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

En analysant un ensemble de données massif de 10 598 dessins générés par des hallucinations visuelles stroboscopiques, les auteurs ont développé un pipeline de vision par ordinateur non supervisé pour cartographier systématiquement la diversité des motifs géométriques, révélant ainsi de nouvelles structures et offrant des contraintes précieuses pour les modèles théoriques des mécanismes neuronaux sous-jacents.

L'essentiel

🎨 Le Grand Inventaire des Rêves Éveillés : Quand la Lumière Danse dans vos Yeux

Imaginez que vous fermiez les yeux dans une pièce sombre et qu'un projecteur clignote rapidement devant vous. Que voyez-vous ? Pour beaucoup, ce ne sont pas des images de la réalité, mais des formes géométriques fascinantes : des spirales, des tunnels, des toiles d'araignée ou des motifs en nid d'abeille. C'est ce qu'on appelle des hallucinations visuelles.

Jusqu'à présent, les scientifiques savaient que ces formes existaient, mais ils les étudiaient comme un collectionneur de timbres rare : en regardant quelques-unes de très près, sans jamais voir l'ensemble du catalogue.

Cette nouvelle étude, menée par une équipe du Royaume-Uni, a décidé de changer la donne. Ils ont organisé une expérience géante appelée Dreamachine (la "Machine à Rêves"), où des milliers de personnes ont fermé les yeux face à des lumières clignotantes. À la fin, on leur a demandé de dessiner ce qu'ils avaient vu.

Le résultat ? 10 598 dessins ! C'est une montagne de données. Mais comment analyser 10 000 dessins faits par des gens qui ne sont pas tous des artistes ? C'est là que l'histoire devient passionnante.

🤖 Le Détective Robotique (L'Intelligence Artificielle)

Au lieu de faire regarder ces dessins à des humains (ce qui prendrait des années), les chercheurs ont fait appel à un détective robotique très intelligent.

Imaginez que vous avez un tas de 10 000 dessins différents. Vous demandez à un robot de les trier.

1. Le Robot "Regarde-Tout" : Ce robot utilise une technologie appelée "Vision par Ordinateur" (basée sur l'intelligence artificielle). Il ne regarde pas les dessins comme nous (avec des yeux), mais comme un mathématicien qui analyse les formes, les lignes et les couleurs. Il transforme chaque dessin en une "carte d'identité" numérique.
2. Le Tri Magique : Ensuite, le robot regroupe les dessins qui se ressemblent le plus, un peu comme si vous triiez une boîte de Legos par couleur et par forme, sans savoir à quoi ils servent.

🗺️ La Carte des Formes : Ce qu'ils ont découvert

Grâce à ce tri automatique, les chercheurs ont découvert que les dessins ne formaient pas un chaos total, mais se regroupaient en 15 familles distinctes. Voici ce qu'ils ont trouvé, comparé à ce que l'on pensait avant :

1. Les Anciens Classiques (Les "Formes de Klüver")
Depuis les années 1920, un scientifique nommé Klüver avait dit : "Toutes les hallucinations géométriques sont soit des tunnels, soit des spirales, soit des toiles d'araignée, soit des grilles."

• L'analogie : C'est comme si on pensait que tous les oiseaux étaient soit des moineaux, soit des pigeons.
• La découverte : Le robot a confirmé que oui, beaucoup de dessins correspondaient à ces vieilles règles. Les gens voyaient bien des tunnels et des spirales.

2. Les Nouveaux Inconnus (Les Formes "Non-Klüver")
C'est ici que ça devient excitant ! Le robot a trouvé des formes que Klüver n'avait jamais mentionnées.

• Ce qu'ils ont vu : Des carrés concentriques (des carrés dans des carrés), des croix parfaites, des losanges, et des motifs en zig-zag.
• L'analogie : C'est comme si, en triant les oiseaux, on découvrait soudainement un oiseau qui a des plumes carrées et qui vole en faisant des figures de patinage ! Ces formes existent bel et bien, mais personne ne les avait vraiment comptées ou classées jusqu'ici.

3. Le Chaos et les Couleurs
Une partie des dessins ne montrait pas de formes nettes, mais juste des taches de couleurs ou des dessins de la vie réelle (comme un visage ou un objet). Cela montre que l'expérience n'est pas toujours purement géométrique.

🧠 Pourquoi est-ce important ? (La Leçon pour le Cerveau)

Pourquoi se soucier de savoir si on voit des spirales ou des carrés ?

Imaginez que votre cerveau est comme un réseau de routes très complexe. Quand vous fermez les yeux et que la lumière clignote, cela crée un "embouteillage" dans les premières routes de votre vision (la partie du cerveau qui traite les images).

• L'ancienne théorie : On pensait que les embouteillages ne pouvaient créer que des routes en spirale ou en tunnel.
• La nouvelle théorie : Cette étude dit : "Attendez ! Les embouteillages peuvent aussi créer des routes en carrés, en croix et en losanges !"

Cela force les scientifiques à réécrire les manuels sur la façon dont notre cerveau construit la réalité. Si notre cerveau peut créer des carrés et des croix, cela signifie que sa structure interne est encore plus riche et complexe que ce que nous pensions.

🎯 En résumé

Cette étude est comme un grand recensement de l'imagination humaine.

• Avant : On regardait quelques dessins au hasard et on disait "Ah, c'est une spirale".
• Maintenant : Grâce à l'intelligence artificielle et à 10 000 participants, on a une carte complète. On sait que l'univers des hallucinations géométriques est bien plus vaste, coloré et varié que prévu.

C'est une preuve magnifique que lorsque l'on combine l'art (les dessins), la science (les lumières) et la technologie (l'IA), on peut découvrir de nouveaux secrets sur la façon dont notre esprit fonctionne, même quand nous ne voyons rien du tout.

Résumé technique

1. Problématique et Contexte

Les hallucinations visuelles (HV), qu'elles soient induites par des substances psychédéliques, des troubles neurologiques/psychiatriques ou des stimulations non pharmacologiques, sont souvent caractérisées par des motifs géométriques simples. Historiquement, la taxonomie de ces motifs repose sur les « constantes de forme » de Klüver (1928), qui classent les HV en quatre catégories principales : treillis, toiles d'araignée, tunnels et spirales.

Cependant, la recherche actuelle souffre de plusieurs limitations :

• Manque de données à grande échelle : Les études existantes reposent sur de petits échantillons et des rapports subjectifs hétérogènes.
• Limites des modèles théoriques : Les modèles de champs neuronaux actuels, basés sur une transformation log-polaire du cortex visuel primaire (V1), expliquent bien les symétries rotationnelles (spirales, tunnels) mais échouent à prédire ou à intégrer pleinement les symétries translationnelles et d'autres géométries complexes observées empiriquement.
• Absence de quantification objective : Il n'existe pas de méthode systématique pour cartographier la diversité réelle des motifs géométriques au-delà des catégories préétablies.

L'objectif de cette étude est de combler ces lacunes en utilisant une approche de vision par ordinateur non supervisée pour analyser un jeu de données massif de dessins réalisés par des participants exposés à une stimulation lumineuse stroboscopique (SLS).

2. Méthodologie

L'étude a exploité un jeu de données unique provenant de l'installation artistique et scientifique « Dreamachine », qui a attiré plus de 40 000 participants au Royaume-Uni en 2022.

Collecte des données :

• Source : 10 598 dessins réalisés par des participants après une session de stimulation lumineuse stroboscopique (SLS) avec les yeux fermés.
• Prétraitement : Les images ont été nettoyées pour éliminer les doublons, les textes purs, les images corrompues et les scans de mauvaise qualité. Le jeu de données final comprenait 9 700 dessins analysables.
• Augmentation : Pour garantir la robustesse, chaque image a subi 48 transformations (inversion de couleur, rotations, flips, variations de luminosité/contraste) avant l'extraction des caractéristiques.

Pipeline d'analyse par Vision par Ordinateur :

1. Extraction de caractéristiques (Feature Embedding) : Utilisation du modèle de transformeur de vision pré-entraîné DINOv2 (ViT-L/14), un modèle auto-supervisé capable de capturer des structures géométriques globales. Chaque dessin a été converti en un vecteur de caractéristiques de 1 024 dimensions.
2. Réduction de dimensionnalité :
   • Analyse en Composantes Principales (PCA) pour conserver >90 % de la variance.
   • Uniform Manifold Approximation and Projection (UMAP) pour projeter les données dans un espace de 6 dimensions, préservant la structure topologique locale.
3. Clustering : Application de l'algorithme HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise). Contrairement aux algorithmes comme K-means, HDBSCAN ne suppose pas de formes de clusters sphériques et permet d'identifier des points de bruit (données non classées), ce qui est crucial pour un ensemble de données hétérogène.
4. Analyse thématique : Une analyse qualitative inductive a été menée sur les 15 clusters identifiés pour les catégoriser par rapport aux constantes de Klüver et identifier de nouveaux motifs.

3. Résultats Clés

Le pipeline a permis d'organiser 59,1 % des dessins (5 736 images) en 15 clusters distincts, tandis que 40,9 % sont restés non classés (bruit ou motifs trop idiosyncrasiques).

Catégorisation des motifs :
Les clusters géométriques (85,9 % des données classées) se divisent en deux groupes majeurs :

• Géométries « Klüveriennes » (40,9 % des dessins) :

  • Ces clusters correspondent aux constantes de forme classiques : tunnels, spirales, toiles d'araignée et treillis.
  • Ils confirment la prédominance des symétries rotationnelles et translationnelles prédites par les modèles neuronaux existants.

• Géométries « Non-Klüveriennes » (9,9 % des dessins) :

  • L'étude a identifié des motifs systématiquement récurrents qui ne rentrent pas dans la taxonomie de Klüver.
  • Nouveautés détectées : Carrés concentriques, croix, motifs hyperboliques, losanges, et des formes en « astéroïde » (courbes en forme de carré pincé).
  • Symétrie d'ordre 4 : Une découverte majeure est la fréquence significative de motifs à symétrie rotationnelle d'ordre 4 (90°), comme les croix et les carrés concentriques, qui sont sous-représentés dans la littérature actuelle.

• Contenu Non-Géométrique :

  • Environ 8,3 % des dessins contiennent des champs de couleur diffus, du texte ou des représentations sémantiques (objets reconnaissables), reflétant potentiellement des hallucinations complexes ou des réponses réflexives.

4. Contributions et Signification

Contributions Techniques et Scientifiques :

• Échelle sans précédent : C'est la première étude à analyser quantitativement un corpus de plus de 10 000 représentations visuelles d'hallucinations, passant de l'anecdote à la statistique robuste.
• Validation et Extension des Modèles : Les résultats valident partiellement les modèles de champs neuronaux (pour les motifs rotationnels) mais imposent de nouvelles contraintes empiriques. La présence fréquente de symétries d'ordre 4 et de structures translationnelles complexes suggère que les modèles actuels, basés sur la transformation log-polaire, sont incomplets et doivent être étendus pour inclure d'autres dynamiques corticales.
• Méthodologie Innovante : L'article démontre l'efficacité d'un pipeline combinant l'apprentissage auto-supervisé (DINOv2) et le clustering dense pour l'analyse phénoménologique, offrant une alternative objective aux rapports verbaux.

Signification pour la recherche sur la conscience :
Cette étude établit une base de données de référence pour la phénoménologie des hallucinations visuelles simples. Elle suggère que la géométrie des HV est plus diversifiée et structurée que prévu, reflétant probablement l'architecture complexe et les dynamiques du cortex visuel précoce. En identifiant des motifs sous-décrits (comme les croix et les carrés concentriques), l'étude ouvre la voie à de nouvelles expériences ciblées reliant les paramètres de stimulation (fréquence, intensité) à des dynamiques neuronales spécifiques, affinant ainsi notre compréhension des mécanismes de la vision et de la conscience altérée.