决策的神经整合器：鲁棒性和敏感性之间的有利权衡
摘要：感知决策任务中的一个关键步骤是在时间上整合感觉输入，但关于神经回路中如何实现这一步骤还存在基本问题。一种可能性是通过平衡膜和突触的衰减模式与经常性的兴奋来实现。然而，为了能够在长时间尺度上进行整合，这种平衡必须是精确的，这被称为精调问题。通过一种类似棘轮的机制可以解决精调问题，即瞬时输入必须超过预设的限制才能被电路注册。这种棘轮机制的程度体现了对输入流的灵敏度和对参数失调的稳健性之间的权衡关系。 我们的研究目标是分析这种权衡对决策性能的影响。具体来说，我们关注于经过充分研究的随机点运动辨别任务。对于受实验数据约束的刺激参数，我们发现对输入的敏感性的丧失对于决策性能来说意外地几乎没有成本。这导致当反馈失调时，稳健的整合器能够获得性能增益。此外，我们发现相当稳健和失调的整合器模型与实验中发现的时间度量和准确度函数一致。我们通过对瞬时和积分信号的顺序分析来解释我们的发现，并讨论它们的含义：稳健的整合器可能出乎意料地适合在许多认知任务中发挥证据整合的基本功能。
作者：Nicholas Cain, Andrea K. Barreiro, Michael Shadlen, Eric Shea-Brown
论文ID：1111.6573
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2011-11-29