E42 Fusão multissensorial

Tópico

A fusão multissensorial combina informações de diferentes canais, como visão, propriocepção e sistema vestibular, para produzir uma estimativa mais precisa do estado do mundo do que a obtida usando qualquer um deles separadamente. A abordagem Bayesiana afirma que a combinação ideal pondera cada sinal de acordo com sua incerteza: quanto menor a variância e, portanto, maior a precisão, maior o peso que recebe na estimativa final. A combinação de vários sensores independentes melhora progressivamente a precisão. Para sensores idênticos, o ganho em precisão aumenta com a raiz quadrada do seu número. Dois sensores com a mesma variância individual, quando combinados, produzem uma estimativa com metade da variância. Em geral, aumentar o número de fontes independentes reduz a incerteza da estimativa conjunta. Esse princípio também se aplica quando as modalidades têm diferentes níveis de precisão: o sinal mais confiável recebe maior peso, mas o menos preciso ainda pode fornecer informações úteis. De acordo com o texto, o sistema nervoso humano se aproxima desse comportamento ideal em tarefas de estimativa de posição que combinam visão e tato.

No entanto, antes de fundir dois sinais, é necessário determinar se eles se originam da mesma causa. Dois estímulos sensoriais podem representar diferentes aspectos de um único objeto ou evento, mas também podem se originar de fontes independentes. Um modelo Bayesiano causal estima a probabilidade de uma causa comum e ajusta o grau de integração de acordo. Quando essa probabilidade é alta, os sinais se fundem fortemente; quando é baixa, eles são processados ​​de forma mais independente.

Esse princípio explica a ilusão de ventriloquismo. Quando um sinal visual e um sinal auditivo aparecem suficientemente próximos, o sistema pode atribuí-los a uma causa comum e deslocar a localização percebida do som em direção à fonte visual. Se a separação espacial aumentar muito, a probabilidade de uma causa comum diminui e a integração começa a desaparecer. Quanto maior a disparidade entre os dois sinais, menor a tendência de fusão entre eles. O texto relaciona esse mecanismo a outros processos de inferência Bayesiana sobre o corpo, como a ilusão da mão de borracha.

O efeito McGurk é outro exemplo de integração multissensorial. Ouvir um determinado som da fala enquanto se observa uma articulação visual correspondente a outro pode gerar a percepção de um terceiro fonema. De acordo com o modelo descrito, a percepção resultante corresponde àquela que oferece a maior plausibilidade geral ao se considerar simultaneamente as informações auditivas e visuais. Nenhuma das modalidades, isoladamente, explica completamente o resultado, que surge da sua integração sob a suposição de que ambos os sinais se originam da mesma fonte de fala.

O mesmo princípio de ponderação da incerteza aparece no filtro de Kalman. Seu ganho determina o quanto o organismo deve confiar na previsão fornecida por seu modelo interno e o quanto em uma nova medição sensorial. Se a medição recém-recebida for muito precisa, a estimativa se desloca principalmente para ela. Se, por outro lado, a previsão interna tiver menos incerteza do que a observação, esta última recebe maior peso. A ponderação, portanto, se adapta continuamente à confiabilidade relativa de ambas as fontes.

Esse mecanismo também constitui um princípio fundamental dos sistemas de navegação inercial, onde as estimativas internas acumuladas devem ser corrigidas periodicamente por observações externas. De acordo com o texto, o cerebelo implementa uma ponderação adaptativa comparável dentro da coordenação sensório-motora, complementando mecanismos análogos ao filtro de Kalman para estimar o estado e ao regulador LQR para controlar as ações.

Em suma, a fusão multissensorial não se resume à simples soma de sinais. Primeiramente, é necessário estimar se eles correspondem a uma causa comum e, em seguida, ponderar cada sinal de acordo com sua precisão. A inferência bayesiana causal determina o momento apropriado para integrá-los, enquanto princípios como o ganho de Kalman estabelecem o grau de confiança em cada fonte e nas previsões internas. Dessa forma, o sistema nervoso obtém estimativas mais precisas e robustas, adaptando continuamente a integração à incerteza e à coerência das informações disponíveis.

ID:2398