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

Arbeidet støttes av midler fra National Institutes of Health (NIH), tilskudd EY07977. Forfatterne vil også takke Usman Ayyaz for hans hjelp til å teste programvaren, og Muhammad Naeem Ayyaz for hans kommentarer til manuskriptet.

Før eksperimentene starter, gir alle informert samtykke i samsvar med institusjonelle retningslinjer og Helsinkideklarasjonen. I tilfelle av denne studien ble protokollen godkjent av det institusjonelle gjennomgangsstyret til Weill Cornell Medical College.
1. Installasjon og oppsett
<ol><li>Last ned koden fra GitHub-repositoriet, likheter (https://github.com/jvlab/similarities). I kommandolinjen kjører du: git klone https://github.com/jvlab/similarities.git. - Hvi...

<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>

Protokollen som er skissert her er effektiv for å oppnå og analysere likhetsdommer for stimuli som kan presenteres visuelt. Det eksperimentelle paradigmet, analysen og mulige utvidelser diskuteres først, og senere fordelene og ulempene ved metoden.
Eksperimentelt paradigme: Den foreslåtte metoden er demonstrert ved hjelp av et domene på 37 dyrenavn, og det gis et utvalgsdatasett med perseptuelle vurderinger slik at man kan følge analysen i trinn 5 og reprodusere deler av...

Mennesker mentalt behandler og representerer innkommende sensorisk informasjon for å utføre et bredt spekter av oppgaver, for eksempel objektgjenkjenning, navigasjon, slutning om miljøet og mange andre. Likhetsdommer brukes ofte til å granske disse mentale representasjonene1. Forståelse av strukturen av mentale representasjoner kan gi innsikt i organiseringen av konseptuell kunnskap2. Det er også mulig å få innsikt i nevrale beregninger, ved å relatere likhetsvurderinger til hjerneaktiveringsmønstre3. I tillegg avslører likhetsdommer funksjoner som er fremtredende i oppfatning4. Å studere hvordan mentale representasjoner endres under utvikling kan belyse hvordan de læres5. Dermed gir likhetsvurderinger verdifull innsikt i informasjonsbehandling i hjernen.
En vanlig modell for mentale representasjoner ved hjelp av likheter er en geometrisk rommodell6,7,8. Brukt på sensoriske domener, blir denne typen modell ofte referert til som et perseptuelt rom9. Punkter i rommet representerer stimuli og avstander mellom punkter tilsvarer den oppfattede ulikheten mellom dem. Fra likhetsvurderinger kan man oppnå kvantitative estimater av ulikheter. Disse parvis forskjellige (eller perseptuelle avstandene) kan deretter brukes til å modellere det perseptuelle rommet via flerdimensjonal skalering10.
Det er mange metoder for å samle likhetsdommer, hver med sine fordeler og ulemper. Den enkleste måten å oppnå kvantitative mål på ulikhet er å be fagene rangere på en skala graden av ulikhet mellom hvert par stimuli. Selv om dette er relativt raskt, har estimater en tendens til å være ustabile på tvers av lange økter, da emner ikke kan gå tilbake til tidligere dommer, og konteksteffekter, hvis de er til stede, kan ikke oppdages. (Her defineres en konteksteffekt som en endring i den dømte likheten mellom to stimuli, basert på tilstedeværelsen av andre stimuli som ikke sammenlignes.) Alternativt kan bli bedt om å sammenligne alle par stimuli med alle andre par stimuli. Selv om dette ville gi en mer pålitelig rangbestilling av ulikheter, krevde antall sammenligninger skalaer med den fjerde kraften i antall stimuli, noe som gjør det mulig for bare små stimulanssett. Raskere alternativer, som å sortere i et forhåndsdefinert antall klynger11 eller gratis sortering, har sine egne begrensninger. Fri sortering (i et hvilket som helst antall hauger) er intuitivt, men det tvinger emnet til å kategorisere stimuliene, selv om stimuliene ikke lett gir seg til kategorisering. Den nyere multi-arrangementsmetoden, omvendt MDS, omgår mange av disse begrensningene og er veldig effektiv12. Denne metoden krever imidlertid at fagene projiserer sine mentale representasjoner på et 2D euklidsk plan og å vurdere likheter på en bestemt geometrisk måte, noe som gjør antagelsen om at likhetsstruktur kan gjenopprettes fra euklidiske avstander på et plan. Dermed er det fortsatt behov for en effektiv metode for å samle store mengder likhetsvurderinger, uten å gjøre antagelser om geometrien som ligger til grunn for dommene.
Beskrevet her er en metode som både er rimelig effektiv og også unngår de ovennevnte potensielle fallgruvene. Ved å be forsøkspersonene rangere stimuli etter likhet med en sentral referanse i hver studie13, kan relativ likhet undersøkes direkte, uten å anta noe om den geometriske strukturen til fagenes svar. Paradigmet gjentar et delsett av sammenligninger med både identiske og forskjellige sammenhenger, noe som muliggjør direkte vurdering av konteksteffekter samt oppkjøp av graderte svar når det gjelder valgsannsynligheter. Analyseprosedyren dekomponerer disse rangvurderingene i flere parvise sammenligninger og bruker dem til å bygge og søke etter euklidske modeller av perseptuelle rom som forklarer dommene. Metoden er egnet for å beskrive i detalj representasjon av stimulussett av moderate størrelser (f.eks. 19 til 49).
For å demonstrere muligheten for tilnærmingen ble det utført et eksperiment ved hjelp av et sett med 37 dyr som stimuli. Data ble samlet inn i løpet av 10 en-timers økter og deretter analysert separat for hvert emne. Analyse avdekket konsistens på tvers av og ubetydelige konteksteffekter. Det vurderte også konsistens av oppfattede ulikheter mellom stimuli med euklidiske modeller av deres perseptuelle rom. Paradigme- og analyseprosedyrene som er skissert i dette dokumentet er fleksible og forventes å være til nytte for forskere som er interessert i å karakterisere de geometriske egenskapene til en rekke perseptuelle rom.

<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

Likhetsdommer brukes ofte til å studere mentale representasjoner og deres nevrale korrelasjoner. Denne tilnærmingen har blitt brukt til å karakterisere perseptuelle mellomrom i mange domener: farger, objekter, bilder, ord og lyder. Ideelt sett kan det være lurt å sammenligne estimater av oppfattet likhet mellom alle par stimuli, men dette er ofte upraktisk. Hvis man for eksempel ber et emne om å sammenligne likheten mellom to elementer og likheten mellom to andre elementer, vokser antall sammenligninger med den fjerde kraften i stimulanssettstørrelsen. En alternativ strategi er å be om en grad av likheter mellom isolerte par, for eksempel på en Likert-skala. Dette er mye mer effektivt (antall rangeringer vokser kvadratisk med angitt størrelse i stedet for kvartisk), men disse vurderingene har en tendens til å være ustabile og har begrenset oppløsning, og tilnærmingen antar også at det ikke er noen konteksteffekter.
Her presenteres et nytt rangeringsparadigme for effektiv innsamling av likhetsdommer, sammen med en analyserørledning (programvare gitt) som tester om euklidiske avstandsmodeller står for dataene. Typiske studier består av åtte stimuli rundt en sentral referansestimulans: emnet rangerer stimuli i rekkefølge etter deres likhet med referansen. Ved fornuftig utvalg av kombinasjoner av stimuli som brukes i hver studie, har tilnærmingen interne kontroller for konsistens og konteksteffekter. Tilnærmingen ble validert for stimuli trukket fra euklidiske rom på opptil fem dimensjoner. 
Tilnærmingen er illustrert med et eksperiment som måler likheter mellom 37 ord. Hver studie gir resultatene av 28 parvise sammenligninger av skjemaet: "Var en mer lik referansen enn B var til referansen?" Mens direkte sammenligning av alle par stimuli ville ha krevd 221445 forsøk, muliggjør dette designet rekonstruksjon av det perseptuelle rommet fra 5994 slike sammenligninger oppnådd fra 222 studier.

Figur 1A viser en del av en tilstandsfil som genereres av skriptet i trinn 3.3, for ordet eksperiment. Hver rad tilsvarer en prøveversjon. Stimulansen i ref-kolonnen vises midt på displayet. Kolonnenavnene stim1 til stim8 tilsvarer åtte posisjoner langs en sirkel, som går mot klokken, fra posisjonen til høyre for den sentrale referansen. En prøve fra ordet eksperiment vises i figur 1B.
For å demonstrere gjennom...

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

Protokollen presenterer et eksperimentelt psykofysikkparadigme for å oppnå store mengder likhetsdommer, og en tilhørende analysearbeidsflyt. Paradigmet sonderer konteksteffekter og muliggjør modellering av likhetsdata når det gjelder euklidiske rom på minst fem dimensjoner.

Et psykofysikkparadigme for innsamling og analyse av likhetsdommer

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

Dette er en effektiv metode for å samle og analysere likhetsvurderinger, og det antar ikke noe om de geometriske egenskapene til som ligger til grunn for mentale representasjoner. De viktigste fordelene ved metoden er dens fleksibilitet og minimering av forutsetninger om arten av den perseptuelle representasjonen. Typer stimuli og kompleksiteten i forsøk kan varieres, og et bredt spekter av geometriske modeller kan tilpasses dataene.Denne metoden kan være nyttig for forskere som er interessert i å karakterisere de mentale representasjonene av lave og høye aspekter ved visuelle stimuli. Velg et eksperiment som skal kjøres. Naviger til ordet eksperiment ved å klikke likheter, eksperimentere, deretter word_exp eller til bildeeksperimentet ved å klikke likheter, deretter eksperimentere og deretter image_exp.Fullfør de eksperimentelle stimuliene. Hvis ordet eksperiment kjøres, klargjør du en liste over ord. Og for bildeeksperimentet, lag en ny katalog og plasser alle stimulusbildene i den.Finn konfigurasjonsfilen som heter config, i eksperimentkatalogen. yaml ved å klikke likheter, deretter eksperimenter, og deretter config.yaml. Åpne filen i et redigeringsprogram for kildekode, og oppdater verdien for filvariabelen til banen til mappen som inneholder stimulanssettet.Det er her PsychoPy vil se etter bildestimuli. Opprett prøvekonfigurasjoner ved å åpne konfigurasjonen. yaml-filen i analysemappen, og angi deretter verdien for parameteren path_2_stimulus_list til banen til stimuli.txt.Fra likhetskatalogen kjører du skriptet ved å utføre kommandoene som vises i vinduet etter hverandre. Dette oppretter en fil som heter trial_conditions. csv i likheter der hver rad inneholder navnene på stimuliene som vises i en prøve sammen med deres posisjoner.Bryt hele settet med 222 forsøk generert i økter, og tilfeldiggjør prøverekkefølgen ved å utføre kommandoene som vises i vinduet. I den typiske designen består økter av 111 prøveversjoner, som hver krever omtrent en time å kjøre. Når du blir bedt om det, angir du inndataparameterne som vises.Gi nytt navn til og lagre hver av de genererte filene som betingelser. csv i sin egen katalog. Kopier betingelsene.csv-filen og lim den inn i den gjeldende katalogen som inneholder psyexp-filen. Åpne PsychoPy og åpne psyexp- eller py-filen i den relevante eksperimentkatalogen. I PsychoPy klikker du på den grønne avspillingsknappen for å kjøre eksperimentet.Skriv inn emnenavnet eller IDen og øktnummeret i det modale popup-vinduet, og klikk OK for å starte. Instruksjoner vises i begynnelsen av hver økt. La emnet få omtrent en time til å fullføre oppgaven, og ettersom oppgaven er i eget tempo, kan du oppfordre fagene til å ta pauser om nødvendig.Når alle øktene er fullført, kombinerer du RAW-datafilene og formaterer dem på nytt i én enkelt JSON-fil for videre behandling ved å kjøre forhåndsbehandling. py i terminalen ved hjelp av kommandoene som er synlige på skjermen. Når du blir bedt om det, skriver du inn de forespurte inndataparameterne, inkludert banen til emnedatakatalogen, emne-IDer for å forhåndsbehandle dataene og eksperimentnavnet som brukes til å navngi utdatafilen, og trykk deretter ENTER.Dette vil opprette en JSON-fil i utdatamappen som kombinerer svar på tvers av repetisjoner for hver prøveversjon. For å bestemme de parvise valgsannsynlighetene fra rangeringsordrevurderinger, gå til likheter, analyser og kjør describe_data. py på kommandolinjen.Når du blir bedt om det, angir du banen til emnedata og listen over emner som skal kjøres analysen. Dette vil skape tre typer tomter. Generer lavdimensjonale euklidske modeller av de perseptuelle områdene ved hjelp av valgsannsynlighetene ved å kjøre model_fitting.ved hjelp av kommandolinjen som vises på skjermen. Når du blir bedt om det, angir du inngangene for katalogen til emnedataene /forhåndsbehandlet, antall stimuli, som vil være 37 som standard, antall gjentakelser, utdatakatalogen og mengden gaussisk støy, som vil være 0,18 som standard. Visualiser loggsannsynligheten til de oppnådde modellene og vurder passformen ved å kjøre likheter, analyse, model_fitting_figure.py.Når du blir bedt om det, skriver du inn den nødvendige banen til CSV-filene som inneholder loggsannsynligheter. Visualiser de perseptuelle områdene for hvert emne og generer punktplott som viser punktene fra 5D-modellen som projiseres på de to første prinsippkomponentene, ved å kjøre kommandoene som vises. Når du blir bedt om det, angir du inndataparameterne og banen til NPY-filen som inneholder 5D-punktene.Når skriptet er kjørt, avslutter du det virtuelle miljøet. I filen som genereres for ordet eksperiment, tilsvarer den første raden en studie der åtte stimuli vises rundt referansestimulansapen. Rangdommene ble dekomponert til parvise valg.Fordelingen av valgsannsynligheter var svært konsistent på tvers av fagene. Dataklyngen nær diagonalen i hvert panel indikerer mye konsistens i valgsannsynlighetene mellom fagene og for de vurderingene som ikke er ekstreme. Den dominerende diagonalen angir at valgsannsynlighetene i de to kontekstene, inkludert mellomvalgssannsynlighetene mellom null og én, er nær identiske for hvert emne.Loggsannsynlighetene vises i forhold til loggsannsynligheten for den beste modellen, det vil være en modell som tilordner den observerte valgsannsynligheten til hver sammenligning uten å begrense disse sannsynlighetene ved geometrisk vurdering. Prinsippkomponentanalyse ble utført på punktene fra 5D-modellen av det perseptuelle rommet der dyrene oppfattet som like ble betegnet av punkter i nærheten av hverandre. Det er viktig å bestemme seg for alle parametere når du designer et eksperiment og å sette dem i konfigurasjonsfilene før du begynner trinn to.Det er også svært viktig å holde nøye oversikt over hvert emnes data. Metoden gir et stort antall likhetsvurderinger, slik at en rekke analyser kan brukes, for eksempel klyngeanalyse, fokus på kontekst eller modellering med forskjellige geometriske rom.

Research

JoVE Journal

Neuroscience

Organotypic Cerebellar Cultures: Apoptotic Challenges and Detection

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. ...

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

Reproduserbar Mouse hoftenervene Crush og påfølgende vurdering av Regeneration av Whole Mount Muscle Analysis

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

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

Visualisering og genetisk manipulering av dendritter og pigger i Mus hjernebarken og hippocampus hjelp<em&gt; I fosterlivet</em&gt; Electroporation

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

A Visual Beskrivelse av Dissection av Cerebral Surface blodkar og Associated hjernehinnene og årehinnen plexus fra Rat Brain

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 Lett Skade Paradigm for bruk i Retinal Regeneration Studies in Adult sebrafisk

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

Høyoppløselig Kvantifisering av Lukt styrt Atferd<em&gt; Drosophila melanogaster</em&gt; Bruke<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

Kronisk implantering av hele-kortikale Electrocorticographic matrise i den vanlige Marmoset

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

3D kinematisk analyse for funksjonell evaluering i rottemodellen av siattisk nerveknuseskade

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

Samling av frosne gnagerhjerneregioner for nedstrøms analyser

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