Magnitude estimation reveals Poisson-like noise underlying perception

En utilisant l'estimation de grandeur visuelle, cette étude démontre que la variabilité des notations subjectives révèle une représentation interne composée d'une transduction sigmoïde et d'un bruit de type Poisson, permettant de prédire quantitativement la sensibilité à la discrimination sans paramètre libre.

L'essentiel

🎨 Le Grand Mystère de la Perception : Comment notre cerveau "bruite" la réalité

Imaginez que votre cerveau est un chef cuisinier qui prépare un plat (votre perception du monde) à partir d'ingrédients bruts (la lumière qui entre dans vos yeux).

Pendant des décennies, les scientifiques ont essayé de comprendre comment ce chef transforme les ingrédients. Ils savaient que si l'on ajoutait un peu de sel (un petit changement de contraste), le chef pouvait ou non le goûter. Mais ils avaient un gros problème : ils ne pouvaient pas savoir si le chef était mauvais pour goûter (bruit interne) ou s'il utilisait une recette bizarre qui déformait les saveurs (transformation du signal). C'était comme essayer de deviner la recette d'un gâteau en goûtant seulement la croûte, sans voir l'intérieur.

Cette nouvelle étude, menée par des chercheurs de l'Université de Barcelone, a enfin ouvert la porte de la cuisine pour regarder l'intérieur du gâteau.

📏 L'astuce : Demander "Combien ?", pas "Oui/Non"

Traditionnellement, pour tester la vue, on demandait aux gens : "Voyez-vous une différence entre ces deux taches ?" (Oui/Non). C'est comme demander à quelqu'un : "Est-ce que ce café est trop salé ?".

Les chercheurs ont changé la question. Ils ont demandé aux participants : "À votre avis, combien de fois ce café est-il plus salé que l'eau ?" (Estimation de grandeur). Ils ont laissé les gens donner n'importe quel chiffre, même des décimales.

L'analogie du thermomètre :
Imaginez que vous essayez de mesurer la température d'une pièce.

1. L'ancienne méthode (Discrimination) : Vous demandez : "Fait-il plus chaud qu'hier ?". Vous obtenez une réponse binaire, mais vous ne savez pas si votre thermomètre est précis ou s'il tremble.
2. La nouvelle méthode (Estimation) : Vous demandez : "Quelle est la température exacte ?". Si vous regardez les réponses de quelqu'un qui dit "20°C", puis "20,5°C", puis "19,8°C", vous voyez non seulement la température moyenne (la réponse), mais aussi l'instabilité de ses réponses (le bruit).

🔍 Ce qu'ils ont découvert : Le "Bruit de Poisson"

En analysant ces réponses numériques, les chercheurs ont découvert deux choses fascinantes sur la façon dont notre cerveau traite le contraste (la différence entre le clair et le sombre) :

1. La recette (Le Transducteur) : Notre cerveau ne voit pas le contraste de façon linéaire. C'est comme un volume de radio qui a un bouton spécial.

   • Quand le son est très faible, tourner le bouton fait monter le volume très vite (le cerveau amplifie les signaux faibles pour ne rien rater).
   • Quand le son est fort, tourner le bouton fait monter le volume doucement (le cerveau compresse les signaux forts pour ne pas être saturé).
   • En langage scientifique : Une fonction sigmoïde (en forme de S).

2. Le bruit de fond (Le Poisson) : C'est la découverte majeure. Le "tremblement" ou l'erreur dans notre perception n'est pas aléatoire comme une chute de pièces de monnaie. C'est un bruit qui dépend du signal lui-même.

   • L'analogie de la foule : Imaginez une foule qui crie.
     • Si c'est une personne seule (signal faible), son cri est faible et le bruit de fond est faible.
     • Si c'est une foule de 10 000 personnes (signal fort), le bruit est énorme, mais il est proportionnel à la taille de la foule.
   • Plus le signal est fort, plus le "bruit" interne est grand, mais il suit une loi mathématique précise (comme les statistiques d'une population de Poisson).

🧩 Le Grand Tour de Magie : Prédire l'imprévisible

Le plus incroyable, c'est que les chercheurs ont utilisé uniquement les données de l'estimation (les chiffres donnés par les gens) pour prédire avec une précision chirurgicale les résultats des tests de discrimination (le "Oui/Non").

Ils ont pu dire : "Si on demande à cette personne de dire 'Oui/Non' à la différence de contraste, elle aura ce résultat précis" sans avoir besoin de faire le test "Oui/Non" !

Cela prouve que :

• La façon dont nous ressentons l'intensité (le chiffre) et la façon dont nous discriminons les différences (le Oui/Non) utilisent exactement le même mécanisme interne.
• Les phénomènes complexes que les scientifiques observent depuis 150 ans (comme le fait que la sensibilité augmente au début puis diminue) ne sont pas des mystères. Ils sont simplement le résultat de cette "recorde en S" combinée à ce "bruit proportionnel".

🌟 En résumé

Cette étude nous dit que notre cerveau n'est pas une machine parfaite, mais une machine intelligente et bruyante.

• Il amplifie les signaux faibles pour qu'on ne rate rien (comme un détecteur de fumée sensible).
• Il compresse les signaux forts pour ne pas exploser (comme un limiteur de volume).
• Et le "bruit" qui perturbe notre perception n'est pas un défaut aléatoire, mais une caractéristique fondamentale de la façon dont les neurones fonctionnent, un peu comme le bruit de fond naturel d'une foule qui grandit avec la foule elle-même.

Grâce à cette étude, nous avons enfin la "recette secrète" du cerveau pour transformer la lumière en vision.

Résumé technique

1. Problématique et Contexte

L'objectif fondamental de la neuroscience sensorielle est de comprendre comment les stimuli physiques sont transformés en expérience perceptive. Traditionnellement, cette compréhension repose sur la mesure de la sensibilité à la discrimination ($D(x)$), définie comme la capacité à distinguer une intensité de base $x$ d'une intensité $x + \Delta x$.

Cependant, une limitation majeure existe : la sensibilité dépend uniquement du rapport signal-sur-bruit (la pente de la fonction de transduction divisée par le bruit interne). Cela crée un problème d'identifiabilité : différentes combinaisons de gain de transduction et de niveau de bruit peuvent produire la même sensibilité empirique. Par conséquent, les mesures de discrimination seules ne permettent pas de déterminer la distribution du bruit interne ni la forme exacte de la fonction de transduction.

De plus, la sensibilité présente des comportements complexes :

• L'effet de piédestal (pedestal effect) : À très faibles intensités, la sensibilité augmente avec l'intensité.
• Comportement de Weber : À intensités plus élevées, la sensibilité diminue proportionnellement à l'intensité ($D(x) \propto x^{-1}$).

L'article vise à résoudre ce problème d'identifiabilité en utilisant une méthode complémentaire : l'estimation de grandeur (Magnitude Estimation - ME).

2. Méthodologie

Les auteurs ont mené une étude comportementale avec 11 participants utilisant des stimuli visuels (taches de Gabor verticales) avec des contrastes variant de 0,05 % à 14 %. Deux tâches ont été réalisées :

1. Tâche d'Estimation de Grandeur (ME) :

   • Les participants ont évalué l'intensité perçue du contraste en attribuant un nombre verbal libre (sans contrainte d'échelle).
   • L'hypothèse centrale est que la variabilité des réponses de ME reflète directement le bruit interne ($\sigma(x)$), tandis que la moyenne reflète la fonction de transduction ($\mu(x)$).
   • Les données ont été modélisées par une distribution normale $N(\mu(x), \sigma(x)^2)$.

2. Tâche de Discrimination (2-IFC) :

   • Les mêmes participants ont effectué une tâche à choix forcé à deux intervalles pour déterminer quel stimulus avait le contraste le plus élevé.
   • Cette tâche a permis de mesurer la sensibilité empirique ($D_{discr}$) pour validation.

Modélisation :
Les auteurs ont testé diverses formes fonctionnelles pour le transducteur et le bruit. Ils ont finalement retenu un modèle combinant :

• Un transducteur sigmoïdal non saturant (Eq. 2) :
  $$\mu(x) = k \frac{x^\beta}{v^\beta + x^\beta}$$
  (Comportement expansif à faible contraste, compressif à fort contraste).
• Un bruit dépendant du signal de type loi de puissance avec composante additive (Eq. 3) :
  $$\sigma(x) = \sigma_0 + q \mu(x)^\gamma$$

3. Résultats Clés

A. Caractérisation de la représentation interne via ME

L'analyse des données de ME a révélé une structure interne précise :

• Transducteur : La fonction de transduction est sigmoïdale.
  • À faible contraste ($x \ll v$), elle est expansive avec un exposant $\beta \approx 4,68$. Cela explique la montée rapide de la sensibilité (effet de piédestal).
  • À fort contraste ($x \gg v$), elle est compressive avec un exposant $\alpha \approx 0,74$, cohérent avec les lois de puissance précédemment observées.
• Bruit interne : Le bruit suit une loi de puissance avec un exposant $\gamma \approx 0,64$.
  • Ce résultat est proche du comportement Poissonien ($\gamma = 0,5$) mais légèrement supérieur (bruit "supra-Poissonien").
  • Le bruit est principalement dépendant du signal, bien qu'une petite composante additive ($\sigma_0$) soit présente.

B. Prédiction de la discrimination sans paramètre libre

En utilisant les paramètres $\mu(x)$ et $\sigma(x)$ dérivés exclusivement de la tâche ME, les auteurs ont calculé la sensibilité théorique ($D_{ME}$) via l'équation du rapport signal/bruit (Eq. 1).

• Résultat : La courbe de sensibilité prédite ($D_{ME}$) reproduit quantitativement les deux phénomènes clés observés dans la tâche de discrimination empirique ($D_{discr}$) :
  1. L'effet de piédestal à faible contraste.
  2. Le comportement de Weber à fort contraste.
• Bien que la magnitude absolue de la sensibilité prédite soit légèrement sous-estimée par rapport à la discrimination (biais connu de la ME), la forme fonctionnelle et les paramètres individuels (position du pic, exposant de Weber) sont fortement corrélés.

C. Décomposition des sources de sensibilité

L'analyse mathématique de l'équation de sensibilité permet de dissocier les contributions du transducteur et du bruit :

• Comportement de Weber : Il résulte principalement du bruit dépendant du signal. Si le bruit était constant, la non-linéarité compressive du transducteur seule ne suffirait pas à expliquer la pente observée de la loi de Weber.
• Effet de piédestal : Il résulte de la non-linéarité expansive du transducteur à faible contraste, qui amplifie le signal plus vite que le bruit n'augmente.

4. Contributions et Signification

1. Validation de l'estimation de grandeur : L'étude démontre que la variabilité des réponses en ME n'est pas du "bruit" comportemental aléatoire, mais une mesure directe et fiable du bruit neuronal interne.
2. Unification des psychophysiques : L'article fournit une preuve empirique forte que la psychophysique de Stevens (basée sur l'intensité subjective/ME) et celle de Fechner (basée sur la discrimination) reposent sur une même représentation interne stochastique.
3. Résolution du problème d'identifiabilité : En combinant la moyenne et la variance des réponses ME, il est possible de reconstruire entièrement la fonction de densité de probabilité de la représentation interne, ce qui était impossible avec la discrimination seule.
4. Correspondance biologique : Les paramètres trouvés (transducteur sigmoïdal et bruit dépendant du signal) correspondent aux propriétés observées dans les neurones du cortex visuel (réponses de contraste, variabilité de type Poisson), validant ainsi le modèle par des données neurobiologiques.

Conclusion

Ce travail établit que la perception visuelle du contraste est régie par une représentation interne unique caractérisée par un transducteur sigmoïdal et un bruit de type Poisson (légèrement supra-Poissonien). Cette représentation explique quantitativement à la fois les jugements subjectifs d'intensité et les capacités objectives de discrimination, résolvant ainsi un débat de longue date sur l'origine des limites de la discrimination sensorielle (transduction non linéaire vs bruit interne variable).