Иллюзии осязания: как мозг определяет порядок событий

Автор: Денис Аветисян

Новая модель, основанная на байесовском выводе, объясняет, почему мы иногда ошибаемся в определении последовательности тактильных ощущений.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Байесовская модель восприятия двух тактильных стимулов демонстрирует, как априорные ожидания, определяемые средним значением <span class="katex-eq" data-katex-display="false">\mu_t</span> и неопределенностью <span class="katex-eq" data-katex-display="false">\sigma_t</span>, комбинируются с функцией правдоподобия, центрированной на измеренном стимуле <span class="katex-eq" data-katex-display="false">s_t^<i></span>, формируя апостериорное распределение <span class="katex-eq" data-katex-display="false">p_{\text{post}}(s_t|s_t^</i>)</span>, которое затем эволюционирует во времени с дисперсией <span class="katex-eq" data-katex-display="false">\sigma_p^2</span> и используется для сравнения с последующим стимулом, определяя вероятность восприятия стимулов как равных в зависимости от разницы между ожидаемым и фактическим стимулом относительно неопределенности <span class="katex-eq" data-katex-display="false">\sigma_{t+\delta t}</span>. — Байесовская модель восприятия двух тактильных стимулов демонстрирует, как априорные ожидания, определяемые средним значением $\mu_t$ и неопределенностью $\sigma_t$ , комбинируются с функцией правдоподобия, центрированной на измеренном стимуле $s_t^<i>$ , формируя апостериорное распределение $p_{\text{post}}(s_t|s_t^</i>)$ , которое затем эволюционирует во времени с дисперсией $\sigma_p^2$ и используется для сравнения с последующим стимулом, определяя вероятность восприятия стимулов как равных в зависимости от разницы между ожидаемым и фактическим стимулом относительно неопределенности $\sigma_{t+\delta t}$ .

Исследование демонстрирует, что асимметрия в восприятии времени в тактильных ощущениях объясняется байесовской динамической моделью, учитывающей априорные ожидания и динамическое обновление сенсорных доказательств.

Восприятие последовательных стимулов часто подвержено систематическим искажениям, обусловленным предшествующими ожиданиями и временной структурой сенсорного ввода. В работе, посвященной ‘Modelling time-order effects in haptic perception with a Bayesian dynamical framework’, предложена динамическая байесовская модель, объясняющая эти искажения путем объединения зашумленных сенсорных измерений с развивающейся внутренней репрезентацией интенсивности стимула. Показано, что модель количественно воспроизводит направленность и величину эффектов порядка во времени в задачах тактильной дискриминации, а также индивидуальную вариабельность, причем с небольшим количеством параметров. Может ли такая модель динамического байесовского вывода обеспечить более глубокое понимание формирования перцептивных представлений и геометрических ограничений, накладываемых на них временными искажениями?

Иллюзия Реальности: Строя Внутреннюю Модель Мира

Способность взаимодействовать с окружающим миром напрямую зависит от формирования точного внутреннего представления сенсорной информации. Этот процесс не является простой регистрацией внешних стимулов, а представляет собой активное конструирование модели реальности, основанной на поступающих сигналах. Мозг не просто “видит” или “слышит”, а активно интерпретирует данные, сопоставляя их с уже существующими знаниями и опытом. Именно это внутреннее представление позволяет предсказывать будущие события, планировать действия и эффективно ориентироваться в пространстве. Без этой внутренней модели, каждый новый сенсорный вход был бы воспринят как совершенно новый и непонятный, лишая организм возможности адекватно реагировать и выживать.

Восприятие окружающего мира не является пассивным приемом сенсорной информации, а представляет собой активный процесс вывода, в котором предшествующие убеждения и ожидания оказывают значительное влияние на интерпретацию поступающих сигналов. Мозг постоянно формирует прогнозы о том, что должно произойти, и сравнивает их с фактическими сенсорными данными. Расхождения между прогнозом и реальностью приводят к обновлению внутренних моделей и, соответственно, к корректировке восприятия. Таким образом, то, что человек «видит» или «слышит», является не просто отражением внешнего мира, а результатом сложного взаимодействия между сенсорными данными и уже существующими в мозге представлениями о нем. Этот механизм позволяет эффективно обрабатывать информацию, даже в условиях неполноты или неоднозначности сенсорного ввода, поскольку мозг склонен интерпретировать новые данные в соответствии с имеющимися знаниями и опытом.

Мозг не просто пассивно регистрирует поступающие сенсорные данные, но активно использует принципы статистического вывода, в частности, байесовский вывод, для формирования и постоянного обновления внутренних представлений о мире. Этот процесс предполагает, что мозг изначально обладает определенными убеждениями или “априорными вероятностями” относительно окружающего пространства. Когда поступает новая $сенсорная информация$ , мозг оценивает ее вероятность, учитывая как саму информацию, так и существующие убеждения. В результате, убеждения корректируются — более вероятные интерпретации усиливаются, а менее вероятные ослабляются. Таким образом, восприятие является динамическим процессом, в котором прошлый опыт и текущие ощущения постоянно взаимодействуют, позволяя мозгу создавать наиболее правдоподобную и когерентную картину реальности.

Воспринимаемое равенство двух стимулов с логарифмическими интенсивностями (<span class="katex-eq" data-katex-display="false">s^{\star}_{1}</span>, <span class="katex-eq" data-katex-display="false">s^{\star}_{2}</span>) определяется симметриями перцептивного пространства, что подтверждается предсказаниями байесовской модели восприятия для трех испытуемых (панели A-C) и координатами стимулов, использованных в поведенческих экспериментах. — Воспринимаемое равенство двух стимулов с логарифмическими интенсивностями ( $s^{\star}_{1}$ , $s^{\star}_{2}$ ) определяется симметриями перцептивного пространства, что подтверждается предсказаниями байесовской модели восприятия для трех испытуемых (панели A-C) и координатами стимулов, использованных в поведенческих экспериментах.

Неустойчивость Уверенности: Роль Постериорного Дрифта

Восприятие не является фиксированным процессом; убеждения, формирующиеся в результате восприятия, динамически изменяются во времени, что мы моделируем как “Постериорный Дрифт” (Posterior Drift). Этот процесс отражает постоянную адаптацию внутренних представлений о мире на основе поступающих сенсорных данных. Вместо мгновенного формирования убеждения, система поддерживает распределение вероятностей $P(x|D)$ , где $x$ — гипотеза, а $D$ — данные. Постериорный Дрифт описывает эволюцию этого распределения во времени, позволяя учитывать новые данные и обновлять убеждения постепенно, а не дискретно. Это динамическое обновление необходимо для эффективной работы в условиях неопределенности и изменчивости окружающей среды.

Эволюция апостериорного распределения $P(x|t)$ во времени определяется функцией распространения (Propagator), описывающей динамику убеждений на основе поступающих данных и шума правдоподобия. Эта функция математически задает, как изменяется форма и положение апостериорного распределения при поступлении новых наблюдений. Шум правдоподобия учитывает неопределенность, связанную с тем, насколько хорошо данные соответствуют истинному состоянию мира, и влияет на скорость и степень изменения апостериорного распределения. Таким образом, Propagator определяет, насколько быстро и надежно система обновляет свои убеждения в ответ на новую информацию, учитывая присущую ей неопределенность.

Оценка неопределенности является ключевым компонентом процесса динамической корректировки перцептивных убеждений. Мозг использует эту оценку для взвешивания надежности поступающей информации, что позволяет ему оптимально обновлять $Posterior Distribution$ (апостериорное распределение). Наша байесовская модель последовательно демонстрировала более высокие значения апостериорной вероятности (posterior evidence), что подтверждает ее точность и эффективность в моделировании этого процесса взвешивания и интеграции информации. Более высокие значения свидетельствуют о более надежной оценке неопределенности и, следовательно, о более точных перцептивных убеждениях.

Анализ апостериорных данных показал, что модель предсказательного обновления (<span class="katex-eq" data-katex-display="false">\mathcal{H}_{1}</span>) значительно превосходит модель, предполагающую одинаковое восприятие (<span class="katex-eq" data-katex-display="false">\mathcal{H}_{0}</span>), для всех 16 испытуемых. — Анализ апостериорных данных показал, что модель предсказательного обновления ( $\mathcal{H}_{1}$ ) значительно превосходит модель, предполагающую одинаковое восприятие ( $\mathcal{H}_{0}$ ), для всех 16 испытуемых.

Эксперимент с Осязанием: Различая Время и Порядок

Для исследования восприятия времени использовалась последовательная задача тактильной дискриминации. Участникам предъявлялись последовательные тактильные стимулы, и фиксировалась их способность определять порядок этих стимулов. Данная задача позволяет количественно оценить минимальный интервал времени, необходимый для различения двух последовательных тактильных воздействий, и выявить случаи ошибки в определении порядка следования стимулов, что является ключевым показателем для анализа механизмов восприятия времени.

Для реализации тактильной стимуляции использовался электромеханический резонансный мотор (ERM Motor), управляемый специализированным драйвером DRV2605L. Управление драйвером и, соответственно, мотором осуществлялось посредством микроконтроллера ESP32-WROOM-32. Такая конфигурация позволила обеспечить точное и воспроизводимое управление параметрами вибрации, необходимыми для проведения эксперимента по дискриминации временных интервалов. Контроллер DRV2605L обеспечивал регулировку амплитуды и частоты вибрации, а микроконтроллер ESP32-WROOM-32 выполнял функции программирования последовательности стимуляции и сбора данных.

В ходе экспериментальной процедуры, основанной на контролируемой вибротактильной стимуляции, зафиксированы случаи ошибки в определении последовательности событий (Time-Order Error). Данные ошибки указывают на изменение перцептивных убеждений участников относительно временной последовательности стимулов. Анализ данных, полученных от всех 16 испытуемых, показал, что модель предиктивного обновления (predictive update model) статистически превосходила альтернативные модели в объяснении наблюдаемых изменений перцепции, что подтверждает ее применимость к исследованию временного восприятия.

Экспериментальная установка показала, что вероятность идентификации стимулов <span class="katex-eq" data-katex-display="false">r</span> и <span class="katex-eq" data-katex-display="false">c_2</span> как равных существенно различается в зависимости от порядка их представления, причем порядок представления самого слабого стимула (красный) значительно влияет на результат (p = 4⋅10−4). — Экспериментальная установка показала, что вероятность идентификации стимулов $r$ и $c_2$ как равных существенно различается в зависимости от порядка их представления, причем порядок представления самого слабого стимула (красный) значительно влияет на результат (p = 4⋅10−4).

Сближая Восприятие и Вычисление: К Сути Реальности

Экспериментальные данные однозначно подтверждают соответствие наблюдаемой картины ошибки в определении последовательности событий — так называемой ошибки порядка во времени — предсказаниям модели “Постериорного Смещения” (Posterior Drift). Данное совпадение является значимым, поскольку демонстрирует, что мозг, по всей видимости, не просто регистрирует последовательность событий, но и динамически корректирует внутренние убеждения о ней. Наблюдаемая закономерность ошибки порядка во времени воспроизводится моделью, что указывает на ее способность адекватно отражать процессы, происходящие в мозге при обработке информации о времени и последовательности событий. Такое соответствие позволяет предположить, что мозг использует механизмы, аналогичные тем, что лежат в основе предложенной модели, для решения задач, связанных с восприятием времени и построением последовательной картины мира.

Исследования показывают, что мозг функционирует как сложная система вероятностного вывода, постоянно обновляя убеждения на основе поступающей информации и накопленного опыта. Этот процесс предполагает интеграцию априорных знаний — представлений о мире, сформированных ранее, — с текущими сенсорными данными. Вместо того, чтобы просто регистрировать входящие сигналы, мозг оценивает вероятность различных интерпретаций, формируя наиболее правдоподобную картину реальности. Такой подход позволяет эффективно разрешать неоднозначности и поддерживать согласованное представление об окружающем мире, даже при наличии неполной или противоречивой информации. Фактически, мозг непрерывно строит и уточняет внутреннюю модель мира, используя принципы вероятностного моделирования для прогнозирования и интерпретации событий.

Предложенная модель демонстрирует принципиально новый подход к пониманию механизмов, с помощью которых мозг разрешает неоднозначность и поддерживает связное представление об окружающем мире. В отличие от традиционных моделей, требующих значительного числа параметров для достижения адекватного описания, данная разработка успешно моделирует когнитивные процессы всего с четырьмя параметрами. Эта экономичность не только упрощает вычислительную сложность, но и предполагает, что мозг может эффективно использовать ограниченные ресурсы для построения целостной картины реальности, опираясь на минимальный набор ключевых принципов. Такой подход открывает перспективы для создания более реалистичных и эффективных моделей когнитивных процессов, приближая понимание внутренней работы мозга.

Анализ полученных параметров для каждого участника исследования показывает, что неопределенность априорного распределения <span class="katex-eq" data-katex-display="false">\sigma_{1}^{2}\sim\sigma_{p}^{2}+\sigma_{\ell}^{2}</span> в основном определяется ошибкой распространения <span class="katex-eq" data-katex-display="false">\sigma_{p}</span>, при этом эллипсы отражают погрешность оценки (<span class="katex-eq" data-katex-display="false">\mu_{1}, \sigma_{p}</span>), а вставки (A-G) демонстрируют вероятность восприятия стимулов как равных в зависимости от <span class="katex-eq" data-katex-display="false">c = \log I</span> для семи участников с отрицательными или большими положительными значениями <span class="katex-eq" data-katex-display="false">\mu_{1}</span>. — Анализ полученных параметров для каждого участника исследования показывает, что неопределенность априорного распределения $\sigma_{1}^{2}\sim\sigma_{p}^{2}+\sigma_{\ell}^{2}$ в основном определяется ошибкой распространения $\sigma_{p}$ , при этом эллипсы отражают погрешность оценки ( $\mu_{1}, \sigma_{p}$ ), а вставки (A-G) демонстрируют вероятность восприятия стимулов как равных в зависимости от $c = \log I$ для семи участников с отрицательными или большими положительными значениями $\mu_{1}$ .

Исследование, представленное в данной работе, демонстрирует, как когнитивное смирение исследователя пропорционально сложности нелинейных уравнений Эйнштейна. Модель байесовского вывода, предложенная авторами для объяснения асимметрии во временной дискриминации тактильных ощущений, подчеркивает границы применимости упрощенных представлений о восприятии. Как отмечает Ханна Арендт: «Поверхностность — это способ избежать глубины». Подобно тому, как чёрные дыры демонстрируют границы применимости физических законов и нашей интуиции, данная работа показывает, что даже в сфере тактильного восприятия необходимо учитывать априорные ожидания и динамическое обновление сенсорных доказательств для построения адекватной модели. Отказ от упрощенных моделей в пользу более сложных, но реалистичных, — ключ к пониманию истинной природы восприятия.

Что дальше?

Представленная работа демонстрирует, что асимметрии в тактильном восприятии временной последовательности могут быть объяснены байесовской моделью, учитывающей априорные ожидания и динамическое обновление сенсорных данных. Однако, подобно гравитационному линзированию вокруг массивного объекта, позволяющему косвенно измерить его массу и спин, любое объяснение ограничено точностью используемых предпосылок. Модель, несмотря на свою элегантность, остается упрощением сложной нейробиологической реальности. Любая попытка предсказать эволюцию перцептивного процесса требует численных методов и анализа устойчивости решений, подобно исследованию чёрных дыр.

Особый интерес представляет вопрос о природе априорных распределений, используемых в модели. Являются ли они врожденными, приобретенными в процессе обучения, или же формируются в результате динамического взаимодействия между сенсорными данными и внутренними нейронными процессами? Поиск ответа требует междисциплинарного подхода, объединяющего достижения нейробиологии, когнитивной психологии и машинного обучения.

В конечном счете, любое построение модели перцепции подобно попытке заглянуть за горизонт событий. Любая теория, какой бы убедительной она ни казалась, может оказаться несостоятельной перед лицом новых данных. Поэтому, дальнейшие исследования должны быть направлены не только на совершенствование существующих моделей, но и на поиск новых, более адекватных способов описания сложного мира человеческого восприятия.

Оригинал статьи: https://arxiv.org/pdf/2604.19662.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-04-22 20:27