E42 Fusión multisensorial

Tópico

La fusión multisensorial combina información procedente de diferentes canales, como visión, propiocepción y sistema vestibular, para producir una estimación del estado del mundo más precisa que la obtenida mediante cualquiera de ellos por separado. El marco bayesiano establece que la combinación óptima pondera cada señal de acuerdo con su incertidumbre: cuanto menor es su varianza y, por tanto, mayor su precisión, mayor es el peso que recibe en la estimación final.

La combinación de varios sensores independientes mejora progresivamente la precisión. Para sensores idénticos, la ganancia en precisión crece con la raíz cuadrada de su número. Dos sensores con la misma varianza individual producen, al combinarse, una estimación cuya varianza es la mitad. En general, aumentar el número de fuentes independientes reduce la incertidumbre de la estimación conjunta. Este principio también se aplica cuando las modalidades poseen precisiones diferentes: la señal más confiable recibe mayor peso, pero la menos precisa puede seguir aportando información útil. Según el texto, el sistema nervioso humano se aproxima a este comportamiento óptimo en tareas de estimación de posición que combinan visión y tacto de la mano.

Sin embargo, antes de fusionar dos señales es necesario determinar si proceden de una misma causa. Dos estímulos sensoriales pueden representar diferentes aspectos de un único objeto o evento, pero también pueden originarse en fuentes independientes. Un modelo bayesiano causal estima la probabilidad de que exista una causa común y ajusta el grado de integración en función de ella. Cuando esa probabilidad es alta, las señales se fusionan fuertemente; cuando es baja, se procesan de forma más independiente.

Este principio explica la ilusión de ventriloquía. Cuando una señal visual y otra auditiva aparecen suficientemente próximas, el sistema puede atribuirlas a una causa común y desplazar la localización percibida del sonido hacia la fuente visual. Si la separación espacial aumenta demasiado, disminuye la probabilidad de una causa común y la integración comienza a desaparecer. Cuanto mayor es la disparidad entre ambas señales, menor resulta, por tanto, su tendencia a fusionarse. El texto relaciona este mecanismo con otros procesos de inferencia bayesiana sobre el cuerpo, como la ilusión de la mano de goma.

El efecto McGurk constituye otro ejemplo de integración multisensorial. Escuchar un determinado sonido del habla mientras se observa una articulación visual correspondiente a otro puede generar la percepción de un tercer fonema. Según el modelo descrito, el percepto resultante corresponde al que ofrece mayor verosimilitud conjunta considerando simultáneamente la información auditiva y visual. Ninguna de las dos modalidades por separado explica completamente el resultado, que surge de su integración bajo la suposición de que ambas señales proceden de una misma fuente del habla.

El mismo principio de ponderación según incertidumbre aparece en el filtro de Kalman. Su ganancia determina cuánto debe confiar el organismo en la predicción proporcionada por su modelo interno y cuánto en una nueva medición sensorial. Si la medición recién recibida es muy precisa, la estimación se desplaza principalmente hacia ella. Si, por el contrario, la predicción interna posee menor incertidumbre que la observación, esta recibe un peso mayor. La ponderación se adapta así continuamente a la confiabilidad relativa de ambas fuentes.

Este mecanismo constituye también un principio fundamental de los sistemas de navegación inercial, donde las estimaciones internas acumuladas deben corregirse periódicamente mediante observaciones externas. Según el texto, el cerebelo implementa una ponderación adaptativa comparable dentro de la coordinación sensoriomotora, complementando mecanismos análogos al filtro de Kalman para estimar el estado y al regulador LQR para controlar las acciones.

En conjunto, la fusión multisensorial no consiste simplemente en sumar señales. Primero debe estimarse si corresponden a una causa común y luego ponderarse cada una según su precisión. La inferencia bayesiana causal determina cuándo conviene integrarlas, mientras que principios como la ganancia de Kalman establecen cuánto confiar en cada fuente y en las predicciones internas. El sistema nervioso obtiene así estimaciones más precisas y robustas, adaptando continuamente la integración a la incertidumbre y coherencia de la información disponible.

ID:2398