ABSTRACT In this report, passive elasticity properties of Octopus rubescens arm tissue are investigated using a multidisciplinary approach encompassing biomechanical experiments, computational modeling, and analyses. Tensile tests are conducted to obtain stress–strain relationships of the arm under axial stretch. Rheological tests are also performed to probe the dynamic shear response of the arm tissue. Based on these tests, comparisons against three different viscoelasticity models are reported.

Effective methods of anesthesia for octopuses are important for physiological studies as well as for their welfare in scientific research. Neurophysiological studies of octopus usually use global anesthesia for invasive procedures like electrode implantation. However, commonly used forms of global anesthesia using ethanol, magnesium chloride, and similar agents raise certain concerns for levels of stress, recovery, and tissue viability in octopuses much as in humans. We explore an old, rarely used method of octopus "hypnosis", in which a still reaction is induced so that communication between central and peripheral nervous systems is seemingly decreased. We modify the procedure for better handling, continuous respiration, and isolation of peripheral nervous system of the arm cords from the central nervous system (CNS), providing alternative to global anesthesia for studies of arm-sucker coordination and electrode placements. The modified procedure limits negative side-effects, markedly reduces animals' stress levels, and offers new avenues for octopus neurobehavioral research.

The impact of thalamic state on information transmission to the cortex remains poorly understood. This limitation exists due to the rich dynamics displayed by thalamocortical networks and because of inadequate tools to characterize those dynamics. Here, we introduce a novel estimator of mutual information and use it to determine the impact of a computational model of thalamic state on information transmission. Using several criteria, this novel estimator, which uses an adaptive partition, is shown to be superior to other mutual information estimators with uniform partitions when used to analyze simulated spike train data with different mean spike rates, as well as electrophysiological data from simultaneously recorded neurons. When applied to a thalamocortical model, the estimator revealed that thalamocortical cell T-type calcium current conductance influences mutual information between the input and output from this network. In particular, a T-type calcium current conductance of about 40 nS appears to produce maximal mutual information between the input to this network (conceptualized as afferent input to the thalamocortical cell) and the output of the network at the level of a layer 4 cortical neuron. Furthermore, at particular combinations of inputs to thalamocortical and thalamic reticular nucleus cells, thalamic cell bursting correlated strongly with recovery of mutual information between thalamic afferents and layer 4 neurons. These studies suggest that the novel mutual information estimator has advantages over previous estimators, and that thalamic reticular nucleus activity can enhance mutual information between thalamic afferents and thalamorecipient cells in the cortex.

Abstract Visual place recognition (VPR) is the ability to recognize locations in a physical environment based only on visual inputs. It is a challenging task due to perceptual aliasing, viewpoint and appearance variations and complexity of dynamic scenes. Despite promising demonstrations, many state-of-the-art VPR approaches based on artificial neural networks (ANNs) suffer from computational inefficiency. Spiking neural networks (SNNs), on the other hand, implemented on neuromorphic hardware, are reported to have remarkable potential towards more efficient solutions computationally, compared to ANNs. However, the training of the state-of-the-art (SOTA) SNNs for the VPR task is often intractable on large and diverse datasets. To address this, we develop an end-to-end convolutional SNN model for VPR, that leverages back-propagation for tractable training. Rate-based approximations of leaky integrate-and-fire (LIF) neurons are employed during training to enable back-propagation, and the approximation units are replaced with spiking LIF neurons during inference. The proposed method outperforms the SOTA ANNs and SNNs by achieving 78.2% precision at 100% recall on the challenging Nordland dataset, compared with 53% SOTA performance, and exhibits competitive performance on the Oxford RobotCar dataset while being easier to train and faster in both training and inference when compared to other ANN and SNN-based methods.