La ceguera al cambio refleja la incapacidad de detectar de inmediato cambios destacados en escenas abarrotadas, como en esta foto (diferencia en el tamaño de los neumáticos en el extremo derecho). Crédito: Autores
Nuestros cerebros tienen la notable capacidad de procesar detalles, pero a veces pueden no notar incluso diferencias marcadas. Por ejemplo, en las imágenes de arriba, es posible que algunas personas no detecten inmediatamente la diferencia de tamaño entre los neumáticos del extremo derecho.
Este fenómeno de pasar por alto un cambio visual, o ceguera al cambio, ha sido estudiado por un grupo de investigación del Centro de Neurociencia y el Departamento de Informática y Automatización del Instituto Indio de Ciencias (IISc). Han desarrollado un nuevo modelo computacional de movimiento ocular que puede predecir la capacidad de una persona para detectar cambios en su entorno visual en un estudio publicado en PLoS Computational Biology. Los investigadores creen que la detección exitosa de cambios puede estar relacionada con una mejor atención visual, identificando a las personas que son mejores para enfocarse selectivamente en objetos específicos.
En el estudio, el equipo primero verificó la ceguera al cambio entre 39 personas mostrando ellas un par de imágenes que parpadean alternativamente y que tienen una pequeña diferencia entre ellas. «Esperábamos algunas diferencias complejas en los patrones de movimiento de los ojos entre los sujetos que podían hacer bien la tarea y los que no. En cambio, encontramos algunas métricas de mirada muy simples que podían predecir el éxito de la detección de cambios», dice Sridharan Devarajan, profesor asociado de la el Centro de Neurociencia, y autor correspondiente del artículo. Se encontró que la detección exitosa de cambios estaba relacionada con dos métricas: cuánto tiempo la mirada de los sujetos estuvo fijada en un punto y la variabilidad en el camino tomado por su mirada entre dos puntos específicos (amplitud sacádica). Se descubrió que los sujetos que se fijaron durante más tiempo en un punto en particular y cuyos movimientos oculares fueron menos variables detectaron los cambios con mayor eficacia.
Con base en estas observaciones, los investigadores desarrollaron un modelo computacional que puede predecir qué tan bien una persona podría detectar cambios en una secuencia de imágenes similares. El modelo también tiene en cuenta los parámetros biológicos, las limitaciones y el sesgo humano. «Dado que las neuronas biológicas son ‘ruidosas’, no codifican la imagen con precisión», explica Sridharan. Agrega que hay mucha variabilidad en la forma en que las neuronas codifican, procesan y/o responden a las imágenes en el cerebro, que pueden ser capturadas por una representación matemática llamada proceso de Poisson.
Otros investigadores han desarrollado previamente modelos que se enfocan solo en el movimiento de los ojos o en la detección de cambios, pero el modelo desarrollado por el equipo de IISc va un paso más allá y combina ambos. Los investigadores también probaron su modelo contra una red neuronal profunda de última generación llamada DeepGaze II, y descubrieron que su modelo funcionaba mejor en la predicción de patrones de mirada humana en condiciones de visualización libre cuando los sujetos miraban las imágenes de forma casual. Si bien DeepGaze II podía predecir dónde miraría una persona si se le presentara una imagen, no funcionó tan bien como el modelo desarrollado por IISc para predecir el patrón de movimiento ocular de una persona que busca una diferencia en las imágenes. «No basta con predecir dónde mirará un sujeto, el modelo también debe tener en cuenta los objetivos del sujeto cuando ve imágenes», explica Sridharan. En el futuro, los investigadores también planean incorporar redes neuronales artificiales con «memoria» en el modelo para imitar de manera más realista la forma en que nuestros cerebros retienen recuerdos de eventos pasados para detectar cambios.
Los autores afirman que la comprensión de la ceguera al cambio proporcionada por su modelo podría ayudar a los científicos a comprender mejor la atención visual y sus limitaciones. Algunos ejemplos de áreas en las que se pueden aplicar tales conocimientos incluyen el diagnóstico de trastornos del desarrollo neurológico como el autismo, la mejora de la seguridad vial mientras se conduce o la mejora de la fiabilidad de los testimonios de los testigos presenciales.
Explore más
¿Las redes profundas ‘ven’ tan bien como los humanos? Más información: Jagatap A, Purokayastha S, Jain H, Sridharan D, Modelado neuralmente restringido de estrategias de mirada humana en una tarea de ceguera al cambio, PLoS Computational Biology, 17(8), e1009322, 2021. revistas .plos.org/ploscompbiol … journal.pcbi.1009322 Información de la revista: PLoS Computational Biology
Proporcionado por el Instituto Indio de Ciencias Cita: Nuevo modelo computacional para predecir la ‘ceguera al cambio’ (2021, octubre 20) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-10-novel-computational-model-to-predict.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.