Inligting

15.10: Gevallestudie- Die brein - Biologie

15.10: Gevallestudie- Die brein - Biologie


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: Gevallestudie- Die brein

15.10: Gevallestudie - Microsoft se geskenk aan bloggers

Geskenk gee in besigheid is beide alledaags en omstrede op dieselfde tyd. Besigheidsgeskenke word gewoonlik gesien as 'n advertensie-, verkoopsbevordering- en bemarkingskommunikasiemedium. Sulke geskenke word gewoonlik om die volgende redes beoefen:

  1. In waardering vir vorige kliëntverhoudings, die plaas van 'n nuwe bestelling, verwysings na ander kliënte, ens.
  2. In die hoop om 'n positiewe eerste indruk te skep wat kan help om 'n aanvanklike besigheidsverhouding te vestig
  3. As 'n quid pro quo&mdash om 'n guns terug te gee of 'n guns in ruil vir iets te verwag

Om goeie besluite te neem oor wanneer besigheidsgeskenke gepas is, is uiters kompleks in die Verenigde State. In 'n globale sake-omgewing word dit een van die mees uitdagende etiese kwessies, aangesien die kulturele norme in ander lande in stryd kan wees met standaard etiese praktyke in die Verenigde State. Om hierdie rede regverdig geskenke en omkoopgeld 'n dieper bespreking.

Kom ons ondersoek een van Microsoft se promosies wat 'n geskenk ingesluit het.


Deel 2: Verbind bewegings en neurale aktiwiteit tydens besluitneming

00:00:14.28 Hallo.
00:00:15.28 Ek is Anne Churchland van Cold Spring Harbor Laboratory in New York,
00:00:18.08 en my laboratorium stel daarin belang om besluitneming te verstaan.
00:00:21.08 En vandag gaan ek jou vertel van die koppeling van bewegings en neurale aktiwiteit tydens besluitneming.
00:00:27.00 So, ons begin met 'n definisie wat jy dalk van my vorige praatjie onthou,
00:00:30.17 dat 'n besluit vir ons 'n verbintenis tot een uit 'n aantal alternatiewe is.
00:00:35.00 En meestal, in my laboratorium, bestudeer ons besluite wat uiteindelik tot aksie lei.
00:00:39.11 En daar is 'n paar redes hiervoor.
00:00:41.10 En die eerste een is eenvoudig dat baie besluite natuurlik tot aksie lei.
00:00:45.16 So, oorweeg hierdie muis.
00:00:47.04 Dit is besig om te besluit of hy moet opstaan ​​en hierdie bloubessies eet.
00:00:51.15 En as dit besluit dat dit is wat dit wil doen, sal daardie besluit natuurlik lei
00:00:55.27 na die toepaslike motoriese reaksie, of bewegingsreaksie, sodat die dier die bloubessies kan verkry.
00:01:01.08 En dit is waar van baie besluite wat ons neem.
00:01:03.20 Soms is 'n besluit dieselfde as 'n besluit om op te tree.
00:01:07.08 Nie waar van alle besluite nie, maar beslis 'n groot klas besluite wat ons en diere neem.
00:01:13.01 'n Tweede rede waarom ons besluitneming op hierdie manier bestudeer, is dat besluite wat aksies inlig
00:01:18.20 is goed geskik vir dierestudies.
00:01:21.07 Jy onthou dalk in die vorige toespraak dat ek 'n paar maniere beskryf het waarop ons
00:01:25.09 bestudeer besluitnemingsgedrag in die laboratorium,
00:01:29.00 soos om ape besluite te laat rapporteer deur 'n sakadiese oogbeweging te maak,
00:01:31.25 of deur rotte besluite te laat rapporteer deur te skuif na uitgesoekte hawens waarin hulle hul snoet steek
00:01:38.05 om aan ons te kommunikeer wat hulle besluit het.
00:01:40.17 En dit is regtig belangrik in diere, en regtig selfs in die bestudering van menslike besluitneming ook,
00:01:45.19 omdat dit ons as eksperimenteerders in staat stel om 'n sistematiese en doeltreffende manier te hê
00:01:50.00 om te weet wat dit is wat die mens of dier besluit het,
00:01:54.17 en dan kan ons dit opneem en dit ontleed, dit aan neurale aktiwiteit koppel, ensovoorts.
00:01:59.12 Daar is egter 'n paar uitdagings vir hierdie benadering.
00:02:04.01 En een uitdaging is dat wanneer ons besluite bestudeer wat tot aksie lei, as ons dit doen
00:02:08.16 terwyl ons neurale aktiwiteit in die brein meet, moet ons die besluitverwante aktiwiteit kan skei
00:02:15.06 van die bewegingsverwante aktiwiteit.
00:02:17.19 En dit is 'n probleem wat al 'n geruime tyd bekend is.
00:02:20.14 En inderdaad, mense in vorige besluitnemingstudies het daaraan gedink, binne 'n spesifieke area
00:02:25.16 en vir 'n spesifieke beweging soos 'n oogbeweging, wat kan die gevolge wees
00:02:31.27 vir die brein in terme van die bewegings wat beplan word.
00:02:35.12 Maar ten spyte van hierdie waardering in die veld, kan bewegings verander.
00:02:39.17 neurale aktiwiteit moduleer tydens besluitneming, is daar baie oop vrae oor die aard
00:02:45.24 van daardie neurale aktiwiteit.
00:02:47.09 En die eerste vraag is, wel, hoe wydverspreid is dit?
00:02:50.26 Is neurale aktiwiteit wat verband hou met bewegings net 'n paar spesifieke areas in die brein,
00:02:55.27 dalk beperk tot die motoriese korteks, byvoorbeeld?
00:02:58.16 Of strek bewegingsverwante aktiwiteit oor baie, baie neurale strukture regoor die korteks,
00:03:04.05 en dalk selfs subkortikale areas ook?
00:03:07.08 Die tweede vraag is, is hierdie bewegingsverwante aktiwiteit. word dit slegs deur opdragte bewegings aangedryf?
00:03:13.22 Dus, opdragte bewegings is dinge soos die sakkades wat die aap gebruik om 'n keuse te rapporteer,
00:03:18.01 of die oriënterende beweging wat die rot gebruik om 'n keuse te rapporteer.
00:03:22.22 En ons sou beslis verwag dat dit neurale aktiwiteit sou aandryf.
Maar is daar dalk ander bewegings ook?
00:03:28.27 Kan dit so wees dat diere baie onopdragte bewegings maak wat ons nie was nie
00:03:33.04 regtig daaraan dink, maar dit het 'n groot impak op neurale aktiwiteit?
00:03:36.24 Wel, niemand weet regtig nie.
00:03:39.13 En laastens, is hierdie bewegingsverwante aktiwiteitstaakbelyn of taakonafhanklik?
00:03:45.13 Laat ek jou vertel wat ek daarmee bedoel.
00:03:47.05 Ons sou verwag dat sekere soorte bewegings te doen kan hê met spesifieke gebeure in die.
00:03:52.11 in die taak wat die dier doen.
00:03:55.09 Byvoorbeeld, as besluite daartoe lei dat 'n dier aan die einde van 'n proef beloon word,
00:04:00.10 ons kan verwag dat daar bewegings kan wees wat in afwagting van daardie beloning is.
00:04:04.20 Een voorbeeld kan wees dat die leerlinge dalk meer verwyd raak aan die einde van die proef,
00:04:08.28 wanneer die dier dink hy gaan sy beloning kry.
00:04:11.23 Ons sou daardie taak in lyn noem, want dit gebeur altyd op dieselfde oomblik in die taak,
00:04:17.06 dit wil sê net voor die beloning.
Maar daar kan ander soorte bewegings wees wat ook saak maak vir neurale aktiwiteit.
00:04:23.28 En ek sal na dié verwys as taakonafhanklik.
00:04:26.15 En dit is spontane, onopdragte bewegings wat op willekeurige tye tydens die verhoor plaasvind.
00:04:32.02 En jy wil dalk daaraan dink as soort van meer soos fietsels
00:04:34.14 -- bewegings wat nie te doen het met die vooruitsig van die beloning of om die stimulus spesifiek te sien nie, wat nie is nie.
00:04:40.10 en hulle is nie regtig 'n hoë prioriteit vir die eksperimenteerder nie, maar kan 'n hoë prioriteit vir die dier wees.
00:04:46.02 En ons het gedeeltelik gewonder oor hierdie taak-onafhanklike bewegings net omdat ons kyk na wat mense doen
00:04:50.24 -- kyk selfs na 'n klaskamer vol kinders, of kyk na mense op die moltrein --
00:04:54.15 hulle maak eintlik baie spontane take onafhanklik.
00:04:58.19 skynbaar onafhanklike bewegings heeltyd.
00:05:01.00 So, hierdie drie vrae. is die aktiwiteit wydverspreid?, gedryf deur beweging?,
00:05:04.26 taakbelyn of taakonafhanklik. ons het nie die antwoorde hierop geken nie.
00:05:08.05 En so het ons begin met 'n eksperimentele paradigma wat ons sal toelaat om hierdie vrae te beantwoord,
00:05:12.15 en beter verstaan ​​hoe bewegingsverwante aktiwiteit en besluitneming.
00:05:16.16 besluitverwante aktiwiteit wissel in die brein.
00:05:20.16 So, hierdie werk is gelei deur twee postdoktorale in my laboratorium, Simon Musall en ook Matt Kaufman,
00:05:25.28 wat nou sy eie laboratorium aan die Universiteit van Chicago het.
Hulle het dus met 'n gedragsparadigma vorendag gekom om besluitneming by muise te bestudeer.
00:05:33.22 En die muise kry 'n ouditiewe of visuele aanduiding
00:05:37.14 -- dus 'n flikkerlig of 'n reeks klikke --
00:05:39.22 en dit kan aan die een kant van die muis of die ander kant van die muis wees.
00:05:43.01 En die muis se taak is net om uit te vind aan watter kant dit is, en om 'n lekbeweging te maak
00:05:46.21 na daardie kant toe om te rapporteer dat dit is waar die stimulus geleë is.
00:05:50.10 So, ek gaan nou vir jou 'n fliek wys van hoe dit lyk.
00:05:53.20 En dit is 'n kamera wat van onder af opkyk na 'n muis.
00:05:57.17 Jy het waarskynlik nog nooit voorheen op hierdie manier na 'n muis gekyk nie.
00:06:00.19 Jy kan die muis se mond aan die bokant van die raam sien.
00:06:03.18 En langs dit is twee klein blokkies.
00:06:06.22 Dit is lektuite, en dié gaan later intrek en die dier toelaat
00:06:10.09 om 'n keuse te maak.
00:06:11.16 En aan die onderkant, daar, kan jy twee sien. twee sirkels, wat gaan inbeweeg.
00:06:15.10 Dit is klein handvatsels.
00:06:16.10 En die dier sal een of albei handvatsels gryp wanneer hy gereed is om 'n proef te begin.
Dit is ons manier om hom te laat weet wanneer hy gereed is om 'n verhoor te begin.
00:06:25.05 En dit is om 'n paar redes 'n belangrike komponent van ons navorsingsontwerp.
00:06:29.04 So, eerstens, onthou jy dalk van die vorige toespraak dat 'n dier se interne toestand
00:06:34.12 het 'n groot uitwerking op neurale aktiwiteit.
00:06:36.17 En ons hoop is dat ons deur die dier toe te laat om self 'n proef te begin
00:06:40.16 begin om daardie interne toestand 'n bietjie beter te beheer.
00:06:43.09 Hy sal ten minste in 'n soortgelyke gemoedstoestand wees as hy self besluit het om 'n verhoor te begin,
00:06:48.02 in teenstelling met onkant betrap word.
00:06:50.01 'n Tweede rede hoekom ons diere laat proewe begin, is omdat ons wil hê hulle moet in beheer wees van
00:06:54.14 hoe lank die sessie duur.
00:06:56.05 Dit gee ons 'n baie goeie gedragsuitlees van hul algehele hoeveelheid betrokkenheid
00:07:00.05 en algehele troos as hulle die een is wat begin. elke verhoor te begin.
00:07:05.10 So, ek sal nou die fliek speel, en jy sal die dier baie verloof sien en
00:07:10.02 gryp die twee handvatsels.
00:07:13.15 So, hulle trek in, en jy kan sien dat hy met hulle kontak maak.
00:07:17.28 So, daarna is dit tyd dat die dier 'n stimulus sien.
00:07:21.10 So nou, hierdie is weer 'n fliek van dieselfde muis, maar hierdie keer is dit geneem
00:07:25.03 vanuit die teenoorgestelde oogpunt.
00:07:26.13 Dit is 'n kamera wat agter die muis is, en jy kan sy mooi lang stert daar sien
00:07:29.16 aan die onderkant van die raam.
00:07:30.24 So, daar gaan 'n visuele stimulus wees wat aan die regterkant sal verskyn.
00:07:34.20 En die dier kan dit sien, net soos jy kan.
00:07:37.02 Daar is dit.
00:07:38.15 Dan moet die dier 'n hele sekonde wag, wat 'n redelike lang tyd is vir 'n muis om te wag,
00:07:42.05 maar hulle is. hulle is ten minste matig geduldig.
00:07:45.11 En dan daarna, gaan die twee lektuite aan die bokant inskuif, en dan die dier
00:07:49.12 die geleentheid het om sy keuse aan te meld.
00:07:52.03 So, hier gaan hy.
00:07:53.08 Hy het 'n verslag gemaak. 'n keuse na een tuit, en die ander tuit wegbeweeg.
00:07:57.01 Ons doen dit sodat die dier nie van plan kan verander nie.
Muise, soos mense, hou soms daarvan om te besluit, en gaan dan terug en verander van plan.
00:08:03.02 So, sodra hulle toegewyd is, is die ander opsie. is van die tafel af.
00:08:06.06 So, dit is hoe dit lyk vir muise.
00:08:08.22 En ons het hierdie videokameras opgestel, miskien om 'n paar redes.
00:08:11.19 Maar soos jy binne 'n oomblik sal sien, met hierdie hoë-resolusie video van wat die dier
00:08:16.02 doen op elke oomblik in tyd, blyk absoluut krities te wees vir tolking
00:08:21.06 die neurale aktiwiteit wat ons gemeet het.
00:08:23.03 Maar ek loop myself vooruit.
00:08:24.26 Dus, ek moet vir jou 'n belangrike komponent van ons eksperimentele ontwerp vertel, wat is dat
00:08:29.11 alle diere het beide ouditiewe en visuele proewe gedoen, maar daar was twee groepe diere.
Een van hulle het ons die visiekenners genoem.
00:08:37.10 En dit beteken hulle het baie ondervinding met die visuele stimulus
00:08:40.10 -- dit is daardie flikkerligte wat jy 'n oomblik gelede gesien het --
00:08:43.06 en baie min ervaring met die ouditiewe stimulus.
00:08:46.04 En hierdie diere word aangedui deur die blou lyne wat jy daar sien.
Op die vertikale as is dit die persentasie tyd wat hulle 'n korrekte antwoord gee.
00:08:54.00 En jy kan sien dat vir die blou lyn, wanneer hulle 'n visuele stimulus gegee word, dat hulle is.
00:08:58.03 'n hoë akkuraatheid hê, gewoonlik meer as 80% akkuraatheid.
00:09:02.22 Maar wanneer hulle 'n ouditiewe stimulus gegee word, is hul prestasie op 'n toeval.
00:09:06.16 Dit is die waarde wat ooreenstem met 0,5 wat reg op die wit stippellyn is.
00:09:11.14 Die ouditiewe kundiges wat jy in groen kan sien.
00:09:13.25 En die ouditiewe kenners is net die teenoorgestelde.
00:09:16.01 Hulle is wonderlik in die ouditiewe weergawe van die taak, waar hulle die klikke hoor, en hulle is kans op visie.
00:09:21.17 En dit het geblyk 'n baie nuttige komponent van ons eksperimentele ontwerp te wees.
00:09:26.01 Want as jy dink aan die visiekenners teenoor die ouditiewe kenners wat byvoorbeeld 'n visuele taak doen,
00:09:30.13 hulle kry albei dieselfde stimulus, hulle lewer albei dieselfde reaksie,
00:09:35.17 maar hulle verskil in hoe hulle daardie inkomende sein interpreteer.
00:09:38.23 Dus, vir die visiekenners weet hulle wat dit beteken.
00:09:41.13 Hulle weet dat wanneer jy 'n visuele stimulus aan die regterkant kry, jy 'n lekbeweging moet beplan
00:09:45.00 dienooreenkomstig.
00:09:46.00 Maar as hulle 'n ouditiewe deskundige is, en hulle kry 'n visuele stimulus,
00:09:48.24 hulle maak basies 'n sensoriese motoriese raaiskoot.
00:09:51.01 Hulle het nie uitgepluis wat die visuele stimulus beteken nie, en daarom maak hulle 'n soort raaiskoot,
00:09:54.23 en hulle is die helfte van die tyd reg.
00:09:55.26 Dus, hul inkomende sensoriese stimulus en hul uitgaande motoriese respons is dieselfde.
00:10:01.03 Maar wat hulle intern doen, verskil tussen daardie twee groepe.
00:10:05.14 Dus, ons was oop vir die idee dat daar besluitnemingsaktiwiteite kan wees
00:10:11.06 en bewegingsverwante aktiwiteit op baie verskillende plekke oor die dorsale korteks.
00:10:17.20 En omdat 'n aantal besluitnemingsareas by baie studies geïmpliseer is
00:10:23.04 deur die afgelope jare, veral omtrent vyf jaar vir muise,
00:10:26.13 ons wou eintlik redelik wyd na neurale aktiwiteit kyk
00:10:30.00 om onsself die beste kans te gee om te sien waar
00:10:32.00 besluitneming en bewegingsverwante aktiwiteit interaksie.
00:10:35.16 Dus, om dit te doen, het ons 'n wye-veld beeldopstelling ontwikkel, en dit is gelei deur die postdoktor,
00:10:41.01 Simon Musall, wat ek 'n oomblik gelede genoem het.
00:10:43.12 En wat ons doen, is dat ons twee kanale het.
00:10:46.13 In een kanaal kan ons die neurale aktiwiteit meet, en ek sal jou binne 'n oomblik 'n bietjie meer vertel
00:10:50.03 oor waar daardie aktiwiteit vandaan kom.
00:10:52.14 En dan in die ander kanaal, kan ons die dier se hemodinamiese reaksie sien, dit wil sê,
00:10:56.01 die bloedvloei wat tussen die brein gaan. wat oor die brein gaan om brandstof aan te vul
00:11:00.14 al die neurone.
00:11:01.14 En ons het tegnieke wat ons gebruik om daardie twee te skei sodat ons 'n baie presiese skatting kan kry
00:11:05.24 van neurale aktiwiteit.
00:11:08.03 'n Groot voordeel van hierdie benadering is dat ons neurale aktiwiteit deur 'n ongeskonde skedel kan sien.
00:11:14.17 Die muis. die skedel van die muis is regtig baie dun, en die seine wat ons het is redelik helder,
00:11:18.13 sodat ons die neurale aktiwiteit regdeur die skedel kan sien.
00:11:21.05 Ons hoef nie 'n operasie te doen om skedel of iets dergeliks te verwyder nie.
00:11:24.23 So, dit is 'n redelik nie-indringende manier om neurale aktiwiteit te meet.
00:11:27.24 Maar jy wonder dalk, wag 'n oomblik.
00:11:31.00 Hoe kan jy sien hoe neurone afvuur?
00:11:33.11 Jy weet dalk of onthou van my vorige praatjie dat die manier waarop hulle met mekaar kommunikeer
00:11:36.21 is elektries.
00:11:37.23 So, byvoorbeeld, as ons hierdie neuron hier het, en dit wil 'n boodskap aan 'n naburige neuron stuur,
00:11:42.09 daar oorkant, dan sal die naburige neuron styg, en tradisioneel het mense
00:11:46.20 aangeteken dat elektriese aktiwiteit met behulp van skerp elektrodes,
00:11:49.26 soos die een wat ek hier geskematiseer het.
00:11:52.20 En dit is 'n wonderlike benadering, maar dit sal nie regtig wees wat ons wil hê as ons wil nie
00:11:57.00 meet neurale aktiwiteit oor die hele dorsale korteks,
00:12:00.09 want dit sal noodsaak om elektrodes oor die hele dorsale korteks te plaas.
00:12:04.07 En in terme van 'n biologiese weefsel, sal dit nie 'n baie goeie ding wees om te doen nie.
00:12:07.16 Dit sal te veel elektrodes in die brein wees, en dit sal regtig die brein beskadig.
00:12:11.01 So, daardie tegniek was nogal van die tafel af.
00:12:13.13 Ons het dus besluit om voordeel te trek uit 'n ander tegniek, wat gebruik maak van die feit dat
00:12:17.27 wanneer neurone styg, op die manier wat ek sopas beskryf het. dat daar 'n in- en uitvloei van kalsium is
00:12:23.23 in en uit die neuron.
00:12:25.15 En ons kan 'n fluorofoor, iets wat lig uitstraal, aan hierdie kalsium heg, sodat,
00:12:30.21 wanneer die kalsium in en uit gaan, kan ons die kalsium sien.
00:12:34.14 En dit gee ons 'n skatting van die neuron se reaksie.
00:12:38.21 Dus, om dit regtig eenvoudig te maak, wanneer 'n neuron vuur, word dit groen.
00:12:42.22 Dus, as ons transgeniese gereedskap gebruik om die kalsium-aanwysers in al die neurone te hê
00:12:48.10 in 'n muis, dan is dit wat dit ons toelaat om dit te doen.
00:12:51.00 So, ons neem die kamera wat ek 'n oomblik gelede vir jou beskryf het.
En aan die onderkant, daar, kan jy ses skematiese neurone sien wat almal stil is.
00:12:57.25 Hulle reageer nie.
00:12:59.06 En dan, wanneer die area verloof raak en die neurone begin skiet, dan word hulle groen,
00:13:03.21 en ons kan daardie fotone vasvang met ons wyeveldmikroskoop. makroskoop,
00:13:08.26 en ons kan dit oor die hele brein doen.
00:13:10.27 So, dit laat ons toe om neurone te sien afvuur, wat 'n baie nuttige hulpmiddel is wanneer ons
00:13:17.04 wil kyk na neurale aktiwiteit oor 'n baie breë strook brein.
00:13:21.03 So, watter soort strukture kan ons sien.
00:13:23.24 Ek bedoel, jy is dalk 'n bietjie skepties oor hierdie tegniek.
00:13:26.15 En inderdaad, baie in die veld was, want dit is soort van 'n nuwe tegniek wat ons
00:13:29.24 en slegs 'n paar ander laboratoriums gebruik.
00:13:31.11 Wel, ons het een soort bewys-van-beginsel-toets wat ons daardie tegniek vertel
00:13:36.04 meet 'n redelike sein.
00:13:38.09 En ons gebruik 'n tegniek genaamd visuele kartering, of Fourier-analise, waar ons diere wys
00:13:43.15 vertikale stawe en horisontale stawe wat beweeg.
00:13:47.27 En dan, deur te kyk na die oomblikke in tyd wat ons neurale aktiwiteit vir verskillende pixels sien,
00:13:52.00 kan ons kaarte van visuele ruimte genereer.
00:13:56.02 En een ding wat ons kon rekapituleer wat ander waargeneem het, is dat elke muis
00:14:02.03 het verskeie kaarte van visuele ruimte.
00:14:04.22 So, in primêre visuele korteks, is daar 'n kaart van visuele ruimte.
00:14:08.16 En dan in omtrent ses of sewe omliggende gebiede is daar dieselfde kaart van visuele ruimte
00:14:14.06 verskeie kere herhaal.
00:14:15.24 So, dit was 'n tegniek wat oorspronklik ontwikkel is deur Michael Stryker se laboratorium by UCSF,
00:14:21.03 en dit is regtig nuttig vir ons om te demonstreer dat die wyeveldbeelding ons gee
00:14:25.18 redelike seine.
00:14:26.21 Maar dit is ook, dink ek, baie gaaf om na te dink.
00:14:28.15 Dus, muise is soortgelyk aan ander soogdiere, mense en nie-menslike primate deurdat die visuele wêreld
00:14:33.11 word verskeie kere in elke brein voorgestel.
00:14:37.28 En dit is interessant om na te dink oor hoekom dit is.
00:14:40.13 Watter berekeninge onderskei een kaart van visuele ruimte van 'n naburige kaart van visuele ruimte?
00:14:45.02 Hoekom het ons so baie?
00:14:47.09 Die antwoord is nie heeltemal bekend nie, maar dit beklemtoon wel dat vir baie soogdiere, insluitend muise,
00:14:52.08 wat 'n visuele stelsel het wat nie heeltemal so goed is soos primate nie, selfs in muise
00:14:57.08 visie is genoeg saak dat hulle bereid is om daardie visuele wêreld te herhaal
00:15:01.02 ses keer in elke halfrond van elke brein.
00:15:05.01 Dus, nadat ons bevestig het dat ons die kaarte van visuele ruimte kan sien wat verwag word
00:15:12.10 in die visuele korteks van die muis, is ons dan in 'n posisie waar ons neurale aktiwiteit kan meet
00:15:16.20 tydens besluitneming.
00:15:18.09 So, dit is dieselfde gedragstaak wat ek jou 'n oomblik gelede gewys het,
00:15:21.20 wat begin met die basislynperiode,
00:15:24.07 dan wanneer die visuele stimulus opkom, kan jy sien.
00:15:27.24 jy sal die agterkant van die brein, primêre visuele korteks, kan sien.
00:15:31.02 Daar is dit, verlig.
00:15:35.09 Dan is daar die vertragingsperiode.
00:15:38.05 En uiteindelik, wanneer dier sy besluit neem, is daar regtig baie aktiwiteit
00:15:42.07 oral in die brein.
00:15:43.07 So, in hierdie video is dit duidelik dat verskeie areas tydens besluitneming betrokke is.
00:15:47.22 En die eerste ding wat ons gedoen het toe ons hierdie mates gekry het, is om 'n paar
00:15:51.00 wat ons geestesondersoeke noem.
00:15:52.19 En dit is 'n baie belangrike ding om te doen, regtig, in enige eksperiment, maar veral
00:15:56.15 as jy 'n nuwe tegniek gebruik.
00:15:57.22 Dus, die eerste dinge wat ons doen is om te vra, is ons die regte ding op die regte plek sien
00:16:01.28 op die regte tyd?
00:16:03.06 So, hierdie is 'n voorbeeld.
00:16:05.01 Dit wys jou net die rou fluoressensie sein.
00:16:07.21 Hierdie is basies net rame uit die fliek wat jy net 'n oomblik gelede gesien het.
00:16:11.07 En die eerste ding wat ons doen, is om 'n paar areas te oorweeg wat reaksie-eienskappe het
00:16:15.04 wat welbekend is.
00:16:16.13 So, dit sluit primêre visuele korteks in.
00:16:20.07 En die eerste ding wat ons vra is, sien ons 'n verskil in primêre visuele korteks
00:16:24.12 vir ouditiewe versus visuele proewe?
00:16:26.06 Wel, ons beter 'n verskil sien, reg?
00:16:27.24 As ons nie 'n verskil sien nie, dan is iets fout met ons meting.
00:16:30.08 So, dit is wat jy hier onder sien.
Die wit lyn is vir visuele proewe, en die rooi lyn is vir ouditiewe proewe.
00:16:36.02 En daardie twee grys reghoeke vertel jou wanneer die stimulus aan is.
00:16:39.05 En tot ons verligting het ons 'n hoër reaksie op visuele proewe as ouditiewe proewe gesien
00:16:43.22 in primêre visuele korteks.
00:16:45.18 Groot -- gesonde verstandkontrole geslaag.
00:16:46.22 Goed.
00:16:47.22 Volgende keer. ons kyk na area RS, wat staan ​​vir retrospleniale korteks.
00:16:51.27 Dit is 'n area wat 'n bietjie meer mediaal is.
00:16:53.24 Dit het 'n paar visueel bekende antwoorde.
00:16:56.21 En weer, ons sien dat ouditief en visueel 'n bietjie verskil --
00:16:59.15 meer van 'n visuele reaksie.
00:17:01.12 Weereens, bevestig.
00:17:02.20 In gebiede wat by bewegingsbeplanning betrokke is, sou ons nie verwag dat dit baie verskil nie
00:17:06.11 vir ouditiewe versus visuele stimuli, want die beweging is altyd dieselfde.
00:17:10.00 En inderdaad, vir 'n agterste ledemaat area, en vir sekondêre motoriese korteks,
00:17:13.13 ons het gevind dat dit dieselfde was.
00:17:15.15 So dit, gekombineer met die visuele kaarte, het ons die versekering gegee dat ons tegniek werk,
00:17:19.11 en ons het die regte aktiwiteit op die regte plek op die regte tyd gesien.
00:17:22.23 So, toe besluit ons om 'n vergelyking te maak tussen beginner- en kundige vakke.
00:17:27.26 En dit is wat jy hier sien.
00:17:29.05 So, begin met V1, dit is bo.
00:17:31.09 Onthou, primêre visuele korteks.
Die rooi lyn is die onopgeleide vakke, en die wit lyn is die opgeleide vakke.
00:17:37.04 En jy kan sien hulle is regtig baie soortgelyk.
00:17:40.28 En ons het opgemerk hoe eenders hulle was, en ons het gedink, huh, wel, hulle is.
hulle doen iets anders.
00:17:45.20 Onthou, hul gedrag was baie anders.
00:17:47.12 Maar die neurale reaksies lyk redelik sim. redelik soortgelyk.
00:17:50.09 Goed, kom ons kyk na retrospleniale korteks.
00:17:52.18 Miskien, jy weet, is dit waar ons 'n verskil sal sien tussen beginner- en kundige besluitnemers.
00:17:55.26 Maar weer, ons het gedink. wat?
00:17:58.28 Die aktiwiteit is ook hier baie soortgelyk.
00:18:01.11 En oral waar ons gekyk het, het dit gelyk of die beginner en kundige besluitnemers,
00:18:05.25 al was hul gedrag regtig anders, was hul neurale aktiwiteit verbasend soortgelyk.
00:18:10.18 So, dit het ons laat sê, whoa. wel, as besluitnemingseine nie hierdie neurale aktiwiteit aandryf nie
00:18:16.18 -- want onthou, die besluitneming is heel anders in die twee groepe --
00:18:20.12 wat dryf die neurale aktiwiteit aan?
00:18:22.28 Ons het nie geweet nie.
00:18:23.28 So ons het besluit ons moet 'n bietjie harder werk om die neurale aktiwiteit aan die gedrag te verbind.
00:18:29.03 En die manier waarop ons dit gedoen het, was om 'n lineêre model te bou.
00:18:31.18 En die doel van die model is dit.
00:18:32.25 So, jy kan jou 'n spesifieke pixel voorstel wat ons opneem -- dit is net een plek in die brein --
00:18:37.00 dat op proef een die fluoresserende sein in daardie pixel kan op en af ​​gaan
00:18:41.21 'n bietjie, lyk so iets.
00:18:43.17 Hier is dalk twee ander proewe.
00:18:45.06 Dus, dieselfde deel van die brein, maar twee verskillende proewe.
00:18:47.28 Fluoressensie seine soort van op en af ​​gaan.
00:18:49.19 En ons doel met ons model is dat ons die proef-vir-proef fluoressensie sein wou modelleer
00:18:55.22 gebruik al die gedragsparameters wat ons tot ons beskikking het.
00:18:59.04 So, ons sê. ons wil sê, wat is dit wat hierdie skommelinge aandryf?
00:19:02.17 Is dit die besluit?
Is dit vroetelbewegings?
00:19:04.23 Is dit. is dit pupil dilatasie?
00:19:06.11 Wat is dit?
00:19:07.11 En ons was gelukkig om baie gedragsparameters tot ons beskikking te hê.
00:19:11.00 So, wat ons gedoen het, is dat ons al die moontlike gebeurtenisse geneem het wat neurone kan moduleer.
00:19:16.07 Ons het nie geweet watter een saak maak nie.
00:19:17.28 Ons het begin met dinge soos die oomblik toe die stimulus opgekom het.
00:19:21.00 Ons noem daardie post-gebeurtenisse.
00:19:23.05 Peri-gebeure, dit is dinge soos lekbewegings.
00:19:27.09 Verhoorgebeure wat met besluitneming te doen het, soos of die vorige of huidige verhoor
00:19:31.19 is 'n sukses of mislukking.
00:19:33.24 En dan, uiteindelik, 'n hele klomp analoog parameters ook.
00:19:36.24 En dit is dinge soos die dier se pupil deursnee, wat wissel
00:19:40.20 deur die loop van die verhoor, en ook klitsbewegings, en 'n aantal ander bewegings ook.
00:19:45.00 En ek moet sê dat ons deels geïnspireer is deur werk van Marius Pachitariu en Carsen Stringer
00:19:50.00 wat voorheen ontwikkel het uit elektriese opnames in V1.
00:19:55.02 nie tydens besluitneming nie, maar nietemin baie relevant.
00:19:57.19 dat daardie neurone baie omgegee het vir gesigsbewegings.
00:20:01.00 En so het ons gedink, wel, ons sal maar. ons sal dit ook in die model gooi,
00:20:04.01 en kyk wat uitkom.
00:20:05.17 So, dit is nou die hele model.
00:20:07.25 En vir dié van julle wat liefhebbers is, moes ons natuurlik baie diep nadink oor
00:20:10.27 hoe om hierdie model te pas, want ons het baie, baie, baie, baie, baie parameters.
Ons wil oorpas voorkom.
Maar daar is goeie wiskundige tegnieke om dit te doen wat ons gebruik het.
00:20:20.04 En aan die einde van die dag, sit ons dit alles saam in 'n ontwerpmatriks, en dan pas ons die model,
00:20:24.07 wat net beteken dat ons 'n gewig aan elkeen van hierdie veranderlikes toeken, net sê,
00:20:29.09 hoeveel maak hierdie veranderlike saak om die neurale reaksie te pas?
00:20:33.24 En ek gaan jou nou die model se skatting wys van wat die fluoressensiesein moet
00:20:38.16 doen op elke proef deur die modelvoorspelling met die werklike data in wit oor te lê, in rooi.
00:20:43.23 So, jy kan sien dat die model redelik goed is.
00:20:46.03 So, ons kon baie van die proef-vir-proef skommelinge in fluoressensie vasvang,
00:20:49.24 ongeveer 42% van daardie skommelinge, wat nogal bemoedigend was.
00:20:54.08 So, dit vertel ons dat die model werk.
00:20:56.17 En nou moet ons die werklik interessante vraag vra, wat is, hoekom werk die model?
00:21:00.07 Wat is die parameters wat regtig belangrik is om hierdie model so goed te maak om te voorspel
00:21:04.18 wat die neurale aktiwiteit gaan doen?
00:21:07.12 So, ons het die veranderlikes in twee groepe geskei.
00:21:10.11 En een van hulle gaan ek nou beskryf as taakverwante veranderlikes.
00:21:13.25 En dit is dinge soos die dier se keuse, sukses of mislukking van die vorige proef,
00:21:19.16 teenwoordigheid van 'n ouditiewe of visuele stimulus, sulke dinge.
00:21:23.03 En ons het gevind dat, jy weet, soos ons verwag het, dit saak maak vir die model.
00:21:26.25 As jy. hulle het gewigte gehad wat nie nul was nie, dit was. dit was goed.
00:21:29.28 Maar verbasend genoeg, toe ons toe na 'n ander klas veranderlike, bewegingsverwante veranderlikes gekyk het,
00:21:34.21 ons het gevind dat hulle baie meer van die afwyking verantwoordelik was.
00:21:39.06 Die bewegings van die neus, byvoorbeeld, wat ons nie regtig verwag het nie, hierdie twee parameters
00:21:44.19 genoem Video en Video ME, wat staan ​​vir videobewegingsenergie.
00:21:48.10 Dit is net al die oorblywende pixels in die video wat ons glad nie verwag het om saak te maak nie.
00:21:54.02 Dit blyk dat hulle baie belangrik was om die fluoressensiesein te verduidelik.
00:21:58.09 Maar op hierdie stadium moet jy skepties wees.
00:22:00.05 So, dit is ons, wat ek noem, skeptici se hoek.
00:22:02.26 En 'n skeptikus sou sê, o, kom nou.
00:22:05.12 Dit is nie regtig die regte manier om hierdie ontleding te doen nie, want baie van die veranderlikes
00:22:09.11 wat jy hier het, is verwant aan mekaar.
00:22:12.02 Byvoorbeeld, die dier se keuse, of dit regs of links gaan, is intiem vasgebind
00:22:16.19 aan die diere wat lek omdat dit die lek gebruik om die keuse aan te meld.
00:22:21.05 En dit is natuurlik 'n baie geldige kritiek.
00:22:23.00 So, om dit aan te spreek, het ons teruggegaan na die model, en ons het die parameters uit die model geskop
00:22:27.10 een vir een, en gekyk na hoeveel slegter die model as gevolg daarvan gevaar het.
00:22:32.11 En dit is 'n baie meer konserwatiewe manier van assessering
00:22:35.20 hoeveel elkeen van hierdie gedragskenmerke saak maak vir die brein.
00:22:38.19 So, byvoorbeeld, ek sal regtig konkreet hier wees.
00:22:41.05 Kom ons veronderstel ons skop die regte visuele stimulus uit.
00:22:44.01 Dan gaan ons vra, hoeveel erger vaar die model?
00:22:48.17 Of 'n ander manier om dit te stel, hoeveel ly die model?
00:22:52.02 En waar ly die model?
00:22:54.02 So, hier is 'n manier om dit te visualiseer.
00:22:55.19 So, nou, die kleure hier vertel jou hoeveel die model se vermoë om die data te pas.
00:23:00.21 hoe goed dit gewerk het. hoeveel erger het dit geword toe ons die ooreenstemmende parameter uitgeskop het
00:23:05.21 na die regte visuele stimulus.
00:23:07.00 Wel, goed.
00:23:08.00 Ons het uitgevind toe ons die regte visuele stimulus uit die model uitgeskop het,
00:23:11.13 ons kon nie meer die neurale aktiwiteit in linker V1 voorspel nie.
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.

Metodes: 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.

Resultate: 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.

Gevolgtrekkings: 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.

Sleutelwoorde: Brain Injury – Pediatric Health Services Health Services Research.


Kyk die video: BIGO LIVE HOT bigo live keindahan no bra sampai di banned (Oktober 2022).