Barely depictive: Predicting imagery vividness relative to perception with EEGNet

Cette étude introduit une approche d'apprentissage profond probabiliste utilisant EEGNet pour quantifier la vivacité de l'imagerie mentale visuelle à partir de l'activité cérébrale, révélant que celle-ci est nettement moins vive que la perception visuelle mais suit une échelle commune, soutenant ainsi une conception « à peine » depictive de l'imagerie mentale.

L'essentiel

🧠 Le Grand Défi : "À quoi ça ressemble vraiment dans votre tête ?"

Imaginez que votre cerveau est un cinéma privé.

• Quand vous regardez une photo réelle (par exemple, un chat), c'est comme projeter un film en haute définition sur l'écran de votre cinéma. Les images sont nettes, lumineuses et réelles. C'est la Perception Visuelle.
• Quand vous imaginez ce même chat les yeux fermés, c'est comme essayer de projeter ce film en utilisant seulement vos souvenirs. L'image est là, mais elle est souvent floue, plus petite, et moins lumineuse. C'est l'Imagerie Mentale.

Depuis longtemps, les scientifiques savent que ces deux choses utilisent les mêmes zones du cerveau. Mais une question restait sans réponse précise : À quel point l'image imagée est-elle "faible" par rapport à la vraie image ? Est-elle à 50 % de la force de la réalité ? À 10 % ? Ou presque rien ?

🔍 L'Expérience : Un Détective Électrique

Les chercheurs (Claire et Giorgio) ont voulu mesurer cette différence avec une précision chirurgicale. Voici comment ils ont fait, en utilisant une analogie simple :

1. L'Entraînement du Détective (Le Modèle IA) :
   Ils ont d'abord montré à un "détective" (un algorithme d'intelligence artificielle appelé EEGNet) des centaines de photos réelles de chats et de fraises. Certaines photos étaient très nettes, d'autres très floues, et d'autres encore étaient juste un fond gris (rien du tout).
   Pendant que les participants regardaient ces photos, les chercheurs ont enregistré l'activité électrique de leur cerveau (comme des microphones qui écoutent les pensées du cerveau).
   Le but : Apprendre au détective à reconnaître, rien qu'en écoutant le cerveau, si l'image vue était "super nette", "un peu floue" ou "inexistante".

2. Le Test de l'Imagination :
   Une fois le détective entraîné, ils ont demandé aux mêmes participants de fermer les yeux et d'imaginer les mêmes chats et fraises.
   Cette fois, le détective n'a pas eu d'image à regarder. Il a seulement écouté le cerveau des participants pendant qu'ils imaginaient.
   La question clé : Si le cerveau dit "J'ai vu un chat très net" quand on regarde une photo, que va-t-il dire quand on imagine un chat ? Va-t-il crier "C'est une photo nette !" ou va-t-il murmurer "C'est juste une vague idée" ?

📉 Les Résultats Surprenants : "À peine" Dépeint

Les résultats ont été fascinants et un peu décevants pour ceux qui pensent avoir des images mentales très vives :

• La Réalité : Quand les gens regardaient une photo réelle, le détective savait exactement à quel point elle était nette.
• L'Imagination : Quand les gens imaginaient la photo, le détective a dit : "Attendez, il y a bien une activité ici, c'est plus fort que le silence total (le fond gris), mais c'est beaucoup plus faible que la photo réelle la plus floue."

En termes simples : L'image dans la tête est "à peine" visible par rapport à la réalité.
Même si les participants disaient : "Oh, mon image est super claire !" (comme si c'était une photo réelle), le cerveau, lui, disait : "Non, en réalité, c'est juste un petit reflet très faible."

🎨 L'Analogie du Projecteur

Imaginez que votre cerveau est un projecteur de cinéma :

• La Perception (Regarder) : C'est comme brancher le projecteur sur une prise de courant puissante. L'image est brillante, les couleurs éclatent, tout le monde la voit.
• L'Imagination (Imaginer) : C'est comme essayer de projeter le même film avec une simple pile de montre. L'image est là, on peut deviner qu'il y a un chat, mais c'est sombre, tremblotant et à peine visible.

L'étude montre que pour la plupart des gens, l'imagination mentale fonctionne avec cette "pile de montre". Elle n'est pas un "faux" cinéma aussi puissant qu'on le pense.

🤔 Pourquoi les gens disent-ils alors qu'ils voient "très clair" ?

C'est le paradoxe de l'étude. Les participants rapportaient avoir des images très vives, mais le cerveau montrait le contraire. Les chercheurs proposent deux explications :

1. L'Exagération : Quand on nous demande de juger notre imagination, on a tendance à comparer notre image mentale à... rien du tout. Donc, même une petite étincelle nous semble "très brillante" par rapport au noir complet.
2. La Différence entre "Sentir" et "Voir" : Peut-être que nous ressentons l'idée du chat très fort, mais que l'image visuelle réelle dans notre cerveau est très faible. C'est comme si nous avions une très forte intention de voir, mais un écran très petit.

💡 Pourquoi est-ce important ?

Cette découverte est cruciale pour comprendre des phénomènes comme l'aphantasie (l'incapacité à visualiser des images mentales).

• Si l'imagination normale est déjà "à peine" visible dans le cerveau, alors les personnes qui disent "Je ne vois rien" ne sont peut-être pas "défectueuses". Elles pourraient simplement être les seules à être honnêtes sur la vraie nature de l'imagination !
• Cela nous aide à créer de meilleurs outils pour étudier comment notre cerveau fonctionne, sans se fier uniquement à ce que les gens disent qu'ils ressentent, mais en regardant ce que leur cerveau fait réellement.

En résumé : Notre cerveau est un excellent acteur, mais quand il joue le rôle de "l'imagination", il ne fait que chuchoter. La vraie image, c'est quand on ouvre les yeux.

Résumé technique

1. Problématique et Contexte

La recherche sur l'imagerie mentale visuelle (VMI) suggère qu'elle agit comme une forme affaiblie de la perception visuelle (VP) ascendante (top-down). Bien que des études antérieures aient montré un chevauchement neural entre les deux processus, la relation quantitative précise reste mal définie. En particulier, il est difficile de quantifier à quel point l'imagerie est "plus faible" que la perception au niveau neural.

Les défis majeurs incluent :

• L'absence de "vérité terrain" (ground truth) objective pour l'intensité de l'imagerie mentale, contrairement à la perception où le stimulus est contrôlé.
• La faible corrélation entre les rapports subjectifs de vivacité (vividness) et l'activité neuronale.
• La nécessité d'établir une échelle commune pour comparer la VMI et la VP.

L'objectif de cette étude est de développer une approche probabiliste basée sur l'apprentissage profond pour quantifier la vivacité de l'imagerie mentale par rapport à la perception, en utilisant l'EEG.

2. Méthodologie

Participants et Design Expérimental

• Échantillon : 34 participants (âge moyen : 19,8 ans).
• Tâches : Deux tâches principales, l'imagerie mentale (VMI) et la perception visuelle (VP), conçues pour être aussi similaires que possible (durée, instructions, format de réponse).
• Stimuli : Deux images (un chat et une fraise) présentées à différents niveaux de vivacité manipulés par la dégradation de deux propriétés de bas niveau : la netteté spatiale (flou gaussien) et le contraste de luminance.
  • 5 niveaux de vivacité : 1 (écran gris/noir, contrôle), 2 à 4 (niveaux intermédiaires dégradés), 5 (image originale haute qualité).
• Procédure : Les participants devaient soit imaginer, soit voir l'image cued par un son, puis sélectionner l'option de vivacité correspondante parmi 5 choix visuels.

Acquisition et Prétraitement des Données

• Enregistrement EEG : 64 électrodes à 512 Hz.
• Prétraitement : Pipeline standard incluant la détection des mauvais canaux (RANSAC), la correction des artefacts par ICA (algorithme PICARD), filtrage (0,1 - 42 Hz), et segmentation des données (fenêtre de 0 à 1000 ms post-stimulus).
• Région d'intérêt (ROI) : Sélection de 8 électrodes postérieures (O1, O2, Oz, PO3, PO4, PO7, PO8, POz) proches des zones visuelles précoces (EVA).

Modélisation et Apprentissage Automatique

• Algorithme : Utilisation de EEGNet, un réseau de neurones convolutifs (CNN) compact conçu pour les données EEG.
• Stratégie de Validation : Validation croisée "Leave-One-Subject-Out" (LOSO). Le modèle est entraîné sur les données de 33 participants et testé sur le 34ème, répété pour chaque participant. Cela garantit que les prédictions sont strictement hors échantillon (out-of-sample).
• Objectif du modèle :
  1. Entraîner le modèle à classifier les niveaux de vivacité (5 classes ou 3 classes) à partir des données de perception.
  2. Appliquer le modèle entraîné aux données d'imagerie (non étiquetées) pour prédire une "vivacité attendue" (expected vividness).
• Métrique de sortie : Au-delà de la classe prédite (discrète), les auteurs calculent une vivacité attendue continue (espérance mathématique de la distribution de probabilité) pour capturer les nuances et l'incertitude du modèle.

3. Résultats Clés

Performance de Classification (Perception)

• 5 classes : Le modèle a atteint une précision moyenne de 44,32 % (chance = 20 %), significativement supérieure au hasard. Les erreurs de classification étaient principalement adjacentes (confusion entre niveaux voisins), suggérant que le modèle a appris une relation ordonnée/graduelle.
• 3 classes (1, 2, 5) : En se concentrant sur les niveaux les plus distincts, la précision est passée à 69,31 % (chance = 33 %).
• Généralisation : Le modèle a réussi à interpoler correctement les niveaux de vivacité non vus lors de l'entraînement (niveaux 3 et 4), confirmant qu'il a appris une signature neuronale graduelle et non une simple mémorisation de catégories.

Comparaison VMI vs VP

• Vivacité attendue en Imagerie : La vivacité prédite par le modèle pour les essais d'imagerie était :
  • Significativement supérieure au niveau de base (écran noir, classe 1).
  • Significativement inférieure au niveau de vivacité le plus faible de la perception (classe 2).
• Quantification : La vivacité attendue en imagerie était environ 38 à 46 % plus faible que celle de l'image originale perçue, mais légèrement supérieure à l'absence totale de stimulus.
• Conclusion sur la nature de l'image : Ces résultats soutiennent l'hypothèse que l'imagerie mentale est "à peine" (barely) déictique (représentative) plutôt que "quasi" déictique. L'engagement des zones visuelles précoces est présent mais fortement atténué par rapport à la perception réelle.

Relation avec les Rapports Subjectifs

• Pour 91 % des participants (en excluant 3 cas d'aphantasie sévère), la vivacité attendue par le modèle (neural) était corrélée positivement, bien que faiblement à modérément, avec la vivacité rapportée par les participants (comportemental).
• Il existe un décalage notable : les participants rapportent souvent des images mentales plus vives que ce que l'activité des zones visuelles précoces ne le suggère. Cela pourrait indiquer que l'imagerie subjective dépend de mécanismes d'amplification ou de maintenance active qui ne sont pas entièrement capturés par les signaux précoces de l'EEG.

4. Contributions Principales

1. Nouvelle Approche Méthodologique : Introduction d'un cadre probabiliste utilisant l'apprentissage profond (EEGNet) pour projeter l'imagerie mentale sur une échelle de perception visuelle apprise. Cela permet une comparaison directe sur une échelle neurale-comportementale partagée.
2. Preuve d'une Signature Neuronale Graduelle : Démonstration que la vivacité perçue possède une signature neuronale graduelle dans les zones visuelles précoces, détectable même avec des données EEG à faible résolution spatiale.
3. Quantification de l'Imagerie : Fourniture d'une estimation quantitative du "degré de faiblesse" de l'imagerie mentale par rapport à la perception, soutenant l'idée d'une imagerie "à peine" déictique.
4. Application à l'Aphantasie : Le cadre permet d'identifier des profils individuels (comme l'aphantasie) où la vivacité attendue neuronale est très faible, offrant un outil potentiel pour étudier les déficits d'imagerie au-delà des auto-évaluations.

5. Signification et Implications

Cette étude transforme la compréhension de l'imagerie mentale en passant d'une approche purement subjective à une mesure objective basée sur les données neuronales.

• Pour la recherche fondamentale : Elle valide l'hypothèse que la VMI et la VP partagent des représentations neuronales dans les zones visuelles précoces, mais avec une intensité radicalement différente.
• Pour la clinique et l'individuel : La méthode offre un outil prometteur pour étudier les différences individuelles, notamment l'aphantasie (absence d'imagerie) et l'hyperphantasie, en mesurant l'engagement neural réel plutôt que la seule expérience rapportée.
• Limites et Perspectives : Les auteurs notent que la faible corrélation avec les rapports subjectifs suggère que l'expérience consciente de l'imagerie peut impliquer des mécanismes d'amplification postérieurs aux zones visuelles précoces. De futures études pourraient affiner l'échelle de vivacité pour explorer les seuils de perception où l'imagerie et la perception deviennent indiscernables.

En résumé, ce travail propose un cadre rigoureux pour quantifier "combien" l'imagerie mentale est faible par rapport à la perception, en utilisant l'EEG et l'intelligence artificielle pour établir une vérité terrain neuronale.