NeuroSyntax – Telegram
NeuroSyntax
4.58K subscribers
399 photos
84 videos
70 files
320 links
Download Telegram
این کتاب رو امشب پیدا کردم. بنظرم مطالب جالبی داره. برم بخونم ازش بیام بگم چی به چیه.

#book
The Importance of Comparative Studies and the Potential for Synergy Between Neuroscience and Evolutionary Biology

بسیار مقاله جالب نوشته شده و نکات بسیار مهمی در خودش داره درباره انتخاب مدل ارگانیسم هایی که باهاشون کار میکنیم و پیش فرض های نادرستی که شاید دربارشون داریم و البته اهمیت مطالعه ارگانیسم های در شرایط طبیعی تر

#article
Forwarded from The Wolf
Forwarded from The Wolf
یکشنبه من ارائه خواهم داد. موضوعی که انتخاب کردم رویکرد های جدید به سمت مطالعه شناخت و مکانیزم های عصبی در شرایط طبیعی و نزدیک به زندگی روزانه هست.

در این ارائه ابتدا توضیح خواهم داد که چطور شرایط پیچیده طبیعی میتونه بر فرآیند های شناختی مثل حافظه، یادگیری و تصمیم گیری اثر بذاره. چطور محیط های پیچیده سیستم های مغزی رو میتونن تغییر بدن. با تکیه بر این مطالعات توضیح خواهم داد که چرا باید به سمت مطالعه شناخت در شرایط طبیعی تر حرکت کنیم.

در بخش دوم ارائه بحث خواهم کرد که با توجه به تکنولوژی های فعلی ثبت رفتار و فعالیت مغزی، چقدر امکان پذیر هست که به سمت شرایط طبیعی حرکت کنیم. در این بخش تکنولوژی های جدید ثبت مغزی (مثل FNIRS یا Wireless Recording) رو معرفی خواهم کرد و درباره تکنیک های جدید Markerless Pose Estimation حرف خواهم زد.

در بخش سوم و نهایی ارائه توضیح میدم که این رویکرد جدید داده زیادی تولید میکنه و چطور میتونیم با تکنیک های جدید مبتنی Dimensionality Reduction به سمت فهم داده ها حرکت کنیم.

این مجموعه از تم Real-life neuroscience انتخاب شده است.

جلسه یکشنبه ساعت هفت و نیم. لینک زوم در گروه ارسال خواهد شد.
https://news.1rj.ru/str/+sdwRihbKUM83NjJk
Forwarded from INRP (Arash)
📗 بوک کلاب کتاب فلسفه نوروساینس نوشتۀ بکتل و هوانگ

🧠 Seasons 4 & 5
4. From Whom Do Neuroscientists Learn about the Nervous System?
5. What Has Neuroscience Learned?

🧠 فصول ۵ و ۴
۴- نوروساینتیست‌ها از چه کسانی دربارۀ سیستم عصبی یاد می‌گیرند؟
۵- نوروساینس تا کنون چه آموخته است؟

شنبه، ۳۰ اردیبهشت، ساعت ۲۰ تا ۲۲
📍بصورت مجازی در Zoom

🔹 جلسه به زبان فارسی برگزار می‌شود و شرکت در جلسه رایگان است. برای شرکت به این آیدی پیام دهید:
📩 @INRP_Admin

🆔 @NeuroINRP
🆔 @Neuro_Syntax
🆔 @SSRC_News
Toward Natural Cognition.pdf
6.4 MB
Toward Natural Cognition
Neurosyntax Discussion Series

- What is behavior?
- Experimental Psychology and Ethology
- Ecological Validity
- Agency and cognition
- Environmental complexity, cognition, and neural circuits

#neurosyntax
Media is too big
VIEW IN TELEGRAM
Toward Natural Cognition
Neurosyntax Discussion Series

- What is behavior?
- Experimental Psychology and Ethology
- Ecological Validity
- Agency and cognition
- Environmental complexity, cognition, and neural circuits
فرض کنید ما شبکه ای از اجزای به هم متصل داریم (این اتصال میتونه به هر گونه ای باشه) و فعالیت دینامیک بخشی از اجزا رو ثبت میکنیم. چقدر میتونیم درباره فعالیت بخش هایی مشاهده نشده صحبت کنیم؟ متدهای در دسترس برای چنین چیزی چی هستن و محدودیت های اونها چیه؟ (اگر رفرنسی میشناسید لطفا معرفی کنید)
در علوم اعصاب ما با این مشکل روبرو هستیم بخصوص زمانی که ثبت خارج سلولی میگیریم که تنها از جمعیت مشخصی از سلول ها ثبت گرفته میشه. حتی با پیشرفت بی سابقه تکنیک های ثبت باز هم نهایت جمعیت نورونی که ثبت میشه در حد چندین هزار هست به صورت همزمان (در تصویر برداری کلسیمی یا چندین نوروپیکسل) و خب این یعنی ما به جمعیت زیادی از نورون ها دسترسی نداریم (حتی در یک ناحیه مشخص).

امروز در یک جلسه ای بودم که درباره Manifold Theory و استفاده اش در علوم اعصاب بحث میشد و این پرسش رو مطرح کردم که چه میزان این Subspace هایی که از جمعیت نورونی ثبت شده داریم میتونه درباره جمعیت نورونی ثبت نشده بهمون بگه؟ اصلا میتونه؟ پاسخی دریافت نکردم چون کسی بنظر میاد به صورت سیستماتیک بررسی نکرده.

چیزی که مطرح کردم این بود که خب ما مدارهای سیناپسی داریم و این ارتباط فیزیکی تا حدودی vector space مارو محدود میکنه (قید روش میذاره - constraints) ولی خب بدین معنی نیست که ما لزوما به یک subspace مشخص برسیم. همچنان دینامیک فعالیت نورون ها در شبکه مشخص میکنه از اون فضای در دسترس چه زیرفضایی تشکیل بشه.

ولی خب سوال من درباره این نبود. پرسش اصلی من این بود که آیا توپولوژی مشخص این subspace (برگرفته از متد های مختلف) میتونه به ما چیزی از فعالیت دینامیک نورون هایی بگه که ثبت نکردم؟

میشه اینو تست کرد ولی خب من فعلا امکاناتش رو ندارم. فرض کنید در یک آزمایش بیشترین حدی که میتونید ثبت نورونی داشته باشید. فرض کنید مثلا 1000 نورون همزمان از یک ناحیه مشخص ثبت کردم (که بسیار بیشتر از بسیاری از آزمایشات فعلی هست). حالا بیام 500 تای اینها رو جدا کنم و روش این کار های dimensionality reduction که توی بورس هست انجام بدم. پرسش من این هست که آیا توپولوژی فعالیت این 500 نورون درباره فعالیت اون 500 نورونی که توی متد نبوده چیزی بهم میگه؟ و اگر آره چی دقیقا بهم میگه؟
دنبال مقالات یا کتاب هایی مثل این هستم
Learning the Spatio-Temporal Dynamics of Physical Processes from Partial Observations
بسیار سپاسگزارم از تمامی دوستانی که پاسخ دادند. مطالب جدیدی آموختم. اگر باز هم محتوای دیگری مرتبط میشناسید معرفی کنید.
Toward Natural Cognition - Part 2 (Part 1 here)
Methodological considerations for mobile brain-body recordings

Unity for task design,
Blender for stimulus design,
ML-Agent and environment interaction
Virtual Reality
Mobile brain recordings
Behavioral Tracking and behavioral decomposition

Neurosyntax