Struktúra és funkció a vizuotaktilis kéregben Négyessy László Bazsó Fülöp Kocsis László Nepusz Tamás MTA KFKI RMKI, Biofizikai Osztály MTA-SE, Neurobiológiai Kut. Cs.
Struktúra és funkció a vizuotaktilis kéregben
Négyessy László Bazsó Fülöp
Kocsis László Nepusz Tamás
MTA KFKI RMKI, Biofizikai Osztály
MTA-SE,Neurobiológiai Kut. Cs.
Percepció-Akció
The Bayesian framework can be used to construct ‘ideal observer’ models as a standard for comparison with human performance. Bayes’ Rule says that the posterior probability is proportional to the product of the likelihood function and prior probability distribution. All the work in the modelling is in specifying the likelihood functions and priors.
Multiszenzoros integráció
Információ maximalizálása Variancia csökkentése
Szenzoros dominancia
Multiszenzoros integráció az agykéregben
Az agykéreg tagolódása a makákóban
~73 área~834 kapcsolat
Összekötettések vizsgálata az agykéregben
A kérgi áreák hálózatának tulajdonságai - Hierarchia
Nem-determinált hierarhia
A vizuális kéreg hierarchikus felépítése
Kisvilág hálózat: klaszterezettség és rövid távolság
A vizuo-taktilis kéreg
A hálózatok alaptulajdonságai
VC SC Whole Visuo-tactile Neighborhood network
No of areas 30 15 45 19 45
No of connections
335 85 463 142 502
Diameter 3 3 5 3 5
Distance
(aver+sd)
1.6+0.6 1.7+0.8 2.1+0.9 1.4+0.8 2.2+1.1
Density 0.39 0.40 0.23 0.42 0.25
Cohesion 0.35 0.38 0.21 0.35 0.25
Reciprocity
(% non recipr)
14.9 11.1 18.4 28.9 0
Az áreák osztályozása- Státusz
0
5
10
15
20
25
V4 VIP LIP
FEF 46 FST
MSTd/
pM
T TFV2 V3 PO VP
V3A 7a SII 7b TH DPPIT
vSTPp 2 5 6
MSTl
V4t 4 V1 PIPCIT
vSM
A 1AIT
dPIT
dAIT
v 3a IgVO
TCIT
d
STPa 3b Ri36 Id 35
nu
mb
er
efferents
afferents
0
0.2
0.4
0.6
0.8
1
stat
us
Status is the sum of afferents and efferents of a given area, relative to the number of all other areas in the network.
11
1
( ) ( )g
ji ijgj
Status i x x
Centralitás
010203040
B-L
cen
tral
ity
0100200300400500
VIP 46 SII V4LI
P 7bFEF TF Ig 7a
MSTd/
pFST 5
POPIT
vTH
VPSTPp 3a M
T V3 2 V2 36PIT
d 6M
STl35 4
AITd
DP 1CIT
vV3A Id
SMA
PIP RiV1
VOTV4t
AITvCIT
d
STPa 3b
bet
wee
nn
ess
B-L centrality is proportional to the length-, the betweennes centrality is to the number of the shortest pathways connecting the different areas
1
, 1
( )
( )
g
ij jij
g
iji j
Centrality i
g
kj kj
kij
GPaths
GPathsisBetweennes
1;1
Integrátorok és Kontrollerek
-0,15
-0,1
-0,05
0
0,05
0,1
0,15
7aAIT
d 36M
STlSII
POPIT
vAIT
v7b 35FST 4 Ig V1 V3 V4
VOTM
TPIPVIP DP
CITv
STPp 3a 3b 2 5 Ri 6SM
AV3A V4t VP
MSTd/
p
STPa 1 Id V2LI
PFEF
PITdCIT
dTH 46 TF
det
erm
inat
ion
deg
ree
The determination degree of a node is the difference between its reception and its emission degrees, relative to the number of nodes in the network
g
jijji xx
giDet
11
1
Kulcspozíciót betöltő áreák a vizuo-taktilis hálózatban
a heteromodális kapcsolatokat létesítő vizuális kérgi áreák, különösen a VIP, 46 és LIP
míg a parietális régió inkább integrátor, a prefrontális áreák kontrollerként azonosíthatók
Kapcsolatok osztályozása- Betweenness
0
10
20
30
40
50
60
70
80
90
100
>SII to
VIP
Ig to
7b
>7b to
46*
>3a to
VIP
*
36 to
Ig
35 to
Ig
Ig to
SII
>46 to
SII
Id to
SII
>5 to
LIP
VIP to
46*
VIP to
FST
VIP to
VP
>1 to
VIP
>7b to
7a*
>2 to
VIP
>4 to
VIP
ed
ge
be
twe
en
ne
ss
Eb. Fract.
Reciprocal pair
The incidence of a given edge passed while looking up all the distances (i.e. the shortest paths between any two areas) in the network definesedge betweenness.
Connections marked with the star (*) present also in the visuo-tactile network. Arrowheads indicate heteromodal connections.
Konvergencia, divergencia
ji
jijiED
areas target of Nr. areasinput of Nr.
areas target of Nr. - areasinput of Nr.,
Edge-betweenness determination:
-1.50
-1.00
-0.50
0.00
0.50
1.00
EB
det
erm
inat
ion
Eb. Determin.
Reciprocal pair
Connections marked with the star (*) present also in the visuo-tactile network. Bold border: more than a std. below or above average.
Arrows: connecting large input and target fields characterized by numerous areas. Arrowheads indicate heteromodal connections.
Kitüntetett kapcsolatok
a heteromodális kapcsolatokat létesítő áreák, különösen a 7b, 46, VIP kapcsolatai
limbikus, asszociációs kérgi áreák kapcsolatai a primer szenzoros áreák kapcsolatai erősen
konvergálók/divergálók, míg az asszociációs kérgi struktúrák prominens kapcsolatai nagyszámú áreát kötnek össze
ez utóbbi a vizuo-taktilis integrációban játszott „top down” szerepre utal
Legrövidebb utak
Kompartmentalizáció- Klikkek, Motívumok
A clique of a directed graph is its directed maximal complete subgraph.
Klaszterek
V1
V2V3
V3A
V4
V4t
VOT
VPM T
M ST d/p
M ST lPO
LIP
PIP
VIPD P
7a
F ST
PIT d PIT v
C IT dC IT v AIT dAIT v
ST Pp
ST Pa
T F
T H
F EF
46
3a
3b12
5
R i
SII7b
4
6
SM A
Ig
Id
3536
-1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0
Dim ension 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
Dim
ension 2
by edge betweenness using Markov Clustering algorithms
similarity indexes define the fraction of common inbound and outbound connections of vertices i and j
Heteromodális kapcsolatok a hieararchia szintek között
VIP, LIP, MSTdp
46, TH, TF
6, SMA
35, 36
Konklúzió
A rendelkezésre álló adatok alapján elmondható, hogy a vizuotaktilis kéreg fontos része az un. „action network”-nek
A kompartmentalizáció alapján értelmezhető a szenzoros fúzió jelensége
A kereszt-modális plaszticitásra vonatkozóan kísérletesen tesztelhető predikciókat tettünk