Ce travail a été soutenu en partie par le Laboratoire de recherche de l&#39;armée américaine et l&#39;US Army Research Office subvention W911NF1110105 et NSF subvention IOS 1147097to Jay Hegde. Soutien a également été apporté par une subvention pilote de Jay Hegde de l&#39;Institut de la Vision Découverte de l&#39;Université Georgia sciences de la santé. Daniel Kersten a été financée par des subventions de l&#39;ONR N00014-05-1-0124 et NIH R01 EY015261 et en partie par WCU (World Class University) financé par le Ministère de l&#39;éducation, de la science et de la technologie par le biais de la Fondation Nationale de la Recherche de Corée (R31-10008 ). Karin Hauffen a été soutenu par le Programme d&#39;apprentissage en recherche de premier cycle (URAP) de l&#39;armée américaine.

1. Création naturalistes virtuels en 3-D à l&#39;aide d&#39;objets VM <ol><li> Pour créer des embryons numériques, utiliser l&#39;atelier d&#39;embryon numérique (DEW, voir le tableau 1). Chaque essai génère un seul embryon 14, dont la forme est unique pour un ensemble donné de paramètres (ou &quot;génotype&quot;) utilisés pour l&#39;exécution donnée (figure 1). Les «cellules» de l&#39;embryon sont représentés par des triangles 14. <ol><li> Exécuter le programme autant de fois que nécessaire pour générer le nombre voulu d&#39;embryons. </li><li> Si des formes plus complexes sont souhaitées, augmenter le nombre de cycles de croissance, c&#39;est à dire le nombre de fois où les cellules de l&#39;embryon se divisent. Notez que ce sera aussi ralentir le programme. S&#39;il est nécessaire de créer des objets virtuels autres que les embryons numériques, utilisez les outils de modélisation disponibles dans le commerce en 3-D ou d&#39;obtenir des objets virtuels auprès de fournisseurs commerciaux (tableau 1). </li></ol></li><li> Il est généralement conseillé d&#39;enregistrer l&#39;objet virtuels dans un format de fichier couramment utilisés, tels que OBJ, de sorte que les objets peuvent être facilement importées dans une boîte à outils de modélisation 3-D commerciale. À cette fin, le DEW écrit objets au format OBJ par défaut. </li><li> Les stimuli visuels peuvent être générés en utilisant un ou plusieurs embryons numériques en utilisant une modélisation 3-D et de l&#39;environnement de rendu (tableau 1). Utilisez standards opérations graphiques tels que varier l&#39;orientation, la taille, l&#39;éclairage, texture, surface, et d&#39;arrière-plan pour créer les stimuli désirés (voir la figure 2). </li></ol> 2. Création de catégories d&#39;objets naturalistes utilisant VP <ol><li> Pour générer des catégories d&#39;objets, de générer des descendants (ou «enfants») de l&#39;ancêtre donné (ou &#39;parent&#39;) objet en utilisant une combinaison souhaitée des processus à l&#39;étape 1.1 ci-dessus (figure 3) 9,10,12,13. <ol><li> Certaines des méthodes décrites ci-dessous pour créer des variations de forme lisses telles que le morphing ou composantes principales (voir les étapes 3 et 4 ci-dessous), travail better si tous les objets de départ ont le même nombre de cellules et s&#39;il existe une correspondance biunivoque entre les sommets des objets. Pour la création de ces objets, utilisez uniquement les processus VM qui ne changent pas le nombre de cellules et de préserver la correspondance un-à-un des sommets parmi les objets (voir, par exemple, des générations G 2 G 3 à la figure 3). Par exemple, la division cellulaire et la mort cellulaire programmée modifier le nombre de cellules, et de le rendre beaucoup plus difficile (mais pas impossible 17,18) pour déterminer one-to-one correspondance entre les sommets d&#39;une paire d&#39;objets. Notez que les processus qui modifient le nombre de cellules dans un objet donné également modifier sa complexité forme. En général, plus le nombre de cellules, la plus grande complexité de la forme de l&#39;objet et sa surface lisse. </li><li> Si nécessaire, aux objets virtuels autres que des embryons numériques peuvent être utilisées comme entrées pour VP (figure 4). </li></ol></li><li> Les objets à l&#39;intérieur d&#39;une catégorie donnée peut être en outre choisi de manière à obtenir une distribution donnée des fonctions 19. Par exemple, on peut éliminer sélectivement des objets de taille moyenne à partir d&#39;une catégorie donnée afin de générer une distribution bimodale de la taille des objets. </li><li> Il n&#39;existe pas de méthode unique qui est universellement optimal pour mesurer la forme des informations disponibles pour toutes les catégories, et il n&#39;y a qu&#39;une seule méthode qui soit optimale pour classer tous les objets 20-22. Ainsi, l&#39;expérimentateur doit choisir ces méthodes basées sur les catégories et les objectifs de calcul à la main 20-22. Étape 4 décrit une méthode couramment utilisée pour la manipulation de divers aspects de l&#39;information forme disponible. </li><li> La similitude entre une paire donnée de catégories peut être objectivement mesurée en utilisant des méthodes phylogénétiques disponibles 23,24. Par exemple, la verticale (ou «évolutif») distance entre une paire donnée de catégories, tel que mesuré par cl hiérarchiqueustering méthodes dans la boîte à outils de statistique R, est une mesure objective de 25,26 similitude catégorie. </li></ol> 3. Autres méthodes de création de variation de la forme: Digital Morphing <ol><li> Compte tenu de toute paire d&#39;objets de sorte que chaque sommet d&#39;un objet correspond à exactement un sommet de l&#39;autre objet (. Par exemple des objets avec des one-to-one correspondance entre les sommets), morphing est 17,18,27-29 simple: Dans ce cas, les variations lisses (ou &quot;morphes &#39;) entre les deux objets sont produites par interpolation en douceur entre les sommets correspondants et les normales (figure 5). En fonction de la paire d&#39;objets choisis, morphing se traduira par de nouvelles catégories ou des enfants supplémentaires dans une catégorie. <ol><li> Les objets présentés dans la figure 5 ont été créés en utilisant linéaire 27-29 morphing. Les objets peuvent être transformés (ou déformés) par une vaste gamme d&#39;autres techniques de déformation disponibles 17,18. </li&gt; </ol></li><li> Pour créer une répartition souhaitée des formes morphed, choisissez les points d&#39;interpolation en conséquence. </li></ol> 4. Autres méthodes de création de variation de la forme: Composants principaux <ol><li> Pour utiliser les composants principaux de générer des variations de forme, il faut d&#39;abord déterminer les principales composantes 15. Principaux composants sont spécifiques à un ensemble donné d&#39;objets utilisés pour déterminer les 26. Pour de bons résultats, utiliser au moins 30 objets avec one-to-one correspondance entre les sommets 26. </li><li> Générer un objet en moyenne à partir d&#39;un ensemble d&#39;objets d&#39;entrée souhaitée n, par calcul de la moyenne des coordonnées séparément et la normale de chaque sommet dans tous les objets. Ainsi, la coordonnée x d&#39;un k donné sommet de égal à la moyenne des coordonnées X de k sommets de tous les n objets, et ainsi de suite. </li><li> Utilisez la fonction Matlab princompà déterminer les composantes principales de n objets. Cela va générer n-1 vecteurs propres non nulles, avec le N-1 valeurs propres 26. </li><li> Pour générer un nouvel objet A j partir d&#39;un composant principal donné P i, P i multiplier par la valeur propre λ i correspondant désiré et un poids w j et ajouter à l&#39;objet en moyenne: A j = j + w λ i P i </li><li> Pièce unique w j va générer un objet unique. En modulant légèrement w, on peut créer des variations de forme lisse le long d&#39;une composante principale donnée. </li><li> Pour créer variations de forme le long d&#39;une dimension de forme indépendante, répétez l&#39;étape 4.4 utilisant un composant principal différent. </li><li> Pour créer une répartition souhaitée des formes le long d&#39;une composante principale donnée, utilisez la distribution désirée de w. &lt;/ Li&gt; <li> Pour créer une grille multidimensionnelle des formes, utilisez un ensemble de poids pour chacune des composantes principales de plusieurs: <img alt="Équation 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" /></li></ol> 5. Création de versions de Haptic objets 3-D <ol><li> 3-D &#39;Print-out&#39; objets à l&#39;aide d&#39;un prototypeur 3-D (ou 3-D «imprimante»). Si nécessaire, ajuster la taille de l&#39;objet et lisser la surface de l&#39;objet avant de l&#39;imprimer. </li></ol> 6. Une application Exemplar: Inférence bayésienne de la catégorie image <ol><li> Une tâche importante dans le traitement visuel est inférer la catégorie à laquelle un objet donné appartient observée. Bien que le mécanisme exact de cette déduction est inconnue, il ya des preuves de calcul et physiologiques 9,12,13,30-32 qu&#39;elle implique l&#39;utilisation de l&#39;information sur les caractéristiques connues de l&#39;objet dans l&#39;image ci de déduire la catégorie de l&#39;objet. Ici, nous allons Illustrate comment ce processus d&#39;inférence peuvent travailler dans un cadre bayésien, et comment numérique embryons peuvent être utiles pour la recherche dans ce domaine. </li><li> Par souci de simplicité, nous supposons que la tâche de catégorisation est binaire et implique catégorie K distinctif de la catégorie L (figure 3). Soit C la variable catégorie. Nous allons supposer que K = C ou C = L, selon que l&#39;image observée appartient à la catégorie I ou K L. Une approche typique de catégorisation implique: <ol><li> Le calcul de la probabilité que la catégorie n&#39;est donnée K l&#39;information contenue dans l&#39;image, notée p (C = K | I); </li><li> Le calcul de la probabilité que la catégorie est la L compte tenu des informations dans l&#39;image, notée p (C = L | I), et </li><li> Cueillette de la catégorie avec la plus grande probabilité. </li></ol></li><li> Ensuite, nous supposons pour simplifierqu&#39;il ya exactement une fonction F binaire. Cette fonction peut être soit présent dans l&#39;image (notée F = 1) ou absent de l&#39;image (notée F = 0). Cet exemple utilise le &#39;fragment informative »caractéristique de la figure 8. Fragments d&#39;information ont d&#39;abord été décrit par Ullman et ses collègues 33. Dans le cas présent, nous allons utiliser le modèle d&#39;image de la figure 8 que la fonction, et une valeur seuil de 0,69. Pour déterminer si cette caractéristique est présente dans une image donnée (par exemple, l&#39;image la plus à droite dans la rangée G3 de la figure 3), nous allons utiliser les étapes suivantes: <ol><li> Glisser sur ce modèle de tous les emplacements possibles de l&#39;image et calculer, à chaque emplacement, la valeur absolue de la corrélation croisée normalisée entre le modèle et le sous-jacent sous-image. </li><li> Sélectionnez l&#39;emplacement de l&#39;image avec la valeur la plus élevée (0,60 dans le cas présent). </li><li> Si cette valeur est supérieure au seuil, de conclureque la fonction est présente, sinon conclure qu&#39;il est absent. Dans notre cas, puisque la corrélation la plus élevée 0,60 est en dessous du seuil de 0,69, nous pouvons conclure que la fonction est absente dans cette image. </li><li> La justification de l&#39;utilisation de telles caractéristiques, et les mécanismes de sélection de fonctions et de déterminer les seuils sont au-delà de la portée de ce rapport, mais sont décrits en détail dans les références. 33, 30. </li></ol></li><li> Dans le cadre de la fonction de l&#39;inférence basée, nous supposons que toutes les informations les extraits observateurs de l&#39;image est contenue dans la valeur de cette fonction, i. e, que p (C | I). = p (C | F). Par conséquent, la tâche devient celui de la détermination de la valeur de F dans l&#39;image donnée (présent ou absent), calculer p (C = K | F) et p (C = L | F) pour que la valeur F, et en sélectionnant la catégorie d&#39; le plus probalité. </li><li> Dans le cadre bayésien, </li></ol><img alt="L&#39;équation 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" /> Par conséquent, <img alt="équation 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" /> et <img alt="L&#39;équation 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" /> Noter que le dénominateur dans les deux équations sont les mêmes. Par conséquent, pour comparer p (C = K | F) et p (C = L | F), il n&#39;est pas nécessaire de calculer le dénominateur, mais plutôt, il suffit de calculer les quantités p (C = K | F) α p (C = K) p (F | C = K) et p (C = L | F) α p (C = L) p (F | C = L) These sont parfois appelés «probabilités non normalisées. Le terme p (C) est appelé «préalable», et le terme p (F | C) est appelée «probabilité». <ol start="6"><li> Par souci de simplicité, nous supposerons une &#39;plate&#39; avant: p (C = K) = p (C = L) = 0,5. </li><li> La tâche est maintenant de calculer p (F | C), la probabilité d&#39;une valeur caractéristique donnée dans une image d&#39;une catégorie C donné. <ol><li> Nous allons utiliser les six images de la catégorie L (figure 3) comme un exemple pour calculer p (F = 1 | C = L), la probabilité que la fonctionnalité est présente dans une image de la catégorie L. </li><li> Pour calculer p (F = 1 | C = L), d&#39;une part, faire toutes les images d&#39;apprentissage appartenant à L. Encore une fois, ceux-ci sont présentés dans la figure 3. </li><li> Pour chaque image, de déterminer si la valeur caractéristique est 1 (présent) Ou 0 (absence), tel que décrit dans (6.3.1) - (6.3.3). Dans notre cas, pour les six images de la figure 3, les valeurs sont: [0, 0, 1, 0, 1, 0]. </li><li> Calculer la fraction d&#39;images dans lequel la valeur caractéristique est 1. Dans notre cas, il est 2/6 = 0,33. </li><li> Par conséquent, p (F = 1 | C = L) = 0,33. Notez que pour obtenir des estimations précises, il faut utiliser au moins 30 images par classe. </li><li> De la même manière, on peut calculer 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> Compte tenu de ces valeurs, l&#39;inférence peut être effectuée. Supposons que l&#39;on nous donne une nouvelle image (figure 9), et la tâche est de déterminer le libellé catégorie. Ceci est effectué comme suit: <ol><li> On détermine si la fonction F est présente dans l&#39;image, tel que décrit dans (6.3.1) - (6.3.3). Dans notre cas, la feature est présent, alors F = 1. </li><li> En utilisant les équations (1) et (2), et les valeurs calculées dans (6.7.5) - (6.7.6), on peut calculer que p (C = K | F = 1) = 0,42 et p (C = L | F = 1) = 0,17. </li><li> Compte tenu de ces informations, il est rationnel de conclure que l&#39;image est de la catégorie K, avec une confiance relativement faible. </li></ol></li><li> Il pourrait être intéressant et utile pour tester une telle approche dans un système biologique (par exemple, psychophysique). Dans ce cas, les prédictions comportementales pourraient être réalisés et comparés aux résultats des calculs tels que ceux obtenus dans (6.8.2). Pour faire des prédictions précises, de bonnes estimations de p (F | C) sont nécessaires. Ces estimations, cependant, peut être difficile à obtenir pour les objets familiers. La raison en est que le sujet estimation de p (F | C) n&#39;est pas observable directement, et il est extrêmement difficile de le calculer car le sujetExposition préalable de l &#39;à des images naturelles est incontrôlable et inconnus. En revanche, si des embryons numériques sont utilisés pour les expériences, il est possible de contrôler précisément les embryons et les catégories d&#39;embryon le sujet est exposé. Il est donc facile de calculer les quantités d&#39;intérêt à partir exactement les mêmes données le sujet a été exposé. Le fait que l&#39;apparence embryons »est naturaliste est utile, car elle permet de penser que le sujet utilise la stratégie de catégorisation comme des catégories naturelles. </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>

Aucun conflit d&#39;intérêt déclaré.

Utilité des VM et VP de la recherche en sciences cognitives Nous avons déjà décrit l&#39;utilité de VM et VP en détail l9 ,10,12-14. En bref, VM, en particulier la méthodologie embryon numérique, est utile car elle fournit une méthode fondée sur des principes et flexible pour la création de roman, mais naturalistes objets 3-D 14. De même, VP fournit une méthode fondée sur des principes de créer des catégories naturalistes 9,10,12,13. Il est à noter que les catégories d&#39;objets générés par VP partagent des caractéristiques avec de nombreuses catégories d&#39;objets dans la nature, y compris le fait que les catégories ont tendance à être de nature hiérarchique, et les variations de caractéristiques à l&#39;intérieur et entre les catégories de survenir indépendamment de l&#39;expérimentateur et les algorithmes de classification les 39. Limitations actuelles et orientations futures Trois limites actuelles de notre protocole et les orientations pour les travaux futurs, ils suggèrentsont particulièrement remarquables: d&#39;abord, à la fois VM et VP simuler des processus biologiques. Bien que nous montrent que les non-biologiques des objets virtuels peuvent être utilisés comme substrats pour ces processus, les processus sous-jacents sont encore biologiquement motivé. Cependant, les objets naturels - biologiques et non biologiques semblables - subissent des changements de forme en raison de non-biologiques forces. Par exemple, les roches peuvent changer de forme en raison de processus géologiques tels que l&#39;érosion ou de la sédimentation. De nouvelles catégories de roche peut résulter de ces autres processus géologiques. Il devrait être relativement simple d&#39;intégrer ces processus dans le répertoire des algorithmes disponibles changer de forme. La deuxième limitation majeure de notre protocole est que son répertoire actuel de changements de forme dynamique est plutôt limitée. Il est souhaitable d&#39;incorporer un plus grand éventail de changements de forme, telles que le mouvement biologique, ou le mouvement dû à des forces extérieures telles que le vent, l&#39;eau ou la gravité. Nous nous attendons à ce qu&#39;il will être relativement simple à mettre à profit les algorithmes connus d&#39;animation par ordinateur pour mettre en œuvre ces changements de forme dynamiques. La troisième limite importante de notre protocole est que VM ne prend actuellement pas inclure de nombreux autres processus morphogénétiques connus, y compris, notamment, la gastrulation 36. Elle omet également d&#39;intégrer des contraintes connues, telles que le fait que la morphogénèse des plantes est médiée entièrement par la croissance, avec le mouvement des cellules peu ou pas possible, car des 36 parois cellulaires. De la même manière, vice-président ne comprend pas les autres processus phylogénétiques connus tels que la dérive génétique 40. S&#39;attaquer à ces limitations aiderait grandement faciliter l&#39;utilisation de notre protocole en développement, les simulations écologiques et évolutifs.

<table border="1"><tbody><tr><td> Nom de la boîte à outils / équipement </td><td> Société / Auteur </td><td> Catalogue # </td><td> Commentaires </td></tr><tr><td> Atelier d&#39;embryon numérique (DEW) </td><td> Mark Brady et Dan Gu </td><td></td><td> Cette conviviale, par menus outil peut être téléchargé gratuitement en téléchargement 1 de <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . Actuellement disponible uniquement pour Windows. </td></tr><tr><td> Des outils numériques d&#39;embryons pour Cygwin </td><td> Jay Hegde et Karin Hauffen </td><td></td><td> Il s&#39;agit d&#39;un ensemble mouvant de pas-si-programmes conviviaux. Ils sont conçus pour être exécuté à partir de l&#39;interface de ligne de commande de l&#39;émulateur Cygwin Linux pour Windows. Ces programmes peuvent être téléchargés sous forme de téléchargement 2 de <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. L&#39;interface Cygwin lui-même peut être téléchargé gratuitement à partir <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> Autodesk 3ds Max, Montréal, Québec, Canada </td><td> Autodesk Media and Entertainment </td><td> 3DS Max </td><td> Il s&#39;agit d&#39;une modélisation 3-D, l&#39;animation et outils de rendu avec une architecture de plugins flexible et un langage de script intégré. Disponible pour la plupart des systèmes d&#39;exploitation actuels. </td></tr><tr><td> MATLAB </td><td> Mathworks Inc, Natick, MA, USA </td><td> MATLAB </td><td> Il s&#39;agit d&#39;un environnement de calcul numérique et la langue de programmation utiles avec de nombreux add-on fonctionnalités. Disponible pour la plupart des systèmes d&#39;exploitation actuels. </td></tr><tr><td> R statistique boîte à outils </td><td> R Projet pour le calcul statistique </td><td> R </td><td> Peut être téléchargé gratuitement à partir de charge <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. Disponible pour la plupart des systèmes d&#39;exploitation actuels. </td></tr><tr><td> OpenGL </td><td> Khronos Group </td><td> OpenGL </td><td> Cette inter-langues, multi-plateforme toolkit graphique peut être téléchargé gratuitement à partir <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-Flash Imprimante personnelle </td><td> 3D Systems Inc, Rock Hill, Caroline du Sud, États-Unis </td><td> V-Flash </td><td> Ceci est une bonne valeur pour toutes les applications d&#39;impression 3-D décrites dans le présent rapport. Les documents imprimés sont également vendus dans 3D Systems, Inc modèles moins chers sont disponibles sous forme open source de RepRap (rapmanusa.com) et MakerGear. Modèles les plus chers (&gt; 30 $ K) sont disponibles à partir de Objet Geometries, 3DS, Z-Systems Corp, impression, etc Dimension </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid Inc, New York, Los Angeles </td><td> (Objets divers) </td><td> Diverses virtuels objets 3-D peut être téléchargé à partir de ce site gratuitement ou moyennant des frais. </td></tr><tr><td></td><td></td><td></td><td> Tableau 1. Tableau de boîtes à outils et équipements spécifiques. </td></tr></tbody></table>

creating objects and object categories for studying perception and perceptual learning

Afin d&#39;étudier quantitativement la perception des objets, qu&#39;il s&#39;agisse de la perception par les systèmes biologiques ou par des machines, il est nécessaire de créer des objets et des catégories d&#39;objets avec précision définissable, de préférence naturaliste, les propriétés 1. En outre, des études sur l&#39;apprentissage perceptif, il est utile de créer de nouveaux objets et catégories d&#39;objets (ou classes d&#39;objets) avec de telles propriétés 2. Beaucoup de méthodes novatrices et utiles existent actuellement pour créer de nouveaux objets et catégories d&#39;objets 3-6 (voir aussi refs. 7,8). Cependant, en général, les méthodes existantes trois grands types de défauts. Tout d&#39;abord, les variations de forme sont généralement imposées par l&#39;expérimentateur 5,9,10, et peut donc être différente de la variabilité des catégories naturelles, et optimisé pour un algorithme de reconnaissance particulière. Il serait souhaitable que les variations surviennent indépendamment de l&#39;externally imposé des contraintes. Deuxièmement, les méthodes existantes ont du mal à saisir la complexité forme des objets naturels 11-13. Si l&#39;objectif est d&#39;étudier la perception des objets naturels, il est souhaitable que les objets et les catégories d&#39;objets à être naturaliste, afin d&#39;éviter les possibles facteurs de confusion et de cas particuliers. Troisièmement, il est généralement difficile de mesurer quantitativement l&#39;information disponible dans les stimuli créés par des méthodes conventionnelles. Il serait souhaitable de créer des objets et des catégories d&#39;objets où l&#39;information disponible peut être mesuré avec précision et, le cas échéant, systématiquement manipulé (ou «accordé»). Cela permet de formuler les tâches de reconnaissance d&#39;objets sous-jacents en termes quantitatifs. Nous décrivons ici un ensemble d&#39;algorithmes ou méthodes qui correspondent aux trois critères ci-dessus. Morphogenèse virtuelle (VM) crée de nouveaux naturalistes, des objets virtuels en 3-D appelés «embryons numériques» parsimulant le processus biologique de l&#39;embryogenèse 14. Virtual phylogenèse (VP) crée de nouvelles catégories d&#39;objets naturalistes, en simulant le processus évolutif de la sélection naturelle 9,12,13. Les objets et les catégories d&#39;objets créés par ces simulations peut être manipulé par diverses méthodes de morphing de générer des variations systématiques des caractéristiques de forme 15,16. Le vice-président et morphing méthodes peuvent également être appliquées, en principe, à de nouveaux objets virtuels autres que les embryons numériques, ou des versions virtuelles de objets du monde réel 9,13. Les objets virtuels créés de cette manière peuvent être rendus sous forme d&#39;images visuelles à l&#39;aide d&#39;une boîte à outils graphique classique, avec des manipulations souhaitées de texture de la surface, l&#39;éclairage, la taille, points de vue et de fond. Les objets virtuels peuvent également être «imprimé» comme des objets tactiles en utilisant un classique 3-D prototypeur. Nous décrivons également certaines implémentations de ces algorithmes de calcul pour aider illustrer l&#39;utilité potentielle des algorithmes. Il est important de distinguer les algorithmes de leurs implémentations. Les implémentations sont des démonstrations offertes uniquement comme une «preuve de principe» des algorithmes sous-jacents. Il est important de noter que, en général, une implémentation d&#39;un algorithme de calcul ont souvent des limites que l&#39;algorithme lui-même ne possède pas. Ensemble, ces méthodes représentent un ensemble d&#39;outils puissants et flexibles pour l&#39;étude de la reconnaissance d&#39;objets et de l&#39;apprentissage perceptif par les systèmes biologiques et informatiques ressemblent. Avec les extensions appropriées, ces méthodes peuvent également s&#39;avérer utiles dans l&#39;étude de la morphogenèse et la phylogenèse.

VM peut être utilisé pour générer une offre quasi illimitée de formes nouvelles 3-D. Certains embryons exemplaires numériques générées en utilisant l&#39;algorithme VM sont indiqués dans la partie inférieure de la figure 1. Chacun de ces 16 embryons ont été générés en utilisant le programme «growEmbryos.exe» dans les outils d&#39;embryons numériques pour Cygwin (voir le tableau 1) pour une croissance de 40 cycles. Tous les autres paramètres de croissance ont été définies en interne par le programme. La plupart de ces paramètres sont constants (c.-à-identiques d&#39;un embryon à l&#39;autre). Quelques paramètres tels que l&#39;emplacement et la force des sources morphogènes, étaient des paramètres aléatoires définies en interne par le programme de manière indépendante pour chaque essai. Les variations de forme entre ces 16 embryons se pose uniquement en raison des variations de ces paramètres aléatoires. Quelques exemples de texturation de surface 34,35 utilisant des textures choisies arbitrairement sont présentés dans la figure 2A. Scènes visuelles d&#39;uncomplexité rbitrary peuvent être créés en utilisant un commerce modélisation 3-D et de l&#39;environnement de rendu, comme le montre la figure 2B. «Arbre généalogique» Un représentant généré par VP à partir d&#39;embryons numériques est illustré à la figure 3. Arbres comparables peuvent également être construits en utilisant des objets autres que des embryons numériques, comme le montre la figure 4. Notez que dans les deux cas, les objets qui partagent un ancêtre commun carrément constituent une catégorie, bien que l&#39;expérimentateur peut également choisir de définir une catégorie comme n&#39;importe quel autre ensemble d&#39;objets. Il est à noter sur la figure 4 que notre implémentation actuelle de la machine virtuelle et les algorithmes VP tend à produire relativement lisses, surfaces courbes, par opposition aux objets dentelés ou appartement. Il est également intéressant de noter que ceci est sans doute la limitation de notre mise en œuvre de ces algorithmes et les algorithmes eux-mêmes ne sont pas, car les processus biolological peut produire objectifsts avec des surfaces planes et les contours irréguliers (p. ex., rose feuille). Les figures 5 et 6 illustrent les résultats typiques de deux méthodes qui peuvent être utilisés en plus ou à la place de vice-président, pour créer des variations de principe à la forme des objets et catégories d&#39;objets. Le panneau supérieur de la figure 7 illustre les rendus visuels de deux embryons numériques, et le panneau inférieur de la figure 7 illustre les impressions correspondantes générées par un commerce en 3-D prototypeur. Les figures 8 et 9 illustrent les procédures décrites à la section 6 pour l&#39;utilisation de fragments d&#39;image de classer un objet donné visuelle. <img alt="Figure 1" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig1highres.jpg" src="/files/ftp_upload/3358/3358fig1.jpg" /> Figure 1. Morphogenèse virtuelle. </strong&gt; Le panneau du bas illustre un type de roman, naturalistes, virtuels en 3-D des objets appelés «embryons numériques» 14. Embryons numériques peuvent être générés en simulant une ou plusieurs de quelques-uns des principaux processus de l&#39;embryogenèse biologique: la division cellulaire médiée par morphogène, la croissance cellulaire, le mouvement cellulaire et la mort cellulaire programmée 7,8,36,37. Chaque cycle commence par un icosaèdre (indiqué dans le panneau du haut), et génère un embryon unique, en fonction des paramètres VM (ou le «génotype») de cet embryon. Ainsi, les 16 embryons dans le panneau du bas ont des formes différentes, car ils ont tous génotypes différents. Notez que plus simples ou plus complexes formes peuvent être générés en fonction des besoins (par exemple, pour stimuler les neurones de façon optimale à un niveau donné de la hiérarchie visuelle) en manipulant le génotype de l&#39;embryon. Tous les procédés mentionnés ci-dessus, sauf embryogénétique mort cellulaire programmée ont été simulées dans la production des embryons montré. Simulation de la mort cellulaire programmée est particulièrementutile pour créer des indentations ciblés (non représenté). <img alt="Figure 2" fo:content-width="3.6in" fo:src="/files/ftp_upload/3358/3358fig2highres.jpg" src="/files/ftp_upload/3358/3358fig2.jpg" /> Figure 2. Création de stimuli visuels numériques utilisant des embryons. Comme tout objet virtuel en 3-D, les embryons numériques peuvent être manipulées pour créer graphiquement des scènes visuelles d&#39;une complexité arbitraire en utilisant une norme 3-D toolkit graphique. Cette figure illustre quelques manipulations courantes. (A) Le même embryon numérique est texturé avec de nombreuses textures différentes, et éclairé par une source de lumière invisible en haut à gauche. (B) Une scène camouflé est créé par le redimensionnement et la réorientation de l&#39;embryon numérique et numériquement le plaçant dans le contexte où il se trouvait texturé avec. L&#39;embryon numérique peut être trouvé dans «la vue» dans le quadrant inférieur droit. Pour d&#39;autres exemples de stimuli visuels créationés utilisant des embryons numériques, voir refs. 9,10,12-14,38. <img alt="Figure 3" fo:content-width="5in" fo:src="/files/ftp_upload/3358/3358fig3highres.jpg" src="/files/ftp_upload/3358/3358fig3.jpg" /> Figure 3. Création de catégories d&#39;embryons numériques à l&#39;aide VP. L&#39;algorithme VP émule l&#39;évolution biologique, en ce que dans les deux cas, les objets et les catégories de nouveaux objets apparaissent comme des variations héréditaires s&#39;accumulent de manière sélective. A chaque génération G i, les embryons sélectionnés procréer, ce qui conduit à la génération G i +1. Les descendants héritent des caractéristiques de forme de leurs parents, mais reviennent variations de forme de leur propre chef (tel que déterminé par de petites variations dans leur génotype) dans leur développement. Cette figure montre un «arbre généalogique» de trois générations de descendants à partir d&#39;un seul ancêtre commun, un icosaèdre. Notez que, dans ce cas, la complexité augmente forme à partir de l&#39;icosaèdre à génératG 1 d&#39;ions, mais pas à partir de G 1 ultérieur. C&#39;est parce augmentation du nombre de cellules (par exemple., La division cellulaire) a été autorisé à partir de l&#39;icosaèdre à la génération G 1, mais pas à partir de G 1 en avant. En général, la division cellulaire tend à augmenter la complexité de forme, tandis que d&#39;autres processus morphogénétiques tels que le mouvement des cellules et la forme de changement de cellule sans modifier la croissance de la complexité globale de la forme. <img alt="Figure 4" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig4highres.jpg" src="/files/ftp_upload/3358/3358fig4.jpg" /> Figure 4. VP en utilisant des objets virtuels autres que les embryons numériques. Ce chiffre permet d&#39;illustrer le principe général que les objets virtuels autres que les embryons numériques peuvent être utilisées comme entrée à VP. L&#39;algorithme de vice-président dans sa forme actuelle peut fonctionner sur n&#39;importe quel objet virtuel en 3-D dont la surface se compose uniquement de triangles. Génération G 1 comprised (de gauche à droite) une gourde, diamant, masque, pomme, rock, et de cactus. Notez que les objets de génération G 1 dans cette figure n&#39;ont pas un ancêtre commun, parce que vice-président ne l&#39;exige pas. Objets en G 2 et G 3 représentent les descendants de la roche en G 1. Pas de divisions cellulaires ont été autorisés dans toutes les générations, de sorte que toutes les variations de forme résulte uniquement du mouvement et / ou de la croissance de l&#39;individu «cellules» de l&#39;objet donné. <img alt="Figure 5" fo:content-width="6.5in" fo:src="/files/ftp_upload/3358/3358fig5highres.jpg" src="/files/ftp_upload/3358/3358fig5.jpg" /> Figure 5. En utilisant le morphing pour créer des variations lisses en forme. Morphing consiste à prendre deux objets donnés (à l&#39;extrême gauche et l&#39;extrême droite embryon dans ce chiffre) et en calculant les objets intermédiaires (intervenant embryons) par interpolation entre les sommets correspondants de l&#39;désigner deuxobjets d. Dans le cas représenté, tous les sommets ont été interpolées en utilisant le facteur scalaire même, résultant en un morphing linéaire. Cependant, il est également possible de transformer les objets non-linéaire (non représentée). Morphing est mathématiquement simple quand il ya une exacte one-to-one correspondance entre les sommets de deux objets, comme dans le cas représenté. Toutefois, il est possible, en principe, de se transformer entre deux objets virtuels donnés indépendamment du fait de leurs sommets correspondent pas exactement, bien qu&#39;il n&#39;y ait pas de méthode unique de principe pour le faire 17,18. <img alt="Figure 6" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig6highres.jpg" src="/files/ftp_upload/3358/3358fig6.jpg" /> Figure 6. Utilisation des composants principaux pour créer des variations lisses en forme. (A) embryon moyenne. Cet embryon représente la moyenne arithmétique des 400 embryons (200 chacune des catégories K et L dansFigure 3). Principales composantes ont été calculés comme décrit à l&#39;étape 4.3. Notez que les composants principaux représentent mutuellement indépendants, les dimensions de forme abstraites des 400 embryons (non représentée) 25,26. 399 400 embryons donnent composantes non nulles principaux 25,26, qui, ensemble, représentent la totalité de la variance, ou l&#39;information de forme, disponible collectivement dans les embryons. Par convention, les principaux composants sont disposés dans l&#39;ordre décroissant de leurs valeurs propres, ou la proportion de la variance totale ils expliquent 25,26. Dans ce cas, les deux premières composantes principales ont représenté respectivement 73% et 19% de l&#39;information de forme disponible dans les 400 embryons. (B) Les embryons qui représentent des poids différents (ou plus précisément, les valeurs propres pondérés) des composantes principales 1. Les poids varient de +2 (extrême gauche) à -2 (extrême droite) par tranches égales de -0,2. (C) Les embryons qui représentent différents poids des Composants principauxent 2. Les poids varient également, de +2 (extrême gauche) à -2 (extrême droite) par tranches égales de -0,2. Notez que la manipulation des composants principaux n&#39;est pas exclusivement manipuler n&#39;importe quelle partie du corps, spécifique de l&#39;embryon (p. ex., Les ailes de l&#39;embryon dans le cas représenté). Cependant, si nécessaire, les parties du corps de virtuel en 3-D des objets peuvent être manipulés de quelque façon arbitraire défini par l&#39;utilisateur en utilisant la plupart des 3-D disponibles dans le commerce environnements de modélisation (non représentée). <img alt="Figure 7" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig7highres.jpg" src="/files/ftp_upload/3358/3358fig7.jpg" /> Figure 7. Création d&#39;objets haptiques. Virtual objets 3-D peut être «imprimé» comme des objets tactiles en utilisant un standard, disponible dans le commerce en 3-D &#39;imprimante&#39; ou prototyper. Cette figure montre embryons numériques rendus comme des objets visuels (rangée du haut) ou que les objets correspondants haptiques (rangée du bas). Les objets tactiles shown dans cette figure ont été imprimés à environ 6 cm de large (échelle = 1 cm), bien que les objets peuvent être imprimés à des tailles beaucoup plus petites ou plus grandes. <img alt="Figure 8" src="/files/ftp_upload/3358/3358fig8.jpg" /> Figure 8. Un modèle pour un fragment d&#39;exemple instructif. Dans cet exemple, le modèle a un seuil de 0,69 qui lui est associé. <img alt="Figure 9" fo:content-width="2.5in" fo:src="/files/ftp_upload/3358/3358fig9highres.jpg" src="/files/ftp_upload/3358/3358fig9.jpg" /> Figure 9. Une nouvelle image pour lesquels la catégorie d&#39;objet n&#39;est pas connue et doit être déterminée.

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

Nous décrivons une nouvelle méthodologie pour la création de naturalistes objets 3-D et des catégories d&#39;objets avec des variations de caractéristiques bien définies. Nous utilisons des simulations de processus biologiques de la morphogenèse et la phylogenèse pour créer de nouveaux objets virtuels, naturalistes 3-D et des catégories d&#39;objets qui peuvent ensuite être rendus sous forme d&#39;images visuelles ou des objets haptiques.

Création d&#39;objets et catégories d&#39;objets pour l&#39;étude de la perception et de l&#39;apprentissage perceptif

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 vues.  Georgia Health Sciences University. Nous décrivons une nouvelle méthodologie pour la création de naturalistes objets 3-D et des catégories d'objets avec des variations de caractéristiques bien définies. Nous utilisons des simulations de processus biologiques de la morphogenèse et la phylogenèse pour créer de nouveaux objets virtuels, naturalistes 3-D et des catégories d'objets qui peuvent ensuite être rendus sous forme d'images visuelles ou des objets haptiques.

Vidéo: 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 à l&#39;apprentissage butanone, à court terme et à long terme Tests mémoire associative

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

Recherche

Neurosciences

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.

L&#39;utilisation abordable tableaux LED pour photo-stimulation des neurones

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.

Sélective transduction virale des adultes-né pour les neurones olfactifs chronique In vivo Stimulation optogénétique

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: la mise en œuvre d&#39;un simulateur de mouvement Novel pour étudier l&#39;intégration multisensorielle chemin en trois 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. ...

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.

Haute résolution magnétique fonctionnelle Méthodes d&#39;imagerie par résonance mésencéphale humain

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.

D&#39;enregistrement optique de l&#39;activité neuronale supraliminaire avec une résolution à cellule unique et un seul pic

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.

Cartographie dynamique corticales à l&#39;aide MEG / EEG simultanés et anatomique contrainte minimum-norm Budget: un exemple L&#39;attention auditive

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.

Drosophile adulte olfactive apprentissage choc

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.

Tout le mont immunomarquage des récepteurs olfactifs neurones dans le<em&gt; Drosophila</em&gt; Antenne

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.

Méthode électrophysiologique de réponses d&#39;enregistrement intracellulaire tension de<em&gt; Drosophila</em&gt; Photorécepteurs et Interneurones à Light Stimuli<em&gt; In Vivo</em