Géométrie haute dimension des réponses de la population dans le cortex visuel

[ad_1]

  • 1.

    Barlow, H. B. dans Communication sensorielle (ed. Rosenblith, W.) 217-234 (MIT Press, 1961).

  • 2

    Atick, J.J. & Redlich, A.N. Vers une théorie du traitement visuel précoce. Neural Comput. 2308-320 (1990).

  • 3

    Simoncelli, E. P. & Olshausen, B. A. Statistiques d'images naturelles et représentation neuronale. Annu. Rev. Neurosci. 241193-1216 (2001).

  • 4

    DiCarlo, J. J., Zoccolan, D. et Rust, N. C. Comment le cerveau résout-il la reconnaissance d'objet visuel? Neurone 73415–434 (2012).

  • 5

    Rigotti, M. et al. L'importance de la sélectivité mixte dans les tâches cognitives complexes. La nature 497585-590 (2013).

  • 6

    Chung, S., Lee, D.D. et Sompolinsky, H. Classification et géométrie des variétés perceptuelles générales. Phys. Rev. X 8031003 (2018).

  • 7.

    Cunningham, J. P. et Yu, B. M. Réduction de la dimensionnalité pour les enregistrements neuronaux à grande échelle. Nat. Neurosci. 17, 1500-1509 (2014).

  • 8

    Machens, C. K., Romo, R. et Brody, C. D. Séparation fonctionnelle, mais non anatomique, du «quoi» et du «quand» dans le cortex préfrontal. J. Neurosci. 30, 350–360 (2010).

  • 9

    Kobak, D. et al. Analyse démixée en composantes principales des données de population neuronale. eLife 5, e10989 (2016).

  • dix.

    Archer, E.W., Koster, U., Pillow, J.W. & Macke, J.H. Modèles à une petite dimension de l'activité de la population neurale dans des circuits corticaux sensoriels. Dans Proc. 27ème conférence internationale sur les systèmes de traitement d'informations neuronaux (eds Ghahramani, Z. et al.) 343–351 (Curran, 2014).

  • 11

    Sadtler, P.T. et al. Contraintes neurales à l'apprentissage. La nature 512423–426 (2014).

  • 12

    Chapin, J. K. & Nicolelis, M. A. L'analyse en composantes principales de l'activité de l'ensemble neuronal révèle des représentations somatosensorielles multidimensionnelles. J. Neurosci. Les méthodes 94121-140 (1999).

  • 13

    Bathellier, B., Buhl, D.L., Accolla, R. & Carleton, A. Codage dynamique des odeurs d'ensemble dans le bulbe olfactif des mammifères: informations sensorielles à différentes échelles de temps. Neurone 57586-598 (2008).

  • 14

    Churchland, M. M. et al. Dynamique de la population neuronale au moment d'atteindre. La nature 48751–56 (2012).

  • 15

    Mante, V., D. Sussillo, K. Shenoy et V. Newsome, W. T. Calculs dépendant du contexte par dynamique récurrente dans le cortex préfrontal. La nature 503, 78–84 (2013).

  • 16

    Shadlen, M. N. & Newsome, W. T. La décharge variable des neurones corticaux: implications pour la connectivité, le calcul et le codage de l'information. J. Neurosci. 183870-3896 (1998).

  • 17

    Reich, D. S., Mechler, F. et Victor, J. D. Informations indépendantes et redondantes dans les neurones corticaux voisins. Science 2942566-2568 (2001).

  • 18

    Gao, P. et al. Une théorie de la dimensionnalité multineuronale, de la dynamique et de la mesure. Pré-impression à (2017).

  • 19

    Pachitariu, M. et al. Suite2p: au-delà de 10 000 neurones avec la microscopie standard à deux photons. Pré-impression à (2016).

  • 20

    Deng, J. et al. Imagenet: Une base de données d'images hiérarchique à grande échelle. Dans Conférence IEEE sur la vision par ordinateur et la reconnaissance des formes 248–255 (IEEE, 2009).

  • 21

    Vinje, W. E. & Gallant, J. L. La stimulation naturelle du champ de réception non classique augmente l'efficacité de la transmission d'informations dans V1. J. Neurosci. 222904-22915 (2002).

  • 22

    Ringach, D. L. Structure et symétrie spatiales des champs récepteurs de cellules simples dans le cortex visuel primaire d'un macaque. J. Neurophysiol. 88455-463 (2002).

  • 23

    Niell, C.M. & Stryker, M.P. Champs réceptifs hautement sélectifs dans le cortex visuel de souris. J. Neurosci. 287520–7536 (2008).

  • 24

    Softky, W. R. & Koch, C. La mise à feu très irrégulière de cellules corticales est incompatible avec l'intégration temporelle de EPSP aléatoires. J. Neurosci. 13334-350 (1993).

  • 25

    Cossell, L. et al. Organisation fonctionnelle de la force synaptique excitatrice dans le cortex visuel primaire. La nature 518399–403 (2015).

  • 26

    D. Smyth, B. Willmore, G. Baker, E., Thompson et D. Tolhurst, D. J. Organisation en champ réceptif de cellules simples dans le cortex visuel primaire de furets sous stimulation naturelle de la scène. J. Neurosci. 234746-4759 (2003).

  • 27

    Carandini, M. et al. Savons-nous ce que le système visuel précoce fait? J. Neurosci. 2510577-10597 (2005).

  • 28

    David, S. V. & Gallant, J. L. Prédire les réponses neuronales au cours de la vision naturelle. Netw. Comput. Syst neural 16, 239-260 (2005).

  • 29

    Touryan, J., Felsen, G. et Dan, Y. Structure spatiale de champs récepteurs complexes de cellules, mesurée à l'aide d'images naturelles. Neurone 45781–791 (2005).

  • 30

    de Vries, S.E.J. et al. Une étude physiologique normalisée à grande échelle révèle un codage d'ordre supérieur dans tout le cortex visuel de la souris. Pré-impression à (2018).

  • 31.

    Field, D. J. Relations entre la statistique des images naturelles et les propriétés de réponse des cellules corticales. J. Opt. Soc. Un m. UNE 42379-2394 (1987).

  • 32

    Ruderman, D. L. & Bialek, W. Statistiques d'images naturelles: Mise à l'échelle dans les bois. Dans Progrès des systèmes de traitement de l'information neuronale 551–558 (1994).

  • 33

    Tao, T. Un Epsilon de la pièce, I: analyse réelle 1.12.3 (American Mathematical Society, 2010).

  • 34

    Szegedy, C. et al. Propriétés intrigantes des réseaux de neurones. Pré-impression à (2013).

  • 35

    Goodfellow, I. J., Shlens, J. et Szegedy, C. Expliquer et exploiter des exemples contradictoires. Pré-impression à (2014).

  • 36

    Stringer, C. et al. Les comportements spontanés conduisent à une activité multidimensionnelle à l'échelle du cerveau. Science 364eaav7893 (2019).

  • 37

    Pologruto, T. A., Sabatini, B. L. et Svoboda, K. ScanImage: logiciel flexible pour l'exploitation de microscopes à balayage laser. Biomed. Eng. En ligne 213 (2003).

  • 38

    Chen, T.-W. et al. Protéines fluorescentes ultra-sensibles pour l'imagerie de l'activité neuronale. La nature 499295–300 (2013).

  • 39

    Friedrich, J., Zhou, P. et Paninski, L. Déconvolution en ligne rapide de données d'imagerie du calcium. PLoS Comput. Biol. 13, e1005423 (2017).

  • 40

    Pachitariu, M., Stringer, C. et Harris, K. D. Robustesse de la déconvolution en pointe pour l'imagerie neuronale du calcium. J. Neurosci. 387976–7985 (2018).

  • 41

    Stringer, C., Pachitariu, M., Carandini, M. et Harris, K. Réponses de dix mille neurones à 2800 images naturelles. Figshare (2018).

  • 42

    Jun, J. J. et al. Sondes en silicium entièrement intégrées pour l'enregistrement à haute densité de l'activité neuronale. La nature 551232-236 (2017).

  • 43

    Pachitariu, M., N. A. Steinmetz, S. N. Kadir, M., K. et Harris K., Harris. Tri rapide et précis des sondes à grand nombre de canaux avec kilosort. Dans Progrès des systèmes de traitement de l'information neuronale 4448 à 4456 (2016).

  • 44

    Allen, W. E. et al. La soif régule le comportement motivé par la modulation de la dynamique de la population neurale à l'échelle du cerveau. Science 364eaav3932 (2019).

  • 45

    Izenman, A. J. Régression à rang réduit pour le modèle linéaire multivarié. J. Anal Multivarié. 5248 à 264 (1975).

  • 46

    Schwartz, O. & Simoncelli, E. P. Statistiques de signaux naturels et contrôle du gain sensoriel. Nat. Neurosci. 4819–825 (2001).

  • 47

    Cowley, B. R., Smith, M. A., Kohn, A. et Yu, B. M. Profils d'activité de la population liés à un stimulus dans le cortex visuel primaire du macaque. PLoS Comput. Biol. 12, e1005185 (2016).

  • 48.

    Gallego, J.A. et al. L'activité de la population corticale au sein d'une variété neurale préservée sous-tend de multiples comportements moteurs. Nat. Commun. 94233 (2018).

  • [ad_2]