La ceguera al cambio refleja la incapacidad de detectar de inmediato cambios destacados en escenas abarrotadas, como en esta foto (diferencia en el tama\u00f1o de los neum\u00e1ticos en el extremo derecho). Cr\u00e9dito: Autores <\/p>\n
Nuestros cerebros tienen la notable capacidad de procesar detalles, pero a veces pueden no notar incluso diferencias marcadas. Por ejemplo, en las im\u00e1genes de arriba, es posible que algunas personas no detecten inmediatamente la diferencia de tama\u00f1o entre los neum\u00e1ticos del extremo derecho. <\/p>\n
Este fen\u00f3meno de pasar por alto un cambio visual, o ceguera al cambio, ha sido estudiado por un grupo de investigaci\u00f3n del Centro de Neurociencia y el Departamento de Inform\u00e1tica y Automatizaci\u00f3n 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 detecci\u00f3n exitosa de cambios puede estar relacionada con una mejor atenci\u00f3n visual, identificando a las personas que son mejores para enfocarse selectivamente en objetos espec\u00edficos.<\/p>\n
En el estudio, el equipo primero verific\u00f3 la ceguera al cambio entre 39 personas mostrando ellas un par de im\u00e1genes que parpadean alternativamente y que tienen una peque\u00f1a diferencia entre ellas. \u00abEsper\u00e1bamos algunas diferencias complejas en los patrones de movimiento de los ojos entre los sujetos que pod\u00edan hacer bien la tarea y los que no. En cambio, encontramos algunas m\u00e9tricas de mirada muy simples que pod\u00edan predecir el \u00e9xito de la detecci\u00f3n de cambios\u00bb, dice Sridharan Devarajan, profesor asociado de la el Centro de Neurociencia, y autor correspondiente del art\u00edculo. Se encontr\u00f3 que la detecci\u00f3n exitosa de cambios estaba relacionada con dos m\u00e9tricas: cu\u00e1nto tiempo la mirada de los sujetos estuvo fijada en un punto y la variabilidad en el camino tomado por su mirada entre dos puntos espec\u00edficos (amplitud sac\u00e1dica). Se descubri\u00f3 que los sujetos que se fijaron durante m\u00e1s tiempo en un punto en particular y cuyos movimientos oculares fueron menos variables detectaron los cambios con mayor eficacia. <\/p>\n
Con base en estas observaciones, los investigadores desarrollaron un modelo computacional que puede predecir qu\u00e9 tan bien una persona podr\u00eda detectar cambios en una secuencia de im\u00e1genes similares. El modelo tambi\u00e9n tiene en cuenta los par\u00e1metros biol\u00f3gicos, las limitaciones y el sesgo humano. \u00abDado que las neuronas biol\u00f3gicas son ‘ruidosas’, no codifican la imagen con precisi\u00f3n\u00bb, explica Sridharan. Agrega que hay mucha variabilidad en la forma en que las neuronas codifican, procesan y\/o responden a las im\u00e1genes en el cerebro, que pueden ser capturadas por una representaci\u00f3n matem\u00e1tica llamada proceso de Poisson. <\/p>\n
Otros investigadores han desarrollado previamente modelos que se enfocan solo en el movimiento de los ojos o en la detecci\u00f3n de cambios, pero el modelo desarrollado por el equipo de IISc va un paso m\u00e1s all\u00e1 y combina ambos. Los investigadores tambi\u00e9n probaron su modelo contra una red neuronal profunda de \u00faltima generaci\u00f3n llamada DeepGaze II, y descubrieron que su modelo funcionaba mejor en la predicci\u00f3n de patrones de mirada humana en condiciones de visualizaci\u00f3n libre cuando los sujetos miraban las im\u00e1genes de forma casual. Si bien DeepGaze II pod\u00eda predecir d\u00f3nde mirar\u00eda una persona si se le presentara una imagen, no funcion\u00f3 tan bien como el modelo desarrollado por IISc para predecir el patr\u00f3n de movimiento ocular de una persona que busca una diferencia en las im\u00e1genes. \u00abNo basta con predecir d\u00f3nde mirar\u00e1 un sujeto, el modelo tambi\u00e9n debe tener en cuenta los objetivos del sujeto cuando ve im\u00e1genes\u00bb, explica Sridharan. En el futuro, los investigadores tambi\u00e9n planean incorporar redes neuronales artificiales con \u00abmemoria\u00bb en el modelo para imitar de manera m\u00e1s realista la forma en que nuestros cerebros retienen recuerdos de eventos pasados para detectar cambios. <\/p>\n
Los autores afirman que la comprensi\u00f3n de la ceguera al cambio proporcionada por su modelo podr\u00eda ayudar a los cient\u00edficos a comprender mejor la atenci\u00f3n visual y sus limitaciones. Algunos ejemplos de \u00e1reas en las que se pueden aplicar tales conocimientos incluyen el diagn\u00f3stico de trastornos del desarrollo neurol\u00f3gico 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. <\/p>\n
Explore m\u00e1s<\/p>\n
\u00bfLas redes profundas ‘ven’ tan bien como los humanos? M\u00e1s informaci\u00f3n:<\/strong> 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 Informaci\u00f3n de la revista:<\/strong> PLoS Computational Biology <\/p>\n Proporcionado por el Instituto Indio de Ciencias Cita<\/strong>: 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" La ceguera al cambio refleja la incapacidad de detectar de inmediato cambios destacados en escenas abarrotadas, como en esta foto (diferencia en el tama\u00f1o de los neum\u00e1ticos en el extremo derecho). Cr\u00e9dito: Autores Nuestros cerebros tienen la notable capacidad de procesar detalles, pero a veces pueden no notar incluso diferencias marcadas. Por ejemplo, en las … Continuar leyendo \u00abNuevo modelo computacional para predecir la ‘ceguera al cambio’\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-333","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/333","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=333"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/333\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=333"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=333"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=333"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}