www.sciencemag.org/content/349/6244/184.full
Если вы интересуетесь тем же, что и я. Или наоборот не представляете, что такое это математическое моделирование чего-то там связанного с мозгом.
Я немного расскажу по теме и постараюсь делать это проще. Почему она (статья) вообще актуальна?
Результатом многих экспериментов становится записанный сигнал, который характеризует активность мозга при выполнении некоторой типовой задачи. Чтобы сигнал рассказывал нам именно о процессах в мозгу, связанных с поставленной нами задачей, а не о влиянии погоды за окном на настроение испытуемого, эксперимент важно разработать так, чтобы все влияния на испытуемого были контролируемы. Степень этого контроля на практике бывает разной, но об этом я могу рассказать когда-нибудь потом.
В идеале, все изменения, которые мы допускаем в задаче - это изменения, о которых мы знаем и которые нам нужны. И затем мы будем анализировать сигнал, имея сведения о том, какой сессии какой режим или набор параметров соответствовал.
В данной статье таким контролируемым параметром является the strength of sensory evidence (каков хороший перевод на русский?), а применительно к задаче - это когерентность движения. Проще говоря, чем больше точек смещаются в одном направлении между кадрами, тем легче наблюдателю увидеть в этом движение и верно определить его направление. Ценной особенностью стимула random dots (он очень-очень часто используется) является то, что ни одну точку нельзя взять и проследить от начала до конца стимула и сделать выводы о направлении движения. Точки генерируются так, что лишь некоторая их часть (это будут каждый раз разные точки, выбираемые случайно) смещается между кадрами синхронно, создавая впечатление движения. Остальные появляются на произвольных позициях.
Так вот, мы хотели бы по записанному сигналу понять, каким образом мозг, получая такие входные данные от органов чувств (sensory evidence), принимает решение о направлении движения в целом. А для этого с сигналом нужно что-то сделать. Просто так из него ничего не понятно.
Авторы статьи предлагают новый метод обработки сигнала и сравнивают его с уже устоявшимся способом. Важно отметить, что они анализируют запись из LIP, так что в любом случае распространять вывод на все области и нейронные популяции мозга никак нельзя.
Я, пожалуй, буду часто употреблять термины на английском. Потому как большинство из них я впервые узнала на английском, и мне приходится искать русский перевод. Это неудобно, вдобавок, он не всегда существует, корректный.
Да, кстати, именно за математикой, а не описаниями, нужно идти в приложение. Это то, которое Supplementary Materials в конце статьи.