Este trabajo fue apoyado en parte por el Ejército de los EE.UU. Laboratorio de Investigación del Ejército de los EE.UU. y la Oficina de Investigación y W911NF1110105 subvención NSF subvención IOS-1147097to Hegde Jay. También se prestó apoyo de una subvención piloto para Jay Hegde del Instituto Visión Descubrimiento de la Georgia Health Sciences University. Daniel Kersten fue apoyado por becas ONR N00014-05-1-0124 y NIH R01 EY015261 y en parte por WCU (World Class University) programa financiado por el Ministerio de Educación, Ciencia y Tecnología a través de la Fundación Nacional de Investigación de Corea (R31-10008 ). Karin Hauffen fue apoyada por el Programa de Investigación de Pregrado Aprendizaje (URAP) del Ejército de los EE.UU..

1. Creación de naturalistas virtuales en 3-D usando objetos VM <ol><li> Para crear embriones digitales, utilice el Taller Digital Embryo (DEW, véase el cuadro 1). Cada ejecución se genera un único embrión 14, la forma de la que es único para un conjunto dado de valores (o &quot;genotipo&quot;) utilizados para la ejecución dada (Figura 1). Las &quot;células del embrión se representan como triángulos 14. <ol><li> Ejecutar el programa tantas veces como sea necesario para generar el número deseado de embriones. </li><li> Si formas más complejas se desea, aumentar el número de ciclos de crecimiento, es decir, el número de veces que las células del embrión se dividen. Tenga en cuenta que esto también se ralentizará el programa. Si es necesario para crear objetos virtuales que no sean embriones digitales, utilizar comercialmente disponibles en 3-D herramientas de modelado de objetos virtuales u obtener de proveedores comerciales (Tabla 1). </li></ol></li><li> En general, es aconsejable guardar el objeto virtuals en un formato de archivo comúnmente utilizado, tal como OBJ, de manera que los objetos pueden ser fácilmente importados a un conjunto de herramientas de modelado comercial 3-D. Con este fin, el rocío escribe objetos en formato OBJ por defecto. </li><li> Los estímulos visuales pueden ser generados usando uno o más embriones digitales utilizando un modelado en 3-D y entorno de reproducción (Tabla 1). Utilizar las operaciones estándar de gráficos, tales como la variación de la orientación, el tamaño, la iluminación, la textura superficial y de fondo para crear los estímulos deseados (ver Figura 2). </li></ol> 2. Crear categorías naturalistas objeto con VP <ol><li> Para generar categorías de objetos, generar descendientes (o &quot;niños&quot;) del antepasado dado (o &quot;padre&quot;) objeto utilizando una combinación deseada de los procesos en el paso 1.1 anterior (Figura 3) 9,10,12,13. <ol><li> Algunos métodos que se describen a continuación para crear variaciones suaves formas, como morphing o componentes principales (vea los pasos 3 y 4), el trabajo better si todos los objetos de entrada tienen el mismo número de células y, si hay uno-a-uno entre los vértices de los objetos. Para la creación de tales objetos, utilizar sólo aquellos procesos VM que no cambian el número de células y preservará la correspondencia uno-a-uno de los vértices entre los objetos (véase, por ejemplo, las generaciones G G 2 a 3 en la Figura 3). Por ejemplo, la división celular y la muerte celular programada altera el número de células, y hacer que sea mucho más difícil (aunque no imposible 17,18) para determinar una correspondencia uno a uno entre los vértices de un par dado de objetos. Tenga en cuenta que los procesos que alteran el número de células en un objeto dado también alterar su complejidad de forma. En general, cuanto mayor es el número de células, mayor es la complejidad de la forma del objeto y su superficie lisa. </li><li> Si los objetos virtuales necesarios, que no sean embriones digitales se pueden utilizar como entradas a VP (Figura 4). </li></ol></li><li> Los objetos dentro de una categoría dada puede ser más que se selecciona a fin de lograr una distribución dada de características 19. Por ejemplo, uno puede eliminar selectivamente de tamaño medio objetos de una categoría dada a fin de generar una distribución bimodal de tamaño del objeto. </li><li> No hay ningún método único que sea universalmente óptima para la medición de la información de la forma disponible para todas las categorías, ni existe un único método que es óptima para clasificar todos los objetos 20-22. Así, el experimentador debe elegir los métodos basados ​​en las categorías y objetivos computacionales a mano 20-22. Paso 4 describe un método comúnmente utilizado para la manipulación de diversos aspectos de la información de la forma disponible. </li><li> La similitud entre un par determinado de categorías pueden ser medidos objetivamente utilizando métodos filogenéticos disponibles 23,24. Por ejemplo, la vertical (o &quot;evolutivo&quot;) distancia entre un par dado de categorías, según se mide por cl jerárquicaustering métodos en el conjunto de herramientas estadístico R, es una medida objetiva de la similitud categoría 25,26. </li></ol> 3. Métodos adicionales de creación de variación de la forma: Digital Morphing <ol><li> Dado cualquier par de objetos de modo que cada vértice de un objeto corresponde exactamente a un vértice del otro objeto (. Es decir, los objetos con uno-a-uno entre los vértices), morphing es sencillo 17,18,27-29: En este caso, las variaciones leves (o &#39;transforma&#39;) entre los dos objetos son producidos por suavemente interpolando entre los vértices correspondientes y normales (Figura 5). Dependiendo del par de objetos seleccionados, morphing resultará en nuevas categorías o niños adicionales dentro de una categoría. <ol><li> Los objetos que se muestran en la figura 5 se crearon utilizando lineal morphing 27-29. Los objetos pueden ser transformado (o deformada) por una amplia gama de otras técnicas de deformación disponibles 17,18. </li&gt; </ol></li><li> Para crear una distribución deseada de formas transformadas, elegir los puntos de interpolación en consecuencia. </li></ol> 4. Métodos adicionales de creación de variación de la forma: Componentes Principales <ol><li> Con el fin de utilizar componentes principales para generar variaciones de forma, es necesario determinar primero las componentes principales 15. Los componentes principales son específicos para el conjunto dado de objetos que se utilizan para la determinación de los 26. Para obtener buenos resultados, utilizar por lo menos 30 objetos con uno-a-uno entre los vértices 26. </li><li> Generar un objeto de media a partir de un conjunto deseado de objetos de entrada n, por separado promedio de las coordenadas y la normal de cada vértice a través de todos los objetos. Por lo tanto, la coordenada x de un k dado vértice de debe ser el promedio de las coordenadas x de k vértice de todos los n objetos, y así sucesivamente. </li><li> Utilice la función de Matlab PRINCOMPpara determinar los componentes principales de los N objetos. Esto generará n-1 no-cero vectores propios, junto con la correspondiente n-1 valores propios 26. </li><li> Para generar un nuevo objeto A j de un componente principal dado P i, p i multiplicar por el correspondiente valor propio λ i y j peso w deseado y añadir al objeto media: A j = + w j λ i P i </li><li> Cada único j w generará un objeto único. Por suavemente variable w, uno puede crear variaciones suave, forma, a lo largo de un componente principal dado. </li><li> Para crear variaciones de forma a lo largo de una dimensión de forma independiente, repita el paso 4.4 utilizando un componente principal diferente. </li><li> Para crear una distribución deseada de formas a lo largo de un componente principal dado, utilizar la distribución deseada de w. &lt;/ Li&gt; <li> Para crear una red multi-dimensional de formas, utilice un conjunto de pesos para cada uno de varios componentes principales: <img alt="Ecuación 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" /></li></ol> 5. Creación de versiones hápticas de objetos 3-D <ol><li> &#39;Fuera de impresión &quot;objetos 3-D usando un prototyper 3-D (o 3-D&#39; impresora &#39;). Si es necesario, ajustar el tamaño del objeto y alisar la superficie del objeto antes de imprimir. </li></ol> 6. Una aplicación Exemplar: Inferencia bayesiana de la categoría Imagen <ol><li> Una tarea importante en el procesamiento visual inferir la categoría a la que un objeto dado observado pertenece. Aunque el mecanismo exacto de esta inferencia es desconocida, hay evidencia tanto computacional y fisiológicos 9,12,13,30-32 que implica el uso de la información acerca de las características conocidas del objeto en la imagen dada para inferir la categoría del objeto. Aquí, vamos a Illustrate cómo este proceso inferencial puede trabajar en un marco bayesiano, y el número de embriones digital puede ser útil para la investigación en esta área. </li><li> Para simplificar, vamos a suponer que la tarea de categorización es binaria e involucra K categoría distintiva de la categoría L (Figura 3). Sea C la variable categoría. Vamos a inferir que C = K o C = L en función de si la imagen observada I pertenece a la categoría K o L. Un enfoque típico para categorización implica: <ol><li> Cálculo de la probabilidad de que la categoría K es dada la información de la imagen, denotado p (C = K | I); </li><li> Cálculo de la probabilidad de que la categoría L es dada la información de la imagen, denotado p (C = L | I); y </li><li> Elegir la categoría con mayor probabilidad. </li></ol></li><li> A continuación, vamos a suponer por simplicidadque existe exactamente una función F binario. Esta característica puede ser o bien presente en la imagen (denominado F = 1) o ausente de la imagen (denominado F = 0). En este ejemplo se utilizará el «fragmento informativo&quot; característica mostrada en la Figura 8. Fragmentos informativos fueron descritos por primera vez por Ullman y sus colegas 33. En el presente caso, se utilizará la plantilla de imagen se muestra en la Figura 8 como la función, y un valor umbral de 0,69. Para determinar si esta característica está presente en una imagen dada (por ejemplo, la imagen de la derecha en la fila G3 en la Figura 3), se utilizarán los siguientes pasos: <ol><li> Deslice esta plantilla sobre todas las posibles ubicaciones en la imagen y calcular, en cada localización, el valor absoluto de la correlación cruzada normalizada entre la plantilla y la sub-imagen subyacente. </li><li> Seleccione la ubicación de la imagen con el valor más alto (0,60 en el caso presente). </li><li> Si este valor es superior al umbral, la conclusiónque la característica está presente, de lo contrario, la conclusión de que está ausente. En nuestro caso, ya que la mayor correlación 0,60 está por debajo del umbral de 0,69, concluimos que la característica está ausente en esta imagen. </li><li> La justificación del uso de tales características, y los mecanismos de selección de funciones y la determinación de sus umbrales están más allá del alcance de este informe, pero se describen en detalle en las referencias bibliográficas. 33, 30. </li></ol></li><li> En el marco de inferencia basado en características, se supone que toda la información de los extractos de observación de la imagen se incluye en el valor de esta característica, i. e, que p (C | I). = p (C | F). Por lo tanto, la tarea se hace que la determinación del valor de F en la imagen dada (presente o ausente), la computación p (C = K | F) y p (C = L | F) para que el valor F, y la selección de la categoría con la mayor probabidad. </li><li> En el marco bayesiano, </li></ol><img alt="Ecuación 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" /> Por lo tanto, <img alt="ecuación 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" /> y <img alt="Ecuación 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" /> Tenga en cuenta que el denominador en las dos ecuaciones es la misma. Por lo tanto, para comparar p (C = K | F) y p (C = L | F), no es necesario calcular el denominador, sino que es suficiente para calcular las cantidades p (C = K | F) α p (C = K) p (F | C = K) y p (C = L | F) α p (C = L) p (F | C = L) ThESE a veces se llaman &quot;probabilidades sin normalizar. El término p (C) es llamada &quot;previa&quot;, y el término p (F | C) se denomina «riesgo». <ol start="6"><li> Para simplificar, vamos a suponer un &#39;plano&#39; antes: p (C = K) = p (C = L) = 0,5. </li><li> La tarea consiste ahora en calcular p (F | C), la probabilidad de un valor determinado en función de una imagen de un C categoría dada. <ol><li> Vamos a utilizar las seis imágenes de la categoría L (Figura 3) como un ejemplo para calcular p (F = 1 | C = L), la probabilidad de que la característica está presente en una imagen de la categoría L. </li><li> Para calcular p (F = 1 | C = L), en primer lugar tomar todas las imágenes de entrenamiento que pertenecen a L. De nuevo, estos se muestran en la Figura 3. </li><li> Para cada imagen, determinar si el valor de característica es 1 (presente) O 0 (ausente), como se describe en (6.3.1) - (6.3.3). En nuestro caso, para los seis imágenes en la Figura 3, los valores son: [0, 0, 1, 0, 1, 0]. </li><li> Calcular la fracción de imágenes en las que el valor de característica es 1. En nuestro caso, es de 2/6 = 0,33. </li><li> Por lo tanto, p (F = 1 | C = L) = 0,33. Tenga en cuenta que para obtener estimaciones precisas, se debe utilizar por lo menos 30 imágenes por clase. </li><li> De una manera similar, se puede calcular que p (F = 0 | C = L) = 0,67, p (F = 1 | C = K) = 0,83, p (F = 0 | C = K) = 0,17. </li></ol></li><li> Dados estos valores, la inferencia puede ser realizada. Supongamos que se nos ha dado una nueva imagen (Figura 9), y la tarea es determinar su etiqueta de categoría. Esto se realiza como sigue: <ol><li> Determinamos si el F característica está presente en la imagen, como se describe en (6.3.1) - (6.3.3). En nuestro caso, el FEAtura está presente, por lo que F = 1. </li><li> Utilizando las ecuaciones (1) y (2), y los valores calculados en (6.7.5) - (6.7.6), se puede calcular que p (C = K | F = 1) = 0,42 y p (C = L | F = 1) = 0,17. </li><li> Teniendo en cuenta esta información, es razonable concluir que la imagen es de la categoría K, con una confianza relativamente baja. </li></ol></li><li> Podría ser interesante y útil para poner a prueba este enfoque en un sistema biológico (por ejemplo, psicofísicamente). En este caso, las predicciones de comportamiento podría hacerse y se compara con los resultados del cálculo, como los obtenidos en (6.8.2). Para hacer predicciones exactas, buenas estimaciones de p (F | C) son necesarios. Tales estimaciones, sin embargo, puede ser difícil de obtener para los objetos familiares. La razón es que un sujeto estimación de p (F | C) no es observable directamente, y es extremadamente difícil de calcular ya que el sujetoExposición previa &#39;s de las imágenes naturales incontrolables y desconocidos. En contraste, si los embriones digitales se usan para los experimentos, entonces es posible controlar con precisión la que los embriones y las categorías de embriones el sujeto está expuesto al. Esto hace que sea fácil de calcular las cantidades de interés a partir de exactamente los mismos datos se expuestos al sujeto a. El hecho de que la aparición de embriones &#39;es naturalista es útil, ya que hace que sea probable que el sujeto está utilizando la estrategia de categorización mismo que con las categorías naturales. </li></ol>

<ol>
	<li>Palmeri, T. J., Gauthier, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+object+understanding.">Visual object understanding.</a> Nat. Rev. Neurosci. 5, 291-303 (2004).</li><li>Seger, C. A., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Category+learning+in+the+brain.">Category learning in the brain.</a> Annu. Rev. Neurosci. 33, 203-219 (2010).</li><li>Fahle, M., Poggio, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Perceptual Learning. , (2002).</li><li>Ashby, F. G., Maddox, W. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Human+category+learning.">Human category learning.</a> Annu. Rev. Psychol. 56, 149-178 (2005).</li><li>Gauthier, I., Tarr, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Becoming+a+"Greeble"+expert:+exploring+mechanisms+for+face+recognition.">Becoming a "Greeble" expert: exploring mechanisms for face recognition.</a> Vision Res. 37, 1673-1682 (1997).</li><li>Op de Beeck, H. P., Baker, C. I., DiCarlo, J. J., Kanwisher, N. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Discrimination+training+alters+object+representations+in+human+extrastriate+cortex.">Discrimination training alters object representations in human extrastriate cortex.</a> J. Neurosci. 26, 13025-13036 (2006).</li><li>Cui, M. L., Copsey, L., Green, A. A., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+control+of+organ+shape+by+combinatorial+gene+activity.">Quantitative control of organ shape by combinatorial gene activity.</a> PLoS Biol. 8, e1000538 (2010).</li><li>Green, A. A., Kennaway, J. R., Hanna, A. I., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genetic+control+of+organ+shape+and+tissue+polarity.">Genetic control of organ shape and tissue polarity.</a> PLoS Biol. 8, e1000537 (2010).</li><li>Hegd&#233;, J., Bart, E., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+object+categories.">Fragment-based learning of visual object categories.</a> Curr. Biol. 18, 597-601 (2008).</li><li>Bart, E., Hegd&#233;, J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+categories.">Fragment-based learning of visual categories.</a> , 121-12 (2008).</li><li>Ball, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Nature's patterns : a tapestry in three parts. , (2009).</li><li>Vuong, Q. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+categorization:+when+categories+fall+to+pieces.">Visual categorization: when categories fall to pieces.</a> Curr. Biol. 18, 427-429 (2008).</li><li>Kromrey, S., Maestri, M., Hauffen, K., Bart, E., Hegde, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+object+categories+in+non-human+primates.">Fragment-based learning of visual object categories in non-human primates.</a> PLoS One. 5, e15444 (2010).</li><li>Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bootstrapped+learning+of+novel+objects.">Bootstrapped learning of novel objects.</a> J. Vis. 3, 413-422 (2003).</li><li>Blanz, V., Vetter, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+morphable+model+for+the+synthesis+of+3D+faces.">A morphable model for the synthesis of 3D faces.</a> SIGGAPH. 26, 187-194 (1999).</li><li>Freedman, D. J., Riesenhuber, M., Poggio, T., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Categorical+representation+of+visual+stimuli+in+the+primate+prefrontal+cortex.">Categorical representation of visual stimuli in the primate prefrontal cortex.</a> Science. 291, 312-316 (2001).</li><li>Lerios, A., Garfinkle, C. D., Levoy, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Feature-based+volume+metamorphosis.">Feature-based volume metamorphosis.</a> SIGGRAPH. , 449-456 (1995).</li><li>Bronstein, A. M., Bronstein, M. M., Kimmel, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Numerical geometry of non-rigid shapes. , (2008).</li><li>Lotka, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Natural+Selection+as+a+Physical+Principle.">Natural Selection as a Physical Principle.</a> Proc. Natl. Acad. Sci. U.S.A. 8, 151-154 (1922).</li><li>Duda, R. O., Hart, P. E., Stork, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern classification. , (2001).</li><li>Bishop, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition and machine learning. , (2006).</li><li>Theodoridis, S., Koutroumbas, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition. , (2006).</li><li>Sokal, R. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biometry+:+The+principles+and+practice+of+statistics+in+biological+research.">Biometry : The principles and practice of statistics in biological research.</a> , (2011).</li><li>Tuffery, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Data mining and statistics for decision making. , (2011).</li><li>Crawley, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Statistical Computing: An Introduction to Data Analysis using S-Plus. , (2002).</li><li>Venables, W. N., Ripley, B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Modern Applied Statistics with S. , (2003).</li><li>Beier, T., Neely, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Feature-based+image+metamorphosis.">Feature-based image metamorphosis.</a> SIGGRAPH. 26, 35-42 (1992).</li><li>Kent, J. R., Carlson, W. E., Parent, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Shape+transformation+for+polyhedral+objects.">Shape transformation for polyhedral objects.</a> SIGGRAPH. 26, 47-54 (1992).</li><li>Gomes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Warping and morphing of graphical objects. , (1999).</li><li>Ullman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+recognition+and+segmentation+by+a+fragment-based+hierarchy.">Object recognition and segmentation by a fragment-based hierarchy.</a> Trends Cogn. Sci. 11, 58-64 (2007).</li><li>Kobatake, E., Tanaka, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuronal+selectivities+to+complex+object+features+in+the+ventral+visual+pathway+of+the+macaque+cerebral+cortex.">Neuronal selectivities to complex object features in the ventral visual pathway of the macaque cerebral cortex.</a> J. Neurophysiol. 71, 856-867 (1994).</li><li>Serre, T., Wolf, L., Poggio, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). , (2005).</li><li>Ullman, S., Vidal-Naquet, M., Sali, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+features+of+intermediate+complexity+and+their+use+in+classification.">Visual features of intermediate complexity and their use in classification.</a> Nat. Neurosci. 5, 682-687 (2002).</li><li>Davis, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Computer graphics. , (2011).</li><li>Lengyel, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Mathematics for 3D game programming and computer graphics, third edition. , (2011).</li><li>Gilbert, S. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Developmental biology. , (2010).</li><li>Gilbert, S. F., Epel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Ecological developmental biology : integrating epigenetics, medicine, and evolution. , (2009).</li><li>Hegd&#233;, J., Thompson, S. K., Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+Recognition+in+Clutter:+Cortical+Responses+Depend+on+the+Type+of+Learning.">Object Recognition in Clutter: Cortical Responses Depend on the Type of Learning.</a> Frontiers in Human Neuroscience. 6, 170 (2012).</li><li>Mervis, C. B., Rosch, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Categorization+of+natural+objects.">Categorization of natural objects.</a> Annual Review of Psychology. 32, 89-115 (1981).</li><li>Futuyma, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Evolution. , (2009).</li></ol>

No hay conflictos de interés declarado.

Utilidad de la VM y VP de Investigación en Ciencia Cognitiva Anteriormente hemos descrito la utilidad de VM y VP en detalle l9 ,10,12-14. Brevemente, VM, especialmente la metodología embrión digital, es útil porque proporciona un método basado en principios y flexible para crear novela, pero naturalistas objetos 3-D 14. Del mismo modo, VP proporciona un método basado en principios de la creación de categorías naturalistas 9,10,12,13. Vale la pena señalar que las categorías de objetos generados por comparten características con muchas VP categorías de objetos en la naturaleza, incluyendo el hecho de que las categorías tienden a ser de naturaleza jerárquica, y las variaciones de características dentro ya través de categorías surgir independientemente del experimentador y los algoritmos de clasificación ellos 39. Limitaciones actuales y direcciones futuras Tres actuales limitaciones de nuestro protocolo y las instrucciones para el trabajo futuro, sugierenson particularmente notables: en primer lugar, tanto VM y VP simular procesos biológicos. Aunque se muestra que no biológicos objetos virtuales pueden ser utilizados como sustratos para estos procesos, los procesos subyacentes siguen siendo biológicamente motivados. Sin embargo, los objetos naturales - biológicos y no biológicos por igual - someterse a cambios en la forma, debido a la no-biológicos fuerzas. Por ejemplo, las rocas pueden cambiar de forma debido a procesos geológicos como la erosión o sedimentación. Nuevas categorías de roca puede surgir de otros procesos geológicos tales. Debería ser relativamente fácil de incorporar estos procesos en el repertorio de los algoritmos disponibles cambian de forma. La segunda limitación importante de nuestro protocolo es que su repertorio actual de cambios de forma dinámica es bastante limitado. Es deseable incorporar una mayor variedad de cambios en la forma, tales como el movimiento biológico, o movimiento debido a fuerzas externas, como el viento, el agua o la gravedad. Esperamos que duraranl ser relativamente fácil de hacer valer los algoritmos informáticos conocidos de animación para implementar dichos cambios de forma dinámica. La tercera limitación importante de nuestro protocolo es que VM actualmente no incluye muchos otros conocidos procesos morfogenéticos incluyendo, en particular, la gastrulación 36. También falla en incorporar algunas limitaciones conocidas, tales como el hecho de que la morfogénesis en plantas está mediada completamente por el crecimiento, con el movimiento de células poco o ningún posible, debido a las paredes celulares 36. De manera similar, VP no se incluyen otros procesos filogenéticos conocidos como la deriva genética 40. Para abordar estas limitaciones sería de gran ayuda facilitar el uso de nuestro protocolo en las simulaciones de desarrollo, ecológicos y evolutivos.

<table border="1"><tbody><tr><td> Nombre de la caja de herramientas / equipo </td><td> Empresa / Autor </td><td> Catálogo # </td><td> Comentarios </td></tr><tr><td> Taller Digital Embryo (DEW) </td><td> Mark Brady y Gu Dan </td><td></td><td> Este fácil de usar, con menús herramienta se puede descargar de forma gratuita como Descargar 1 de <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . Actualmente está disponible sólo para Windows. </td></tr><tr><td> Las herramientas digitales embrionarias para Cygwin </td><td> Jay Hegde y Hauffen Karin </td><td></td><td> Se trata de un conjunto disperso de no tan fáciles de usar programas. Están diseñados para ejecutarse desde la interfaz de línea de comandos del emulador Cygwin Linux para Windows. Estos programas pueden ser descargados como Descargar 2 de <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. La interfaz Cygwin en sí mismo puede ser descargado gratuitamente desde <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> Autodesk 3ds Max, Montreal, Quebec, Canadá </td><td> Autodesk Media and Entertainment </td><td> 3DS Max </td><td> Se trata de un modelado en 3-D, animación y renderizado con un conjunto de herramientas de arquitectura de plugin flexible y un lenguaje de scripting integrado. Disponibles para la mayoría de los sistemas operativos actuales. </td></tr><tr><td> MATLAB </td><td> Mathworks Inc., Natick, MA, EE.UU. </td><td> MATLAB </td><td> Este es un entorno de cálculo numérico y lenguaje de programación con numerosas y útiles características adicionadas. Disponibles para la mayoría de los sistemas operativos actuales. </td></tr><tr><td> Estadístico R kit de herramientas </td><td> R Proyecto de Estadística Informática </td><td> R </td><td> Se puede descargar gratis de cargo de <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. Disponibles para la mayoría de los sistemas operativos actuales. </td></tr><tr><td> OpenGL </td><td> Khronos Group </td><td> OpenGL </td><td> Esta cruz-lenguaje, multi-plataforma de herramientas gráficas se puede descargar de forma gratuita desde <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-Flash impresora personal </td><td> 3D Systems Inc., Rock Hill, Carolina del Sur, EE.UU. </td><td> V-Flash </td><td> Este es un buen valor para todas las aplicaciones de impresión en 3-D descritos en este informe. Los materiales de impresión también se vended por 3D Systems, Inc. modelos menos costosos están disponibles en forma de código fuente abierto de RepRap (rapmanusa.com) y MakerGear. Los modelos más caros (&gt; $ 30 K) están disponibles a partir de geometrías de Objet, Sistemas 3DS, Z Corp-, Impresión Dimensión etc </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid Inc., Nueva York, LA </td><td> (Objetos diversos) </td><td> Varios virtuales objetos 3-D se puede descargar desde este sitio de forma gratuita o por una tarifa. </td></tr><tr><td></td><td></td><td></td><td> Tabla 1. Tabla de kits de herramientas y equipos específicos. </td></tr></tbody></table>

creating objects and object categories for studying perception and perceptual learning

Para estudiar cuantitativamente la percepción de objetos, ya sea por la percepción de los sistemas biológicos o por las máquinas, se necesita para crear objetos y categorías de objetos con precisión definible, preferiblemente naturalista, propiedades 1. Además, los estudios sobre el aprendizaje perceptual, es útil para crear objetos nuevos y categorías de objetos (o clases de objetos) con tales propiedades 2. Muchos métodos innovadores y útiles existen en la actualidad para la creación de nuevos objetos y categorías de objetos 3-6 (ver también las refs. 7,8). Sin embargo, en términos generales, los métodos existentes tienen tres grandes tipos de deficiencias. En primer lugar, variaciones de forma son generalmente impuesta por el experimentador 5,9,10, y por lo tanto puede ser diferente de la variabilidad en categorías naturales, y optimizado para un algoritmo de reconocimiento particular. Sería deseable tener las variaciones surgen independientemente de la externally impuso restricciones. En segundo lugar, los métodos existentes tienen dificultad para captar la complejidad forma de los objetos naturales 11-13. Si el objetivo es el estudio de la percepción del objeto natural, es deseable que los objetos y las categorías de objetos a ser naturalista, a fin de evitar posibles factores de confusión y casos especiales. En tercer lugar, generalmente es difícil de medir cuantitativamente la información disponible en los estímulos creados por métodos convencionales. Sería deseable crear objetos y categorías de objetos donde la información disponible puede medirse con precisión y, en caso necesario, sistemáticamente manipulado (o &#39;sintonizado&#39;). Esto permite formular las tareas de reconocimiento de objetos subyacentes en términos cuantitativos. Aquí se describe un conjunto de algoritmos, o métodos, que cumplen los tres criterios anteriores. Morfogénesis virtual (VM) crea nuevas, naturalistas objetos virtuales en 3-D llamados «embriones digitales&quot; porsimulando el proceso biológico de la embriogénesis 14. Filogénesis Virtual (VP) crea nuevas categorías, objeto naturalistas simulando el proceso evolutivo de la selección natural 9,12,13. Objetos y categorías de objetos creados por estas simulaciones puede ser manipulado por varios métodos de morphing para generar variaciones sistemáticas de características de forma 15,16. El VP y morphing métodos también se pueden aplicar, en principio, a nuevos objetos virtuales que no sean embriones digitales, o para versiones virtuales de los objetos del mundo real 9,13. Objetos virtuales creados de esta manera se puede representar como imágenes visuales usando un conjunto de herramientas gráficas convencionales, con manipulaciones deseadas de textura de la superficie, iluminación, tamaño, punto de vista y el fondo. Los objetos virtuales también se pueden &#39;impreso&#39; como objetos táctiles que utilizan un sistema convencional de 3-D prototyper. También se describen algunas implementaciones de estos algoritmos computacionales para ayudar a illustrar la utilidad potencial de los algoritmos. Es importante distinguir los algoritmos de sus implementaciones. Las implementaciones son demostraciones ofrecen sólo como una &quot;prueba de principio&quot; de los algoritmos subyacentes. Es importante señalar que, en general, una implementación de un algoritmo computacional a menudo tiene limitaciones que el propio algoritmo no tiene. Juntos, estos métodos representan un conjunto de herramientas potentes y flexibles para estudiar el reconocimiento de objetos y el aprendizaje perceptual por los sistemas biológicos y computacionales por igual. Con las extensiones apropiadas, estos métodos también pueden ser útiles en el estudio de la morfogénesis y la filogénesis.

VM puede ser utilizado para generar un suministro casi ilimitado de formas novedosas 3-D. Algunos embriones ejemplares digitales generadas utilizando el algoritmo de VM se muestran en el panel inferior de la Figura 1. Cada uno de estos 16 embriones fueron generados utilizando el programa &quot;growEmbryos.exe &#39;en las herramientas embrión digital para Cygwin (ver Tabla 1) para el crecimiento 40 ciclos. Todos los parámetros de crecimiento se establecieron otras internamente por el programa. La mayoría de estos parámetros se mantuvieron constantes (es decir, idéntico de un embrión a la siguiente). A pocos parámetros como la ubicación y la fuerza de las fuentes de morfógeno, eran parámetros aleatorios establecidos internamente por el programa de forma independiente para cada corrida. Las variaciones de forma entre estos 16 embriones surgió únicamente como resultado de las variaciones de estos parámetros aleatorios. Algunos ejemplos de textura de superficie 34,35 utilizando algunas texturas escogidas arbitrariamente se muestran en la Figura 2A. Escenas visuales de unacomplejidad rbitrary puede ser creado utilizando un comercialmente disponible modelado 3-D y entorno de reproducción, tal como se muestra en la Figura 2B. &quot;Árbol genealógico&quot; Un representante generado por el uso de embriones VP digital se muestra en la figura 3. Árboles comparable, también pueden ser construidos usando otros objetos que los embriones digitales, como se muestra en la Figura 4. Tenga en cuenta que en cualquiera de los casos, los objetos que comparten un ancestro común rodeos constituyen una categoría, aunque el experimentador también puede elegir definir una categoría como cualquier otro conjunto de objetos. Vale la pena observar en la Figura 4 que nuestra implementación actual de la máquina virtual y algoritmos VP tiende a producir relativamente lisas, superficies curvas, en contraposición a los objetos irregulares o planas. También vale la pena señalar que esta es probablemente la limitación de nuestra implementación de estos algoritmos y no los propios algoritmos, ya que los procesos pueden producir biolological objetivosts con superficies planas y contornos irregulares (por ejemplo., rosa hoja). Las figuras 5 y 6 ilustran los resultados típicos de dos métodos que se pueden utilizar además de o en lugar de, VP de la creación de variaciones de principio en la forma del objeto y categorías de objetos. El panel superior de la Figura 7 ilustra representaciones visuales de dos embriones digitales, y el panel inferior de la Figura 7 ilustra las impresiones correspondientes generados por un comercialmente disponible 3-D prototyper. Las figuras 8 y 9 ilustran los procedimientos descritos en la Sección 6 para el uso de fragmentos de imágenes para clasificar un objeto dado visual. <img alt="Figura 1" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig1highres.jpg" src="/files/ftp_upload/3358/3358fig1.jpg" /> Figura 1. Morfogénesis virtual. </strong&gt; El panel inferior muestra un tipo de novela, naturalistas, virtual 3-D objetos llamados &quot;embriones digitales&quot; 14. Embriones digitales puede ser generada mediante la simulación de una o más de algunos de los procesos clave de la embriogénesis biológica: morfógeno mediada por la división celular, el crecimiento celular, movimiento celular y la muerte celular programada 7,8,36,37. Cada ejecución se inicia con un icosaedro (que se muestra en el panel superior), y genera un embrión único, dependiendo de los ajustes de los parámetros de VM (o el &quot;genotipo&quot;) de ese embrión. Así, los 16 embriones en el panel inferior tienen formas diferentes, porque todos tienen diferentes genotipos. Tenga en cuenta que más simples o más formas complejas se pueden generar según sea necesario (por ejemplo, para estimular óptimamente neuronas en un nivel dado de la jerarquía visual) mediante la manipulación del genotipo del embrión. Todos los procesos antes mencionados embryogenetic excepto la muerte celular programada se simularon en la generación de los embriones se muestran. Simulación de muerte celular programada es especialmenteútil para crear hendiduras orientadas (no mostrado). <img alt="Figura 2" fo:content-width="3.6in" fo:src="/files/ftp_upload/3358/3358fig2highres.jpg" src="/files/ftp_upload/3358/3358fig2.jpg" /> Figura 2. Creación de estímulos visuales usando embriones digitales. Como cualquier objeto virtual en 3-D, los embriones digitales se pueden manipular para crear gráficamente escenas visuales de complejidad arbitraria utilizando cualquier estándar de 3-D de herramientas gráficas. Esta figura ilustra algunas manipulaciones comunes. (A) El mismo embrión digital es de textura con muchas texturas diferentes, y encendido de una fuente de luz invisible en la parte superior izquierda. (B) Una escena camuflado se crea redimensionar y reorientar el embrión digital y digitalmente la coloque en un contexto en el que estaba con textura. El embrión digital se puede encontrar en &#39;la vista&#39; en el cuadrante inferior derecho. Para ejemplos adicionales de estímulos visuales CREATED uso de embriones digitales, ver refs. 9,10,12-14,38. <img alt="Figura 3" fo:content-width="5in" fo:src="/files/ftp_upload/3358/3358fig3highres.jpg" src="/files/ftp_upload/3358/3358fig3.jpg" /> Figura 3. Creación de categorías digitales de embriones utilizando VP. El algoritmo VP emula la evolución biológica, en que en ambos casos, los objetos nuevos y categorías de objetos surgir como variaciones hereditarias acumularse selectivamente. En cada generación G i, los embriones seleccionados procrear, lo que lleva a la generación de G i +1. La progenie heredará las características de las formas de su padre, pero se acumulan variaciones de forma de los suyos (según lo determinado por las pequeñas variaciones en su genotipo) a medida que desarrollan. Esta figura muestra un &quot;árbol genealógico&quot; de tres generaciones de descendientes a partir de un único ancestro común, un icosaedro. Tenga en cuenta que, en este caso, que aumenta la complejidad de la forma de icosaedro geion G 1, pero no de G 1 en adelante. Esto es debido a aumento del número de células (es decir., La división celular), se dejó de la icosaedro en generación G 1, pero no de G 1 en adelante. En general, la división celular tiende a aumentar la complejidad de la forma, mientras que otros procesos de morfogénesis, tales como el movimiento celular y la forma de crecimiento de células cambio sin cambiar la complejidad global de la forma. <img alt="Figura 4" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig4highres.jpg" src="/files/ftp_upload/3358/3358fig4.jpg" /> Figura 4. VP uso de objetos virtuales que no sean embriones digitales. Esta figura ayuda a ilustrar el principio general de que los objetos virtuales que no sean embriones digitales se pueden utilizar como entrada a VP. El algoritmo de VP en su forma actual puede funcionar en cualquier objeto virtual en 3-D, cuya superficie se compone únicamente de triángulos. Generación G 1 comprised de (de izquierda a derecha) una calabaza, diamante, máscara facial, la manzana, el rock y cactus. Tenga en cuenta que los objetos en la generación G 1 En esta cifra no tiene un antepasado común, porque el vicepresidente no lo requiere. Los objetos en G 2 y G 3 representan los descendientes de la roca en G 1. No hay divisiones celulares se permiten en cualquier generación, a fin de que todas las variaciones de la forma surgieron únicamente de los movimientos y / o el crecimiento de las células individuales del objeto dado. <img alt="Figura 5" fo:content-width="6.5in" fo:src="/files/ftp_upload/3358/3358fig5highres.jpg" src="/files/ftp_upload/3358/3358fig5.jpg" /> Figura 5. Uso de morphing para crear variaciones suaves en forma. Morphing consiste en tomar dos objetos dados (extremo izquierdo y extremo derecho embrión en esta figura) y el cálculo de los objetos intermedios (interviniendo embriones) interpolando entre los vértices correspondientes de la designan dosd objetos. En el caso mostrado, todos los vértices se interpolaron con el mismo factor de escala, lo que resulta en un lineal de morphing. Sin embargo, también es posible mutar los objetos de forma no lineal (no mostrado). Morphing es computacionalmente sencillo cuando no hay una correspondencia exacta de uno-a-uno entre los vértices de dos objetos, como en el caso mostrado. Sin embargo es posible, en principio, a morph entre dos propuestos objetos virtuales, independientemente de si sus vértices corresponden exactamente, aunque no existe un método único de principios para hacerlo 17,18. <img alt="La figura 6" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig6highres.jpg" src="/files/ftp_upload/3358/3358fig6.jpg" /> Figura 6. El uso de componentes principales para crear variaciones suaves en forma. (A) embrión Media. Este embrión representa el promedio aritmético de 400 embriones (200 de cada categoría K y L enLa Figura 3). Los componentes principales se calcularon como se describe en el paso 4,3. Tenga en cuenta que los componentes principales representan independientes entre sí, dimensiones de forma abstractos de los 400 embriones (no se muestra) 25,26. 400 embriones producir 399 componentes no nulas 25,26 principales, que en conjunto representan toda la varianza, o la información de forma colectiva disponible en los embriones. Por convención, los componentes principales están dispuestos en el orden decreciente de sus valores propios, o la proporción de la varianza global explican 25,26. En este caso, los dos primeros componentes principales, respectivamente, el 73% y el 19% de la información de la forma disponible en los 400 embriones. (B) Los embriones que representan diferentes pesos (o más precisamente, autovalores ponderada) de Componentes Principales 1. Los pesos varían desde +2 (a la izquierda) a -2 (a la derecha) en pasos iguales de -0,2. (C) Los embriones que representan diferentes pesos de Compon Principalent 2. El peso también varía de +2 (a la izquierda) a -2 (a la derecha) en pasos iguales de -0,2. Tenga en cuenta que la manipulación de componentes principales no exclusivamente manipular cualquier parte dada del cuerpo específico del embrión (p. ej., Las alas del embrión en el caso mostrado). Sin embargo, si es necesario, las partes del cuerpo de virtual en 3-D objetos pueden ser manipulados de cualquier forma arbitraria definida por el usuario utilizando la mayoría de los disponibles comercialmente en 3-D entornos de modelado (no mostrado). <img alt="Figura 7" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig7highres.jpg" src="/files/ftp_upload/3358/3358fig7.jpg" /> Figura 7. Creación de objetos táctiles. Virtual objetos 3-D se puede &quot;imprimir&quot; como objetos táctiles que utilizan un estándar, disponible en el mercado en 3-D &#39;impresora&#39; o prototyper. Esta figura muestra embriones digitales representan como objetos visuales (fila superior), o como los objetos táctiles correspondientes (fila inferior). Los objetos hápticos shown en esta figura se imprimieron a ser de alrededor de 6 cm de ancho (barra de escala = 1 cm), aunque los objetos se pueden imprimir en tamaños mucho más pequeños o más grandes. <img alt="Figura 8" src="/files/ftp_upload/3358/3358fig8.jpg" /> Figura 8. Una plantilla para un fragmento de ejemplo informativo. En este ejemplo, la plantilla tiene un umbral de 0,69 asociada con él. <img alt="Figura 9" fo:content-width="2.5in" fo:src="/files/ftp_upload/3358/3358fig9highres.jpg" src="/files/ftp_upload/3358/3358fig9.jpg" /> Figura 9. Una nueva imagen para el que la categoría objeto no se conoce y necesita ser determinada.

Watch this Scientific Journal Video about Creating Objects and Object Categories for Studying Perception and Perceptual Learning at JoVE.com

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Se describe una nueva metodología para la creación de naturalistas objetos 3-D y categorías de objetos con variaciones de características definidas con precisión. Utilizamos simulaciones de los procesos biológicos de la morfogénesis y la filogénesis de crear nuevos, naturalistas objetos virtuales en 3-D y las categorías de objetos que pueden ser representados como imágenes visuales u objetos táctiles.

Creación de objetos y categorías de objetos para el estudio de la percepción y el aprendizaje perceptivo

In order to quantitatively study object perception, be it perception by biological systems or by machines, one needs to create objects and object ...

creating-objects-object-categories-for-studying-perception-perceptual

Research

JoVE Journal

Neuroscience

11.7K vistas.  Georgia Health Sciences University. Se describe una nueva metodología para la creación de naturalistas objetos 3-D y categorías de objetos con variaciones de características definidas con precisión. Utilizamos simulaciones de los procesos biológicos de la morfogénesis y la filogénesis de crear nuevos, naturalistas objetos virtuales en 3-D y las categorías de objetos que pueden ser representados como imágenes visuales u objetos táctiles.

Video: Creating Objects and Object Categories for Studying Perception and Perceptual Learning

C. elegans Positive Butanone Learning, Short-term, and Long-term Associative Memory Assays

The memory of experiences and learned information is critical for organisms to make choices that aid their survival. C. elegans navigates its environment through neuron-specific detection of food and chemical odors1, 2, and can associate nutritive states with chemical odors3, temperature4, and the pathogenicity of a food source5.
Here, we describe assays of C. elegans associative learning and short- and long-term associative memory. We modified an aversive olfactory learning paradigm6 to instead produce a positive response; the assay involves starving ~400 worms, then feeding the worms in the presence of the AWC neuron-sensed volatile chemoattractant butanone at a concentration that elicits a low chemotactic index (similar to Toroyama et al.7). A standard population chemotaxis assay1 tests the worms' attraction to the odorant immediately or minutes to hours after conditioning.
After conditioning, wild-type animals' chemotaxis to butanone increases ~0.6 Chemotaxis Index units, its "Learning Index". Associative learning is dependent on the presence of both food and butanone during training. Pairing food and butanone for a single conditioning period ("massed training") produces short-term associative memory that lasts ~2 hours. Multiple conditioning periods with rest periods between ("spaced training") yields long-term associative memory (&lt;40 hours), and is dependent on the cAMP Response Element Binding protein (CREB),6 a transcription factor required for long-term memory across species.8
Our protocol also includes image analysis methods for quick and accurate determination of chemotaxis indices. High-contrast images of animals on chemotaxis assay plates are captured and analyzed by worm counting software in MatLab. The software corrects for uneven background using a morphological tophat transformation.9 Otsu's method is then used to determine a threshold to separate worms from the background.10 Very small particles are removed automatically and larger non-worm regions (plate edges or agar punches) are removed by manual selection. The software then estimates the size of single worm by ignoring regions that are above a specified maximum size and taking the median size of the remaining regions. The number of worms is then estimated by dividing the total area identified as occupied by worms by the estimated size of a single worm.
We have found that learning and short- and long-term memory can be distinguished, and that these processes share similar key molecules with higher organisms.6,8 Our assays can quickly test novel candidate genes or molecules that affect learning and short- or long-term memory in C. elegans that are relevant across species.

C. elegans Positive Butanone Learning, Short-term, and Long-term Associative Memory Assays

Here we describe methods to test C. elegans associative learning and short- and long-term associative memory. These population assays employ the worms abilities to chemotax toward volatile odorants, and form positive associations upon pairing food with the chemoattractant butanone. Increasing the number of conditioning periods induces long-term memory.

C. elegans de aprendizaje positivo butanona, a corto plazo y largo plazo Ensayos de la memoria asociativa

The memory of experiences and learned information is critical for organisms to make choices that aid their survival. C. elegans navigates its environment ...

Investigación

Neurociencias

Using Affordable LED Arrays for Photo-Stimulation of Neurons

Standard slice electrophysiology has allowed researchers to probe individual components of neural circuitry by recording electrical responses of single cells in response to electrical or pharmacological manipulations1,2. With the invention of methods to optically control genetically targeted neurons (optogenetics), researchers now have an unprecedented level of control over specific groups of neurons in the standard slice preparation. In particular, photosensitive channelrhodopsin-2 (ChR2) allows researchers to activate neurons with light3,4. By combining careful calibration of LED-based photostimulation of ChR2 with standard slice electrophysiology, we are able to probe with greater detail the role of adult-born interneurons in the olfactory bulb, the first central relay of the olfactory system. Using viral expression of ChR2-YFP specifically in adult-born neurons, we can selectively control young adult-born neurons in a milieu of older and mature neurons. Our optical control uses a simple and inexpensive LED system, and we show how this system can be calibrated to understand how much light is needed to evoke spiking activity in single neurons. Hence, brief flashes of blue light can remotely control the firing pattern of ChR2-transduced newborn cells.

Adult-born neurons expressing ChR2 can be manipulated in slice electrophysiological preparations in order to examine their contribution towards the function of olfactory neural circuits.

Utilizando asequible Estructuras de LED para fotos-estimulación de las neuronas

Standard slice electrophysiology has allowed researchers to probe individual components of neural circuitry by recording electrical responses of single ...

Selective Viral Transduction of Adult-born Olfactory Neurons for Chronic in vivo Optogenetic Stimulation

Local interneurons are continuously regenerated in the olfactory bulb of adult rodents1-3. In this process, called adult neurogenesis, neural stem cells in the walls of the lateral ventricle give rise to neuroblasts that migrate for several millimeters along the rostral migratory stream (RMS) to reach and incorporate into the olfactory bulb. To study the different steps and the impact of adult-born neuron integration into preexisting olfactory circuits, it is necessary to selectively label and manipulate the activity of this specific population of neurons. The recent development of optogenetic technologies offers the opportunity to use light to precisely activate this specific cohort of neurons without affecting surrounding neurons4,5. Here, we present a series of procedures to virally express Channelrhodopsin2(ChR2)-YFP in a temporally restricted cohort of neuroblasts in the RMS before they reach the olfactory bulb and become adult-born neurons. In addition, we show how to implant and calibrate a miniature LED for chronic in vivo stimulation of ChR2-expressing neurons.

Selective Viral Transduction of Adult-born Olfactory Neurons for Chronic in vivo Optogenetic Stimulation

Adult-born neurons of the olfactory bulb can be optogenetically controlled using Channelrhodopsin2-expressing lentiviral injection in the rostral migratory stream and chronic photostimulation with an implanted miniature LED.

Transducción viral selectiva de adultos nacidos en las neuronas olfativas de las enfermedades crónicas En vivo Estimulación Optogenetic

Local interneurons are continuously regenerated in the olfactory bulb of adult rodents1-3. In this process, called adult neurogenesis, neural stem cells ...

MPI CyberMotion Simulator: Implementation of a Novel Motion Simulator to Investigate Multisensory Path Integration in Three Dimensions

Path integration is a process in which self-motion is integrated over time to obtain an estimate of one's current position relative to a starting point 1. Humans can do path integration based exclusively on visual 2-3, auditory 4, or inertial cues 5. However, with multiple cues present, inertial cues - particularly kinaesthetic - seem to dominate 6-7. In the absence of vision, humans tend to overestimate short distances (&lt;5 m) and turning angles (&lt;30&deg;), but underestimate longer ones 5. Movement through physical space therefore does not seem to be accurately represented by the brain.
Extensive work has been done on evaluating path integration in the horizontal plane, but little is known about vertical movement (see 3 for virtual movement from vision alone). One reason for this is that traditional motion simulators have a small range of motion restricted mainly to the horizontal plane. Here we take advantage of a motion simulator 8-9 with a large range of motion to assess whether path integration is similar between horizontal and vertical planes. The relative contributions of inertial and visual cues for path navigation were also assessed.
16 observers sat upright in a seat mounted to the flange of a modified KUKA anthropomorphic robot arm. Sensory information was manipulated by providing visual (optic flow, limited lifetime star field), vestibular-kinaesthetic (passive self motion with eyes closed), or visual and vestibular-kinaesthetic motion cues. Movement trajectories in the horizontal, sagittal and frontal planes consisted of two segment lengths (1st: 0.4 m, 2nd: 1 m; &plusmn;0.24 m/s2 peak acceleration). The angle of the two segments was either 45&deg; or 90&deg;. Observers pointed back to their origin by moving an arrow that was superimposed on an avatar presented on the screen.
Observers were more likely to underestimate angle size for movement in the horizontal plane compared to the vertical planes. In the frontal plane observers were more likely to overestimate angle size while there was no such bias in the sagittal plane. Finally, observers responded slower when answering based on vestibular-kinaesthetic information alone. Human path integration based on vestibular-kinaesthetic information alone thus takes longer than when visual information is present. That pointing is consistent with underestimating and overestimating the angle one has moved through in the horizontal and vertical planes respectively, suggests that the neural representation of self-motion through space is non-symmetrical which may relate to the fact that humans experience movement mostly within the horizontal plane.

An efficient way to gain insight into how humans navigate themselves in three dimensions is described. The method takes advantage of a motion simulator capable of moving observers in ways unattainable by traditional simulators. Results confirm that movement in the horizontal plane is underestimated, while vertical movement is overestimated.

MPI CyberMotion Simulator: Implementación de un simulador de movimiento Novela encargado de investigar la integración multisensorial ruta en tres dimensiones

Path integration is a process in which self-motion is integrated over time to obtain an estimate of one's current position relative to a starting point 1. ...

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon measuring activity on the surface of cerebral cortex rather than in subcortical regions such as midbrain and brainstem. Subcortical fMRI must overcome two challenges: spatial resolution and physiological noise. Here we describe an optimized set of techniques developed to perform high-resolution fMRI in human SC, a structure on the dorsal surface of the midbrain; the methods can also be used to image other brainstem and subcortical structures.
High-resolution (1.2 mm voxels) fMRI of the SC requires a non-conventional approach. The desired spatial sampling is obtained using a multi-shot (interleaved) spiral acquisition1. Since, T2* of SC tissue is longer than in cortex, a correspondingly longer echo time (TE ~ 40 msec) is used to maximize functional contrast. To cover the full extent of the SC, 8-10 slices are obtained. For each session a structural anatomy with the same slice prescription as the fMRI is also obtained, which is used to align the functional data to a high-resolution reference volume.
In a separate session, for each subject, we create a high-resolution (0.7 mm sampling) reference volume using a T1-weighted sequence that gives good tissue contrast. In the reference volume, the midbrain region is segmented using the ITK-SNAP software application2. This segmentation is used to create a 3D surface representation of the midbrain that is both smooth and accurate3. The surface vertices and normals are used to create a map of depth from the midbrain surface within the tissue4.
Functional data is transformed into the coordinate system of the segmented reference volume. Depth associations of the voxels enable the averaging of fMRI time series data within specified depth ranges to improve signal quality. Data is rendered on the 3D surface for visualization.
In our lab we use this technique for measuring topographic maps of visual stimulation and covert and overt visual attention within the SC1. As an example, we demonstrate the topographic representation of polar angle to visual stimulation in SC.

This article describes techniques to perform high-resolution functional magnetic resonance imaging with 1.2 mm sampling in human midbrain and subcortical structures using a 3T scanner. Use of these techniques to resolve topographic maps of visual stimulation in the human superior colliculus (SC) is given as an example.

De alta resolución Magnética Funcional por imágenes de los métodos de resonancia cerebro medio humano

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon ...

Optical Recording of Suprathreshold Neural Activity with Single-cell and Single-spike Resolution

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also propagation of suprathreshold spiking activity involves populations of neurons. Empirical studies addressing cortical function directly thus require recordings from populations of neurons with high resolution. Here we describe an optical method and a deconvolution algorithm to record neural activity from up to 100 neurons with single-cell and single-spike resolution. This method relies on detection of the transient increases in intracellular somatic calcium concentration associated with suprathreshold electrical spikes (action potentials) in cortical neurons. High temporal resolution of the optical recordings is achieved by a fast random-access scanning technique using acousto-optical deflectors (AODs)1. Two-photon excitation of the calcium-sensitive dye results in high spatial resolution in opaque brain tissue2. Reconstruction of spikes from the fluorescence calcium recordings is achieved by a maximum-likelihood method. Simultaneous electrophysiological and optical recordings indicate that our method reliably detects spikes (&gt;97% spike detection efficiency), has a low rate of false positive spike detection (&lt; 0.003 spikes/sec), and a high temporal precision (about 3 msec) 3. This optical method of spike detection can be used to record neural activity in vitro and in anesthetized animals in vivo3,4.

Understanding the function of the vertebrate central nervous system requires recordings from many neurons because cortical function arises on the level of populations of neurons. Here we describe an optical method to record suprathreshold neural activity with single-cell and single-spike resolution, dithered random-access scanning. This method records somatic fluorescence calcium signals from up to 100 neurons with high temporal resolution. A maximum-likelihood algorithm deconvolves the underlying suprathreshold neural activity from the somatic fluorescence calcium signals. This method reliably detects spikes with high detection efficiency and a low rate of false positives and can be used to study neural populations in vitro and in vivo.

Grabación óptica de la actividad neural suprathreshold con la resolución de una sola célula y único punta-

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also ...

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the cortical networks involved in dynamical perceptual and cognitive tasks, such as attending to different sounds in a cocktail party. Many past studies have employed data recorded at the sensor level only, i.e., the magnetic fields or the electric potentials recorded outside and on the scalp, and have usually focused on activity that is time-locked to the stimulus presentation. This type of event-related field / potential analysis is particularly useful when there are only a small number of distinct dipolar patterns that can be isolated and identified in space and time. Alternatively, by utilizing anatomical information, these distinct field patterns can be localized as current sources on the cortex. However, for a more sustained response that may not be time-locked to a specific stimulus (e.g., in preparation for listening to one of the two simultaneously presented spoken digits based on the cued auditory feature) or may be distributed across multiple spatial locations unknown a priori, the recruitment of a distributed cortical network may not be adequately captured by using a limited number of focal sources.
Here, we describe a procedure that employs individual anatomical MRI data to establish a relationship between the sensor information and the dipole activation on the cortex through the use of minimum-norm estimates (MNE). This inverse imaging approach provides us a tool for distributed source analysis. For illustrative purposes, we will describe all procedures using FreeSurfer and MNE software, both freely available. We will summarize the MRI sequences and analysis steps required to produce a forward model that enables us to relate the expected field pattern caused by the dipoles distributed on the cortex onto the M/EEG sensors. Next, we will step through the necessary processes that facilitate us in denoising the sensor data from environmental and physiological contaminants. We will then outline the procedure for combining and mapping MEG/EEG sensor data onto the cortical space, thereby producing a family of time-series of cortical dipole activation on the brain surface (or "brain movies") related to each experimental condition. Finally, we will highlight a few statistical techniques that enable us to make scientific inference across a subject population (i.e., perform group-level analysis) based on a common cortical coordinate space.

We use magneto- and electroencephalography (MEG/EEG), combined with anatomical information captured by magnetic resonance imaging (MRI), to map the dynamics of the cortical network associated with auditory attention.

Asignación Dinámica de trauma con MEG / estimaciones simultáneas norma mínima-EEG y anatómico limitado-un ejemplo: Atención Auditiva

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the ...

Drosophila Adult Olfactory Shock Learning

Drosophila have been used in classical conditioning experiments for over 40 years, thus greatly facilitating our understanding of memory, including the elucidation of the molecular mechanisms involved in cognitive diseases1-7. Learning and memory can be assayed in larvae to study the effect of neurodevelopmental genes8-10 and in flies to measure the contribution of adult plasticity genes1-7. Furthermore, the short lifespan of Drosophila facilitates the analysis of genes mediating age-related memory impairment5,11-13. The availability of many inducible promoters that subdivide the Drosophila nervous system makes it possible to determine when and where a gene of interest is required for normal memory as well as relay of different aspects of the reinforcement signal3,4,14,16.
Studying memory in adult Drosophila allows for a detailed analysis of the behavior and circuitry involved and a measurement of long-term memory15-17. The length of the adult stage accommodates longer-term genetic, behavioral, dietary and pharmacological manipulations of memory, in addition to determining the effect of aging and neurodegenerative disease on memory3-6,11-13,15-21.
Classical conditioning is induced by the simultaneous presentation of a neutral odor cue (conditioned stimulus, CS+) and a reinforcement stimulus, e.g., an electric shock or sucrose, (unconditioned stimulus, US), that become associated with one another by the animal1,16. A second conditioned stimulus (CS-) is subsequently presented without the US. During the testing phase, Drosophila are simultaneously presented with CS+ and CS- odors. After the Drosophila are provided time to choose between the odors, the distribution of the animals is recorded. This procedure allows associative aversive or appetitive conditioning to be reliably measured without a bias introduced by the innate preference for either of the conditioned stimuli. Various control experiments are also performed to test whether all genotypes respond normally to odor and reinforcement alone.

Drosophila Adult Olfactory Shock Learning

The method to measure adult Drosophila associative memory is described. The assay is based on the ability of the fly to associate an odor presented with a negative reinforcer (electric shock) and then recall this information at a later time, allowing memory to be measured.

Drosophila Adulto olfativa Choque Aprendizaje

Drosophila have been used in classical conditioning experiments for over 40 years, thus greatly facilitating our understanding of memory, including the ...

Whole Mount Immunolabeling of Olfactory Receptor Neurons in the Drosophila Antenna

Odorant molecules bind to their target receptors in a precise and coordinated manner. Each receptor recognizes a specific signal and relays this information to the brain. As such, determining how olfactory information is transferred to the brain, modifying both perception and behavior, merits investigation. Interestingly, there is emerging evidence that cellular transduction and transcriptional factors are involved in the diversification of olfactory receptor neuron. Here we provide a robust whole mount immunological labeling method to assay in vivo olfactory receptor neuron organization. Using this method, we identified all olfactory receptor neurons with anti-ELAV antibody, a known pan-neural marker and Or49a-mCD8::GFP, an olfactory receptor neuron specifically expressed in Nba neuron using anti-GFP antibody.

Whole Mount Immunolabeling of Olfactory Receptor Neurons in the Drosophila Antenna

Herein we describe the process of whole mount immunostaining of Drosophila antennae, which enables us to better understand the molecular mechanisms involved in the diversification of olfactory receptor neurons (ORN)s.

Todo el montaje de Immunolabeling olfativa del receptor de las neuronas en el<em&gt; Drosophila</em&gt; Antena

Odorant molecules bind to their target receptors in a precise and coordinated manner. Each receptor recognizes a specific signal and relays this ...

Electrophysiological Method for Recording Intracellular Voltage Responses of Drosophila Photoreceptors and Interneurons to Light Stimuli In Vivo

Voltage responses of insect photoreceptors and visual interneurons can be accurately recorded with conventional sharp microelectrodes. The method described here enables the investigator to measure long-lasting (from minutes to hours) high-quality intracellular responses from single Drosophila R1-R6 photoreceptors and Large Monopolar Cells (LMCs) to light stimuli. Because the recording system has low noise, it can be used to study variability among individual cells in the fly eye, and how their outputs reflect the physical properties of the visual environment. We outline all key steps in performing this technique. The basic steps in constructing an appropriate electrophysiology set-up for recording, such as design and selection of the experimental equipment are described. We also explain how to prepare for recording by making appropriate (sharp) recording and (blunt) reference electrodes. Details are given on how to fix an intact fly in a bespoke fly-holder, prepare a small window in its eye and insert a recording electrode through this hole with minimal damage. We explain how to localize the center of a cell's receptive field, dark- or light-adapt the studied cell, and to record its voltage responses to dynamic light stimuli. Finally, we describe the criteria for stable normal recordings, show characteristic high-quality voltage responses of individual cells to different light stimuli, and briefly define how to quantify their signaling performance. Many aspects of the method are technically challenging and require practice and patience to master. But once learned and optimized for the investigator's experimental objectives, it grants outstanding in vivo neurophysiological data.

Electrophysiological Method for Recording Intracellular Voltage Responses of Drosophila Photoreceptors and Interneurons to Light Stimuli In Vivo

Sharp microelectrodes enable accurate electrophysiological characterization of photoreceptor and visual interneuron output in living Drosophila. Here we show how to use this method to record high-quality voltage responses of individual cells to controlled light stimulation. This method is ideal for studying neural information processing in insect compound eyes.

Método electrofisiológico para registrar las respuestas de voltaje intracelular<em&gt; Drosophila</em&gt; Los fotorreceptores y interneuronas a la luz Estímulos<em&gt; En Vivo</em