Come il nostro cervello collega la percezione e il movimento

Quando pensiamo a come il nostro cervello controlla i movimenti, è comune separare i sistemi che gestiscono ciò che percepiamo da quelli che controllano come ci muoviamo. Però, questi sistemi lavorano effettivamente insieme. Le informazioni sensoriali guidano i nostri movimenti e quello che facciamo cambia le informazioni sensoriali che riceviamo. Questa interazione significa che studiare ogni sistema da solo potrebbe non darci il quadro completo. Esperimenti recenti che combinano la stimolazione sensoriale con movimenti attivi indicano che il modo in cui il nostro cervello elabora gli input sensoriali può essere influenzato da ciò che stiamo facendo in quel momento.

#Sistemi a ciclo chiuso vs a ciclo aperto

I ricercatori solitamente esaminano i sistemi sensoriali e motori in ambienti dove possono controllare ciò che il soggetto percepisce o come si muove. Questo approccio è conosciuto come sistema a ciclo aperto, dove l'esperimento gestisce l'input, permettendo ai comportamenti di essere regolati in modo preciso. Al contrario, i sistemi a ciclo chiuso si basano sul feedback. Qui, qualsiasi errore che un soggetto fa mentre si muove informerà gli aggiustamenti che farà. Questi errori riflettono non solo come il sistema nervoso elabora le informazioni, ma anche le caratteristiche fisiche del corpo, come la rigidità o la flessibilità dei muscoli.

Per esempio, quando sterziamo verso un obiettivo, confrontiamo continuamente la nostra direzione con la posizione dell'obiettivo, aggiustando il nostro movimento in base alla differenza. Questo ciclo di feedback continuo rende difficile districare le risposte sensoriali e motorie da ciò che vediamo accadere in tempo reale.

#Approcci di modellazione tradizionali

Per affrontare le sfide poste dai sistemi a ciclo chiuso, i ricercatori si sono tradizionalmente rivolti a modelli matematici che assumono una risposta Lineare. Nello sterzare, questi modelli prevedono quanto velocemente un soggetto risponderà a un errore basandosi sui movimenti passati. Comunemente, coinvolgono proporzioni dell'errore, oltre a fattori che tengono conto delle restrizioni fisiche come la resistenza muscolare. Questi modelli operano sull'assunzione che il sistema sia lineare e che il tempo di risposta sia principalmente influenzato dalle proprietà meccaniche del corpo.

Tuttavia, applicare questi modelli può portare a malintesi. Prima di tutto, ciò che assumiamo siano risposte meccaniche potrebbe in realtà essere risposte modellate da come funziona l'elaborazione sensoriale. In secondo luogo, se le risposte muscolari vengono trattate come costanti, qualsiasi cambiamento nel movimento viene tipicamente attribuito ai cambiamenti nei processi sensoriali. In realtà, la meccanica del nostro corpo può adattarsi in base alla situazione, il che può anche influenzare questi movimenti. Infine, comportamenti che non si adattano al modello vengono spesso scartati come Rumore, ma potrebbero riflettere non linearità sottostanti che il modello ignora.

#Avanzamenti nella modellazione

Per migliorare questi approcci classici, i ricercatori hanno iniziato a usare metodi di modellazione flessibili e non parametrici che permettono una comprensione più ampia dei sistemi in gioco. Questi metodi incorporano una gamma di funzioni di trasformazione, dove i dati osservati possono aiutare a selezionare il modello che meglio si adatta a ciò che accade realmente durante il comportamento. La forza di questi metodi più recenti sta nella loro capacità di fornire maggiore fiducia nelle conclusioni sull'accuratezza del modello. Possono permettere ai ricercatori di tracciare distinzioni più chiare tra gli aspetti lineari del movimento e quelli influenzati da rumore o comportamento Non lineare.

Più recentemente, queste tecniche di modellazione flessibile sono state applicate a sistemi a ciclo chiuso nello studio dei processi sensomotori. Facendo questo, possono misurare quanti elementi lineari, non lineari e rumorosi contribuiscono ai comportamenti di movimento.

#L'esperimento

In un esperimento specifico, i ricercatori hanno addestrato delle scimmie a manipolare un joystick per sterzare verso obiettivi mostrati in un ambiente virtuale. Le scimmie hanno imparato a gestire i loro movimenti attraverso questo ambiente, che richiedeva loro di fare aggiustamenti rapidi in base alla posizione dell'obiettivo rispetto alla loro direzione di viaggio. L'ambiente virtuale era progettato per imitare le dinamiche del mondo reale, con obiettivi che rimanevano fermi per un po' o si spostavano lentamente, richiedendo entrambe le volte alle scimmie di rispondere efficacemente.

Durante le prove, i ricercatori hanno registrato come i movimenti delle scimmie rispondevano a vari errori di direzione. Volevano capire come gli errori di sterzata si relazionassero ai movimenti reali e vedere come queste relazioni fosse valide in diversi contesti.

#Osservare il comportamento di sterzata

Inizialmente, le scimmie sono state osservate in un contesto a passi dove la posizione dell'obiettivo cambiava bruscamente dopo un po', creando un nuovo errore di sterzata. Nel contesto di deriva, l'obiettivo si muoveva continuamente, il che richiedeva alle scimmie di aggiustare la loro direzione in tempo reale.

Analizzando gli errori di sterzata e le risposte corrispondenti, i ricercatori hanno scoperto che le risposte di sterzata erano principalmente proporzionali all'errore, anche se leggermente in ritardo. Questa risposta proporzionale suggerisce che, man mano che l'errore aumentava, anche le risposte di sterzata tendevano ad aumentare.

#Modelli lineari e le loro limitazioni

Alla luce di queste osservazioni, i ricercatori hanno cercato di confermare la relazione tra errore e risposta. Hanno scoperto che la risposta di sterzata poteva essere modellata come una funzione lineare dell'errore di sterzata in entrambi i contesti. Tuttavia, hanno notato alcune sfide. L'autocorrelazione significativa negli errori di sterzata complicava le misurazioni dirette della risposta di sterzata.

Mentre i ricercatori lavoravano con i dati, hanno applicato un modello lineare per tenere conto delle risposte di sterzata. Questo approccio ha permesso di catturare una parte significativa della varianza vista nel comportamento di sterzata. Tuttavia, hanno anche notato che questo modello non racchiudeva tutti gli aspetti del processo di sterzata, il che suggeriva che una certa variabilità rimanesse inspiegata.

#Contributi non lineari

Successivamente, i ricercatori si sono concentrati sul quantificare quanto della variazione nel comportamento di sterzata potesse essere attribuita a fattori non lineari. Hanno determinato che nel contesto a passi, i modelli lineari tradizionali spiegavano gran parte del comportamento, ma piccole deviazioni erano presenti, indicando l'influenza di fattori non lineari.

I modelli lineari funzionavano bene per le risposte medie di sterzata; tuttavia, prove individuali mostravano un livello significativo di varianza inspiegata. Questo ha evidenziato che alcune risposte potrebbero riflettere adattamenti contestuali o livelli di rumore variabili.

#Il ruolo del rumore

Attraverso ulteriori analisi dei comportamenti residuali, ovvero quelle deviazioni dal modello lineare, i ricercatori hanno scoperto che questi residui avevano caratteristiche distinte. Presentavano correlazione temporale e uno spettro di frequenze che raggiungeva principalmente un picco a circa 1 Hz. Questo picco suggeriva che il rumore potrebbe derivare più da come l'errore viene elaborato piuttosto che da altre fonti, implicando un'origine sensoriale del rumore.

Lo studio ha poi impiegato un modello per valutare come questo rumore potesse influenzare il comportamento di sterzata complessivo, concludendo che una parte significativa della varianza vista nelle azioni potrebbe effettivamente derivare dal rumore nell'elaborazione sensoriale.

#Flessibilità contestuale

Un risultato interessante è stato che le risposte delle scimmie variavano in diversi contesti sperimentali, indicando che i meccanismi neurali erano adattabili. Ad esempio, gli esperimenti hanno mostrato variazioni significative nei parametri che rappresentano le restrizioni fisiche-come smorzamento e rigidità-quando si passava tra i contesti a passi e a deriva. Questo solleva una domanda intrigante su se tali qualità riflettano proprietà fisiche statiche del corpo o cambiamenti flessibili nell'elaborazione neurale.

Di conseguenza, i ricercatori hanno confermato che il loro approccio poteva catturare efficacemente come il comportamento di sterzata rispondesse a varie situazioni. Le variazioni tra i diversi contesti suggerivano che il modo in cui gli animali eseguono i movimenti potrebbe essere influenzato dalle richieste del compito da svolgere.

#Conclusione

In sintesi, la ricerca ha messo in evidenza l'interazione complessa tra informazioni sensoriali, controllo motorio e proprietà fisiche del corpo. Utilizzando un approccio non parametrico basato su kernel, i ricercatori hanno ottenuto preziose intuizioni su come i movimenti non siano del tutto lineari ma possano mostrare una variabilità significativa influenzata dal contesto e dal rumore.

I risultati hanno rafforzato l'idea che i modelli lineari tradizionali, pur essendo utili, possono fallire nel racchiudere l'interezza dei processi sensomotori, specialmente quando rumore e risposte non lineari giocano ruoli significativi. Andando avanti, questo lavoro offre una base per future esplorazioni su come gli animali, compresi gli esseri umani, adattino le loro strategie di controllo in base alle informazioni sensoriali in cambiamento e alle esigenze del loro ambiente.