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

Работа поддерживается финансированием Национальных институтов здравоохранения (NIH), грантом EY07977. Авторы также хотели бы поблагодарить Усмана Айяза за помощь в тестировании программного обеспечения и Мухаммада Наима Айяза за его комментарии к рукописи.

Перед началом экспериментов все испытуемые дают информированное согласие в соответствии с институциональными руководящими принципами и Хельсинкской декларацией. В случае этого исследования протокол был одобрен институциональным наблюдательным советом Медицинского колледжа Вайля...

<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>

Протокол, изложенный здесь, эффективен для получения и анализа суждений о сходстве для стимулов, которые могут быть представлены визуально. Сначала обсуждаются экспериментальная парадигма, анализ и возможные расширения, а затем преимущества и недостатки метода.
Эк?...

Люди мысленно обрабатывают и представляют поступающую сенсорную информацию для выполнения широкого спектра задач, таких как распознавание объектов, навигация, делание выводов об окружающей среде и многие другие. Суждения о подобии обычно используются для исследования этих ментальных представлений1. Понимание структуры ментальных представлений может дать представление об организации концептуального знания2. Также можно получить представление о нейронных вычислениях, связав суждения о сходстве с паттернами активации мозга3. Кроме того, суждения о подобии выявляют особенности, которые являются заметными в восприятии4. Изучение того, как ментальные представления изменяются во время развития, может пролить свет на то, как они усваиваются5. Таким образом, суждения о сходстве дают ценное представление об обработке информации в мозге.
Распространенной моделью ментальных представлений, использующих сходства, является геометрическая модель пространства6,7,8. Применительно к сенсорным областям этот вид модели часто называют перцептивным пространством9. Точки в пространстве представляют собой раздражители, а расстояния между точками соответствуют воспринимаемому несходству между ними. Из суждений о сходстве можно получить количественные оценки различий. Эти попарные различия (или расстояния восприятия) затем могут быть использованы для моделирования пространства восприятия с помощью многомерного масштабирования10.
Существует множество методов сбора суждений о сходстве, каждый со своими преимуществами и недостатками. Самый простой способ получить количественные показатели несходства состоит в том, чтобы попросить испытуемых оценить по шкале степень несходства между каждой парой стимулов. Хотя это относительно быстро, оценки, как правило, нестабильны в течение длительных сессий, поскольку субъекты не могут вернуться к предыдущим суждениям, а контекстные эффекты, если они присутствуют, не могут быть обнаружены. (Здесь контекстный эффект определяется как изменение предполагаемого сходства между двумя стимулами, основанное на наличии других стимулов, которые не сравниваются.) В качестве альтернативы испытуемых можно попросить сравнить все пары стимулов со всеми другими парами стимулов. Хотя это дало бы более надежное ранжирование различий, количество сравнений требовало шкал с четвертой степенью числа стимулов, что делало возможным только небольшие наборы стимулов. Более быстрые альтернативы, такие как сортировка по заданному количеству кластеров11 или бесплатная сортировка, имеют свои ограничения. Свободная сортировка (на любое количество куч) интуитивно понятна, но она заставляет субъекта классифицировать стимулы, даже если стимулы нелегко поддаются категоризации. Более поздний метод с несколькими компоновками, обратный MDS, обходит многие из этих ограничений и очень эффективен12. Однако этот метод требует, чтобы испытуемые проецировали свои ментальные представления на 2D-евклидову плоскость и рассматривали сходства определенным геометрическим образом, делая предположение, что структура подобия может быть восстановлена из евклидовых расстояний на плоскости. Таким образом, сохраняется потребность в эффективном методе сбора большого количества суждений о сходстве, не делая предположений о геометрии, лежащей в основе суждений.
Здесь описан метод, который является достаточно эффективным, а также позволяет избежать вышеуказанных потенциальных ловушек. Попросив испытуемых ранжировать стимулы в порядке сходства с центральной ссылкой в каждом испытании13, можно исследовать относительное сходство напрямую, не предполагая ничего о геометрической структуре ответов испытуемых. Парадигма повторяет подмножество сравнений как с идентичными, так и с различными контекстами, что позволяет непосредственно оценивать контекстные эффекты, а также получать градуированные ответы с точки зрения вероятностей выбора. Процедура анализа разлагает эти ранговые суждения на несколько попарных сравнений и использует их для построения и поиска евклидовых моделей перцептивных пространств, которые объясняют суждения. Метод подходит для подробного описания представления наборов стимулов умеренных размеров (например, от 19 до 49).
Чтобы продемонстрировать целесообразность подхода, был проведен эксперимент, использующий в качестве стимулов набор из 37 животных. Данные собирались в течение 10 часовых сессий, а затем анализировались отдельно для каждого субъекта. Анализ выявил согласованность между субъектами и незначительные контекстные эффекты. Он также оценил согласованность воспринимаемых различий между стимулами с евклидовыми моделями их перцептивных пространств. Парадигма и процедуры анализа, изложенные в этой статье, являются гибкими и, как ожидается, будут полезны для исследователей, заинтересованных в характеристике геометрических свойств ряда перцептивных пространств.

<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

Суждения о подобии обычно используются для изучения ментальных представлений и их нейронных коррелятов. Этот подход использовался для характеристики пространств восприятия во многих областях: цвета, объекты, изображения, слова и звуки. В идеале можно было бы сравнить оценки воспринимаемого сходства между всеми парами стимулов, но это часто непрактично. Например, если попросить субъекта сравнить сходство двух предметов с сходством двух других предметов, число сравнений увеличивается с четвертой степенью размера набора стимулов. Альтернативная стратегия состоит в том, чтобы спросить субъекта оценить сходство изолированных пар, например, по шкале Лайкерта. Это гораздо более эффективно (количество рейтингов растет квадратично с размером набора, а не квартически), но эти рейтинги, как правило, нестабильны и имеют ограниченное разрешение, и подход также предполагает, что нет контекстных эффектов.
Здесь представлена новая парадигма ранжирования для эффективного сбора суждений о подобии, а также конвейер анализа (предоставляемый программным обеспечением), который проверяет, учитывают ли данные модели евклидовых расстояний. Типичные испытания состоят из восьми стимулов вокруг центрального эталонного стимула: субъект ранжирует стимулы в порядке их сходства с референтным. Благодаря разумному выбору комбинаций стимулов, используемых в каждом испытании, подход имеет внутренний контроль для согласованности и контекстных эффектов. Подход был одобрен для стимулов, взятых из евклидовых пространств до пяти измерений. 
Подход проиллюстрирован экспериментом, измеряющим сходство между 37 словами. Каждое испытание дает результаты 28 парных сравнений формы: «Было ли A более похоже на ссылку, чем B на ссылку?» Хотя непосредственное сравнение всех пар пар стимулов потребовало бы 221445 испытаний, эта конструкция позволяет реконструировать пространство восприятия из 5994 таких сравнений, полученных из 222 испытаний.

На рисунке 1A показана часть файла условий, сгенерированного скриптом на шаге 3.3, для слова эксперимент. Каждая строка соответствует пробной версии. Стимул в столбце ref отображается в центре дисплея. Названия столбцов от stim1 до stim8 соответствуют восьми позициям вдоль круг?...

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

Протокол представляет экспериментальную психофизическую парадигму для получения большого количества суждений о сходстве и сопутствующий рабочий процесс анализа. Парадигма исследует контекстные эффекты и позволяет моделировать данные подобия в терминах евклидовых пространств по меньшей мере пяти измерений.

Психофизическая парадигма для сбора и анализа суждений о сходстве

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

Это эффективный метод сбора и анализа суждений о сходстве, и он ничего не предполагает о геометрических свойствах субъектов, лежащих в основе ментальных представлений. Основными преимуществами метода являются его гибкость и минимизация предположений о природе перцептивного представления. Виды стимулов и сложность испытаний могут быть разнообразными, и широкий спектр геометрических моделей может быть адаптирован к данным.Этот метод может быть полезен исследователям, заинтересованным в характеристике ментальных представлений о низкоуровневых и высокоуровневых аспектах визуальных стимулов. Выберите эксперимент для запуска. Перейдите к слову эксперимент, щелкнув сходство, затем эксперименты, затем word_exp, или к эксперименту с изображением, щелкнув сходство, затем эксперименты, а затем image_exp.Доработайте экспериментальные стимулы. Если выполняется эксперимент со словом, подготовьте список слов. А для эксперимента с изображениями сделайте новый каталог и поместите в него все стимулирующие изображения.В каталоге experiments найдите файл конфигурации с именем config. yaml, щелкнув Сходство, затем эксперименты, а затем config.yaml. Откройте файл в редакторе исходного кода и обновите значение переменной файла до пути к каталогу, содержащему набор стимулов.Именно здесь PsychoPy будет искать стимулы изображения. Создайте конфигурации пробной версии, открыв конфигурацию. yaml файл в каталоге analysis, затем задайте для параметра path_2_stimulus_list значение пути к stimuli.txt.Из каталога similarities запустите скрипт, выполнив команды, отображаемые в окне одну за другой. При этом создается файл с именем trial_conditions. csv в сходствах, в которых каждая строка содержит названия стимулов, появляющихся в испытании вместе с их позициями.Разбейте полный набор из 222 сгенерированных испытаний на сеансы и рандомизируйте порядок испытаний, выполнив команды, отображаемые в окне. В типичном дизайне сеансы состоят из 111 испытаний, каждое из которых требует примерно одного часа для выполнения. При появлении запроса введите отображаемые входные параметры.Переименуйте и сохраните каждый из созданных файлов в качестве условий. csv в собственном каталоге. Скопируйте условия.csv-файл и вставьте его в текущий каталог, содержащий файл psyexp. Откройте PsychoPy и откройте файл psyexp или py в соответствующем каталоге экспериментов. В PsychoPy нажмите на зеленую кнопку воспроизведения, чтобы запустить эксперимент.Во всплывающем окне модального направления введите имя субъекта или идентификатор и номер сеанса и нажмите кнопку ОК, чтобы начать. Инструкции будут отображаться в начале каждого сеанса. Дайте испытуемому около часа, чтобы выполнить задачу, и, поскольку задача выполняется самостоятельно, поощряйте испытуемых делать перерывы, если это необходимо.После завершения всех сеансов объедините необработанные файлы данных и переформатируйте их в один JSON-файл для дальнейшей обработки, запустив препроцесс. py в терминале с помощью команд, видимых на экране. При появлении запроса введите запрошенные входные параметры, включая путь к каталогу данных субъекта, идентификаторы субъектов для предварительной обработки данных и имя эксперимента, используемое для присвоения имени выходному файлу, затем нажмите клавишу ВВОД.Это создаст JSON-файл в выходном каталоге, который объединяет ответы на повторы для каждой пробной версии. Чтобы определить вероятности парного выбора из суждений рангового порядка, перейдите к сходствам, затем проанализируйте и запустите describe_data. py в командной строке.При появлении запроса введите путь к данным субъекта и список субъектов для выполнения анализа. Это позволит создать три вида сюжетов. Генерация низкоразмерных евклидовых моделей перцептивных пространств с использованием вероятностей выбора путем запуска model_fitting.py с помощью командной строки, отображаемой на экране. При появлении запроса укажите входные данные для каталога для subject-data/preprocessed, количество стимулов, которое по умолчанию будет равно 37, количество итераций, выходной каталог и количество гауссовского шума, которое по умолчанию будет 0,18. Визуализируйте логарифмическую вероятность полученных моделей и оцените их соответствие, выполнив сходство, анализ model_fitting_figure.py.При появлении запроса введите необходимый путь к CSV-файлам, содержащим вероятность журнала. Визуализируйте пространства восприятия для каждого объекта и генерируйте точечные диаграммы, показывающие точки из 5D-модели, проецируемые на первые два основных компонента, выполняя отображаемые команды. При появлении запроса введите входные параметры и путь к файлу NPY, содержащему точки 5D.После выполнения скрипта выйдите из виртуальной среды. В файле, сгенерированном для слова эксперимент, первая строка соответствует испытанию, в котором восемь стимулов появляются вокруг эталонного стимула обезьяны. Ранговые суждения были разложены на парные выборы.Распределение вероятностей выбора было очень последовательным по испытуемым. Кластеризация данных вблизи диагонали в каждой панели указывает на большую согласованность в вероятностях выбора между субъектами и для суждений, которые не являются экстремальными. Доминирующая диагональ указывает на то, что вероятности выбора в двух контекстах, включая промежуточные вероятности выбора между нулем и единицей, близки к идентичным для каждого субъекта.Логарифмические вероятности показаны относительно логарифмической вероятности наилучшей модели, то есть модели, которая присваивает наблюдаемую вероятность выбора каждому сравнению, не ограничивая эти вероятности каким-либо геометрическим соображением. Принципиальный компонентный анализ проводился на точках из 5D-модели пространства восприятия, где животные, воспринимаемые как похожие, обозначались точками рядом друг с другом. Очень важно определиться со всеми параметрами при разработке эксперимента и задать их в конфигурационных файлах перед началом второго шага.Тщательное отслеживание данных каждого субъекта также очень важно. Метод обеспечивает большое количество суждений о подобии, поэтому может быть применен ряд анализов, таких как кластерный анализ, фокус на контексте или моделирование с различными геометрическими пространствами.

Research

JoVE Journal

Neuroscience

Organotypic Cerebellar Cultures: Apoptotic Challenges and Detection

Органотипической мозжечка культур: проблемы и апоптоза Обнаружение

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

Воспроизводимые мыши седалищного нерва и Давка Последующие оценки регенерации полного анализа горы мышц

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-анализ структуры и функционирования мозга использованием МРТ и диффузно-взвешенных изображений

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

Визуализация и генетических манипуляций дендритов и шипы в мышь коры головного мозга и гиппокамп использования<em&gt; Внутриутробное</em&gt; Электропорация

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

Визуальное описание вскрытия головного сосудистой поверхности и связанного с мозговых оболочек и сосудистых сплетений из мозга крысы

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

Роман Paradigm причинение легкого для использования в сетчатке Исследования Регенерация в взрослых данио рерио

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

Высокое разрешение Количественное запаха, руководствуясь поведения в<em&gt; Дрозофилы</em&gt; Использование<em&gt; Flywalk</em&gt; Парадигма

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

Хронический имплантации целом корковых Electrocorticographic массива в общей игрунка

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 кинематический анализ для функциональной оценки в Крыса Модель Сиатический нерв Давка травмы

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

Коллекция замороженных регионов мозга грызунов для анализа вниз по течению

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