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

Questo studio presenta una mappatura su larga scala delle strutture geometriche delle allucinazioni visive indotte da stimolazione luminosa stroboscopica, utilizzando un pipeline di visione artificiale non supervisionata per analizzare oltre 10.000 disegni e identificare nuovi motivi ricorrenti che offrono nuovi vincoli per le teorie neurobiologiche esistenti.

L'essenziale

Immagina di chiudere gli occhi e vedere un'esplosione di colori, forme geometriche che ruotano, tunnel infiniti e labirinti di luce. Non stai sognando: è quello che succede quando i tuoi occhi vengono "bombardati" da luci lampeggianti a una certa velocità. Questo fenomeno si chiama allucinazione visiva indotta dallo stroboscopio.

Gli scienziati hanno sempre saputo che queste esperienze esistono, ma è stato molto difficile studiarle in modo scientifico. Come fai a chiedere a 10.000 persone di descrivere con parole ciò che vedono? Le parole sono limitate, soggettive e spesso confuse.

Ecco dove entra in gioco questo studio rivoluzionario, che potremmo definire "Google Maps per le allucinazioni geometriche".

Il Grande Esperimento: La Dreamachine

Immagina un'installazione artistica chiamata Dreamachine. È come un cinema per gli occhi chiusi. Migliaia di persone si sono sedute in una stanza, hanno chiuso gli occhi e hanno guardato luci lampeggianti mentre ascoltavano musica. Dopo l'esperienza, invece di scrivere un diario, è stato chiesto loro di disegnare ciò che avevano visto.

Il risultato? Un mucchio di 10.598 disegni. Alcuni sembravano scarabocchi, altri erano opere d'arte astratta, altri ancora sembravano mappe di città futuristiche.

Il Detective Robot: L'Intelligenza Artificiale

Gli autori dello studio (un gruppo di ricercatori del Regno Unito e del Canada) non hanno guardato questi disegni uno per uno. Sarebbe stato come cercare di ordinare un'intera biblioteca leggendo ogni libro a mano. Invece, hanno usato un detective robotico (un'intelligenza artificiale chiamata computer vision).

Ecco come hanno lavorato, passo dopo passo:

1. Il Traduttore Universale: Hanno insegnato al computer a "guardare" ogni disegno e trasformarlo in una carta d'identità digitale. Immagina che ogni disegno venga convertito in un codice segreto di 1.000 numeri che ne descrive la forma, i colori e la struttura, proprio come un DNA visivo.
2. Il Raggruppamento Magico: Una volta che ogni disegno aveva la sua "carta d'identità", il computer ha iniziato a metterli in fila. Ha detto: "Ehi, questo disegno assomiglia molto a quello, e anche a quell'altro!". Ha usato un algoritmo intelligente (chiamato HDBSCAN) per raggruppare i disegni simili, proprio come un organizzatore di armadi che separa le magliette dai pantaloni, ma in questo caso separa i "tunnel" dai "cerchi" e dalle "stelle".
3. La Mappa dei Clusters: Alla fine, il computer ha creato 15 gruppi distinti.

Cosa hanno scoperto? (La Sorpresa)

Per decenni, gli scienziati hanno creduto che tutte queste allucinazioni geometriche rientravano in 4 categorie classiche, scoperte negli anni '20 da un ricercatore di nome Klüver. Immagina queste 4 categorie come i 4 sapori base di un gelato:

• Griglie (come un favo d'api)
• Ragnatele
• Tunnel
• Spirali

Il computer ha confermato che sì, molti disegni (circa il 40%) corrispondevano a questi 4 "sapori" classici. Ma la vera sorpresa è arrivata dopo.

Il computer ha scoperto che c'era un intero nuovo mondo di forme che nessuno aveva mai notato così chiaramente prima. Non erano solo variazioni dei soliti tunnel o spirali. Erano forme completamente nuove e ricorrenti, come:

• Quadrati concentrici (quadrati dentro quadrati).
• Croci perfette.
• Forme a diamante e triangoli.
• Linee ondulate a zig-zag.

È come se avessimo sempre creduto che il cielo fosse fatto solo di nuvole bianche e grigie, e poi un satellite ci avesse mostrato che in realtà ci sono anche nuvole a forma di drago, di castello e di farfalla, che si ripetono sempre nello stesso modo.

Perché è importante?

Questa scoperta è fondamentale per due motivi:

1. La Mappa è più grande di quanto pensavamo: Le teorie attuali su come funziona il nostro cervello quando "vede" cose che non ci sono (basate su modelli matematici) spiegavano bene le spirali e i tunnel, ma non riuscivano a spiegare le croci o i quadrati. Ora che abbiamo la mappa di queste nuove forme, gli scienziati devono aggiornare le loro teorie sul "motore" del cervello. È come se avessimo trovato nuovi pezzi di un puzzle che mancavano.
2. Un nuovo modo di studiare la mente: Questo studio dimostra che non serve un laboratorio sterile con un solo paziente per capire la mente umana. Puoi prendere migliaia di persone, farle disegnare e usare l'IA per trovare schemi nascosti. È un modo democratico e potente per esplorare la coscienza.

In sintesi

Gli scienziati hanno preso un mucchio di disegni fatti da persone che vedevano luci lampeggianti, li hanno dati in pasto a un'intelligenza artificiale e hanno scoperto che il nostro cervello, quando "si rompe" in modo controllato, non produce solo le solite spirali. Produce un'intera galleria d'arte geometrica molto più varia e complessa di quanto immaginassimo.

Hanno creato la prima grande mappa di questo territorio sconosciuto, e ora gli scienziati possono usare questa mappa per capire meglio come funziona la nostra visione, la nostra coscienza e perché a volte vediamo cose che non ci sono.

Sommario tecnico

Titolo: Mappatura su larga scala delle strutture geometriche delle allucinazioni visive indotte stroboscopicamente tramite visione artificiale

1. Il Problema

Le allucinazioni visive (VH) sono esperienze percettive interne in assenza di stimoli esterni, comuni in contesti psichiatrici, neurologici e sotto l'effetto di sostanze psichedeliche. Sebbene le "semplici allucinazioni visive" (caratterizzate da colori, pattern e forme geometriche dinamiche) siano state studiate per decenni, la loro fenomenologia rimane scarsamente caratterizzata su larga scala.
I principali ostacoli alla ricerca sono:

• La mancanza di dataset fenomenologici su larga scala.
• La dipendenza da modelli teorici storici (come i "form constant" di Klüver del 1928) e modelli di campo neurale che potrebbero non catturare l'intera diversità delle forme geometriche osservate.
• La difficoltà di quantificare oggettivamente le forme geometriche descritte soggettivamente.

L'obiettivo dello studio è superare questi limiti analizzando un dataset massivo di disegni prodotti da partecipanti a un'installazione artistica pubblica, utilizzando metodi di visione artificiale non supervisionati per mappare la diversità delle forme geometriche indotte dalla stimolazione luminosa stroboscopica (SLS).

2. Metodologia

Lo studio ha adottato un approccio misto, combinando l'analisi di un dataset su larga scala con pipeline di computer vision avanzate.

• Raccolta Dati (Dreamachine): I dati provengono da 10.598 disegni realizzati da partecipanti all'installazione "Dreamachine" (2022, Regno Unito). I partecipanti, dopo aver subito una sessione di stimolazione luminosa stroboscopica a occhi chiusi (High Sensory - HS), hanno disegnato le loro esperienze visive. Il dataset include anche disegni da sessioni senza stroboscopio (Deep Listening - DL), usati come rumore di fondo.
• Preprocessing:
  • Filtraggio iniziale: Rimozione di duplicati, testi, immagini corrotte o non pertinenti.
  • Dataset finale: 9.700 disegni analizzabili.
  • Normalizzazione: Crop centrale, ridimensionamento a 448x448 pixel, equalizzazione dell'istogramma locale e sfocatura gaussiana per ridurre artefatti di scansione.
  • Data Augmentation: Applicazione di Test-Time Augmentation (TTA) per generare 48 varianti per immagine (rotazioni, flip, inversione colore, jitter) al fine di ottenere rappresentazioni di feature più robuste.
• Estrazione delle Feature:
  • Utilizzo di un modello Vision Transformer (ViT) pre-addestrato in modo auto-supervisionato: DINOv2 (ViT-L/14).
  • Estrazione di vettori di feature a 1.024 dimensioni per ogni immagine aumentata, poi mediati per ottenere un singolo vettore rappresentativo per disegno.
• Clustering e Analisi:
  • Ridimensionamento: PCA (per mantenere >90% della varianza) seguito da UMAP per ridurre la dimensionalità a 6 dimensioni, preservando la struttura topologica.
  • Clustering: Applicazione dell'algoritmo HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise), scelto per la sua capacità di gestire cluster di densità variabile e di identificare il "rumore" (dati non clusterizzabili) senza forzare ogni punto in un gruppo.
  • Analisi Tematica: Analisi qualitativa induttiva dei cluster risultanti per assegnare etichette descrittive e mapparle su categorie teoriche (Klüveriane vs. Non-Klüveriane).

3. Risultati Chiave

L'analisi ha identificato 15 cluster distinti che coprono il 59,1% dei disegni (i restanti sono stati classificati come rumore/idiosincratici). I risultati sono stati categorizzati in tre gruppi principali:

1. Contenuto Geometrico Klüveriano (40,9% dei disegni totali):

   • Corrisponde ai classici "form constant" di Klüver:
     • Lattice/Griglia: Pattern traslazionali (es. Cluster 3: griglie, scacchiere).
     • Ragnatela (Cobweb), Tunnel, Spirale: Pattern con simmetria rotazionale (es. Cluster 1, 2, 7).
   • Conferma la presenza predominante di queste forme note.

2. Contenuto Geometrico Non-Klüveriano (9,9% dei disegni totali):

   • Rappresenta una scoperta significativa: forme geometriche sistematicamente ricorrenti che non rientrano nella classificazione classica di Klüver.
   • Simmetria Rotazionale Quadrupla (4-fold): Pattern come cerchi concentrici quadrati, croci e diamanti (Cluster 13 e 14).
   • Altre forme: Reti di diamanti/triangoli (Cluster 10), strisce ondulate/zig-zag (Cluster 15), linee curve intersecanti (Cluster 8).
   • Queste forme, in particolare la simmetria quadrupla e le forme a "astroide", sono state osservate ripetutamente in tutti i siti, suggerendo che non siano artefatti locali ma fenomeni percettivi reali.

3. Contenuto Non Geometrico e Rumore:

   • Cluster contenenti campi di colore diffusi, testo, disegni semantici (oggetti riconoscibili) e circa il 41% di disegni non clusterizzabili (contenuto idiosincratico o misto).

4. Contributi Principali

• Dataset e Pipeline: Creazione e analisi del più grande dataset fenomenologico di allucinazioni visive geometriche (10.000+ disegni) utilizzando una pipeline di computer vision non supervisionata (DINOv2 + HDBSCAN).
• Scoperta di Nuovi Motivi: Identificazione di una classe sistematica di forme geometriche "Non-Klüveriane", in particolare quelle con simmetria rotazionale quadrupla (croci, quadrati concentrici), che sfidano le attuali tassonomie.
• Metodologia Quantitativa: Dimostrazione che l'analisi automatica delle immagini può organizzare dati fenomenologici complessi in classi interpretabili senza pregiudizi teorici preesistenti.
• Validazione Empirica: Fornitura di dati empirici su larga scala per testare e vincolare i modelli teorici.

5. Significato e Implicazioni

• Vincoli sui Modelli Neurali: I risultati pongono nuove sfide ai modelli di campo neurale (neural-field models) basati sulla mappa log-polare della corteccia visiva (V1). Questi modelli spiegano bene le simmetrie rotazionali (spirali, tunnel) ma faticano a generare forme con simmetria traslazionale complessa o simmetria quadrupla (croci, quadrati). La scoperta di queste forme richiede un'estensione dei modelli attuali per includere dinamiche corticali più complesse.
• Comprensione della Coscienza: Suggerisce che le allucinazioni geometriche semplici non sono limitate a un piccolo set di forme universali, ma possiedono una diversità strutturale più ampia, riflettendo probabilmente l'architettura e la dinamica della corteccia visiva primaria in modi non ancora pienamente compresi.
• Futuro della Ricerca: Lo studio apre la strada a un approccio "fenomenologia quantitativa" su larga scala, dove grandi dataset partecipativi, analizzati tramite AI, possono guidare la formulazione di nuove ipotesi neurobiologiche e sperimentazioni mirate sui parametri della stimolazione luminosa.

In sintesi, il paper dimostra che l'uso di tecniche di visione artificiale su dati partecipativi su larga scala può rivelare strutture percettive nascoste, espandendo la nostra comprensione della geometria delle allucinazioni visive e costringendo a rivedere i modelli teorici esistenti.