Featural representation and internal noise around the visual field

技術的要約：視覚野における特徴量表現と内部ノイズ

問題提起
人間の視覚パフォーマンスは、視界内で系統的な非一様性を示しており、それは2つの強固な極角非対称性によって特徴づけられる。すなわち、垂直方向よりも水平方向の性能が高い「水平ー垂直異方性（HVA）」と、上方よりも下方の方が性能が高い「垂直メリディアン非対称性（VMA）」である。これらのパフォーマンス・フィールドはコントラスト感度や空間解像度において十分に文書化されているが、非一様な神経リソース（例：網膜サンプリング密度、皮質拡大率）をこれらの知覚的非対称性に変換するシステムレベルの計算過程は、依然としてほとんど解明されていない。従来の「ニューロン数」仮説は、パフォーマンスの差が特定の場所を表現する神経組織量の変動のみに起因すると示唆しているが、光学的な不均一性と網膜の不均一性のみを取り入れた画像計算モデルでは、行動変数のうち一部（HVAについては約40%、VSAについては約10%）しか説明できない。さらに、解剖学的な非対称性は、神経リソースがいかにして行動決定へと変換されるかを特定するものではない。本研究は、これらの非対称性が特徴量表現（刺激の特徴を重み付けするために使用される知覚テンプレート）の違いによるものか、あるいは内部ノイズ（決定プロセスにおける制限）によるものか、あるいはその両方によるものかという間の理解における空白を埋めるものである。

方法論
著者らは、特徴量重み付けと内部ノイズの寄与を分離するために、信号検出タスクと心理物理学的逆相関法、およびノイズ・オブザーバー・モデルを用いた。

• 実験デザイン: 12名の被験者が、水平、下方垂直、および上方垂直のメリディアンに沿った等離心角（$6^\circ$）の位置で、周辺部方位検出タスクを行った。刺激は、フィルタリングされたノイズ（1–4 cpd）に埋め込まれたガボールパッチ（水平方位、2 cycles/degree）とした。信号コントラストは、精度が約70%になるように調整された。
• ダブルパス一貫性: 内部ノイズの推定値を制約するため、実験では同一のターゲット刺激を、独立して生成された妨害刺激を用いて、ブロック内で2回提示するダブルパス・デザインを利用した。応答の一貫性（繰り返された刺激に対する同一の応答の割合）は、内部ノイズに対する直接的な行動的制約として機能した。
• 心理物理学的逆相関法: 著者らは、試行ごとの刺激特徴（方位および空間周波数）の変動が二値の検出応答にどのように影響するかを分析することで、被験者固有の知覚テンプレートを推定した。これは、ノイズ駆動の決定のゆらぎを分離するために、信号不在試行に対して適合させた、プロビット・リンクを用いた多変量一般化線形モデル（GLM）を用いて行われた。得られた重みマップは、方位のゲイン／帯域幅および空間周波数のゲイン／帯域幅の一次元チューニング関数を導出するために周辺化された。
• ノイズ・オブザーバー・モデル: 決定変数が、刺激エネルギー・プロファイルと推定された知覚テンプレートの内積として計算される計算モデルを構築した。この決定変数には、3つの潜在的なノイズ源（各パスに固有の加法的ノイズ、固有かつ信号依存的な乗法的ノイズ、およびダブルパスのペア間で共通の共有ノイズ）による汚染が含まれる。モデルパラメータは、試行ごとの検出応答とダブルパス一貫性の両方の尤度を最大化することによって、共同で推定された。

主な結果

1. 行動的非対称性の確認: コントラスト感度は、強固なHVAおよびVMAパターンを示した。しかし、応答の一貫性、$d'$、精度、および反応時間は場所間で同等であったことから、全体的なタスクの難易度や速度ー正確性のトレードオフが非対称性を駆動したわけではないことが示唆された。
2. 特徴量表現（方位）:
   • グループレベルでは、方位感受性（ゲイン）および選択性（帯域幅）は、メリディアン間で有意な差は見られなかった。
   • 決定的なことに、個人差における方位感受性の非対称性は、コントラスト感度のHVAの大きさを予測した。水平メリディアンにおける方位ゲインの優位性が強い観察者は、より大きなHRAを示した。
   • 対照的に、方位感受性の非対称性は、VMAの大きさは予測しなかった。
3. 特徴量表現（空間周波数）:
   • 空間周波数チューニングは顕著な個人間変動を示し、しばしば信号周波数（信号2 cpdに対し1 cpd）を下回るピークを示した。
   • 空間周波数のゲインまたは帯域幅の非対称性は、いずれのHVAまたはVMAの大きさも信頼性高く予測できなかった。
4. 内部ノイズ:
   • モデル適合の結果、加法的および共有ノイズを含むモデル（乗法的ノイズを除く）がデータを最もよく説明することが明らかになった。
   • グループレベルでは、加法的および共有ノイズの大きさは極角によらず一様であった。
   • しかし、個人差における加法的ノイズの非対称性は、HVAの大きさを予測した。加法的ノイズが低い方の水平メリディアンに優位性を持つ観察者は、より大きなHVAを示した。
   • 加法的または共有ノイズの非対称性は、VMAの大きさは予測しなかった。
5. HVAとVMAの分離: 本研究は、HVAは方位感受性と加法的内部ノイズの系統的な変動に関連している一方で、VMAはテストされた特徴量またはノイズの構成要素では信頼性高く説明できないことを発見した。

主要な貢献

• システムレベルの特性評価: 本研究は、解剖学的な「ニューロン数」の説明を超えて、感覚入力を知覚的決定へと変換するシステムレベルの計算（特徴量重み付けとノイズ構造）を特徴づけている。
• 手法の統合: 逆相関法（知覚テンプレートの推定）と、ダブルパス一貫性によって制約されたノイズ・オブザーバー・モデルを組み合わせることで、著者らは特徴量表現と内部ノイズの寄与を正常に分離することに成功した。
• 非対称性の分離: 本研究の結果は、HVAとVMAが部分的に分離可能な現象であることを示している。HVAは特定の計算論的シグネチャ（方位感受性と加法的ノイズ）に関連しているが、VMAはテストされた特徴量重み付けおよび決定段階のノイズという枠組みの中では説明できない。

意義と主張
著者らは、視覚パフォーマンス・フィールドは単一の視覚的ボトルネックによって駆動されるのではなく、脳が関連する特徴情報をどのように符号化し、神経ノイズをどのように扱うかという、場所固有の組み合わせによって駆動されると主張している。具体的には、HVAは、タスクに関連する方位の重み付けと加法的内部ノイズの系統的な変化を反映している。本研究はVMAのメカニズムを特定したとは主張しておらず、現在のタスクやモデルが、VMAに関連するメカニズム（例：選択性ではなく感受性に依存するもの）を明らかにするよう最適化されていない可能性があることを述べている。

このフレームワークは、普及している知覚的非対称性をシステムレベルの計算に結びつけるための原理的なアプローチを提供する。著者らは、推定されたテンプレートおよびノイズパラメータは、単一ニューロンの特性を直接測定したものではなく、集団レベルのフィルタリングとプーリングを要約する「効果的な行動量」であると強調している。結果は、非一様な神経サンプリングがパフォーマンス・フィールドの基盤を提供する一方で、情報のフィルタリングとプーリングの方法、すなわち追加の読み出し制約が、最終的な知覚的非対称性を決定することを示唆している。結論として、HVAは感受性に結びついており、おそらく水平メリディアンのより強い神経リソースの優位性に起因するが、VMAの計算論的基盤は、現在の検出タスクの範囲を超えたメカニズムのさらなる調査を必要とする未解決の課題であるとしている。