MARC

 008260311s2025        us                                    eng  d
■001000017361196
■00520260311091533.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270231477
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a612.82
■1001  ▼aStealey,  Hannah  M.▼eauthor.
■24510▼aConstraints  of  Self-Neuromodulation:  The  Role  of  Neural  Variability  ▼cHannah  M  Stealey
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (114  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisors:  Santacruz,  Samantha  R.    Committee  members:  Millan,  Jose  del  R.;  Lewis-Peacock,  Jarrod  A.;  Dunn,  Andrew  K.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aVariability,  a  ubiquitous  feature  of  neural  activity,  is  thought  to  play  an  integral  role  in  behavior.  However,  studying  neural  variability  is  difficult  because  measuring  all  the  possible  neural  activity  patterns  that  produce  a  single  behavior  is  challenging.  By  implementing  a  brain-computer  interface  (BCI),  we  circumvented  this  challenge  by  establishing  a  direct,  causal  relationship  between  select  neurons  (BCI  neurons)  and  behavior.    We  trained  monkeys  (Macaca  mulatta)  in  a  BCI  task  in  which  they  continuously  altered  (modulated)  neural  spiking  activity  to  control  a  computer  cursor.    We  then  challenged  our  monkeys  to  adapt  to  novel  BCI  protocols  (i.e.,  different  task  perturbations)  and  determined  how  components  of  neural  variability  constrained  (or  supported)  subsequent  behavioral  adaptation.  In  the  first  project,  we  found  that  how  the  BCI  neuron  population  covaries  remains  highly  similar  before  and  after  adaptation.    Additionally,  neural  populations  readily  exploit  this  property  to  regain  proficient  cursor  control  after  perturbation  -  even  when  this  strategy  appears  behaviorally  sub-optimal.    Finally,  we  found  evidence  that  neural  variability  is  disruptive  to  stable  behavior.  However,  specific  components  of  this  variability  can  be  leveraged  to  adapt  behavior  when  behavioral  contexts  change  and  can  be  used  as  a  metric  to  predict  the  amount  of  behavioral  adaptation  that  is  possible  within  a  day.  In  the  second  project,  we  found  that  individual  BCI  neurons  exhibited  a  variety  of  changes  in  response  to  task  perturbations.  Still,  monkeys  were  able  to  adapt  their  neural  activity  enough  to  regain  sufficient  cursor  control.    We  found  that  neurons  with  high  levels  of  co-variability  within  the  BCI  population  and  neurons  that  contributed  the  most  to  behavioral  output  changed  their  activity  the  least.    The  mismatch  between  these  measured  changes  and  the  changes  required  to  counteract  the  perturbation  fully  reliably  predicts  the  amount  of  behavioral  recovery.  Overall,  we  developed  a  neural  variability-based  framework  that  explains  and  predicts  neural  limitations  of  self-modulation.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aPsychology
■650  4▼aBiomedical  engineering
■650  4▼aNeurosciences
■650  4▼aClinical  psychology
■653    ▼aBrain-computer  interface
■653    ▼aNeural  activity
■653    ▼aBehavioral  adaptation
■653    ▼aBCI  neurons
■7102  ▼aThe  University  of  Texas  at  Austin▼bBiomedical  Engineering.▼edegree  granting  institution.
■7201  ▼aSantacruz,  Samantha  R.▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361196▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books