Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Leyendo un código neural.

W Bialek1, F Rieke, R R de Ruyter van Steveninck

  • 1Department of Physics, University of California, Berkeley 94720.

Science (New York, N.Y.)
|June 28, 1991
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Functional diversity in the output of the primate retina.

bioRxiv : the preprint server for biology·2024
Same author

Effect of butyrate sources in a high-concentrate diet on rumen structure and function in growing rams.

Animal : an international journal of animal bioscience·2024
Same author

Quantum and classical dynamics in biochemical reactions.

Photosynthesis research·2014
Same author

Deletion of PrBP/delta impedes transport of GRK1 and PDE6 catalytic subunits to photoreceptor outer segments.

Proceedings of the National Academy of Sciences of the United States of America·2007
Same author

Mathematical and computational modelling of spatio-temporal signalling in rod phototransduction.

Systems biology·2006
Same author

Detection sensitivity and temporal resolution of visual signals near absolute threshold in the salamander retina.

The Journal of neuroscience : the official journal of the Society for Neuroscience·2005
Same journal

Erratum for the Research Article "Detecting supramolecular organic nanoparticles during heat wave".

Science (New York, N.Y.)·2026
Same journal

Local signals, systemic decline.

Science (New York, N.Y.)·2026
Same journal

The mechanics of liver regeneration.

Science (New York, N.Y.)·2026
Same journal

Computing in a memory with physics.

Science (New York, N.Y.)·2026
Same journal

Retraction.

Science (New York, N.Y.)·2026
Same journal

Making time.

Science (New York, N.Y.)·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Este estudio presenta nuevos algoritmos para la estimación de estímulos en tiempo real a partir de trenes de picos neurales, imitando cómo los organismos interpretan información sensorial desconocida. Estos hallazgos revelan información sobre la computación neuronal y el procesamiento de señales en los sistemas biológicos.

Área de la Ciencia:

  • La neurociencia computacional es la neurociencia computacional.
  • La neurociencia de sistemas es la neurociencia de sistemas.
  • Comportamiento animal Comportamiento animal.

Sus antecedentes:

  • La codificación neural tradicional se centra en las respuestas promedio a estímulos conocidos.
  • Los organismos deben decodificar estímulos desconocidos que varían en el tiempo a partir de datos neuronales limitados.

Objetivo del estudio:

  • Para caracterizar los códigos neuronales desde la perspectiva del organismo.
  • Desarrollar algoritmos para la estimación de estímulos en tiempo real utilizando ejemplos de trenes de picos únicos.

Principales métodos:

  • Desarrolló algoritmos para la estimación de estímulos en tiempo real.
  • Métodos aplicados a una neurona sensible al movimiento en el sistema visual de la mosca.

Videos de Experimentos Relacionados

  • Realizó experimentos de decodificación para evaluar el ruido y la tolerancia a fallas.

    • Principales resultados:

    • Estimó con éxito los estímulos dependientes del tiempo de los segmentos cortos del tren de picos.
    • Cuantificó el nivel de ruido efectivo y la tolerancia a fallas de la computación neural.
    • Identificó estructuras algorítmicas que sugieren modelos para el procesamiento de señales analógicas.

    Conclusiones:

    • La computación neural admite la decodificación en tiempo real de estímulos desconocidos.
    • Los modelos de neuronas con picos pueden realizar el procesamiento de señales analógicas.
    • Los experimentos de decodificación proporcionan información sobre la eficiencia y la robustez de la codificación neuronal.