Featural representation and internal noise around the visual field

Resumen Técnico: Representación de Rasgos y Ruido Interno en torno al Campo Visual

Planteamiento del Problema
El rendimiento visual humano exhibe una no uniformidad sistemática a través del campo visual, caracterizada por dos robustas asimetrías de ángulo polar: la anisotropía horizontal-vertical (HVA, por sus siglas en inglés), donde el rendimiento es superior a lo largo del meridiano horizontal en comparación con el vertical, y la asimetría del meridiano vertical (VMA), donde el rendimiento es superior en el campo visual inferior en comparación con el superior. Aunque estos campos de rendimiento están bien documentados en cuanto a sensibilidad al contraste y resolución espacial, las computaciones a nivel de sistema que traducen los recursos neurales no uniformes (p. ej., densidad de muestreo retinal, magnificación cortical) en estas asimetrías perceptivas permanecen en gran medida inexploradas. Las hipótesis previas de "conteo neural" sugieren que las diferencias de rendimiento surgen únicamente de las variaciones en la cantidad de tejido neural que representa ubicaciones específicas; sin embargo, los modelos computables de la imagen que incorporan solo inhomogeneidades ópticas y retinales explican solo una fracción de la varianza conductual (aprox. 40% para HVA, 10% para VMA). Además, las asimetrías anatómicas no especifican cómo los recursos neurales se convierten en decisiones conductuales. Este estudio aborda la brecha en la comprensión de si estas asimetrías surgen de diferencias en la representación de rasgos (el modelo perceptual utilizado para ponderar las características del estímulo) o en el ruido interno (limitaciones en el proceso de decisión), o en ambos.

Metodología
Los autores emplearon una tarea de detección de señal con un modelo de observador ruidoso y correlación inversa psicofísica para disociar las contribuciones de la ponderación de rasgos y el ruido interno.

• Diseño Experimental: Doce observadores realizaron una tarea de detección de orientación periférica en ubicaciones isoeccéntricas ($6^\circ$) a lo largo de los meridianos horizontal, vertical inferior y vertical superior. Los estímulos fueron parches de Gabor (orientación horizontal, 2 cpd/grado) embebidos en ruido filtrado (1–4 cpd) o parches de solo ruido. El contraste de la señal se tituló para mantener aproximadamente un 70% de precisión.
• Consistencia de Doble Paso: Para restringir las estimaciones de ruido interno, el experimento utilizó un diseño de doble paso donde los mismos estímulos objetivo se presentaron dos veces dentro de un bloque (con distractores generados independientemente). La consistencia de la respuesta (la proporción de respuestas idénticas ante estímulos repetidos) sirvió como una restricción conductual directa sobre el ruido interno.
• Correlación Inversa Psicofísica: Los autores estimaron los modelos perceptuales específicos de cada observador analizando cómo las fluctuaciones caso a caso en los rasgos del estímulo (orientación y frecuencia espacial) influían en las respuestas de detección binaria. Esto se logró mediante un modelo lineal generalizado multivariante (GLM) con un enlace probit, ajustado a los ensayos de ausencia de señal para aislar las fluctuaciones de decisión impulsadas por el ruido. Los mapas de pesos resultantes se marginalizaron para derivar funciones de sintonización unidimensionales de ganancia/ancho de banda de orientación y ganancia/ancho de banda de frecuencia espacial.
• Modelo de Observador Ruidoso: Se construyó un modelo computacional donde una variable de decisión se calcula como el producto escalar del perfil de energía del estímulo y el modelo perceptual estimado. La variable de decisión fue corrompida por tres fuentes potenciales de ruido: ruido aditivo (privado de cada paso), ruido multiplicativo (privado y dependiente de la señal) y ruido compartido (común entre el par de doble paso). Los parámetros del modelo se estimaron conjuntamente maximizando la verosimilitud tanto de las respuestas de detección caso por caso como de la consistencia del doble paso.

Resultados Clave

1. Asimetrías Conductuales Confirmadas: La sensibilidad al contraste exhibió patrones robustos de HVA y VMA. Sin embargo, la consistencia de la respuesta, $d'$, la precisión y los tiempos de reacción fueron comparables entre ubicaciones, lo que sugiere que la dificultad general de la tarea o los compromisos entre velocidad y precisión no impulsaron las asimetrías.
2. Representación de Rasgos (Orientación):
   • A nivel de grupo, la sensibilidad (ganancia) y la selectividad (ancho de banda) de la orientación no difirieron significativamente entre meridianos.
   • Crucialmente, las diferencias individuales en la asimetría de la sensibilidad de la orientación predijeron la magnitud de la HVA en la sensibilidad al contraste. Los observadores con una ventaja más fuerte en el meridiano horizontal en la ganancia de orientación mostraron una HFA mayor.
   • En contraste, la asimetría de la sensibilidad de la orientación no predijo la magnitud de la VMA.
3. Representación de Rasgos (Frecuencia Espacial):
   • La sintonización de la frecuencia espacial exhibió una variabilidad individual sustancial, alcanzando a menudo su pico por debajo de la frecuencia de la señal (1 cpd frente a la señal de 2 cpd).
   • Ni las asimetrías de ganancia ni las de ancho de banda de la frecuencia espacial predijeron de manera fiable la magnitud de la HVA ni de la VMA.
4. Ruido Interno:
   • El ajuste del modelo reveló que un modelo que incluía ruido aditivo y compartido (pero excluyendo el ruido multiplicativo) explicó mejor los datos.
   • A nivel de grupo, las magnitudes del ruido aditivo y compartido fueron uniformes a través de los ángulos polares.
   • Sin embargo, las diferencias individuales en la asimetría del ruido aditivo predijeron la magnitud de la HVA. Los observadores con una ventaja en el meridiano horizontal de menor ruido aditivo mostraron una HVA mayor.
   • Ni las asimetrías del ruido aditivo ni las del ruido compartido predijeron la magnitud de la VMA.
5. Disociación de Asimetrías: El estudio encontró que la HVA está vinculada a variaciones sistemáticas en la sensibilidad de la orientación y en el ruido interno aditivo, mientras que la VMA no fue explicada de manera fiable por ninguno de los componentes de rasgos o de ruido probados.

Contribuciones Clave

• Caracterización del Nivel de Sistema: El estudio va más allá de las explicaciones anatómicas de "conteo neural" para caracterizar las computaciones a nivel de sistema (ponderación de rasgos y estructura de ruido) que transforman la entrada sensorial en decisiones perceptuales.
• Integración Metodológica: Al combinar la correlación inversa (para estimar el modelo perceptual) con un modelo de observador ruidoso restringido por la consistencia de doble paso, los autores lograron disociar las contribuciones de la representación de rasgos y el ruido interno a las asidades del campo visual.
• Disociación de Asimetrías: Los hallazgos proporcionan evidencia de que la HVA y la VMA son fenómenos parcialmente separables. Mientras que la HVA está asociada con firmas computacionales específicas (sensibilidad de orientación y ruido aditivo), la VMA carece de una explicación clara dentro del marco probado de ponderación de rasgos y ruido de la etapa de decisión.

Significado y Reivindicaciones
Los autores sostienen que los campos de rendimiento visual no son impulsados por un único cuello de botella visual, sino por combinaciones de localización específica de cómo el cerebro codifica la información de rasgos relevantes y el ruido neural. Específicamente, la HVA refleja la variación sistemática en la ponderación de rasgos de orientaciones relevantes para la tarea y el ruido interno aditivo. El estudio no pretende haber identificado el mecanismo de la VMA, señalando que la tarea y el modelo actuales pueden no haber sido optimizados para revelar mecanismos vinculados a la VMA (p. ej., aquellos que dependen de la selectividad de rasgos en lugar de la sensibilidad).

El marco proporciona un enfoque con principios para vincular las asimetrías perceptuales prevalentes con las computaciones a nivel de sistema. Los autores enfatizan que sus modelos de plantillas y parámetros de ruido estimados son "cantidades conductuales efectivas" que resumen el filtrado y la agrupación de la población, en lugar de mediciones directas de las propiedades de una sola neurona. Los resultados sugieren que, si bien el muestreo neural no uniforme proporciona un sustrato para los campos de rendimiento, restricciones de lectura adicionales —específicamente en cómo se filtra y agrupa la información— determinan la asimetría perceptual final. El estudio concluye que la HVA está ligada a la sensibilidad, probablemente debido a las ventajas de recursos neurales más fuertes del meridiano horizontal, mientras que la base computacional de la VMA sigue siendo una cuestión abierta que requiere una mayor investigación de los mecanismos más allá del alcance de la actual tarea de detección.