Magnitude estimation reveals Poisson-like noise underlying perception

Die Studie zeigt, dass die Analyse von Variabilität bei Magnituden-Schätzungen visuellen Kontrasts auf eine interne Repräsentation mit sigmoider Transduktion und poisson-ähnlichem Rauschen hinweist, die diskriminative Empfindlichkeit ohne freie Parameter quantitativ vorhersagt und sowohl den klassischen Pedestal-Effekt als auch das Weber-Gesetz erklärt.

Das Wesentliche

Stell dir vor, dein Gehirn ist wie ein hochmoderner, aber etwas launischer Übersetzer. Wenn Licht auf deine Netzhaut trifft, muss dieses Signal durch eine Art „Filter" gehen, bevor du es als Helligkeit oder Kontrast wahrnimmst. Die große Frage der Neurowissenschaften war bisher: Wie genau funktioniert dieser Filter, und woher kommt das „Rauschen" (die Fehler), das in unserer Wahrnehmung steckt?

Bisher haben Forscher nur geschaut, wie gut Menschen zwei Reize unterscheiden können (z. B. „Ist das hier etwas heller als dort?"). Das ist wie wenn man versucht, die Qualität eines Mikrofons zu testen, indem man nur schaut, ob man zwei leise Töne unterscheiden kann. Man weiß aber nicht, ob das Mikrofon den Ton verzerrt (der Filter) oder ob es einfach nur viel Hintergrundrauschen hat. Man kann diese beiden Dinge nicht trennen.

Die neue Idee: Nicht nur hören, sondern laut sprechen!
Die Forscher in dieser Studie haben einen cleveren Trick angewendet. Sie haben nicht nur gefragt: „Kannst du den Unterschied hören?", sondern sie haben die Teilnehmer gebeten, die Helligkeit eines Bildes laut zu benennen (z. B. „Das ist eine 5" oder „Das ist eine 100"). Das nennt man „Magnitude Estimation" (Größenschätzung).

Stell dir das so vor:

• Die Unterscheidungsaufgabe: Jemand flüstert dir etwas zu, und du musst raten, ob es lauter oder leiser war als das vorherige Wort.
• Die Größenschätzung: Jemand zeigt dir ein Bild, und du musst sagen: „Wie laut ist das eigentlich?" und gibst eine Zahl an.

Was haben sie herausgefunden?

1. Der Filter ist nicht linear (wie ein Dimmer, aber krumm):
   Wenn man die Zahlen, die die Leute genannt haben, analysiert, stellt man fest, dass das Gehirn bei sehr dunklen Bildern den Kontrast extrem stark „aufbläht" (wie ein Lautsprecher, der bei leisen Tönen die Bässe übertrieben hebt). Bei sehr hellen Bildern wird der Kontrast dann wieder etwas „zusammengedrückt". Es ist wie ein S-förmiger Kurvenverlauf. Das erklärt, warum wir bei sehr schwachem Licht plötzlich sehr empfindlich werden.

2. Das Rauschen ist wie ein Poisson-Prozess (ein Zählfehler):
   Das ist der spannendste Teil. Die Forscher haben geschaut, wie stark die Antworten der Teilnehmer schwankten. Wenn jemand bei einem Bild „10" sagt und beim nächsten Mal „12", ist das ein Fehler.
   Sie entdeckten, dass dieses Rauschen nicht zufällig ist, sondern vom Signal abhängt.

   • Die Analogie: Stell dir vor, du zählst Regenfälle. Wenn es nur ein paar Tropfen gibt (schwaches Signal), ist es leicht, einen zu verpassen oder doppelt zu zählen. Der Fehler ist relativ groß im Vergleich zur Anzahl. Wenn es aber ein Wolkenbruch ist (starkes Signal), zählt du zwar mehr Tropfen, aber der relative Fehler wird kleiner.
   • Das Gehirn verhält sich genau so: Je stärker das Signal, desto mehr „Rauschen" gibt es, aber es wächst nicht einfach linear, sondern folgt einer mathematischen Regel, die man Poisson-artiges Rauschen nennt. Es ist, als würde das Gehirn die Signale wie einzelne Regentropfen zählen, und bei jedem Tropfen gibt es eine kleine Unsicherheit.

Warum ist das so wichtig?

Bisher dachte man, die berühmten Gesetze der Wahrnehmung (wie das Weber-Gesetz, das besagt, dass wir bei hellen Lichtern schlechter unterscheiden können) kämen entweder vom Filter oder vom Rauschen.

Die Studie zeigt: Beides ist nötig, aber zu verschiedenen Zeiten!

• Bei sehr schwachem Licht: Der „S-förmige Filter" ist der Held. Er bläht das Signal so stark auf, dass wir überhaupt etwas sehen können (das ist der „Pedestal-Effekt").
• Bei hellem Licht: Der Filter macht seine Arbeit, aber jetzt übernimmt das signalabhängige Rauschen. Weil das Rauschen mit der Helligkeit wächst, wird es schwieriger, feine Unterschiede zu erkennen. Das erklärt, warum wir bei hellem Licht schlechter unterscheiden können.

Das Fazit in einem Satz:
Die Forscher haben bewiesen, dass wir durch einfaches „Zahlen" (Größenschätzung) direkt in das Rauschen des Gehirns schauen können. Sie haben gezeigt, dass unser Gehirn ein einziges, konsistentes System nutzt, um sowohl zu schätzen („Wie hell ist das?") als auch zu unterscheiden („Ist das heller als das andere?"). Es ist, als hätten sie endlich die Bedienungsanleitung für den menschlichen Sinnesfilter gefunden und herausgefunden, dass das Rauschen im System kein Fehler ist, sondern eine natürliche Eigenschaft des Zählersystems unseres Gehirns.

Technische Zusammenfassung

Titel: Magnitudenschätzung offenbart Poisson-ähnliches Rauschen als Grundlage der Wahrnehmung

1. Problemstellung und Hintergrund

Ein zentrales Ziel der sensorischen Neurowissenschaft ist es zu verstehen, wie physikalische Reize in wahrgenommene Erfahrungen übersetzt werden. Traditionell stützt sich das Verständnis dieses Prozesses auf Messungen der Diskriminierungssensitivität $D(x)$ (die Fähigkeit, einen Basisreiz von einem Reiz mit einer kleinen Zunahme zu unterscheiden).

Das fundamentale Problem besteht jedoch in der Nicht-Identifizierbarkeit der zugrunde liegenden Mechanismen:

• Die Sensitivität hängt nur vom Signal-zu-Rausch-Verhältnis ab, welches durch das Verhältnis der Steigung der Transduktionsfunktion (die Abbildung physikalischer Intensität auf die mittlere interne Antwort) zur internen Varianz (Rauschen) bestimmt wird.
• Da verschiedene Kombinationen aus Transduktionsgewinn und Rauschniveau dasselbe Signal-zu-Rausch-Verhältnis ergeben können, lassen sich aus Sensitivitätsdaten allein weder die Form der Transduktionsfunktion noch die Struktur des internen Rauschens eindeutig ableiten.
• Bekannte Phänomene wie das Weber-Gesetz (Sensitivität nimmt mit steigender Intensität ab) und der Pedestal-Effekt (Sensitivität steigt bei sehr niedrigen Intensitäten zunächst an) sind gut dokumentiert, aber ihre mechanistische Ursache (nichtlineare Transduktion vs. signalabhängiges Rauschen) bleibt oft unklar.

2. Methodik

Die Autoren nutzen einen innovativen Ansatz, der die Magnitudenschätzung (Magnitude Estimation, ME) mit einer Diskriminierungsaufgabe kombiniert, um die interne Repräsentation vollständig zu rekonstruieren.

• Teilnehmer: 11 Probanden mit normaler oder korrigierter Sehschärfe.
• Stimuli: Vertikale Gabor-Patches mit variierenden Kontrasten (0,05 % bis 14 %).
• Aufgabe A: Magnitudenschätzung (ME):
  • Probanden schätzten die wahrgenommene Kontrastintensität frei mit Zahlenwerten (unbeschränkte numerische Skala).
  • Kernannahme: Die mittlere Antwort $\mu(x)$ spiegelt die Transduktionsfunktion wider, während die Varianz der Antworten $\sigma^2(x)$ direkt das interne Rauschen widerspiegelt.
  • Die Daten wurden mit einer Normalverteilung $N(\mu(x), \sigma^2(x))$ modelliert. Verschiedene funktionale Formen für Transduktion und Rauschen wurden getestet.
• Aufgabe B: Diskriminierungsaufgabe (2-IFC):
  • Die gleichen Probanden führten eine Zwei-Intervall-Forced-Choice-Aufgabe durch, bei der sie den höheren Kontrast zwischen zwei sequentiellen Reizen identifizieren mussten.
  • Dies diente zur Validierung: Die aus den ME-Daten abgeleiteten Parameter wurden verwendet, um die Diskriminierungssensitivität ohne freie Parameter vorherzusagen.
• Modellierung:
  • Transduktion: Eine nicht-sättigende sigmoide Funktion (Gleichung 2), die bei niedrigen Kontrasten expansiv und bei hohen Kontrasten kompressiv ist.
  • Rauschen: Ein Potenzgesetz mit additivem Term (Gleichung 3): $\sigma(x) = \sigma_0 + q \cdot \mu(x)^\gamma$.

3. Wichtige Beiträge und Ergebnisse

A. Charakterisierung der internen Repräsentation durch ME
Die Analyse der ME-Daten ergab eine spezifische Struktur der internen Repräsentation:

1. Sigmoide Transduktionsfunktion:
   • Bei niedrigen Kontrasten zeigt sich eine expansive Nichtlinearität mit einem hohen Exponenten ($\beta \approx 4,68$). Dies erklärt den steilen Anstieg der Bewertungen bei sehr schwachen Reizen.
   • Bei hohen Kontrasten dominiert eine kompressive Nichtlinearität, die einem Potenzgesetz folgt ($\mu(x) \propto x^\alpha$ mit $\alpha \approx 0,74$).
2. Signalabhängiges Rauschen (Poisson-ähnlich):
   • Das interne Rauschen folgt einem Potenzgesetz ($\sigma(x) \propto \mu(x)^\gamma$) mit einem Exponenten von $\gamma \approx 0,64$.
   • Dies entspricht einem Poisson-ähnlichen Rauschen (da $\gamma \approx 0,5$ für reines Poisson-Rauschen steht, liegt der Wert leicht darüber, was auf eine "supra-Poisson"-Natur hindeutet).
   • Ein kleiner additiver Rauschterm ($\sigma_0$) wurde ebenfalls identifiziert, ist aber numerisch gering.

B. Vorhersage der Diskriminierungssensitivität
Der entscheidende Durchbruch war die Fähigkeit, die Diskriminierungssensitivität $D(x)$ allein aus den ME-Daten (Mittelwert und Varianz) vorherzusagen, ohne die Diskriminierungsdaten zum Fitten zu nutzen.

• Die Vorhersage rekonstruierte erfolgreich beide klassischen Phänomene:
  1. Den Pedestal-Effekt bei niedrigen Kontrasten.
  2. Das Weber-ähnliche Verhalten (Abfall der Sensitivität) bei hohen Kontrasten.
• Die quantitative Übereinstimmung zwischen der vorhergesagten Sensitivität und den empirisch gemessenen Diskriminierungsschwellen war bemerkenswert hoch, insbesondere in Bezug auf die Position des Peaks und den Exponenten des Weber-Bereichs.

C. Entwirrung der Quellen der Sensitivität
Durch Einsetzen der gefundenen Funktionen in die Sensitivitätsgleichung ($D(x) \propto \mu'(x) / \sigma(x)$) konnten die Beiträge von Transduktion und Rauschen getrennt werden:

• Weber-Gesetz (Hohe Kontraste): Das Weber-ähnliche Verhalten entsteht primär durch das signalabhängige Rauschen. Selbst bei einer linearen Transduktion würde das Rauschen ($\gamma \approx 0,64$) zu einem ähnlichen Abfall der Sensitivität führen. Die kompressive Transduktion allein reicht nicht aus, um die beobachtete Steilheit zu erklären.
• Pedestal-Effekt (Niedrige Kontraste): Dieser Effekt resultiert aus der expansiven Nichtlinearität der Transduktion bei niedrigen Intensitäten. Diese Expansion verstärkt das Signal so stark, dass sie das (hier dominierende additive) Rauschen übertrifft und die Sensitivität zunächst ansteigen lässt.

4. Bedeutung und Fazit

• Einheitliche Theorie: Die Studie liefert starke empirische Belege dafür, dass subjektive Ratings (Stevens' Psychophysik) und objektive Diskrimination (Fechner's Psychophysik) auf derselben internen stochastischen Repräsentation basieren.
• Überwindung der Nicht-Identifizierbarkeit: Durch die Nutzung der Varianz der Magnitudenschätzung als direktes Maß für das interne Rauschen wird das langjährige Problem gelöst, dass Sensitivitätsdaten allein Transduktion und Rauschen nicht trennen können.
• Biologische Plausibilität: Die abgeleiteten Funktionen (sigmoide Transduktion und Poisson-ähnliches Rauschen) stimmen mit bekannten biologischen Mechanismen im visuellen Kortex (z. B. Normalisierungsmodelle und neuronale Variabilität) überein.
• Methodischer Fortschritt: Die Arbeit etabliert die Analyse der Variabilität von Magnitudenschätzungen als robustes Werkzeug, um die zugrunde liegende Statistik der sensorischen Verarbeitung zu entschlüsseln, ohne auf komplexe Reaktionszeitmodelle oder zusätzliche Annahmen angewiesen zu sein.

Zusammenfassend zeigt das Paper, dass die Kombination aus Mittelwert und Varianz der Magnitudenschätzung ausreicht, um die komplexe, nichtlineare Dynamik der menschlichen visuellen Wahrnehmung vollständig zu beschreiben und vorherzusagen.