Eine probabilistische Strategie zum Verständnis der Handlungsauswahl

Hirnregionen, die an der Umwandlung sensorischer Signale in Bewegungsbefehle beteiligt sind, sind die wahrscheinlichsten Orte, an denen Entscheidungen gebildet werden. Einmal gebildet, muss eine Entscheidung aus der Aktivität von Neuronenpopulationen abgelesen werden, um eine Handlungswahl zu erzeugen. Wie dies geschieht, bleibt ungelöst. Wir haben gleichzeitig von vier Neuronen des Colliculus superior aufgezeichnet, während Affen eine Zielauswahlaufgabe durchführten. Wir implementierten drei Modelle, um Einblicke in die rechnerischen Prinzipien der Populationskodierung der Handlungsauswahl zu gewinnen. Wir verglichen das Modell des Populationsvektor-Durchschnitts (PVA)/optimalen linearen Schätzers (OLE) und das Modell der Gewinner-nimmt-alles (WTA) mit einem bayesianischen Modell, dem maximalen posteriori Schätzer (MAP), um zu bestimmen, welches am häufigsten richtige Entscheidungen vorhersagte. Das probabilistische Modell sagte mehr Trials korrekt voraus als sowohl das WTA- als auch das PVA-Modell. Das MAP-Modell sagte 81,88 % voraus, während WTA 71,11 % und PVA/OLE die geringste Anzahl an Trials mit 55,71 bzw. 69,47 % vorhersagte. Die Wiederherstellung von MAP-Schätzungen mithilfe von simulierten, nicht uniformen Prämissen, die mit der Auswahlleistung der Affen korrelierten, verbesserte die Genauigkeit des Modells um 2,88 %. Eine dynamische Analyse zeigte, dass die MAP-Schätzung über die Zeit hinweg evolvierte und die posteriori Wahrscheinlichkeit der Sakkade-Auswahl zu dem Zeitpunkt der Sakkade ein Maximum erreichte. MAP-Schätzungen skalierten auch mit der Genauigkeit der Auswahlleistung. Obwohl es eine Überlappung in den Vorhersagefähigkeiten aller Modelle gab, schließen wir, dass die Bewegungswahl aus Neuronenpopulationen am besten verstanden werden kann, wenn man Rahmenbedingungen berücksichtigt, die auf Wahrscheinlichkeit basieren.