E00;&#x4E2A;&#x5B9E;&#x9645;&#x5B58;&#x5728;&#x3002;&#x7EDF;&#x4E00;&#x6837;&#x672C;&#x95F4;&#x8DDD;&#x4EC5;&#x7565;&#x4F18;&#x4E8E;&#x975E;&#x5747;&#x5300;&#x62BD;&#x6837;&#x95F4;&#x8DDD;&#x5178;&#x578B;&#x7684;&#x4E32;&#x884C;&#x7535;&#x6781;&#x6E17;&#x900F; map &#x4F30;&#x8BA1;&#x3002;&#x9576;&#x5D4C;&#x56FE;&#x901A;&#x5E38;&#x7528;&#x4E8E;&#x53EF;&#x89C6;&#x5316;&#x5730;&#x56FE;&#x4F7F;&#x7528;&#x975E;&#x5747;&#x5300;&#x91C7;&#x6837;&#x4F30;&#x8BA1;&#x4E0D;&#x5982;&#x603B;&#x662F;&#x7EBF;&#x6027;&#x63D2;&#x503C;&#x7684;&#x4F30;&#x8BA1;&#xFF0C;&#x5C3D;&#x7BA1;&#x5DEE;&#x5F02;&#x5F88;&#x5C0F;&#xFF0C;&#x5728;&#x66F4;&#x9AD8;&#x7684;&#x53D6;&#x6837;&#x5BC6;&#x5EA6;&#x3002;&#x7136;&#x540E;&#xFF0C;&#x521D;&#x7EA7;&#x542C;&#x89C9;&#x76AE;&#x8D28;&#x5185;&#x4E0E;&#x81F3;&#x5C11; 100 &#x4E2A;&#x6837;&#x672C;&#x7684;&#x591A;&#x91CD;&#x53D6;&#x6837;&#x5C06;&#x5408;&#x7406;&#x529F;&#x80FD;&#x5730;&#x56FE;&#x4F30;&#x8BA1;&#x6570;&#x4E3A;&#x6240;&#x6709;&#x53EF;&#x80FD;&#x7ED3;&#x679C;&#xFF0C;&#x4F46;&#x6700;&#x9AD8;&#x590D;&#x6742;&#x6027;&#x5730;&#x56FE;&#x548C;&#x53EF;&#x9884;&#x671F;&#x7684;&#x6700;&#x9AD8;&#x53D8;&#x5F02;&#x6027;&#x3002;

&#x8BC4;&#x4EF7;&#x7684;&#x6280;&#x672F;&#x7528;&#x6765;&#x4F30;&#x8BA1;&#x76AE;&#x8D28;&#x529F;&#x80FD;&#x6620;&#x5C04;&#x3002;

Functional properties of neurons are often distributed nonrandomly within a cortical area and form topographic maps that reveal insights into neuronal organization and interconnection. Some functional maps, such as in visual cortex, are fairly straightforward to discern with a variety of techniques, while other maps, such as in auditory cortex, have resisted easy characterization. In order to determine appropriate protocols for establishing accurate functional maps in auditory cortex, artificial topographic maps were probed under various conditions, and the accuracy of estimates formed from the actual maps was quantified. Under these conditions, low-complexity maps such as sound frequency can be estimated accurately with as few as 25 total samples (e.g., electrode penetrations or imaging pixels) if neural responses are averaged together. More samples are required to achieve the highest estimation accuracy for higher complexity maps, and averaging improves map estimate accuracy even more than increasing sampling density. Undersampling without averaging can result in misleading map estimates, while undersampling with averaging can lead to the false conclusion of no map when one actually exists. Uniform sample spacing only slightly improves map estimation over nonuniform sample spacing typical of serial electrode penetrations. Tessellation plots commonly used to visualize maps estimated using nonuniform sampling are always inferior to linearly interpolated estimates, although differences are slight at higher sampling densities. Within primary auditory cortex, then, multiunit sampling with at least 100 samples would likely result in reasonable feature map estimates for all but the highest complexity maps and the highest variability that might be expected.

Evaluation of techniques used to estimate cortical feature maps.

Propri&eacute;t&eacute;s fonctionnelles des neurones sont souvent distribu&eacute;es non al&eacute;atoire dans une corticale cartes topographiques zone et forme qui r&eacute;v&egrave;lent des aper&ccedil;us &agrave; l&#39;interconnexion et de l&#39;organisation neuronale. Certaines cartes fonctionnelles, telles que dans le cortex visuel, sont assez simple &agrave; discerner avec une vari&eacute;t&eacute; de techniques, tandis que d&#39;autres cartes, comme dans le cortex auditif, ont r&eacute;sist&eacute; &agrave; simple caract&eacute;risation. Afin de d&eacute;terminer les protocoles appropri&eacute;s pour &eacute;tablir des cartes fonctionnelles pr&eacute;cises dans le cortex auditif, cartes topographiques artificiels ont &eacute;t&eacute; sond&eacute;s dans diverses conditions, et l&#39;exactitude des estimations, form&eacute; &agrave; partir des cartes r&eacute;elles a &eacute;t&eacute; quantifi&eacute;e. Dans ces conditions, low-complexity cartes comme fr&eacute;quence sonore peut &ecirc;tre estim&eacute; avec pr&eacute;cision avec aussi peu que 25 &eacute;chantillons totaux (par exemple, les p&eacute;n&eacute;trations de l&#39;&eacute;lectrode ou les pixels d&#39;imagerie) si des r&eacute;ponses neuronales sont moyenn&eacute;s ensemble. Plus d&#39;&eacute;chantillons sont n&eacute;cessaires pour atteindre la plus grande pr&eacute;cision de l&#39;estimation pour les cartes de complexit&eacute; plus &eacute;lev&eacute;s, et une moyenne am&eacute;liore la pr&eacute;cision d&#39;estimation carte encore plus que l&#39;augmentation de la densit&eacute; d&#39;&eacute;chantillonnage. Sous-&eacute;chantillonnage sans moyenne peut entra&icirc;ner trompeuse des estimations de la carte, tandis que sous-&eacute;chantillonnage avec &eacute;talement peut conduire &agrave; la conclusion fausse d&#39;aucune carte lorsqu&#39;il en existe en fait. Espacement uniforme &eacute;chantillon am&eacute;liore l&eacute;g&egrave;rement estimation map sur espacement &eacute;chantillon non uniformes typique des p&eacute;n&eacute;trations s&eacute;rie &eacute;lectrode. Parcelles de tessellation couramment utilis&eacute;s pour visualiser les cartes estim&eacute;es &agrave; l&#39;aide d&#39;&eacute;chantillonnage non uniforme sont toujours inf&eacute;rieurs aux estimations interpol&eacute;es de fa&ccedil;on lin&eacute;aire, bien que les diff&eacute;rences sont minimes &agrave; des densit&eacute;s plus &eacute;lev&eacute;es de l&#39;&eacute;chantillonnage. Au sein du cortex auditif primaire, puis, principe &eacute;chantillonnage au moins 100 &eacute;chantillons aurait probablement lieu &agrave; des estimations carte fonction raisonnable pour tous mais les cartes plus hauts de la complexit&eacute; et la variabilit&eacute; plus &eacute;lev&eacute;e qui peut s&#39;y attendre.

Cartes d&#39;&eacute;valuation des techniques utilis&eacute;es pour estimer la fonction corticale.

Funktionelle Eigenschaften der Neuronen sind oft nonrandomly innerhalb einer kortikalen Fl&auml;che und Form Topographische Karten verteilt, die Erkenntnisse der neuronalen Organisation und Zusammenschaltung zu offenbaren. Einige funktionalen Karten, haben solche wie im visuellen Kortex, relativ einfach zu erkennen, mit einer Vielzahl von Techniken, w&auml;hrend andere Karten, z. B. in auditorischen Cortex, sind einfache Charakterisierung widerstanden. Um entsprechende Protokolle zum Aufbau von genauer funktionaler Karten im auditorischen Cortex zu ermitteln, wurden k&uuml;nstliche Topographische Karten unter verschiedenen Bedingungen gepr&uuml;ft, und die Genauigkeit der Sch&auml;tzungen aus den tats&auml;chlichen Karten gebildet wurde quantifiziert. Unter diesen Bedingungen ordnet Low-Complexity wie Tonfrequenz genau mit 25 Gesamt Proben (z.B. Elektrode Penetrationen oder bildgebenden Pixel) nur gesch&auml;tzt werden kann, wenn die neuronale Antworten werden gemittelt. Weitere Beispiele sind erforderlich, um die h&ouml;chste Genauigkeit der Sch&auml;tzung f&uuml;r h&ouml;here Komplexit&auml;t Maps zu erreichen, und mit durchschnittlich verbessert die Genauigkeit der Karten-Sch&auml;tzung noch mehr als die Erh&ouml;hung der Probenahme. Undersampling ohne Mittelwertbildung f&uuml;hren irref&uuml;hrende Karte Sch&auml;tzungen, w&auml;hrend Undersampling mit durchschnittlich zu dem falschen Schluss keine Karte f&uuml;hren kann, wenn man tats&auml;chlich existiert. Einheitliche Beispiel Abstand verbessert Karte Sch&auml;tzung nur geringf&uuml;gig ungleichm&auml;&szlig;ige Beispiel Abstand typisch f&uuml;r serielle Elektrode Penetrationen. Tesselation-Grundst&uuml;cke, die h&auml;ufig zum Karten angen&auml;hert ungleichm&auml;&szlig;ige Probenahme zu visualisieren sind immer linear interpolierten Sch&auml;tzungen, unterlegen, obwohl Unterschiede bei h&ouml;heren Dichte der Probenahme sind. Im prim&auml;ren auditorischen Cortex dann w&uuml;rde die multiunit Probenahme mit mindestens 100 Proben f&uuml;hrt dazu, dass in angemessenen Feature Karte Sch&auml;tzungen f&uuml;r alle aber die h&ouml;chsten Komplexit&auml;t-Karten und die h&ouml;chste Variabilit&auml;t, die erwartet werden k&ouml;nnte.

Bewertung von Techniken, kortikale Funktion sch&auml;tzen ordnet.

Propriet&agrave; funzionali dei neuroni sono distribuiti spesso nonrandomly all&#39;interno di una corticale zona e forma mappe topografiche che rivelano intuizioni organizzazione neuronale e interconnessione. Alcune mappe funzionali, cos&igrave; come nella corteccia visiva, sono abbastanza semplici da discernere con una variet&agrave; di tecniche, mentre altre mappe, ad esempio nella corteccia uditiva, hanno resistito facile caratterizzazione. Al fine di determinare protocolli appropriati per stabilire precise mappe funzionali nella corteccia uditiva, mappe topografiche artificiali sono stati sondati in varie condizioni, e l&#39;accuratezza delle stime formata dalle mappe effettive &egrave; stato quantificato. In queste condizioni, bassa complessit&agrave; mappe come la frequenza del suono pu&ograve; essere stimato con precisione con pochi 25 campioni totali (ad es., penetrazioni elettrodo o imaging pixel) se le risposte neurali sono in media insieme. Pi&ugrave; campioni sono necessari per ottenere la massima precisione di stima per le mappe di complessit&agrave; superiore, e una media migliora mappa stima accuratezza anche pi&ugrave; di aumentare la densit&agrave; di campionamento. Sottocampionamento senza media pu&ograve; causare ingannevole mappa stime, mentre sottocampionamento con una media pu&ograve; portare alla conclusione falsa di nessuna mappa quando uno esiste realmente. Spaziatura uniforme campione migliora solo leggermente mappa stima su spaziatura campione non uniforme tipica delle penetrazioni elettrodo seriale. Trame di tassellatura comunemente usati per visualizzare mappe stimati mediante campionamento non uniforme sono sempre inferiori alle stime interpolate linearmente, anche se le differenze sono lievi a pi&ugrave; alta densit&agrave; di campionamento. All&#39;interno della corteccia uditiva primaria, quindi, campionamento multiunit con almeno 100 campioni sarebbe risultato probabile nelle stime mappa caratteristica ragionevole per tutti ma le mappe pi&ugrave; alte complessit&agrave; e la variabilit&agrave; pi&ugrave; alta che potrebbe essere previsto.

Valutazione delle tecniche utilizzate per stimare la funzione corticale di mappe.

&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x6A5F;&#x80FD;&#x7279;&#x6027;&#x306F;&#x3001;&#x3057;&#x3070;&#x3057;&#x3070;&#x795E;&#x7D4C;&#x7D44;&#x7E54;&#x3068;&#x306E;&#x76F8;&#x4E92;&#x63A5;&#x7D9A;&#x306B;&#x5BFE;&#x3059;&#x308B;&#x6D1E;&#x5BDF;&#x3092;&#x660E;&#x3089;&#x304B;&#x306B;&#x306F;&#x76AE;&#x8CEA;&#x9818;&#x57DF;&#x3068;&#x30D5;&#x30A9;&#x30FC;&#x30E0;&#x5730;&#x5F62;&#x56F3;&#x5185; nonrandomly &#x914D;&#x5E03;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x6A5F;&#x80FD;&#x30DE;&#x30C3;&#x30D7;&#x306A;&#x3069;&#x8996;&#x899A;&#x91CE;&#x3067;&#x306E;&#x30C6;&#x30AF;&#x30CB;&#x30C3;&#x30AF;&#x3001;&#x305D;&#x306E;&#x4ED6;&#x306E;&#x30DE;&#x30C3;&#x30D7;&#x4E2D;&#x306E;&#x69D8;&#x3005; &#x306A;&#x3088;&#x3046;&#x306A;&#x8074;&#x899A;&#x91CE;&#x3092;&#x898B;&#x5206;&#x3051;&#x308B;&#x306B;&#x306F;&#x3001;&#x304B;&#x306A;&#x308A;&#x5358;&#x7D14;&#x3068;&#x304A;&#x308A;&#x7C21;&#x5358;&#x30AD;&#x30E3;&#x30E9;&#x30AF;&#x30BF;&#x30EA;&#x30BC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x62B5;&#x6297;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x8074;&#x899A;&#x91CE;&#x306B;&#x304A;&#x3051;&#x308B;&#x6B63;&#x78BA;&#x306A;&#x6A5F;&#x80FD;&#x7684;&#x306A;&#x5730;&#x56F3;&#x3092;&#x78BA;&#x7ACB;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x9069;&#x5207;&#x306A;&#x30D7;&#x30ED;&#x30C8;&#x30B3;&#x30EB;&#x3092;&#x78BA;&#x8A8D;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4EBA;&#x5DE5;&#x5730;&#x5F62;&#x56F3;&#x304C;&#x69D8;&#x3005; &#x306A;&#x6761;&#x4EF6;&#x306E;&#x4E0B;&#x3067;&#x30D7;&#x30ED;&#x30FC;&#x30D6;&#x3044;&#x305F;&#x3057;&#x3001;&#x5B9F;&#x969B;&#x306E;&#x30DE;&#x30C3;&#x30D7;&#x304B;&#x3089;&#x5F62;&#x6210;&#x3055;&#x308C;&#x305F;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x306E;&#x7CBE;&#x5EA6;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x3092;&#x884C;&#x3063;&#x305F;&#x3002;&#x795E;&#x7D4C;&#x53CD;&#x5FDC;&#x304C;&#x5E73;&#x5747;&#x5316;&#x3055;&#x308C;&#x3066;&#x5834;&#x5408;&#x97F3;&#x306E;&#x5468;&#x6CE2;&#x6570; &#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x96FB;&#x6975;&#x8CAB;&#x901A;&#x307E;&#x305F;&#x306F;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0; &#x30D4;&#x30AF;&#x30BB;&#x30EB;) &#x306E; 25 &#x5408;&#x8A08;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x306E;&#x6570;&#x63A8;&#x5B9A;&#x7CBE;&#x5EA6;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x306A;&#x3069;&#x3001;&#x3053;&#x308C;&#x3089;&#x306E;&#x6761;&#x4EF6;&#x306E;&#x4E0B;&#x3067;&#x4F4E;&#x8907;&#x96D1;&#x3055;&#x3092;&#x30DE;&#x30C3;&#x30D7;&#x3057;&#x307E;&#x3059;&#x3002;&#x591A;&#x304F;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x304C;&#x9AD8;&#x3044;&#x8907;&#x96D1;&#x3055;&#x306E;&#x30DE;&#x30C3;&#x30D7;&#x306E;&#x305F;&#x3081;&#x306E;&#x6700;&#x9AD8;&#x306E;&#x63A8;&#x5B9A;&#x7CBE;&#x5EA6;&#x3092;&#x9054;&#x6210;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308A;&#x3001;&#x5E73;&#x5747;&#x5730;&#x56F3;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x7CBE;&#x5EA6;&#x306E;&#x5411;&#x4E0A;&#x3082;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x5BC6;&#x5EA6;&#x306E;&#x5897;&#x52A0;&#x4EE5;&#x4E0A;&#x3002;&#x30A2;&#x30F3;&#x30C0;&#x30FC; &#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x306A;&#x3057;&#x306E;&#x5E73;&#x5747;&#x306F;&#x3001;&#x30DE;&#x30C3;&#x30D7;&#x306E;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x3068;&#x304D;&#x306B;&#x3001;&#x5B9F;&#x969B;&#x306B;&#x5B58;&#x5728;&#x3059;&#x308B;&#x30A2;&#x30F3;&#x30C0;&#x30FC; &#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0; &#x30A2;&#x30D9;&#x30EC;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x3067;&#x306A;&#x3044;&#x30DE;&#x30C3;&#x30D7;&#x306E;&#x507D;&#x306E;&#x7D50;&#x8AD6;&#x306B;&#x3064;&#x306A;&#x304C;&#x308B;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x8AA4;&#x89E3;&#x3092;&#x62DB;&#x304F;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x5747;&#x4E00;&#x306A;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x9593;&#x9694;&#x306F;&#x3001;&#x5C11;&#x3057;&#x3060;&#x3051;&#x4E0D;&#x7B49;&#x9593;&#x9694;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x9593;&#x9694;&#x4E0A;&#x306E;&#x30B7;&#x30EA;&#x30A2;&#x30EB;&#x306E;&#x96FB;&#x6975;&#x8CAB;&#x901A;&#x5178;&#x578B;&#x7684;&#x306A; map &#x63A8;&#x5B9A;&#x304C;&#x5411;&#x4E0A;&#x3057;&#x307E;&#x3059;&#x3002;&#x76F8;&#x9055;&#x306F;&#x3088;&#x308A;&#x9AD8;&#x3044;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x5BC6;&#x5EA6;&#x3067;&#x308F;&#x305A;&#x304B;&#x306A;&#x304C;&#x4E00;&#x822C;&#x7684;&#x4F7F;&#x7528;&#x4E0D;&#x5747;&#x4E00;&#x6A19;&#x672C;&#x3092;&#x7528;&#x3044;&#x3066;&#x63A8;&#x5B9A;&#x30DE;&#x30C3;&#x30D7;&#x3092;&#x8996;&#x899A;&#x5316;&#x3059;&#x308B;&#x30C6;&#x30C3;&#x30BB;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30D7;&#x30ED;&#x30C3;&#x30C8;&#x5E38;&#x306B;&#x7DDA;&#x5F62;&#x88DC;&#x9593;&#x3055;&#x308C;&#x305F;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x306B;&#x52A3;&#x3063;&#x3066;&#x3067;&#x3059;&#x3002;&#x8074;&#x899A;&#x91CE;&#x5185;&#x306B;&#x306F;&#x53EF;&#x80FD;&#x6027;&#x306F;&#x3059;&#x3079;&#x3066;&#x306E;&#x305F;&#x3081;&#x306E;&#x5408;&#x7406;&#x7684;&#x306A;&#x6A5F;&#x80FD;&#x5730;&#x56F3;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x304C;&#x6700;&#x9AD8;&#x306E;&#x8907;&#x96D1;&#x3055;&#x306E;&#x30DE;&#x30C3;&#x30D7;&#x3068;&#x671F;&#x5F85;&#x3055;&#x308C;&#x308B;&#x304B;&#x3082;&#x3057;&#x308C;&#x306A;&#x3044;&#x6700;&#x9AD8;&#x306E;&#x5909;&#x52D5;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x306F;&#x3001;&#x5C11;&#x306A;&#x304F;&#x3068;&#x3082; 100 &#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x3068;&#x305D;&#x306E;&#x5F8C;&#x3068;&#x601D;&#x3044;&#x307E;&#x3059;&#x3002;

&#x76AE;&#x8CEA;&#x306E;&#x6A5F;&#x80FD;&#x3092;&#x63A8;&#x5B9A;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30C6;&#x30AF;&#x30CB;&#x30C3;&#x30AF;&#x306E;&#x8A55;&#x4FA1;&#x306B;&#x30DE;&#x30C3;&#x30D7;&#x3057;&#x307E;&#x3059;&#x3002;

&#xB274;&#xB7F0;&#xC758; &#xAE30;&#xB2A5; &#xC18D;&#xC131;&#xC744; &#xC790;&#xC8FC;&#xB294; &#xB300;&#xB1CC; &#xD53C; &#xC9C8;&#xC758; &#xC601;&#xC5ED; &#xBC0F; &#xC591;&#xC2DD; &#xC9C0;&#xD615;&#xB3C4; &#xC2E0;&#xACBD; &#xC870;&#xC9C1; &#xBC0F; &#xC0C1;&#xD638; &#xC5F0;&#xACB0;&#xC5D0; &#xB300; &#xD55C; &#xD1B5;&#xCC30;&#xB825;&#xC744; &#xACF5;&#xAC1C; &#xD558;&#xB294; &#xB0B4; nonrandomly &#xBC30;&#xD3EC; &#xB429;&#xB2C8;&#xB2E4;. &#xC77C;&#xBD80; &#xAE30;&#xB2A5; &#xC9C0;&#xB3C4; &#xAC19;&#xC740; &#xC2DC;&#xAC01; &#xD53C; &#xC9C8;, &#xCCAD;&#xAC01; &#xD53C; &#xC9C8; &#xB4F1; &#xB2E4;&#xC591; &#xD55C; &#xAE30;&#xBC95;, &#xB2E4;&#xB978; &#xC9C0;&#xB3C4; &#xD558;&#xBA74;&#xC11C; &#xBD84;&#xBCC4; &#xD558;&#xB294; &#xB9E4;&#xC6B0; &#xAC04;&#xB2E8; &#xD569;&#xB2C8;&#xB2E4;&#xC740; &#xC800;&#xD56D; &#xD588;&#xC2B5;&#xB2C8;&#xB2E4; &#xC27D;&#xAC8C; &#xD2B9;&#xC131;&#xD654;. &#xCCAD;&#xAC01; &#xD53C; &#xC9C8;&#xC5D0; &#xC815;&#xD655;&#xD55C; &#xAE30;&#xB2A5; &#xC9C0;&#xB3C4; &#xC124;&#xC815; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xC801;&#xC808; &#xD55C; &#xD504;&#xB85C;&#xD1A0;&#xCF5C;&#xC744; &#xACB0;&#xC815; &#xD558;&#xAE30; &#xC704;&#xD558;&#xC5EC; &#xC778;&#xACF5; &#xC9C0;&#xD615; &#xC9C0;&#xB3C4; &#xD588;&#xB2E4; &#xB2E4;&#xC591; &#xD55C; &#xC870;&#xAC74; &#xD558;&#xC5D0;&#xC11C; &#xC870;&#xC0AC; &#xD558; &#xACE0; &#xC2E4;&#xC81C; &#xC9C0;&#xB3C4;&#xC5D0;&#xC11C; &#xD615;&#xC131; &#xD558;&#xB294; &#xC608;&#xCE21;&#xC758; &#xC815;&#xD655;&#xB3C4; &#xACC4;&#xB7C9;. &#xC774;&#xB7EC;&#xD55C; &#xC870;&#xAC74; &#xD558;&#xC5D0;&#xC11C; &#xB0AE;&#xC740; &#xBCF5;&#xC7A1;&#xB3C4; &#xAC19;&#xC740; &#xC0AC;&#xC6B4;&#xB4DC; &#xC8FC;&#xD30C;&#xC218; &#xC815;&#xD655; &#xD558; &#xAC8C; &#xBA87; &#xAC00;&#xC9C0; (&#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xC804;&#xADF9; &#xCE68;&#xD22C; &#xB610;&#xB294; &#xC774;&#xBBF8;&#xC9D5; &#xD53D;&#xC140;) 25 &#xCD1D; &#xC0D8;&#xD50C;&#xC73C;&#xB85C; &#xD568;&#xAED8; &#xC2E0;&#xACBD; &#xC751;&#xB2F5; &#xD3C9;&#xADE0;&#xC801; &#xACBD;&#xC6B0; &#xC608;&#xC0C1;&#xD560; &#xC218; &#xC788;&#xB294; &#xC9C0;&#xB3C4;. &#xB354; &#xB9CE;&#xC740; &#xC0D8;&#xD50C;&#xC740; &#xB192;&#xC740; &#xBCF5;&#xC7A1;&#xC131; &#xC9C0;&#xB3C4; &#xB300; &#xD55C; &#xAC00;&#xC7A5; &#xB192;&#xC740; &#xCD94;&#xC815; &#xC815;&#xD655;&#xB3C4; &#xAD6C;&#xD604; &#xD558;&#xB294; &#xB370; &#xD544;&#xC694;&#xD55C; &#xD558; &#xACE0; &#xD3C9;&#xADE0; &#xC0D8;&#xD50C;&#xB9C1; &#xBC00;&#xB3C4; &#xC99D;&#xAC00; &#xBCF4;&#xB2E4; &#xD6E8;&#xC52C; &#xB354; &#xC9C0;&#xB3C4; &#xC608;&#xCE21; &#xC815;&#xD655;&#xB3C4; &#xD5A5;&#xC0C1; &#xC2DC;&#xD0B5;&#xB2C8;&#xB2E4;. &#xD3C9;&#xADE0; &#xC5C6;&#xC774; &#xC5B8;&#xB354;&#xC0D8;&#xD50C;&#xB9C1; &#xC5B8;&#xB354;&#xC0D8;&#xD50C;&#xB9C1; &#xD3C9;&#xADE0;&#xC73C;&#xB85C; &#xC2E4;&#xC81C;&#xB85C; &#xC874;&#xC7AC; &#xD558;&#xB294; &#xACBD;&#xC6B0; &#xC9C0;&#xB3C4; &#xC5C6;&#xC774; &#xC798;&#xBABB; &#xB41C; &#xACB0;&#xB860;&#xC73C;&#xB85C; &#xC774;&#xC5B4;&#xC9C8; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xD558;&#xB294; &#xB3D9;&#xC548; &#xC9C0;&#xB3C4; &#xACAC;&#xC801;, &#xC624;&#xD574;&#xC758; &#xC18C;&#xC9C0;&#xAC00; &#xB420; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC720;&#xB2C8;&#xD3FC; &#xC0D8;&#xD50C; &#xAC04;&#xACA9; &#xC57D;&#xAC04;&#xB9CC; &#xC9C1;&#xB82C; &#xC804;&#xADF9; &#xCE68;&#xD22C;&#xC758; &#xC804;&#xD615;&#xC801;&#xC778; nonuniform &#xC0D8;&#xD50C; &#xAC04;&#xACA9; &#xB3D9;&#xC548; &#xC9C0;&#xB3C4; &#xC608;&#xCE21;&#xC744; &#xD5A5;&#xC0C1; &#xC2DC;&#xD0B5;&#xB2C8;&#xB2E4;. &#xB192;&#xC740; &#xC0D8;&#xD50C;&#xB9C1; &#xBC00;&#xB3C4;&#xC5D0; &#xC57D;&#xAC04;&#xC758; &#xCC28;&#xC774; &#xC788;&#xC9C0;&#xB9CC; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; nonuniform &#xC0D8;&#xD50C;&#xB9C1;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xCD94;&#xC815; &#xC9C0;&#xB3C4; &#xC2DC;&#xAC01;&#xD654; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xACF5;&#xAC04; &#xBD84;&#xD560; &#xD50C;&#xB86F; &#xC120;&#xD615; &#xBCF4;&#xAC04;&#xB41C; &#xACAC;&#xC801;, &#xC5F4; &#xB4F1; &#xD56D;&#xC0C1; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. 1 &#xCC28; &#xCCAD;&#xAC01; &#xD53C; &#xC9C8; &#xB0B4;&#xC5D0;&#xC11C;, &#xC801;&#xC5B4;&#xB3C4; 100 &#xC0D8;&#xD50C; multiunit &#xC0D8;&#xD50C;&#xB9C1; &#xAC83; &#xC608;&#xC0C1; &#xB418;&#xB294; &#xACB0;&#xACFC; &#xB300; &#xD55C; &#xBAA8;&#xB4E0; &#xD569;&#xB9AC;&#xC801;&#xC778; &#xAE30;&#xB2A5; &#xC9C0;&#xB3C4; &#xACAC;&#xC801;&#xC5D0; &#xC788;&#xC9C0;&#xB9CC; &#xAC00;&#xC7A5; &#xB192;&#xC740; &#xBCF5;&#xC7A1;&#xC131; &#xC9C0;&#xB3C4; &#xBC0F; &#xC608;&#xC0C1; &#xB420; &#xC218; &#xC788;&#xB294; &#xB192;&#xC740; &#xB2E4;&#xC591;&#xC131;.

&#xB300;&#xB1CC; &#xD53C; &#xC9C8;&#xC758; &#xAE30;&#xB2A5;&#xC744; &#xCD94;&#xC815; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xAE30;&#xC220;&#xC758; &#xD3C9;&#xAC00; &#xB9E4;&#xD551;&#xD569;&#xB2C8;&#xB2E4;.

Propiedades funcionales de las neuronas se distribuyen a menudo nonrandomly dentro de una cortical &aacute;rea y forma mapas topogr&aacute;ficos que revelan la organizaci&oacute;n neuronal y la interconexi&oacute;n. Algunos mapas funcionales, tales como en la corteza visual, son bastante sencillas discernir con una variedad de t&eacute;cnicas, mientras que otros mapas, como en la corteza auditiva, han resistido f&aacute;cil caracterizaci&oacute;n. Para determinar los protocolos apropiados para establecer mapas funcionales precisas en la corteza auditiva, mapas topogr&aacute;ficos artificiales probadas en diversas condiciones, y se cuantific&oacute; la exactitud de las estimaciones que se forman a partir de los mapas reales. En estas condiciones, baja complejidad mapas tales como frecuencia sana puede estimarse con precisi&oacute;n con tan s&oacute;lo 25 muestras totales (por ejemplo, penetraciones de electrodo o p&iacute;xeles de imagen) si las respuestas neuronales son como promedio. M&aacute;s muestras se requieren para lograr la m&aacute;s alta precisi&oacute;n de la estimaci&oacute;n para mapas mayor complejidad, y con un promedio de mejora la precisi&oacute;n de la estimaci&oacute;n de mapa m&aacute;s que aumentar la densidad de muestreo. Undersampling sin promedio puede resultar enga&ntilde;osa estimaciones del mapa, mientras que undersampling con un promedio puede conducir a la conclusi&oacute;n falsa de ning&uacute;n mapa cuando uno realmente existe. Espaciado uniforme muestra s&oacute;lo ligeramente mejora la estimaci&oacute;n de mapa en espaciado no uniforme muestra t&iacute;pica de penetraciones de electrodo serial. Parcelas de teselaci&oacute;n com&uacute;nmente utilizados para visualizar mapas mediante muestreo no uniforme siempre son inferiores a las estimaciones interpoladas linealmente, aunque las diferencias son leves con densidades superiores de muestreo. Dentro de la corteza auditiva primaria, entonces, muestreo reciente con al menos 100 muestras ser&iacute;a el resultado probable en las estimaciones de mapa caracter&iacute;stica razonable para todos pero los mapas de complejidad m&aacute;s altos y la mayor variabilidad que podr&iacute;a esperarse.

Nalin Katta

Biography

JoVE Journal Publications

Other Publications