MARC

 008250123s2024        us                              c    eng  d
■001000017163378
■00520250211152700
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383598269
■035    ▼a(MiAaPQ)AAI31487915
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aTurcu,  Denis.
■24510▼aHow  to  "See"  With  Electricity  -  Comprehensive  End-To-End  Modeling  of  Active  Electrolocation  Sheds  New  Light  on  Neural  Computation
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a176  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Abbott,  Larry  F.;Sawtell,  Nathaniel  B.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aWe  rely  so  much  on  vision  that  it  is  hard  to  imagine  sensing  the  world  differently.  But  most  organisms  primarily  use  other  sensory  information,  even  something  as  detached  from  our  senses  as  electricity.  Some  fish,  called  weakly  electric  fish,  generate  electric  pulses  to  sense  their  environment.  Objects  in  their  environment  distort  the  electric  pulses,  and  the  fish  use  special  receptors  in  their  skin  to  process  these  distortions  and  identify  the  nearby  objects.  They  detect  the  location,  size,  shape,  and  electric  properties  of  nearby  objects,  enabling  them  to  find  preferred  food.  These  fish  use  their  discharges  not  only  for  sensing  and  foraging  as  described,  but  also  for  communication.  Investigating  this  sensory  system  can  provide  insights  into  neural  computations  for  sensory  processing  more  broadly,  and  can  expand  our  understanding  of  the  complex  stimuli  present  in  our  environment  that  we  do  not  perceive.In  the  first  half  of  this  work,  we  investigated  how  the  weakly  electric  fish  Gnathonemus  petersii  processes  the  electric  sensory  information  to  interact  with  its  environment.  We  also  used  the  tools  developed  in  this  work  to  study  social  behavior  in  groups  of  freely  swimming  fish.Chapter  1  provides  an  in-depth  introduction  to  this  model  organism  and  its  prominent  active  electrolocation  behavior.  This  introductory  chapter  is  focused  on  the  parts  of  the  behavior  that  are  relevant  to  the  computational  models  developed  in  this  work.  We  investigated  the  active  electrolocation  behavior  using  a  comprehensive  end-to-end  model  that  contains  multiple  components,  which  will  be  detailed  in  the  following  chapters.Chapter  2  describes  the  physics  model  that  simulates  the  fish  and  its  environment  to  collect  data.  The  physics  model  builds  on  previous  work  and  extends  it  to  a  more  general  framework  that  can  be  used  to  simulate  the  fish  in  different  environments.  We  developed  and  adequately  documented  an  open  code  base  that  can  be  used  to  simulate  various  fish  species  and  their  interactions  with  nearby  objects  or  electrical  boundaries.Chapter  3,  specifically  Section  3.3,  presents  a  data-based  model  of  the  electroreceptors  that  process  the  sensory  input.  We  used  machine  learning  techniques  to  develop  a  model  that  can  predict  the  response  of  the  receptors  to  distortions  due  to  different  objects.  The  model  is  based  on  local  field  potential  data  collected  from  the  afferent  layers  of  the  electrosensory  lobe,  the  first  brain  area  that  processes  the  sensory  input.  This  data  was  collected  by  Abigail  Zadina  in  Nathaniel  Sawtell's  laboratory  at  Columbia  University.Chapter  3,  specifically  Section  3.4,  describes  the  neural  network  models  that  identify  computations  that  help  solve  the  behavior.  We  used  data  generated  from  the  physics  model  as  sensory  input,  we  used  our  electroreceptor  model  to  parse  this  data  serving  as  first-stage  input  to  down-stream  brain  areas,  and  we  used  neural  network  models  to  characterize  the  nearby  objects'  spatial  and  electric  properties  based  on  the  sensory  input.  Based  on  results  from  our  neural  network  models,  we  set  two  hypotheses  for  how  weakly  electric  fish  sense  their  environment  and  motivate  experiments  on  less  studied  brain  areas  to  test  these  hypotheses.  First,  we  suggest  that  decoding  all  spatial  and  electric  properties  of  a  nearby  object  distorting  the  electric  discharge  is  very  challenging  due  to  interactions  between  these  properties,  but  first  decoding  the  spatial  properties  and  then  using  the  spatial  properties  as  internal  feedback  to  decode  the  electric  properties  helps  solve  the  task  by  disentangling  the  interactions.  Second,  we  suggest  that  the  specialized  Schnauzenorgan  organ  of  the  weakly  electric  G.  petersii,  previously  described  as  an  electric  fovea  due  to  the  very  high  density  of  electroreceptors  and  believed  to  serve  a  primary  role  in  close-range  characterization,  may  also  play  a  role  in  long-range  detection  of  objects  surrounding  the  fish.Chapter  4  explores  social  interactions  in  groups  of  freely  swimming  fish  and  starts  to  investigate  how  they  use  their  electric  discharges  to  navigate,  interact  and  communicate.  Here,  we  used  our  physics-based  framework  to  accurately  identify  the  fish  that  emitted  each  electric  discharge  in  a  group  of  fish.  This  work  is  currently  in  progress  and  we  performed  various  preliminary  analyses  to  investigate  the  social  behavior  and  social  rank  of  these  fish,  which  we  present  here.  Data  for  this  project  was  collected  by  Federico  Pedraja  in  Nathaniel  Sawtell's  laboratory  at  Columbia  University.The  second  half  of  this  work  addresses  a  variety  of  different  research  questions  with  loose  connections  in  between  them  and  in  relation  to  the  first  half.  The  common  factor  present  in  all  these  projects  can  be  generally  described  as  investigating  how  computations  may  be  used  in  neural  circuits  to  produce  successful  behavior.  We  used  a  variety  of  computational  models  and  tools  to  investigate  these  questions,  and  we  present  the  results  of  these  investigations  in  the  following  chapters.Chapter  5  provides  a  biologically  plausible  architecture  alternative  for  the  classical  binary  classification  task.  Typically,  feed-forward  models  have  been  used  to  solve  this  task.  However,  neocortical  circuits  likely  involved  in  decision  making  are  recurrent  and  sparse.  We  used  a  recurrent  neural  network  model  with  sparsity  constraints  to  solve  the  binary  classification  task.  We  demonstrated  that  the  sparse  recurrent  networks  solve  the  task  well,  make  use  of  dynamic  computation  similar  to  evidence  accumulation,  and  distribute  the  information  throughout  the  network  despite  the  sparsity  constraints.Chapter  6  explores  syntactic  differences  of  world  languages  and  offers  a  potential  neural  computation  mechanism  that  could  account  for  those  differences.  We  focused  on  differences  in  the  basic  word  order  of  simple  sentences  because  these  have  been  extensively  studied  in  the  linguistic  literature.  These  simple  sentences  only  have  three  parts,  subject,  verb,  and  object,  and  the  order  of  these  parts  varies  across  languages  non-uniformly.  We  aimed  to  provide  a  possible  language  generation  mechanism  that  could  account  for  these  differences.Chapter  7  investigates  the  computational  journey  from  numerical  cognition  to  arithmetic  ability.  This  research  direction  was  motivated  by  and  based  on  experimental  work  that  addressed  whether  bees  (and  later  stingrays  and  cichlids)  can  learn  simple  arithmetic  operations.  This  project  was  designed  for  introducing  a  Columbia  SEAS  undergraduate  student,  Katharyn  Fatehi,  to  computational  neuroscience  research.  I  mentored  Kat  through  the  Women  in  Science  at  Columbia  program,  and  provided  detailed  guidance,  code  base,  tutorials  and  instructions  for  her  to  learn  about  computational  neuroscience  research  and  to  contribute  to  this  project.Chapter  8  represents  my  contribution  to  a  large  collaboration  effort  aimed  at  improving  spike  sorting  techniques.  This  project  quantified  the  impact  on  spike  sorting  quality  of  the  geometry  mismatch  between  typical  recording  probes  (1D,  or  2D  at  best)  and  the  3D  structure  of  the  brain.  We  leveraged  the  experimental  setup,  multi-electrode  recording  arrays  with  planar  geometry  recording  the  activity  of  2D  retinal  tissue,  to  address  this  question.The  work  presented  in  this  thesis  is  a  collection  of  projects  that  investigate  neural  computations  in  different  contexts.  The  first  half  of  the  work  is  focused  on  the  weakly  electric  fish  G.  petersii  and  its  active  electrolocation  behavior.  The  second  half  of  the  work  explores  a  variety  of  different  research  questions  related  to  computational  mechanisms  that  could  be  implemented  in  neural  circuits.  The  work  presented  here  is  a  step  towards  understanding  how  computations  in  neural  circuits  can  produce  successful  behavior  in  different  contexts.
■590    ▼aSchool  code:  0054.
■650  4▼aNeurosciences
■650  4▼aBiomedical  engineering
■650  4▼aMedical  imaging
■653    ▼aActive  electrolocation
■653    ▼aModeling
■653    ▼aNeural  computation
■653    ▼aSensory  systems
■653    ▼aSocial  interactions
■690    ▼a0317
■690    ▼a0541
■690    ▼a0574
■71020▼aColumbia  University▼bNeurobiology  and  Behavior.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163378▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서