VolitionalGenerationofReproducible,Efficient Temporal Patterns

เชิงนามธรรม:ลักษณะพิเศษอย่างหนึ่งของสมองชีวภาพคือค่าใช้จ่ายด้านพลังงานต่ำซึ่งต้องใช้ในการทำงานทางชีวภาพและความฉลาดที่หลากหลาย เมื่อเทียบกับปัญญาประดิษฐ์ (AI) สมัยใหม่ รหัสชั่วคราวที่ใช้พลังงานอย่างมีประสิทธิภาพแบบ Spike ได้รับการเสนอแนะมานานแล้วว่ามีส่วนช่วยให้สมองทำงานด้วยค่าใช้จ่ายด้านพลังงานต่ำ แม้จะมีรายงานรหัสนี้ส่วนใหญ่ในคอร์เทกซ์ประสาทรับความรู้สึก แต่รหัสนี้สามารถนำไปใช้ในพื้นที่สมองส่วนอื่น ๆ เพื่อทำหน้าที่ที่กว้างขึ้นหรือไม่ และวิธีที่มันวิวัฒนาการตลอดการเรียนรู้นั้นยังคงไม่ได้รับการแก้ไข ในการศึกษานี้ เราได้ออกแบบกระบวนทัศน์ส่วนต่อประสานระหว่างสมองกับเครื่องจักร (BMI) แบบใหม่ ลิงแสมสองตัวสามารถสืบพันธุ์ได้โดยเจตนารูปแบบชั่วคราวที่ประหยัดพลังงานในเปลือกนอกมอเตอร์หลัก (M1) โดยการเรียนรู้กระบวนทัศน์ BMI ยิ่งไปกว่านั้น เซลล์ประสาทส่วนใหญ่ที่ไม่ได้รับมอบหมายโดยตรงให้ควบคุมค่าดัชนีมวลกายไม่ได้เพิ่มความตื่นเต้นให้กับเซลล์ประสาท และเซลล์ประสาทเหล่านี้ยังแสดงให้เห็นถึงวิธีการประหยัดพลังงานโดยรวมในการปฏิบัติงาน ตลอดการเรียนรู้ เราพบว่าอัตราการยิงและความแม่นยำทางโลกของเซลล์ประสาทที่เลือกนั้นพัฒนาร่วมกันเพื่อสร้างรูปแบบชั่วคราวที่ประหยัดพลังงานซึ่งบ่งชี้ว่าการประมวลผลที่เหนียวแน่นแทนที่จะแยกจากกันนั้นอยู่ภายใต้การปรับแต่งของรูปแบบทางโลกที่ประหยัดพลังงาน

คำสำคัญ:รูปแบบชั่วคราวที่แม่นยำรหัสประหยัดพลังงาน;ส่วนต่อประสานระหว่างสมองกับเครื่องจักร; เยื่อหุ้มสมองมอเตอร์หลัก

คลิกที่นี่เพื่อรู้จัก CISTANCHE สำหรับพลังงานสมอง

1. บทนำ

แม้ว่าสมองของมนุษย์จะใช้พลังงานจากร่างกายถึง 20 เปอร์เซ็นต์ แต่ท้ายที่สุดแล้วสมองจะใช้พลังงานเพียง 20 วัตต์เท่านั้น [1,2] ยิ่งกว่านั้น หนึ่งในการศึกษาล่าสุดได้เปิดเผยว่าพลังงานที่ใช้สำหรับการคำนวณทางประสาทนั้นใช้น้อยกว่าหนึ่งเปอร์เซ็นต์ของงบประมาณทั้งหมด [3] เมื่อเทียบกับพลังงานที่ใช้โดยปัญญาประดิษฐ์สมัยใหม่ (AI) ที่ใช้ในฮาร์ดแวร์ที่ใช้ซิลิกอน สมองจะใช้พลังงานน้อยมากเป็นพิเศษในการนำปัญญาทางชีวภาพไปใช้ เป็นเวลาหลายทศวรรษที่นักวิทยาศาสตร์และวิศวกรพยายามดึงข้อมูลเชิงลึกจากแผนการเข้ารหัสประสาทเพื่อสร้างระบบอัจฉริยะที่มีประสิทธิภาพ การเข้ารหัสแบบชั่วขณะ ซึ่งข้อมูลถูกสื่อสารและประมวลผลผ่านการประสานงานแบบชั่วคราวของสไปค์ ใช้ประโยชน์จากลักษณะที่ไม่ต่อเนื่องของสไปค์ ในทางทฤษฎีรหัสชั่วคราวสามารถนำข้อมูลได้มากกว่ารหัสอัตรา [4] ดังนั้นการเข้ารหัสชั่วคราวจึงได้รับความสนใจและถูกนำมาใช้ในแนวทางปฏิบัติของ AI [5–7] อย่างไรก็ตาม การนำรหัสชั่วคราวมาใช้ไม่จำเป็นต้องนำไปสู่ความกระจัดกระจายหรืองบประมาณด้านพลังงานที่ต่ำทั่วโลกในสมองทางชีวภาพ (รูปที่ 1A) ตาม [8] ประสิทธิภาพของโค้ดถูกกำหนดให้เป็นอัตราส่วนของความสามารถในการเป็นตัวแทนต่อพลังงานที่ใช้ไป ซึ่งมีลักษณะตามจำนวนของศักยภาพในการดำเนินการที่รวมอยู่ การศึกษาเมื่อเร็วๆ นี้ชิ้นหนึ่งระบุว่าการสร้างรูปแบบทางเวลาที่แม่นยำนั้นมาพร้อมกับการกระตุ้นที่เพิ่มขึ้น [9] ในกรณีนี้ แม้ว่ารูปแบบทางโลกที่แม่นยำจะถูกสร้างขึ้นอย่างแข็งแกร่ง แต่ก็ไม่ถือว่ามีประสิทธิภาพ เนื่องจากต้นทุนการเผาผลาญที่เพิ่มขึ้นซึ่งเกิดจากการพุ่งขึ้นมากเกินไป ดังนั้น ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับวิธีการสร้างรูปแบบชั่วคราวที่มีประสิทธิภาพและความแตกต่างของระบบประสาทที่เป็นรากฐานของการสร้างรูปแบบที่มีประสิทธิภาพและไม่มีประสิทธิภาพจึงมีความจำเป็นอย่างมาก ความเข้าใจที่ลึกซึ้งยิ่งขึ้นนี้เป็นกุญแจสำคัญในการวาดความหมายเชิงหน้าที่ในขอบเขตของประสาทวิทยาศาสตร์และออกแบบปัญญาประดิษฐ์ที่มีประสิทธิภาพ

 

รูปที่ 1 แผนผังของรหัสชั่วคราวที่แม่นยำ (A) แผนผังแสดงรหัสชั่วคราวที่แม่นยำสองประเภท สี่เหลี่ยมที่แรเงาทำเครื่องหมายการซิงโครไนซ์ที่แม่นยำเกินกว่าความผันผวนของอัตราที่รักษาไว้ในสไปค์เทรนของเซลล์ประสาทสองตัว อย่างไรก็ตาม รูปแบบชั่วคราวที่แม่นยำและมีประสิทธิภาพที่ปรากฎทางด้านขวามีหนามแหลมน้อยกว่าทางด้านซ้าย แม้ว่าจำนวนความบังเอิญที่พุ่งสูงขึ้นภายใต้ทั้งสองกรณีจะเท่ากันก็ตาม (B) แผนผังของวิธีการศึกษารหัสที่มีประสิทธิภาพบนโครงข่ายประสาทเทียมโดยการรวมคำศัพท์การทำให้เป็นมาตรฐานไว้ในฟังก์ชันต้นทุนอย่างชัดเจนเพื่อลงโทษอัตราการยิงที่สูง r(t) ในที่นี้ c(t) หมายถึงสัญญาณเป้าหมายที่เครือข่ายจะแสดง (C) แผนผังของการรวมอย่างชัดเจนของความจุข้อมูล c(t) และต้นทุนการเผาผลาญ (อัตราการยิงของเซลล์ประสาท r(t)) ในตัวถอดรหัสของส่วนต่อประสานระหว่างสมองกับเครื่องจักรสำหรับการศึกษารหัสที่มีประสิทธิภาพ ในร่างกาย NCS(t) คือตัวแปรถอดรหัสที่กำหนดไว้ในการศึกษานี้

 

ในช่วงหลายทศวรรษที่ผ่านมา นักวิจัยได้บันทึกรูปแบบชั่วคราวที่มีประสิทธิภาพ โดยส่วนใหญ่อยู่ในบริบทของการเข้ารหัสสิ่งกระตุ้น [10,11] อย่างไรก็ตาม นอกเหนือจากการแสดงสิ่งกระตุ้นแล้ว สมองส่วนชีวภาพยังมีการคำนวณต่างๆ เพื่อให้ได้สติปัญญา เช่น หน่วยความจำในการทำงาน การสร้างรูปแบบที่ซับซ้อนด้วยตนเองอย่างยั่งยืน และการออกผลลัพธ์ อย่างไรก็ตาม ไม่ค่อยมีใครรู้ว่ารูปแบบทางเวลาที่มีประสิทธิภาพสามารถทำซ้ำได้เพื่อให้บริการฟังก์ชันที่หลากหลายขึ้นหรือไม่ อีกหัวข้อที่ถกเถียงกันเกี่ยวกับรหัสที่มีประสิทธิภาพคือความสามารถในการเรียนรู้ เนื่องจากการแทนที่ชั่วคราวของสไปค์ "นับ" แต่ละสไปค์และสไปค์ส่วนเกินใด ๆ จะถือเป็นค่าใช้จ่ายทางเมแทบอลิซึมตามคำจำกัดความของรหัสที่มีประสิทธิภาพ การปรับใช้รหัสนี้ในโครงข่ายประสาทเทียมที่อิงสไปค์เพื่อสนับสนุนการคำนวณที่มีประสิทธิภาพถือเป็นคำมั่นสัญญามากมาย อย่างไรก็ตาม มีการศึกษาค่อนข้างน้อยที่แสดงให้เห็นว่าสามารถฝึกฝนเครือข่ายเพื่อสร้างรูปแบบที่มีประสิทธิภาพได้ [12–14] กลยุทธ์หนึ่งที่เสนอคือการจำกัดอัตราการยิงอย่างชัดเจนในฟังก์ชันต้นทุน และฝึกเครือข่ายด้วยการแพร่กระจายย้อนกลับของข้อผิดพลาดทั่วโลก ซึ่งไม่น่าเชื่อถือทางชีวภาพ (รูปที่ 1B) อย่างไรก็ตาม ยังไม่มีการแสดงให้เห็นว่าสามารถเรียนรู้รูปแบบที่มีประสิทธิภาพในลักษณะที่น่าเชื่อถือทางชีววิทยาได้หรือไม่ ซึ่งอาจเป็นเรื่องยากที่จะตรวจสอบในร่างกาย เนื่องจากเราไม่สามารถกำหนด "วัตถุประสงค์" เพื่อจำกัดการปล่อยหนามแหลมระหว่างงานด้านพฤติกรรมแบบดั้งเดิม ซึ่งเป็นกรณีนี้ ในโครงข่ายประสาทเทียม

เพื่อรับมือกับความท้าทายเหล่านี้ เราได้ใช้ประโยชน์จากส่วนต่อประสานสมองกับเครื่องจักร (BMI) [15] นอกเหนือจากความสำเร็จอย่างล้นหลามในการฟื้นฟูมอเตอร์ [16–20] การพูด [21] และการทำงานด้านจิตใจ [22] แล้ว เมื่อเร็ว ๆ นี้ BMI ยังกระตุ้นประสาทวิทยาศาสตร์ด้วยการเสนอสาเหตุไปสู่ผลลัพธ์ทางพฤติกรรมสำหรับรูปแบบทางประสาทบางอย่าง นักวิจัยสามารถกำหนดการจับคู่ระหว่างการทำงานของระบบประสาทและผลลัพธ์ทางพฤติกรรม ซึ่งเรียกว่า "ตัวถอดรหัส" [23–26] ดังนั้น ค่าดัชนีมวลกายทำให้เรามีความสามารถในการกำหนด "วัตถุประสงค์" กล่าวคือ จำกัด การปล่อยหนามเพื่อตรวจสอบว่ารูปแบบชั่วคราวที่มีประสิทธิภาพสามารถสร้างและเรียนรู้ซ้ำได้หรือไม่ (รูปที่ 1C) ในการศึกษาของ [9] ผู้เขียนได้แสดงให้เห็นว่าเมื่อตัวถอดรหัสเป็นฟังก์ชันของเวลาขัดขวางสัมพัทธ์แทนที่จะเป็นตัวบ่งชี้ที่ใช้กันทั่วไป เช่น อัตราการยิง เพื่อควบคุมผลลัพธ์ รูปแบบที่นำเสนอด้วยความแม่นยำทางโลกอาจเกี่ยวข้องกับพฤติกรรมเชิงสาเหตุ นอกจากนี้ การแมปที่รู้จักใน "ขาเทียมนิวโรโพรเทติก" ช่วยให้ผู้เขียนติดตามว่ารูปแบบชั่วคราวนั้นเรียนรู้และขัดเกลาอย่างไรในวงจรสมอง อย่างไรก็ตาม การศึกษานั้นครอบคลุมเฉพาะกรณีของรูปแบบทางโลกที่ไม่มีประสิทธิภาพเท่านั้น ทำให้รูปแบบทางโลกที่มีประสิทธิภาพส่วนใหญ่ยังไม่ได้สำรวจ ดังนั้น จุดสนใจของงานนี้คือการศึกษาการสร้างและการเรียนรู้รูปแบบชั่วคราวที่มีประสิทธิภาพในคอร์เทกซ์ยนต์ โดยการแนะนำค่าดัชนีมวลกายใหม่ที่จำกัดเวลาการขัดขวางที่แม่นยำ ตลอดจนต้นทุนการเผาผลาญที่เกิดจากจำนวนการขัดขวาง

 

2. วัสดุและวิธีการ

ขั้นตอนการผ่าตัดและการทดลองทั้งหมดเป็นไปตามแนวทางการดูแลและการใช้สัตว์ทดลอง (กระทรวงสาธารณสุขของจีน) และได้รับการอนุมัติจากคณะกรรมการการดูแลสัตว์ของมหาวิทยาลัยเจ้อเจียงในประเทศจีน ขั้นตอนการผ่าตัดได้รับการอธิบายโดยละเอียดใน [27] โดยสังเขป 96-channel microelectrode arrays (Blackrock Neurotech) ถูกฝังอย่างเรื้อรังในมอเตอร์คอร์เทกซ์ปฐมภูมิของลิงตัวผู้ 2 ตัว (Macaca mulatta) (Monkey B11, Monkey C05) ลิงเหล่านี้ใช้เวลาประมาณหนึ่งสัปดาห์ในการฟื้นตัวจากการผ่าตัด หลังจากนั้นสัญญาณประสาทจะถูกบันทึกผ่านระบบการรับข้อมูลแบบหลายช่องสัญญาณของ Cerebus (Blackrock Neurotech) ที่อัตราตัวอย่าง 30 kHz ตรวจพบกิจกรรมขัดขวางโดยเกณฑ์ (ตัวคูณค่าเฉลี่ยรากกำลังสอง, B11: ×5.5; C05: ×7) ในเซสชันการเรียนรู้แรกและหลังจากการจัดเรียงด้วยตนเองออนไลน์ เรากำหนดให้หน่วยแยกสองหน่วยที่มีอัตราส่วนสัญญาณต่ออัตราส่วน (SNR) สูงสุดและเสถียรภาพของรูปคลื่นตามการบันทึกจากสัปดาห์ก่อนหน้าให้เป็นหน่วยทริกเกอร์และหน่วยเป้าหมายตามลำดับ เทมเพลตการเรียงลำดับแบบออนไลน์สำหรับหน่วยทั้งสองนี้ไม่มีการเปลี่ยนแปลงตลอดการเรียนรู้และตรวจสอบความถูกต้องโดยตัวเรียงลำดับแบบออฟไลน์ (Plexon, Dallas, TX, USA, Inc.) เพื่อให้แน่ใจว่ามีการบันทึกเซลล์ประสาทเดียวกันและใช้สำหรับการฝึกอบรมในเซสชันต่างๆ ดังแสดงในรูปที่ S1A ว่าการเปลี่ยนแปลงของรูปคลื่นระหว่างเซสชันนั้นน้อยกว่าแอมพลิจูดเฉลี่ย เนื่องจากหน่วยที่เลือกทั้งสองนี้มีหน้าที่โดยตรงต่อผลลัพธ์ พวกเขาจึงถูกระบุว่าเป็น "เซลล์ประสาทโดยตรง" หน่วยที่เหลือคือ "เซลล์ประสาททางอ้อม" ซึ่งตรวจพบและจัดเรียงแบบออฟไลน์สำหรับการวิเคราะห์ที่ตามมาในบทความนี้ จำนวน "เซลล์ประสาททางอ้อม" ที่บันทึกไว้ค่อนข้างคงที่ตลอดวัน (B11: 54.3 ± 8.5; C05: 54.3 ± 9.1) นอกจากนี้ ความสัมพันธ์เชิงพื้นที่ของเซลล์ประสาทโดยตรงในอาร์เรย์แสดงในรูปที่ S1B

 

2.1. งานด้านพฤติกรรม

ในงานนี้ ความเร็วของหน่วยทริกเกอร์และหน่วยเป้าหมายในหน้าต่าง 300 มิลลิวินาทีถูกสตรีมแบบเรียลไทม์ไปยังสคริปต์ที่เขียนขึ้นเองใน MATLAB (Mathworks Inc., Natick, MA, USA) เพื่อคำนวณตัวแปรปรับอากาศ: คะแนนความบังเอิญมาตรฐาน (NCS) หน้าต่างถูกเลื่อนทุกๆ 150 มิลลิวินาทีโดยมีการเหลื่อมกัน 150 มิลลิวินาที จากนั้น NCS จะถูกส่งกลับไปยังผู้ทดลองทางหูและทางสายตาทุกๆ 150 มิลลิวินาทีเช่นกัน อาสาสมัครจะได้รับรางวัลน้ำหากสามารถปรับรูปแบบประสาทเพื่อขับเคลื่อน NCS ถึงเกณฑ์ใน 15 วินาที มิฉะนั้น การทดลองจะสิ้นสุดลง และอาสาสมัครจะต้องรออีก 4 วินาทีเพื่อเริ่มการทดลองครั้งต่อไป (รูปที่ 2B) เกณฑ์ NCS เพื่อรับรางวัลถูกกำหนดให้เป็นเปอร์เซ็นไทล์ที่ 99 ของการกระจาย NCS ซึ่งประเมินจากข้อมูลพื้นฐานในเซสชันแรก (สุ่มตัวอย่างทุก 150 มิลลิวินาทีเป็นเวลา 5 นาที) เกณฑ์ NCS (B11: 0.36; C05: 0.32) ได้รับการแก้ไขในเซสชันต่างๆ ในช่วงการตรวจวัดพื้นฐาน ผู้ทดลองจะนั่งโดยห้ามมือไว้ น้ำถูกให้แบบสุ่มแต่ให้อย่างเบาบาง เพื่อให้วัตถุสงบสติอารมณ์และเพื่อให้พวกมันคงสภาพอยู่นิ่งโดยปราศจากการเคลื่อนไหวมาก ไม่มีสิ่งเร้าทางหูหรือการมองเห็นในช่วงเวลานี้

 

ตัวแปรปรับอากาศ NCS ถูกกำหนดดังนี้:

โดยที่ M และ N คือจำนวนของสไปค์ทั้งหมดจากยูนิตทริกเกอร์และยูนิตเป้าหมายในกรอบเวลา 300 มิลลิวินาที, S(∆ji) คือฟังก์ชันคะแนนที่ขึ้นอยู่กับค่าแล็ก ∆ji ระหว่างเวลาที่ปล่อยออกมาของสไปค์ i ของ หน่วยทริกเกอร์และเข็ม j ของหน่วยเป้าหมาย โดยเฉพาะอย่างยิ่ง ฟังก์ชันคะแนนจะอยู่ในรูปแบบเอกซ์โปเนนเชียล คล้ายกับการเปลี่ยนแปลงประสิทธิภาพของซินแนปติกภายใต้ความเป็นพลาสติกที่ขึ้นกับจังหวะของเข็ม (STDP) [28] โดยที่ทริกเกอร์นำเป้าหมายให้ผลลัพธ์เป็นคะแนนบวก และในทางกลับกัน:

 

ในการทดลองของเรา τ ถูกตั้งค่าไว้ที่ 17 มิลลิวินาทีเพื่อให้พอดีกับหน้าต่างวิกฤตที่สังเกตได้ในการทดลอง STDP [29] ดังนั้นตัวเศษของ NCS จึงให้รางวัลไม่เพียงแค่ความแม่นยำทางโลกเท่านั้น แต่ยังรวมถึงลำดับทางโลกที่ถูกต้องอีกด้วย เพื่อความสะดวก เราเรียกตัวเศษนี้ว่า คะแนนความบังเอิญ (CS) การทำให้เป็นมาตรฐานโดยค่าเฉลี่ยทางเรขาคณิตของสไปค์นับจากสองหน่วยมีบทบาทในการลงโทษสไปค์ที่มากเกินไปสำหรับการจำกัดค่าใช้จ่ายด้านพลังงาน ในทางทฤษฎี ค่าของ NCS ควรอยู่ในช่วง −1 ถึง 1

 

เราจับคู่ NCS เข้ากับความถี่ของเคอร์เซอร์เสียง ตั้งแต่ 1 kHz ถึง 24 kHz โดยเพิ่มทีละ 4 ส่วน ยิ่งกว่านั้น เรานำสภาพแวดล้อมการตอบสนองด้วยภาพที่คล้ายกันมาใช้ในงานที่เน้นศูนย์กลาง เนื่องจากทุกวิชาได้รับการฝึกอบรมเกี่ยวกับงานที่เน้นศูนย์กลาง NCS ใน [−0.5, 0.5] ถูกจับคู่กับตำแหน่งแนวตั้งของวงกลมสีน้ำเงินบนหน้าจอ (รูปที่ 2A) โดยมีวงกลมสีเหลืองแสดงเกณฑ์รางวัล ข้อเสนอแนะแบบภาพถูกนำมาใช้โดยใช้ Psychtoolbox และเชื่อมต่อกับโปรแกรมหลักที่เขียนขึ้นเอง

อาสาสมัครมีข้อจำกัดเรื่องน้ำและต้องเรียนรู้งานติดต่อกันทุกวัน โดยจัดวันละ 2 รอบ คือช่วงเช้าและช่วงบ่าย

 

นอกจากนี้เรายังทำการทดลองควบคุมเพื่อตรวจสอบว่าการทำให้อัตราการยิงเป็นปกติส่งผลต่อการสร้างรูปแบบประสาทชั่วขณะที่มีประสิทธิภาพอย่างไร ในการทดลองควบคุมนี้ C05 ต้องปรับคะแนนความบังเอิญแทนที่จะเป็นคะแนนความบังเอิญที่ปรับให้เป็นมาตรฐานโดยใช้หน่วยทางตรงที่แตกต่างกัน (เรียกว่างาน "CS-modulation") การกำหนดค่างานอื่นๆ เหมือนกับงาน "NCS-modulation"

 

รูปที่ 2 กระบวนทัศน์งานตาม BMI (A) งานดำเนินการในลักษณะวงปิด กิจกรรมประสาทจาก M1 ของตัวอย่างถูกอ่านและแยกโดยอัตโนมัติ ลีดและแล็กทั้งหมดระหว่างสไปค์จากทริกเกอร์และยูนิตเป้าหมายถูกนำมาใช้เพื่อคำนวณ NCS ซึ่งถูกป้อนกลับเพิ่มเติมโดยการแมปกับความถี่ของเคอร์เซอร์เสียงและตำแหน่งแนวตั้งของเคอร์เซอร์ภาพ ในการทดลองที่เป็นตัวอย่างนี้ เกณฑ์ NCS สำหรับรางวัลคือ 0.32 เกณฑ์สำหรับรางวัลน้ำถูกกำหนดขึ้นตามการกระจาย NCS ที่ประเมินในเซสชันแรก (B) โครงสร้างงานของหนึ่งเซสชันทั่วไป เซสชันเริ่มต้นด้วย 5-บล็อกพื้นฐานขั้นต่ำ หลังจากนั้นจึงสามารถประเมินการกระจายของ NCS ได้ การทดลองหนึ่งครั้งอาจใช้เวลาสูงสุด 15 วินาที ตามด้วยช่วงเวลาระหว่างการทดลองที่ยาวนาน 4 วินาที (ITI) NCS คำนวณโดยใช้การทำงานของระบบประสาทในหน้าต่างเลื่อน 300 มิลลิวินาที

 

2.2. ตัวชี้วัดพฤติกรรมการวิเคราะห์ข้อมูล

เราใช้เมตริก 2 รายการ ได้แก่ อัตราความสำเร็จและระยะเวลาทดลองใช้ เพื่อประเมินประสิทธิภาพเชิงพฤติกรรมในงาน อัตราความสำเร็จถูกกำหนดให้เป็นอัตราส่วนระหว่างจำนวนการทดลองที่ประสบความสำเร็จกับจำนวนการทดลองทั้งหมดในหนึ่งเซสชัน จำนวนการทดลองทั้งหมดเท่ากันดำเนินการในแต่ละเซสชัน (B11: 105.3 ± 12.8; C05: 215 ± 20.0) และใช้สำหรับการวิเคราะห์ที่ตามมา จำนวนของการทดลองถูกกำหนดให้เป็นจำนวนที่อาสาสมัครสามารถทำได้โดยมีส่วนร่วมเต็มที่ เมตริกอื่นที่ประเมินประสิทธิภาพพฤติกรรม ระยะเวลาทดลองใช้ถูกกำหนดเป็นเวลาตั้งแต่เริ่มการทดลองจนถึงการให้รางวัล

เมตริกอื่นที่ประเมินประสิทธิภาพพฤติกรรม ระยะเวลาทดลองใช้ถูกกำหนดเป็นเวลาตั้งแต่เริ่มการทดลองจนถึงการให้รางวัล

 

คสช. เราใช้ฮิสโทแกรมข้ามสหสัมพันธ์ (CCH) ที่แก้ไขด้วย Jitter เพื่อแสดงให้เห็นความสัมพันธ์ทางโลกระหว่างทริกเกอร์และหน่วยเป้าหมายในช่วงเวลาที่จำกัด [30] เราสุ่มเวลาปล่อยสัญญาณ Jitter สำหรับการขัดขวางแต่ละครั้งจากยูนิตเป้าหมายเพื่อแสดงผล CCH (sCCH) แทน ขั้นตอนการสุ่มใหม่นี้รัน 1000 ครั้ง [31] การเปลี่ยนแปลงของ jitter ขึ้นอยู่กับความละเอียดชั่วคราวของ CCH ตัวอย่างเช่น ถ้า bin ของ CCH คือ 15 ms ดังแสดงในรูปที่ 5A ดังนั้นค่าเบี่ยงเบนมาตรฐานของการสุ่มแบบสุ่ม ("หน้าต่าง jitter") ควรตั้งค่าไว้ที่ 15 ms ด้วย เราลบ sCCH นี้ออกจาก CCH ดิบเพื่อรับ CCH ที่ถูกต้อง ด้วยวิธีนี้ เรารับประกันได้ว่ารูปแบบการยิงที่มีโครงสร้างหรือการเปลี่ยนแปลงในช่วงเวลาที่เทียบได้กับความละเอียดชั่วคราวของ CCH จะถูกลบออก โดยพื้นฐานแล้ว แต่ละแถบของช่องเฉพาะใน CCH แสดงถึงความเป็นไปได้ที่เซลล์ประสาททริกเกอร์พุ่งสูงเพื่อสร้างความบังเอิญกับเซลล์ประสาทเป้าหมาย ดังนั้นเราจึงสามารถใช้แถบที่ยืนอยู่ข้าง Zero-Lag เพื่อวัดความแม่นยำทางโลกของเซลล์ประสาทสองตัว เนื่องจากการศึกษาของเรามุ่งเน้นไปที่ความแม่นยำทางโลกด้วยลำดับทางเวลา เราจึงใช้ความบังเอิญใน [0, 15] ms หรือ [0, 5] ms ในการวิเคราะห์เท่านั้น นอกจากนี้ยังใช้ความน่าจะเป็นส่วนท้ายของ sCCH เพื่อสร้างแถบการยอมรับ แถบข้อผิดพลาดใน CCH ที่แก้ไขด้วย Jitter แสดงส่วนเบี่ยงเบนมาตรฐานของ sCCH

การเปรียบเทียบจำนวนสไปค์สำหรับรูปแบบชั่วคราวที่แม่นยำ เพื่อทดสอบสมมติฐานที่ว่ารูปแบบทางเวลาที่แม่นยำที่สร้างขึ้นนั้นประหยัดพลังงาน เราเปรียบเทียบจำนวนการเพิ่มขึ้นอย่างรวดเร็วของรูปแบบทางเวลาที่แม่นยำซึ่งรวบรวมจากบล็อกงานกับรูปแบบทางเวลาที่แม่นยำในขณะที่ควบคุมคะแนนความบังเอิญ โดยเฉพาะอย่างยิ่ง เราได้สุ่มตัวอย่างรูปแบบประสาทที่ยาว 300 มิลลิวินาทีจากบล็อกพื้นฐาน (โดยเลื่อนหน้าต่างทีละ 150 มิลลิวินาที) ซึ่งมีคะแนนความบังเอิญอยู่ในช่วงของคะแนนความบังเอิญจากรูปแบบประสาทที่ให้รางวัล

 

นอกจากนี้ เรายังเปรียบเทียบจำนวนที่เพิ่มขึ้นอย่างรวดเร็วของรูปแบบชั่วคราวที่แม่นยำซึ่งรวบรวมจากงานนี้กับรูปแบบประสาทที่ให้รางวัลของงาน CS-modulation ในทำนองเดียวกัน เราสุ่มตัวอย่างรูปแบบประสาทจากสองชุดนี้เพื่อให้ช่วงของคะแนนความบังเอิญตรงกัน ดัชนีมอดูเลต

 

ดัชนีการมอดูเลตถูกใช้เพื่อระบุลักษณะความลึกของการมอดูเลตของเซลล์ประสาทเดี่ยวในบล็อกงานที่มีพื้นฐานมาจากการยิงในบล็อกพื้นฐาน FRbaseline:

 

โดยเฉพาะอย่างยิ่ง FRtask ได้รับการประเมินโดยใช้การทดลองที่ประสบความสำเร็จในบล็อกงาน เซสชันที่เสถียร ในการค้นหาเซสชันที่เสถียร (หรือที่ราบสูงในการเรียนรู้) ในเซสชันการบันทึกทั้งหมด n เซสชัน เราคำนวณอัตราส่วน rk ซ้ำๆ ระหว่างความแปรปรวนของอัตราความสำเร็จจากเซสชัน k ล่าสุด σ 2 ({Si |i=n − k บวก 1, ..., n}) และที่มาจาก fifirst σ 2 ({Si |i=1, ..., n − k}) ดังนี้

 

โดยที่ Si หมายถึงอัตราความสำเร็จในเซสชัน i k ถูกวนซ้ำตั้งแต่ 2 ถึง n − 1 และการวนซ้ำสิ้นสุดลงเมื่อ rk มากกว่า rk−1 เซสชัน k − 1 ล่าสุดจะถูกส่งกลับเป็นเซสชันที่เสถียร กล่าวอีกนัยหนึ่ง การเพิ่มเซสชันที่ k เข้ากับเซสชัน k − 1 ล่าสุดจะขยายความผันแปรของพฤติกรรม ดังนั้นจึงไม่จำเป็นต้องพิจารณาว่าเป็นเซสชันที่เสถียร ตามเกณฑ์นี้ เซสชันที่ 6 ถึงเซสชันที่ 10 ของ B11 และเซสชันที่ 9 ถึงเซสชันที่ 10 ของ C05 ถือว่าเสถียร

เกินกำลัง NCS NCS ที่เกินเกณฑ์สำหรับรางวัลถูกกำหนดให้เป็น NCS ที่เกินเกณฑ์ เพื่อตอบโต้ความไม่เท่าเทียมกันของค่าเกณฑ์ในสองวิชา เราได้ลบความแตกต่างของเกณฑ์ ({{0}}}.36 − 0.32=0.04) จาก NCS ที่เกินขอบเขตทั้งหมดของ B11 ตามลำดับ เพื่อแสดง NCS ที่โอเวอร์ชูตที่แก้ไขแล้ว

2.3. อัตราความสำเร็จของการวิเคราะห์ทางสถิติ

ขั้นแรกให้ทำการฟิตติ้งเชิงเส้นเพื่อทดสอบแนวโน้มขาขึ้นในแต่ละวิชา การทดสอบ Mann-Whitney แบบด้านเดียวถูกนำมาใช้เพิ่มเติมเพื่อเปรียบเทียบอัตราความสำเร็จในช่วงแรกกับช่วงปลาย แต่ละกลุ่มรวมสี่ช่วงของสองวิชาเข้าด้วยกัน (n=8) [32]

ระยะเวลาทดลองใช้ ในการเปรียบเทียบระยะเวลาทดลองใช้ในช่วงแรกกับช่วงปลาย เราได้รวบรวมตัวอย่างระยะเวลาทดลองใช้จากเซสชันและวิชาต่างๆ ด้วยโครงสร้างที่ซ้อนกันนี้ การวิเคราะห์ความแปรปรวนแบบสองทาง (F(DFn, DFd)) จึงถูกใช้เพื่อแสดงการเปลี่ยนแปลงของปัจจัย "เฟส" และการทำงานร่วมกันระหว่างปัจจัยต่างๆ ทดสอบความบังเอิญที่มีนัยสำคัญ ค่าเบี่ยงเบนมาตรฐานของ CCH ที่เป็นตัวแทนหลังจากการสุ่มตัวอย่างซ้ำถูกใช้เพื่อคำนวณขีดจำกัดบนของช่วงความเชื่อมั่นสำหรับแต่ละถังขยะภายใต้อัลฟ่าที่แตกต่างกัน (เช่น 0.05 สำหรับความเชื่อมั่น 95 เปอร์เซ็นต์) ดังนั้นเราจึงทดสอบความบังเอิญที่สำคัญของแต่ละถังขยะโดยการเปรียบเทียบ CCH ที่แก้ไขด้วย Jitter กับขีดจำกัดสูงสุดเหล่านั้น การยิงที่มีประสิทธิภาพด้วยการปรับอัตราการยิงให้เป็นมาตรฐาน

เนื่องจากจำนวนสไปค์ในรูปแบบประสาทยาว 300 มิลลิวินาทีเป็นตัวแปรที่ไม่ต่อเนื่อง การทดสอบ Mack–Skillings (การวิเคราะห์ความแปรปรวนสองทางแบบไม่อิงพารามิเตอร์) จึงถูกนำมาใช้เพื่อทดสอบกับสมมติฐานว่างที่จำนวนสไปค์แม่นยำ รูปแบบชั่วขณะจากบล็อกงานและจากบล็อกพื้นฐาน (หรืองานมอดูเลต CS) ไม่มีความแตกต่าง ด้วยคะแนนความบังเอิญเป็นปัจจัยที่สอง มันถูกรวมเข้าด้วยกันเป็นห้าช่วงตึกจาก 0.9 ถึง 2.9 (สามช่วงตึกจาก 1.8 เป็น 3.2 เมื่อเปรียบเทียบกับงานการมอดูเลต CS) ดัชนีการปรับเครือข่าย ดัชนีการมอดูเลตของเซลล์ประสาททางอ้อมที่มอดูเลตอย่างมีนัยสำคัญทั้งหมดระหว่างเซสชัน (สี่เซสชันสำหรับแต่ละเงื่อนไข) ถูกรวมเข้าด้วยกัน และใช้การทดสอบ t-test หนึ่งตัวอย่างเพื่อตรวจสอบว่าดัชนีการมอดูเลตเฉลี่ยแตกต่างจากศูนย์ในทางสถิติหรือไม่ การกระจายแบบรวมของ NCS ที่แก้ไขแล้ว การทดสอบ Kolmogorov–Smirnov สองตัวอย่างถูกใช้เพื่อทดสอบกับสมมติฐานว่างที่ว่า NCS ที่เกินขอบเขตที่แก้ไขแล้วของสองอาสาสมัครมาจากการแจกแจงเดียวกัน

---

สอบถามเพิ่มเติม:

อีเมล:wallence.suen@wecistanche.com

Whatsapp/โทรศัพท์: บวก 86 15292862950

ร้านค้า:

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