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

Çalışma, Ulusal Sağlık Enstitüleri'nin (NIH) finansmanıyla destekleniyor, hibe EY07977. Yazarlar ayrıca yazılımı test etmedeki yardımı için Usman Ayyaz'a ve el yazması hakkındaki yorumları için Muhammed Naeem Ayyaz'a teşekkür eder.

Deneylere başlamadan önce, tüm denekler kurumsal yönergelere ve Helsinki Deklarasyonu'na uygun olarak bilgilendirilmiş onam sağlar. Bu çalışma durumunda, protokol Weill Cornell Tıp Koleji'nin kurumsal inceleme kurulu tarafından onaylanmıştır.
1. Kurulum ve kurulum
<ol><li>GitHub deposundan kodu indirin, benzerlikler (https://github.com/jvlab/similarities). Komut satırında şunu çalıştırın: git clone https://github.com/jvlab/similarities.git. - G...

<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>

Burada özetlenen protokol, görsel olarak sunulabilecek uyaranlar için benzerlik yargılarının elde edilmesi ve analiz edilmesinde etkilidir. Deneysel paradigma, analiz ve olası uzantılar, daha sonra yöntemin avantaj ve dezavantajları tartışılmaktadır.
Deneysel paradigma: Önerilen yöntem, 37 hayvan adından oluşan bir etki alanı kullanılarak gösterilmiştir ve 5. adımdaki analizi takip edebilmeniz ve Şekil <str...

İnsanlar, nesne tanıma, navigasyon, çevre hakkında çıkarımlarda bulunma ve diğerleri gibi çok çeşitli görevleri yerine getirmek için gelen duyusal bilgileri zihinsel olarak işler ve temsil eder. Benzerlik yargıları, bu zihinsel temsilleri araştırmak için yaygın olarak kullanılır1. Zihinsel temsillerin yapısını anlamak, kavramsal bilginin organizasyonu hakkında fikir verebilir2. Benzerlik yargılarını beyin aktivasyon kalıplarıyla ilişkilendirerek sinirsel hesaplamalar hakkında fikir edinmek de mümkündür3. Ek olarak, benzerlik yargıları algıda göze çarpan özellikleri ortaya koymaktadır4. Zihinsel temsillerin gelişim sırasında nasıl değiştiğini incelemek, nasıl öğrenildiklerine ışık tutabilir5. Bu nedenle, benzerlik yargıları beyindeki bilgi işleme konusunda değerli bilgiler sağlar.
Benzerlikleri kullanan zihinsel temsillerin ortak bir modeli, geometrik bir uzay modelidir6,7,8. Duyusal alanlara uygulanan bu tür bir model genellikle algısal alan olarak adlandırılır9. Uzaydaki noktalar uyaranları temsil eder ve noktalar arasındaki mesafeler, aralarındaki algılanan farklılığa karşılık gelir. Benzerlik yargılarından, benzerliklerin nicel tahminleri elde edilebilir. Bu ikili farklılıklar (veya algısal mesafeler) daha sonra çok boyutlu ölçeklendirme yoluyla algısal uzayı modellemek için kullanılabilir10.
Her biri avantajları ve dezavantajları olan benzerlik yargılarını toplamak için birçok yöntem vardır. Niceliksel farklılık ölçümleri elde etmenin en basit yolu, deneklerden her bir uyaran çifti arasındaki farklılığın derecesini bir ölçekte derecelendirmelerini istemektir. Bu nispeten hızlı olsa da, denekler önceki yargılara geri dönemedikleri ve varsa bağlam etkileri tespit edilemediği için tahminler uzun oturumlarda kararsız olma eğilimindedir. (Burada, bir bağlam etkisi, karşılaştırılmayan diğer uyaranların varlığına dayanarak, iki uyaran arasındaki değerlendirilen benzerlikteki bir değişiklik olarak tanımlanır.) Alternatif olarak, deneklerden tüm uyaran çiftlerini diğer tüm uyaran çiftleriyle karşılaştırmaları istenebilir. Bu, farklılıkların daha güvenilir bir sıralama sıralaması sağlarken, karşılaştırmaların sayısı, uyaran sayısının dördüncü gücü ile ölçeklendirilmesini gerektirdi ve bu da onu yalnızca küçük uyaran kümeleri için uygun hale getirdi. Önceden tanımlanmış sayıda kümeye11 sıralama veya serbest sıralama gibi daha hızlı alternatiflerin kendi sınırlamaları vardır. Serbest sıralama (herhangi bir sayıda yığın halinde) sezgiseldir, ancak uyaranlar kendilerini kolayca kategorize etmese bile, özneyi uyaranları kategorize etmeye zorlar. Daha yeni çoklu düzenleme yöntemi olan ters MDS, bu sınırlamaların çoğunu aşar ve çok verimlidir12. Bununla birlikte, bu yöntem, deneklerin zihinsel temsillerini bir 2B Öklid düzlemine yansıtmalarını ve benzerlikleri belirli bir geometrik şekilde göz önünde bulundurmalarını gerektirir ve benzerlik yapısının bir düzlemdeki Öklid mesafelerinden kurtarılabileceği varsayımını yapar. Bu nedenle, yargıların altında yatan geometri hakkında varsayımlarda bulunmadan, büyük miktarda benzerlik yargısı toplamak için etkili bir yönteme ihtiyaç vardır.
Burada açıklanan, hem makul derecede verimli hem de yukarıdaki potansiyel tuzaklardan kaçınan bir yöntemdir. Deneklerden uyaranları her denemede merkezi bir referansa benzerlik sırasına göre sıralamaları istenerek13, göreceli benzerlik, deneklerin yanıtlarının geometrik yapısı hakkında hiçbir şey varsaymadan doğrudan incelenebilir. Paradigma, hem özdeş hem de farklı bağlamlarla karşılaştırmaların bir alt kümesini tekrarlayarak, bağlam etkilerinin doğrudan değerlendirilmesine ve seçim olasılıkları açısından derecelendirilmiş yanıtların elde edilmesine olanak tanır. Analiz prosedürü, bu rütbe yargılarını çoklu çift karşılaştırmalara ayrıştırır ve bunları, yargıları açıklayan algısal alanların Öklid modellerini oluşturmak ve aramak için kullanır. Yöntem, orta büyüklükteki uyaran kümelerinin temsilini ayrıntılı olarak tanımlamak için uygundur (örneğin, 19 ila 49).
Yaklaşımın fizibilitesini göstermek için, uyaran olarak 37 hayvandan oluşan bir set kullanılarak bir deney yapıldı. Veriler 10 adet bir saatlik seans boyunca toplandı ve daha sonra her bir denek için ayrı ayrı analiz edildi. Analiz, denekler arasında tutarlılık ve ihmal edilebilir bağlam etkileri ortaya koydu. Ayrıca, uyaranlar ile algısal alanlarının Öklid modelleri arasındaki algılanan farklılıkların tutarlılığını değerlendirdi. Bu makalede özetlenen paradigma ve analiz prosedürleri esnektir ve bir dizi algısal uzayın geometrik özelliklerini karakterize etmek isteyen araştırmacılar için yararlı olması beklenmektedir.

<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

Benzerlik yargıları, zihinsel temsilleri ve bunların nöral korelasyonlarını incelemek için yaygın olarak kullanılır. Bu yaklaşım, birçok alandaki algısal alanları karakterize etmek için kullanılmıştır: renkler, nesneler, görüntüler, kelimeler ve sesler. İdeal olarak, tüm uyaran çiftleri arasında algılanan benzerlik tahminlerini karşılaştırmak istenebilir, ancak bu genellikle pratik değildir. Örneğin, bir deneğe iki öğenin benzerliğini diğer iki öğenin benzerliğiyle karşılaştırmasını isterse, karşılaştırmaların sayısı uyaran kümesi boyutunun dördüncü gücüyle artar. Alternatif bir strateji, bir deneğe izole edilmiş çiftlerin benzerliklerini derecelendirmesini istemektir, örneğin bir Likert ölçeğinde. Bu çok daha verimlidir (derecelendirme sayısı çeyrek olarak değil, ayarlanan boyutla dörtlü olarak artar), ancak bu derecelendirmeler kararsız olma eğilimindedir ve sınırlı çözünürlüğe sahiptir ve yaklaşım ayrıca bağlam etkisinin olmadığını varsayar.
Burada, benzerlik yargılarının verimli bir şekilde toplanması için yeni bir sıralama paradigması ve Öklid mesafe modellerinin verileri hesaba katıp katmadığını test eden bir analiz boru hattı (yazılım sağlanmıştır) sunulmaktadır. Tipik denemeler, merkezi bir referans uyaranı etrafında sekiz uyarandan oluşur: özne, uyaranları referansa benzerliklerine göre sıralar. Her denemede kullanılan uyaran kombinasyonlarının makul seçimiyle, yaklaşımın tutarlılık ve bağlam etkileri için iç kontrolleri vardır. Yaklaşım, beş boyuta kadar olan Öklid uzaylarından alınan uyaranlar için doğrulandı. 
Yaklaşım, 37 kelime arasındaki benzerlikleri ölçen bir deneyle gösterilmiştir. Her deneme, "A, referansa, B'nin referansa olduğundan daha mı benzerdi?" formunun 28 çift karşılaştırmasının sonuçlarını verir. Tüm uyaran çiftlerinin doğrudan karşılaştırılması 221445 denemeleri gerektirmiş olsa da, bu tasarım, 222 denemeden elde edilen 5994 karşılaştırmadan algısal uzayın yeniden yapılandırılmasını sağlar.

Şekil 1A, deneme sözcüğü için adım 3.3'te komut dosyası tarafından oluşturulan bir koşul dosyasının bir bölümünü gösterir. Her satır bir deneme sürümüne karşılık gelir. Ref sütunundaki uyaran ekranın ortasında görünür. Stim1'den stim8'e kadar olan sütun adları, merkezi referansın sağındaki konumdan başlayarak saat yönünün tersine çalışan bir daire boyunca sekiz konuma karşılık gelir. Kelime deneyinden örnek bir deneme Şekil...

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

Protokol, büyük miktarlarda benzerlik yargıları elde etmek için deneysel bir psikofizik paradigması ve buna eşlik eden bir analiz iş akışı sunar. Paradigma, bağlam etkilerini araştırır ve benzerlik verilerinin en az beş boyutlu Öklid uzayları açısından modellenmesini sağlar.

Benzerlik Yargılarının Toplanması ve Analizi için Bir Psikofizik Paradigması

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

Bu, benzerlik yargılarını toplamak ve analiz etmek için etkili bir yöntemdir ve zihinsel temsillerin altında yatan konuların geometrik özellikleri hakkında hiçbir şey varsaymaz. Yöntemin temel avantajları, esnekliği ve algısal temsilin doğası hakkındaki varsayımların en aza indirilmesidir. Uyaran türleri ve denemelerin karmaşıklığı değişebilir ve verilere çok çeşitli geometrik modeller sığdırılabilir.Bu yöntem, görsel uyaranların düşük ve üst düzey yönlerinin zihinsel temsillerini karakterize etmekle ilgilenen araştırmacılar için yararlı olabilir. Çalıştırılacak bir deneme seçin. Benzerlikler'i, ardından denemeler'i, ardından word_exp'i tıklayarak kelime denemesine veya benzerlikleri, ardından denemeler'i ve ardından image_exp'yi tıklayarak resim denemesine gidin.Deneysel uyaranları sonlandırın. Deneme sözcüğü çalıştırılıyorsa bir sözcük listesi hazırlayın. Görüntü deneyi için yeni bir dizin oluşturun ve tüm uyaran görüntülerini içine yerleştirin.Denemeler dizininde, config adlı yapılandırma dosyasını bulun. benzerliklere, ardından denemelere ve ardından config.yaml'a tıklayarak yaml. Dosyayı bir kaynak kodu düzenleyicisinde açın ve dosya değişkeninin değerini, uyaran kümesini içeren dizinin yoluna güncelleştirin.PsychoPy'nin görüntü uyaranlarını arayacağı yer burasıdır. Yapılandırmayı açarak deneme yapılandırmaları oluşturun. analiz dizininde yaml dosyasını açın, ardından path_2_stimulus_list parametresinin değerini stimuli.txt yoluna ayarlayın.Benzerlikler dizininden, pencerede görüntülenen komutları birbiri ardına yürüterek komut dosyasını çalıştırın. Bu, trial_conditions adlı bir dosya oluşturur. Her satırın bir denemede görünen uyaranların adlarını konumlarıyla birlikte içerdiği benzerliklerde csv.Oluşturulan 222 denemenin tamamını oturumlara ayırın ve pencerede görüntülenen komutları yürüterek deneme sırasını rastgele hale getirin. Tipik tasarımda, oturumlar her biri yaklaşık bir saat süren 111 denemeden oluşur. İstendiğinde, görüntülenen giriş parametrelerini girin.Oluşturulan dosyaların her birini koşul olarak yeniden adlandırın ve kaydedin. csv kendi dizininde. Koşulları kopyalayın.csv dosyasını açın ve psyexp dosyasını içeren geçerli dizine yapıştırın. PsychoPy'yi açın ve psyexp veya py dosyasını ilgili deneyler dizininde açın. PsychoPy'da, denemeyi çalıştırmak için yeşil oynat düğmesine tıklayın.Kalıcı açılır pencerede, konu adını veya kimliği ve oturum numarasını girin ve başlamak için Tamam'ı tıklatın. Talimatlar her oturumun başında görüntülenecektir. Konunun görevi tamamlamasına yaklaşık bir saat izin verin ve görev kendi kendine ilerlediğinden, gerekirse denekleri mola vermeye teşvik edin.Tüm oturumlar tamamlandıktan sonra, ham veri dosyalarını birleştirin ve ön işlemi çalıştırarak daha fazla işlem için bunları tek bir JSON dosyasında yeniden biçimlendirin. Ekranda görünen komutları kullanarak terminalde py. İstendiğinde, konu veri dizininin yolu, verileri önceden işlemek için konu kimlikleri ve çıktı dosyasını adlandırmak için kullanılan deneme adı dahil olmak üzere istenen giriş parametrelerini girin ve Enter tuşuna basın.Bu, çıktı dizininde, her deneme için tekrarlar arasındaki yanıtları birleştiren bir JSON dosyası oluşturur. Rütbe sırası yargılarından çift yönlü seçim olasılıklarını belirlemek için, benzerliklere gidin, sonra analiz edin ve describe_data çalıştırın. py komut satırında.İstendiğinde, konu verilerinin yolunu ve analizi çalıştıracak konuların listesini girin. Bu üç tür arsa yaratacaktır. model_fitting çalıştırarak seçim olasılıklarını kullanarak algısal uzayların düşük boyutlu Öklid modellerini oluşturun.py ekranda görüntülenen komut satırını kullanarak. İstendiğinde, dizinin girişlerini özne-verisine/önceden işlenene, varsayılan olarak 37 olacak uyaran sayısını, yineleme sayısını, çıkış dizinini ve varsayılan olarak 0,18 olacak Gauss gürültüsü miktarını sağlayın. Elde edilen modellerin günlük olasılığını görselleştirin ve benzerlikler, analizler model_fitting_figure.py çalıştırarak uyumlarını değerlendirin.İstendiğinde, günlük olasılıklarını içeren CSV dosyalarının gerekli yolunu girin. Her konu için algısal alanları görselleştirin ve görüntülenen komutları çalıştırarak ilk iki temel bileşene yansıtılan 5B modeldeki noktaları gösteren dağılım grafikleri oluşturun. İstendiğinde, giriş parametrelerini ve 5B noktaları içeren NPY dosyasının yolunu girin.Komut dosyası yürütüldükten sonra sanal ortamdan çıkın. Deney kelimesi için oluşturulan dosyada, ilk satır, referans uyaran maymununun etrafında sekiz uyaranın göründüğü bir denemeye karşılık gelir. Rütbe yargıları çift yönlü seçimlere ayrıştırıldı.Seçim olasılıklarının dağılımı, denekler arasında oldukça tutarlıydı. Her paneldeki köşegenin yakınında veri kümelenmesi, denekler arasındaki seçim olasılıklarında ve aşırı uçlarda olmayan yargılarda büyük bir tutarlılık olduğunu gösterir. Baskın köşegen, sıfır ile bir arasındaki ara seçim olasılıkları da dahil olmak üzere iki bağlamdaki seçim olasılıklarının, her konu için özdeş olmaya yakın olduğunu gösterir.Günlük olasılıkları, en iyi modelin günlük olasılığına göre gösterilir; bu, gözlemlenen seçim olasılığını, bu olasılıkları herhangi bir geometrik düşünceyle sınırlamadan her karşılaştırmaya atayan bir modeldir. Prensip bileşen analizi, benzer olarak algılanan hayvanların birbirine yakın noktalarla gösterildiği algısal uzayın 5D modelinden noktalar üzerinde gerçekleştirilmiştir. Bir deneme tasarlarken tüm parametrelere karar vermek ve ikinci adıma başlamadan önce bunları yapılandırma dosyalarında ayarlamak çok önemlidir.Her bir konunun verilerini dikkatli bir şekilde takip etmek de çok önemlidir. Yöntem çok sayıda benzerlik yargısı sağlar, bu nedenle küme analizi, bağlama odaklanma veya farklı geometrik uzaylarla modelleme gibi bir dizi analiz uygulanabilir.

Research

JoVE Journal

Neuroscience

Organotypic Cerebellar Cultures: Apoptotic Challenges and Detection

Organotipik Serebellar Kültürler: Apoptotik Zorluklar ve Tayin

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

Tüm Dağı Muscle Analizi ile tekrarlanabilir Fare Siyatik Sinir Ezilme ve Rejenerasyon daha sonraki Değerlendirme

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

FMRI ve difüzyon ağırlıklı görüntüleme ile Beyin Yapısı ve Fonksiyonu Co-analizi

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

Kullanarak Fare Serebral Korteks ve Hippocampus Görselleştirme ve Dendritler ve Spine Genetik Manipülasyon<em&gt; Utero olarak</em&gt; Elektroporasyon

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

Rat Beyin gelen Serebral Yüzey damarları ve İlişkili Beyin zarları ve Diseksiyon ve Koroid Pleksus bir Görsel Açıklama

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

Yetişkin Zebra balığı Retina Rejenerasyon Çalışmaları Kullanım için Yeni Bir Işık Hasar Paradigma

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

Koku kılavuzluğunda Davranış Yüksek çözünürlüklü Niceleme<em&gt; Drosophila melanogaster</emKullanma&gt;<em&gt; Flywalk</em&gt; Paradigma

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

Kronik yaygın Marmoset bütün kortikal Electrocorticographic dizide implantasyonu

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

Siyatik Sinir Ezilme Hasarının Sıçan Modelinde Fonksiyonel Değerlendirme için 3D Kinematik Analiz

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

Downstream Analizleri için Dondurulmuş Kemirgen Beyin Bölgeleri Koleksiyonu

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