معلومة

15.10: دراسة حالة - الدماغ - علم الأحياء

15.10: دراسة حالة - الدماغ - علم الأحياء


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

15.10: دراسة حالة - الدماغ

15.10: دراسة حالة - هدية Microsoft للمدونين

يعتبر تقديم الهدايا في مجال الأعمال أمرًا شائعًا ومثيرًا للجدل في نفس الوقت. عادة ما يُنظر إلى هدايا الأعمال على أنها وسيلة إعلانية وترويج للمبيعات وتسويق وتواصل. عادة ما يتم ممارسة هذا الإهداء للأسباب التالية:

  1. تقديرًا لعلاقات العملاء السابقة ، وتقديم طلب جديد ، والإحالات إلى عملاء آخرين ، وما إلى ذلك.
  2. على أمل خلق انطباع أول إيجابي قد يساعد في إقامة علاقة عمل أولية
  3. كمقايضة و [مدش] يعيد معروفًا أو يتوقع معروفًا في مقابل شيء ما

يعد اتخاذ قرارات جيدة بشأن الوقت المناسب لهدايا العمل أمرًا معقدًا للغاية في الولايات المتحدة. في بيئة الأعمال العالمية ، تصبح واحدة من أكثر القضايا الأخلاقية تحديًا ، حيث يمكن أن تتعارض المعايير الثقافية في البلدان الأخرى مع الممارسات الأخلاقية القياسية في الولايات المتحدة. لهذا السبب ، فإن الهدايا والرشاوى تتطلب مناقشة أعمق.

دع & rsquos تفحص أحد عروض Microsoft & rsquos الترويجية التي تضمنت هدية.


الجزء 2: ربط الحركات والنشاط العصبي أثناء اتخاذ القرار

00: 00: 14.28 مرحبًا.
00: 00: 15.28 أنا آن تشيرشلاند من مختبر كولد سبرينج هاربور في نيويورك ،
00: 00: 18.08 ومختبري مهتم بفهم اتخاذ القرار.
00: 00: 21.08 واليوم ، سأخبركم عن ربط الحركات والنشاط العصبي أثناء اتخاذ القرار.
00: 00: 27.00 إذن ، سنبدأ بتعريف قد تتذكره من حديثي السابق ،
00: 00: 30.17 أن القرار بالنسبة لنا هو التزام بواحد من بين عدد من البدائل.
00: 00: 35.00 وفي الغالب ، في مختبري ، ندرس القرارات التي تؤدي في النهاية إلى اتخاذ إجراء.
00: 00: 39.11 وهناك عدة أسباب لذلك.
00: 00: 41.10 والأول هو ببساطة أن العديد من القرارات تؤدي بطبيعة الحال إلى اتخاذ إجراء.
00: 00: 45.16 لذلك ، ضع في اعتبارك هذا الفأر.
00: 00: 47.04 إنه يقرر ما إذا كان يجب تربية وتناول هذه العنب البري أم لا.
00: 00: 51.15 وإذا قررت أن هذا هو ما تريد القيام به ، فسيؤدي هذا القرار بشكل طبيعي
00: 00: 55.27 للاستجابة الحركية المناسبة ، أو استجابة الحركة ، حتى يتمكن الحيوان من اكتساب التوت الأزرق.
00: 01: 01.08 وهذا صحيح بالنسبة للعديد من القرارات التي نتخذها.
00: 01: 03.20 أحيانًا يكون القرار هو نفس القرار للتصرف.
00: 01: 07.08 ليس هذا صحيحًا بالنسبة لجميع القرارات ، ولكن بالتأكيد فئة كبيرة من القرارات التي نتخذها نحن والحيوانات.
00: 01: 13.01 السبب الثاني الذي يجعلنا ندرس اتخاذ القرار بهذه الطريقة هو أن القرارات التي توجه الإجراءات
00: 01: 18.20 مناسبة تمامًا للدراسات على الحيوانات.
00: 01: 21.07 قد تتذكر في الحديث السابق أنني وصفت بعض الطرق التي وصفنا بها
00: 01: 25.09 دراسة سلوك اتخاذ القرار في المختبر ،
00: 01: 29.00 مثل جعل القردة تبلغ عن قراراتها من خلال إجراء حركة عين ساكادية ،
00: 01: 31.25 أو عن طريق جعل الفئران تبلغ عن قراراتها بالانتقال إلى منافذ الاختيار التي يدخلون فيها أنفهم
00: 01: 38.05 لإبلاغنا بما قرروه.
00: 01: 40.17 وهذا مهم حقًا في الحيوانات ، وحتى في دراسة صنع القرار البشري أيضًا ،
00: 01: 45.19 لأنها تتيح لنا كمجربين أن يكون لدينا طريقة منهجية وفعالة
00: 01: 50.00 لمعرفة ما قرره الإنسان أو الحيوان ،
00: 01: 54.17 وبعد ذلك يمكننا تسجيل ذلك وتحليله وربطه بالنشاط العصبي وما إلى ذلك.
00: 01: 59.12 ومع ذلك ، هناك بعض التحديات لهذا النهج.
00: 02: 04.01 وأحد التحديات هو أنه عندما ندرس القرارات التي تؤدي إلى اتخاذ إجراء ، إذا كنا نفعل ذلك
00: 02: 08.16 أثناء قياس النشاط العصبي في الدماغ ، نحتاج إلى أن نكون قادرين على فصل النشاط المرتبط بالقرار
00:02: 15.06 من النشاط المرتبط بالحركة.
00: 02: 17.19 وهذه مشكلة معروفة منذ بعض الوقت.
00: 02: 20.14 وبالفعل ، فكر الناس في دراسات صنع القرار السابقة ، في منطقة معينة
00: 02: 25.16 ولحركة معينة مثل حركة العين ، ما هي العواقب
00: 02: 31.27 للدماغ من حيث الحركات التي يتم التخطيط لها.
00: 02: 35.12 ولكن على الرغم من هذا التقدير في الميدان ، يمكن أن تعدل هذه الحركات.
00: 02: 39.17 يعدل النشاط العصبي أثناء اتخاذ القرار ، وهناك العديد من الأسئلة المفتوحة حول الطبيعة
00: 02: 45.24 من هذا النشاط العصبي.
00: 02: 47.09 والسؤال الأول ، حسنًا ، ما مدى انتشاره؟
00: 02: 50.26 هو نشاط عصبي مرتبط بحركات مناطق محددة فقط في الدماغ ،
00: 02: 55.27 ربما يقتصر على القشرة الحركية ، على سبيل المثال؟
00: 02: 58.16 أو هل يمتد النشاط المرتبط بالحركة إلى العديد والعديد من الهياكل العصبية في جميع أنحاء القشرة ،
00: 03: 04.05 وربما مناطق تحت القشرة أيضًا؟
00: 03: 07.08 السؤال الثاني هو ، هل هذا النشاط متعلق بالحركة. هل هي مدفوعة فقط بالحركات المدروسة؟
00: 03: 13.22 لذا ، فإن الحركات الموجهة هي أشياء مثل الأكياس التي يستخدمها القرد للإبلاغ عن الاختيار ،
00: 03: 18.01 أو حركة التوجيه التي يستخدمها الجرذ للإبلاغ عن الاختيار.
00: 03: 22.22 وبالتأكيد نتوقع أن يقود هؤلاء النشاط العصبي.
00: 03: 25.28 لكن هل يمكن أن تكون هناك حركات أخرى أيضًا؟
00: 03: 28.27 هل يمكن أن يكون السبب هو أن الحيوانات تقوم بالعديد من الحركات غير المقيدة التي لم نقم بها
00: 03: 33.04 أفكر حقًا ، لكن هذا له تأثير كبير على النشاط العصبي؟
00: 03: 36.24 حسنًا ، لا أحد يعرف حقًا.
00: 03: 39.13 وأخيرًا ، هل مهمة النشاط المرتبطة بالحركة محاذية أم مهمة مستقلة؟
00: 03: 45.13 دعني أخبرك ما أعنيه بذلك.
00: 03: 47.05 نتوقع أن أنواعًا معينة من الحركات قد تكون لها علاقة بأحداث معينة في.
00: 03: 52.11 في المهمة التي يقوم بها الحيوان.
00: 03: 55.09 على سبيل المثال ، إذا أدت القرارات إلى مكافأة حيوان في نهاية التجربة ،
00: 04: 00.10 قد نتوقع أن تكون هناك حركات تتوقع تلك المكافأة.
00: 04: 04.20 قد يكون أحد الأمثلة هو أنه ربما يصبح التلاميذ أكثر اتساعًا في نهاية التجربة ،
00: 04: 08.28 عندما يعتقد الحيوان أنه على وشك الحصول على مكافأته.
00: 04: 11.23 يمكننا أن نطلق على هذه المهمة "محاذاة" ، لأنها تحدث دائمًا في نفس اللحظة في المهمة ،
00: 04: 17.06 أي قبل المكافأة مباشرة.
00: 04: 18.24 ولكن قد تكون هناك أنواع أخرى من الحركات التي تهم النشاط العصبي أيضًا.
00: 04: 23.28 وسأشير إلى هؤلاء باعتبارهم مهمة مستقلة.
00: 04: 26.15 وهذه حركات عفوية بدون تعليمات تحدث في أوقات عشوائية أثناء المحاكمة.
00: 04: 32.02 وقد ترغب في التفكير في هؤلاء على أنهم نوع من التململ
00: 04: 34.14 - الحركات التي لا علاقة لها بتوقع المكافأة أو رؤية التحفيز على وجه التحديد ، ليست كذلك.
00: 04: 40.10 وهي ليست حقًا أولوية عالية للمختبر ، ولكنها قد تكون ذات أولوية عالية بالنسبة للحيوان.
00: 04: 46.02 وتساءلنا جزئيًا عن هذه الحركات المستقلة للمهام لمجرد النظر إلى ما يفعله البشر
00: 04: 50.24 - حتى النظر إلى فصل دراسي مليء بالأطفال ، أو النظر إلى الأشخاص في مترو الأنفاق -
00: 04: 54.15 في الواقع يقومون بالكثير من المهام العفوية بشكل مستقل.
00: 04: 58.19 يبدو أنه يقوم بحركات مستقلة طوال الوقت.
00: 05: 01.00 إذن ، هذه الأسئلة الثلاثة. هل النشاط منتشر ؟، مدفوع بالحركة ؟،
00: 05: 04.26 محاذاة المهمة أو مهمة مستقلة. لم نكن نعرف الإجابات على هؤلاء.
00: 05: 08.05 ولذا شرعنا في نموذج تجريبي من شأنه أن يسمح لنا بالإجابة على هذه الأسئلة ،
00: 05: 12.15 وفهم أفضل لكيفية صنع القرار والنشاط المرتبط بالحركة.
00: 05: 16.16 يتفاعل النشاط المرتبط بالقرار في الدماغ.
00: 05: 20.16 إذن ، قاد هذا العمل باحثان لما بعد الدكتوراة في مختبري ، وهما سايمون موسال ومات كوفمان أيضًا ،
00: 05: 25.28 الذي لديه الآن معمله الخاص في جامعة شيكاغو.
00: 05: 28.23 لذلك ، توصلوا إلى نموذج سلوكي لدراسة اتخاذ القرار في الفئران.
00: 05: 33.22 ويتم تقديم الفئران بإشارة سمعية أو بصرية
00: 05: 37.14 - ضوء وامض أو سلسلة من النقرات -
00: 05: 39.22 ويمكن أن يكون على جانب واحد من الماوس أو على الجانب الآخر من الماوس.
00: 05: 43.01 ووظيفة الفأرة هي فقط معرفة الجانب الذي يوجد فيه ، والقيام بحركة لعق
00: 05: 46.21 إلى هذا الجانب للإبلاغ عن مكان وجود الحافز.
00: 05: 50.10 حسنًا ، سأريكم فيلمًا ، الآن ، لما يبدو عليه هذا.
00: 05: 53.20 وهذه كاميرا تنظر من تحت الماوس.
00: 05: 57.17 ربما لم تنظر إلى الماوس بهذه الطريقة من قبل.
00: 06: 00.19 يمكنك رؤية فم الماوس في أعلى الإطار.
00: 06: 03.18 وبجانب ذلك يوجد مربعان صغيران.
00: 06: 06.22 هذه عبارة عن أنبوبة لعق ، وسيتحرك هؤلاء في وقت لاحق ويسمح للحيوان
00: 06: 10.09 للاختيار.
00: 06: 11.16 وفي الأسفل ، يمكنك رؤية اثنين. دائرتان ، والتي ستتحرك فيهما.
00: 06: 15.10 هذه مقابض صغيرة.
00: 06: 16.10 وسوف يمسك الحيوان بمقبض واحد أو كلا المقبضين عندما يكون مستعدًا لبدء التجربة.
00: 06: 20.28 هذه طريقتنا في إعلامه عندما يكون مستعدًا لبدء المحاكمة.
00: 06: 25.05 وهذا عنصر مهم في تصميم بحثنا لعدة أسباب.
00: 06: 29.04 لذلك ، أولاً ، قد تتذكر من الحديث السابق أن الحالة الداخلية للحيوان
00: 06: 34.12 له تأثير كبير على النشاط العصبي.
00: 06: 36.17 ونأمل أنه من خلال السماح للحيوان ببدء تجربة بنفسه يمكننا ذلك
00: 06: 40.16 ابدأ بالتحكم في تلك الحالة الداخلية بشكل أفضل قليلاً.
00: 06: 43.09 على الأقل سيكون في نفس الحالة الذهنية إذا قرر بنفسه بدء المحاكمة ،
00: 06: 48.02 بدلاً من أن تفاجأ.
00: 06: 50.01 السبب الثاني لجعل الحيوانات تبدأ التجارب هو أننا نريدهم أن يكونوا مسؤولين عنها
00: 06: 54.14 مدة الجلسة.
00: 06: 56.05 يعطينا قراءة سلوكية لطيفة حقًا لمقدار تفاعلهم الإجمالي
00: 07: 00.05 والراحة العامة إذا كانوا هم من يبدأون. بدء كل تجربة.
00: 07: 05.10 لذا ، سأقوم بتشغيل الفيلم الآن ، وسترى الحيوان مخطوبًا تمامًا و
00: 07: 10.02 أمسك بالمقبضين الصغيرين.
00: 07: 13.15 لذا ، انتقلوا للعيش ، ويمكنك أن ترى أنه يتواصل معهم.
00: 07: 17.28 إذن ، بعد ذلك ، حان الوقت للحيوان ليرى منبهًا.
00: 07: 21.10 الآن ، هذا مرة أخرى فيلم لنفس الفأر ، لكن هذه المرة تم تصويره
00: 07: 25.03 من وجهة النظر المعاكسة.
00: 07: 26.13 إنها كاميرا خلف الفأرة ، ويمكنك رؤية ذيلها الطويل الجميل هناك
00: 07: 29.16 أسفل الإطار.
00: 07: 30.24 لذلك ، سيكون هناك منبه بصري يظهر على اليمين.
00: 07: 34.20 ويمكن للحيوان رؤية هذا ، بالطريقة التي تستطيع.
00: 07: 37.02 ها هو ذا.
00: 07: 38.15 ثم على الحيوان أن ينتظر ثانية كاملة ، وهي فترة طويلة جدًا حتى ينتظر الفأر ،
00: 07: 42.05 لكنهم. إنهم صبورون على الأقل.
00: 07: 45.11 وبعد ذلك ، ستتحرك فتحتا لعق في الأعلى للداخل ، ثم الحيوان
00: 07: 49.12 لديه الفرصة للإبلاغ عن اختيارها.
00: 07: 52.03 إذن ، ها هو.
00: 07: 53.08 قدم تقريرًا. اختيار صنبور واحد ، وابتعد الفوهة الأخرى.
00: 07: 57.01 نفعل ذلك حتى لا يغير الحيوان رأيه.
00: 07: 59.11 تحب الفئران ، مثل البشر ، أحيانًا أن تقرر ، ثم تعود وتغير رأيها.
00: 08: 03.02 لذلك ، بمجرد أن يلتزموا ، فإن الخيار الآخر هو. خارج الطاولة.
00: 08: 06.06 إذن ، هذا ما يبدو عليه الأمر بالنسبة للفئران.
00: 08: 08.22 وقمنا بإعداد كاميرات الفيديو هذه ، ربما ، لعدة أسباب.
00: 08: 11.19 ولكن كما سترون بعد قليل ، وجود هذا الفيديو عالي الدقة لما هو الحيوان
00: 08: 16.02 هو ما يحدث في كل لحظة تبين أنه حاسم للغاية في الترجمة
00: 08: 21.06 النشاط العصبي الذي قمنا بقياسه.
00: 08: 23.03 لكني أستبق نفسي.
00: 08: 24.26 لذا ، أريد أن أخبركم عن عنصر مهم في تصميمنا التجريبي ، وهو ذلك
00: 08: 29.11 قامت جميع الحيوانات بتجارب سمعية وبصرية ، ولكن كانت هناك مجموعتان من الحيوانات.
00: 08: 34.27 أطلقنا على أحدهم خبراء الرؤية.
00: 08: 37.10 وهذا يعني أن لديهم الكثير من الخبرة في التحفيز البصري
00: 08: 40.10 - تلك الأضواء الساطعة التي رأيتها منذ لحظة -
00: 08: 43.06 وخبرة قليلة جدًا في التحفيز السمعي.
00: 08: 46.04 ويشار إلى هذه الحيوانات بالخطوط الزرقاء التي تراها هناك.
00: 08: 49.17 على المحور الرأسي ، هذه هي النسبة المئوية للوقت الذي تستغرقه الاستجابة الصحيحة.
00: 08: 54.00 ويمكنك أن ترى ذلك بالنسبة للخط الأزرق ، عندما يتم إعطاؤهم محفزًا بصريًا ، فهم كذلك.
00: 08: 58.03 بدقة عالية ، وعادة ما تكون أعلى من 80٪ من الدقة.
00: 09: 02.22 ولكن عندما يتم إعطاؤهم حافزًا سمعيًا ، فإن أداؤهم يكون بالصدفة.
00: 09: 06.16 هذه هي القيمة المقابلة لـ 0.5 على الخط المنقط الأبيض.
00: 09: 11.14 خبراء السمع الذين يمكنك رؤيتهم باللون الأخضر.
00: 09: 13.25 وخبراء السمع هم عكس ذلك تمامًا.
00: 09: 16.01 إنهم رائعون في النسخة السمعية للمهمة ، حيث يسمعون النقرات ، وهم فرصة في الرؤية.
00: 09: 21.17 وقد اتضح أن هذا عنصر مفيد حقًا في تصميمنا التجريبي.
00: 09: 26.01 لأنك إذا فكرت في خبراء الرؤية مقابل خبراء السمع الذين يقومون ، على سبيل المثال ، بمهمة بصرية ،
00: 09: 30.13 كلاهما يحصل على نفس الحافز ، كلاهما يقوم بنفس الاستجابة ،
00: 09: 35.17 لكنهم يختلفون في كيفية تفسيرهم لتلك الإشارة الواردة.
00: 09: 38.23 لذلك ، بالنسبة لخبراء الرؤية ، يعرفون ما تعنيه.
00: 09: 41.13 يعلمون أنه عندما تحصل على محفز بصري على اليمين ، فأنت بحاجة إلى التخطيط لحركة لعق
00: 09: 45.00 وفقًا لذلك.
00: 09: 46.00 لكن إذا كانوا خبراء سمعيين وحصلوا على محفز بصري ،
00: 09: 48.24 يقومون بتخمين المحرك الحسي.
00: 09: 51.01 لم يكتشفوا ما يعنيه التحفيز البصري ، ولذا قاموا بنوع من التخمين ،
00: 09: 54.23 وهم على حق في نصف الوقت.
00: 09: 55.26 لذا ، فإن المحفز الحسي الوارد واستجابة المحرك الخارج هي نفسها.
00: 10: 01.03 لكن ما يفعلونه داخليًا يختلف بين هاتين المجموعتين.
00: 10: 05.14 لذلك ، كنا منفتحين على فكرة أنه قد يكون هناك نشاط لصنع القرار
00: 10: 11.06 والنشاط المرتبط بالحركة في العديد من الأماكن المختلفة عبر القشرة الظهرية.
00: 10: 17.20 ولأن عددًا من مجالات صنع القرار قد تورطت في العديد من الدراسات
00: 10: 23.04 طوال السنوات الماضية ، خاصةً حوالي خمس سنوات بالنسبة للفئران ،
00: 10: 26.13 أردنا أن ننظر إلى النشاط العصبي على نطاق واسع حقًا
00: 10: 30.00 لنمنح أنفسنا أفضل فرصة لرؤية أين
00: 10: 32.00 تتفاعل عملية صنع القرار والنشاط المرتبط بالحركة.
00: 10: 35.16 لذلك ، للقيام بذلك ، قمنا بتطوير إعداد تصوير واسع المجال ، وقد قاده باحث ما بعد الدكتوراة ،
00: 10: 41.01 سايمون موسال ، الذي ذكرته منذ لحظة.
00: 10: 43.12 وما نفعله هو أن لدينا قناتين.
00: 10: 46.13 في قناة واحدة ، يمكننا قياس النشاط العصبي ، وسأخبرك بالمزيد بعد قليل
00: 10: 50.03 حول مصدر هذا النشاط.
00: 10: 52.14 ثم في القناة الأخرى ، يمكننا أن نرى استجابة الدورة الدموية للحيوان ، أي ،
00: 10: 56.01 تدفق الدم بين الدماغ. يمر عبر الدماغ لتزويده بالطاقة
00: 11: 00.14 جميع الخلايا العصبية.
00: 11: 01.14 ولدينا تقنيات نستخدمها لفصل هذين الاثنين حتى نتمكن من الحصول على تقدير دقيق حقًا
00: 11: 05.24 من النشاط العصبي.
00: 11: 08.03 من المزايا الكبيرة لهذا النهج أنه يمكننا رؤية النشاط العصبي من خلال جمجمة سليمة.
00: 11: 14.17 الفأر. جمجمة الفأر نحيفة جدًا ، والإشارات التي لدينا ساطعة جدًا ،
00: 11: 18.13 حتى نتمكن من رؤية النشاط العصبي على طول الطريق من خلال الجمجمة.
00: 11: 21.05 ليس علينا إجراء أي عملية جراحية لإزالة الجمجمة أو أي شيء من هذا القبيل.
00: 11: 24.23 إذن ، إنها طريقة غير جراحية تمامًا لقياس النشاط العصبي.
00: 11: 27.24 لكن قد تتساءل ، حسنًا ، انتظر ثانية.
00: 11: 31.00 كيف يمكنك أن ترى إطلاق الخلايا العصبية؟
00: 11: 33.11 ربما تعرف أو تتذكر من حديثي السابق أن الطريقة التي يتواصلون بها مع بعضهم البعض
00: 11: 36.21 كهربائيًا.
00: 11: 37.23 لذلك ، على سبيل المثال ، إذا كان لدينا هذه الخلايا العصبية هنا ، وتريد إرسال رسالة إلى خلية عصبية مجاورة ،
00: 11: 42.09 هناك ، عندها سترتفع الخلية العصبية المجاورة ، وعادة ما يرتفع الناس
00: 11: 46.20 سجل نشاطًا كهربائيًا باستخدام أقطاب كهربائية حادة ،
00: 11: 49.26 مثل تلك التي صنعتها هنا.
00: 11: 52.20 وهذه طريقة رائعة ، لكنها لن تكون حقًا ما نريده إذا أردنا ذلك
00: 11: 57.00 قم بقياس النشاط العصبي عبر القشرة الظهرية بأكملها ،
00: 12: 00.09 لأن ذلك يستلزم وضع أقطاب كهربائية في جميع أنحاء القشرة الظهرية.
00: 12: 04.07 وفيما يتعلق بالأنسجة البيولوجية ، لن يكون هذا بالأمر الجيد جدًا.
00: 12: 07.16 سيكون هناك الكثير من الأقطاب الكهربائية في الدماغ ، وسيتلف الدماغ حقًا.
00: 12: 11.01 لذلك ، كانت هذه التقنية غير مطروحة نوعًا ما.
00: 12: 13.13 لذلك ، قررنا الاستفادة من تقنية مختلفة ، والتي تعزز حقيقة ذلك
00: 12: 17.27 عندما ترتفع الخلايا العصبية ، بالطريقة التي وصفتها للتو. أن هناك تدفق وتدفق للكالسيوم
00: 12: 23.23 داخل وخارج الخلية العصبية.
00: 12: 25.15 ويمكننا ربط حامل الفلور ، وهو شيء ينبعث منه الضوء ، بهذا الكالسيوم ، بحيث ،
00: 12: 30.21 عندما يدخل الكالسيوم ويخرج ، يمكننا أن نرى الكالسيوم.
00: 12: 34.14 وهذا يعطينا تقديرًا لاستجابة العصبون.
00: 12: 38.21 إذن ، لتبسيط الأمر حقًا ، عندما تشتعل خلية عصبية ، فإنها تتحول إلى اللون الأخضر.
00: 12: 42.22 لذلك ، إذا استخدمنا أدوات معدلة وراثيًا للحصول على مؤشرات الكالسيوم في جميع الخلايا العصبية
00: 12: 48.10 بالماوس ، إذن ما يسمح لنا بفعله هو هذا.
00: 12: 51.00 إذن ، نأخذ الكاميرا التي وصفتها لكم منذ لحظة.
00: 12: 53.28 وفي الأسفل ، يمكنك أن ترى ستة خلايا عصبية تخطيطية كلها هادئة.
00: 12: 57.25 إنهم لا يستجيبون.
00: 12: 59.06 وبعد ذلك ، عندما تنشغل المنطقة وتبدأ الخلايا العصبية في إطلاق النيران ، فإنها تتحول إلى اللون الأخضر ،
00: 13: 03.21 ويمكننا التقاط تلك الفوتونات بواسطة مجهر المجال الواسع. مجهر
00: 13: 08.26 ويمكننا فعل ذلك عبر الدماغ بأكمله.
00: 13: 10.27 إذن ، هذا يسمح لنا برؤية انطلاق الخلايا العصبية ، وهي أداة مفيدة حقًا عندما نقوم بذلك
00: 13: 17.04 يريدون إلقاء نظرة على النشاط العصبي عبر رقعة واسعة من الدماغ.
00: 13: 21.03 إذن ، ما نوع الهياكل التي يمكننا رؤيتها.
00: 13: 23.24 أعني ، قد تكون متشككًا بعض الشيء في هذه التقنية.
00: 13: 26.15 وبالفعل ، كان الكثير في هذا المجال كذلك ، لأنه نوع من التقنية الجديدة التي نستخدمها
00: 13: 29.24 ويستخدم عدد قليل فقط من المعامل الأخرى.
00: 13: 31.11 حسنًا ، لدينا نوع واحد من اختبار إثبات المبدأ يخبرنا هذا النوع عن هذه التقنية
00: 13: 36.04 يقيس إشارة معقولة.
00: 13: 38.09 ونستخدم تقنية تسمى رسم الخرائط المرئية ، أو تحليل فورييه ، حيث نعرض الحيوانات
00: 13: 43.15 أشرطة عمودية وأشرطة أفقية تتحرك.
00: 13: 47.27 وبعد ذلك ، بالنظر إلى اللحظات الزمنية التي نرى فيها نشاطًا عصبيًا لوحدات بكسل مختلفة ،
00: 13: 52.00 يمكننا إنشاء خرائط للمساحة المرئية.
00: 13: 56.02 والشيء الوحيد الذي تمكنا من تلخيصه والذي لاحظه الآخرون هو أن كل فأر
00: 14: 02.03 لديه خرائط متعددة للمساحة المرئية.
00: 14: 04.22 إذن ، في القشرة البصرية الأولية ، هناك خريطة للفضاء المرئي.
00: 14: 08.16 ثم في حوالي ستة أو سبعة مناطق محيطة ، توجد نفس خريطة المساحة المرئية
00: 14: 14.06 تتكرر عدة مرات.
00: 14: 15.24 لذلك ، كانت هذه تقنية تم تطويرها في الأصل بواسطة مختبر Michael Stryker في UCSF ،
00: 14: 21.03 وهي مفيدة حقًا لنا في إثبات أن التصوير واسع النطاق يمنحنا
00: 14: 25.18 إشارات معقولة.
00: 14: 26.21 ولكنه أيضًا ، على ما أعتقد ، من الرائع حقًا التفكير.
00: 14: 28.15 إذن ، الفئران تشبه الثدييات الأخرى والبشر والرئيسيات غير البشرية في هذا العالم المرئي
00: 14: 33.11 يتم تمثيله عدة مرات في كل دماغ.
00: 14: 37.28 ومن المثير للاهتمام التفكير في سبب ذلك.
00: 14: 40.13 ما هي الحسابات التي تميز خريطة واحدة للفضاء المرئي عن خريطة مجاورة للفضاء المرئي؟
00: 14: 45.02 لماذا لدينا الكثير؟
00: 14: 47.09 الإجابة غير معروفة تمامًا ، لكنها تبرز أنه بالنسبة للعديد من الثدييات ، بما في ذلك الفئران ،
00: 14: 52.08 التي لديها نظام بصري ليس جيدًا مثل الرئيسيات ، حتى في الفئران
00: 14: 57.08 الرؤية مهمة بما يكفي لدرجة أنهم على استعداد لتكرار ذلك العالم المرئي
00: 15: 01.02 ست مرات في كل نصف كرة دماغ.
00: 15: 05.01 لذلك ، بعد أن أكدنا أنه يمكننا رؤية خرائط الفضاء المرئي المتوقعة
00: 15: 12.10 في القشرة البصرية للفأر ، فنحن في وضع يمكننا من خلاله قياس النشاط العصبي
00: 15: 16.20 أثناء اتخاذ القرار.
00: 15: 18.09 إذن ، هذه هي نفس المهمة السلوكية التي عرضتها عليكم قبل لحظة ،
00: 15: 21.20 التي تبدأ بفترة خط الأساس ،
00: 15: 24.07 ثم عندما يأتي التحفيز البصري ، يمكنك أن ترى.
00: 15: 27.24 ستتمكن من رؤية الجزء الخلفي من الدماغ ، القشرة البصرية الأولية.
00: 15: 31.02 ها هي ، تضيء.
00: 15: 35.09 ثم هناك فترة التأخير.
00: 15: 38.05 وأخيرًا ، عندما يتخذ الحيوان قراره ، هناك الكثير من النشاط حقًا
00: 15: 42.07 في جميع أنحاء الدماغ.
00: 15: 43.07 إذن ، في هذا الفيديو ، من الواضح أن مجالات متعددة تشترك في اتخاذ القرار.
00: 15: 47.22 وأول شيء فعلناه عندما حصلنا على هذه القياسات هو القيام ببعض منها
00: 15: 51.00 ما نسميه فحوصات العقل.
00: 15: 52.19 وهذا أمر مهم حقًا ، حقًا ، في أي تجربة ، ولكن بشكل خاص
00: 15: 56.15 إذا كنت تستخدم تقنية جديدة.
00: 15: 57.22 لذا ، فإن أول ما نقوم به هو السؤال ، هل نرى الشيء الصحيح في المكان المناسب
00: 16: 01.28 في الوقت المناسب؟
00: 16: 03.06 هذا مثال.
00: 16: 05.01 يظهر لك فقط إشارة التألق الخام.
00: 16: 07.21 هذه مجرد إطارات من الفيلم الذي شاهدته منذ لحظة.
00: 16: 11.07 وأول شيء نقوم به هو النظر في بعض المناطق التي لها خصائص استجابة
00: 16: 15.04 معروفة.
00: 16: 16.13 إذاً ، هؤلاء يشملون القشرة البصرية الأولية.
00: 16: 20.07 وأول ما نطلبه هو ، هل نرى اختلافًا في القشرة البصرية الأولية
00: 16: 24.12 للتجارب السمعية مقابل التجارب البصرية؟
00: 16: 26.06 حسنًا ، من الأفضل أن نرى الفرق ، أليس كذلك؟
00: 16: 27.24 إذا لم نلاحظ فرقًا ، فهناك خطأ ما في القياس.
00: 16: 30.08 إذن ، هذا ما تراه هنا.
00: 16: 31.23 الخط الأبيض مخصص للتجارب البصرية والخط الأحمر للتجارب السمعية.
00: 16: 36.02 ويخبرك هذان المستطيلان الرماديان بوقت تشغيل المنبه.
00: 16: 39.05 ومما يبعث على الارتياح ، رأينا استجابة أعلى في التجارب البصرية من التجارب السمعية
00: 16: 43.22 في القشرة البصرية الأولية.
00: 16: 45.18 عظيم - تم التحقق من سلامة الصحة.
00: 16: 46.22 حسنًا.
00: 16: 47.22 المرة القادمة. ننظر إلى المنطقة RS ، والتي تعني قشرة الطحال الرجعي.
00: 16: 51.27 إنها منطقة وسطية بدرجة أكبر قليلاً.
00: 16: 53.24 لديه بعض الاستجابات المرئية المعروفة.
00: 16: 56.21 ومرة ​​أخرى ، نرى أن السمع والبصرية مختلفان بعض الشيء -
00: 16: 59.15 أكثر من استجابة بصرية.
00: 17: 01.12 مرة أخرى ، تم التأكيد.
00: 17: 02.20 في المناطق التي تشارك في تخطيط الحركة ، لا نتوقع أن تختلف كثيرًا
00: 17: 06.11 للمحفزات السمعية مقابل المحفزات البصرية ، لأن الحركة دائمًا هي نفسها.
00: 17: 10.00 وبالفعل ، بالنسبة لمنطقة الطرف الخلفي ، والقشرة الحركية الثانوية ،
00: 17: 13.13 وجدنا أنها متطابقة.
00: 17: 15.15 هذا ، جنبًا إلى جنب مع الخرائط المرئية ، أعطانا الطمأنينة بأن أسلوبنا كان يعمل ،
00: 17: 19.11 وكنا نرى النشاط المناسب في المكان المناسب في الوقت المناسب.
00: 17: 22.23 إذن ، قررنا إجراء مقارنة بين المبتدئين والموضوعات الخبراء.
00: 17: 27.26 وهذا ما تراه هنا.
00: 17: 29.05 إذن ، بدءًا من V1 ، هذا في الأعلى.
00: 17: 31.09 تذكر ، القشرة البصرية الأولية.
00: 17: 33.09 الخط الأحمر هم الأشخاص غير المدربين ، والخط الأبيض هم الأشخاص المدربون.
00: 17: 37.04 ويمكنك أن ترى أنهما متشابهان جدًا حقًا.
00: 17: 40.28 ولاحظنا مدى تشابههما ، وفكرنا ، هاه ، حسنًا ، هم.
00: 17: 44.08 يفعلون شيئًا مختلفًا نوعًا ما.
00: 17: 45.20 تذكر أن سلوكهم كان مختلفًا جدًا.
00: 17: 47.12 لكن الاستجابات العصبية تبدو بسيطة جدًا. تشبه إلى حد ما.
00: 17: 50.09 حسنًا ، لنلقِ نظرة على قشرة الطحال الخلفية.
00: 17: 52.18 ربما ، كما تعلمون ، هذا هو المكان الذي سنرى فيه فرقًا بين صانعي القرار المبتدئين والخبراء.
00: 17: 55.26 لكن مرة أخرى ، اعتقدنا. ماذا او ما؟
00: 17: 58.28 النشاط مشابه حقًا هنا أيضًا.
00: 18: 01.11 وفي كل مكان نظرنا إليه ، بدا الأمر وكأنه صناع القرار المبتدئون والخبراء ،
00: 18: 05.25 على الرغم من أن سلوكهم كان مختلفًا حقًا ، إلا أن نشاطهم العصبي كان متشابهًا بشكل مدهش.
00: 18: 10.18 لذلك ، قادنا هذا إلى أن نقول ، قف. حسنًا ، إذا كانت إشارات اتخاذ القرار لا تقود هذا النشاط العصبي
00: 18: 16.18 - تذكر أن عملية صنع القرار مختلفة تمامًا في المجموعتين -
00: 18: 20.12 ما الذي يقود النشاط العصبي؟
00: 18: 22.28 لم نكن نعرف.
00: 18: 23.28 لذلك قررنا أننا بحاجة إلى بذل المزيد من الجهد لربط النشاط العصبي بالسلوك.
00: 18: 29.03 والطريقة التي قمنا بها هي بناء نموذج خطي.
00: 18: 31.18 والهدف من النموذج هو هذا.
00: 18: 32.25 لذا ، يمكنك تخيل بكسل معين نسجله - هذه مجرد بقعة واحدة في الدماغ -
00: 18: 37.00 أنه في تجربة واحدة ، قد ترتفع إشارة الفلورسنت في ذلك البكسل لأعلى ولأسفل
00: 18: 41.21 قليلاً ، تبدو مثل هذا.
00: 18: 43.17 قد تكون هناك تجربتان أخريان.
00: 18: 45.06 لذا ، نفس الجزء من الدماغ ، لكن تجربتين مختلفتين.
00: 18: 47.28 يشير الإسفار إلى نوع من الصعود والهبوط.
00: 18: 49.19 وهدفنا من نموذجنا هو أننا أردنا تصميم نموذج لإشارة التألق التجربة تلو الأخرى
00: 18: 55.22 باستخدام جميع المعلمات السلوكية المتوفرة لدينا.
00: 18: 59.04 لذلك نقول. نريد أن نقول ، ما الذي يقود هذه التقلبات؟
00: 19: 02.17 هل هو القرار؟
00: 19: 03.17 هل هي حركات تململ؟
00: 19: 04.23 هل هو. هل هو اتساع حدقة العين؟
00: 19: 06.11 ما هذا؟
00: 19: 07.11 وكنا محظوظين لأن لدينا الكثير من المعايير السلوكية تحت تصرفنا.
00: 19: 11.00 إذن ، ما فعلناه هو أننا أخذنا جميع الأحداث المحتملة التي قد تعدل الخلايا العصبية.
00: 19: 16.07 لم نكن نعرف أيها مهم.
00: 19: 17.28 بدأنا بأشياء مثل لحظة ظهور الحافز.
00: 19: 21.00 نسمي تلك الأحداث اللاحقة.
00: 19: 23.05 أحداث Peri ، هذه أشياء مثل لعق الحركات.
00: 19: 27.09 أحداث المحاكمة التي لها علاقة بعملية اتخاذ القرار ، مثل المحاكمة السابقة أو الحالية
00: 19: 31.19 نجاح أو فشل.
00: 19: 33.24 وبعد ذلك ، أخيرًا ، مجموعة كبيرة من المعلمات التناظرية أيضًا.
00: 19: 36.24 وهذه أشياء مثل قطر بؤبؤ العين الذي يتقلب
00: 19: 40.20 على مدار المحاكمة ، وكذلك حركات الخفقان ، وعدد من الحركات الأخرى أيضًا.
00: 19: 45.00 ويجب أن أقول إننا استلهمنا جزئيًا عمل ماريوس باتشيتاريو وكارسن سترينجر
00: 19: 50.00 تم تطويره مسبقًا من التسجيلات الكهربائية في V1.
00: 19: 55.02 ليس أثناء اتخاذ القرار ، ولكن مع ذلك مهم جدًا.
00: 19: 57.19 أن تلك الخلايا العصبية تهتم كثيرًا بحركات الوجه.
00: 20: 01.00 ولذا فكرنا ، حسنًا ، سنقوم فقط. سنلقي بها في النموذج أيضًا ،
00: 20: 04.01 وانظر ماذا سيحدث.
00: 20: 05.17 إذن ، هذا هو النموذج الكامل الآن.
00: 20: 07.25 وبالنسبة لهواة منكم ، كان علينا بالطبع التفكير بعمق في
00: 20: 10.27 كيف نلائم هذا النموذج ، لأن لدينا العديد والعديد والعديد والعديد والعديد من المعلمات.
00: 20: 14.16 نريد منع فرط التجهيز.
00: 20: 16.23 ولكن هناك تقنيات رياضية جيدة لفعل ذلك استفدنا منها.
00: 20: 20.04 وفي نهاية اليوم ، وضعنا كل ذلك معًا في مصفوفة تصميم ، ثم نلائم النموذج ،
00: 20: 24.07 مما يعني أننا نخصص وزنًا لكل من هذه المتغيرات ، فقط نقول ،
00: 20: 29.09 ما مدى أهمية هذا المتغير في ملاءمة الاستجابة العصبية؟
00: 20: 33.24 وسأريكم الآن تقدير النموذج لما يجب أن تكون عليه إشارة التألق
00: 20: 38.16 تفعل في كل تجربة عن طريق تراكب ، باللون الأحمر ، تنبؤ النموذج بالبيانات الفعلية ، باللون الأبيض.
00: 20: 43.23 لذا ، يمكنك أن ترى أن النموذج جيد جدًا.
00: 20: 46.03 لذلك ، تمكنا من التقاط الكثير من تقلبات التجربة تلو الأخرى في التألق ،
00: 20: 49.24 حوالي 42٪ من تلك التقلبات ، وهو أمر مشجع للغاية.
00: 20: 54.08 هذا يخبرنا أن النموذج يعمل.
00: 20: 56.17 والآن علينا طرح السؤال المثير للاهتمام حقًا ، وهو ، لماذا يعمل النموذج؟
00: 21: 00.07 ما هي المعلمات المهمة حقًا لجعل هذا النموذج جيدًا جدًا في التنبؤ
00: 21: 04.18 ماذا سيفعل النشاط العصبي؟
00: 21: 07.12 لذلك ، قمنا بفصل المتغيرات إلى مجموعتين.
00: 21: 10.11 وسأصف أحدهم الآن بالمتغيرات المتعلقة بالمهمة.
00: 21: 13.25 وهذه أشياء مثل اختيار الحيوان أو نجاح أو فشل التجربة السابقة ،
00: 21: 19.16 وجود محفز سمعي أو بصري ، أشياء من هذا القبيل.
00: 21: 23.03 ووجدنا ، كما توقعنا ، أن هذه الأمور مهمة للنموذج.
00: 21: 26.25 إذا كنت. كان لديهم أوزان غير صفرية ، كان ذلك. كان ذلك جيدا.
00: 21: 29.28 لكن المدهش عندما نظرنا بعد ذلك إلى فئة مختلفة من المتغيرات المتغيرة المرتبطة بالحركة ،
00: 21: 34.21 وجدنا أنهم يمثلون الكثير من التباين.
00: 21: 39.06 حركات الأنف ، على سبيل المثال ، والتي لم نتوقعها حقًا ، هاتان المعلمتان
00: 21: 44.19 تسمى Video and Video ME ، والتي تعني طاقة حركة الفيديو.
00: 21: 48.10 هذه ليست سوى جميع وحدات البكسل المتبقية في الفيديو التي لم نتوقع أن تكون مهمة على الإطلاق.
00: 21: 54.02 لقد تبين أنهم مهمون جدًا حقًا في شرح إشارة التألق.
00: 21: 58.09 ولكن في هذه المرحلة ، يجب أن تكون متشككًا.
00: 22: 00.05 إذن ، هذا هو ما أسميه ركن المتشككين.
00: 22: 02.26 والمتشكك سيقول ، أوه ، تعال.
00: 22: 05.12 هذه ليست الطريقة الصحيحة لإجراء هذا التحليل ، لأن هناك الكثير من المتغيرات
00: 22: 09.11 التي لديك هنا مرتبطة ببعضها البعض.
00: 22: 12.02 على سبيل المثال ، اختيار الحيوان ، سواء كان يمينًا أو يسارًا ، مرتبط ارتباطًا وثيقًا
00: 22: 16.19 للحيوانات التي تلعق لأنها تستخدم اللعق للإبلاغ عن الاختيار.
00: 22: 21.05 وهذا بالطبع نقد صحيح للغاية.
00: 22: 23.00 لذا ، لمعالجة هذا الأمر ، عدنا إلى النموذج ، وطردنا المعلمات من النموذج
00: 22: 27.10 واحدًا تلو الآخر ، ونظروا إلى مدى سوء أداء النموذج نتيجة لذلك.
00: 22: 32.11 وهذه طريقة أكثر تحفظًا للتقييم
00: 22: 35.20 ما مدى أهمية كل من هذه السمات السلوكية للدماغ.
00: 22: 38.19 لذلك ، على سبيل المثال ، سأكون ملموسًا حقًا هنا.
00: 22: 41.05 لنفترض أننا نطلق الحافز البصري الصحيح.
00: 22: 44.01 ثم نسأل ، ما مدى سوء أداء النموذج؟
00: 22: 48.17 أو بطريقة أخرى ، ما مدى معاناة النموذج؟
00: 22: 52.02 وأين يعاني النموذج؟
00: 22: 54.02 إذن ، هذه طريقة لتصور هذا.
00: 22: 55.19 الآن ، تخبرك الألوان هنا بمدى قدرة النموذج على ملاءمة البيانات.
00: 23: 00.21 مدى نجاحه. ما مدى سوء ذلك عندما قمنا بطرد المعلمة المقابلة
00: 23: 05.21 للمحفز البصري الصحيح.
00: 23: 07.00 حسنًا ، جيد.
00: 23: 08.00 اكتشفنا ، عندما طرحنا الحافز البصري الصحيح من النموذج ،
00: 23: 11.13 لم يعد بإمكاننا توقع النشاط العصبي في V1 الأيسر.
00:23:15.07 And remember, that activity. that visual signals from the right
00:23:17.27 go to the opposite side of the brain -- they cross in the brain.
00:23:21.20 So, this tells us that when we eliminate that model we can no longer fit the data as well
00:23:26.16 in primary visual cortex, which is exactly what we would expect.
00:23:30.01 And similarly, when we kick the right handle grab out of the model, we're no longer able
00:23:34.07 to predict activity in the part of the brain that corresponds to the paw motor cortex.
00:23:41.17 So, this tells us that our more conservative approach is doing what it's supposed to do.
00:23:46.06 And we were then able to reanalyze the data and say, well, how much of each.
00:23:50.02 how much do each of these parameters matter when we use a much more conservative method?
00:23:54.17 And we found that a lot of them in the task. you can see here. well, you can't actually see.
00:23:59.27 These dark green bars tell you how much these parameters matter.
00:24:02.08 They're almost invisible, because when we kicked out most of the decision-making parameters,
00:24:07.01 we could still fit the model really well.
00:24:09.21 And that's because what really mattered for the neural activity was the movement model.
00:24:14.09 So, the dark green bars corresponding to the movement parameters are still much larger,
00:24:19.25 especially compared to the task, telling us that we really need to include those
00:24:24.16 in our model if we want to understand the neural activity.
00:24:27.20 But not so much the task parameters.
00:24:30.06 I have movies here that you how much each model matters at each location and space in the brain.
00:24:37.26 and also each moment in time.
00:24:38.26 So, the full model means the model including all of the parameters.
00:24:42.22 The movement model is the one including all of the movements in the plot I just
00:24:46.02 showedyou before.
00:24:47.05 And the one labeled task, these are all the decision-related parameters.
00:24:51.01 So, when you see that one of the. the values on these plots are yellow, that means that
00:24:56.24 that particular parameter really mattered for the model.
00:25:00.25 And blue means that it mattered less.
00:25:02.17 So, you can already see that at the beginning of the trial,
00:25:05.04 the task parameters don't really matter very much at all.
00:25:08.02 And let's see what happens over time.
00:25:11.08 So, the movement model really matters.
00:25:14.08 Again, really the movement model.
00:25:16.22 Okay, stimulus comes on.
00:25:17.24 You can see the task model starts to matter.
00:25:19.21 We need to have the task model to understand visual cortex responses.
00:25:27.23 So, really throughout the entire trial, the main things that we needed to explain
00:25:32.17 the neural activity really had to do with the movements that the animal was making,
00:25:37.00 and much less so the decision-making parameters that we had built into the behavior.
00:25:43.01 And just to be really concrete about what I mean, think about a licking, which is a movement variable,
00:25:47.27 versus the animal's choice, which is a task variable.
00:25:50.26 So, the choice. the choice parameter is a binary variable, which can be 1 at any moment in the trial,
00:25:56.25 so it can influence the neural activity at any moment in the trial.
00:26:00.26 And so that means if there's any particular moment where a choice is made,
00:26:04.14 that parameter will be a really good one to have.
00:26:06.09 But with licking, what actually happens is the animal makes
00:26:09.04 a few kind of idiosyncratic licking movements at the end of the trial.
00:26:12.22 And if, for example, there's a fluorescence spike every time the animal makes a licking movement,
00:26:16.10 then the licking parameter is what captures the neural activity, and not the choice parameter.
00:26:22.07 And that's. it's dissociations like that which allowed us to uncover that it was
00:26:27.12 really the movements that mattered much more than the abstract decision-related quantities
00:26:31.25 that we had included in the model as well.
00:26:33.28 Okay.
00:26:34.28 So, I've told you so far that movement-related variables are really the most important
00:26:40.09 for understanding neural activity.
00:26:42.02 And there are really two kinds of movement-related activity.
00:26:46.20 Some of them are instructed movements, like handles and licks.
00:26:49.27 And remember, early in the talk we wondered whether instructed movements were
00:26:53.07 the only ones that mattered.
00:26:54.15 But there are many uninstructed movements as well.
00:26:56.18 We don't tell the animal to dilate its pupil.
00:26:58.17 We don't tell it to move its hindpaw or move its nose.
00:27:01.04 But you can see that many of these uninstructed movements were really important
00:27:06.05 for fitting the neural activity.
00:27:07.26 And there's kind of a lesson here, I think, that we really learned, which is that
00:27:11.01 those movements aren't important to us, right?
00:27:12.27 We care about the licking and the handle grab,
00:27:15.09 because those are what we built into the experimental design.
00:27:17.23 But apparently these other movements are important to the animal,
00:27:20.06 because it makes a lot of those movements.
00:27:22.04 And apparently they're a high priority for the brain, because we really need to know what,
00:27:26.04 for example, the nose is doing if we want to understand the neural activity.
00:27:31.05 So, these spontaneous movements really were quite important.
00:27:35.13 Just to summarize across all of the different movements, we've grouped them into the task variables
00:27:40.13 -- those are the decision-related ones --
00:27:43.02 and then instructed versus spontaneous. spontaneous movements.
00:27:47.15 And you can see that the spontaneous movements, the green bar. both dark and green bar,
00:27:51.20 are larger than the instructed movements.
00:27:53.22 So, those spontaneous movements were even more important than the ones that we had
00:27:58.17 built into the decision-making task.
00:28:01.05 So, what does this mean for understanding average neural activity?
00:28:05.13 One thing we often do as scientists is that we average together the responses of
00:28:09.08 many repetitions of the same trial.
00:28:11.14 And you might. you might feel reassured, thinking that once you've averaged responses together,
00:28:15.28 that a lot of these spontaneous movements that I'm talking about
00:28:19.06 won't really matter anymore.
00:28:21.12 The extent to that's true. to which that's true kind of depended a bit on the area under study.
00:28:26.17 So, here at the top, this is the fluorescence response and also the model fit
00:28:30.22 to average data from primary visual cortex, V1.
00:28:33.13 And there are two lines there, but you can't really see that there are two lines,
00:28:36.12 because the model fits the data really well.
00:28:38.10 So, now I'm gonna break up the model into just the task variables, the decision-making ones.
00:28:44.08 And you can see that we mostly fit the fluorescence activity pretty well,
00:28:47.26 except at the beginning of the trial there's a little bump that we couldn't really fit with the task model.
00:28:52.23 When we included instructed movements, we did better at fitting that bump,
00:28:56.09 because it turned out that that bump was related to the animal grabbing the handle.
00:28:59.16 And this was surprising, because this is in primary visual cortex,
00:29:01.26 where we wouldn't think a handle grab would matter so much, but it did matter.
00:29:05.10 And then, when we looked at the spontaneous movements, again, we found we were able to
00:29:10.02 understand the bump a little bit better when we included those spontaneous movements.
00:29:14.18 So, to summarize, in primary visual cortex, the decision-making parameters in the task category
00:29:20.22 are, really, pretty important, and we only need the movement model for
00:29:24.22 certain kinds of fluctuations in activity.
00:29:27.14 Here, in secondary motor cortex, this is kind of a different story.
00:29:30.26 Here, the task variables were not very helpful in understanding the neural activity at all.
00:29:36.00 The instructed movements were definitely more helpful.
00:29:39.10 And the spontaneous movements were really critical.
00:29:42.02 We really needed all three of these mod. these model components together
00:29:47.03 to be able to predict what the neurons were going to do.
00:29:49.26 So, as a result of this analysis so far, we developed what we call a task modulation index,
00:29:56.19 which tells us how much particular brain areas are modulated by these task variables.
00:30:01.28 And part of the reason we did this is that I'm hoping people might be skeptical
00:30:05.14 for a second reason.
00:30:06.14 So, back to skeptics’ corner again.
00:30:08.03 A skeptic here would say, okay, it's clear that neural activity is driv.
00:30:13.21 is dominated by movements when you measure activity using wide-field imaging.
00:30:18.13 But what is wide-field imaging really measuring?
00:30:21.00 It's a new technique.
00:30:22.00 Who knows?
00:30:23.00 What do you think the single neurons are doing?
00:30:24.00 That's what we've been measuring in the field of neuroscience for decades.
00:30:27.14 And that's of course a valid concern, because wide-field imaging is pooling signals
00:30:31.01 from probably a lot of different kinds of neural activity.
00:30:34.10 So, to address this point, we picked an area called ALM, anterior lateral motor cortex,
00:30:40.00 which is indicated by the dotted white line at the front of the brain.
00:30:44.15 And we decided to zoom in there with our two-photon microscope to see whether the dominance
00:30:49.15 of movement-related activity was evident when we looked at single neurons,
00:30:52.25 the more traditional approach, as well.
00:30:54.25 So, that's a ALM, there.
00:30:57.09 And this shows you where we imaged.
00:30:59.00 It's a. an area.
00:31:00.09 ALM is known to be active during decision-making, and especially when an animal is experiencing
00:31:05.22 a delay -- waiting to execute a motor response to report a decision.
00:31:09.17 There's been a lot of work on this from Karel Svoboda's lab as well as a number of others.
00:31:14.04 So, we imaged there, and used an automated segmentation method to identify
00:31:19.02 where all the individual neurons are.
00:31:20.24 And in the image with the yellow box around it, each one of those little colored dots
00:31:25.05 is a single neuron.
00:31:26.05 So, you can see we can measure the activity from lots of neurons at the same time.
00:31:30.15 And now we're measuring them one at a time.
00:31:32.15 So, it's the zoom-in view, as opposed to the bird's eye view I told you about previously.
00:31:37.21 We can see what these neurons do at every moment in time during the decision-making behavior.
00:31:42.13 And without going into too much detail, the measured responses that we observed in these neurons
00:31:47.15 were very similar to the responses that people had reported previously.
00:31:52.04 So, this confirms that we're recording neural activity in an area with known response properties,
00:31:57.25 and that we see what others see.
00:31:59.27 So, many neurons have clear task tuning.
00:32:02.22 So now, we're able to do exactly the same approach I told you before.
00:32:07.00 We take the same model -- same movement parameters, behavior parameters --
00:32:11.02 except instead of trying to model the trial-by-trial fluctuations in fluorescence activity of pixels,
00:32:17.27 we do it for individual neurons.
00:32:19.15 But other than that, the math is all the same, and we can ask all the same questions
00:32:23.17 about whether movement-related activity dominates during decision-making.
00:32:28.15 And this is the outcome of that analysis.
00:32:30.19 You can see that for the two-photon single neuron analysis, we see really a very similar picture
00:32:35.13 to what we saw in the wide-field.
00:32:37.16 Which is, again, movements really dominate neural activity.
00:32:43.02 And here's just a couple of single-cell examples.
00:32:45.07 And I like these, because, for us, they tell us that our intuitions
00:32:48.27 about what kind of computations are reflected in neurons can be kind of misleading.
00:32:53.01 So, this first cell. it's a cell in area ALM, and its fluorescence response is shown in white.
00:32:58.24 And the predicted response from the movement model and task model are shown in green.
00:33:03.15 And this is a neuron that's pretty similar to. or, has a message similar to the message
00:33:07.17 that I've been telling you throughout, which is that the movement model is way better.
00:33:11.12 And that's even true when you look at the response within those gray rectangles,
00:33:16.10 which is the time that the animal is making its decision.
00:33:18.20 There's a really interesting time-varying increase during that period,
00:33:22.12 which we might have thought was related to a decision-making parameter, but in fact,
00:33:26.27 really, it just has to do with the movements that the animal is making.
00:33:30.16 For this cell, it's the opposite story.
00:33:32.02 So, for this cell, again, the real response is in gray, and the model predictions
00:33:35.25 are in blue and green.
00:33:37.01 For this cell, the movement model is really terrible, and the task model is much better.
00:33:41.10 And if I had seen this neuron without having done this analysis, I would have thought,
00:33:45.28 oh yeah, that's a movement neuron.
00:33:47.15 It's building up right before the time of the movement.
00:33:50.00 But that really turned out not to be true.
00:33:51.26 And I think one lesson that we've learned, having analyzed the data in this way,
00:33:57.01 is that sometimes the intuitions we have about what kinds of computations are being reflected
00:34:00.13 in neural activity just really aren't right.
00:34:03.02 And we need to test the hypothesis to distin. explicitly, and distinguish movement-related activity
00:34:08.28 from other kinds of cognitive functions like decision-making.
00:34:12.05 So, I started off by asking the questions about. is this activity.
00:34:17.12 about movement-related activity during decision-making.
00:34:20.19 And you might remember that we had three questions.
00:34:22.18 So, the first question is, is it quite localized to just a few areas, or is it very widespread?
00:34:27.28 And yes, it's very widespread.
00:34:29.22 We saw movement-related activity all across the dorsal cortex, even in primary visual cortex.
00:34:35.28 And for anyone who is a skeptic, the dominance of movement in visual cortex
00:34:39.12 has also been observed by other labs as well, Marius Pachitariu's and Carsen Stringer's specifically.
00:34:45.02 Secondly, is the activity only driven by instructed movements?
00:34:50.17 The ones that we taught the animal to do, like grabbing a handle.
00:34:54.13 Both instructed and spontaneous movements matter.
00:34:56.26 So, the instructed ones matter for us, but apparently for the animals,
00:35:00.13 spontaneous movements also matter, and they're clearly a priority for the brain.
00:35:04.26 Task aligned or task independent?
00:35:06.18 Again, both really matter.
00:35:08.10 So, some of the movements are aligned to events in the trial,
00:35:12.05 and other ones happen at idiosyncratic moments in the trial,
00:35:14.27 and are really more like fidgets, perhaps of the sort that we see humans making a lot as well.
00:35:19.26 So, you might wonder at this point, well, what's really going on?
00:35:23.22 So, this analysis demonstrates that movement-related activity really dominates the cortex
00:35:29.08 even during decision-making.
00:35:30.25 But we know that can't be the whole story, because I showed you at the beginning
00:35:35.26 that the behavior of novices and experts are really different.
00:35:39.06 So, if that's true, there must be places in the brain, or ways of measuring neural activity,
00:35:43.28 that uncovers a difference between novice decision-makers, or guessers, and true decision-makers.
00:35:49.22 And we are still trying to uncover that.
00:35:51.26 We think if we have. use a different kind of analysis in area ALM that we do see a signature
00:35:57.10 of true decision-making.
00:35:59.09 But the main message that I hope you'll remember is that this needs to be very carefully
00:36:04.20 teased apart from signals that are related to the animal's movements.
00:36:09.08 The decision-making signals are there.
00:36:11.10 But they're hard to see.
00:36:12.12 And they interact very intimately with signals related to movements.
00:36:18.00 So, these are the people in my lab who are part of a team that's worked together to do this work.
00:36:24.28 We collaborate a lot within our group, and also with groups outside.
00:36:28.15 And we're also really grateful to our funders for providing the resources that make it possible
00:36:33.17 for us to do that work.
00:36:34.26 So, thank you very much.

  • Part 1: How Do Brains Decide?

9 Bernard Heginbotham

By 2004, Bernard and Ida Heginbotham had been married 67 happy years. Together, the couple had six sons. Bernard, who was 100 years old, had been taking care of his 87-year-old ailing wife for some time. After several falls, Ida was transferred to a series of nursing homes as her health worsened. All the while, Bernard supported his wife as much as he could and visited her every day.

In April 2004, Bernard got a call from his eldest son, saying that Ida would have to be moved to yet another home. So on April 14, 2004, Bernard, who was a devoted church attendee and retired butcher, took a knife from the couple&rsquos bungalow. He walked to the home. As the elderly couple sat alone in Ida&rsquos room, he slit her throat. He then left the home and tried to kill himself. He was stopped and arrested.

Bernard was charged with murder, making him the oldest person to be charged with murder in England&rsquos history. He pleaded guilty to manslaughter on the grounds of diminished responsibility and received a year of probation.


CBSE Class 10 Maths Case Study Questions 2021 (Published by CBSE)

Check case study questions with answers for all chapters of CBSE Class 10 Maths. All the questions (with answers) are published by the CBSE Board itself.

The Central Board of Secondary Education (CBSE) published the case study questions for Class 10 Maths. We have provided below the chapter-wise questions for CBSE Class 10 Maths. Students must solve these case study questions as soon as they finish a chapter in the class. All these questions are published by the CBSE board hence carry certain importance for the exam. Students must start practicing with these questions to avoid extra burden at the time of the annual board examination.

Chapter-wise links for CBSE Class10 Maths Case Study questions are given below:

Case Study Questions for CBSE Class 10 Maths Chapter 8

Case Study Questions for CBSE Class 10 Maths Chapter 11

All the CBSE Class 10 Maths Case Study Questions are provided with answers. Most of the questions are given in the form of Multiple Choice Type Questions (MCQs). You will find the correct option (answer) written at the end of each question.

You may also download the complete question bank as is published by the board in the form of a PDF from the following link:

For CBSE Class 10, the board has decided to introduce a minimum of 30 per cent competency-based questions in form of case study questions, MCQs, source-based integrated questions, etc. in the new exam pattern 2021-2022. Therefore, students should make themselves familiar with the case study questions to learn the right process for approaching these new type of questions.

Besides practicing with these questions, you must learn the right technique to solve the case study questions with ease and perfection. We have summed up a few effective tips that will help you understand the right way to approach the given problem and come up with the right answer. Check the link given below:

Do not miss to explore our CBSE Class 10 Complete Study Package that comes online in this pandemic hit period and is best for self-study in 2021-2022:


Validation of a Case Definition for Pediatric Brain Injury Using Administrative Data

Background: Health administrative data are a common population-based data source for traumatic brain injury (TBI) surveillance and research however, before using these data for surveillance, it is important to develop a validated case definition. The objective of this study was to identify the optimal International Classification of Disease , edition 10 (ICD-10), case definition to ascertain children with TBI in emergency room (ER) or hospital administrative data. We tested multiple case definitions.

أساليب: Children who visited the ER were identified from the Regional Emergency Department Information System at Alberta Children's Hospital. Secondary data were collected for children with trauma, musculoskeletal, or central nervous system complaints who visited the ER between October 5, 2005, and June 6, 2007. TBI status was determined based on chart review. Sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV) were calculated for each case definition.

نتائج: Of 6639 patients, 1343 had a TBI. The best case definition was, "1 hospital or 1 ER encounter coded with an ICD-10 code for TBI in 1 year" (sensitivity 69.8% [95% confidence interval (CI), 67.3-72.2], specificity 96.7% [95% CI, 96.2-97.2], PPV 84.2% [95% CI 82.0-86.3], NPV 92.7% [95% CI, 92.0-93.3]). The nonspecific code S09.9 identified >80% of TBI cases in our study.

الاستنتاجات: The optimal ICD-10-based case definition for pediatric TBI in this study is valid and should be considered for future pediatric TBI surveillance studies. However, external validation is recommended before use in other jurisdictions, particularly because it is plausible that a larger proportion of patients in our cohort had milder injuries.

الكلمات الدالة: Brain Injury – Pediatric Health Services Health Services Research.


شاهد الفيديو: تأمل معي 89: تجميد البشر لماذا وكيف (يوليو 2022).


تعليقات:

  1. Halbert

    إنه أمر مخز!

  2. Callaghan

    فيه شيء. أشكر المساعدة في هذا السؤال ، الآن سأعرف.

  3. Osip

    في رأيي ، أنت تعترف بالخطأ. أدخل سنناقش. اكتب لي في PM.

  4. Mylnburne

    لقد أحببنا الجميع!

  5. Mac An Bhreatannaich

    اللعنة ، ما هذا بحق الجحيم !!!!!!!!!!!!!!!!!!



اكتب رسالة