18Янв

Расшифровка описание и интерпретация электрокардиографических данных: Регистрация,расшифровка, описание и интерпретация электрокардиографических данных

Содержание

Регистрация,расшифровка, описание и интерпретация электрокардиографических данных

АНМО «Ставропольский краевой клинический консультативно-диагностический центр»:

355017, г. Ставрополь, ул. Ленина 304

(8652) 951-951, (8652) 35-61-49 (факс)

(8652) 951-951, (8652) 31-51-51 (справочная служба)

Посмотреть подробнее

Обособленное подразделение «Диагностический центр на Западном обходе»:

355029 г. Ставрополь, ул. Западный обход, 64

(8652) 951-951, (8652) 31-51-51 (контактный телефон)

(8652) 31-68-89 (факс)

Посмотреть подробнее

Клиника семейного врача:

355017 г. Ставрополь, пр. К. Маркса, 110 (за ЦУМом)

(8652) 951-951, (8652) 31-51-51 (контактный телефон)

(8652) 31-50-60 (регистратура)

Посмотреть подробнее

Невинномысский филиал:

357107, г. Невинномысск, ул. Низяева 1

(86554) 95-777, 96-127, 95-873 (регистратура)

Посмотреть подробнее

Обособленное структурное подразделение в г. Черкесске :

369000, г. Черкесск, пр-т. Ленина, 85А

+7-988-700-81-06 (контактные телефоны)

Посмотреть подробнее

Обособленное структурное подразделение в г. Элисте :

358000, г. Элиста, ул. Республиканская, 47

8(989) 735-42-07 (контактные телефоны)

Посмотреть подробнее

ЗАО «Краевой клинический диагностический центр»:

355017 г. Ставрополь, ул. Ленина 304

(8652) 951-951, (8652) 35-61-49 (факс)

(8652) 951-951, (8652) 31-51-51 (справочная служба)

Посмотреть подробнее

Обособленное структурное подразделение на ул. Доваторцев, 52А:

355037, г. Ставрополь, ул. Доваторцев, 52А

8 (8652) 316-845 (контактный телефон)

Посмотреть подробнее

Обособленное структурное подразделение на ул. Савченко, 38 корп. 9:

355021, г. Ставрополь, ул. Савченко, 38, корп. 9

8 (8652) 316-847 (контактный телефон)

Посмотреть подробнее

Обособленное структурное подразделение на ул. Чехова, 77 :

355000, г. Ставрополь, ул. Чехова, 77

8(8652) 951-943 (контактный телефон)

Посмотреть подробнее

Обособленное структурное подразделение в г. Михайловске:

358000, г. Михайловск, ул. Ленина, 201 (в новом жилом районе «Акварель»).

8(988) 099-15-55 (контактный телефон)

Посмотреть подробнее

Расшифровка, описание и интерпретация электрокардиографических данных (ЭКГ)

Расшифровка и описание специалистом графика электрокардиограммы (электрической активности сердца), демонстрирующего особенности работы сердца. 

Расшифровку делает врач функциональной диагностики или  кардиолог. 

На основании данных электрокардиографии врач оценит состояние и работу сердца, определит ранее перенесённые заболевания, исключит или подтвердит опасные патологии.

Медицинская услуга включает в себя:

  • изучение графика специалистом;
  • письменное заключение.

Расшифровка

Электрокардиография позволяет выявить:

  • инфаркт миокарда;
  • аритмию;
  • ишемические процессы;
  • дистрофические процессы;
  • нарушения метаболизма;
  • заболевания сердечной мышцы;
  • наличие признаков гипертрофии сердца;
  • гипертрофию желудочков.

Расшифровку ЭКГ делает врач. Информация о работе сердца графически представлена в виде ломаных линий и интервалов, где каждый участок отображает состояние сердечной мышцы. Врач детально анализирует полученные данные, учитывает общую клиническую картину пациента, определяет возможные отклонения от нормы.

Учитываются следующие показатели электрической активности сердца:

  • зубец P демонстрирует степень сокращений и расслаблений предсердий; 
  • интервал PQ определяет длительность распространения возбуждения по желудочкам;
  • зубец R демонстрирует раздачу импульса по миокарду;
  • зубец Q демонстрирует начало распределения возбуждения по межжелудочковой перегородке;
  • сегмент ST показывает прохождение импульса;
  • зубец T отражает реполяризацию миокарда.

При нормальной работе сердца, импульсы следуют в определённой последовательности строго с определёнными интервалами.

Полученные результаты ЭКГ врач сравнивает с нормой, на основании сравнения делает заключение о наличии патологий и заболеваний сердца.


Показания к обследованию

С помощью ЭКГ диагностируют различные сердечные патологии, в том числе: аритмию, изменение размеров желудочков и предсердий, воспалительные и дистрофические процессы в миокарде, ишемию и некоторые лёгочные патологии. 

ЭКГ с расшифровкой обычно назначается в следующих случаях:

  • Стандартная диспансеризация.
  • Подготовка к оперативным вмешательствам.
  • Одышка в покое.
  • Постоянные головокружения и обморочные состояния.
  • Непереносимость физических нагрузок.
  • Лишний вес.
  • Гипертоническая болезнь.
  • Пороки сердца, сердечная недостаточность.
  • Беременность (диагностика необходима в связи со сменой круга кровообращения).
  • Оценка профессиональной пригодности.
  • Факторы риска: курение, употребление алкоголя, длительные стрессы и переутомление.

Подготовка к обследованию

Специальной подготовки не требуется.

цены, запись онлайн, адреса, отзывы на Meds.ru

Сеть клиник Клиника МедЦентрСервис

Клиника «МедЦентрСервис» на м. Марьино предоставляет ряд медицинских услуг по основным направлениям. В медучреждении проводится эффективное терапевтическое и оперативное лечение патологий различного профиля.

  • 1500 ЭКГ (без письменного врачебного заключения)
  • 1000 ЭКГ без письменного врачебного заключения
  • 1000 ЭКГ на дому без письменного врачебного заключения
  • 2000 ЭКГ с нагрузкой
  • 2000 ЭКГ на дому с нагрузкой
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13 Сеть клиник Клиника ДОБРОМЕД

В многопрофильном медцентре «Добромед» на Братиславской 13 работают высококвалифицированные специалисты в различных областях медицины.

  • 1600 Расшифровка, описание и интерпретация данных электрокардиографических исследований с применением телемедицинских технологий
  • 500 Электрокардиография (ЭКГ) снятие
  • 1500 Расшифровка, описание и интерпретация электрокардиографических данных
  • 1500 Расшифровка, описание и интерпретация электрокардиографических данных дети
  • 1500 Электрокардиография (в 12 отведениях) с врачебным анализом
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13

Клиника входит в популярную сеть медицинских учреждений «Медицинский дом». Ее сотрудники решают проблемы с нарушениями работы пищеварительной, половой, нервной, эндокринной, мочеиспускательной систем.

  • 1500 Снятие, расшифровка, описание и интерпретация электрокардиографических данных
  • 1500 Электрокардиография (в 12 отведениях) с врачебным анализом
  • 2000 Расшифровка, описание и интерпретация электрокардиографических данных дети (в 12 отведениях) с врачебным анализом
  • 500 Электрокардиография (ЭКГ) снятие
  • Смотреть прайс-лист клиники →

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13

Медицинский центр «Триумф» в г. Москва оказывает медицинскую помощь взрослым и детям по всем клиническим направлениям: маммология, дерматология, физиотерапия, флебология, терапия, психиатрия, кардиология, хирургия, офтальмология и др. Здесь работают высококвалифицированные специалисты, которые в своей работе используют последние мировые разработки.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13

Первая клиника Марьино – это многопрофильный медицинский центр, в котором можно восстановить и сохранить здоровье. В клинике можно пройти инструментальные и лабораторные исследования. Прием ведут компетентные и квалифицированные специалисты.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13

Медицинский диагностический центр Нейромед является высококвалифицированным медицинским учреждением, врачи которого специализируются на новейших методах диагностики. Помимо предоставления качественных и действенных методов лечения заболеваний, наличие в медицинском центре современного оборудования позволяет проводить детские обследования в области диагностики неврологических заболеваний, начиная с первых дней жизни.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13 Сеть клиник Клиника Здравствуй

Клиника мануальной терапии «Здравствуй» в Марьино — это уникальный медицинский центр, предоставляющий услуги по диагностированию, профилактике и терапии заболеваний позвоночника, костей и суставов.

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13

Узкопрофильная клиника «Меданна» предоставляет услуги таких направлений медицины: гинекологии, косметологии, пластической хирургии. Основное направление работы медперсонала — улучшение эстетических показателей внешности пациента. Для этого в клинике работают квалифицированные косметологи и пластические хирурги.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13

Многопрофильный медицинский центр «Медалюкс» специализируется на решении любых проблем полости рта на высоком уровне. Здесь можете сдать любые анализы и получить медицинскую помощь по таким направлениям медицины, как урология, дерматология, косметология, терапия, гастроэнтерология, гинекология и неврология.

Записаться на прием

Для записи в клинику звоните по телефону: +7 (499) 685-18-13 Сеть клиник Медицинский центр Доктор рядом

Клиника широкого профиля «Доктор рядом» в Кузьминках принимает пациентов всех возрастов, специализируется в области семейной медицины, педиатрии, кардиологии, неврологии, гастроэнтерологии, отоларингологии, гинекологии и в других наиболее востребованных направлениях. Среди врачей центра специалисты высшей квалификации, кандидаты и доктора медицинских наук.

Записаться на прием

Для записи в любой филиал клиники звоните по телефону: +7 (499) 685-18-13

Электрокардиография (ЭКГ) — последние отзывы

Муж проходил плановый медосмотр, на ЭКГ выявили патологию. Врач назначил лечение, сказал принимать препараты длительно и уменьшить физическую нагрузку. Хорошо, что вовремя прошел обследование.

– 

Илона

,

Обратился неделю назад в больницу с болью в сердце, выполнили ЭКГ. Врач сказал, что у меня участилось сердцебиение из-за больших физических нагрузок. Сейчас стараюсь придерживаться рекомендаций и принимаю препараты. Чувствую себя хорошо.

– 

Николай

,

Услуги кардиолога в СПб — платная консультация в клинике «Одонт»

Кардиолог – это врач, который занимается диагностикой и лечением сердечно-сосудистой системы, а именно: лечением ишемической и гипертонической болезней сердца, различного вида аритмий, кардиомиопатий, атеросклеропатического поражения сосудов и хронической сердечной недостаточности.

Основные патологии, лечением которых занимается врач-кардиолог:

  • Заболевания сердца, обусловленные нарушением кровоснабжения сердечной мышцы, патологией проводящей системы сердца (аритмии, блокады, тахикардии, брадикардии).
  • Заболевания, проявляющиеся повышенным артериальным давлением вследствие различных нарушений в системе регуляции тонуса сосудистой стенки (гипертоническая болезнь, артериальная гипертензия, вегетососудистая дистания).
  • Атеросклеротическое поражение сосудов.
  • Хроническая сердечная недостаточность.
  • Кардиомиопатии различных этиологий.

Симптомы, при которых стоит записаться на прием к врачу-кардиологу:

  • Нестабильное артериальное давление
  • Ощущение нехватки воздуха
  • Давящая боль за грудиной
  • Ощущение перебоев в работе сердца
  • Учащенное сердцебиение
  • Отечность конечностей

Консультация кардиолога «Медицинского центра ОДОНТ»

На консультации кардиолог проводит опрос больного, сбор анамнеза заболевания, жизни, жалобы, которые беспокоят пациента. Затем кардиолог переходит к осмотру: измеряет артериальное давление и пульс, проводит тщательную аускультацию тонов сердца, снимает ЭКГ.

После осмотра врач может выписать назначение на лабораторные исследования или на дополнительное обследование для уточнения диагноза, после чего определяет необходимый объем терапии. Так проходит прием кардиолога в большинстве клиник Санкт-Петебруга.

Кардиологи «Медицинского центра ОДОНТ» используют в своей работе следующие методы диагностики

  • Электрокардиограмма (ЭКГ) – запись работы сердца с помощью регистрации электрических полей сердца.
  • Эхокардиография – исследование сердца с помощью ультразвуковых волн.
  • Суточный мониторинг ЭКГ по Холтеру — исследование работы сердца с помощью 24-часовой записи электрокардиограммы.
  • Диагностика миокардиопатий – исследование, которое включает в себя ЭКГ и нагрузочные тесты.

Чтобы избежать проблем с сердечно-сосудистой системой врачи-кардиологи «Медицинского центра ОДОНТ» рекомендуют вести здоровый образ жизни, правильно питаться и заниматься спортом. Ниже указаны несколько простых правил, которые следует соблюдать:

  1. занимайтесь любым видом спорта по 30 минут 1 раз в 2 дня,
  2. откажитесь от соли,
  3. минимизируйте потребление животных жиров,
  4. соблюдайте режим: чередуйте работу с отдыхом,
  5. заведите приятное хобби, которое поможет вам контролировать эмоции и бороться со стрессом.

Записаться на прием к кардиологу вы можете на нашем сайте или по телефону (812) 600-00-44.

Цены отделения функциональной диагностики в Medical On Group-Новосибирск

Цены отделения функциональной диагностики в Medical On Group-Новосибирск

Выберите отделение

Функциональная диагностика

Проведение электрокардиографического исследования (без нагрузок) с расшифровкой

Акция до 01.01.1970

800

Расшифровка, описание и интерпретация электрокардиографических данных

Акция до 01.01.1970

450

Регистрация электрокардиограммы

Акция до 01.01.1970

500

Холтеровское мониторирование артериального давления

Акция до 01.01.1970

2300

Холтеровское мониторирование сердечного ритма

Акция до 01.01.1970

2300

Холтеровское мониторирование ЭКГ и АД

Акция до 01.01.1970

3900

Электрокардиография с физическими упражнениями

Акция до 01.01.1970

970

Функциональная диагностика — Медицинская Клиника «Медина» в Раменском

  • Стоимость услуг

    73.003Снятие, описание и интерпретация электрокардиографических данных врачом1600
    73.006Проведение спирометрии,расшифровка, описание и интерпретация данных исследования (ФВД)1800
    73.007Ультразвуковое исследование сердца (Доплер Эхокардиография)2400
    73.008Холтеровское суточное мониторирование ЭКГ (Холтер)3000
    73.014Суточное мониторирование артериального давления (СМАД)2500
    73.015Проведение спирометрии, расшифровка, описание и интерпретация данных исследования ФВД с проведением фармакотеста (беротек, сальбутамол, беродуал)2600
    73.016Снятие и расшифровка ЭКГ в покое, стоя (ортостаз) и с физической нагрузкой2600

Детская функциональная диагностика – это проведение комплексного обследования состояния различных органов и физиологических систем детского организма, осуществляемое благодаря новейшим лабораторным и инструментальным методам обследования. В нашей клинике работают лучшие детские специалисты, которые проведут детальное обследование, точно определят диагноз и назначат адекватное лечение.

Современная аппаратура функциональной диагностики позволяют осуществлять следующие исследования:

— Электрокардиографию (ЭКГ)

— Суточное мониторирование ЭКГ (Холтер)

— Суточное  мониторирование  артериального давления (СМАД)

— Спирометрия (ФВД)

— Электроэнцефалограмму (ЭЭГ)

 

Электрокардиография (ЭКГ) – это обследование сердечной мышцы. ЭКГ позволяет  выявить нарушения проводимости и ритма, определить работу сердечной мышцы при изменении состояния функционирования организма. Выполнятся графическое описание электрической активности сердца, которая фиксируется на поверхности тела благодаря электродам.

Суточное мониторирование  электрокардиографии (ХОЛТЕР) направлено на выявление динамики показателей  ЭКГ.  Этот метод  функциональной диагностики позволяет проводить  более продолжительную регистрацию ЭКГ в течении 24-28 часов, что позволяет более точно определить имеющиеся у ребенка нарушения сердечной деятельности в разное время суток и при различных состояниях активности маленького пациента. Так как все происходящие в организме биологические процессы циклически меняются в течение дня и ночи, выявить определенные нарушения ритма сердца  довольно сложно. Суточное мониторирование ЭКГ оценивает различные показатели сердечного ритма, что при проведении обычной электрокардиографии невозможно.

Суточное мониторирование   артериального давления (СМАД) – это обследование сердечнососудистой системы, которое заключается в измерении у ребенка артериального давления в привычных для него  условиях – в школе, дома, на улице. Метод СМАД направлен на выявление динамики изменения артериального давления у детей в разное время суток, что позволяет более точно установить есть ли определенные отклонения и определить подходящий способ лечения.

Детская функциональная диагностика включает в себя такой важный метод как спирометрия представляющий собой исследование деятельности бронхолегочной системы, функции внешнего дыхания. Это очень информативный метод выявления заболеваний органов дыхания. Спирометрия направлена на оценку функционального состояния бронхов и легких благодаря исследованию дыхания ребенка, которое оценивается специальным прибором – спирографом.

Этот метод позволяет выявить любые нарушения работы бронхолегочной системы на различных стадиях развития заболевания, благодаря чему врач может назначить эффективное лечение, направленное на скорейшее выздоровление ребенка.

Электроэнцефалограмма (ЭЭГ) – это метод функциональной диагностики, применяемый для исследования головного мозга. ЭЭГ определяет  различные показатели  работы центральной нервной системы благодаря получению  с поверхности головного мозга электрических сигналов. Электроэнцефалограмма позволяет выявить  различные неврологические болезни – эпилепсию, сосудистые, воспалительные, дегенеративные и опухолевые заболевания центральной нервной системы. С более подробной  информацией  вы можете ознакомиться перейдя в раздел: НЕВРОЛОГИЯ

Diagnostika_ser. patologii_Philippova

В нашей клинике приём ведут:

врач функциональной диагностики Филиппова Н.С.

Записаться на прием к врачу функциональной диагностики в Тюмени

Запись онлайн

Кабинет функциональной диагностики Центра Семейной Медицины ВЕРА проводит исследования, которые помогают выявлять сложные заболевания на самых ранних стадиях и назначить наиболее эффективное лечение.

Данные методы позволяет своевременно диагностировать нарушения сердечного ритма, перегрузку сердца, нарушение электролитного баланса, перикардиты, травмы сердца, миокардиты, острую и хроническую сердечную недостаточность.

Помимо этого, функциональная диагностика помогает оценить функциональное состояние легких и бронхов, состояние сосудов конечностей, головного мозга и другие патологические состояния.

Кабинет функциональной диагностики в «Центре Семейной Медицины «ВЕРА» оснащен всем необходимым оборудованием для проведения исследований, а также штатом квалифицированных специалистов.

Функциональные методы диагностики абсолютно безболезненны и безопасны. После проведения исследования пациенту выдается заключение, результаты которого учитываются, а в ряде случаев становятся основополагающими при постановке диагноза и назначении лечения.

Виды диагностики

Исследование функций внешнего дыхания

Является одним из самых распространенных методов функциональной диагностики. Направлено на исследование общей ёмкости лёгких, измерение форсированной емкости лёгких, дыхательные объемы вдоха и выдоха, спирография.

С помощью исследования функций внешнего дыхания в клинике функциональной диагностики выявляют различные заболевания легких и бронхов: фиброз, гранулематоз, пневмокониоз, бронхиальная астма, нейромускулярные нарушения дыхания.

Функциональная диагностика сердечно-сосудистой системы

Электрокардиография (ЭКГ). 

Является основным методом диагностики в кардиологии. С помощью ЭКГ выявляют нарушения сердечного ритма, определяют состояние сердечной мышцы, диагностируют инфаркт миокарда.

Суточный мониторинг сердца по Холтеру

Предполагает регистрацию электрической активности сердца в течение суток с помощью специального портативного прибора с электродами. Он фиксирует изменения в работе сердца в зависимости от тех или иных факторов, которые происходят с пациентом в течение суток. Такое исследование назначают при жалобах на перебои в работе сердца, аритмию, боли в области сердца, обморочные состояния, редкий пульс и головокружения.

Суточное мониторирование артериального давления

Включает в себя измерение и регистрацию результатов артериального давления в течение суток с помощью специального регистратора. Измерение происходит каждые полчаса. Регистратор прикрепляют в кабинете функциональной диагностики к телу пациента в небольшой сумочке или коробочке. Такая диагностика помогает выявить гипертонию, а также отследить эффективность терапевтического или медикаментозного лечения.

Нейромиография

Данный метод диагностики используется для выявления заболеваний в разных отраслях медицины: неврологии, нейрохирургии, эндокринологии, ортопедии, ревматологии, травматологии, и других. Он позволяет получить объективные данные о работе мышечного и нервного аппарата человека, в зависимости от видов заболевания и возрастных изменений.

Функциональная диагностика головного мозга

Включает в себя безопасные и безболезненные процедуры, которые не причиняют пациенту болезненных ощущений и неудобств.

Электроэнцефалография.

Является основным методом диагностики в данном направлении. С помощью современной компьютерной обработки данных фиксируется реальное функционирование головного мозга, а также определяются начинающиеся изменения в его функционировании, включая выявление очагов патологических изменений которые возникают при поражениях определенных участков мозга.

Реоэнцефалография

Предполагает исследование кровотока в головном мозге. Позволяет своевременно обнаружить патологические изменения сосудов.

На нашем сайте вы можете воспользоваться специальной формой для записи на функциональную диагностику, или формой обратной связи для получения ответа на интересующий вас вопрос. В соответствующих разделах сайта представлены фотографии нашей клиники, диагностических кабинетов, специалистов различных отраслей, а также прайс-лист на услуги клиники.

По любому вопросу, касаемо наших услуг, вы также можете обратиться к нам по телефону: +7 (3452) 39-07-07, 39-08-08, 70-70-26.

 


Расшифровка скрытых секретов с помощью глубокого обучения — Голос ранней карьеры

Электрокардиограмма (ЭКГ), пожалуй, лучший друг кардиолога. Изобретение Виллема Эйнтховена создало один из наиболее широко используемых диагностических тестов в клинической практике. ЭКГ является легкодоступным, удобным для пациента, неинвазивным, недорогим и воспроизводимым методом, не имеющим себе равных для диагностики ишемии миокарда, сердечных аритмий, структурных изменений миокарда, эффектов лекарственных препаратов, электролитных и метаболических нарушений. 1 В дополнение к этому, ЭКГ может предоставить информацию о степени и тяжести ишемии при остром коронарном синдроме, помочь в локализации места или пути тахикардии, выявить пациентов с сердечной недостаточностью, у которых была бы эффективна сердечная ресинхронизация, и выявить семейные заболевания с риском внезапной сердечной смерти.

ЭКГ выявляет патологические изменения до развития структурных изменений в сердце. Например, паттерн деформации, определяемый как выпуклый вниз сегмент ST с перевернутым асимметричным зубцом T, противоположным оси QRS в отведениях V5 или V6, является прогностическим фактором будущего риска СН и смерти у пациентов с артериальной гипертензией. 2 На самом деле поверхностная ЭКГ в 12 отведениях — это всего лишь один из форматов представления электрической активности сердца. Небольшие изменения в морфологии поверхностной ЭКГ, невидимые человеческому глазу, могут отражать значительные сдвиги в передаче электрохимических сообщений. Такие методы, как ЭКГ с усреднением сигнала и векторкардиография, направлены на преодоление этих ограничений и существуют уже несколько десятилетий. 3 Однако сложные и более продвинутые приложения ЭКГ не нашли своего применения в рутинной практике клинической кардиологии.Большинство из них ограничены низкой чувствительностью, что препятствует их широкому применению.

Благодаря достижениям в вычислительной технике и доступности больших данных, собранных из различных источников, удалось добиться успехов в распаковке информации, закодированной в нескольких биологических сигналах. Глубокое обучение — это метод машинного обучения с разнообразным набором проверенных приложений, таких как распознавание лиц и речи. Используя глубокое обучение для анализа изображений глазного дна сетчатки, Google разработал алгоритм, который ставит диагноз диабетической ретинопатии с высокой степенью точности, сравнимой с офтальмологами. 4 Кроме того, этот алгоритм выявляет сердечно-сосудистые события и даже определяет пол только по изображениям сетчатки глаза. 5 Эта работа представляет собой новый способ научных открытий, альтернативу традиционному исследовательскому подходу, основанному на гипотезах. Подход, основанный на данных, может помочь в создании новых экспериментов, основанных на гипотезах.

Глубокое обучение для анализа сигналов ЭКГ является областью активных исследований. Ханнун и его коллеги продемонстрировали сопоставимую точность и даже более высокую чувствительность классификации аритмий с использованием модели глубокой нейронной сети по сравнению с сертифицированными кардиологами. 6 Работа, представленная на научных сессиях Дюссельдорфского университета в 2019 году Макимото и его коллегами, показала, что сверточная нейронная сеть (CNN) способна диагностировать инфаркт миокарда (ИМ) с большей точностью, чем кардиологи. 7 Точность распознавания ИМ на ЭКГ по CNN составила 84±2%, что достоверно выше, чем у кардиологов (64±7%, p<0,001). Разработка клинических рабочих процессов, в которых модели глубокого обучения обеспечивают быстрое считывание ЭКГ на экспертном уровне, дополненное человеческим контролем, может иметь значительное клиническое значение.

Сигнал ЭКГ отражает различные электрические, химические и механические явления во время сердечного цикла. Алгоритмы глубокого обучения смогли расшифровать эти сигналы, чтобы делать прогнозы относительно ФВ ЛЖ и диастолической дисфункции только на основе данных ЭКГ. Сенгупта и его коллеги использовали непрерывное вейвлет-преобразование для постобработки сигналов ЭКГ и сопоставили несколько производных признаков для прогнозирования аномальной релаксации миокарда, определяемой допплеровским исследованием аномальной ткани. 8 Площадь под кривой для их модели машинного обучения для прогнозирования аномальной механической релаксации миокарда составила 91% [ДИ: 0.86-0,95]. Аттиа и его коллеги из клиники Майо представили на научных сессиях 2019 года свою работу по прогнозированию ФВ ЛЖ с использованием сигналов ЭКГ в одном отведении, полученных с помощью стетоскопа с поддержкой ЭКГ. 9 Нейронная сеть, ранее использовавшаяся на ЭКГ в 12 отведениях для прогнозирования ФВ, была обучена на данных ЭКГ в одном отведении и смогла прогнозировать низкую ФВ с площадью под кривой 0,88 [ДИ: 0,80-0,94] для ФВ<=35. % и 0,81 [ДИ: 0,72-0,88] для ФВ<50%

Эти и многие другие результаты постоянно расширяют возможности применения ЭКГ в клинической практике, при этом ЭКГ предоставляет более тонкие детали, такие как фракция выброса, и предсказывает будущие результаты с высокой точностью.Это представляет собой значительный прогресс со времен струнного гальванометра Эйнтховена. Современная сердечно-сосудистая медицина сталкивается со многими проблемами, связанными с профилактикой, диагностикой и лечением заболеваний, которые усугубляются ростом расходов на здравоохранение. Недорогой и надежный лучший друг кардиолога – ЭКГ – может раскрыть свои секреты решения этих проблем. Слова Эйнтховена напоминают нам, что многое еще предстоит сделать для расшифровки этих тайн: «Инструмент получает свою истинную ценность не столько из работы, которую он мог бы выполнять, сколько из работы, которую он действительно выполняет.” 10 Необходимы дальнейшие исследования, чтобы подтвердить обещание этих захватывающих новых открытий.

 

Каталожные номера:

  1. Wellens HJ, Gorgels AP. Электрокардиограмма через 102 года после Эйнтховена. Тираж . 2004;109:562-564
  2. Окин П.М., Деверо Р.Б., Ниеминен М.С., Джерн С., Оикаринен Л., Виитасало М., Тойвонен Л., Кьелдсен С.Е., Дахлоф Б., Исследователи Л.С. Электрокардиографическая картина деформации и прогнозирование впервые возникшей застойной сердечной недостаточности у пациентов с гипертонической болезнью: исследование лозартана для снижения конечной точки артериальной гипертензии (жизни). Тираж . 2006;113:67-73
  3. Гацулис К.А., Арсенос П., Траханас К., Дилаверис П., Антониу С., Циахрис Д., Сидерис С., Колеттис Т.М., Тусулис Д. Электрокардиография с усреднением сигнала: прошлое, настоящее и будущее. Дж Аритмия . 2018;34:222-229
  4. Гульшан В., Пэн Л., Корам М., Стамп М.С., Ву Д., Нараянасвами А., Венугопалан С., Виднер К., Мадамс Т., Куадрос Дж., Ким Р., Раман Р., Нельсон П.С., Мега Дж.Л., Вебстер Д.Р. Разработка и валидация алгоритма глубокого обучения для выявления диабетической ретинопатии на фотографиях глазного дна сетчатки. ЯМА . 2016;316:2402-2410
  5. Поплин Р., Варадараджан А.В., Блумер К., Лю Ю., МакКоннелл М.В., Коррадо Г.С., Пэн Л., Вебстер Д.Р. Прогнозирование сердечно-сосудистых факторов риска по фотографиям глазного дна сетчатки с помощью глубокого обучения. Нат Биомед Инж . 2018;2:158-164
  6. Ханнун А.Ю., Раджпуркар П., Хагпанахи М., Тисон Г.Х., Борн С., Турахия М.П., ​​Нг А.И. Обнаружение и классификация аритмий на уровне кардиолога на амбулаторных электрокардиограммах с использованием глубокой нейронной сети. Нац.Мед. 2019;25:65-+
  7. Макимото Х., Хёкманн М., Гергури С., Класен Л., Шмидт Дж., Асади-Шмидт А., Беджинариу А., Мюллер П., Глокнер Д., Ангендор С., Бринкмейер С., Кельм М. Аннотация 13914: Искусственный интеллект обнаруживает инфекцию миокарда на ЭКГ читать далее точнее кардиологов. Тираж . 2019;140:А13914-А13914
  8. Сенгупта П.П., Кулкарни Х., Нарула Дж. Прогнозирование аномальной релаксации миокарда по поверхностной ЭКГ, обработанной сигналом. J Am Coll Cardiol .2018;71:1650-1660
  9. Аттиа З.И., Дуган Дж., Девы Дж., Райдаут А., Лопес-Хименес Ф., Носеворти П.А., Асирватам С., Пелликка П.А., Ладевиг Д.Дж., Сатам Г., Фам С., Венкатраман С., Фридман П., Капа С. Резюме 13447: Проспективный анализ полезности сигналов от стетоскопа с поддержкой ЭКГ для автоматического обнаружения низкой фракции выброса с использованием методов нейронной сети, обученных на стандартной ЭКГ с 12 отведениями. Тираж . 2019;140:А13447-А13447
  10. Розен МР. Электрокардиограмма 100 лет спустя: электрическое понимание молекулярных сообщений. Тираж . 2002;106:2173-2179

 

Взгляды, мнения и позиции, высказанные в этом блоге, принадлежат только авторам и не отражают точку зрения Американской кардиологической ассоциации. Точность, полнота и достоверность любых утверждений, сделанных в рамках данной статьи, не гарантируются. Мы не несем ответственности за любые ошибки, упущения или представления. Авторские права на этот контент принадлежат автору, и любая ответственность в отношении нарушения прав интеллектуальной собственности остается за ним.Блог Early Career Voice не предназначен для предоставления медицинских консультаций или лечения. Это может предоставить только ваш лечащий врач. Американская кардиологическая ассоциация рекомендует вам проконсультироваться со своим лечащим врачом по вопросам личного здоровья. Если вы считаете, что у вас сердечный приступ, инсульт или другая экстренная ситуация, немедленно позвоните по номеру 911.

 

Сумит Павар, доктор медицинских наук, научный сотрудник-кардиолог Йельского университета, интересуется инновациями в области здравоохранения, цифровым здравоохранением и лидерством.В настоящее время он работает над пилотным проектом цифровой платформы для оптимизации работы больниц путем демократизации доступа к стационарным клиническим данным для пациентов и их семей. Подпишитесь на Twitter: @sumeetpawar

Основные принципы нового подхода

72

www.cardiometry.net

9. Tasca C, Stefaneanu L, Vasilescu C. Микроангиопатия миокарда у человека и экспериментальный

сахарный диабет. (Микроскопический, ультраструктурный, морфометрический и компьютерный символический-

логический анализ).Endocrinologie, апрель-июнь 1986 г.; 24(2):59-69.

10. Вессель Н., Ширдеван А., Малик М., Восс А. Символическая динамика – eine eigenständige Methode

zur Erkennung von nichtlinearen Phänomenen der Herzschlagregulation. Биомедицин. Тех.

1998;43:510-1.

11. Kurths J, Voss A, Saparin P, Witt A, Kleiner HJ, Wessel N. Количественный анализ

вариабельности сердечного ритма. Хаос. 1995;5(1):88-94.

12. Чезарелли М., Романо М., Бифулко П., Импрота Г., Д’Аддио Г.Применение символической динамики для оценки

FHRV. Стад. Технологии здоровья. Сообщить. 2012;180:123-7.

13. Баумерт М., Яворка М., Кабир М.М. Совместные символические анализы ЧСС, АД,

динамики дыхания. Журнал. Электрокарта. 2013;46(6):569-73.

14. Ерагани В.К., Наделла Р., Хинзе Б., Ерагани С., Джампала В.К. Нелинейные показатели сердечного периода

вариабельность: снижение показателей символической динамики у пациентов с паническим расстройством.отд. тревога

2000;12(2):67-77.

15. Kim JS, Park JE, Seo JD, Lee WR, Kim HS, Noh JI, Kim NS, Yum MK. Пониженная энтропия символической

динамики сердечного ритма при повседневной деятельности как предиктор положительного теста наклона головы вверх у пациентов с

предполагаемым нейрокардиогенным обмороком. физ. Мед. биол. 2000;45(11):3403-12.

16. Маэстри Р., Пинна Г.Д., Аккардо А., Аллегрини П., Балокки Р., Д’Аддио Г., Феррарио М., Меникуччи Д., Порта

А, Сасси Р., Синьорини М.Г., Ла Ровере М.Т., Черутти С.Нелинейные показатели вариабельности сердечного ритма у

больных с хронической сердечной недостаточностью: избыточность и сравнительная клиническая ценность. Журнал. Кардиовас. Электрофизиол.

2007;18(4):425-33.

17. Magagnin V, Bassani T, Bari V, Turiel M, Maestri R, Pinna GD, Porta A. Нестационарности

существенно искажают краткосрочные спектральные, символические и энтропийные показатели вариабельности сердечного ритма. Физиол.

Мер. 2011;32(11):1775-86.

18.Guzzetti S, Borroni E, Garbelli PE, Ceriani E, Della BP, Montano N, Cogliati C, Somers VK, Maliani

A, Porta A. Символическая динамика вариабельности сердечного ритма: исследование сердечной автономной

модуляции. Тираж. 2005;112(4):465-70.

19. Tobaldini E, Porta A, Wei SG, Zhang ZH, Francis J, Casali KR, Weiss RM, Felder RB, Montano N.

Символический анализ выявляет изменения вегетативной модуляции сердца при застойной сердечной недостаточности

крыс.Авт. Неврологи. 2009;150(1-2):21-6.

20. Takahashi AC, Porta A, Melo RC, Quitério RJ, da Silva E, Borghi-Silva A, Tobaldini E, Montano N,

Catai AM. Старение снижает сложность оценки вариабельности сердечного ритма с помощью условной энтропии и символического анализа. Стажер Эмердж. Мед. 2012;7(3):229-35.

21. Cysarz D, Linhard M, Edelhäuser F, Längler A, Van Leeuwen P, Henze G, Seifert G. Символические

модели динамики сердечного ритма отражают вегетативные изменения сердца в детстве и подростковом возрасте.

Авт. Неврологи. 2013;178(1-2):37-43.

Старая математика для романа Прикладных задач кардиометрии

Евгения Д. Адамовис 1 , Павел Л. Александров 1 , Олег В. Грады 1 , Леонид М. Мамалыга 2 , Максим Л. Мамалига 3

1  Институт энергетических проблем химической физики РАН

Россия, 119334 Москва, Ленинский просп. Кибальчича, д. 28, стр. 2

2 Биолого-химический институт Московского педагогического государственного университета

Россия, 129164, г. Москва, ул.6, стр. 1

3 Научный центр сердечно-сосудистой хирургии им. А.Н. Бакулева

Россия, 121552, г. Москва, Рублевское ш. 135

Цели

В данной статье описывается новый подход к анализу электрокардиографических данных, основанный на рассмотрении повторяющихся последовательностей P, Q, R, S, T как циклических кодов. В части I мы вводим принцип, аналогичный расшифровке синдрома с использованием контрольных чисел, который позволяет корректировать комбинации шумов.

Материалы и методы

Предлагается применять алгоритмы коррекции пакетных ошибок для автоматического выявления ЭКГ-артефактов и функциональных нарушений, в том числе по сравнению с эталонной моделью.Наш подход сравнивается с методами символической динамики в кардиологической практике. При автоматизированном поиске компонентов кода (то есть точечных значений и спектральных диапазонов, взаимно однозначно соответствующих P, Q, R, S, T), рассмотренных в части II, авторы применяют метод периодограммы Ломба-Скаргла с фазовым контролем что позволяет определять компоненты кода не только по основным гармоникам, но и по боковым полосам, избегая фазовых ошибок.

Результаты

Результаты апробации метода на крысах с сердечной недостаточностью с использованием упрощенной телеметрической записи с вживляемых чипов приведены в части III.Показана полная независимость результатов определения кодовых точек (отпечатков пальцев) от переменных, для которых производится расчет. Мы также доказываем робастность изложенного выше подхода по отношению к большинству типов неадаптивной фильтрации.

Заключение

Изложенный выше метод может быть полезен не только для экспериментальной медицины, но и для ветеринарной и клинико-диагностической практики. Этот метод адекватно воспроизводится как на животных, так и на ЭКГ человека, за исключением некоторых постоянных значений.

Выходные данные

Евгений Д. Адамович, Павел Л. Александров, Олег В. Градов, Леонид М. Мамалыга, Максим Л. Мамалыга. Коррекция артефактов записи и выявление функциональных отклонений на ЭКГ путем расшифровки синдрома с автоматической коррекцией пакетных ошибок циклических кодов с использованием периодограмм для определения спектрального диапазона компонентов кода. кардиометрия; Выпуск 8; май 2016 г.; стр. 39–46; DOI: 10.12710/cardiometry.2016.8.3946 Доступно по адресу: http://www.cardiometry.net/issues/no8-may-2016/correction-of-recording-artifacts

ЭКГ, Циклические коды, Исправление ошибок, Расшифровка синдрома, Контрольные числа, Методы периодограммы LombScargle, Отпечатки пальцев

Расшифровка результатов электрокардиограммы

Кейт Роуч | На Ваше здоровье

Уважаемый доктор Роуч! Недавно мне сделали ЭКГ, которая показала блокаду сердца первой степени и «нижний инфаркт, возраст не определен». Что это обозначает? Что делать, чтобы не стало хуже? Через несколько месяцев пойду к кардиологу, чтобы сделать эхокардиографию при физической нагрузке.Что это?

— К.П.

Уважаемый CP: ЭКГ использует электрическую активность в сердце, чтобы получить важную информацию о структуре и функции сердца. Хотя это очень полезный тест, он не идеален.

«Блокада сердца первой степени» просто означает, что электрический импульс в сердце немного медленнее. Само по себе это не вызывает беспокойства, но предполагает, что существует риск других проблем с сердцем, таких как блокада сердца второй или третьей степени.Иногда им требуется лечение (кардиостимулятор). За этим нужно следить, но возможна блокада сердца первой степени в течение десятилетий без прогрессирования.

«Инфаркт» — это сердечный приступ. ЭКГ имеет характерные признаки сердечного приступа, которые могут быть локализованы в определенной части сердца. В вашем случае это нижняя часть сердца, кровоснабжаемая правой коронарной артерией. Этот тип сердечного приступа часто осложняется блокадой сердца первой степени, что может объяснить ее возникновение.

Стресс-тест выявляет повреждение сердца, и особенно проверяет, не подвержена ли часть сердца риску повторного сердечного приступа. При стресс-эхокардиограмме сердце «нагружается» физическими упражнениями или лекарствами для его ускорения, а движение сердца тщательно исследуется с помощью звуковых волн. Этот тест может помочь определить, действительно ли у вас был сердечный приступ и нужно ли вам лечение, чтобы предотвратить новый.

Многие люди, перенесшие сердечный приступ, никогда не знали об этом.Либо у них не было никаких симптомов, либо они думали, что это что-то другое, например расстройство желудка. Сердечные приступы в нижней части сердца часто напоминают проблемы с желудком.

Но если у вас был сердечный приступ, то некоторые лекарства, такие как аспирин, бета-блокаторы и статины, очень полезны для предотвращения другого. Если стресс-эхо вызывает беспокойство, кардиолог может порекомендовать ангиограмму, которая является лучшим тестом, который мы можем использовать для выявления частей сердца с риском сердечного приступа. Это также позволяет врачам иногда вскрывать закупорки артерий.

Уважаемый доктор Роуч! Мой кардиолог только что назначил мне розувастатин (Крестор). В какое время дня лучше всего принимать это лекарство?

— J.M.

Уважаемый J.M.: Большая часть синтеза холестерина в организме происходит в ночное время, поэтому статины, которые недолго сохраняются в организме, лучше принимать на ночь. Это особенно верно для флувастатина (Лескол), ловастатина (Мевакор) и симвастатина (Зокор). Другие статины остаются в организме так долго, что на самом деле не имеет значения, в какое время дня вы их принимаете, хотя лучше всего принимать их в одно и то же время каждый день.

Многие люди принимают лекарства от высокого кровяного давления вместе со статинами, и данные свидетельствуют об улучшении результатов при приеме лекарств от кровяного давления на ночь, поэтому для удобства многим людям лучше принимать все лекарства одновременно.

Читатели могут обращаться с вопросами по электронной почте [email protected]

ECG_SegNet: модель описания ЭКГ на основе структуры кодер-декодер

Первоначально эта статья была опубликована здесь

Comput Biol Med.2022 24 марта; 145:105445. doi: 10.1016/j.compbiomed.2022.105445. Онлайн перед печатью.

РЕЗЮМЕ

С ростом использования носимых устройств для мониторинга электрокардиограммы (ЭКГ) необходимо разработать модели и алгоритмы, которые могут анализировать большие объемы данных ЭКГ, получаемых в режиме реального времени. Точное разграничение ЭКГ является ключом к помощи кардиологам в диагностике сердечных заболеваний. Основная цель этого исследования — разработать модель разграничения на основе структуры кодер-декодер для обнаружения различных форм волн сердцебиения, включая P-волны, комплексы QRS, T-волны и отсутствие волн (NW), а также начало и смещение этих сигналов.Во-первых, введение стандартного модуля расширенной свертки (SDCM) в тракт кодировщика позволило модели извлечь больше полезных информативных функций сигнала ЭКГ. Впоследствии к структуре кодирования была добавлена ​​двунаправленная долговременная кратковременная память (BiLSTM) для получения многочисленных временных характеристик. Кроме того, наборы признаков сигналов ЭКГ на каждом уровне пути кодера были подключены к части декодера для многомасштабного декодирования, чтобы уменьшить потерю информации, вызванную операцией объединения в процессе кодирования.Наконец, предложенная модель была обучена и протестирована в базах данных QT и LU, и она дала точные результаты по сравнению с другими современными методами. Что касается базы данных QT, средняя точность классификации кривых ЭКГ составила 96,90%, а средняя точность классификации в базе данных LU составила 95,40%. Кроме того, средние значения F1 99,58% и 97,05% были достигнуты в задаче разграничения ЭКГ баз данных QT и LU соответственно. Результаты показывают, что предложенная модель ECG_SegNet обладает хорошей гибкостью и надежностью при применении к описанию ЭКГ и является надежным методом анализа сигналов ЭКГ в реальном времени.

PMID:35366468 | DOI: 10.1016/j.compbiomed.2022.105445

Декодирование частоты возбуждения населения в зрительных областях 17/18 в ответ на переход стимула

Abstract

Нейроны в первичной зрительной коре обычно достигают максимальной скорости возбуждения после резкого перехода изображения. Поскольку взаимная информация между скоростью срабатывания и текущим изображением является наибольшей в этот период раннего срабатывания, возникает соблазн сделать вывод, что это раннее срабатывание кодирует текущее изображение.Это представление, однако, усложняется тем фактом, что реакция на текущее изображение зависит от предыдущего изображения. Поэтому мы предполагаем, что нейроны кодируют комбинацию текущего и предыдущего изображений и что сила текущего изображения по отношению к предыдущему со временем меняется. Временное кодирование интересно, во-первых, потому, что нейроны в разные моменты времени чувствительны к различным характеристикам, таким как яркость, края и текстуры; во-вторых, потому что временная эволюция обеспечивает временные ограничения для расшифровки мгновенной популяционной активности.Чтобы изучить временную эволюцию кодирования, мы представили последовательность паттернов стимула длительностью 250 мс во время записи нескольких единиц в областях 17 и 18 хорька под анестезией. Используя новый метод, мы расшифровали шаблон, учитывая мгновенную скорость стрельбы населения. После перехода стимула от стимула A к B декодированный стимул в течение первых 90 мс больше коррелировал с разницей между A и B (BA), чем только с B. Через 90 мс декодированный стимул больше коррелировал со стимулом B, чем со стимулом B-A.Наконец, мы связали наши результаты с информационными мерами предыдущего (B) и текущего стимула (A). Несмотря на это, начальный переходный процесс передает большую часть информации, связанной со стимулом; мы показываем, что он действительно кодирует разностный образ, который может не зависеть от стимула. Только позже спайки постепенно кодируют стимул более эксклюзивно.

Образец цитирования: Эрикссон Д., Валентиниен С., Папайоанноу С. (2010) Связанная информация, кодирование и адаптация: декодирование частоты стрельбы населения в зрительных областях 17/18 в ответ на переход стимула.ПЛОС ОДИН 5(4): е10327. https://doi.org/10.1371/journal.pone.0010327

Редактор: Эрик Варрант, Лундский университет, Швеция

Получено: 9 июня 2009 г .; Принято: 24 марта 2010 г.; Опубликовано: 27 апреля 2010 г.

Авторские права: © 2010 Eriksson et al. Это статья с открытым доступом, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания оригинального автора и источника.

Финансирование: Эта работа была поддержана контрактом ЕС IST 2006, 027198 и K2007-63X-09456-17-3 от Шведского исследовательского совета Перу Роланду. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Нашему мозгу приходится иметь дело со многими типами внезапных изменений в нашем визуальном окружении, таких как тигр, который появляется из-за дерева, или быстрые движения глаз человека, с которым мы разговариваем.Зрительная система энергично реагирует на эти временные раздражители. Экспериментально эта первоначальная переходная реакция вызывалась всем, от изменений яркости [1]–[7] до фильмов естественного зрения [8], [9] и саккад [10]. В классическом исследовании было показано, что начальные спайки передают большую часть информации о стимуле, тогда как более поздние спайки передают меньше информации [11], [12]. Означает ли это, что стимул наиболее точно представлен во время первых нескольких спайков и менее точно — во время более поздних спайков?

Первые несколько спайков несут большой объем информации о стимуле и, следовательно, имеют большое отношение сигнал/шум.Сигнал сообщает, какое сообщение кодируется. Сигнал в этом контексте является «хорошим», если он соответствует предъявленному в данный момент стимулу, и «плохим», если он соответствует другому стимулу, который, например, был предъявлен на 1 минуту раньше. Большое отношение сигнал/шум может быть результатом хорошего сигнала, низкого уровня шума или их комбинации. Уровень шума в целом зависит от абсолютной скорости стрельбы. С другой стороны, сигнал не имеет такой зависимости. Поэтому мы хотели проверить, какое изображение кодируется в целом и, в частности, кодируют ли первые несколько пиков то же изображение, что и последующие пики.

Последний вопрос особенно интересен, потому что нейроны чувствительны к разным типам признаков в разные моменты времени после появления изображения. У обезьян макаки нейроны чувствительны к локальным особенностям и краям через 40–60 мс, поверхностным границам через 60–80 мс, внутренней части поверхности через 90–110 мс и трехмерной форме и вниманию через 110 мс [13], [14]. Таким образом, разные аспекты одного и того же изображения представлены в разные моменты времени. В этой статье мы исследуем дополнительную точку зрения.Изменяется ли закодированное изображение со временем, например. может ли ориентация в закодированном изображении сначала быть 0 градусов, а затем 90 градусов, несмотря на то, что изображение стимула является постоянным?

Представленное изображение, вероятно, изменится со временем, даже если стимул является постоянным. Это связано с сильными временными модуляциями мгновенной скорости стрельбы [15], вызванными реакциями ВКЛ и ВЫКЛ, вспышками отскока, колебаниями и адаптацией. Хотя невозможно описать временную модуляцию мгновенной скорострельности, используя только одно из этих свойств, адаптация, вероятно, наиболее актуальна для данного исследования.Адаптация использует историю стимуляции в качестве эталона для представления будущих стимулов. В недавнем обзоре обсуждались многие возможные преимущества адаптации, но был сделан вывод, что фактические преимущества остаются неясными [16]. Один открытый вопрос заключается в том, как адаптация влияет на кодирование населения.

Для индивидуальных нейронов адаптация обычно вызывает высокую частоту возбуждения в ответ на временное изменение стимула. В популяции нейронов каждый нейрон производит выборку из уникального положения сетчатки, что позволяет кодировать временные изменения в каждом положении сетчатки.Таким образом, мгновенная скорость популяции может кодировать разностное изображение, а не текущее изображение сетчатки [10]. Разностное изображение и текущее изображение могут быть независимыми друг от друга. Это означает, что изменение паттерна не только задерживает информацию, связанную со стимулом [17], но даже может заставить нейроны передавать информацию, которая противоречит стимулу.

Единственная возможность иметь непрерывное представление изображения на сетчатке — это принять во внимание временную модуляцию мгновенной скорости срабатывания [18], [19].Это также означает, что изображение сетчатки доступно для анализа (например, по дополнительным полосатым областям), если учитывается временная модуляция. Напротив, в большинстве вычислительных моделей и анализе данных предполагается, что изображение сетчатки доступно непосредственно в мгновенной частоте срабатывания, поскольку чувствительность к определенному признаку изображения определяется с точки зрения мгновенной частоты срабатывания [13], [14], [20]–[24]. Поэтому нас интересует, какое изображение кодируется мгновенной скорострельностью.

Если нейроны изначально кодируют разностное изображение, когда они переключаются на кодирование текущего стимула? Нейроны уменьшают свою зависимость от предыдущего стимула на срок до 500 мс, прежде чем скорость возбуждения в конечном итоге станет независимой от предыдущего стимула [7], [17], [25]–[27]. Эта зависимость от истории может быть связана, например, с адаптацией, ответами на выключение и ответами на отскок от предыдущего стимула [25], [28], [29]. Поскольку зависимость от предыдущего стимула со временем уменьшается, текущий стимул может кодироваться все более и более эксклюзивно.В отличие от этого исследования информационного анализа показали, что информация о текущем стимуле уменьшается со временем [11], [30]–[32].

Чтобы связать уменьшение информации о текущем стимуле с увеличением исключительности кодирования текущего стимула, мы для каждого момента времени после перехода стимула извлекали закодированное изображение и сравнивали его с количеством информации, которое нейроны передать о предыдущем и текущем изображении. В целом декодирование определяет, какой сигнал закодирован, тогда как информационные меры определяют, насколько точно этот сигнал закодирован.Наши результаты показывают, что нейроны кодируют текущий стимул, когда информация о стимуле низкая, и разностное изображение, когда информация о стимуле высока.

Методы

Животные и начальная хирургия

Все экспериментальные процедуры были одобрены Стокгольмским региональным комитетом по этике и проводились в соответствии с рекомендациями Европейского сообщества по уходу и использованию животных в научных экспериментах. Учеты проводились у 9 взрослых самок хорьков.Первоначально хорьков анестезировали 15 мг•кг -1 гидрохлорида кетамина (Ketalar, Pfitzer AB, Täby, Швеция) и 0,3 мг•кг -1 гидрохлорида медетомидина (Domitor, Orion Pharma, Orion Corporation, Эспоо, Англия). с добавлением 0,15 мг•кг -1 атропина (NM Pharma AB, Стокгольм, Швеция). После начальной анестезии хорькам делали трахеотомию и проводили искусственную вентиляцию легких (KTR-4 Hugo Sachs Elektronik, Harvard Apparatus GmbH, March Hugstetten, Германия) с помощью 1∶1 N 2 O∶O 2 и 1% изофлюрана (Abbott Scandinavia AB, Сольна, Швеция).Была сделана трепанация черепа, обнажая зрительные области 17, 18, 19 и 21 левого полушария, а затем была закрыта камера, прикрепленная к черепу стоматологическим акрилом. Затем животному внутривенно вводили 1,25 мг•кг -1 дексаметазона (Boehringer Ingelheim, Германия). Чтобы свести к минимуму дрейф глаз, животных парализовали внутривенно 0,6 мг кг -1 ч -1 бромида панкурония (Органон, Осс, Нидерланды). Левый глаз был закрыт, а в правом глазу зрачок расширен 1% глазными каплями сульфата атропина (Alcon, Alcon-Couvreur, Puurs, Бельгия), мигательная перепонка оттянута 10% фенилэфрином (Novopharma AG, Seinhausen, Германия) Затем на глаз надели контактную линзу с нулевой оптической силой (Nordiska lins, Гетеборг, Швеция).Во время операции и записи контролировали температуру тела, ЭКГ и ЭЭГ, а экспираторный CO 2 поддерживали между 3,3% и 4%.

Зрительные стимулы

Зрительные стимулы предъявлялись на ЭЛТ-мониторе с углом обзора 22°×22° на расстоянии 57 см. Видеокарта Cambridge Research Systems использовала монитор с разрешением 800×600 пикселей и частотой обновления по вертикали 120 Гц.

Зрительные стимулы для расшифровки.

Каждый образец стимула был построен путем повторения 2×2, (1.375°×1,375°) разбивает «миниатюрное изображение» на весь экран (рис. 1А). Каждой плитке присваивалось одно однородное значение яркости из трех возможных: черного (0,01 кд/м 2 ), серого (6 кд/м 2 ) или белого (60 кд/м 2 ). Максимальное количество возможных паттернов для 4 (2×2) фрагментов было 3 4  = 81, что в дальнейшем будет обозначаться как P. Небольшое количество пикселей и интенсивность пикселей выгодны для декодирования, поскольку мы можем отображать корковая реакция на все возможные комбинации пикселей.

Рисунок 1. Визуальные стимулы, использованные в этом исследовании.

A: Все шаблоны стимулов, использованные в этом исследовании, покрывали 22×22° поля зрения. Рисунок яркости, состоящий из 2×2 квадратов (каждый квадрат равен 1,3°), повторялся 8×8 раз, чтобы покрыть площадь экрана 22×22°. B: Четыре примера из 81 различных паттернов. C: Пример перехода стимула. D: Расчет разностного паттерна для перехода стимула, показанного на C. E: Расшифрованный паттерн коррелировал с предыдущим паттерном, текущим паттерном и разностным паттерном.

https://doi.org/10.1371/journal.pone.0010327.g001

Образцы стимулов были показаны в течение 250 мс в соответствии с двумя разными парадигмами: парадигма ретрансляции и парадигма словаря . Парадигма словаря использовалась для извлечения кода популяции, то есть активности популяции в ответ на различные изолированные модели стимулов. Затем этот словарь использовался для декодирования паттерна стимула из активности популяции, вызванной переходами паттерна в парадигме ретрансляции (парадигма словаря использовалась для декодирования парадигмы ретрансляции) или для декодирования паттерна стимула из активности популяции, вызванной . словарная парадигма (словарная парадигма использовалась для декодирования самой себя).В парадигме ретрансляции последовательность шаблонов P была показана в случайном порядке без пустого экрана между ними. В словарной парадигме одни и те же шаблоны P показывались в случайной последовательности, но с однородным серым экраном, длящимся 250 мс между каждым шаблоном. Затем парадигма ретрансляции и парадигма словаря чередовались и повторялись 10 раз. Для каждого повторения образцы отображались в новом порядке (т.е. с использованием новой перестановки). Таким образом, общее количество перестановок было 20, т.е.е. 2 (для двух разных парадигм) × 10 (повторения). Обратите внимание, что одни и те же 20 перестановок и, следовательно, одна и та же последовательность шаблонов использовались для всех проникновений (сеансов записи). Записи всех проникновений были объединены, за исключением внутризонового анализа.

Визуальные стимулы для теста на ориентацию.

Во-первых, было исследовано предпочтение ориентации каждого мультиблока путем отображения серого фона (20 кд/м 2 ) в течение 250 мс, а затем неподвижной решетки (5 и 35 кд/м 2 ), показанной в течение 250 мс при 16 различных ориентаций в 22.Шаги по 5°, каждый из которых повторяется 10 раз. Чтобы проверить кодирование ориентации после перехода, той же решетке, что и выше, предшествовала структура 250 мс (0, 10 и 60 Cd/m 2 , см. Рисунок 1C), чтобы произвести переход стимула, показанный на рисунке 1C. Ориентация в разностном паттерне ортогональна ориентации в текущем паттерне стимула (см. рис. 1D). Ориентация в разностном шаблоне может быть извлечена следующим образом. Предположим, что верхняя левая, верхняя правая, нижняя левая и нижняя правая яркость предыдущего шаблона равна 0, 10, 10 и 60 кд/м 2 .Соответствующие пиксели текущего шаблона 5, 35, 5 и 35Cd/m 2 , т.е. вертикальная линия. Средняя яркость двух левых плиток (5 кд/м 2 ) не изменится во время перехода. То же самое верно для двух правых плиток (35 кд/м 2 ). Следовательно, нет изменения яркости вдоль направления текущего образца стимула, т. е. по вертикали, и, как следствие, эта ориентация не вызовет ответной реакции. С другой стороны, изменение яркости будет ортогональным этому шаблону, т.е.е. по горизонтали. Таким образом, ориентация на разностной картине ортогональна ориентации на решетке. Для количественной оценки закодированной ориентации этот переход отображался в 16 различных ориентациях с шагом 22,5° (каждая повторялась 10 раз).

Электрофизиологическая запись и сбор данных

Известные корковые ориентиры, такие как сосудистый рисунок, надсильвиевая борозда и латеральная борозда, использовались для направления электрода в области 17 и 18 [33]. Внеклеточный сигнал одиночных/множественных нейронов регистрировали с помощью одностержневых ламинарных мультиэлектродов с 16 точками (3 МОм) с расстоянием 100 мкм между двумя соседними отведениями, охватывающими 1.5мм (a1x16-5мм100-177, Neuro Nexus Technologies, Мичиган, США). См. Рисунок S1 для примера трассировки. Электрод всегда вводили перпендикулярно поверхности коры. Референтная отметка в верхней части массива электродов позволила нам контролировать глубину электрода под поверхностью коры во время эксперимента. Электрод располагали таким образом, чтобы верхний участок регистрации находился на 100–200 мкм ниже поверхности. Электрод присоединяли к головному столику RA16AC (Tucker-Davis Technologies), а сигнал предварительно усиливали с помощью предусилителя RA16PA Medusa (Tucker-Davis Technologies).Сигнал был усилен (усиление 40K) и подвергнут полосовой фильтрации (100 Гц–10 кГц) с использованием базовой станции RA16 Medusa. Наконец, данные были захвачены и записаны на жесткий диск с помощью AD-конвертера CED power 1401 (Cambridge Research Systems) и программного обеспечения Spike 2 (Cambridge Research Systems). Весь последующий анализ был выполнен с использованием Matlab R13 (The MathWorks, Natrick, Massachusetts). Пики внеклеточной амплитуды, которые в три раза превышали стандартное отклонение внеклеточного сигнала, определяли как спайки.Место записи считалось значимым, если средняя (по паттернам и времени) частота срабатывания в парадигме словаря была больше, чем среднее значение плюс два стандартных отклонения скорости срабатывания между -100 мс и 0 мс до предъявления стимула.

Исходная обработка данных для словаря и релейной парадигмы

Были использованы все сайты регистрации независимо от того, показали ли они значимые ответы или нет (95 из 393 были значимыми). Результаты существенно не изменились, если были включены только значимые единицы.

В парадигме словаря одна 250-мс временная гистограмма перистимула (PSTH) была создана для каждого периода представления паттерна, чтобы увидеть ответ паттерна на включение, и одна 250 мс PSTH для каждого пустого периода, чтобы увидеть ответ паттерна на выключение. Время 0 обозначает время перехода и всегда находится в начале PSTH. Словарь был создан с использованием средней частоты возбуждения в течение первых 90 мс (или 90–250 мс, или 0–250 мс) после появления паттерна и во всех 10 повторениях. Средняя скорострельность одного паттерна была присвоена соответствующей позиции RR pn в матрице RR , где строка p обозначает индекс паттерна, а столбец n обозначает точку записи.

В ретрансляционной парадигме PSTH длительностью 250 мс создавался для каждого периода представления шаблона. Декодирование всегда выполнялось по частоте срабатывания одной пробной популяции, а не по средней частоте срабатывания популяции за множество повторений (как в случае извлечения словаря).

Расшифровка

Новая матрица R была создана путем нормализации каждой строки в матрице RR в соответствии со следующей стандартной формулой: (1) Эта нормализация позволяет нам вычислить корреляцию между вектором скорости срабатывания словаря и вектором скорости срабатывания реле посредством умножения и суммирование в уравнении 2 ниже (см. обсуждение биологической мотивации).

Декодирование было выполнено по мгновенной скорости стрельбы популяции во временной ячейке, rr, в один момент времени, t (см. рис. 2C). Релейная парадигма и ответы ВКЛ и ВЫКЛ в парадигме словаря были декодированы с использованием временных интервалов размером от 1 до 50 мс. Определенная выше нормализация была выполнена для rr, чтобы создать r (см. уравнение 1). Затем r умножается на словарную матрицу R. Результирующий вектор c содержит P элементов, по одному элементу для каждого шаблона. Элемент c p говорит о том, насколько вероятно, что соответствующий образец стимула, p , вызвал у населения частоту возбуждения r .Точнее, элемент c p обозначает корреляцию между возбуждением населения, вызванным паттерном p, и нормализованным мгновенным возбуждением населения r. Простой способ расшифровать скорость стрельбы населения — выбрать элемент в c с наибольшей корреляцией. Шаблон, соответствующий этому значению, является декодированным шаблоном. Это основной принцип метода декодирования, используемого в данной статье.

Рис. 2. Процедура декодирования.

A: Переход шаблона в парадигме словаря от пустого экрана к шаблону.Многокомпонентную активность регистрировали с помощью одного электрода с 16 отведениями. Количество мультиединичных спайков подсчитывали в заданном временном интервале ΔT во время отображения паттерна. В этом исследовании мы использовали три разных интервала: 0–250 мс, 0–90 мс и 90–250 мс. Количество мультиединичных спайков для каждого участка регистрации было присвоено вектору (словарному вектору). Этот вектор был связан с представленным образцом стимула. B: Затем такой вектор был рассчитан для каждого из 81 различных шаблонов.C: Переход шаблона в парадигме реле (от одного шаблона к другому шаблону). Количество многоэлементных спайков подсчитывали в бинах по 10 мс. Количество мультиединичных спайков для каждого участка регистрации было присвоено вектору (ретрансляционному вектору). D: Затем этот релейный вектор был сопоставлен с каждым вектором-строкой в ​​словаре. Полученные корреляции затем использовались для взвешивания влияния соответствующих паттернов стимулов. Затем взвешенные паттерны стимулов усреднялись для создания декодированного паттерна.

https://doi.org/10.1371/journal.pone.0010327.g002

Этот подход, однако, не будет включать информацию, присущую корреляциям с остальными паттернами P-1. Паттерн с высокой корреляцией должен иметь больший вес, чем паттерн с более низкой корреляцией. Следовательно, декодированный шаблон представлял собой средневзвешенное значение корреляции всех шаблонов. Чтобы создать средневзвешенное значение всех шаблонов, яркостный контраст каждого шаблона был описан вектором с четырьмя элементами.Значение каждого элемента было равно 1 (черный), 0 (серый) или -1 (белый). Затем каждый вектор образца был нормализован (с использованием уравнения 1) и организован в матрицу S с P строками и 4 столбцами. Значение яркостного контраста в каждой ячейке, d l , декодированного шаблона d рассчитывали следующим образом: (2) вектор декодированного шаблона d нормализовали таким же образом, как и шаблон стимула (см. уравнение 1). В течение определенного времени после перехода от паттерна A к B (рис. 1C) вектор декодированного паттерна коррелировал с нормализованным паттерном стимула A, нормализованным паттерном B и нормализованной разностью (см. ниже) между паттерном стимула B и A, Б-А (рис. 1Е).Наконец, корреляции всех переходов паттерна (обычно 810 переходов на животное) усреднялись и вычислялась стандартная ошибка. См. иллюстративный пример на рисунке S2; см. также рисунок S3B для результатов с использованием этого метода и рисунок S3A и рисунок S3C для сравнения результатов для разных методов.

Образец различия (B-A) был рассчитан путем поэлементного вычитания ненормализованных образцов стимула, т.е. результирующие значения могут быть -2, -1, 0, 1 и 2 (рис. 1D).После этого результирующий образец нормализовали с помощью уравнения 1. Поскольку декодированный образец был коррелирован с образцом (A, B или B-A), сходство характеризовали с точки зрения пространственного рисунка, а не среднего уровня яркости. То есть, если бы один или оба из двух коррелированных шаблонов были постоянными (без пространственного контраста), результат корреляции был бы равен 0,

.

Обработка данных для оценки информации

Взаимная информация рассчитывалась отдельно для каждого места записи и отдельно для парадигмы ретрансляции и парадигмы словаря.В анализ были включены только те сайты, которые продемонстрировали значительный отклик на парадигму словаря. Единицей передачи информации было количество спайков в окне 10 мс. Следующий анализ был проведен во время t после появления паттерна. Сначала мы рассчитали минимальное и максимальное количество спайков для всех P-паттернов, то есть, например, 0–7 спайков. Затем этот интервал был разделен на четыре подинтервала одинакового размера, то есть 0–1, 2–3, 4–5, 6–7 шипов. Для каждого паттерна было создано дискретное распределение вероятностей путем присвоения каждому из 10 значений количества спайков (каждый паттерн повторялся 10 раз) одному из четырех интервалов подсчета спайков.Теперь все P паттернов дают P дискретных распределений вероятностей, где все распределения имеют одинаковые интервалы подсчета всплесков. Полученное двумерное распределение вероятностей было определено как P(r, s), где r обозначает интервал подсчета спайков, а s обозначает шаблон стимула. Информация во время t рассчитывалась по следующей формуле: (3) Чтобы компенсировать погрешность частоты стрельбы, информация также рассчитывалась для случайно переставленных стимулов [34], [35]. Измененная информация была вычтена из неизмененной информации.Информация о предыдущем стимуле рассчитывалась путем подсчета спайков во время t+250 мс, а не во время t.

Следует отметить, что аналогичные результаты были получены при использовании более сложного алгоритма оценки вероятности [36]. Вероятности оценивались с помощью нейронной сети со скрытым слоем из шести единиц. Сеть обучалась с обратным распространением ошибки. Максимальное количество итераций для сходимости весов было установлено равным 800. Импульс α был установлен равным 0.5, а константа пропорциональности обновления веса η была установлена ​​равной 0,005. Код Matlab и результаты могут быть получены по запросу от авторов.

Минимальная модель

Целью минимальной модели является аппроксимация последовательности изображений, кодируемых нейронами в ответ на последовательность изображений стимула. С этой целью мы предскажем мембранный потенциал ON-области нейрона. Мембранный потенциал ( u ON [t] ) прогнозируется путем свертки во времени изменения яркости ( sis[t] ) в пикселях, покрытых ON-областью, с функцией временного отклика ( trp[ t] ) среднего нейрона.Функция временного отклика ( trp[t] ) оценивается с помощью обратной корреляции, описанной в тексте S1 в разделе Картирование рецептивного поля с использованием обратной корреляции . Для выключенной области увеличение яркости вызывает уменьшение мембранного потенциала, т. е. функция временного отклика инвертируется. Закодированная яркость ( eis[t] ) затем приблизительно представлена ​​​​мембранным потенциалом для включенной области минус мембранный потенциал. для OFF-региона. Понятно, что эта минимальная модель является упрощением.Например, нет представления о скорости (пространственно-временное взаимодействие) или нелинейной зависимости между мембранным потенциалом и скоростью возбуждения. Однако для стационарных шаблонов, используемых в этой статье, модель способна качественно описать результаты.

Предпочтение ориентации

Скорость срабатывания для каждой ориентации усреднялась от 25 мс до 90 мс после появления решетки. Предпочтение ориентации было аппроксимировано фазой функции косинуса, которая была подогнана к полученной функции ориентации скорострельности.Этот расчет был выполнен для переходов пустая решетка и узорная решетка (см. Визуальные стимулы для теста ориентации выше). Затем была рассчитана разница в предпочтениях ориентации между этими двумя переходами стимула. Разница в 90° означает, что предпочтение ориентации определяется разностным паттерном, а не отображаемым в данный момент паттерном стимула. Разница в 0° означает, что предпочтение ориентации диктуется текущим показанным шаблоном стимула.

Результаты

В первом разделе мы сопоставим декодированный шаблон с предыдущим, текущим и разностным шаблонами. Мы исследуем, как эти корреляции развиваются во времени после смены модели. Во втором разделе эти корреляции будут сравниваться с взаимной информацией, рассчитанной для того же набора данных. Наконец, в третьем разделе мы рассмотрим, является ли временная модуляция декодируемого паттерна присущей каждой отдельной единице или она является результатом комбинации различных нейронов.

Декодированный образ и его корреляция с предыдущим, текущим и разностным образами

Мы сделали 27 проникновений у пяти хорьков, каждое из которых было выполнено с использованием мультиэлектрода с одним стержнем с 16 точками регистрации, охватывающими все слои коры, в области 17 и 18. В парадигме эстафеты мы рассчитывали вектор скорости популяции каждые 10 мс ( для других размеров бункера см. Рисунок S5). Учитывая вектор скорости популяции, мы можем использовать словарь (код нейронной популяции), чтобы оценить, какой шаблон был закодирован (см. Методы).Полученный декодированный паттерн коррелировал с предыдущим паттерном стимула и текущим паттерном стимула. Если не указано иное, мы будем использовать среднюю корреляцию между животными (рис. 3C).

Рисунок 3. Декодированный шаблон меняется со временем.

A: Средняя мгновенная скорость стрельбы после перехода стимула. B: Для каждой временной точки декодированный паттерн коррелировал с текущим паттерном (сплошная линия) и с предыдущим паттерном (пунктирная линия). Средняя корреляция была рассчитана для всех 810 переходов на животное (цветовой код см. в легенде).C: Корреляция усреднялась по всем пяти животным, а стандартная ошибка (тонкие линии) рассчитывалась по всем представлениям паттернов и по всем животным. Стандартная ошибка — это стандартное отклонение, деленное на квадратный корень из числа точек данных. D: Корреляция с текущим паттерном была вычтена из корреляции с разностным паттерном. До 90 мс декодированный паттерн больше коррелирует с разностным паттерном, чем с текущим паттерном. После 90 мс верно обратное.

https://doi.org/10.1371/journal.pone.0010327.g003

Сразу после перехода стимула корреляция с текущим стимулом была 0, а корреляция с предыдущим паттерном 0,12±0,01 (p<10 −16 , n = 5*810, двусторонний парный t-критерий). Это ожидаемо, поскольку нейроны еще не начали реагировать на новый образец стимула. Через 50 мс, когда средняя частота возбуждения была максимальной, корреляция с текущим стимулом составляла 0,12, а корреляция с предыдущим стимулом равнялась -0.12±0,01 (p<10 -15 , n = 5*810, двусторонний парный t-критерий). Корреляция 0,12 соответствует 57% от максимальной корреляции (см. Верхняя граница корреляции в тексте S1), предполагая, что нейроны не кодируют ни текущий, ни предыдущий паттерн.

Временной ход корреляции с предыдущим и текущим образцом может быть описан временным ходом образца, закодированного во время ответов ВЫКЛ и ВКЛ соответственно (см. Текст S1, раздел Декодирование ответов ВКЛ и ВЫКЛ ) .Поскольку на данный спайк будет влиять реакция как на предыдущий, так и на текущий паттерн, различение того, что закодировано (предыдущий или текущий паттерн), может быть сделано только потому, что предыдущий и текущий паттерны известны априори. Поэтому мы хотим исследовать, какой (единственный) паттерн кодируется конгломератом реакций ВКЛ и ВЫКЛ. Другими словами, какой образ непосредственно доступен при возбуждении нейронов? Поскольку корреляция с текущим паттерном положительная, +В, а корреляция с предыдущим паттерном отрицательная, -А, нейроны, по-видимому, кодируют разницу между текущим и предыдущим паттерном, В-А.Чтобы проверить это, мы сопоставили декодированный паттерн с разностным паттерном (см. методы расчета разностного паттерна) (рис. 3C). Корреляция с разностным паттерном через 50 мс, 0,17±0,01, была значительно больше, чем корреляция с текущим паттерном, 0,12±0,01 (p<10 -11 , n = 5*810, 2-сторонний парный t-критерий ). Поскольку это значение относительно близко к максимально возможной корреляции (81% от максимальной корреляции), это указывает на то, что разностный паттерн является основным компонентом, кодируемым нейронами.Через 90±15 мс (m±sd, n = 5) корреляция с текущим паттерном становится больше, чем корреляция с разностным паттерном. На рисунке 3D мы вычли корреляцию разностного паттерна из текущей корреляции паттерна. Корреляция текущего паттерна становится значительно больше, чем корреляция разностного паттерна через 140 мс (p<0,05, n = 5*810, двусторонний парный t-критерий). С этого момента мы будем ссылаться на первоначальную корреляцию с разностным паттерном и более позднюю корреляцию с текущим паттерном как на Разностно-Текущие-характеристики.

Взаимная информация

Если изначально закодирован разностный паттерн, а не текущий паттерн, было бы нелогичным, если бы нейроны передавали большую часть информации о текущем паттерне в этот момент. Чтобы изучить это, мы рассчитали среднюю информацию для ретрансляционной парадигмы из 95 значимых мультиблоков (рис. 4B). Интересно, что информация о текущем паттерне максимальна, когда корреляция с разностным паттерном больше, чем с текущим паттерном.

Рис. 4. Разностное изображение кодируется спайками, передающими максимальную информацию о текущем изображении.

A: Средняя мгновенная скорость срабатывания для перехода от шаблона к шаблону, перехода от бланка к шаблону и перехода от шаблона к бланку. B: Информация о текущем и предыдущем стимуле была рассчитана в интервалах по 10 мс. Первоначально информация о предыдущем стимуле больше, чем информация о текущем стимуле. После 100 мс все наоборот.

https://doi.org/10.1371/journal.pone.0010327.g004

Информация может быть большой при 50 мс, потому что отношение сигнал/шум велико в этот момент времени. В соответствии с процессом Пуассона отношение сигнал/шум высокое, потому что абсолютная скорость стрельбы высока (рис. 4А). Следовательно, поскольку текущая последовательность является компонентом разностной последовательности, и тот факт, что разностная последовательность кодируется с высоким отношением сигнал-шум, также означает, что текущая последовательность кодируется с высоким отношением сигнал-шум (хотя и не таким высоким). как образец отличия).

Соответствие между декодированием и информацией становится более ясным при сравнении информации между текущим и предыдущим образцом (p<0,001, n = 95, двусторонний парный t-критерий). В 50 мс в равной степени представлены как предыдущий, так и текущий шаблоны. Это совместимо с кодированием разностного изображения, поскольку разностное изображение связано как с предыдущим, так и с текущим образцом. Только через 180 мс информация о текущем паттерне становится больше, чем о предыдущем паттерне (p<0.0001, n = 95, двусторонний парный t-критерий). Это совместимо с кодировкой текущего шаблона. Таким образом, разностно-токовые характеристики также косвенно проявляются в мере взаимной информации.

Происхождение разностных токовых характеристик

Поскольку декодированный паттерн был разным до и после 90 мс, можно предположить, что код нейронной популяции изменяется после 90 мс. Чтобы проверить это, мы извлекли один словарь из средней частоты срабатывания между 0 и 90 мс (ΔT = 0–90 мс на рисунке 2A), а другой — из средней частоты срабатывания между 90 и 250 мс (ΔT = 90–250 мс на рисунке). 2Б).Кривые корреляции для двух словарей существенно не различаются (пунктирная линия на рис. 5А и В). Это указывает на то, что код популяции нейронов до и после 90 мс одинаков. Следовательно, должна быть одна и та же популяция нейронов, которые кодируют разностный паттерн до 90 мс, и те, которые кодируют текущий паттерн после 90 мс. Помимо более слабого разностного кодирования в инфрагранулярных слоях, характеристики разностного тока существенно не зависят от областей или слоев коры (см. Рисунок S7).В частности, это предполагает, что характеристики разности токов присущи отдельному блоку, т. е. один блок передает одно сообщение до 90 мс и другое сообщение после 90 мс (см. обсуждение).

Рис. 5. Словарь, оцененный в два разных момента времени.

Расшифровка проводилась с использованием двух разных кодов скорострельности. Либо код представлял собой среднюю скорость срабатывания между 0–90 мс после перехода от пустого к шаблону (A), либо среднюю скорость срабатывания между 90–250 мс после перехода от пустого к шаблону (B).Различие между корреляцией с разностным образцом и текущим образцом проводилось для обоих кодов (C, D). Обратите внимание, что оба кода генерировали аналогичные временные графики.

https://doi.org/10.1371/journal.pone.0010327.g005

Могут ли свойства линейного пространственно-временного рецептивного поля отдельного нейрона объяснить характеристики разностного тока? Чтобы ответить на этот вопрос, нам нужно найти последовательность паттернов изображения, закодированную средним одиночным нейроном. Эта закодированная последовательность может быть аппроксимирована для любой последовательности изображений стимула (для фильма с естественной сценой см. фильм S1) путем свертки временной динамики яркости в каждом пикселе с помощью функции временного отклика (см. минимальную модель в разделе методов).Функция временного отклика, оцененная с помощью обратной корреляции, показана на рисунке 6B (усредненная по рецептивным полям, показанным на рисунке S4). Используя эту функцию временного отклика, переход шаблона на фиг. 6А привел к закодированной последовательности шаблонов, показанной на фиг. 6С. Теперь эту модель можно использовать для оценки того, как кодируется каждый переход стимула в релейной парадигме. Для заданного перехода от паттерна А к паттерну В мы сопоставили декодированный паттерн с предшествующим паттерном А, текущим паттерном В и разностным паттерном В-А.На рисунке 6D видно, что характеристики разностного тока очевидны в этой модели с одной ячейкой.

Рис. 6. Характеристики разности токов, объясняемые функцией временного отклика одного мультиустройства.

A: Пример последовательности паттернов стимула, которая будет свернута функцией временного отклика. B: Функция среднего временного отклика, полученная путем обратной корреляции кадров длительностью 8,3 мс, состоящих из 16×16 плиток белого шума. C: последовательность декодированных паттернов, полученная в результате временной свертки стимула в A со средней функцией временного отклика в B.Обратите внимание, что декодированный паттерн изменяется, несмотря на постоянство паттерна стимула; сначала декодируемый шаблон представляет собой горизонтальные линии, а затем вертикальные линии. D: Средняя корреляция по всем 81 × 81 возможным переходам шаблона стимула. Корреляцию проводили между декодированным паттерном и текущим паттерном стимула (сплошной), предыдущим паттерном стимула (пунктир) и разностным паттерном (красный пунктир). Обратите внимание на качественное сходство с результатом декодирования населения на рисунке 3C. E: (правая панель) Предпочтительная ориентация квадратной решетки, поскольку ей предшествует серый экран 250 мс (пунктир) или предыдущий шаблон 250 мс (сплошной).Обратите внимание на сдвиг предпочтения ориентации на 90°. E: (левая панель) Пиковый растровый график для перехода узор-решетка под углом 45°. Заштрихованная область обозначает временной интервал, используемый для оценки скорости стрельбы для предпочтения ориентации на правой панели.

https://doi.org/10.1371/journal.pone.0010327.g006

На рисунке 6C мы сделали прогноз о том, что сообщение, передаваемое отдельной единицей, может не совпадать с текущим паттерном стимула, т. е. паттерн различия имеет горизонтальная ориентация, тогда как фактический образец стимула имеет вертикальную ориентацию.Пример устройства показан на рисунке 6D. Предпочтение ориентации этого устройства было 135 ° (см. Рисунок 6E). Когда решетке предшествовал узор, предпочтение ориентации было ортогональным истинной ориентации. Среднее смещение ориентации по 17 настроенным на ориентацию единицам (глубина коры для них составляла 100, 200, 300, 300, 300, 400, 400, 500, 500, 700, 700, 800, 900, 1100, 1300, 1400 и 1500 мкм) в у 4 животных 89±15° (среднее ± стандартное отклонение, n = 17). Таким образом, нейроны чувствительны к ориентации в разностном паттерне.Важно отметить, что ориентация разностного шаблона не обязательно должна существовать в текущем шаблоне.

Обсуждение

Мы вводим очевидный парадокс, что ответ, который передает большую часть информации, связанной со стимулом, не представляет сам стимул. Мы обнаружили, что вместо того, чтобы представлять стимул, нейроны изначально кодируют виртуальный стимул, который в первом приближении можно описать как разницу между текущим и предыдущим стимулом. Текущий стимул становится более эксклюзивно или уникально представлен через 90 мс.Мы предполагаем, что это изменение представления связано с изменением передаваемого сообщения, а не с изменением нейронного кода.

Биологическое правдоподобие алгоритма декодирования

Декодирование осуществляется путем считывания паттерна популяционной активности в стриарной коре таким же образом, как считается, что простая клетка избирательна к паттерну популяционной активности в латеральном коленчатом теле. Поскольку считается, что это считывание паттерна запуска популяции является общим принципом иерархии прямой связи в зрительной системе, такое считывание паттерна популяции является биологически правдоподобным [23].Однако нам нужно мотивировать аддитивную и мультипликативную нормализацию, выполненную в уравнении 1. Кортикальные нейроны коррелируют как аддитивным, так и мультипликативным образом. Аддитивные корреляции могут возникать из-за аддитивной спонтанной активности [37]. Мультипликативные корреляции возникают по мере того, как скорость стрельбы популяции снижается, например, во время адаптации. Уравнение 1 может быть реализовано дополнительной полосатой областью таким же образом, как ранняя зрительная система выполняет выравнивание яркости (аддитивная нормализация) и нормализацию контраста (мультипликативная нормализация) изображения на сетчатке.Но вместо того, чтобы декоррелировать активность различных фоторецепторов сетчатки, дополнительная полосатая область будет декоррелировать активность нейронов в полосатой коре.

Основное допущение для метода состоит в том, что существует монотонная связь между скоростью стрельбы и картиной яркости. Это предположение верно для простых клеток, но неверно для сложных. Для сложной клетки определенное увеличение скорости срабатывания может быть результатом увеличения или уменьшения яркости.Более того, сложная клетка не чувствительна к тому, в каком месте ее рецептивного поля произошло увеличение яркости. Таким образом, увеличения частоты возбуждения недостаточно для декодирования пространственного яркостного контраста. Таким образом, простая ячейка вносит основной вклад в результаты декодирования, представленные в этом исследовании. Следует, однако, отметить, что кодирование ортогональной ориентации на рисунке 6E было очевидным как в простых, так и в сложных ячейках.

Нейронный механизм, лежащий в основе характеристик разностного тока

Что является источником временных характеристик декодированного паттерна? Являются ли характеристики разностного тока результатом смешения различных нейронов? Например, может ли разностная характеристика быть объяснена одной популяцией клеток при 50 мс, а текущая характеристика — другой популяцией нейронов при 150 мс? Или отдельный нейрон меняет свое представление с течением времени? Последняя возможность более вероятна, чем первая.Это связано с тем, что декодированный шаблон при 50 мс, а также при 200 мс не зависел от того, был ли код скорости популяции взят из 50 мс или из 200 мс (рис. 5А и В). Теоретически это можно было бы объяснить случайным совпадением двух разных популяций нейронов в пяти случаях из 100 при уровне значимости p<0,05. Однако крайне маловероятно, что такой шанс приведет к корреляции с p-значением менее 10 −9 (когда декодирование 0–90 мс основано на словаре 90–250 мс, рис. 5D).Это говорит о том, что отдельная единица сначала кодирует разностный паттерн, а затем кодирует текущий паттерн.

Предыдущие исследования также предполагают, что характеристики разности токов присущи отдельным устройствам. Поскольку функция среднего временного отклика в этом исследовании (рис. 6B) имела профиль, аналогичный функции временного отклика из исследований одиночных клеток с использованием естественных сцен для бодрствующей обезьяны [8], характеристики разности токов можно было бы объяснить одной клеткой. .Меры предыдущей косвенной информации указывают на то, что отдельные клетки передают информацию о предыдущем стимуле [38]. Однако еще предстоит изучить, сколько информации передают отдельные нейроны о предыдущем стимуле по сравнению с текущим стимулом. Кроме того, один нейрон передает информацию о предыдущей яркости до 500 мс после изменения яркости [7]. В недавнем исследовании дискриминации отдельных единиц клетки несли информацию о предыдущем стимуле до 700 мс после смещения стимула [27].В отличие от нашего стимула, в котором локальная яркость изменяется в каждом пикселе для перехода изображения, длинная дорожка памяти может быть связана с тем, что авторы использовали буквы A, B, C, D и E, которые не перекрываются полностью; когда предъявляется новый паттерн, это означает, что ответ «ВЫКЛ» на предыдущий паттерн в некоторых местах сетчатки не прерывается реакцией «ВКЛ» на новый паттерн [39]. В результате часть единичной активности может быть результатом длительных, 500–1000 мс, пространственно-селективных рикошетных OFF-реакций [25].В целом это говорит о том, что разностно-токовые характеристики присущи одному устройству.

Какие нейронные механизмы могли создать разностный паттерн? Разностный паттерн кодируется абсолютной скорострельностью (в отличие от изменения скорострельности). Следовательно, абсолютная частота срабатывания во время нового стимула должна быть пропорциональна образцу пространственного контраста нового стимула по отношению к образцу пространственного контраста предыдущего стимула.Таким образом, порог срабатывания должен быть установлен по предыдущему шаблону. Возбуждение в ответ на предыдущий стимул может, например, вызвать отсроченную гиперполяризацию. Важное различие заключается в том, влияет ли результирующая гиперполяризация на возбуждение нейронов, которое первоначально ее вызвало, то есть на адаптацию или торможение с обратной связью, или же на возбуждение нейронов не влияет результирующая гиперполяризация, то есть адаптация или торможение с прямой связью. При адаптации с обратной связью гиперполяризация не может быть произвольно сильной, потому что это привело бы к меньшему срабатыванию и, в свою очередь, к меньшей гиперполяризации.Это позволяет переключиться с разности на текущий шаблон. Таким образом, адаптация обратной связи может как единый механизм объяснить различие токовых характеристик. С другой стороны, адаптация с прямой связью может иметь сколь угодно сильную гиперполяризацию и, следовательно, может полностью устранить влияние текущего стимула. Это не совместимо с разницей токовых характеристик, где через некоторое время нейроны кодируют текущий раздражитель. Однако адаптация с упреждением вместе с дополнительным устойчивым входом может объяснить разницу характеристик тока.Двумя типами адаптации с прямой связью являются синаптическая депрессия и торможение с прямой связью, т. е. тормозной нейрон получает тот же вход, что и нейрон, который он ингибирует [40]. Четыре типа адаптации с обратной связью — это кальцийзависимые калиевые каналы, инактивация натриевых каналов, натриевые калиевые каналы и инактивация кальциевых каналов в латеральном коленчатом теле [39], [41]. Наши результаты показывают, что механизм работает порядка 100 мс. Таким образом, наиболее маловероятным механизмом является торможение с прямой связью, которое обычно составляет порядка 10 мс, что оставляет наиболее вероятным механизмом тип торможения с обратной связью.

Короткие длительности стимульных паттернов и зависимость от межстимульного интервала

Что произойдет, если продолжительность паттерна мала по сравнению со временем, которое требуется нейронам для адаптации? Это заставило бы нейроны адаптироваться не только к предыдущему стимулу, но и к стимулу до него и так далее. Поэтому нейроны будут кодировать не разницу между текущим и предыдущим стимулом, а скорее разницу между текущим и средним значением всех предыдущих стимулов.Для случайной последовательности кратковременных стимулов это означает, что средний предыдущий стимул становится сглаженным и больше похож на серый экран. Разностный паттерн в этом случае будет аналогичен текущему паттерну. Это может объяснить точное кодирование ориентации в недавнем исследовании, в котором используется случайная последовательность 30-миллисекундных решеток [42].

Какой паттерн кодировали бы нейроны, если бы между паттернами был временной промежуток (серый экран)? Чтобы изучить это, мы сначала отметим, что характеристики разностного тока можно предсказать на основе пустого шаблона и перехода шаблон-пустой (сравните рисунок 3C и рисунок S6).Это говорит о том, что корреляция с предыдущим паттерном не зависит от корреляции с текущим паттерном. Таким образом, в случае временного разрыва между двумя паттернами мы прогнозируем, что эти два временных хода корреляции должны быть сдвинуты относительно друг друга с задержкой, соответствующей продолжительности разрыва.

Отличие изображения от предыдущих исследований

Давно известно, что нейроны реагируют на временные изменения и производные стимула [10], [43].В одном исследовании кодирование производной стимула было явно показано с использованием модели производной Гаусса [44]. Временная чувствительность моделировалась производной симметричной гауссианы. В результате производной эта модель имеет совершенную асимметрию во временной области, т. е. положительная сторона компенсирует отрицательную. Поэтому эта модель кодирует только разностное изображение. Это не позволяет изменить представление с разностного изображения на текущее изображение. Характеристики Difference-Current интересны тем, что неясно, как выполняется считывание с нейрона, когда тот же самый нейрон кодирует разностное изображение в один момент времени и текущее изображение в другой момент времени.

Остальные предыдущие исследования, связанные с нашим исследованием, можно разделить на информационные и декодирующие исследования. Информационные исследования были сосредоточены на количестве информации, которую мгновенная скорость стрельбы передает о текущем стимуле [11], [30]–[32]. Поскольку в этих исследованиях основное внимание уделялось текущему стимулу, а не предыдущему, каждому стимулу предшествовал пустой экран. Насколько нам известно, существует только одно исследование, в котором каждому стимулу предшествовал другой стимул [38].В этом исследовании единицей передачи информации была кумулятивная скорострельность (вместо мгновенной скорострельности, используемой в нашем исследовании). В их исследовании кумулятивная информация продолжала увеличиваться после отмены стимула. Мы полагаем, что это можно объяснить разностным образом, так как разностный образ содержит как предыдущий, так и текущий стимул.

Исследования декодирования в первую очередь были сосредоточены на том, возможно ли восстановить последовательность изображения стимула из нейронного ответа.В предыдущем исследовании частота срабатывания группы нейронов в таламусе использовалась для декодирования изображения на сетчатке в ответ на фильм о природных сценах [19]. Изображение на сетчатке было точно декодировано, и не было сделано никаких комментариев по поводу возможных разностных изображений. Декодирование производилось с использованием кода, минимизирующего разницу между реальным стимулом и декодируемым стимулом [18], [45]. Короче говоря, они сначала оценили функцию временного отклика (см. выше). Поскольку функция временного отклика определяет линейное преобразование стимула в паттерн срабатывания, декодированный стимул затем извлекался путем свертки паттерна срабатывания с обратной функцией временного отклика.При этом они предположили, что нейроны используют временной код (функция временного отклика). В результате изображение сетчатки не может быть проанализировано до того, как паттерн срабатывания будет свернут с обратной функцией временного отклика. Напротив, в нашем исследовании мы использовали код популяции нейронов (код мгновенной скорости), который, как считается, используется для выполнения анализа изображения сетчатки [13], [14], [20]–[24]. Учитывая, что этот код соответствует вычислениям анализа изображений, мы проверяем, какое изображение кодирует этот код.Таким образом, временной код точно кодирует изображение на сетчатке, в то время как код скорости согласуется с существующими механизмами анализа изображения. Предположительно, лучшим кодом был бы код, который соответствует вычислениям анализа изображения и точно кодирует изображение сетчатки.

Будущие исследования

Характеристики Difference-Current позволяют экспериментатору отделить изображение, представленное начальной вспышкой, от изображения, представленного более поздним срабатыванием, т. е. разностное изображение может быть независимым от текущего изображения (см. рис. 6).Отделение начальной очереди от более позднего выстрела может быть интересным, поскольку считается, что очередь и более поздний выстрел играют разные роли. Предполагается, что первоначальный всплеск работает как тревожный сигнал, чтобы мозг мог обрабатывать более поздние спайки [46], [47]. Первоначальный всплеск может иметь и другие функции. Максимальная информационная скорость, содержащаяся в начальном пакете, указывает на то, что его можно использовать для обработки изображения сетчатки глаза. Например, считается, что первоначальный всплеск возвращается из более высоких областей в первичную зрительную кору, чтобы передать информацию для разделения фигуры и фона [48]–[50].Эту гипотезу можно решить, пометив начальную вспышку изображением А, а более позднюю вспышку — изображением В (это означает, что текущее изображение должно быть B, а предыдущее изображение должно быть B-A). Если нейроны полагаются на начальный пакет для выделения фона фигуры, информация из более высоких областей содержит информацию о фигуре и фоне для изображения A, а не для фактического изображения B. Это может быть одним из способов количественной оценки того, как начальный пакет влияет на обработку. изображения на сетчатке и как трансформируется первоначальный всплеск, когда он передается через области коры головного мозга.

Разностное изображение можно интерпретировать как ошибку между текущим паттерном и постоянным предсказанием предыдущего паттерна, и поэтому его можно рассматривать как оптимальный ввод в области коры, которые могут управляться внутренними силами или поддерживаться самостоятельно. Сеть может создавать ассоциации и вспоминать последовательности, когда стимул постоянен, а разностное изображение равно нулю, то есть нет ошибки. С другой стороны, когда стимул изменяется, сеть становится управляемой стимулом, потому что разностное изображение сигнализирует об ошибке.

Дополнительная информация

Рисунок S2.

Пример 2 MUA декодирования населения. A: Переход, который будет изучен (вверху). Шаблон плитки 16×16 создается путем повторения изображения плитки 2×2 8×8 раз, как показано зеленой сеткой (внизу). B: Целевой шаблон (слева) и его среднее (по всем областям 8×8) мозаичное изображение 2×2 (справа). Разница между целевым шаблоном и предыдущим шаблоном и его среднее изображение тайла 2×2 (внизу). C: Рецептивные поля двух MUA (вверху) и среднее (по всем областям 8×8) мозаичное изображение 2×2 для соответствующего рецептивного поля (внизу).D: Какой из двух паттернов, показанных на B, больше всего похож на рецептивное поле мультиблоков MUA 1 и MUA 2 , показанных на C? Степень подобия извлекается путем умножения паттерна на рецептивное поле. Это делается для всех 4 комбинаций; Цель* MUA 1 , Разница* MUA 1 , Цель* MUA 2 и Разница* MUA 2 . Целевой шаблон предпочтительнее MUA 2 , а разностный шаблон предпочтительнее MUA 1 .E: Тот же вывод, что и в D, но на основе скорострельности MUA 1 и MUA 2 в ответ на целевые и разностные паттерны, когда соответствующему паттерну предшествует серый экран, т.е. словарная парадигма . F: частота срабатывания для MUA 1 и MUA 2 в ответ на переход шаблона, показанный в A. G: декодированный шаблон, основанный на частоте срабатывания в F, т. е. ретрансляционная парадигма.

https://doi.org/10.1371/journal.pone.0010327.s002

(0,07 МБ TIF)

Рисунок S3.

Сравнение четырех различных методов декодирования. A: Средневзвешенная корреляция (см. методы). B: Декодированный шаблон — это шаблон, соответствующий максимальной корреляции (см. Методы). C: Нейронная сеть обратного распространения с оптимальными параметрами. См. Таблицу 2. D: Многоклассовое машинное декодирование опорных векторов. См. Таблицу 1.

https://doi.org/10.1371/journal.pone.0010327.s003

(1,88 МБ TIF)

Рисунок S4.

Дополнительный рисунок 4. Рецептивные поля всех 5 животных. Справа от каждого рецептивного поля мы для иллюстрации изобразили сопоставление этого рецептивного поля с мозаикой 2×2. Это делается путем усреднения всех тайлов 8×8 (обозначенных зелеными линиями) 2×2 рецептивного поля. Это усреднение мотивировано тем фактом, что шаблон стимула 2×2 повторяется на мониторе стимула в соответствии с той же сеткой 8×8.

https://doi.org/10.1371/journal.pone.0010327.s004

(0,16 МБ TIF)

Рисунок S5.

Зависимость от размера временного интервала. A: Корреляция между декодированным шаблоном и предыдущим и текущим шаблоном для разных временных интервалов, 2, 5, 10, 25, 50 мс. 0–250 мс использовалось для оценки средней скорости срабатывания словаря. B: Корреляция с текущим паттерном была рассчитана с использованием средней частоты срабатывания в интервале 2, 5, 10, 50 и 125 мс с центром в 196 мс после перехода от паттерна к паттерну, а кодом была средняя частота срабатывания за 2 , 5, 10, 50 и 125 мс через 196 мс после перехода от пустого к образному.

https://doi.org/10.1371/journal.pone.0010327.s005

(1,07 МБ TIF)

Рисунок S7.

Характеристики дифференциального тока очевидны для каждой глубины коры и положения коры. A: Расшифровка проводилась для четырех разных глубин коры. B: Расшифровка производилась в рамках каждого проникновения. Показаны только те проникновения, которые вызвали значимые корреляции (каждое животное имеет свой цвет). C: В одном и том же животном было сделано четыре проникновения. D: Те четыре проникновения, которые обозначены четырьмя желтыми точками на снимке операционного поля.

https://doi.org/10.1371/journal.pone.0010327.s007

(1,82 МБ TIF)

Рисунок S8.

Декодируемый шаблон зависит от глобального изменения яркости. A: Разница яркости для всех возможных переходов шаблона. Декодирование проводилось для переходов паттернов с яркостной разницей между 0–9 кд/м2 (В), 9–18 (С), 18–60 (Г). Обратите внимание, что корреляция с текущим образцом на 50 мс была уменьшена для больших различий яркости (D).

https://doi.org/10.1371/journal.pone.0010327.s008

(0,67 МБ TIF)

Благодарности

Авторы благодарят Per Roland, Lean Brigham, Jule Diezte и Michael Harvey за критические отзывы.

Авторские взносы

Задумал и спроектировал эксперименты: DE. Выполняли опыты: ДЭ С.В. СП. Проанализированы данные: ДЭ СП. Предоставленные реагенты/материалы/инструменты для анализа: DE. Написал газету: DE.

Каталожные номера

  1. 1. Клеланд Б.Г., Дубин М.В., Левик В.Р. (1971)Постоянные и временные нейроны в сетчатке глаза кошки и латеральном коленчатом теле.Дж. Физиол 473–496.
  2. 2. Клеланд Б.Г., Левик В.Р., Сандерсон К.Дж. (1973)Свойства устойчивых и временных ганглиозных клеток в сетчатке кошки. Дж. Физиол 649–680.
  3. 3. Enroth-Cugell C, Jones RW (1961)Ответы ганглиозных клеток сетчатки на экспоненциально возрастающие световые раздражители. Наука 1884–1885 гг.
  4. 4. Enroth-Cugell C, Jones RW (1963) Реакция ганглиозных клеток сетчатки глаза кошки на экспоненциальное изменение интенсивности света. Дж. Нейрофизиол 894–907.
  5. 5. Hughes GW, Maffei L (1966) Реакция ганглиозных клеток сетчатки на стимуляцию синусоидальным светом. Дж. Нейрофизиол 333–352.
  6. 6. Киношита М., Комацу Х. (2001) Нейронное представление яркости и яркости однородной поверхности в первичной зрительной коре макаки. Дж. Нейрофизиол 86: 2559–2570.
  7. 7. Пэн X, Ван Эссен, округ Колумбия (2005) Пиковое кодирование относительной яркости в областях макак V1 и V2. J Нейрофизиол 1620–1632.
  8. 8.Дэвид С.В., Винье В.Е., Галлант Дж.Л. (2004)Статистика естественных стимулов изменяет структуру рецептивного поля нейронов v1. J Neurosci 6991–7006.
  9. 9. Винье В.Е., Галлант Дж.Л. (2000)Разреженное кодирование и декорреляция в первичной зрительной коре во время естественного зрения. Наука 287: 1273–1276.
  10. 10. Gawne TJ, Woods JM (2003)Ответы нейронов зрительной коры кодируют различия между саккадами. Нейроотчет 14: 105–109.
  11. 11. Ричмонд Б.Дж., Оптикан Л.М. (1990)Временное кодирование двумерных паттернов отдельными единицами в первичной зрительной коре приматов.II. Передача информации. J Нейрофизиол 370–380.
  12. 12. Ричмонд Б.Дж., Оптикан Л.М., Спитцер Х. (1990)Временное кодирование двумерных паттернов отдельными единицами в первичной зрительной коре приматов. I. Отношения стимул-реакция. Дж. Нейрофизиол 351–369.
  13. 13. Ли Т.С., Мамфорд Д., Ромеро Р., Ламме В.А. (1998) Роль первичной зрительной коры в зрении более высокого уровня. Видение Рез. 2429–2454.
  14. 14. Roelfsema PR, Tolboom M, Khayat PS (2007) Различные фазы обработки признаков, фигур и избирательного внимания в первичной зрительной коре.Нейрон 785–792.
  15. 15. Эрикссон Д., Роланд П. (2006)Прямая связь, обратная связь и латеральные взаимодействия в мембранных потенциалах и спайках зрительной коры in vivo. J Physiol Париж 100–109.
  16. 16. Кон А. (2007) Зрительная адаптация: физиология, механизмы и функциональные преимущества. Дж. Нейрофизиол 97: 3155–3164.
  17. 17. Huang X, Paradiso MA (2005)Фоновые изменения задерживают информацию, представленную в нейронах макака V1. J Нейрофизиол 4314–4330.
  18. 18. Баттс Д.А., Венг С., Джин Дж., Йе С.И., Лесика Н.А. и соавт. (2007) Временная точность нейронного кода и шкалы времени естественного зрения. Природа 92–95.
  19. 19. Стэнли Г.Б., Ли Ф.Ф., Дэн И. (1999)Реконструкция естественных сцен на основе ответов ансамбля в латеральном коленчатом теле. J Neurosci 8036–8042.
  20. 20. Фукусима К. (1975) Cognitron: самоорганизующаяся многослойная нейронная сеть. Биол Киберн 121–136.
  21. 21.Rolls ET, Treves A, Tovee MJ (1997)Репрезентативная способность распределенного кодирования информации, предоставляемой популяциями нейронов в височной зрительной коре приматов. Exp Brain Res 114: 149–162.
  22. 22. Rolls ET, Treves A, Tovee MJ, Panzeri S (1997)Информация в нейронном представлении отдельных стимулов в височной зрительной коре приматов. J Comput Neurosci 4: 309–333.
  23. 23. Серр Т., Олива А., Поджио Т. (2007) Архитектура с прямой связью обеспечивает быструю категоризацию.Proc Natl Acad Sci U S A 6424–6429.
  24. 24. Sugase Y, Yamane S, Ueno S, Kawano K (1999)Глобальная и точная информация, кодируемая отдельными нейронами в височной зрительной коре. Природа 869–873.
  25. 25. Duysens J, Orban GA, Cremieux J, Maes H (1985) Зрительные кортикальные корреляты видимого постоянства. Видение Рез. 171–178.
  26. 26. Макник С.Л., Ливингстон М.С. (1998)Нейрональные корреляты видимости и невидимости в зрительной системе приматов.Nat Neurosci 144–149.
  27. 27. Николич Д., Хеуслер С., Сингер В., Маас В. (2006)Временная динамика информационного содержания, переносимого нейронами в первичной зрительной коре. НИПС.
  28. 28. Дуйсенс Дж., Шаафсма С.Дж., Орбан Г.А. (1996) Кортикальная настройка реакции выключения на продолжительность стимула. Видение Рез. 3243–3251.
  29. 29. Эрикссон Д., Томпа Т., Роланд П.Е. (2008)Нелинейная скорость срабатывания популяции и сигналы красителя, чувствительные к напряжению, в зрительных областях 17 и 18 на кратковременные стимулы.ПЛОС ОДИН 3: e2673.
  30. 30. Gawne TJ, Kjaer TW, Richmond BJ (1996) Задержка: еще один потенциальный код для связывания функций в стриарной коре. Дж. Нейрофизиол 1356–1360.
  31. 31. Хеллер Дж., Герц Дж. А., Кьяер Т. В., Ричмонд Б. Дж. (1995) Поток информации и временное кодирование в паттернальном зрении приматов. J Comput Neurosci 175–193.
  32. 32. Мюллер Дж. Р., Мета А. Б., Краускопф Дж., Ленни П. (2001) Информация, передаваемая начальными переходными процессами в ответах полосатых корковых нейронов.Дж. Нейроски 6978–6990.
  33. 33. Мангер П.Р., Кипер Д., Масиелло И., Мурильо Л., Теттони Л. и др. (2002) Репрезентация поля зрения в трех экстрастриарных областях хорька (Mustela putorius) и взаимосвязь ретинотопии и границ поля с мозолистым соединением. Кора головного мозга 423–437.
  34. 34. Paz R, Vaadia E (2004)Вызванное обучением улучшение кодирования и декодирования определенных направлений движения нейронами в первичной моторной коре.ПЛОС Биол 2: E45.
  35. 35. Тот Л.Дж., Асад Дж.А. (2002)Динамическое кодирование поведенческих стимулов в теменной коре. Природа 415: 165–168.
  36. 36. Кьяер Т.В., Герц Дж.А., Ричмонд Б.Дж. (1994)Расшифровка сигналов нейронов коры: сетевые модели, оценка информации и пространственная настройка. J Comput Neurosci 109–139.
  37. 37. Ариэли А., Стеркин А., Гринвальд А., Арцен А. (1996)Динамика текущей активности: объяснение большой изменчивости вызванных корковых ответов.Наука 1868–1871 гг.
  38. 38. Ричмонд Б.Дж., Герц Дж., Гавн Т. (1999)Связь между ответами нейронов V1 и представлениями стимулов, похожими на движения глаз. Нейрокомпьютинг 247–254.
  39. 39. Певица В., Филлипс В.А. (1974) Функция и взаимодействие переходных процессов в зрении. II. Нейрофизиология. Опыт мозга Res 507–521.
  40. 40. Крукшенк С.Дж., Льюис Т.Дж., Коннорс Б.В. (2007)Синаптическая основа для интенсивной таламокортикальной активации ингибирующих клеток прямой связи в неокортексе.Нат Нейроски 462–468.
  41. 41. Ллинас Р., Янсен Х (1982)Электрофизиология таламических нейронов млекопитающих in vitro. Природа 406–408.
  42. 42. Бенуччи А., Рингач Д.Л., Карандини М. (2009)Кодирование последовательностей стимулов реакциями населения в зрительной коре. Nat Neurosci 12: 1317–1324.
  43. 43. Рихтер Дж., Ульман С. (1982)Модель временной организации рецептивных полей X- и Y-типа в сетчатке приматов. Биол Киберн 43: 127–145.
  44. 44. Янг Р.А., Лесперанс Р.М., Мейер В.В. (2001) Модель производной Гаусса для пространственно-временного зрения: I. Корковая модель. Спат Вис 14: 261–319.
  45. 45. Биалек В., Рике Ф., де Рюйтер ван Стивенинк Р. Р., Варланд Д. (1991) Чтение нейронного кода. Наука 1854–1857 гг.
  46. 46. Шерман С.М. (2001)Тоническая и импульсная стрельба: двойные режимы таламокортикального реле. Trends Neurosci 122–126.
  47. 47. Шерман С.М. (2001) Тревожный звонок от таламуса.Nat Neurosci 4: 344–346.
  48. 48. Ламме В.А. (1995) Нейрофизиология сегрегации фигуры и фона в первичной зрительной коре. Дж. Нейроски 1605–1615.
  49. 49. Lamme VA, Roelfsema PR (2000) Различные режимы видения, предлагаемые прямой и рекуррентной обработкой. Trends Neurosci 571–579.
  50. 50. Ламме В.А., Super H, Spekreijse H (1998)Прямая связь, горизонтальная и обратная связь в зрительной коре. Curr Opin Neurobiol 529–535.

Что такое кодирование и декодирование?

Что такое кодирование и декодирование в компьютере?

Кодирование и декодирование используются во многих формах связи, включая вычисления, передачу данных, программирование, цифровую электронику и общение между людьми. Эти два процесса включают изменение формата контента для оптимальной передачи или хранения.

В компьютерах кодирование — это процесс помещения последовательности символов (буквы, цифры, знаки препинания и определенные символы) в специальный формат для эффективной передачи или хранения.Декодирование — это обратный процесс — преобразование закодированного формата обратно в исходную последовательность символов.

Эти термины не следует путать с шифрованием и дешифрованием , которые сосредоточены на сокрытии и защите данных. (Мы можем шифровать данные, не меняя код, или кодировать данные, не скрывая намеренно содержимое.)

Что такое кодирование и декодирование при передаче данных?

Процессы кодирования и декодирования для передачи данных имеют интересное происхождение.Например, азбука Морзе появилась в 1838 году, когда Сэмюэл Морзе создал стандартизированные последовательности сигналов двух длительностей, называемые точек и тире , для использования с телеграфом. Сегодняшние радиолюбители все еще используют Q-сигналы, которые произошли от кодов, созданных Генеральным почтмейстером Великобритании в начале 1900-х годов для облегчения связи между британскими кораблями и береговыми станциями.

Кодировка

Manchester была разработана для хранения данных на магнитных барабанах компьютера Manchester Mark 1, построенного в 1949 году.В этой модели кодирования каждая двоичная цифра или бит кодируется младшим, а затем старшим или высоким, а затем младшим, в течение равного времени. Также известный как фазовое кодирование , манчестерский процесс кодирования используется в потребительских инфракрасных протоколах, радиочастотной идентификации и связи ближнего поля.

Что такое кодирование и декодирование в программировании?

Доступ в Интернет зависит от кодировки. Унифицированный указатель ресурса (URL), адрес веб-страницы, может быть отправлен через Интернет только с использованием американского стандартного кода для обмена информацией (ASCII), который является кодом, используемым для текстовых файлов в вычислениях.

Вот пример кодировки ASCII для строки

В файле ASCII 7-битное двоичное число представляет каждый символ, который может быть прописными или строчными буквами, цифрами, знаками препинания и другими распространенными символами. Однако URL-адреса не могут содержать пробелы и часто содержат символы, не входящие в набор символов ASCII. Кодирование URL, также называемое -процентным кодированием , решает эту проблему путем преобразования пробелов — в знак + или с %20 — и символов, отличных от ASCII, в допустимый формат ASCII.

Другие часто используемые коды в программировании включают BinHex, многоцелевые расширения почты Интернета, Unicode и Uuencode.

Некоторые способы кодирования и декодирования, используемые в различных языках программирования, включают следующее.

В Java

Кодирование и декодирование в Java — это метод представления данных в другом формате для эффективной передачи информации через сеть или Интернет. Кодер преобразует данные в веб-представление. После получения декодер преобразует данные веб-представления в исходный формат.

В Питоне

В языке программирования Python кодировка представляет строку Unicode как строку байтов. Обычно это происходит, когда вы передаете экземпляр по сети или сохраняете его в файл на диске. Декодирование преобразует строку байтов в строку Unicode. Это происходит, когда вы получаете строку байтов из файла на диске или из сети.

В Свифте

В языке программирования Apple Swift модели кодирования и декодирования обычно представляют сериализацию данных объекта из строкового формата нотации объектов JavaScript.В этом случае кодирование представляет собой сериализацию, а декодирование — десериализацию. Всякий раз, когда вы сериализуете данные, вы конвертируете их в легко переносимый формат. После транспортировки он преобразуется обратно в исходный формат. Этот подход стандартизирует протокол и обеспечивает взаимодействие между различными языками программирования и платформами.

Что такое кодирование и декодирование в цифровой электронике?

В электронике термины кодирование и декодирование относятся к аналого-цифровому преобразованию и цифро-аналоговому преобразованию.Эти термины могут применяться к любой форме данных, включая текст, изображения, аудио, видео, мультимедиа и программное обеспечение, а также к сигналам в датчиках, телеметрии и системах управления.

Что такое кодирование и декодирование в человеческом общении?

Люди не думают об этом как о процессе кодирования или декодирования, но человеческое общение начинается, когда отправитель формулирует (кодирует) сообщение. Они выбирают сообщение, которое будут передавать, и канал связи. Люди делают это каждый день, мало задумываясь о процессе кодирования.

Получатель должен понять (декодировать) сообщение, выведя значение слов и фраз, чтобы правильно интерпретировать сообщение. Затем они могут предоставить обратную связь отправителю.

И отправитель, и получатель в любом коммуникационном процессе должны иметь дело с шумом, который может помешать коммуникационному процессу. Шум включает в себя различные способы, которыми сообщения прерываются, искажаются или задерживаются. Они могут включать реальный физиологический шум, технические проблемы или семантические, психологические и культурные проблемы, которые мешают общению.

Кодирование и декодирование являются неотъемлемой частью любого обмена данными.

Эти процессы происходят почти мгновенно в любой из этих трех моделей:

  1. Модель трансмиссии. Эта модель связи представляет собой линейный процесс, в котором отправитель передает сообщение получателю.
  2. Модель взаимодействия. В этой модели участники по очереди являются отправителями и получателями.
  3. Модель транзакции. Здесь коммуникаторы генерируют социальные реалии в культурном, реляционном и социальном контекстах.Они общаются, чтобы создавать отношения, взаимодействовать с сообществами и формировать межкультурные союзы. В этой модели участники помечены как коммуникаторы , а не как отправители и получатели.

Расшифровка сообщений на вашем родном языке не требует усилий. Однако, когда язык незнаком, получателю может понадобиться переводчик или такие инструменты, как Google Translate, для расшифровки сообщения.

Помимо основ кодирования и декодирования, возможности машинного перевода значительно продвинулись в последнее время.