Wozu die Autokorrelationsfunktion?

Präsentation zum Thema: "Wozu die Autokorrelationsfunktion?"—  Präsentation transkript:

1 Wozu benötigt man (im neuronalen Zusammenhang) die Kreuzkorrelationsfunktion?
Wozu die Autokorrelationsfunktion? Wenn Sie in Folie die Kreuzkorrelation zwischen A und B für alle Spikes A ermitteln würden, wie hoch wäre dann der Count im Bin [0,1] des Kreuzkorrelogramms? Durch welche neuronalen Verschaltungen können die drei Kreuzkorrelogramme unten entstehen (zeichnen)? 17

2 Nächste Aufgabe ist hier drunter 
1) Wie sieht hier die Korrelation zwischen C und B aus ? Wie die zwischen A und C ? (Zeichnen!) Erst wenn Sie diese Aufgabe gelöst haben klicken Sie bitte weiter! 2) Weshalb ist die Korrelation zwischen A und C nicht identisch zu der Korrelation zwischen C und A? Prüfen Sie nun: Stimmt ihre Lösung zu (1) in Anbetracht von (2)? Nächste Aufgabe ist hier drunter  Wozu berechnet man einen Shift (oder Shuffle) Predictor? Wie macht man das eigentlich? Warum schlägt diese Korrektur fehl, wenn die Zellen mit jeweils unterschiedlichen Latenzen bei den verschiedenen Reizwiederholungen antworten? 18

3 19 Erläutern Sie wie dieser Bewegungsdetektor (links) funktioniert.
Delay ( - t ) Compare Erläutern Sie wie dieser Bewegungsdetektor (links) funktioniert. Weshalb wird hier eine Kreuzkorrelation berechnet? Was versteht man unter „intra-aural time difference und weshalb ist diese wichtig? Erklären Sie das untenstehende Modell zum Richtungshören. Welche Neurone antworten für die zwei verschiedenen Spikefolgen? 19

4

5

6

7

8

9 Correlations

10 3) determine motion and sound perceptions

11 Motion is correlation in time and space:

12 Motion is correlation in time and space:

13 Motion is correlation in time and space:
This point is on at time t This point is on at time t + t We see motion when two neighbouring spatial positions are stimulated with a temporal delay. First, however, we will do this with spikes (by hand) before we come back to this example !

14

15

16

17

18

19

20 Motion is correlation in time and space:
This point is on at time t This point is on at time t + t We see motion when two neighbouring spatial positions are stimulated with a temporal delay.

21 Motion detection by correlation:
Motion is detected by comparing the responses of two photoreceptors The signal of the first photoreceptor is delayed by - t Then the comparison stage detects whether both signals arrive at the same time Delay ( - t ) Compare

22 Interaural Time Difference (ITD):
Sound coming from a particular location in space reaches the two ears at different times. From the interaural time difference the azimuth of the sound direction can be estimated. Example:

23 Transformation of sound to spikes:
When a sound wave of a particular frequency reaches the (left) ear, a certain set of hair cells (those that encode this frequency) become excited. These hair cells generate spikes. These spikes always appear at the same phase of the wave. They are „phase-locked“. The same sound wave reaches the right ear a little later. This gives a phase shift between left and right ear. Spikes are again phase-locked to the sound wave.

24 Transformation of sound to spikes:
When a sound wave of a particular frequency reaches the (left) ear, a certain set of hair cells (those that encode this frequency) become excited. These hair cells generate spikes. These spikes always appear at the same phase of the wave. They are „phase-locked“. The same sound wave reaches the right ear a little later. This gives a phase shift between left and right ear. Spikes are again phase-locked to the sound wave. Difference in spike times ~ sound azimuth !

25 Delay line correlator:
Each neuron receives input from both ears. Due to the lengths of the two axons, the inputs arrive at different times. The neuron acts as a „coincidence detector“ and only fires if two spikes arrive at the same time. => Each neuron encodes a specific interaural time difference.

26 Delay lines in the owl brain:
Ear -> Auditory nerve -> NM -> NL -> LS -> ICx

27 Correlation: Average over time Coincidence detection Time delay
Left spike train Right spike train