Wykład 11 Neuropsychologia komputerowa

Slides:



Advertisements
Podobne prezentacje
Włodzisław Duch Katedra Informatyki Stosowanej,
Advertisements

Wykład Zależność pomiędzy energią potencjalną a potencjałem
Układy eksperymentalne analizy wariancji. Analiza wariancji Planowanie eksperymentu Analiza jednoczynnikowa, p poziomów czynnika, dla każdego obiektu.
Obrazy otrzymywane za pomocą zwierciadła wklęsłego
ŚWIATŁO.
Inteligencja Obliczeniowa Sieci dynamiczne cd.
Katedra Informatyki Stosowanej UMK
Samoorganizacja: uczenie bez nadzoru.
Inteligencja Obliczeniowa Sieci dynamiczne.
Inteligencja Obliczeniowa Perceptrony
Wykład 10 Neuropsychologia komputerowa
Wykład 3 Neuropsychologia komputerowa
Formalizacja i uwiarygodnianie Iteracyjny proces syntezy modeli
Sztuczne sieci neuronowe
Sztuczna Inteligencja Reprezentacja wiedzy II
Procesy poznawcze cd Uwaga.
Ulepszenia metody Eigenfaces
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Podstawowa analiza rynku
Dzisiaj na wykładzie Regresja wieloraka – podstawy i założenia
Wykład 4 Neuropsychologia komputerowa
Wykład 15 Neuropsychologia komputerowa
Wykład 9 Neuropsychologia komputerowa
Sztuczna Inteligencja Reprezentacja wiedzy I Wstęp. Włodzisław Duch Katedra Informatyki Stosowanej UMK Google: W. Duch.
Złudzenia Optyczne.
Systemy dynamiczne 2010/2011Systemy i sygnały - klasyfikacje Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Dlaczego taki.
Domeny kolizyjne i rozgłoszeniowe
Wykład 6 Standardowy błąd średniej a odchylenie standardowe z próby
Rozpoznawanie obrazów
Sieci Hopfielda.
Klasyfikacja dokumentów za pomocą sieci radialnych
Fraktale i chaos w naukach o Ziemi
TOPOLOGIA SIECI LAN.
Piotr Rybiński. 1. Wstęp 2. Opis systemu i narzędzi 3. Algorytm 4. Przykłady działania 5. Porównanie z rzeczywistym systemem rozwoju 6. Rozszerzenia systemu,
Elementy Rachunku Prawdopodobieństwa i Statystyki
Detekcja twarzy w obrazach cyfrowych
Universalne Modele Uczenia - Cwiczenia
Percepcja wzrokowa.
Systemy wspomagania decyzji
Szereg czasowy – czy trend jest liniowy?
Model I/O bazujący na HSWN Problem uczenia sieci HSWN
Sterowanie – metody alokacji biegunów
Tytuł:Poradnik do programu PowerPoint?
ZWIĄZKI MIĘDZY KLASAMI KLASY ABSTRAKCYJNE OGRANICZENIA INTERFEJSY SZABLONY safa Michał Telus.
Budowa i funkcje mózgu Złudzenia optyczne
Percepcja i uwaga W oparciu o wykład Prof. Randall O'Reilly
Modelowanie obiektowe Diagramy klas
K o s t k a i k a R u b.
Lekcja fizyki: W poszukiwaniu maszyn prostych
Aplikacje internetowe
Przerzutniki bistabilne
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Pracowni Badań Psychologicznych Kierowców
Podstawy automatyki I Wykład 1b /2016
Zarządzanie projektami
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
Przygotowała; Alicja Kiołbasa
WYZNACZENIE WARTOŚCI PRZYSPIESZENIA ZIEMSKIEGO (METODĄ SWOBODNEGO SPADKU) Autor: Mateusz Dargiel Gimnazjum im. Leszka Czarnego w Lutomiersku.
Anna Bombińska-Domżał Remigiusz Kijak Uniwersytet Pedagogiczny im. KEN w Krakowie Model uczestnictwa osób z niepełnosprawnością intelektualną w odbiorze.
Machine learning Lecture 6
RODZAJE DRÓG a RODZAJE EMOCJI
Problem umysł-ciało (mind-body problem)
Modelowanie i podstawy identyfikacji
Kognitywne właściwości sieci neuronowych
Projektowanie wspomagane komputerem
Stres w szkole – szkoła w stresie?
Co do tej pory robiliśmy:
Wykład 11 Neuropsychologia komputerowa
Inteligencja Obliczeniowa Perceptrony
Zapis prezentacji:

Wykład 11 Neuropsychologia komputerowa Percepcja - Mechanizmy uwagi Włodzisław Duch UMK Toruń Google: W Duch (c) 1999. Tralvex Yeap. All Rights Reserved

Szlak grzbietowy Rozpoznawanie to funkcja szlaku brzusznego, teraz pora na grzbietowy. Funkcje: wykrywanie ruchu, umiejscowienie, „gdzie” i jak działać, ale i na czym skupić uwagę i jak dzięki temu przerzucać uwagę z jednego obiektu na drugi obiekt. Uwaga pozwala powiązać różne własności obiektu w jedną całość, rozwiązać problem spójności wrażeń pomimo rozproszonego przetwarzania; rozproszona aktywacja => cech ze sobą powiązanych, odnoszących się do jednego obiektu. Model uwagi  emergentnego procesu wynikającego ze struktury i dynamiki sieci neuronów, głównie konkurencji (hamowania). Efekty uwagi są powszechne, widoczne w różnych sytuacjach. Na co zwracać uwagę? Czy to dobrze postawione pytanie? Psy gryzą, a nie tylko Burek, nie tylko kundle, nie tylko czarne ... (c) 1999. Tralvex Yeap. All Rights Reserved

Model uwagi przestrzennej Interakcja reprezentacji przestrzennych z rozpoznawaniem obiektów. Jak szlak grzbietowy oddziałuje na szlak brzuszny? Różne reprezentacje przestrzenne w korze ciemieniowej, tutaj prosta mapa relacji przestrzennych. Eksperyment Posnera: uwaga kierowana jest na bodziec przygotowujący (cue), co wpływa na czasy reakcji na prosty bodziec docelowy, zależnie od tego czy pojawia się w tym samym czy w innym miejscu. Aktywacja w określonym miejscu => szybkość rozpoznania. (c) 1999. Tralvex Yeap. All Rights Reserved

Jak modelować? Możliwa jest mediacja uwagi przez V1V5, ale wtedy hamowanie w samym V1 zapobiegnie przeniesieniu uwagi na inny obiekt. Oryginalny model Posnera: kora ciemieniowa „uwalnia” uwagę. Istnieje bezpośrednie sprzężenie (V4-V5) pomiędzy szlakiem grzbietowym i brzusznym plus droga przez V1. Uwaga przestrzenna wpływa na rozpozna-wanie; grubsze linie = silniejszy wpływ. (c) 1999. Tralvex Yeap. All Rights Reserved

Lezje szlaku grzbietowego Lezje kory ciemieniowej wpływają silnie na mechanizmy uwagi i orientacji przestrzennej, rozległe lezje w jednej półkuli prowadzą do jednostronnego zaniedbania, niezdolności wyobrażenia przeciwległej do lezji części przestrzeni (skupienia uwagi na niej). Dla niewielkich lezji jednostronnych widać wyraźne spowolnienie przeniesienia uwagi do miejsca po przeciwległej stronie. Dla rozległych lezji przeniesienie uwagi nie jest możliwe. Lezje dwustronne prowadzą do zespołu Balinta, trudności w precyzyjnym kierowaniu ręką za pomocą wzroku, symultanagnozji; różnice pomiędzy czasami przeniesienia uwagi w eksperymencie Posnera są niewielkie. Posner twierdził, że to wynik przykucia uwagi, niezdolności do oderwania ale nie podał mechanizmu odrywania, następuje ono po skupieniu uwagi gdzie indziej – bardziej zrozumiały model zakłada zwykłą konkurencję. (c) 1999. Tralvex Yeap. All Rights Reserved

Model uwagi Model R.8, attn_simple_proj.gz Bodźce: pojedyncze aktywacje w jednym z 7 miejsc, dla dwóch obiektów (cue, target). 3 warstwy, każdy element wyższej warstwy korzysta z 3 niżej, stąd V1 jest 2x7, Spat1 i Obj1 2x5, Spat2 i Obj2 jest 2x3, wyjście 2x1, wzrastająca niezmienniczość. Czas reakcji: czas potrzebny by aktywność wyjścia połączonego z Obj2 osiągnęła 0.6. Spat2 reaguje tylko na położenie. (c) 1999. Tralvex Yeap. All Rights Reserved

Eksperymenty (c) 1999. Tralvex Yeap. All Rights Reserved

1: Postrzeganie dwóch obiektów r.wt pokaże połączenia. Parametry skalujące: spat_obj = 2, skalowanie wag spat=>obj obj_spat =0.5 (nie pokazane) v1_spat = 2, silniejsze niż v1_obj noise_var = 0.0005, niewielki szum. cue_dur = 200 liczba cykli w czasie których prezentowany jest bodziec przygotowujący (cue), po nim następuje docelowy. 3 sytuacje dla Multi_objs, są dwa obiekty, wskazówka + cel (wyróżniony): dwa różne, dwa jednakowe, dwa różne w tym samym miejscu. act, step przez wszystkie zdarzenia kilka razy View Graph_log i Run –rozpoznanie nakładających się elementów jest zwykle wolniejsze; view text_log; view batch_text_log, run batch. (c) 1999. Tralvex Yeap. All Rights Reserved

2. Eksperyment Posnera env_type std_Posner view events: 0 tylko target, 1 cue po lewej, target po lewej (valid), 2 cue po lewej, target po prawej (invalid). Aktywacja nie jest zerowana po prezentacji pierwszego bodźca, tylko po całej grupie. Display on, clear graph log, step. Batch powtórzy 10x, wykres => W jaki sposób sieć skraca czas po tej samej stronie? W jaki wydłuża po przeciwnej? Testuj spat_obj=1 i v1_spat=1.5, 1 Zmień na even_type Close_Posner i sprawdź efekty. Lokalizacja wpływa na szybkość reakcji. (c) 1999. Tralvex Yeap. All Rights Reserved

Prosty model testu Posnera Przykładowe wyniki: normalizacja skaluje zwolnienie procesów dla 1 kol. To samo Różne D Dorośli 350 390 40 Starzy 540 600 60 Pacjenci 640 760 120 Starzy znorm. 0.65 Pacjenci znorm. 0.55 418 68 (c) 1999. Tralvex Yeap. All Rights Reserved

Efekty lezji Pacjenci z lezjami nawet po normalizacji mają znacznie dłuższe czasy w teście Posnera, podczas gdy starsze osoby po normalizacji mają różnice takie jak normalni. Lezja w modelu: env_type Std_Posner, Lesion, lesion_lay = Spat1_2 by upośledzić obydwa poziomy, liczba miejsc (locations) = half, liczba elementów = half, czyli 1 z dwóch. liczba elementów = half, czyli 1. Sprawdź (r.wt), że wagi zostały wyzerowane: dwa elementy w prawym rogu Spat_1, i jeden z prawego górnego rogu Spat_2 Batch by zobaczyć wpływ. (c) 1999. Tralvex Yeap. All Rights Reserved

Lezje odwrotnie Zadanie odwrócone: należy przerzucić uwagę ze strony, po której jest lezja do przeciwległej. Ustawić env_type na Reverse_Posner: różnice znacznie mniejsze (inna skala). Czemu? Normalna strona łatwiej konkuruje z uszkodzoną, więc różnice się zmniejszają – zgodnie z obserwacjami dla pacjentów. Obustronne lezje: Std_Posner, Full dla lokacji, half dla l. jednostek, Batch Efekty wyraźny, ale słabszy niż jednostronnych lezji. (c) 1999. Tralvex Yeap. All Rights Reserved

Lezja całkowita: zaniedbanie Jednostronne zaniedbanie przy rozległym uszkodzeniu. Symulacja: Multi_obj, half dla miejsc, full dla l. jednostek, Run Sieć ma tendencję do skupiania uwagi na nieuszkodzonej stronie, niezależnie od prezentacji, zaniedbując połowę przestrzeni. Pacjenci z jednostronnym zaniedbaniem nie są zdolni do wyobrażenia jednej strony przestrzeni tylko wtedy, gdy w drugiej jest jakiś bodziec na którym można skupić uwagę (zjawisko ekstynkcji). Podobnie zaniedbanie dla Std_Posner. Obustronne lezje: zespół Balinta, symultagnozja i brak koordynacji oko/ręka. (c) 1999. Tralvex Yeap. All Rights Reserved

Efekty przerwy Jeśli po bodźcu przygotowawczym zrobimy przerwę rzędu 500 ms pojawia się zjawisko hamowania powrotu do tego bodźca, czasy się częściowo odwracają, zmiana położenia wywołuje szybszą reakcję! Można to symulować wydłużając długość prezentacji bodźca przygotowującego i uwzględniając zmęczenie neuronów (akomodacja). Defaults, No_lesion, enc_type = Std_Posner, accomodate Zmiana z 75 do 200 co 25 ms (c) 1999. Tralvex Yeap. All Rights Reserved

3. Uwaga związana z obiektami Efekty uwagi związane z interakcją miejsca w przestrzeni i rozpoznawania obiektu będą podobne do efektów uwagi związanej z rozpoznawaniem konkurencyjnego obiektu (object-based attention). Env_type Obj_attn, View Events Zdarzenia: 1) 2 obiekty D, U bez wskazówek, rozpoznawany U bo większa aktywacja. 2) Wskazówka D w położeniu centralnym, dwa obiekty D, U blisko po obu stronach, sieć powinna skupić się na D, chociaż aktywacja D jest słabsza. 3) Wskazówka D centralnie i 2 obiekty w tym samym miejscu, też D. Defaults, Step: początkowa wskazówka wpływa na wybór nawet jeśli drugi obiekt ma silniejszą aktywację. i jest w tym samym miejscu. (c) 1999. Tralvex Yeap. All Rights Reserved

Podsumowanie Efekty uwagi pojawiają się naturalnie w modelu jako wynik konkurencji przez hamowanie, wzajemnych połączeń, konieczności kompromisów. Podobne efekty widać w różnych mechanizmach korowych. Niektóre mechanizmy psychologiczne (zwalnianie uwagi) okazują się niepotrzebne, nie ma "sieci uwagowych" tylko synchronizacja. Efekty związane z uwagą dostarczają szczegółowych informacji pozwalających na dostrojenie modeli do wyników eksperymentów i użycie tych modeli do innych przewidywań; jest też sporo neurofizjologicznych danych dotyczących uwagi. Ograniczenia tego modelu: brak efektów związanych ze wzgórzem (praca Wager & O’Reilly), zbyt prosta reprezentacja obiektów (jedna cecha). (c) 1999. Tralvex Yeap. All Rights Reserved

Złożony model rozpoznawania Model objectrec_multiobj.proj.gz, roz. 8.6.1, brak w Emergent 2009. Model ma dodatkowe dwie warstwy Spat1 połączone z V1 i Spat2 połączone z V2. Spat1 ma pobudzenia wewnątrz warstwy, skupia się na obiekcie. Warstwa Target pokazuje, który wzorzec został wybrany i czy pasuje do wyjścia. (c) 1999. Tralvex Yeap. All Rights Reserved

Dwa obiekty w różnych miejscach BuildNet, r.wt by sprawdzić połączenia, pola recepcyjne w V1. LoadNet, r.wt by sprawdzić po treningu. Spat_1 reaguje na pola w V1 o rozmiarach 8x8, zawijanie prawa na lewą Spat_2 na pola V2 16x16. Dwa obiekty (prostop. linie) z tą samą aktywacją w różnych miejscach. StepTest, obiekt nr. 12, prezentowany w lewym dolnym rogu. Początkowo oscylacje, ale stopniowa przewaga jednego z dwóch miejsc i znajdującego się tam obiektu; wpływ na niższe warstwy, w V1 pozostaje aktywacja tylko jednego. View Test_log; widać błędy w rozpoznawaniu, bo obiekty są małe, a jednoczesna aktywacja V1 wprowadza zamieszanie – brak mechanizmu sakad prowadzącego do kolejnego, a nie jednoczesnego pobudzania. Zmniejszenie fm_sapt1_scale z 1 do 0.01, simultanagnozja, nie da się rozpoznać dwóch obiektów, można tylko jeden! (c) 1999. Tralvex Yeap. All Rights Reserved

Wpływ lokalizacji przestrzennej Aktywacja przestrzenna może co najwyżej modulować proces rozpoznawania, inaczej będziemy wiedzieli gdzie, ale nie co. Zapewnia to hamowanie i konkurencja, rozpoznawanie jest kombinacją aktywacji miejsca i wzmacnianych cech w niższych warstwach. Przełączanie obiektów: włączamy akomodację neuronów. Accomodate, InitStep, TestStep Po zmęczeniu neuronów pierwszym obiektem uwaga przesuwa się do drugiego, po warstwie Spat1. Często robione są błędy, nie jest to jeszcze dobry mechanizm kontrolny. Uwaga związana z obiektem też daje się w tym modelu zobaczyć. View, Test_Process_ctrl, environment z vis_sim_test => obj_attn_test (na dole ScriptEnv). Apply, Reinit, Step. Sieć rozpoznaje obiekt 17; Step sieć rozpoznaje 12 i 17, zostaje przy 17 (c) 1999. Tralvex Yeap. All Rights Reserved

Parę odpowiedzi Dlaczego uszkodzenia kory ciemieniowej prowadzą do zaburzeń orientacji przestrzennej i uwagi (zaniedbanie)? Bo uwaga jest emergentną własnością systemów z konkurencją, wynika z synchronizacji grup neuronów, dzięki czemu slian aktywność zdominuje działanie. W jaki sposób rozpoznajemy obiekty w różnych miejscach, orientacji, odległości, przy różnych rzutach obrazu na siatkówkę? Dzięki transformacjom, które tworzą rozproszone reprezentacje w oparciu o cechy o coraz większej złożoności i niezmienniczości przestrzennej. (c) 1999. Tralvex Yeap. All Rights Reserved