Sensory Noise Traits Predict Illusion Susceptibility and Multisensory Mismatch Negativity

Resumen Técnico: Los rasgos de ruido sensorial predicen la susceptibilidad a las ilusiones y la negatividad de desajuste multisensorial

Planteamiento del problema
Aunque las diferencias individuales en la susceptibilidad a las ilusiones audiovisivas (AV) están bien documentadas, los orígenes computacionales de estas variaciones siguen sin estar claros. Los paradigmas estándar de ilusión AV suelen medir la susceptibilidad mediante un único índice conductual, lo que confunde dos componentes distintos: la precisión sensorial (ruido) y la inferencia causal (la tendencia a vincular señales). En consecuencia, tasas de ilusión manifiesta similares pueden surgir de diferentes combinaciones latentes de fiabilidad sensorial y tendencias de vinculación. Además, se desconoce si estos rasgos computacionales latentes pueden predecir las firmas neurales del procesamiento multisensorial, específicamente la negatividad de desajuste (MMN, por sus siglas en inglés), un componente de los potenciales relacionados con eventos (ERP) interpretado como una señal de error de predicción ponderada por la precisión.

Metodología
El estudio empleó un diseño experimental de dos etapas que involucró una tarea conductual y un paradigma de oddball pasivo.

1. Participantes: El estudio incluyó a 28 adultos sanos para el experimento conductual. De estos, 26 fueron retenidos para el modelado de Inferencia Causal Bayesiana (BCI) y un subgrupo de 15 completó la sesión de EEG.
2. Tarea del Conejo Audiovisual Bidireccional: Los participantes realizaron una tarea donde secuencias de pitidos y destellos creaban destellos intermedios ilusorios o suprimían destellos reales. La tarea era "bidireccional", permitiendo que las señales auditivas capturaran la percepción visual y viceversa. Crucialmente, la fiabilidad de la señal auditiva se manipuló variando el volumen del sonido (0–40 dB por encima del nivel de audición) e introduciendo ruido blanco. Este diseño permitió la disociación del ruido sensorial de la inferencia causal.
3. Modelado Computacional: Los informes perceptuales se modelaron mediante un marco de Inferencia Causal Bayesiana (BCI). Se compararon cuatro familias de modelos: segregación, fusión forzada, BCI clásica y BCI postdictiva. El modelo BCI postdictivo fue seleccionado como el mejor ajuste basado en la validación cruzada de importancia de muestreo suavizada por Pareto (PSIS-LOO). Este modelo estimó cuatro rasgos latentes para cada participante:
   • Ruido auditivo ($\sigma_a$)
   • Ruido visual ($\sigma_v$)
   • Sensibilidad al nivel de sonido del ruido auditivo ($\sigma_{a,level}$)
   • Prior de causa común ($p_{common}$)
4. Paradigma de EEG: Se utilizó un paradigma de oddball pasivo para registrar las respuestas MMN. Las condiciones incluyeron oddballs auditivos unimodales, visuales unimodales y audiovisuales congruentes. Los datos de EEG se registraron con un casquete de 64 canales, se transformaron a Densidad de Fuente de Corriente (CSD) para mejorar la especificidad espacial y se analizaron las amplitudes de MMN en regiones de interés (ROI) frontocentrales (auditivas) y occipitales (visuales).
5. Análisis: Se computaron las correlaciones entre los rasgos latentes derivados de BCI y (a) medidas de intensidad de la ilusión conductual y (b) amplitudes de MMN en la submuestra de EEG. Se aplicaron correcciones de comparación múltiple (BH-FDR).

Resultos Clave

• Selección de Modelos: El modelo BCI postdictivo superó significativamente a los modelos de segregación, fusión forzada y BCI clásica en la predicción de los informes conductuales, validando el uso de la inferencia causal postdictiva para la ilusión del conejo.
• Correlatos Conductuales: En la muestra conductual ($N=26$), los rasgos latentes predijeron robustamente la susceptibilidad a la ilusión:
  • Un mayor ruido auditivo ($\sigma_a$) se correlacionó con una mayor intensidad de la ilusión auditiva.
  • Un mayor ruido visual ($\sigma_v$) se correlacionó con una mayor intensidad de la ilusión visual.
  • Un prior de causa común ($p_{common}$) más fuerte se correlacionó con una mayor intensidad total de la ilusión.
  • La sensibilidad al nivel de sonido mostró una asociación más débil y menos robusta.
• Correlatos Neurales (EEG): En la submuestra de EEG ($N=15$), se encontró una asociación específica entre paradigmas:
  • El ruido auditivo ($\sigma_a$) predijo positivamente la amplitud de la MMN occipital en la condición audiovisual congruente (AVOC). Dado que la MMN es un potencial de dirección negativa, un mayor ruido auditivo se asoció con respuestas de desajuste occipital menos negativas (más débiles).
  • Esta asociación fue específica del componente occipital de la respuesta audiovisual. No se encontraron correlaciones significativas entre el ruido auditivo y la MMN audiovisual frontocentral (AVFC), la MMN auditiva unimodal o la MMN visual unimodal.
  • El ruido visual ($\sigma_v$) no mostró asociaciones comparables con la MMN audiovisual.
  • El hallazgo se mantuvo robusto a través de diferentes esquemas de referencia de EEG (FCz, promedio, mastoides y CSD) y fue confirmado por pruebas de permutación no paramétricas.

Contribuciones Clave

1. Descomposición Computacional: El estudio logró disociar con éxito el ruido sensorial de la inferencia causal en la susceptibilidad a la ilusión audiovisual mediante una tarea del conejo bidireccional y un modelo BCI postdictivo, yendo más allá de las tasas descriptivas de ilusión hacia rasgos latentes interpretables.
2. Predicción de Paradigmas Cruzados: Demostró que los rasgos de ruido sensorial derivados del comportamiento (específicamente el ruido auditivo) pueden predecir marcadores neurales (MMN) en una tarea completamente diferente y pasiva, lo que sugiere que estos rasgos capturan diferencias individuales estables en el procesamiento multisensorial.
3. Especificidad de los Mecanismos Neurales: Los hallazgos revelaron que el vínculo entre la precisión auditiva y el procesamiento de desajuste neural es específico del componente occipital (visual) de la respuesta multisensorial, en lugar de ser una reducción general de la capacidad de respuesta neural o un efecto unimodal.

Significancia y Reivindicaciones
Los autores afirman que estos hallazgos respaldan un enfoque computacional donde las diferencias individuales en la percepción multisensorial no son aleatorias, sino que reflejan variaciones estables y de tipo rasgo en la precisión sensorial y las tendencias de vinculación. Específicamente, el estudio sugiere que la precisión auditiva contribuye a la variabilidad individual en el procesamiento de desajuste multisensorial.

Dentro de un marco de codificación predictiva, los autores interpretan el resultado de la siguiente manera: si la entrada auditiva ayuda a establecer predicciones sobre eventos audiovisuales, una precisión auditiva reducida (mayor ruido) puede debilitar la señal predictiva transmodal disponible para el procesamiento cortical visual, resultando en una respuesta de desajuste occipital más débil ante eventos audiovisuales desviantes.

El artículo concluye modestamente que, si bien estos resultados no establecen una utilidad clínica ni prueban una causalidad mecánica estricta, proporcionan un marco para vincular los rasgos de ruido sensorial definidos computacionalmente con medidas neurales. Los autores señalan las limitaciones, incluyendo el tamaño de muestra modesto de EEG y la necesidad de replicación independiente, pero enfatizan que la estrategia de descomponer la susceptibilidad a la ilusión en rasgos latentes ofrece una forma fundamentada de relacionar la conducta con las firmas neurales de la integración multisensorial.