Sensory Noise Traits Predict Illusion Susceptibility and Multisensory Mismatch Negativity

Resumo Técnico: Traços de Ruído Sensorial Predizem a Suscetibilidade à Ilusão e a Negatividade de Desajuste Multissensorial

Definição do Problema
Embora as diferenças individuais na suscetibilidade a ilusões audiovisuais (AV) estejam bem documentadas, as origens computacionais dessas variações permanecem obscuras. Os paradigmas padrão de ilusão AV tipicamente medem a suscetibilidade por meio de um único índice comportamental, o que confunde dois componentes distintos: a precisão sensorial (ruído) e a inferência causal (a tendência de vincular sinais). Consequentemente, taxas de ilusão manifestas semelhantes podem surgir de diferentes combinações latentes de confiabilidade sensorial e tendências de vinculação. Além disso, não se sabe se esses traços computacionais latentes podem predizer assinaturas neurais do processamento multissensorial, especificamente a negatividade de desajuste (MMN) multissensorial, um componente de potenciais relacionados a eventos (ERPs) interpretado como um sinal de erro de predição ponderado pela precisão.

Metodologia
O estudo empregou um delineamento experimental de dois estágios envolvendo uma tarefa comportamental e um paradigma passivo de oddball de EEG.

1. Participantes: O estudo incluiu 28 adultos saudáveis para o experimento comportamental. Destes, 26 foram retidos para modelagem de Inferência Causal Bayesiana (BCI) e um subgrupo de 15 completou a sessão de EEG.
2. Tarefa do Coelho Audiovisual Bidirecional: Os participantes realizaram uma tarefa onde sequências de bipes e flashes criavam flashes intermediários ilusórios ou suprimiam flashes reais. A tarefa era "bidirecional", permitindo que sinais auditivos capturassem a percepção visual e vice-versa. Crucialmente, a confiabilidade do sinal auditivo foi manipulada variando o volume do som (0–40 dB acima do nível de audição) e introduzindo ruído branco. Este delineamento permitiu a dissociação do ruído sensorial da inferência causal.
3. Modelagem Computacional: Os relatos perceptuais foram modelados através de uma estrutura de Inferência Causal Bayesiana (BCI). Quatro famílias de modelos foram comparadas: segregação, fusão forçada, BCI clássica e BCI pós-preditiva. O modelo BCI pós-preditivo foi selecionado como o melhor ajuste com base na validação cruzada de leave-one-out de amostragem de importância suavizada por Pareto (PSIS-LOO). Este modelo estimou quatro traços latentes para cada participante:
   • Ruído auditivo ($\sigma_a$)
   • Ruído visual ($\sigma_v$)
   • Sensibilidade do nível sonoro ao ruído auditivo ($\sigma_{a,level}$)
   • Prior de causa comum ($p_{common}$)
4. Paradigma de EEG: Um paradigma passivo de oddball foi usado para registrar amplitudes de MMN. As condições incluíram oddballs auditivos unimodais, visuais unimodais e audiovisuais congruentes. Os dados de EEG foram registrados usando uma touca de 64 canais, transformados para Densidade de Corrente de Fonte (CSD) para melhorar a especificidade espacial, e analisados para amplitudes de MMN em regiões de interesse (ROIs) frontocentral (auditiva) e occipital (visual).
5. Análise: Foram computadas correlações entre os traços latentes derivados da BCI e (a) medidas de intensidade de ilusão comportamental e (b) amplitudes de MMN de EEG na subamostra de EEG. Correções de múltiplas comparações (BH-FDR) foram aplicadas.

Resultados Principais

• Seleção de Modelo: O modelo BCI pós-preditivo superou significativamente os modelos de segregação, fusão forçada e BCI clássica na predição dos relatos comportamentais, validando o uso da inferência causal pós-preditiva para a ilusão do coelho.
• Correlatos Comportamentais: Na amostra comportamental ($N=26$), os traços latentes predisseram robustamente a suscetibilidade à ilusão:
  • Um maior ruído auditivo ($\sigma_a$) correlacionou-se com maior intensidade de ilusão auditiva.
  • Um maior ruído visual ($\sigma_v$) correlacionou-se com maior intensidade de ilusão visual.
  • Um prior de causa comum ($p_{common}$) mais forte correlacionou-se com maior intensidade total da ilusão.
  • A sensibilidade ao nível sonoro mostrou uma associação mais fraca e menos robusta.
• Correlatos Neurais (EEG): Na subamostra de EEG ($N=15$), foi encontrada uma associação específica entre paradigmas:
  • O ruído auditivo ($\sigma_a$) predisse positivamente a amplitude de MMN occipital na condição audiovisual congruente (AVOC). Como o MMN é um potencial de deflexão negativa, um maior ruído auditivo foi associado a respostas de desajuste occipitais menos negativas (mais fracas).
  • Esta associação foi específica ao componente occipital da resposta audiovisual. Nenhuma correlação significativa foi encontrada entre o ruído auditivo e o MMN audiovisual frontocentral (AVFC), MMN auditivo unimodal ou MMN visual unimodal.
  • O ruído visual ($\sigma_v$) não apresentou associações comparáveis com o MMN audiovisual.
  • O achado permaneceu robusto através de diferentes esquemas de referência de EEG (FCz, média, mastoide e CSD) e foi confirmado por testes de permutação não paramétricos.

Principais Contribuições

1. Decomposição Computacional: O estudo dissociou com sucesso o ruído sensorial da inferência causal na suscetibilidade à ilusão AV usando uma tarefa do coelho bidirecional e um modelo BCI pós-preditivo, indo além das taxas descritivas de ilusão para traços latentes interpretáveis.
2. Predição Trans-Paradigma: Demonstrou que traços de ruído sensorial derivados do comportamento (especificamente o ruído auditivo) podem predizer marcadores neurais (MMN) em uma tarefa completamente diferente e passiva, sugerindo que esses traços capturam diferenças individuais estáveis no processamento multissensorial.
3. Especificidade dos Mecanismos Neurais: Os achados revelaram que a ligação entre a precisão auditiva e o processamento de desajuste neural é específica para o componente occipital (visual) da resposta multissensorial, em vez de ser uma redução geral da responsividade neural ou um efeito unimodal.

Significância e Alegações
Os autores alegam que estes achados apoiam uma abordagem computacional onde as diferenças individuais na percepção multissensorial não são aleatórias, mas refletem variações estáveis e de caráter de traço na precisão sensorial e nas tendências de vinculação. Especificamente, o estudo sugere que a precisão auditiva contribui para a variabilidade individual no processamento de desajuste multissensorial.

Dentro de um arcabouço de codificação preditiva, os autores interpretam o resultado da seguinte forma: se a entrada auditiva ajuda a estabelecer predições sobre eventos audiovisuais, a redução da precisão auditiva (maior ruído) pode enfraquecer o sinal preditivo trans-modal disponível para o processamento cortical visual, resultando em uma resposta de desajuste occipital mais fraca a eventos audiovisuais desviantes.

O artigo conclui modestamente que, embora estes resultados não estabeleçam utilidade clínica ou provem causalidade mecânica estrita, eles fornecem um arcabouço para ligar traços de ruído sensorial definidos computacionalmente a medidas neurais. Os autores observam limitações, incluindo o tamanho modesto da amostra de EEG e a necessidade de replicação independente, mas enfatizam que a estratégia de decompor a suscetibilidade à ilusão em traços latentes oferece uma maneira fundamentada de relacionar o comportamento às assinaturas neurais.