<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html>
<head>
<title></title>
</head>
<body style="font-family:Arial;font-size:14px">
<p><br>
COLOQUIOS DEL DEPARTAMENTO DE FÍSICA FCEYN - UBA<br>
<br>
En el Aula Seminario, 2do piso, Pab. I, <br>
<br>
Jueves 21/3, 14hs:<br>
<br>
Ana Amador<br>
<br>
DF-FCEN-UBA<br>
<br>
<br></p>
<h2 style="margin-top: 0px; margin-right: 0px; margin-bottom: 10px; margin-left: 0px; padding-top: 0px; padding-right: 0px; padding-bottom: 12px; padding-left: 0px; font-size: 18px; border-bottom-width: 1px; border-bottom-style: solid; border-bottom-color: rgb(221, 221, 221); color: rgb(12, 124, 136); font-family: 'Titillium Maps', Arial; text-align: left; background-color: rgb(255, 255, 255);">Descifrando códigos neuronales con un modelo físico de canto de aves.</h2>
<p>La generación de comportamientos complejos requiere una profunda interacción entre el sistema nervioso, la morfología de los sistemas periféricos y el entorno. Un ejemplo de esta interacción es el canto de aves oscinas, las cuales lo aprenden en un proceso muy similar al que ocurre durante el aprendizaje del habla en humanos. Las aves oscinas presentan un sistema de núcleos neuronales específicos para la producción y aprendizaje del canto. Las neuronas pertenecientes a este sistema exhiben una respuesta selectiva frente a la presentación auditiva del canto propio, siendo ésta cualitativamente mayor que la respuesta a otros sonidos como ruido blanco, tonos, e incluso canto de conespecíficos o canto propio modificado. A pesar de su potencial importancia en el aprendizaje y mantenimiento del canto, la extrema selectividad de estas neuronas ha dificultado su estudio. Para abordar esta limitación y explorar la emergencia de estas respuestas, trabajamos con un modelo de producción vocal de baja dimensión, que incluye parámetros relacionados con variables fisiológicas que el ave puede controlar. Notablemente, el canto sintético generado con el modelo físico elicita respuestas neuronales muy similares a las respuestas obtenidas con la presentación del canto propio. Este modelo permite incluir progresivamente parámetros fisiológicos relevantes a la producción vocal, lo que resulta en un aumento sistemático de la magnitud de respuesta, sin cambiar los patrones de actividad. De esta manera, mostramos que un modelo de baja dimensión que representa una aproximación del sistema periférico es suficiente para capturar características comportamentales relevantes del canto. Este modelo identifica dos parámetros que definen ?gestos motores? y que son utilizados para estudiar el código neuronal que se utiliza para el procesamiento y generación del canto. Este trabajo sugiere que la información auditiva del canto está codificada en coordenadas motoras. Además proponemos una codificación neuronal novedosa donde los gestos motores representados en áreas corticales son utilizados para realizar predicciones del comportamiento esperado y de esta manera evaluar la retroalimentación al sistema nervioso central.<br>
<br>
<br>
<br>
<br>
<br>
<br></p>
</body>
</html>