مدل سازی محاسباتی تمایز بین دو مقدار ناهمگونی در یک جفت محرک در ناحیه V۴ قشر بینایی

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 139

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ICSS-27-1_008

تاریخ نمایه سازی: 19 مهر 1404

چکیده مقاله:

مقدمه: این پژوهش سازوکارهای محاسباتی تمایز ناهمگونی دوچشمی را در ناحیه V۴ قشر بینایی با رویکردی نوین در مدل سازی بررسی می کند. هدف، تحلیل توانایی نورون های V۴ در تشخیص ناهمگونی های ظریف نزدیک به صفحه تثبیت و ارائه چارچوبی محاسباتی برای تبیین این فرایند است. فرضیه اصلی بیان می دارد که تمایز ناهمگونی در V۴ به اختلاف مطلق جفت ناهمگونی ها و نزدیکی آنها به ناهمگونی صفر وابسته است. روش کار: داده های الکتروفیزیولوژیک از ۱۵۶ نورون V۴ در میمون های ماکاک با ارائه استریوگرام های نقطه ای تصادفی (RDS) با ناهمگونی های ۲°/۱±، ۶°/۰±، ۳°/۰± و ۰° و ضرایب همبستگی متغیر گردآوری شد. شاخصی نوین به نام «شاخص توانایی تمایز ناهمگونی» (DDAI) معرفی شد که توانایی جمعیت نورونی در تفکیک جفت ناهمگونی ها را با تحلیل ROC کمی سازی می کند. این شاخص میانگین سطح نرمال شده زیر منحنی ROC برای هر جفت محرک است. مدل محاسباتی DCM برای پیش بینی الگوهای DDAI توسعه یافت. یافته ها: نتایج نشان داد نورون های V۴ برای ناهمگونی های نزدیک به صفر تنظیم پذیری بالایی دارند و تغییرپذیری پاسخ (ضریب تغییرات) در این محدوده کمینه است. با افزایش قدر مطلق ناهمگونی، تغییرپذیری پاسخ افزایش یافت. مدل DCM با دقت بالا (ضریب همبستگی پیرسون= ۹۶۹/۰، ضریب اسپیرمن= ۸۸۷/۰) الگوهای DDAI را پیش بینی کرد. آزمون هم ارزی (TOST) تایید کرد که پیش بینی های مدل عملا با داده های تجربی معادلند (میانگین اختلاف= ۰۰۰۱۸/۰، فاصله اطمینان ۹۰% در بازه ±۰۳/۰). نتیجه گیری: یافته ها فرضیه اصلی را تایید می کنند که توانایی تمایز ناهمگونی در V۴ به اختلاف مطلق جفت ناهمگونی ها و نزدیکی آنها به ناهمگونی صفر وابسته است. ناحیه V۴ از راهبرد رمزگذاری کارآمدی بهره می برد که دقت را در ناهمگونی های نزدیک به عمق تثبیت اولویت بندی می کند و برای ناهمگونی های بزرگ تر رمزگذاری خشن تری ارائه می دهد. چارچوب DCM پایه ای محکم برای درک پردازش ناهمگونی در سطح جمعیت نورونی فراهم می کند و کاربردهایی در سیستم های بینایی مصنوعی و ارزیابی اختلالات استریوسکوپیک دارد.

نویسندگان

احمد حاج رضا جعفرآبادی

PhD Student in Cognitive Modeling, Institute for Cognitive Science Studies, Department of Cognitive Modeling, Tehran, Iran

میر محسن پدرام

. Associate Professor, Kharazmi University, Faculty of Engineering, Department of Electrical and Computer Engineering, Tehran, Iran

محمدرضا ابوالقاسمی دهاقانی

Assistant Professor, University of Tehran, Faculty of Electrical and Computer Engineering, Department of Artificial Intelligence and Robotics, Tehran, Iran

محمد عبدالرحمانی

Institute for Cognitive Science Studies, Department of Cognitive Modeling, Tehran, Iran

عین الله پاشا

Professor Emeritus, Kharazmi University, Faculty of Mathematical Sciences and Computer, Department of Statistics, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Marr D, Poggio T. Cooperative computation of stereo disparity. Science. ...
  • Gonzalez F, Perez R. Neural mechanisms underlying stereoscopic vision. Progress ...
  • Nikara T, Bishop PO, Pettigrew JD. Analysis of retinal correspondence ...
  • Shiozaki HM, Tanabe S, Doi T, Fujita I. Neural Activity ...
  • Yoshioka TW, Doi T, Abdolrahmani M, Fujita I. Specialized contributions ...
  • Lawrence SJD, Zamboni E, Vernon RJW, Gouws AD, Wade AR, ...
  • Abdolrahmani (محمد عبدالرحمنی) M, Doi (土井隆弘) T, Shiozaki (塩崎博史) HM, ...
  • Marr D, Poggio T. Cooperative computation of stereo disparity. Science. ...
  • Gonzalez F, Perez R. Neural mechanisms underlying stereoscopic vision. Progress ...
  • Nikara T, Bishop PO, Pettigrew JD. Analysis of retinal correspondence ...
  • Shiozaki HM, Tanabe S, Doi T, Fujita I. Neural Activity ...
  • Yoshioka TW, Doi T, Abdolrahmani M, Fujita I. Specialized contributions ...
  • Lawrence SJD, Zamboni E, Vernon RJW, Gouws AD, Wade AR, ...
  • Abdolrahmani (محمد عبدالرحمنی) M, Doi (土井隆弘) T, Shiozaki (塩崎博史) HM, ...
  • Pettigrew JD, Nikara T, Bishop PO. Binocular interaction on single ...
  • Rieke F, editor. Spikes: exploring the neural code. Cambridge, Mass: ...
  • Dayan P, Abbott LF. Theoretical neuroscience: computational and mathematical modeling ...
  • Prince SJD, Pointon AD, Cumming BG, Parker AJ. Quantitative Analysis ...
  • Softky W, Koch C. The highly irregular firing of cortical ...
  • Hsu A, Borst A, Theunissen FE. Quantifying variability in neural ...
  • Green DM, Swets JA. Signal detection theory and psychophysics. Repr. ...
  • Uka T, DeAngelis GC. Contribution of Middle Temporal Area to ...
  • Lamme VA, Supèr H, Spekreijse H. Feedforward, horizontal, and feedback ...
  • Tanabe S. Rejection of False Matches for Binocular Correspondence in ...
  • Hegdé J, Van Essen DC. Role of Primate Visual Area ...
  • Uka T, DeAngelis GC. Linking Neural Representation to Function in ...
  • نمایش کامل مراجع