ABOUT THE SPEAKER
Neil Burgess - Neuroscientist
At University College in London, Neil Burgess researches how patterns of electrical activity in brain cells guide us through space.

Why you should listen

Neil Burgessis is deputy director of the Institute of Cognitive Neuroscience at University College London, where he investigates of the role of the hippocampus in spatial navigation and episodic memory. His research is directed at answering questions such as: How are locations represented, stored and used in the brain? What processes and which parts of the brain are involved in remembering the spatial and temporal context of everyday events, and in finding one's way about?

To explore this space, he and his team use a range of methods for gathering data, including pioneering uses of virtual reality, as well as computational modelling and electrophysiological analysis of the function of hippocampal neurons in the rat, functional imaging of human navigation, and neuropsychological experiments on spatial and episodic memory.

A parallel interest: Investigating our human short-term memory for serial order, or how we know our 123s.

More profile about the speaker
Neil Burgess | Speaker | TED.com
TEDSalon London Spring 2011

Neil Burgess: How your brain tells you where you are

Νέιλ Μπέρτζις: Η πυξίδα του μυαλού μας

Filmed:
1,458,267 views

Πώς θυμάστε πού σταθμεύσατε το αυτοκίνητό σας; Πώς είστε σίγουροι εάν κινείστε προς τη σωστή κατεύθυνση; Ο νευροεπιστήμονας Νέιλ Μπέρτζις μελετά τους μηχανισμούς των νευρών που χαρτογραφούν το χώρο που μας περιβάλλει και τον τρόπο με τον οποίο συνδέουν τη μνήμη με τη φαντασία.
- Neuroscientist
At University College in London, Neil Burgess researches how patterns of electrical activity in brain cells guide us through space. Full bio

Double-click the English transcript below to play the video.

00:15
When we parkπάρκο in a bigμεγάλο parkingστάθμευση lot,
0
0
2000
Όταν σταθμεύουμε σε ένα μεγάλο χώρο στάθμευσης,
00:17
how do we rememberθυμάμαι where we parkedσταθμευμένο our carαυτοκίνητο?
1
2000
2000
πώς γνωρίζουμε πού σταθμεύσαμε το αυτοκίνητό μας;
00:19
Here'sΕδώ είναι the problemπρόβλημα facingαντιμέτωπος HomerΟ Όμηρος.
2
4000
3000
Αυτό είναι ένα πρόβλημα που συνάντησε ο Χόμερ.
00:22
And we're going to try to understandκαταλαβαίνουν
3
7000
2000
Θα προσπαθήσουμε να καταλάβουμε
00:24
what's happeningσυμβαίνει in his brainεγκέφαλος.
4
9000
2000
τι συμβαίνει στο μυαλό του.
00:26
So we'llΚαλά startαρχή with the hippocampusιππόκαμπος, shownαπεικονίζεται in yellowκίτρινος,
5
11000
2000
Γι'αυτό, αρχίζουμε με τον ιππόκαμπο, που φαίνεται εδώ με κίτρινο,
00:28
whichοι οποίες is the organόργανο of memoryμνήμη.
6
13000
2000
ο οποίος αποτελεί το όργανο της μνήμης.
00:30
If you have damageβλάβη there, like in Alzheimer'sΤης νόσου του Alzheimer,
7
15000
2000
Εάν υπάρξει ζημιά του ιππόκαμπου, όπως με το Αλτσχάιμερ,
00:32
you can't rememberθυμάμαι things includingσυμπεριλαμβανομένου where you parkedσταθμευμένο your carαυτοκίνητο.
8
17000
2000
τότε δεν μπορείτε να θυμηθείτε κάποια πράγματα συμπεριλαμβανομένου και του πού σταθμεύσατε.
00:34
It's namedόνομα after LatinΛατινική for "seahorseΙππόκαμπος,"
9
19000
2000
Έχει πάρει το όνομά του από τη λατινική λέξη για το αλογάκι της θάλασσας,
00:36
whichοι οποίες it resemblesμοιάζει.
10
21000
2000
στο οποίο και μοιάζει.
00:38
And like the restυπόλοιπο of the brainεγκέφαλος, it's madeέκανε of neuronsνευρώνες.
11
23000
2000
Αποτελείται από νευρώνες, όπως και τα υπόλοιπα μέρη του εγκεφάλου.
00:40
So the humanο άνθρωπος brainεγκέφαλος
12
25000
2000
Ο ανθρώπινος εγκέφαλος
00:42
has about a hundredεκατό billionδισεκατομμύριο neuronsνευρώνες in it.
13
27000
2000
έχει περίπου εκατό δισεκατομμύρια νευρώνες.
00:44
And the neuronsνευρώνες communicateεπικοινωνώ with eachκαθε other
14
29000
3000
Οι νευρώνες επικοινωνούν μεταξύ τους
00:47
by sendingαποστολή little pulsesόσπρια or spikesαιχμές of electricityηλεκτρική ενέργεια
15
32000
2000
στέλνοντας μικρούς παλμούς, ηλεκτρικούς παλμούς
00:49
viaμέσω connectionsσυνδέσεις to eachκαθε other.
16
34000
2000
μέσω των συνδέσμων τους.
00:51
The hippocampusιππόκαμπος is formedσχηματίστηκε of two sheetsφύλλα of cellsκυττάρων,
17
36000
3000
Ο ιππόκαμπος αποτελείται από δύο κυτταρικά στρώματα,
00:54
whichοι οποίες are very denselyπυκνά interconnectedδιασυνδεδεμένα.
18
39000
2000
τα οποία είναι πολύ στενά διασυνδεδεμένα.
00:56
And scientistsΕπιστήμονες have begunάρχισε to understandκαταλαβαίνουν
19
41000
2000
Οι επιστήμονες λοιπόν άρχισαν να κατανοούν
00:58
how spatialχωρική memoryμνήμη worksεργοστάσιο
20
43000
2000
τον τρόπο λειτουργίας της χωρικής μνήμης
01:00
by recordingεγγραφή from individualάτομο neuronsνευρώνες
21
45000
2000
μελετώντας μεμονωμένους νευρώνες
01:02
in ratsαρουραίους or miceποντίκια
22
47000
2000
σε αρουραίους και ποντίκια
01:04
while they forageκτηνοτροφικά or exploreεξερευνώ an environmentπεριβάλλον
23
49000
2000
κατά την αναζήτηση τροφής ή εξερεύνησης του περιβάλλοντός τους για
01:06
looking for foodτροφή.
24
51000
2000
ανεύρεση τροφής.
01:08
So we're going to imagineφαντάζομαι we're recordingεγγραφή from a singleμονόκλινο neuronνευρώνας
25
53000
3000
Ας φανταστούμε λοιπόν ότι μελετούμε ένα μεμονωμένο νευρώνα
01:11
in the hippocampusιππόκαμπος of this ratαρουραίος here.
26
56000
3000
του ιππόκαμπου αυτού του αρουραίου.
01:14
And when it firesπυρκαγιές a little spikeακίδα of electricityηλεκτρική ενέργεια,
27
59000
2000
Όταν στέλνει ένα ηλεκτρικό παλμό,
01:16
there's going to be a redτο κόκκινο dotτελεία and a clickΚάντε κλικ.
28
61000
3000
μία κόκκινη κουκκίδα θα εμφανίζεται και ένα κλικ.
01:19
So what we see
29
64000
2000
Αυτό που βλέπουμε λοιπόν
01:21
is that this neuronνευρώνας knowsξέρει
30
66000
2000
είναι ότι αυτός ο νευρώνας γνωρίζει
01:23
wheneverΟποτεδήποτε the ratαρουραίος has goneχαμένος into one particularιδιαιτερος placeθέση in its environmentπεριβάλλον.
31
68000
3000
εάν ο αρουραίος έχει πάει σε ένα συγκεκριμένο μέρος στο περιβάλλον του.
01:26
And it signalsσήματα to the restυπόλοιπο of the brainεγκέφαλος
32
71000
2000
Και στέλνει σήματα στον υπόλοιπο εγκέφαλο
01:28
by sendingαποστολή a little electricalηλεκτρικός spikeακίδα.
33
73000
3000
μέσω ένος μικρού ηλεκτρικού παλμού.
01:31
So we could showπροβολή the firingψήσιμο rateτιμή of that neuronνευρώνας
34
76000
3000
Θα μπορούσαμε λοιπόν να ορίσουμε την αποστολή παλμών από το νευρώνα αυτό
01:34
as a functionλειτουργία of the animal'sτου ζώου locationτοποθεσία.
35
79000
2000
ως τη λειτουργία που ορίζει τη θέση του ζώου.
01:36
And if we recordΡεκόρ from lots of differentδιαφορετικός neuronsνευρώνες,
36
81000
2000
Εάν μελετήσουμε διάφορους νευρώνες,
01:38
we'llΚαλά see that differentδιαφορετικός neuronsνευρώνες fireΦωτιά
37
83000
2000
τότε θα δούμε ότι ο κάθε νευρώνας στέλνει σήμα
01:40
when the animalζώο goesπηγαίνει in differentδιαφορετικός partsεξαρτήματα of its environmentπεριβάλλον,
38
85000
2000
όταν το ζώο βρίσκεται σε διαφορετικό μέρο του περιβαλλοντός του,
01:42
like in this squareτετράγωνο boxκουτί shownαπεικονίζεται here.
39
87000
2000
όπως φάνηκε και σε αυτό το τετράγωνο κουτί.
01:44
So togetherμαζί they formμορφή a mapχάρτης
40
89000
2000
Μαζί λοιπόν σχηματίζουν ένα χάρτη
01:46
for the restυπόλοιπο of the brainεγκέφαλος,
41
91000
2000
για τον υπόλοιπο εγκέφαλο,
01:48
tellingαποτελεσματικός the brainεγκέφαλος continuallyσυνεχώς,
42
93000
2000
λέγοντας συνεχώς στον εγκέφαλο,
01:50
"Where am I now withinστα πλαίσια my environmentπεριβάλλον?"
43
95000
2000
"πού βρίσκομαι τώρα μέσα στο περιβάλλον μου;"
01:52
PlaceΤόπος cellsκυττάρων are alsoεπίσης beingνα εισαι recordedέχει καταγραφεί in humansτου ανθρώπου.
44
97000
3000
Τα κύτταρα θέσης έχουν παρατηρηθεί και στους ανθρώπους.
01:55
So epilepsyεπιληψία patientsασθενείς sometimesωρες ωρες need
45
100000
2000
Γι'αυτό και οι επιληπτικοί χρειάζονται κάποιες φορές
01:57
the electricalηλεκτρικός activityδραστηριότητα in theirδικα τους brainεγκέφαλος monitoringπαρακολούθησης.
46
102000
3000
την ηλεκτρική δραστηριότητα για έλεγχο του εγκεφάλου.
02:00
And some of these patientsασθενείς playedέπαιξε a videoβίντεο gameπαιχνίδι
47
105000
2000
Κάποιοι από αυτούς τους ασθενείς έπαιζαν ένα ηλεκτρονικό παιχνίδι
02:02
where they driveοδηγώ around a smallμικρό townπόλη.
48
107000
2000
στο οποίο οδηγούσαν μέσα σε μία μικρή πόλη.
02:04
And placeθέση cellsκυττάρων in theirδικα τους hippocampiιππόκαμποι would fireΦωτιά, becomeγίνομαι activeενεργός,
49
109000
3000
Και τα κύτταρα θέσης των ιππόκαμπών τους έστελναν σήματα, ήταν ενεργά,
02:07
startαρχή sendingαποστολή electricalηλεκτρικός impulsesωθήσεις
50
112000
3000
έστελναν ηλεκτρικούς παλμούς,
02:10
wheneverΟποτεδήποτε they droveοδήγησε throughδιά μέσου a particularιδιαιτερος locationτοποθεσία in that townπόλη.
51
115000
3000
καθώς περνούσαν μέσα από συγκεκριμένες περιοχές αυτής της πόλης.
02:13
So how does a placeθέση cellκύτταρο know
52
118000
2000
Πώς γνωρίζει λοιπόν ένα κύτταρο θέσης
02:15
where the ratαρουραίος or personπρόσωπο is withinστα πλαίσια its environmentπεριβάλλον?
53
120000
3000
πού βρίσκεται ο αρουραίος ή το άτομο μέσα στο περιβάλλον του;
02:18
Well these two cellsκυττάρων here
54
123000
2000
Αυτά τα δύο κύτταρα εδώ
02:20
showπροβολή us that the boundariesσύνορα of the environmentπεριβάλλον
55
125000
2000
μας δείχνουν ότι τα όρια του περιβάλλοντος
02:22
are particularlyιδιαίτερα importantσπουδαίος.
56
127000
2000
είναι ιδιαιτέρως σημαντικά.
02:24
So the one on the topμπλουζα
57
129000
2000
Το ένα στην κορυφή
02:26
likesαρέσει to fireΦωτιά sortείδος of midwayστα μισά του δρόμου betweenμεταξύ the wallsτοίχους
58
131000
2000
στέλνει σήμα περίπου στη μέση των τοιχωμάτων
02:28
of the boxκουτί that theirδικα τους rat'sαρουραίος in.
59
133000
2000
του κουτιού μέσα στο οποίο βρίσκεται ο αρουραίος.
02:30
And when you expandεπεκτείνουν the boxκουτί, the firingψήσιμο locationτοποθεσία expandsεπεκτείνεται.
60
135000
3000
Εάν επεκτείνουμε το κουτί, επεκτείνεται και η περιοχή για την οποία αποστέλλεται το σήμα.
02:33
The one belowπαρακάτω likesαρέσει to fireΦωτιά
61
138000
2000
Το δεύτερο που βρίσκεται στο κάτω μέρος στέλνει σήμα
02:35
wheneverΟποτεδήποτε there's a wallτείχος closeΚοντά by to the southΝότος.
62
140000
3000
όταν πλησιάζει σε τοίχωμα στο νότιο μέρος.
02:38
And if you put anotherαλλο wallτείχος insideμέσα the boxκουτί,
63
143000
2000
Και εάν τοποθετήσουμε ακόμα ένα τοίχωμα στο εσωτερικό του κουτιού,
02:40
then the cellκύτταρο firesπυρκαγιές in bothκαι τα δυο placeθέση
64
145000
2000
τότε το κύτταρο στέλνει σήμα και για τις δύο θέσεις
02:42
whereverοπουδήποτε there's a wallτείχος to the southΝότος
65
147000
2000
όταν υπάρχει τοίχωμα προς τα νότια
02:44
as the animalζώο exploresδιερευνά around in its boxκουτί.
66
149000
3000
καθώς ο αρουραίος εξερευνά το κουτί.
02:48
So this predictsπροβλέπει
67
153000
2000
Αυτό λοιπόν ορίζει ότι
02:50
that sensingεξεύρεση της φόρας the distancesαποστάσεις and directionsκατευθύνσεις of boundariesσύνορα around you --
68
155000
2000
η αντίληψη των αποστάσεων και της κατεύθυνσης των ορίων γύρω μας,
02:52
extendedεπεκτάθηκε buildingsκτίρια and so on --
69
157000
2000
των επεκταμένων κτιρίων κτλ,
02:54
is particularlyιδιαίτερα importantσπουδαίος for the hippocampusιππόκαμπος.
70
159000
3000
είναι ιδιαιτέρως σημαντική για τον ιππόκαμπο.
02:57
And indeedπράγματι, on the inputsεισόδους to the hippocampusιππόκαμπος,
71
162000
2000
Και πράγματι, στο εσωτερικό του ιππόκαμπου,
02:59
cellsκυττάρων are foundβρέθηκαν whichοι οποίες projectέργο into the hippocampusιππόκαμπος,
72
164000
2000
βρίσκουμε κύτταρα τα οποία στέλνουν σήμα στον ιππόκαμπο,
03:01
whichοι οποίες do respondαπαντώ exactlyακριβώς
73
166000
2000
τα οποία ανταποκρίνονται με ακρίβεια
03:03
to detectingανίχνευση boundariesσύνορα or edgesάκρα
74
168000
3000
στον εντοπισμό των ορίων ή των άκρων
03:06
at particularιδιαιτερος distancesαποστάσεις and directionsκατευθύνσεις
75
171000
2000
σε διάφορες αποστάσεις και κατευθύνσεις
03:08
from the ratαρουραίος or mouseποντίκι
76
173000
2000
από τον αρουραίο ή το ποντίκι
03:10
as it's exploringεξερευνώντας around.
77
175000
2000
καθώς αυτά εξερευνούν το περιβάλλον τους.
03:12
So the cellκύτταρο on the left, you can see,
78
177000
2000
Το κύτταρο στα αριστερά λοιπόν, μπορείτε να δείτε,
03:14
it firesπυρκαγιές wheneverΟποτεδήποτε the animalζώο getsπαίρνει nearκοντά
79
179000
2000
στέλνει σήμα όταν το ζώο πλησιάζει
03:16
to a wallτείχος or a boundaryΌριο to the eastΑνατολή,
80
181000
3000
σε τοίχωμα ή όριο που βρίσκεται στα ανατολικά,
03:19
whetherκατά πόσο it's the edgeάκρη or the wallτείχος of a squareτετράγωνο boxκουτί
81
184000
3000
είτε πρόκειται για την άκρη ή το τοίχωμα ενός τετράγωνου κουτιού,
03:22
or the circularεγκύκλιος wallτείχος of the circularεγκύκλιος boxκουτί
82
187000
2000
είτε για ένα κυκλικό τοίχωμα ενός κυκλικού κουτιού,
03:24
or even the dropπτώση at the edgeάκρη of a tableτραπέζι, whichοι οποίες the animalsτων ζώων are runningτρέξιμο around.
83
189000
3000
ή ακόμα και η σταγόνα στην άκρη του τραπεζιού, γύρω από την οποία γυρνούν τα ζώα.
03:27
And the cellκύτταρο on the right there
84
192000
2000
Το κύτταρο στα δεξιά
03:29
firesπυρκαγιές wheneverΟποτεδήποτε there's a boundaryΌριο to the southΝότος,
85
194000
2000
στέλνει σήμα όποτε υπάρχει σύνορο στα νότια,
03:31
whetherκατά πόσο it's the dropπτώση at the edgeάκρη of the tableτραπέζι or a wallτείχος
86
196000
2000
είτε αυτό είναι η σταγόνα στην άκρη του τραπεζιού, είτε ένα τοίχωμα
03:33
or even the gapχάσμα betweenμεταξύ two tablesπίνακες that are pulledτράβηξε apartχώρια.
87
198000
3000
ή ένα κενό μεταξύ των δύο τραπεζιών.
03:36
So that's one way in whichοι οποίες we think
88
201000
2000
Αυτός είναι λοιπόν ο ένας τρόπος με τον οποίο πιστεύουμε
03:38
placeθέση cellsκυττάρων determineκαθορίσει where the animalζώο is as it's exploringεξερευνώντας around.
89
203000
3000
ότι τα κύτταρα θέσης ορίζουν πού βρίσκεται το ζώο καθώς εξερευνά το χώρο γύρω του.
03:41
We can alsoεπίσης testδοκιμή where we think objectsαντικείμενα are,
90
206000
3000
Μπορούμε επίσης να εξετάσουμε πού νομίζουμε ότι βρίσκονται τα αντικείμενα,
03:44
like this goalστόχος flagσημαία, in simpleαπλός environmentsπεριβάλλοντος --
91
209000
3000
όπως αυτή η σημαία στόχου, σε ένα απλό περιβάλλον,
03:47
or indeedπράγματι, where your carαυτοκίνητο would be.
92
212000
2000
ή ακόμα, πού βρίσκεται το αυτοκίνητό σας.
03:49
So we can have people exploreεξερευνώ an environmentπεριβάλλον
93
214000
3000
Μπορούμε λοιπόν να βάλουμε άτομα να εξερευνήσουν ένα χώρο
03:52
and see the locationτοποθεσία they have to rememberθυμάμαι.
94
217000
3000
και να δούμε τη θέση που πρέπει να θυμούνται.
03:55
And then, if we put them back in the environmentπεριβάλλον,
95
220000
2000
Και τότε, εάν τους βάλουμε ξανά πίσω στο χώρο αυτό,
03:57
generallyγενικά they're quiteαρκετά good at puttingβάζοντας a markerΜαρκαδόρος down
96
222000
2000
βλέπουμε ότι γενικά καταφέρνουν να σημειώσουν
03:59
where they thought that flagσημαία or theirδικα τους carαυτοκίνητο was.
97
224000
3000
πού νόμιζαν ότι ήταν η σημαία ή το αυτοκίνητό τους.
04:02
But on some trialsδοκιμές,
98
227000
2000
Σε κάποιες δοκιμές ωστόσο,
04:04
we could changeαλλαγή the shapeσχήμα and sizeμέγεθος of the environmentπεριβάλλον
99
229000
2000
θα μπορούσαμε να αλλάξουμε το σχήμα και το μέγεθος του περιβάλλοντος
04:06
like we did with the placeθέση cellκύτταρο.
100
231000
2000
όπως κάναμε και με το κύτταρο θέσης.
04:08
In that caseπερίπτωση, we can see
101
233000
2000
Στην περίπτωση αυτή, μπορούμε να δούμε
04:10
how where they think the flagσημαία had been changesαλλαγές
102
235000
3000
πώς αλλάζει το πού νόμιζαν ότι είναι η σημαία,
04:13
as a functionλειτουργία of how you changeαλλαγή the shapeσχήμα and sizeμέγεθος of the environmentπεριβάλλον.
103
238000
3000
ως αποτέλεσμα του πώς αλλάξαμε το σχήμα και το μέγεθος του περιβάλλοντος.
04:16
And what you see, for exampleπαράδειγμα,
104
241000
2000
Για παράδειγμα, αυτό που βλέπετε,
04:18
if the flagσημαία was where that crossσταυρός was in a smallμικρό squareτετράγωνο environmentπεριβάλλον,
105
243000
3000
αν η σημαία ήταν εκεί όπου βρισκόταν και ο σταυρός στο μικρό τετράγωνο χώρο,
04:21
and then if you askπαρακαλώ people where it was,
106
246000
2000
και αν ρωτήσετε τον κόσμο πού ήταν η σημαία,
04:23
but you've madeέκανε the environmentπεριβάλλον biggerμεγαλύτερος,
107
248000
2000
αλλά μεγαλώσετε το χώρο,
04:25
where they think the flagσημαία had been
108
250000
2000
η θέση της σημαίας κατά την άποψή τους
04:27
stretchesεκτείνεται out in exactlyακριβώς the sameίδιο way
109
252000
2000
επεκτείνεται με τον ίδιο ακριβώς τρόπο
04:29
that the placeθέση cellκύτταρο firingψήσιμο stretchedτεντωμένο out.
110
254000
2000
που επεκτάθηκε και ο χώρος για τον οποίο στάληκε σήμα από το κύτταρο θέσης.
04:31
It's as if you rememberθυμάμαι where the flagσημαία was
111
256000
2000
Είναι σαν να θυμόσασταν πού βρισκόταν η σημαία
04:33
by storingεναποθήκευση the patternπρότυπο of firingψήσιμο acrossαπέναντι all of your placeθέση cellsκυττάρων
112
258000
3000
αποθηκεύοντας το μοτίβο των σημάτων των κυττάρων θέσης
04:36
at that locationτοποθεσία,
113
261000
2000
σε αυτό το χώρο,
04:38
and then you can get back to that locationτοποθεσία
114
263000
2000
και μετά επιστρέφετε στο χώρο αυτό
04:40
by movingκίνηση around
115
265000
2000
τριγυρνώντας
04:42
so that you bestκαλύτερος matchαγώνας the currentρεύμα patternπρότυπο of firingψήσιμο of your placeθέση cellsκυττάρων
116
267000
2000
ώστε να βρείτε το μοτίβο αποστολής σήματος από τα κύτταρα θέσης που ταιριάζει καλύτερα με
04:44
with that storedαποθηκεύονται patternπρότυπο.
117
269000
2000
το αποθηκευμένο μοτίβο.
04:46
That guidesοδηγοί you back to the locationτοποθεσία that you want to rememberθυμάμαι.
118
271000
3000
Αυτό σας καθοδηγεί πίσω στο χώρο που θέλετε να θυμηθείτε.
04:49
But we alsoεπίσης know where we are throughδιά μέσου movementκίνηση.
119
274000
3000
Γνωρίζουμε επίσης πού βρισκόμαστε μέσω της κίνησης.
04:52
So if we take some outboundεξερχόμενος pathμονοπάτι --
120
277000
2000
Γι'αυτό εάν πάρουμε ένα εξερχόμενο μονοπάτι,
04:54
perhapsίσως we parkπάρκο and we wanderΠεριπλανηθείτε off --
121
279000
2000
ίσως σταθμεύοντας και τριγυρνώντας,
04:56
we know because our ownτα δικά movementsκινήσεις,
122
281000
2000
ξέρουμε από τις κινήσεις μας,
04:58
whichοι οποίες we can integrateενσωματώνουν over this pathμονοπάτι
123
283000
2000
οι οποίες καταγράφονται πάνω σε αυτό το μονοπάτι
05:00
roughlyχονδρικά what the headingεπικεφαλίδα directionκατεύθυνση is to go back.
124
285000
2000
περίπου ποια κατεύθυνση πρέπει να ακολουθήσουμε για να επιστρέψουμε.
05:02
And placeθέση cellsκυττάρων alsoεπίσης get this kindείδος of pathμονοπάτι integrationενσωμάτωση inputεισαγωγή
125
287000
4000
Τα κύτταρα θέσης λαμβάνουν αυτό το είδος καταγραφής μονοπατιού
05:06
from a kindείδος of cellκύτταρο calledπου ονομάζεται a gridπλέγμα cellκύτταρο.
126
291000
3000
από ένα είδος κυττάρων που ονομάζονται νευρικά κύτταρα.
05:09
Now gridπλέγμα cellsκυττάρων are foundβρέθηκαν, again,
127
294000
2000
Τα νευρικά κύτταρα
05:11
on the inputsεισόδους to the hippocampusιππόκαμπος,
128
296000
2000
στο εσωτερικό του ιππόκαμπου
05:13
and they're a bitκομμάτι like placeθέση cellsκυττάρων.
129
298000
2000
και μοιάζουν με τα κύτταρα θέσης.
05:15
But now as the ratαρουραίος exploresδιερευνά around,
130
300000
2000
Καθώς ο αρουραίος εξερευνά γύρω του,
05:17
eachκαθε individualάτομο cellκύτταρο firesπυρκαγιές
131
302000
2000
κάθε ξεχωριστό κύτταρο στέλνει σήμα
05:19
in a wholeολόκληρος arrayπαράταξη of differentδιαφορετικός locationsτοποθεσίες
132
304000
3000
σε ένα φάσμα διαφορετικών σημείων
05:22
whichοι οποίες are laidστρωτός out acrossαπέναντι the environmentπεριβάλλον
133
307000
2000
μέσα στο περιβάλλον
05:24
in an amazinglyκαταπληκτικά regularτακτικός triangularτριγωνικό gridπλέγμα.
134
309000
3000
μέσα σε ένα εντυπωσιακά ακριβές τριγωνικό πλέγμα.
05:29
And if you recordΡεκόρ from severalαρκετά gridπλέγμα cellsκυττάρων --
135
314000
3000
Αν μελετήσουμε διάφορα νευρικά κύτταρα,
05:32
shownαπεικονίζεται here in differentδιαφορετικός colorsχρωματιστά --
136
317000
2000
που φαίνονται εδώ με διαφορετικά χρώματα,
05:34
eachκαθε one has a grid-likeπλέγμα-όπως firingψήσιμο patternπρότυπο acrossαπέναντι the environmentπεριβάλλον,
137
319000
3000
θα δούμε ότι κάθε μοτίβο του πλέγματος σημάτων μέσα στο περιβάλλον,
05:37
and eachκαθε cell'sτου κυττάρου grid-likeπλέγμα-όπως firingψήσιμο patternπρότυπο is shiftedμετατοπίστηκε slightlyελαφρώς
138
322000
3000
και κάθε μοτίβο του πλέγματος σημάτων ενός κυττάρουν αλλάζει ελαφρώς
05:40
relativeσυγγενής to the other cellsκυττάρων.
139
325000
2000
σε σχέση με αυτά των άλλων κυττάρων.
05:42
So the redτο κόκκινο one firesπυρκαγιές on this gridπλέγμα
140
327000
2000
Το κόκκινο λοιπόν στέλνει σήματα σε αυτό το πλέγμα
05:44
and the greenπράσινος one on this one and the blueμπλε on on this one.
141
329000
3000
το πράσινο σε αυτό και το μπλε σε αυτό το πλέγμα.
05:47
So togetherμαζί, it's as if the ratαρουραίος
142
332000
3000
Μαζί λοιπόν, λειτουργούν λες και ο αρουραίος
05:50
can put a virtualεικονικός gridπλέγμα of firingψήσιμο locationsτοποθεσίες
143
335000
2000
μπορεί να δημιουργήσει ένα εικονικό πλέγμα από σήματα θέσης
05:52
acrossαπέναντι its environmentπεριβάλλον --
144
337000
2000
για το περιβάλλον του,
05:54
a bitκομμάτι like the latitudeΓεωγραφικό πλάτος and longitudeΓεωγραφικό μήκος linesγραμμές that you'dεσείς find on a mapχάρτης,
145
339000
3000
κάτι σαν τις γραμμές γεωγραφικού πλάτους και μήκους που θα βρίσκαμε σε ένα χάρτη,
05:57
but usingχρησιμοποιώντας trianglesτρίγωνα.
146
342000
2000
με μόνη διαφορά τη χρήση τριγώνων.
05:59
And as it movesκινήσεις around,
147
344000
2000
Καθώς τριγυρνάει,
06:01
the electricalηλεκτρικός activityδραστηριότητα can passπέρασμα
148
346000
2000
η ηλεκτρική δραστηριότητα μπορεί να περάσει
06:03
from one of these cellsκυττάρων to the nextεπόμενος cellκύτταρο
149
348000
2000
από ένα από αυτά τα κύτταρα στο επόμενο
06:05
to keep trackπίστα of where it is,
150
350000
2000
και να αναγνωρίζει πού βρίσκεται,
06:07
so that it can use its ownτα δικά movementsκινήσεις
151
352000
2000
ώστε να χρησιμοποιεί τις δικές του κινήσεις
06:09
to know where it is in its environmentπεριβάλλον.
152
354000
2000
για να ξέρει πού βρίσκεται μέσα στο περιβάλλον του.
06:11
Do people have gridπλέγμα cellsκυττάρων?
153
356000
2000
Έχουν και οι άνθρωποι νευρικά κύτταρα;
06:13
Well because all of the grid-likeπλέγμα-όπως firingψήσιμο patternsσχέδια
154
358000
2000
Λόγω του ότι όλα τα μοτίβα πλεγμάτων σημάτων
06:15
have the sameίδιο axesάξονες of symmetryσυμμετρία,
155
360000
2000
έχουν τους ίδιους συμμετρικούς άξονες,
06:17
the sameίδιο orientationsκατευθύνσεις of gridπλέγμα, shownαπεικονίζεται in orangeπορτοκάλι here,
156
362000
3000
ο ίδιος προσανατολισμός πλέγματος, όπως φαίνεται εδώ με πορτοκαλί,
06:20
it meansπου σημαίνει that the netκαθαρά activityδραστηριότητα
157
365000
2000
δείχνει ότι η δραστηριότητα
06:22
of all of the gridπλέγμα cellsκυττάρων in a particularιδιαιτερος partμέρος of the brainεγκέφαλος
158
367000
3000
όλων των νευρικών κυττάρων σε ένα συγκεκριμένο μέρος του εγκεφάλου
06:25
should changeαλλαγή
159
370000
2000
θα έπρεπε να αλλάζει
06:27
accordingσύμφωνα με to whetherκατά πόσο we're runningτρέξιμο alongκατά μήκος these sixέξι directionsκατευθύνσεις
160
372000
2000
σύμφωνα με το αν κινούμαστε προς αυτές τις έξι κατευθύνσεις
06:29
or runningτρέξιμο alongκατά μήκος one of the sixέξι directionsκατευθύνσεις in betweenμεταξύ.
161
374000
3000
ή σε μία από τις έξι κατευθύνσεις στο ενδιάμεσο.
06:32
So we can put people in an MRIΜΑΓΝΗΤΙΚΉ ΤΟΜΟΓΡΑΦΊΑ scannerερευνητής
162
377000
2000
Γι'αυτό μπορούμε να υποβάλουμε τους ανθρώπους σε μία μαγνητική τομογραφία
06:34
and have them do a little videoβίντεο gameπαιχνίδι
163
379000
2000
βάζοντάς τους να παίξουν το ίδιο ηλεκτρονικό παιχνίδι
06:36
like the one I showedέδειξε you
164
381000
2000
που σας έδειξα
06:38
and look for this signalσήμα.
165
383000
2000
και να εξετάσουμε τα σήματα.
06:40
And indeedπράγματι, you do see it in the humanο άνθρωπος entorhinalentorhinal cortexφλοιός,
166
385000
3000
Πράγματι, μπορείτε να το δείτε στον ανθρώπινο ενδορινικό φλοιό,
06:43
whichοι οποίες is the sameίδιο partμέρος of the brainεγκέφαλος that you see gridπλέγμα cellsκυττάρων in ratsαρουραίους.
167
388000
3000
ο οποίος είναι το μέρος του εγκεφάλου που αντιστοιχεί σε αυτό των νευρικών κυττάρων των αρουραίων.
06:46
So back to HomerΟ Όμηρος.
168
391000
2000
Ας επιστρέψουμε στον Χόμερ.
06:48
He's probablyπιθανώς rememberingθυμόμαστε where his carαυτοκίνητο was
169
393000
2000
Ίσως να θυμάται πού βρίσκεται το αυτοκίνητό του
06:50
in termsόροι of the distancesαποστάσεις and directionsκατευθύνσεις
170
395000
2000
όσον αφορά αποστάσεις και κατεύθυνση
06:52
to extendedεπεκτάθηκε buildingsκτίρια and boundariesσύνορα
171
397000
2000
καθώς και επεκταμένα κτίρια και όρια
06:54
around the locationτοποθεσία where he parkedσταθμευμένο.
172
399000
2000
γύρω από τη θέση όπου στάθμευσε.
06:56
And that would be representedεκπροσωπούνται
173
401000
2000
Αυτό αντιπροσωπεύεται από
06:58
by the firingψήσιμο of boundary-detectingόριο-ανίχνευση cellsκυττάρων.
174
403000
2000
τα σήματα που στέλνουν τα κύτταρα εντοπισμού ορίων.
07:00
He's alsoεπίσης rememberingθυμόμαστε the pathμονοπάτι he tookπήρε out of the carαυτοκίνητο parkπάρκο,
175
405000
3000
Θυμάται επίσης το μονοπάτι που ακολούθησε για έξοδό του από το χώρο στάθμευσης,
07:03
whichοι οποίες would be representedεκπροσωπούνται in the firingψήσιμο of gridπλέγμα cellsκυττάρων.
176
408000
3000
το οποίο θα μπορούσε να αντιπροσωπευτεί από τα σήματα των νευρικών κυττάρων.
07:06
Now bothκαι τα δυο of these kindsείδη of cellsκυττάρων
177
411000
2000
Και τα δύο αυτά είδη κυττάρων
07:08
can make the placeθέση cellsκυττάρων fireΦωτιά.
178
413000
2000
μπορούν να προκαλέσουν την αποστολή μηνύματος από τα κύτταρα θέσης.
07:10
And he can returnΕΠΙΣΤΡΟΦΗ to the locationτοποθεσία where he parkedσταθμευμένο
179
415000
2000
Έτσι μπορεί να επιστρέψει στο χώρο όπου στάθμευσε
07:12
by movingκίνηση so as to find where it is
180
417000
3000
τριγυρνώντας μέχρι να βρει
07:15
that bestκαλύτερος matchesαγώνες the firingψήσιμο patternπρότυπο
181
420000
2000
το μοτίβο που ταιριάζει καλύτερα στο μοτίβο σημάτων που έστειλαν
07:17
of the placeθέση cellsκυττάρων in his brainεγκέφαλος currentlyεπί του παρόντος
182
422000
2000
τα κύτταρα θέσης στον εγκέφαλό του
07:19
with the storedαποθηκεύονται patternπρότυπο where he parkedσταθμευμένο his carαυτοκίνητο.
183
424000
3000
και το οποίο αποθηκεύτηκε όταν αυτός στάθμευσε το αυτοκίνητό του.
07:22
And that guidesοδηγοί him back to that locationτοποθεσία
184
427000
2000
Αυτό τον καθοδηγεί στη θέση
07:24
irrespectiveανεξάρτητος of visualοπτικός cuesσυνθήματα
185
429000
2000
ανεξάρτητα από τα οπτικά στοιχεία
07:26
like whetherκατά πόσο his car'sτου αυτοκινήτου actuallyπράγματι there.
186
431000
2000
όπως το αν το αυτοκίνητό του βρίσκεται πράγματι εκεί.
07:28
Maybe it's been towedσυρόμενα.
187
433000
2000
Ακόμα κι αν το έχουν ρυμουλκήσει,
07:30
But he knowsξέρει where it was, so he knowsξέρει to go and get it.
188
435000
3000
αυτός θα ξέρει πού βρισκόταν, άρα πώς θα πάει να το βρει.
07:33
So beyondπέρα spatialχωρική memoryμνήμη,
189
438000
2000
Πέρα λοιπόν από τη χωρική μνήμη,
07:35
if we look for this grid-likeπλέγμα-όπως firingψήσιμο patternπρότυπο
190
440000
2000
αν εξετάσουμε αυτό το μοτίβο πλέγματος σημάτων,
07:37
throughoutκαθόλη τη διάρκεια the wholeολόκληρος brainεγκέφαλος,
191
442000
2000
σε ολόκληρο τον εγκέφαλο,
07:39
we see it in a wholeολόκληρος seriesσειρά of locationsτοποθεσίες
192
444000
3000
το αναγνωρίζουμε σε μία ολόκληρη σειρά θέσεων
07:42
whichοι οποίες are always activeενεργός
193
447000
2000
που ενεργοποιούνται πάντοτε
07:44
when we do all kindsείδη of autobiographicalαυτοβιογραφικό memoryμνήμη tasksκαθήκοντα,
194
449000
2000
όταν πραγματοποιούμε κάθε είδους εργασία αυτοβιογραφικής μνήμης,
07:46
like rememberingθυμόμαστε the last time you wentπήγε to a weddingΓάμος, for exampleπαράδειγμα.
195
451000
3000
όπως όταν θυμόμαστε την τελευταία φορά που πήγαμε σε ένα γάμο.
07:49
So it mayενδέχεται be that the neuralνευρικός mechanismsμηχανισμούς
196
454000
2000
Ίσως λοιπόν οι μηχανισμοί των νευρώνων μας
07:51
for representingαντιπροσωπεύει the spaceχώρος around us
197
456000
3000
που αναπαριστούν το χώρο γύρω μας
07:54
are alsoεπίσης used for generatingδημιουργώντας visualοπτικός imageryεικόνες
198
459000
4000
να χρησιμοποιούνται και για την παραγωγή οπτικής απεικόνισης
07:58
so that we can recreateαναδημιουργήσει the spatialχωρική sceneσκηνή, at leastελάχιστα,
199
463000
3000
ώστε να αναπαράγουμε τη σκηνή του χώρου, τουλάχιστον
08:01
of the eventsγεγονότα that have happenedσυνέβη to us when we want to imagineφαντάζομαι them.
200
466000
3000
των γεγονότων που μας συνέβηκαν, όταν θέλουμε να τους φανταστούμε.
08:04
So if this was happeningσυμβαίνει,
201
469000
2000
Εάν συνέβαινε αυτό λοιπόν
08:06
your memoriesαναμνήσεις could startαρχή by placeθέση cellsκυττάρων activatingενεργοποιητικός eachκαθε other
202
471000
3000
τότε η μνήμη μας θα έπρεπε να αρχίζει από τα κύτταρα θέσης που ενεργοποιούν το ένα το άλλο
08:09
viaμέσω these denseπυκνός interconnectionsδιασυνδέσεις
203
474000
2000
μέσα από αυτές τις πυκνές διασυνδέσεις
08:11
and then reactivatingΕπανενεργοποίηση boundaryΌριο cellsκυττάρων
204
476000
2000
επανενεργοποιώντας τα κύτταρα ορίων
08:13
to createδημιουργώ the spatialχωρική structureδομή
205
478000
2000
για δημιουργία της δομής του χώρου
08:15
of the sceneσκηνή around your viewpointοπτική γωνία.
206
480000
2000
της σκηνής που φαντάζεστε.
08:17
And gridπλέγμα cellsκυττάρων could moveκίνηση this viewpointοπτική γωνία throughδιά μέσου that spaceχώρος.
207
482000
2000
Τα νευρικά κύτταρα θέτουν αυτή τη σκηνή στο χώρο.
08:19
AnotherΈνα άλλο kindείδος of cellκύτταρο, headκεφάλι directionκατεύθυνση cellsκυττάρων,
208
484000
2000
Ακόμα ένα είδος κυττάρων, τα κύτταρα κατεύθυνσης,
08:21
whichοι οποίες I didn't mentionαναφέρω yetΑκόμη,
209
486000
2000
τα οποία δεν ανέφερα μέχρι τώρα,
08:23
they fireΦωτιά like a compassπυξίδα accordingσύμφωνα με to whichοι οποίες way you're facingαντιμέτωπος.
210
488000
3000
στέλνουν σήματα σαν πυξίδα σύμφωνα την κατεύθυνση στην οποία είστε στραμμένοι.
08:26
They could defineκαθορίζω the viewingπροβολή directionκατεύθυνση
211
491000
2000
Ορίζουν την κατεύθυνση
08:28
from whichοι οποίες you want to generateπαράγω an imageεικόνα for your visualοπτικός imageryεικόνες,
212
493000
3000
από την οποία θέλετε να λάβετε μία εικόνα για την οπτική απεικόνισή σας,
08:31
so you can imagineφαντάζομαι what happenedσυνέβη when you were at this weddingΓάμος, for exampleπαράδειγμα.
213
496000
3000
γι'αυτό μπορείτε να φανταστείτε τι συνέβηκε όταν βρεθήκατε σε αυτό το γάμο για παράδειγμα.
08:34
So this is just one exampleπαράδειγμα
214
499000
2000
Αυτό είναι λοιπόν μόνο ένα παράδειγμα
08:36
of a newνέος eraεποχή really
215
501000
2000
μίας πραγματικά νέας εποχής
08:38
in cognitiveγνωστική neuroscienceνευροεπιστήμη
216
503000
2000
στη γνωστική νευροεπιστήμη
08:40
where we're beginningαρχή to understandκαταλαβαίνουν
217
505000
2000
όπου αρχίζουμε να κατανοούμε
08:42
psychologicalψυχολογικός processesδιαδικασίες
218
507000
2000
τις ψυχολογικές διαδικασίες
08:44
like how you rememberθυμάμαι or imagineφαντάζομαι or even think
219
509000
3000
όπως πώς να θυμηθείτε ή να φανταστείτε ή να σκεφτείτε
08:47
in termsόροι of the actionsΕνέργειες
220
512000
2000
τις ενέργειες
08:49
of the billionsδισεκατομμύρια of individualάτομο neuronsνευρώνες that make up our brainsμυαλά.
221
514000
3000
εκατομμυρίων ξεχωριστών νευρώνων που απαρτίζουν τον εγκέφαλό μας.
08:52
Thank you very much.
222
517000
2000
Σας ευχαριστώ πολύ.
08:54
(ApplauseΧειροκροτήματα)
223
519000
3000
(Χειροκρότημα)

▲Back to top

ABOUT THE SPEAKER
Neil Burgess - Neuroscientist
At University College in London, Neil Burgess researches how patterns of electrical activity in brain cells guide us through space.

Why you should listen

Neil Burgessis is deputy director of the Institute of Cognitive Neuroscience at University College London, where he investigates of the role of the hippocampus in spatial navigation and episodic memory. His research is directed at answering questions such as: How are locations represented, stored and used in the brain? What processes and which parts of the brain are involved in remembering the spatial and temporal context of everyday events, and in finding one's way about?

To explore this space, he and his team use a range of methods for gathering data, including pioneering uses of virtual reality, as well as computational modelling and electrophysiological analysis of the function of hippocampal neurons in the rat, functional imaging of human navigation, and neuropsychological experiments on spatial and episodic memory.

A parallel interest: Investigating our human short-term memory for serial order, or how we know our 123s.

More profile about the speaker
Neil Burgess | Speaker | TED.com