Integration von Merkmalen in das visuelle System
Die Neuronen im LGN und in der primären Sehrinde haben nur Zugang zu einer winzigen Region im Gesichtsfeld. Um visuelle Szenen zu verstehen, muss unser Gehirn diese verteilten Informationen in kohärente Wahrnehmungen integrieren, damit wir erfolgreich mit einer komplexen Umgebung interagieren können.
a) Neuronale Korrelate der aufgabenabhängigen Merkmalsintegration in den Arealen V1/V2 und V4
In Zusammenarbeit mit Sunita Mandon und Andreas Kreiter (Institut für Hirnforschung, Universität Bremen) führen wir elektrophysiologische Studien zur Konturintegration bei Makakenaffen durch. Unser Ziel ist es, zu verstehen, wie die Integration von Merkmalen im visuellen System abläuft, indem wir die unterschiedlichen Rollen der visuellen Areale V1, V2 und V4 im Integrationsprozess untersuchen. Dabei konzentrieren wir uns auf zwei wichtige Aspekte dieser Prozesse: Erstens verwenden wir dynamische Stimuli, um die zeitliche Dynamik der Merkmalsintegration besser beobachten zu können, was es uns ermöglicht, Feedforward-, Feedback- und rekurrente Prozesse zu trennen. Zweitens verwenden wir Reize mit unterschiedlicher Komplexität (z.B. einzelne Merkmale und komplexere Formen), um zu verstehen, wie Aufgabenanforderungen mit laufenden Integrationsprozessen interagieren (parallele funktionale Konfiguration).
b) Integration mehrerer Funktionen
Lokale Flecken in einer visuellen Szene enthalten Informationen über viele verschiedene Bildmerkmale wie Orientierung, Raumfrequenz, Farbe und Bewegung. Durch Modellierung und mathematische Analyse in Kombination mit psychophysischen Experimenten versuchen wir, kortikale Strukturen und neuronale Dynamiken zu identifizieren, die Informationen aus verschiedenen Merkmalen in neuronale Repräsentationen integrieren. Zu diesem Zweck verwenden wir hierarchische Modelle mit einer Populationsdynamik (vereinfachte Wilson-Cowan-Gleichungen), um experimentelle Daten aus Verhaltens- und physiologischen Studien quantitativ zu reproduzieren. Bei der Integration von Raumfrequenz und Orientierung (Konturintegration) arbeiten wir eng mit Malte Persike und Günter Meinhardt (Abteilung Methodenlehre, Psychologisches Institut, Universität Mainz) zusammen.
Modell zur Bewertung von Interaktionen, die Orientierungs- und Raumfrequenzinformationen im visuellen System verbinden. Jeder orientierte Fleck in einem visuellen Stimulus (unten) aktiviert eine kortikale Hyperkolumne mit neuronalen Populationen, die unterschiedliche bevorzugte Eigenschaften haben. Die Interaktionen werden durch rekurrente Kopplungen vermittelt, die so angepasst sind, dass die Modellausgabe psychophysische Reizerkennungsschwellen erklärt (aus: Ernst, U. A., Schiffer, A., Persike, M. & Meinhardt, G. Contextual interactions in grating plaid configurations are explained by natural image statistics and neural modeling. Front. Syst. Neurosci. 10:78, 2016).
c) Integration von Merkmalen in dynamische Szenen
In natürlichen Umgebungen sind visuelle Szenen in der Regel dynamisch - die meisten experimentellen Arbeiten zu diesem Thema verwenden jedoch statische Stimuli zur Untersuchung der Merkmalsintegration. Wir überbrücken diese Lücke, indem wir die Konturintegration in dynamischen Szenen unter erweiterten Betrachtungsbedingungen untersuchen. Überraschenderweise stellt sich heraus, dass Konturen in diesen Situationen extrem schwierig wahrzunehmen sind, was die Vorstellung, dass Konturintegration ein reizgesteuerter, schneller Feed-Forward-Prozess ist, in Frage stellt. Unser Ziel ist es, die Ursprünge der Unterschiede zwischen der Integration von Merkmalen in statischen und dynamischen Kontexten zu verstehen und die Rolle der neuronalen Dynamik (Adaptation und Rauschen), der Aufgabenkonfiguration (Cueing, selektive Aufmerksamkeit) und kognitiver Faktoren (Müdigkeit, Erwartungen) zu entflechten.
Sehen Sie sich typische Stimuli an, die im Experiment präsentiert wurden, indem Sie die folgenden Filme herunterladen: Rote Pfeile wurden hinzugefügt, um anzuzeigen, wo sich am Ende des Versuchs eine Kontur bildet; diese Pfeile waren jedoch im echten Experiment nicht vorhanden. Die Kontur erscheint immer am Ende eines Versuchs, aber sie ist bei einer längeren Präsentation extrem schwer zu erkennen, während sie bei einer kurzen Präsentation leicht "herausspringt" (wenn Sie Schwierigkeiten haben, die Kontur zu erkennen, versuchen Sie es mit der längeren Präsentation mit Markierungen oder mit der kurzen Präsentation mit Markierungen).