Name: a psychophysics paradigm for the collection and analysis of similarity judgments
Uploaded: 2022-03-01T13:45:00
Description: Watch this Scientific Journal Video about A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments at JoVE.com

Il lavoro è supportato da finanziamenti del National Institutes of Health (NIH), sovvenzione EY07977. Gli autori vorrebbero anche ringraziare Usman Ayyaz per la sua assistenza nel testare il software e Muhammad Naeem Ayyaz per i suoi commenti sul manoscritto.

Prima di iniziare gli esperimenti, tutti i soggetti forniscono il consenso informato in conformità con le linee guida istituzionali e la Dichiarazione di Helsinki. Nel caso di questo studio, il protocollo è stato approvato dal comitato di revisione istituzionale del Weill Cornell Medical College.
1. Installazione e configurazione
<ol><li>Scarica il codice dal repository GitHub, somiglianze (https://github.com/jvlab/similarities). Nella riga di comando, esegui: git clon...

<ol>
	<li>Edelman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Representation+is+representation+of+similarities.">Representation is representation of similarities.</a> TheBehavioral and Brain Sciences. 21 (4), 449-498 (1998).</li><li>Hahn, U., Chater, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Concepts+and+similarity.">Concepts and similarity.</a> Knowledge, Concepts and Categories. , 43-84 (1997).</li><li>Kriegeskorte, N., Kievit, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Representational+geometry:+integrating+cognition,+computation,+and+the+brain.">Representational geometry: integrating cognition, computation, and the brain.</a> Trends in Cognitive Sciences. 17 (8), 401-412 (2013).</li><li>Hebart, M. N., Zheng, C. Y., Pereira, F., Baker, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Revealing+the+multidimensional+mental+representations+of+natural+objects+underlying+human+similarity+judgements.">Revealing the multidimensional mental representations of natural objects underlying human similarity judgements.</a> Nature Human Behaviour. 4 (11), 1173-1185 (2020).</li><li>Deng, W. S., Sloutsky, V. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+development+of+categorization:+Effects+of+classification+and+inference+training+on+category+representation.">The development of categorization: Effects of classification and inference training on category representation.</a> Developmental Psychology. 51 (3), 392-405 (2015).</li><li>Shepard, R. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Stimulus+and+response+generalization:+tests+of+a+model+relating+generalization+to+distance+in+psychological+space.">Stimulus and response generalization: tests of a model relating generalization to distance in psychological space.</a> Journal of Experimental Psychology. 55 (6), 509-523 (1958).</li><li>Coombs, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+method+for+the+study+of+interstimulus+similarity.">A method for the study of interstimulus similarity.</a> Psychometrika. 19 (3), 183-194 (1954).</li><li>Ga&#776;rdenfors, 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> Conceptual Spaces: The Geometry of Thought. , (2000).</li><li>Zaidi, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Perceptual+spaces:+mathematical+structures+to+neural+mechanisms.">Perceptual spaces: mathematical structures to neural mechanisms.</a> The Journal of Neuroscience The Official Journal of the Society for Neuroscience. 33 (45), 17597-17602 (2013).</li><li>Krishnaiah, P. R., Kanal, L. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Handbook of Statistics 2. , (1982).</li><li>Tsogo, L., Masson, M. H., Bardot, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multidimensional+Scaling+Methods+for+Many-Object+Sets:+A+Review.">Multidimensional Scaling Methods for Many-Object Sets: A Review.</a> Multivariate Behavioral Research. 35 (3), 307-319 (2000).</li><li>Kriegeskorte, N., Mur, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Inverse+MDS:+Inferring+dissimilarity+structure+from+multiple+item+arrangements.">Inverse MDS: Inferring dissimilarity structure from multiple item arrangements.</a> Frontiers in Psychology. 3, 245 (2012).</li><li>Rao, V. R., Katz, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Alternative+Multidimensional+Scaling+Methods+for+Large+Stimulus+Sets.">Alternative Multidimensional Scaling Methods for Large Stimulus Sets.</a> Journal of Marketing Research. 8 (4), 488-494 (1971).</li><li>Hoffman, J. I. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hypergeometric+Distribution.">Hypergeometric Distribution.</a> Biostatistics for Medical and Biomedical Practitioners. , 179-182 (2015).</li><li>Victor, J. D., Rizvi, S. M., Conte, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Two+representations+of+a+high-dimensional+perceptual+space.">Two representations of a high-dimensional perceptual space.</a> Vision Research. 137, 1-23 (2017).</li><li>Knoblauch, K., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Estimating+classification+images+with+generalized+linear+and+additive+models.">Estimating classification images with generalized linear and additive models.</a> Journal of Vision. 8 (16), 1-19 (2008).</li><li>Maloney, L. T., Yang, J. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Maximum+likelihood+difference+scaling.">Maximum likelihood difference scaling.</a> Journal of Vision. 3 (8), 573-585 (2003).</li><li>Logvinenko, A. D., Maloney, L. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+proximity+structure+of+achromatic+surface+colors+and+the+impossibility+of+asymmetric+lightness+matching.">The proximity structure of achromatic surface colors and the impossibility of asymmetric lightness matching.</a> Perception &amp; Psychophysics. 68 (1), 76-83 (2006).</li><li>Zhou, Y., Smith, B. H., Sharpee, T. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hyperbolic+geometry+of+the+olfactory+space.">Hyperbolic geometry of the olfactory space.</a> Science Advances. 4 (8), (2018).</li><li>Goldstone, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+efficient+method+for+obtaining+similarity+data.">An efficient method for obtaining similarity data.</a> Behavior Research Methods, Instruments, &amp; Computers. 26 (4), 381-386 (1994).</li><li>Townsend, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Theoretical+analysis+of+an+alphabetic+confusion+matrix.">Theoretical analysis of an alphabetic confusion matrix.</a> Perception &amp; Psychophysics. 9, 40-50 (1971).</li></ol>

Il protocollo qui delineato è efficace per ottenere e analizzare giudizi di somiglianza per stimoli che possono essere presentati visivamente. Il paradigma sperimentale, l'analisi e le possibili estensioni vengono discussi prima e successivamente i vantaggi e gli svantaggi del metodo.
Paradigma sperimentale: Il metodo proposto è dimostrato utilizzando un dominio di 37 nomi di animali e viene fornito un set di dati campione di giudizi percettivi in modo da poter seguire l'ana...

Gli esseri umani elaborano e rappresentano mentalmente le informazioni sensoriali in arrivo per eseguire una vasta gamma di compiti, come il riconoscimento degli oggetti, la navigazione, fare inferenze sull'ambiente e molti altri. I giudizi di somiglianza sono comunemente usati per sondare queste rappresentazioni mentali1. Comprendere la struttura delle rappresentazioni mentali può fornire informazioni sull'organizzazione della conoscenza concettuale2. È anche possibile ottenere informazioni sui calcoli neurali, mettendo in relazione i giudizi di somiglianza con i modelli di attivazione cerebrale3. Inoltre, i giudizi di somiglianza rivelano caratteristiche salienti nella percezione4. Studiare come cambiano le rappresentazioni mentali durante lo sviluppo può far luce su come vengono apprese5. Pertanto, i giudizi di somiglianza forniscono preziose informazioni sull'elaborazione delle informazioni nel cervello.
Un modello comune di rappresentazioni mentali che usano somiglianze è un modello geometrico di spazio6,7,8. Applicato ai domini sensoriali, questo tipo di modello è spesso indicato come uno spazio percettivo9. I punti nello spazio rappresentano gli stimoli e le distanze tra i punti corrispondono alla dissomiglianza percepita tra di loro. Dai giudizi di somiglianza, si possono ottenere stime quantitative delle dissomiglianze. Queste dissomiglianze a coppie (o distanze percettive) possono quindi essere utilizzate per modellare lo spazio percettivo tramite il ridimensionamento multidimensionale10.
Esistono molti metodi per raccogliere giudizi di somiglianza, ognuno con i suoi vantaggi e svantaggi. Il modo più semplice per ottenere misure quantitative di dissomiglianza è chiedere ai soggetti di valutare su una scala il grado di dissomiglianza tra ogni coppia di stimoli. Mentre questo è relativamente veloce, le stime tendono ad essere instabili durante lunghe sessioni in quanto i soggetti non possono tornare ai giudizi precedenti e gli effetti del contesto, se presenti, non possono essere rilevati. (Qui, un effetto di contesto è definito come un cambiamento nella somiglianza giudicata tra due stimoli, in base alla presenza di altri stimoli che non vengono confrontati.) In alternativa, ai soggetti può essere chiesto di confrontare tutte le coppie di stimoli con tutte le altre coppie di stimoli. Mentre questo produrrebbe un ordinamento di rango più affidabile delle dissomiglianze, il numero di confronti richiesti scala con la quarta potenza del numero di stimoli, rendendolo fattibile solo per piccoli insiemi di stimoli. Le alternative più rapide, come l'ordinamento in un numero predefinito di cluster11 o l'ordinamento gratuito, hanno i loro limiti. L'ordinamento libero (in un numero qualsiasi di pile) è intuitivo, ma costringe il soggetto a categorizzare gli stimoli, anche se gli stimoli non si prestano facilmente alla categorizzazione. Il più recente metodo multi-arrangiamento, MDS inverso, aggira molte di queste limitazioni ed è molto efficiente12. Tuttavia, questo metodo richiede ai soggetti di proiettare le loro rappresentazioni mentali su un piano euclideo 2D e di considerare le somiglianze in un modo geometrico specifico, assumendo che la struttura di somiglianza possa essere recuperata dalle distanze euclidee su un piano. Pertanto, rimane la necessità di un metodo efficiente per raccogliere grandi quantità di giudizi di somiglianza, senza fare ipotesi sulla geometria alla base dei giudizi.
Descritto qui è un metodo che è sia ragionevolmente efficiente che evita anche le potenziali insidie di cui sopra. Chiedendo ai soggetti di classificare gli stimoli in ordine di somiglianza con un riferimento centrale in ogni prova13, la somiglianza relativa può essere sondata direttamente, senza assumere nulla sulla struttura geometrica delle risposte dei soggetti. Il paradigma ripete un sottoinsieme di confronti con contesti identici e diversi, consentendo la valutazione diretta degli effetti del contesto e l'acquisizione di risposte graduali in termini di probabilità di scelta. La procedura di analisi scompone questi giudizi di rango in più confronti a coppie e li utilizza per costruire e cercare modelli euclidei di spazi percettivi che spiegano i giudizi. Il metodo è adatto per descrivere in dettaglio la rappresentazione di insiemi di stimoli di dimensioni moderate (ad esempio, da 19 a 49).
Per dimostrare la fattibilità dell'approccio, è stato condotto un esperimento, utilizzando una serie di 37 animali come stimoli. I dati sono stati raccolti nel corso di 10 sessioni di un'ora e poi analizzati separatamente per ciascun soggetto. L'analisi ha rivelato coerenza tra i soggetti ed effetti di contesto trascurabili. Ha anche valutato la coerenza delle dissomiglianze percepite tra gli stimoli con i modelli euclidei dei loro spazi percettivi. Il paradigma e le procedure di analisi delineati in questo articolo sono flessibili e dovrebbero essere utili ai ricercatori interessati a caratterizzare le proprietà geometriche di una gamma di spazi percettivi.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Computer Workstation</td>
			<td>N/A</td>
			<td>N/A</td>
			<td>OS: Windows/ MacOS 10 or higher/ Linux; 3.1 GHz Dual-Core Intel Core i5 or similar; 8GB or more memory; User permissions for writing and executing files</td>
		</tr>
		<tr>
			<td>conda</td>
			<td></td>
			<td>Version 4.11</td>
			<td>OS: Windows/ MacOS 10 or higher/ Linux</td>
		</tr>
		<tr>
			<td>Microsoft Excel</td>
			<td>Microsoft</td>
			<td>Any</td>
			<td>To open and shuffle rows and columns in trial conditions files.</td>
		</tr>
		<tr>
			<td>PsychoPy</td>
			<td>N/A</td>
			<td>Version 2021.2</td>
			<td>Framework for running psychophysical studies</td>
		</tr>
		<tr>
			<td>Python 3</td>
			<td>Python Software Foundation</td>
			<td>Python Version 3.8</td>
			<td>Python3 and associated built-in libraries</td>
		</tr>
		<tr>
			<td>Required Python Libraries</td>
			<td>N/A</td>
			<td>numpy version: 1.17.2 or higher; matplotlib version 3.4.3 or higher; scipy version 1.3.1 or higher; pandas version 0.25.3 or higher; seaborn version 0.9.0 or higher; scikit_learn version 0.23.1 or higher; yaml version 6.0 or higher&#160;</td>
			<td>numpy, scipy and scikit_learn are computing modules with in-built functions for optimization and vector operations. matplotlib and seaborn are plotting libraries. pandas is used to reading in and edit data from csv files.</td>
		</tr>
	</tbody>
</table>

a psychophysics paradigm for the collection and analysis of similarity judgments

I giudizi di somiglianza sono comunemente usati per studiare le rappresentazioni mentali e i loro correlati neurali. Questo approccio è stato utilizzato per caratterizzare gli spazi percettivi in molti domini: colori, oggetti, immagini, parole e suoni. Idealmente, si potrebbe voler confrontare le stime di somiglianza percepita tra tutte le coppie di stimoli, ma questo è spesso poco pratico. Ad esempio, se si chiede a un soggetto di confrontare la somiglianza di due elementi con la somiglianza di altri due elementi, il numero di confronti cresce con la quarta potenza della dimensione del set di stimoli. Una strategia alternativa è quella di chiedere a un soggetto di valutare le somiglianze di coppie isolate, ad esempio su una scala Likert. Questo è molto più efficiente (il numero di valutazioni cresce quadraticamente con le dimensioni impostate piuttosto che trimestralmente), ma queste valutazioni tendono ad essere instabili e hanno una risoluzione limitata, e l'approccio presuppone anche che non ci siano effetti di contesto.
Qui viene presentato un nuovo paradigma di classificazione per una raccolta efficiente di giudizi di somiglianza, insieme a una pipeline di analisi (software fornito) che verifica se i modelli di distanza euclidei tengono conto dei dati. Le prove tipiche consistono in otto stimoli attorno a uno stimolo di riferimento centrale: il soggetto classifica gli stimoli in ordine di somiglianza con il riferimento. Selezionando con giudizio le combinazioni di stimoli utilizzati in ogni prova, l'approccio ha controlli interni per la coerenza e gli effetti di contesto. L'approccio è stato convalidato per stimoli tratti da spazi euclidei fino a cinque dimensioni. 
L'approccio è illustrato con un esperimento che misura le somiglianze tra 37 parole. Ogni prova produce i risultati di 28 confronti a coppie del modulo, "A era più simile al riferimento di quanto B fosse al riferimento?" Mentre il confronto diretto di tutte le coppie di coppie di stimoli avrebbe richiesto prove 221445, questo progetto consente la ricostruzione dello spazio percettivo da 5994 confronti ottenuti da 222 studi.

Nella Figura 1A viene illustrata parte di un file di condizioni generato dallo script nel passaggio 3.3, per la parola esperimento. Ogni riga corrisponde a una prova. Lo stimolo nella colonna ref viene visualizzato al centro del display. I nomi delle colonne da stim1 a stim8 corrispondono a otto posizioni lungo un cerchio, che corrono in senso antiorario, a partire dalla posizione a destra del riferimento centrale. Una prova di esempio dalla parola esperimento è mostrata nella <strong class...

Watch this Scientific Journal Video about A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments at JoVE.com

A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments

Il protocollo presenta un paradigma psicofisico sperimentale per ottenere grandi quantità di giudizi di somiglianza e un flusso di lavoro di analisi di accompagnamento. Il paradigma sonda gli effetti del contesto e consente la modellazione di dati di somiglianza in termini di spazi euclidei di almeno cinque dimensioni.

Un paradigma psicofisico per la raccolta e l'analisi dei giudizi di somiglianza

Similarity judgments are commonly used to study mental representations and their neural correlates. This approach has been used to characterize perceptual ...

Questo è un metodo efficace per raccogliere e analizzare i giudizi di somiglianza e non presuppone nulla sulle proprietà geometriche dei soggetti alla base delle rappresentazioni mentali. I principali vantaggi del metodo sono la sua flessibilità e la minimizzazione delle ipotesi sulla natura della rappresentazione percettiva. I tipi di stimoli e la complessità delle prove possono essere variati e una vasta gamma di modelli geometrici può essere adattata ai dati.Questo metodo potrebbe essere utile ai ricercatori interessati a caratterizzare le rappresentazioni mentali degli aspetti di basso e alto livello degli stimoli visivi. Selezionare un esperimento da eseguire. Passare alla parola esperimento facendo clic su Somiglianze, quindi esperimenti, quindi word_exp oppure all'esperimento immagine facendo clic su Somiglianze, quindi esperimenti, quindi image_exp.Finalizzare gli stimoli sperimentali. Se la parola esperimento è in esecuzione, preparare un elenco di parole. E per l'esperimento dell'immagine, crea una nuova directory e inserisci tutte le immagini di stimolo al suo interno.Nella directory degli esperimenti, trova il file di configurazione chiamato config. yaml facendo clic su Somiglianze, quindi su Esperimenti e infine su config.yaml. Aprire il file in un editor di codice sorgente e aggiornare il valore della variabile file al percorso della directory contenente il set di stimoli.È qui che PsychoPy cercherà gli stimoli dell'immagine. Creare configurazioni di prova aprendo la configurazione. yaml nella directory di analisi, quindi impostare il valore del parametro path_2_stimulus_list sul percorso di stimuli.txt.Dalla directory delle somiglianze, eseguire lo script eseguendo i comandi visualizzati nella finestra uno dopo l'altro. In questo modo viene creato un file denominato trial_conditions. csv in somiglianze in cui ogni riga contiene i nomi degli stimoli che appaiono in una prova insieme alle loro posizioni.Suddividi il set completo di 222 prove generate in sessioni e randomizza l'ordine di prova eseguendo i comandi visualizzati nella finestra. Nel design tipico, le sessioni comprendono 111 prove, ognuna delle quali richiede circa un'ora per essere eseguita. Quando richiesto, immettere i parametri di input visualizzati.Rinominare e salvare ciascuno dei file generati come condizioni. csv nella propria directory. Copiare le condizioni.csv e incollarlo nella directory corrente contenente il file psyexp. Apri PsychoPy e apri il file psyexp o py nella directory degli esperimenti pertinente. In PsychoPy, fai clic sul pulsante di riproduzione verde per eseguire l'esperimento.Nel pop-up modale, inserisci il nome del soggetto o l'ID e il numero di sessione e fai clic su OK per iniziare. Le istruzioni verranno visualizzate all'inizio di ogni sessione. Concedi al soggetto circa un'ora per completare l'attività e, poiché l'attività è autogestita, incoraggia i soggetti a fare delle pause se necessario.Una volta completate tutte le sessioni, combinare i file di dati grezzi e riformattarli in un unico file JSON per un'ulteriore elaborazione eseguendo la pre-elaborazione. py nel terminale utilizzando i comandi visibili sullo schermo. Quando richiesto, immettere i parametri di input richiesti, tra cui il percorso della directory dei dati del soggetto, gli ID oggetto per pre-elaborare i dati e il nome dell'esperimento utilizzato per assegnare un nome al file di output, quindi premere INVIO.Questo creerà un file JSON nella directory di output che combina le risposte tra le ripetizioni per ogni prova. Per determinare le probabilità di scelta a coppie dai giudizi dell'ordine di rango, vai alle somiglianze, quindi analizza ed esegui describe_data. py nella riga di comando.Quando richiesto, immettere il percorso dei dati dell'oggetto e l'elenco dei soggetti per eseguire l'analisi. Questo creerà tre tipi di trame. Generare modelli euclidei a bassa dimensione degli spazi percettivi utilizzando le probabilità di scelta eseguendo model_fitting.py utilizzando la riga di comando visualizzata sullo schermo. Quando richiesto, fornire gli input per la directory al soggetto-dati/preelaborati, il numero di stimoli, che sarà 37 per impostazione predefinita, il numero di iterazioni, la directory di output e la quantità di rumore gaussiano, che sarà 0,18 per impostazione predefinita. Visualizza la probabilità di log dei modelli ottenuti e valuta la loro idoneità eseguendo somiglianze, analisi model_fitting_figure.py.Quando richiesto, immettere il percorso necessario per i file CSV contenenti le probabilità di registro. Visualizza gli spazi percettivi per ciascun soggetto e genera grafici a dispersione che mostrano i punti del modello 5D proiettato sui primi due componenti principali eseguendo i comandi visualizzati. Quando richiesto, immettere i parametri di input e il percorso del file NPY contenente i punti 5D.Dopo l'esecuzione dello script, uscire dall'ambiente virtuale. Nel file generato per la parola esperimento, la prima riga corrisponde a una prova in cui otto stimoli appaiono intorno alla scimmia stimolo di riferimento. I giudizi di rango sono stati scomposti in scelte a coppie.La distribuzione delle probabilità di scelta era altamente coerente tra i soggetti. Il raggruppamento dei dati vicino alla diagonale in ogni pannello indica una grande coerenza nelle probabilità di scelta tra i soggetti e per i giudizi che non sono agli estremi. La diagonale dominante indica che le probabilità di scelta nei due contesti, comprese le probabilità di scelta intermedie tra zero e uno, sono quasi identiche per ciascun soggetto.Le probabilità di log sono mostrate rispetto alla probabilità di log del modello migliore, cioè un modello che assegna la probabilità di scelta osservata a ciascun confronto senza vincolare queste probabilità con alcuna considerazione geometrica. L'analisi dei componenti principali è stata eseguita sui punti del modello 5D dello spazio percettivo in cui gli animali percepiti come simili erano indicati da punti vicini l'uno all'altro. È fondamentale decidere tutti i parametri durante la progettazione di un esperimento e impostarli nei file di configurazione prima di iniziare il passaggio due.Anche tenere traccia dei dati di ciascun soggetto è molto importante. Il metodo fornisce un gran numero di giudizi di somiglianza, quindi è possibile applicare una serie di analisi, come l'analisi dei cluster, l'attenzione al contesto o la modellazione con spazi geometrici diversi.

Research

JoVE Journal

Neuroscience

Organotypic Cerebellar Cultures: Apoptotic Challenges and Detection

Organotipica Culture cerebellare: sfide apoptotiche e rilevamento

Organotypic cultures of neuronal tissue were first introduced by Hogue in 1947 1,2 and have constituted a major breakthrough in the field of neuroscience. ...

Ricerca

Neuroscienze

Reproducible Mouse Sciatic Nerve Crush and Subsequent Assessment of Regeneration by Whole Mount Muscle Analysis

Riproducibile nervo sciatico Crush mouse e successiva valutazione da parte della Rigenerazione intera analisi Muscle Monte

Regeneration in the peripheral nervous system (PNS) is widely studied both for its relevance to human disease and to understand the robust regenerative ...

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

Co-analisi della struttura e delle funzioni cerebrali con fMRI e Diffusion-weighted imaging

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when ...

Visualization and Genetic Manipulation of Dendrites and Spines in the Mouse Cerebral Cortex and Hippocampus using In utero Electroporation

Visualization and Genetic Manipulation of Dendrites and Spines in the Mouse Cerebral Cortex and Hippocampus using In utero Electroporation

Visualizzazione e manipolazione genetica di dendriti e spine nella corteccia cerebrale e nell&#39;ippocampo mouse utilizzando<em&gt; In utero</em&gt; Elettroporazione

In utero electroporation (IUE) has become a powerful technique to study the development of different regions of the embryonic nervous system 1-5. To date ...

A Visual Description of the Dissection of the Cerebral Surface Vasculature and Associated Meninges and the Choroid Plexus from Rat Brain

Una descrizione visiva della dissezione del sistema vascolare di superficie cerebrale e Meningi associate, e del plesso coroide da cervello di ratto

This video presentation was created to show a method of harvesting the two most important highly vascular structures, not residing within the brain ...

A Novel Light Damage Paradigm for Use in Retinal Regeneration Studies in Adult Zebrafish

A Novel Luce Danni Paradigma per l&#39;uso in retina Rigenerazione Studi in Zebrafish adulti

Light-induced retinal degeneration (LIRD) is commonly used in both rodents and zebrafish to damage rod and cone photoreceptors. In adult zebrafish, ...

High-resolution Quantification of Odor-guided Behavior in Drosophila melanogaster Using the Flywalk Paradigm

High-resolution Quantification of Odor-guided Behavior in Drosophila melanogaster Using the Flywalk Paradigm

Ad alta risoluzione quantificazione del comportamento Odor-guidata<em&gt; Drosophila melanogaster</em&gt; Utilizzo della<em&gt; Flywalk</em&gt; Paradigm

In their natural environment, insects such as the vinegar fly Drosophila melanogaster are bombarded with a huge amount of chemically distinct odorants. To ...

Chronic Implantation of Whole-cortical Electrocorticographic Array in the Common Marmoset

Impianto cronico di tutto-corticale Electrocorticographic Array nel Marmoset comune

Electrocorticography (ECoG) allows the monitoring of electrical field potentials from the cerebral cortex with high spatiotemporal resolution. Recent ...

3D Kinematic Analysis for the Functional Evaluation in the Rat Model of Sciatic Nerve Crush Injury

Analisi kinematica 3D per la valutazione funzionale nel modello di ratto di lesioni da schiacciamento del nervo sciatico

Compared to the Sciatic Functional Index (SFI), kinematic analysis is a more reliable and sensitive method for performing functional evaluations of ...

Collection of Frozen Rodent Brain Regions for Downstream Analyses

Raccolta di regioni cerebrali del roditore congelato per analisi a valle

As our understanding of neurobiology has progressed, molecular analyses are often performed on small brain areas such as the medial prefrontal cortex ...