A Large-Scale Computer-Vision Mapping of the Geometric Structures of Stroboscopically-Induced Visual Hallucinations

Este estudio presenta un pipeline de visión por computadora no supervisado que analiza más de 10.000 dibujos de alucinaciones visuales inducidas por estimulación luminosa estroboscópica, revelando una diversidad de patrones geométricos recurrentes y nuevos que permiten organizar fenomenológicamente estos datos a gran escala y refinar las teorías sobre sus mecanismos neurales.

Lo esencial

¡Claro que sí! Imagina que este estudio es como una gran fiesta de arte y ciencia donde miles de personas cerraron los ojos, vieron luces parpadeantes y luego dibujaron lo que vieron. Los científicos tomaron esos miles de dibujos y usaron una "lente de inteligencia artificial" para descubrir patrones que el ojo humano no podía ver fácilmente.

Aquí tienes la explicación de este estudio, traducida a un lenguaje sencillo y con analogías divertidas:

🌟 El Experimento: La "Máquina de Sueños"

Imagina una instalación artística llamada Dreamachine. Era como un cine mágico donde la gente se sentaba, cerraba los ojos y unas luces parpadeaban a un ritmo muy rápido (como un estroboscopio en una discoteca, pero más suave).

• ¿Qué pasaba? Al cerrar los ojos y ver esas luces, el cerebro de la gente empezaba a "alucinar" formas geométricas brillantes y colores, aunque no hubiera nada real frente a ellos.
• La tarea: Después de la experiencia, a la gente se le dio papel y crayones para dibujar lo que habían "visto" con los ojos cerrados.
• La cantidad: ¡Más de 10,000 dibujos! Es como si tuvieras una pila de dibujos tan alta que llegaría hasta el techo de un edificio de 10 pisos.

🤖 El Detective Digital: La Inteligencia Artificial

Los científicos no podían mirar uno por uno esos 10,000 dibujos (sería como intentar contar las estrellas a mano). Así que usaron un cerebro de computadora (una red neuronal llamada DINOv2) que actúa como un detective muy avanzado.

1. El Escáner: La computadora "miró" cada dibujo y lo convirtió en una lista de números (una huella digital visual).
2. El Ordenador: Luego, usó un sistema de clasificación automático para agrupar los dibujos que se parecían entre sí, como si ordenara una caja de legos por forma y color.
3. El Resultado: Encontraron 15 grupos principales de dibujos.

🎨 ¿Qué encontraron? (Los Patrones)

Los científicos dividieron los dibujos en tres grandes categorías, como si fueran tres tipos de restaurantes en una ciudad:

1. Los "Clásicos" (Lo que ya sabíamos)

Antes, los científicos pensaban que las alucinaciones geométricas solo tenían 4 formas básicas (llamadas "constantes de Klüver"):

• Laberintos (como una colmena).
• Telarañas.
• Túneles (como si miraras por un tubo).
• Espiralas (como un caracol).

La IA confirmó que muchos de los dibujos eran exactamente estos clásicos. ¡Era como encontrar muchos dibujos de espirales y túneles!

2. Los "Nuevos Inquilinos" (¡La gran sorpresa!)

Aquí está la parte emocionante. La computadora encontró formas geométricas que nunca habían sido clasificadas antes en los libros de texto. Eran como "nuevos sabores" que nadie había probado:

• Cuadrados concéntricos: Cajas dentro de cajas.
• Cruces y diamantes: Formas de 4 puntas muy simétricas.
• Líneas onduladas y zig-zag.

La analogía: Imagina que siempre pensaste que los pájaros solo podían cantar en 4 notas. De repente, escuchas un coro de 10,000 pájaros y descubres que también cantan en 6 notas nuevas que nadie había escrito en la partitura. ¡El cerebro humano es más creativo de lo que pensábamos!

3. Los "Caóticos" (Lo que no encaja)

Unos 40% de los dibujos no se pudieron agrupar. Eran como una mezcla extraña: algunos tenían texto, otros eran manchas de color sin forma, o dibujos de cosas reales (como caras o ojos). Esto es normal porque la gente a veces dibuja lo que siente o lo que piensa, no solo lo que "ve" geométricamente.

🧠 ¿Por qué es importante esto? (El Mensaje Oculto)

Imagina que el cerebro es como un instrumento musical (un violín).

• La teoría antigua: Decía que el violín solo podía tocar 4 notas específicas cuando se le tocaba de cierta manera.
• La nueva teoría: Este estudio dice: "Oye, si tocamos el violín a 10,000 personas, ¡podemos escuchar muchas más notas y melodías nuevas!".

Esto es crucial porque:

1. Desafía a los científicos: Los modelos matemáticos que intentan explicar cómo funciona el cerebro ahora tienen que ser reescritos para incluir estas nuevas formas (cuadrados, cruces, etc.).
2. Conecta mundos: Muestra que las alucinaciones por drogas, por enfermedades o por luces parpadeantes comparten el mismo "lenguaje" geométrico. El cerebro tiene un "diseño interno" que crea estas formas, y ahora sabemos que ese diseño es más complejo y hermoso de lo que imaginábamos.

🚀 En resumen

Este estudio es como un mapa de tesoro gigante. Antes, solo conocíamos las islas principales (las formas clásicas). Ahora, gracias a la inteligencia artificial y a miles de dibujos, hemos descubierto un archipiélago completo de nuevas islas geométricas que nuestro cerebro puede crear.

Nos enseña que, incluso cuando cerramos los ojos, nuestra mente es un artista increíblemente diverso que no se limita a las reglas antiguas. ¡Y ahora tenemos un mapa mejor para entender cómo funciona la magia de la visión humana!

Resumen técnico

Título: Mapeo a Gran Escala mediante Visión por Computadora de las Estructuras Geométricas de las Alucinaciones Visuales Inducidas Estroboscópicamente

1. El Problema

Las alucinaciones visuales (AV) son experiencias perceptivas internas sin estímulos externos correspondientes, comunes en estados psicodélicos, trastornos psiquiátricos y neurológicos. Aunque las "AV simples" (patrones geométricos, colores, formas dinámicas) son un fenómeno recurrente, su caracterización fenomenológica ha sido limitada por la falta de conjuntos de datos grandes y estandarizados.

• Limitaciones actuales: Los estudios previos se basan en muestras pequeñas, formatos de reporte heterogéneos y descripciones cualitativas subjetivas.
• Marco teórico insuficiente: La clasificación predominante, basada en los "constantes de forma" de Klüver (1928) —rejillas, telarañas, túneles y espirales— y los modelos de campos neuronales, no ha sido validada empíricamente a gran escala. Existe la posibilidad de que la variedad real de geometría alucinatoria sea más amplia de lo que estas teorías predicen, especialmente aquellas que no encajan en las simetrías rotacionales o traslacionales clásicas.

2. Metodología

Los autores desarrollaron un pipeline de visión por computadora no supervisado para analizar un conjunto de datos masivo y abierto generado en una instalación artística pública llamada "Dreamachine".

• Fuente de Datos: Se analizaron 10,598 dibujos realizados por asistentes de la instalación Dreamachine (Reino Unido, 2022) tras exponerse a estimulación lumínica estroboscópica (SLS) con los ojos cerrados.
  • Nota: El 83.6% de los asistentes experimentó SLS (inductor de alucinaciones), mientras que el resto experimentó una versión sin SLS (ruido en los datos).
• Preprocesamiento:
  • Filtrado de imágenes corruptas, duplicadas, texto puro y recortes incorrectos, reduciendo el conjunto a 9,700 dibujos analizables.
  • Normalización mediante ecualización de histograma local y desenfoque gaussiano para reducir artefactos de escaneo.
  • Redimensionamiento a 448x448 píxeles.
• Extracción de Características:
  • Uso de un Transformador de Visión (ViT) preentrenado DINOv2 (modelo auto-supervisado de Meta) para extraer embeddings de 1,024 dimensiones.
  • Aplicación de Aumentación de Datos en Tiempo de Prueba (TTA): Se generaron 48 vistas aumentadas por dibujo (rotaciones, inversiones de color, cambios de brillo/contraste) y se promediaron sus vectores de características para obtener una representación robusta.
• Clustering (Agrupamiento):
  • Reducción de dimensionalidad en dos etapas: PCA (reteniendo >90% de la varianza) seguido de UMAP (proyección a 6 dimensiones).
  • Algoritmo de agrupamiento: HDBSCAN (Clustering Jerárquico Basado en Densidad), elegido por su capacidad para manejar densidades variables y no asumir formas esféricas.
  • Validación: Se optimizaron los parámetros buscando un equilibrio entre la calidad del clustering (métrica DBCV), la interpretabilidad temática y la proporción de datos no agrupados (ruido).

3. Contribuciones Clave

• Pipeline Automatizado: Primera aplicación de un pipeline de visión por computadora no supervisado para mapear sistemáticamente la fenomenología de las alucinaciones visuales a una escala sin precedentes (~10k muestras).
• Validación y Expansión de la Teoría: Proporciona una validación empírica de los constantes de forma de Klüver, pero también identifica y cuantifica sistemáticamente nuevos motivos geométricos que no estaban previstos por los modelos teóricos existentes.
• Repositorio de Datos: Demuestra la viabilidad de utilizar instalaciones artísticas públicas para la recolección de datos fenomenológicos a gran escala, combinando arte y ciencia.

4. Resultados

El algoritmo identificó 15 clusters distintos que agruparon el 59.1% de los dibujos (5,736 imágenes). El 40.9% restante fue clasificado como "ruido" (imágenes idiosincrásicas o mixtas). Los clusters se categorizaron en tres grupos temáticos:

• A. Geometría Klüveriana (40.9% de los dibujos agrupados):

  • Confirmó la presencia de los cuatro constantes de forma clásicos:
    • Rejilla/Lattice: Simetría traslacional (ej. Cluster 3).
    • Telaraña/Cobweb, Túnel, Espiral: Simetría rotacional (Clusters 1, 2, 7).
  • Estos resultados apoyan parcialmente los modelos de campos neuronales basados en el mapeo log-polar retina-corteza.

• B. Geometría No-Klüveriana (9.9% de los dibujos agrupados):

  • Descubrió patrones geométricos sistemáticamente recurrentes que no encajan en la clasificación de Klüver:
    • Simetría rotacional de cuatro ejes (90°): Concentricidad de cuadrados y diamantes (Cluster 13) y cruces (Cluster 14).
    • Patrones complejos: Astroides (curvas tipo cuadrado pinchado), rejillas de diamantes/triángulos (Cluster 10) y líneas onduladas/zig-zag (Cluster 15).
  • Estos hallazgos sugieren que la variedad de alucinaciones es más rica de lo que predice la teoría actual.

• C. Contenido No Geométrico (8.3%):

  • Campos de color difuso, texto, garabatos y contenido semántico (objetos reconocibles), que pueden reflejar alucinaciones complejas o respuestas reflexivas no alucinatorias.

5. Significado e Implicaciones

• Restricciones para Modelos Neurobiológicos: Los modelos actuales de campos neuronales (que explican patrones rotacionales mediante transformaciones log-polares) no pueden explicar fácilmente la prevalencia de patrones con simetría traslacional pura o simetría rotacional de cuatro ejes (cuadrados, cruces). Esto obliga a reformular o extender las teorías sobre la arquitectura y dinámica de la corteza visual primaria (V1).
• Nuevos Motivos: La identificación de formas como los cuadrados concéntricos y los astroides como subclases recurrentes de AV simples abre nuevas líneas de investigación sobre cómo el cerebro procesa la simetría y la estructura geométrica.
• Metodología Futura: El estudio valida el uso de métodos de "ciencia ciudadana" combinados con IA para la fenomenología cuantitativa, permitiendo pasar de descripciones anecdóticas a análisis estadísticos rigurosos de la experiencia consciente alterada.

En conclusión, el trabajo demuestra que el espacio de las alucinaciones visuales geométricas es más diverso y estructurado de lo que las teorías clásicas sugerían, proporcionando una base empírica sólida para el desarrollo de futuros modelos mecanicistas de la visión y la conciencia.