ส่วนที่ 3: รหัสประสาทของหน่วยความจำระหว่างการนอนหลับคืออะไร?

สำหรับข้อมูลเพิ่มเติม:ali.ma@wecistanche.com

กรุณาคลิกที่นี่เพื่อส่วน2

จังหวะของสมองขณะหลับ

การแกว่งช้า (0.5–1 Hz)

ในช่วง SWS กิจกรรม neocortical จะแสดงคลื่นช้าที่ซิงโครไนซ์ระหว่าง 0.5 ถึง 1 Hz ซึ่งสัมพันธ์กับการสลับระหว่างไฮเปอร์โพลาไรเซชันในวงกว้างและการลดการทำงานของเซลล์ประสาทระหว่างสถานะ DOWN และสถานะ UP ซึ่งเกี่ยวข้องกับการสลับขั้วอย่างแพร่หลายและการเพิ่มขึ้นของเซลล์ประสาท ยิง. การสั่นช้าของเยื่อหุ้มสมองยังไปถึงและส่งผลกระทบต่อวงจรฮิปโปแคมปัลและธาลามิก

คลื่นเดลต้า (1-4 Hz)

คลื่นสมองแอมพลิจูดสูงที่มีความถี่การสั่นระหว่าง 1 ถึง 4 เฮิรตซ์ โดดเด่นในช่วง SWS

การสั่นของทีต้า (4–9 Hz)

ระหว่างการนอนหลับ REM สัตว์ฟันแทะฮิปโปแคมปัสจะแสดงการสั่นของทีต้าคล้ายกับที่พบในการสำรวจขณะตื่น

การสั่นของแกนหมุน (9–15 Hz)

ในช่วง SWS ฐานดอกและนีโอคอร์เทกซ์แสดงการสั่นของ EEG ในช่วงเวลาสั้นๆ ระหว่าง 9 ถึง 15 เฮิรตซ์ โดยทั่วไปจะกินเวลา 0.5–2 วินาที แกนสลีปมักเกิดขึ้นในสถานะ neocortical UP และอยู่ในแนวเดียวกับระลอกคลื่นของฮิปโปแคมปัสชั่วคราว

การแกว่งของแกมมา (35–120 Hz)

ระหว่าง SWS การบันทึก EEG ของมนุษย์และสัตว์ฟันแทะจะแสดงการแกว่งของแกมมาในย่านความถี่ต่ำ (35–50 Hz) และสูง (60–120 Hz)

Hippocampal คลื่นแหลมคม (SWRs, 150–300 Hz)

คอมเพล็กซ์ SWR ประกอบด้วยคลื่นแหลมที่มีแอมพลิจูดขนาดใหญ่ใน LFP ของฮิปโปแคมปัสและกิจกรรมการสั่นของ LFP ที่รวดเร็วที่เกี่ยวข้องซึ่งกรองระหว่าง 150 ถึง 300 Hz โดยทั่วไปจะกินเวลา 50-100 มิลลิวินาที การระเบิดของ SWR อาจใช้เวลานานถึง 400 มิลลิวินาที

กล่อง2

วิธีการวิเคราะห์กิจกรรมขัดขวางการนอนหลับ

คลิกเพื่อ Cistanche ในภาษาอูรดูเพื่อปรับปรุงหน่วยความจำ

การวิเคราะห์สหสัมพันธ์

การวิเคราะห์สหสัมพันธ์คำนวณความแรงของความสัมพันธ์แบบเพียร์สันระหว่างสองเซลล์ประสาทตามกิจกรรมการยิงใน WAKE และ SLEEP ความแรงของ zero-lag การเปิดใช้งานร่วมกันของการยิงเซลล์แบบคู่กำหนดความคล้ายคลึงกันระหว่างรูปแบบการส่งสัญญาณประสาทใน WAKE และ SLEEP [9] วิธี "ความแปรปรวนที่อธิบาย" จะประเมินว่าค่าความแปรปรวนเพิ่มเติมในความสัมพันธ์หลังการนอนหลับนั้นสามารถอธิบายได้ด้วยค่าใน WAKE มากน้อยเพียงใด โดยคำนึงถึงโครงสร้างก่อนการนอนหลับ [11]

การจับคู่เทมเพลต

การจับคู่เทมเพลตจะเปรียบเทียบเมทริกซ์การนับจำนวนการขัดขวางสองเมทริกซ์ (จัดเป็นเซลล์โดยเวลา) ที่ถูกผูกไว้ชั่วคราวและทำให้เรียบ [12,31,42] และประเมินว่าการเปิดใช้งานอีกครั้งในกิจกรรมแบบคู่นั้นสอดคล้องกันทั่วทั้งกลุ่มเซลล์ประสาทหรือไม่ ผลลัพธ์ของการจับคู่เทมเพลตมีความอ่อนไหวต่อขนาดถังชั่วคราว และความแข็งแกร่งของความสัมพันธ์จะแตกต่างกันไปตามมาตราส่วนเวลาที่บีบอัดต่างกัน

การจับคู่ลำดับ

การจับคู่ลำดับเป็นวิธีการแบบผสมผสานสำหรับการตรวจสอบรูปแบบการยิงตามลำดับของกิจกรรมการเพิ่มขึ้นอย่างรวดเร็วของประชากร มันคำนวณความน่าจะเป็นของการจับคู่โดยแปลงคำสั่งการเริ่มทำงานของเซลล์ประสาทเป็นคำ เปรียบเทียบความน่าจะเป็นในการจับคู่ระหว่างคำสองคำ (คำหนึ่งอยู่ใน WAKE และอีกคำหนึ่งใน SLEEP) และกำหนดนัยสำคัญทางสถิติของการจับคู่ [26,32] วิธีการจับคู่ลำดับมีความไวต่อการหน่วงเวลา (และเป็นผลจากการตรวจจับและการเรียงลำดับ) และจำนวนเซลล์ที่ถูกกระตุ้นใน SLEEP

การวิเคราะห์ส่วนประกอบหลักและการวิเคราะห์ส่วนประกอบอิสระ

การวิเคราะห์องค์ประกอบหลัก (PCA) ขยายวิธีการสหสัมพันธ์และประเมินความคล้ายคลึงกันระหว่างเมทริกซ์สหสัมพันธ์สองเมทริกซ์ระหว่าง WAKE และ SLEEP [43,58] มันคำนวณความแรงของการเปิดใช้งานใหม่ระหว่างสองเทมเพลตและให้การวัดความคล้ายคลึงในทันทีระหว่าง WAKE และ SLEEP ค่าความแรงของการเปิดใช้งานใหม่ที่มีค่ามากบ่งชี้ถึงความคล้ายคลึงกันที่ดี (รูปที่ 4a) อย่างไรก็ตาม ความแรงของการกระตุ้นใหม่มีความสัมพันธ์เชิงบวกกับอัตราการยิงของเซลล์ประสาทและไม่ได้เปิดเผย .โดยตรงหน่วยความจำเนื้อหาของรูปแบบการยิงทั้งมวล วิธี PCA ถือว่าสถิติสหสัมพันธ์อยู่กับที่ทั้งภายใน WAKE และ SLEEP ซึ่งเป็นข้อจำกัดที่เข้มงวดที่สุดในการแสดงข้อมูลการพุ่งขึ้นของเส้นประสาทที่ไม่คงที่ การวิเคราะห์องค์ประกอบอิสระ (ICA) ขยายวิธีการ PCA และค้นหาพื้นที่ฉายภาพเชิงเส้นที่แยกแหล่งที่มาอิสระทางสถิติ วิธี ICA มีแนวคิดคล้ายกับวิธี PCA ยกเว้นว่ามีขั้นตอน ICA เพิ่มเติมตามด้วย PCA [59] ทั้ง PCA และ ICA อยู่ในวิธีการย่อยเชิงเส้น ดังนั้นพวกมันจึงไม่สามารถจับการเปลี่ยนแปลงที่ไม่เป็นเชิงเส้นใดๆ ได้ และจุดแข็งในการกระตุ้นซ้ำของพวกมันมีความสัมพันธ์เชิงบวกกับกำลังกำลังสองของอัตราการยิงชั่วคราวต่อตัว

การวิเคราะห์โทโพโลยี

โทโพโลยีเกี่ยวกับพีชคณิตเป็นเครื่องมือทางคณิตศาสตร์ที่ยืมมาเพื่อศึกษาการเข้ารหัสของเซลล์ประสาท hippocampal สำหรับโทโพโลยีเชิงพื้นที่ [60–62] มีวัตถุประสงค์เพื่อคำนวณคุณสมบัติทอพอโลยีนามธรรมจากออบเจกต์ทอพอโลยีที่ได้รับมา และใช้คุณสมบัติเหล่านี้เพื่อหาความสัมพันธ์แบบกลุ่มภายในเซลล์ประสาท

การถอดรหัสประชากร

การถอดรหัสประชากรเป็นวิธีการคำนวณที่ใช้สถิติหรือทฤษฎีข้อมูลเพื่อดึงข้อมูลเชิงปริมาณจากกิจกรรมขัดขวางของวงประสาท [63] วิธีการถอดรหัสประชากรทำให้สมมติฐานทางสถิติบางอย่างเกี่ยวกับกิจกรรมการเพิ่มจำนวนประชากร (เช่น สมมติฐานปัวซองที่เป็นอิสระ) และใช้โอกาสหรือการอนุมานแบบเบย์เพื่อถอดรหัสเนื้อหาของรหัสประชากร วิธีการถอดรหัสระดับหนึ่งได้รับการดูแล ซึ่งต้องการข้อมูลภาคสนามที่เปิดกว้างเกี่ยวกับเซลล์ประสาทแต่ละเซลล์ [64,65]; วิธีการถอดรหัสอีกประเภทหนึ่งไม่มีการควบคุมดูแล ซึ่งไม่จำเป็นต้องมีมาตรการเปิดกว้างหรือพฤติกรรม [66–68] (รูปที่ 4b) การเปรียบเทียบอย่างเป็นระบบของวิธีการถอดรหัสประชากรทั้งสองประเภทนี้ในฮิปโปแคมปัสที่เกี่ยวข้องกับการนอนหลับหน่วยความจำรายงานการศึกษาใน [69]

กล่องที่ 2 รูปที่ 1 การประเมินรหัสประชากรของเซลล์ประสาทที่เกี่ยวข้องกับการนอนหลับอย่างเป็นกลาง

(a) การวิเคราะห์องค์ประกอบหลัก (PCA) สำหรับการคำนวณความคล้ายคลึงกันของสองเทมเพลตของเมทริกซ์สหสัมพันธ์จากการนับจำนวนการเพิ่มขึ้นอย่างรวดเร็ว (WAKE และ SLEEP) และการประเมินความแรงของการเปิดใช้งานอีกครั้งระหว่างการนอนหลับ (ทำซ้ำโดยได้รับอนุญาต [43]) ใน WAKE {λ,1,p1} จะเชื่อมโยงกับองค์ประกอบหลักที่โดดเด่น (PC) ที่ดึงมาจาก PCA ใน SLEEP จะคำนวณความแรงของการเปิดใช้งานใหม่ที่เปลี่ยนแปลงตามเวลา (b) การถอดรหัสประชากรที่ไม่ได้รับการดูแลโดยใช้แบบจำลอง Markov ที่ซ่อนอยู่ในสถานะ จำกัด (HMM) โดยเฉพาะอย่างยิ่ง สภาพแวดล้อมเชิงพื้นที่จะแสดงด้วยพื้นที่ของรัฐที่ไม่ต่อเนื่องกันอย่างจำกัด เส้นทางข้ามตำแหน่งเชิงพื้นที่ ("รัฐ") มีความเกี่ยวข้องกับรูปแบบการขัดขวางของวงดนตรี hippocampal ที่สอดคล้องกัน ซึ่งมีลักษณะเฉพาะโดยเมทริกซ์การเปลี่ยนแปลงสถานะ จากเมทริกซ์การเปลี่ยนสถานะ กราฟโทโพโลยีที่กำหนดการเชื่อมต่อในพื้นที่ของรัฐจะถูกอนุมาน [69] ในสองวิธีนี้ ไม่มีการตั้งสมมติฐานเกี่ยวกับ RF ของเซลล์ประสาท และขนาดถังใน Post-SLEEP ไม่ขึ้นกับขนาดถังที่ใช้ใน WAKE เนื่องจากลำดับของ WAKE และ SLEEP สามารถสลับกันได้ เราจึงสามารถใช้วิธีการเหล่านี้กับข้อมูล SLEEP ก่อน จากนั้นจึงตรวจสอบความหมายในลักษณะการทำงานของ WAKE ดังนั้นทั้งสองจึงตกอยู่ในกระบวนทัศน์ใหม่ ("หน่วยความจำก่อน หมายถึง ภายหลัง")

Trends Box

ฐานดอก (โครงสร้างย่อย) มีบทบาทสำคัญในการปิดช่องรับความรู้สึก

การควบคุมความตื่นตัวและการสร้างแกนหมุนการนอนหลับของ thalamocortical เพื่อผ่าอย่างเต็มที่

เกี่ยวข้องกับการนอนหลับหน่วยความจำสิ่งสำคัญคือต้องเข้าใจการสื่อสารสามทาง

ในกลุ่ม hippocampal-neocortical, thalamocortical, cortico-thalamic ในการนอนหลับ

การรวมอิเล็กโตรสรีรวิทยา การถ่ายภาพ ความเป็นจริงเสมือน และออปโตเจเนติกส์เข้าไว้ด้วยกัน

การตรวจสอบเชิงทดลองสามารถขยายความเข้าใจของเราเกี่ยวกับระบบประสาทได้อย่างมาก

รหัสอ้างอิงหน่วยความจำและนอนหลับ

ออปโตเจเนติกส์ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการทดสอบบทบาทเชิงสาเหตุของวงจรประสาทใน

หน่วยความจำควบแน่นและมีคุณค่าต่อการสร้างความทรงจำเท็จ. พบว่ามีประสิทธิภาพ

หมายถึงการรวมตัวความทรงจำเท็จอาจส่งผลกระทบอย่างมากต่ออนาคต

พฤติกรรม.

เชื่อมช่องว่างการวิจัยระหว่างสัตว์ฟันแทะกับไพรเมตที่ไม่ใช่มนุษย์/มนุษย์ใน

การศึกษาการนอนหลับเป็นกุญแจสำคัญในการผ่ากลไกวงจรในการรวมสิ่งต่าง ๆ เข้าด้วยกัน

รูปแบบของความทรงจำและเพื่อให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับการรักษาทางระบบประสาท

และโรคทางจิตเวช

คำถามที่โดดเด่น

อะไร: การเป็นตัวแทน—เนื้อหาที่เกี่ยวข้องกับการนอนหลับหน่วยความจำในเครือข่าย hippocampal- neocortical กิจกรรมขัดขวางการนอนหลับมีส่วนสำคัญหรือไม่และจะประเมินความสำคัญได้อย่างไร? ไม่เนื้อหาที่เกี่ยวข้องกับการนอนหลับหน่วยความจำในพื้นที่สมองหนึ่งช่วยถอดรหัสเนื้อหาของการนอนหลับที่เกี่ยวข้องหน่วยความจำในภูมิภาคอื่น?

WHEN: การประสานงานชั่วคราว—เวลาของหน่วยความจำการเปิดใช้งานใหม่ (เช่น เหตุการณ์ระลอกและแกนหมุนที่เกิดขึ้นโดยบังเอิญหรือไม่บังเอิญ) และบทบาทการทำงานที่แตกต่างกัน การประสานงานระหว่าง hippocampal-neocortical มีวิวัฒนาการอย่างไรในระยะการนอนหลับที่แตกต่างกัน?

ที่ไหน: ความทรงจำแบบเป็นตอนประกอบด้วยลำดับเชิงพื้นที่ในประสบการณ์เชิงพฤติกรรม ซึ่งรวมถึงการเข้ารหัสวิถีเชิงพื้นที่และการเข้ารหัสลำดับที่ไม่ใช่เชิงพื้นที่ เราจะแยกแยะเนื้อหาของความทรงจำเชิงพื้นที่กับความทรงจำที่ไม่ใช่เชิงพื้นที่ในการนอนหลับได้อย่างไร เราสามารถอ่านความทรงจำตามบริบทหรืออารมณ์ขณะนอนหลับได้หรือไม่? เราสามารถระบุเนื้อหาของรหัสประชากร hippocampal-neocortical ระหว่างการนอนหลับ REM ได้มากน้อยเพียงใด วิธีหลักในการตรวจสอบความคิดสร้างสรรค์และความเข้าใจอย่างเป็นระบบในการนอนหลับคืออะไร การนอนหลับของ NREM และ REM มีบทบาทต่างกันในการรวมการประกาศหรือไม่?หน่วยความจำเทียบกับขั้นตอนหน่วยความจำ? อะไรคือกลไกของวงจรที่ยอมให้ปัจจัยภายนอก (เช่น รางวัล คิวประสาทสัมผัส) อคติกับเนื้อหาที่เกี่ยวข้องกับการนอนหลับหน่วยความจำ? พวกเขาจากบนลงล่างหรือล่างขึ้นบน? เราจะจัดการกับการนอนหลับอย่างมีประสิทธิภาพได้อย่างไรหน่วยความจำเพื่อปรับปรุงประสิทธิภาพการทำงานขององค์ความรู้หลังการนอนหลับ? ความทรงจำเท็จถูกรวมเข้าด้วยกันในลักษณะเดียวกับความทรงจำจริงระหว่างการนอนหลับหรือไม่? วิธีที่มีประสิทธิภาพในการปรับปรุงหรือปราบปรามพวกเขาคืออะไร? สามารถสอบสวนโรคเกี่ยวกับการนอนหลับได้หน่วยความจำเปิดเผยการค้นพบใหม่ระหว่างสมองปกติกับสมองที่แก่/ป่วย หรือแม้แต่ระหว่างสมองธรรมดากับสมองอัจฉริยะ?

รูปที่ 1. การศึกษาความจำและการนอนหลับของหนูฮิปโปแคมปัส

(ก) กระบวนทัศน์การศึกษามาตรฐานสำหรับหนูฮิปโปแคมปัลหน่วยความจำประกอบด้วยการนอนหลับก่อนการวิ่ง การวิ่ง/พฤติกรรม และการนอนหลับหลังการวิ่ง (b) การจำแนกระยะการนอนหลับจาก EMG, LFP ของเยื่อหุ้มสมอง (พลังงานเดลต้า), พลังการกระเพื่อมของฮิปโปแคมปัส และอัตราส่วนพลังงานคอร์เทกซ์ทีต้า/เดลต้า [21] (c) กิจกรรมขัดขวางประชากรหนูฮิปโปแคมปัสระหว่างการวิ่งบนเส้นทางเชิงเส้น (d) สัตว์ฟันแทะ LFP และ SWR ของสัตว์ฟันแทะระหว่าง SWS หลังการวิ่ง และรูปแบบการขัดขวาง spatiotemporal ที่เกี่ยวข้องซึ่งแสดงลำดับชั่วขณะที่คล้ายกัน ("เล่นซ้ำ") (ทำซ้ำโดยได้รับอนุญาต [18])

รูปที่ 2. การผ่าความทรงจำของฮิปโปแคมปัล-นีโอคอร์ติคัลระหว่างการนอนหลับ

(a,b) ลำดับการยิงของเซลล์ประสาทในหนูแรท V1 (a) และฮิปโปแคมปัส (b) ระหว่างตอน RUN และ POST- RUN SWS รอบ: รูปแบบการยิงเซลล์ประสาทของประชากรระหว่างการวิ่งรอบเดียวบนวิถีจากซ้ายไปขวา แต่ละแถวแสดงถึงเซลล์ และแต่ละขีดแสดงถึงหนามแหลม เฉลี่ย: ลำดับการเริ่มทำงานของเทมเพลตที่ได้จากการเฉลี่ยทุกรอบบนวิถี แต่ละเส้นโค้งแสดงถึงอัตราการยิงเฉลี่ยของเซลล์ เซลล์ถูกกำหนดให้กับตัวเลข 0, 1, ฯลฯ จากนั้นจึงจัดเรียง (01234567) จากล่างขึ้นบนตามลำดับของยอดที่ยิง (เส้นแนวตั้ง) เฟรม:รูปแบบการยิงของประชากรเดียวกันในตอน POST-RUN SWS รูปสามเหลี่ยมและวงกลมแสดงถึงการเริ่มต้นและสถานะลงตามลำดับ Seq: ลำดับการยิงในเฟรม รถไฟสไปค์ถูกห่อหุ้มด้วยหน้าต่างแบบเกาส์เซียน และเซลล์ถูกจัดเรียง (0132567) ตามจุดสูงสุด (เส้นแนวตั้ง) ของเส้นโค้งที่เป็นผลลัพธ์ [36] (c) เสียงการได้ยิน (L เป็นสีแดง หมายถึงเลี้ยวซ้าย) มีอคติต่อการเปิดใช้งานฮิปโปแคมปัสระหว่าง SWS [37] ในพล็อตแรสเตอร์ หนามแหลมจากเซลล์สถานที่ที่มีเขตข้อมูลสถานที่ทางด้านขวาของแทร็กจะเป็นสีน้ำเงิน และเขตข้อมูลสถานที่ด้านซ้ายเป็นสีแดง ฟิลด์สถานที่จะเรียงลำดับจากบนลงล่างตามตำแหน่งบนแทร็ก (ด้านขวา-ซ้าย) ก่อนเริ่มนอนหลับ หนูกำลังพักผ่อนอยู่ในห้องนอน เหตุการณ์การเปิดใช้งานใหม่ในกล่องเส้นประสีเขียวจะแสดงทางด้านขวา (d) กลุ่มเซลล์ประสาทคอร์เทกซ์การได้ยินที่ลำเอียงเสียง (สีเขียว) ทำนายการเปิดใช้งานของเซลล์ประสาทฮิปโปแคมปัส (สีส้ม) ระหว่าง SWRs แถบสีชมพูแสดงถึงเสียง แถบสีฟ้าแสดงถึง SWR ที่ตรวจพบ รอยดำบนสุดคือ LFP ที่กรองระลอกคลื่นใน hippocampal CA1 [38] (จ) การหาปริมาณของการได้รับการคาดการณ์ของการใช้เยื่อหุ้มสมองก่อน SWR แบบเสียง (AC) แบบเสียงตามรูปแบบการขัดขวางทั้งมวลเพื่อทำนายการยิง CA1 ของ hippocampal ข้อมูลแตกต่างอย่างมากจากสถิติที่สับเปลี่ยน (n=96) [38] ตัวเลขทั้งหมดทำซ้ำโดยได้รับอนุญาต

รูปที่ 3. การถอดรหัสเนื้อหาของจินตภาพระหว่างการนอนหลับ REM ของมนุษย์

(a) ข้อมูล fMRI ได้มาจากผู้เข้าร่วมการนอนหลับพร้อมกันกับ polysomnography ผู้เข้าร่วมตื่นขึ้นในระหว่างการนอนหลับระยะที่ 1 หรือ 2 (เส้นประสีแดง) และรายงานประสบการณ์การมองเห็นของพวกเขาด้วยวาจาระหว่างการนอนหลับ ข้อมูล fMRI ทันทีก่อนตื่น (9 วินาที) ถูกใช้เป็นอินพุตสำหรับการวิเคราะห์การถอดรหัสหลัก (ใช้กรอบเวลาเลื่อนสำหรับการวิเคราะห์หลักสูตรเวลา) คำที่อธิบายวัตถุหรือฉากที่มองเห็น (ตัวอักษรสีแดง) ถูกดึงออกมา เนื้อหาภาพคาดการณ์โดยใช้ตัวถอดรหัสการเรียนรู้ด้วยเครื่องซึ่งได้รับการฝึกฝนเกี่ยวกับการตอบสนองของ fMRI ต่อภาพที่เป็นธรรมชาติ (b) ในระหว่างขั้นตอนการฝึกอบรม คำที่อธิบายวัตถุหรือฉากที่มองเห็นได้เป็นครั้งแรกบนซินเซ็ตของต้นไม้ WordNet [พจนานุกรมของคำนาม กริยา กริยาวิเศษณ์ คำคุณศัพท์ และความสัมพันธ์ของคำศัพท์] Synsets ถูกจัดกลุ่มเป็น "synsets ฐาน" ซึ่งอยู่สูงกว่าในทรี รายงานที่มองเห็นได้ (ผู้เข้าร่วม 2) จะแสดงด้วยเวกเตอร์เนื้อหาที่มองเห็นได้ ซึ่งมีหรือไม่มีซินเซ็ตพื้นฐานในรายงานเมื่อตื่นขึ้นแต่ละครั้งจะระบุด้วยสีขาวหรือสีดำตามลำดับ ตัวอย่างของรูปภาพที่ใช้สำหรับการฝึกตัวถอดรหัสจะแสดงสำหรับซินเซ็ตพื้นฐานบางส่วน ในระหว่างขั้นตอนการทดสอบ ตัวถอดรหัสแบบคู่หรือหลายป้ายจะถูกนำไปใช้กับเหตุการณ์การปลุกเพื่อทำนายป้ายกำกับวัตถุที่มองเห็น (ทำซ้ำโดยได้รับอนุญาต [56])