perzeptuelles lernen antrittsvorlesung am fachbereich psychologie und sportwissenschaft der wwu...

Perzeptuelles Lernen

Antrittsvorlesung am Fachbereich Psychologie und Sportwissenschaft

der WWU Münster

Günter Meinhardt

Neurowissenschaft

Mathematische Psychologie

Neuroinformatik

Neurophysiologie

Psychophysik

Perzeptuelles Lernen

BeobachtungLeistung in sensorischen Diskriminationsaufgaben läßt sich durch Training drastisch verbessern

Erklärungen & Modelle• Randbedingungen des Lernens• Identifikation der beteiligten Prozesse• Lokalisation der Plastizität

Vernier-Diskrimination

375ms

VP-Antwort

500ms

Zeit

500ms

Urteil:

oder ?

Aufgabe Psychometrische Daten

0.1 0.2 0.3 0.4

0.2

0.4

0.6

0.8

1

0

Anteil korrekter Antworten

80% Schwelle

0.5

x (min arc)

Vernier-DiskriminationslernenPsychometrische Daten

0.1 0.2 0.3 0.4

0.2

0.4

0.6

0.8

1

0

Anteil korrekter Antworten

80% Schwellen

0.5

x (min arc)

Tag 1Tag 3Tag 25

Schwellenverlauf

0 5 10 15 20 25 300.0

0.1

0.2

0.3

0.4

Tag

x (min arc)

Berechnung der Objektgröße

xm

ym

Objektgröße

Sehabstand

Sehwinkel

m

m

tanx

y

„Hyperacuity“ durch Diskriminationslernen

Vernier-SchwellenEntspricht 0.1mm in 1m Sehabstand

Entspricht 0.03mm in 1m Sehabstand

0 5 300.0

0.1

0.2

0.3

0.4

Tag

x (min arc)

pre

post

„Hyperacuity“ durch Diskriminationslernen

Vernier-Schwellen fallen durch Training unter den Durchmesser fovealer Photorezeptoren

}22.7 mm

Foveales Bild

Vernier-Reiz

pre = 0.35 min arc xpre = 2.3 10-6 m

post = 0.10 min arc xpost = 0.7 10-6 m

Zapfen-Durchmesser = 1.5 10-6 m

0 5 300.0

0.1

0.2

0.3

0.4

Tag

x (min arc)

pre

post

Neuronale Plastizität

Rezeptorschicht

V1 Neurone

1:1 Mapping

Konvergenz Plastizität

Plastizität der synaptischen Verbindungen von Retina zu V1 Zellen erklärt vermutlich Lernen von Hypersehschärfe

Retinale Ganglien

Problem Ortsauflösung

1. Ortsauflösung an Feldauflösung gebunden2. Verkleinerung bringt Problem der Lückenversorgung

Ortsauflösung: Populationscode*

*Eurich & Schwegler 1997 (Biol Cybern 76)

Dichte der rezeptiven Feldgrenzen bestimmt die Ortsauflösung

35% größer

3er 4er & 5er

70% größer

2er

Original

Frühe visuelle Verarbeitung: Pop-Out

Hoher Merkmalskontrast in elementarer Dimension (Form): Pop-Out

Referenz Hoher M-Kontrast Geringer M-Kontrast

Frühe visuelle Verarbeitung: Pop-Out

Hoher Merkmalskontrast in elementarer Dimension (Farbe): Pop-Out

Referenz M-Kontrast durch Farbe

Frühe visuelle Verarbeitung: Pop-Out

Summation des Merkmalskontrastes über Dimensionen: Pop-Out

Referenz M-Kontrast durch Farbe und Form

Merkmalskombinationen: Kein Pop-Out

Detektion von Merkmalskombinationen: Kein Pop-Out, sondern Inferenzleistung

Farb-Grenze Form-Grenze Farbe/Form Konjunktion

Visuelle Suche

Pop-Out: Reaktionszeit ist unabhängig von der Anzahlder Distraktorelemente (Parallelverarbeitung)

Kein-PopOut

0 10 20 30 40

600

700

800 Reference Trials Target Trials

Rea

ktio

nsze

it

Anzahl der Matrixelemente0 10 20 30 40

600

700

800

Reference Trials Target Trials

Rea

ktio

nsze

itAnzahl der Matrixelemente

Pop-Out

Pop-Out

• Merkmale: Farbe, Größe, Ortsfrequenz, Orientierung, Krümmung, Bewegungsrichtung

• Detektion ist pre-attentiv, parallel und unmittelbar

• Für Pop-Out Merkmale existieren unabhängige neuronale Einheiten auf frühen Verarbeitungsstufen des visuellen Cortex

Pop-Out spiegelt die Aktivität früher Verarbeitungs-Stufen wider, die unabhängig von mentaler Ressourcen-Zuwendung agieren

Lernen von Pop-Out Detektion

Training elementarer Merkmalserkennung*• Ist Pop-Out Detektion durch Training steigerbar ?• Unter welchen Randbedingungen ?• Welche neuronalen Mechanismen vermitteln die

Lernverbesserung ?

*Karni & Sagi 1991 (PNAS 88)

Aufgabe

Karni & Sagi 1991 (PNAS 88)

10ms

VP-Antwort

250ms

Zeit

Bis bereit

SOA

100ms

Bis Antwort

Urteil:

Horizontal oder vertikal ?

Reizmuster

Karni & Sagi 1991 (PNAS 88)

0° 7°-7°

2.5° 5°

5°

2.5°

19 19 Element Matrix14° 14° groß, 1.1m Abstand

Ergebnisse

Karni & Sagi 1991 (PNAS 88)

Psychometrische Daten Schwellen & Lerntransfer

Kein Hemisphärentransfer !

Ergebnisse

Karni & Sagi 1991 (PNAS 88)

Augen - Transfer

1. Leichter Ortstransfer2. Kein Augentransfer

Orts - Transfer

Ergebnisse

Karni & Sagi 1991 (PNAS 88)

Orientierungs - Transfer

1. Keine Spezifität für Targetorientierung

2. Spezifität für Hintergrund- orientierung

Pop-Out des Orientierungsgradientenauf einer spezifischenTexturorientierung

Lernen von Pop-Out Detektion

• Automatische, preattentive und unbewußte Mustererkennung ist durch Lernen stark optimierbar

• Die Optimierung erfolgt unabhängig von Feedback• Sie ist spezifisch für Auge, Hemisphäre, Ort und die

Orientierung des Hintergrundfeldes• Der Lerneffekt ist stabil über Monate

*Karni & Sagi 1991 (PNAS 88)

Lernen durch Plastizität auf Ebene der orientierungsspezifischen,augendominanten Zellen in V1

Aufmerksamkeitskontrolle des Lernens

FRAGEN• Ist Lernen von preattentiver Mustererkennung

durch Aufmerksamkeit steuerbar ?• In welchem Maße ist Lernen aufgabenspezifisch ?• Welche Rolle hat die Schwierigkeit der Aufgabe ?• Wie wirkt Feedback auf den Lernvorgang ? • Welche Rolle spielt die Zeitskala des Lernens ?

Aufgabenspezifität*

*Ahissar & Hochstein 1993 (PNAS 90)

Aufgaben

Aufg. 2: Globale Identifikation

Auf

g. 1

: Lok

ale

Such

e

Lernverlauf

Rel. Schwellenveränderung

0 5 10 15 20 25 301.0

0.75

0.5

0.25

0.0

Sitzung

Lernen

Local

Global

Test

Global

Local

swappedorientations

Befunde zur Aufgabenspezifität

I. STRENGE AUFGABENSPEZIFITÄT• Es wird nur das verhaltensmäßig relevante Merkmal

gelernt, irrelevante Merkmale werden nicht gelernt• Bloße wiederholte Reizung reicht für Lernen nicht aus• Es findet eine aufmerksamkeitsgesteuerte Selektion,

abhängig vom Schwierigkeitsgrad der Aufgabe, statt

Befunde zur Aufgabenspezifität

II. CODE VERFÜGBARKEIT• Task-spezifische Selektion funktioniert bei

Merkmalen, die in unabhängigen Kanälen verarbeitet werden (Global/lokal, Luminanz/Orientierung)

• Lerninstanz hat Zugriff auf Code in verschiedenen Abstraktionsgraden (Training von konkreten oder generalisierten Merkmalen)

Aufbau von aufgaben- und stimulus- und schwierigkeits- spezifischen Verarbeitungspfaden unter Aufmerksamkeitskontrolle

Lernen von Gitterdiskrimination*

*Meinhardt & Grabbe 2001 (EBR, in press)

Lerngruppe II Balkenbreite

(an variablen Positionen, Position irrelevant)

MERKMALE

Lerngruppe I

Ortsfrequenz Größe Phase

(relevant) (irrelevant) (irrelevant)

„Same – Different“ Aufgabe

500ms

Gitter - Lerner

500ms

VP-Antwort

125ms

Zeit

125ms

500ms

Bis Antwort

*

Ton - Feedback

Balken - Lerner

500ms

VP-Antwort

125ms

Zeit

125ms

500ms

500ms

Bis Antwort

*

Ton - Feedback

Variation und KontrolleParameter- Raum

1

2

3

4

5

dx1 f1 f2 f3 f4 f5

dx2 f2 f3 f4 f5 f1

dx3 f3 f4 f5 f1 f2

dx4 f4 f5 f1 f2 f3

dx5 f5 f1 f2 f3 f4

1

2

3

4

5

dx1 f0 f0 f0 f0 f0

dx2 f0 f0 f0 f0 f0

dx3 f0 f0 f0 f0 f0

dx4 f0 f0 f0 f0 f0

dx5 f0 f0 f0 f0 f0

Targets Referenzen

5 Wiederholungen

= 125 Target-Trials

5 Wiederholungen

= 125 Referenz-Trials

125 T – R125 R – R

f – Schwelle f0 - fx

Lernergebnisse – Gitter Lerner (N = 11)

VP = MZ

0 2 4 6 8 10 12 14 16 18 20 220.000

0.125

0.250

0.375

0.500

0.625

Block

f – Schwelle (cpd)

VP = TG

0 2 4 6 8 10 12 14 16 18 20 220.000

0.125

0.250

0.375

0.500

0.625

Block

f – Schwelle (cpd)

Bei allen Gitter-Lernern halbiert sich die Ortsfrequenzschwelleim Laufe von einer Trainingswoche (3 Blöcke pro Tag)

Lernergebnisse – Balken Lerner (N = 8)

Bei allen Balken-Lernern halbiert sich die Balkenbreiten-Schwelle in einer Trainingswoche (3 Blöcke pro Tag)

Block

VP = JT

0 2 4 6 8 10 12 14 16 18 20 220.00

0.01

0.02

0.03

0.04

0.05

0.06

X – Schwelle (deg)

VP = NS

0 2 4 6 8 10 12 14 16 18 20 220.00

0.01

0.02

0.03

0.04

0.05

0.06

Block

X – Schwelle (deg)

Lerntransfer - Bestimmung

0 5 300.0

0.1

0.2

0.3

0.4

Tag

Schwelleneinheit

pre

post

Lerntransfer Index 100%pre post

pre post

S S

S S

Lerntransfer Gitter Lerner (N = 11)

-20

-10

0

10

20

30

40

50

Lern- Transfer Index %

95% Konfidenzgrenzen

Ler

n-A

ufg

abe

Fre

qu

enz

Grö

ße

Ph

ase

Bal

ken

bre

ite

ERGEBNISSE

• Ortsfrequenz- und Balkenbreiten- Diskrimination wird unabhängig von Position und Größe gelernt

• Größen- und Positionsdiskrimination wird nicht gelernt

Es werden nur aufgabenrelevante Merkmale gelernt

Lerntransfer Balken Lerner (N = 8)

ERGEBNISSE

• Balkenbreiten- und Ortsfrequenz- Diskrimination wird unabhängig von Position und Größe gelernt

• Größen- und Positionsdiskrimination wird nicht gelernt

Es werden nur aufgabenrelevante Merkmale gelernt

-20

-10

0

10

20

30

40

50

Lern- Transfer Index %

95% Konfidenzgrenzen

Ler

n-A

ufg

abe

Grö

ße

Ph

ase

Fre

qu

enz

Stimulustransfer Gitter Lerner (N = 11)

ERGEBNISSE (1 Oktave tiefere Frequenz)

• Die Lernleistung in Ortsfrequenz- Diskrimination überträgt sich nicht auf Stimuli mit größerer Wellenlänge

• Größen- und Positionsdiskrimination wird, unabhängig von Stimulus-Wellenlänge, nicht gelernt

Es wird wellenlängenspezifisch gelernt

-20

-10

0

10

20

30

40

50

Lern- Transfer Index %

95% Konfidenzgrenzen

Ler

n-A

ufg

abe

Fre

qu

enz

Grö

ße

Ph

ase

Bal

ken

bre

ite

Stimulustransfer Balken Lerner (N = 8)

ERGEBNISSE (1 Oktave tiefere Frequenz)

• Die Lernleistung in Ortsfrequenz- Diskrimination überträgt sich nicht auf Gitter-Stimuli mit größerer Wellenlänge, aber auf Balken

• Größen- und Positionsdiskrimination wird, unabhängig von Stimulus-Wellenlänge, nicht gelernt

Es wird weitgehend wellenlängen- spezifisch gelernt

-20

-10

0

10

20

30

40

50

Lern- Transfer Index %

95% Konfidenzgrenzen

Ler

n-A

ufg

abe

Fre

qu

enz

Grö

ße

Ph

ase

Bal

ken

bre

ite

Lernen von Gitterdiskrimination*• Beide Gruppen von Lernern lernen das Merkmal der Breite von

streifenartigen Mustern zu differenzieren• Lernen ist spezifisch für die Aufgabe der Streifenbreiten-

diskrimination • Lernen generalisiert über Ort und Größe der Muster• Lernen ist spezifisch für die Grundstreifenbreite des

Trainingsmusters, aber nicht spezifisch für die Art dieses Musters (Balken oder Gitter)

*Meinhardt & Grabbe 2001 (EBR, in press)

Werden durch das Training Streifenbreitendiskriminations-Mechanismen an verschiedenen retinalen Koordinaten gebildet ?

Was verbessert sich noch ?

parameter -0.01 0.02 0.03 0.04

0.2

0.4

0.6

0.8

1

0

Proportion correct

Lernfortschritt

prepost

Location-Parameter

Steigung im Location-Parameter

SchwelleNoisecrozier

Je kleiner crozier, desto günstiger Signal to Noise Ratio

Was verbessert sich noch ?

...der Signal to Noise Ratio für Balken, nicht aber für Gitter

pre post

Bar Learner

Cro

zier

Coe

ffici

ent

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1.8

bar

grating

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1.8

pre post

Grating Learner

Cro

zier

Coe

ffici

ent

bar

grating

N=8 N=11

Gilt Diskrimination durch unabhängige Mechanismen, so könnendie Unterschiedsschwellen für Gitterreize aus den Schwellenfür die Balkenreize vorhergesagt werden.

Wahrscheinlichkeitssummation(Interaktionseffekte zwischen Mechanismen an verteilten Positionen)

X1 X2 XK

Arbeiten die Mechanismen auf den K- Positionen unabhängig, folgt

1

1 1K

ii

P P

Vorhersage Balken Gitter(Gitter - Lerner)

-0.01 0.01 0.02 0.03 0.040

subject TG

d‘ model fit Probability summation prediction

Grating - Posttest Bar - Posttest Grating - Pretest Bar - Pretest

-0.01 0.01 0.02 0.03 0.04

0.2

0.4

0.6

0.8

1

0

X (deg)X (deg)

Pc Pc

0.2

0.4

0.6

0.8

1

-0.01 0.01 0.02 0.03 0.040

subject MZ

d‘ model fit Probability summation prediction

-0.01 0.01 0.02 0.03 0.04

0.2

0.4

0.6

0.8

1

0

X (deg)X (deg)

Pc Pc

0.2

0.4

0.6

0.8

1

Wahrscheinlichkeitssummation

0 1 (1 )kGit BarP p P

Pretest:Keine Vorhersagbarkeit

Posttest:PGit vorhersagbar mitk 8

Vorhersage Balken Gitter(Balken - Lerner)

Wahrscheinlichkeitssummation

0 1 (1 )kGit BarP p P

Pretest:Keine Vorhersagbarkeit

Posttest:PGit vorhersagbar mitk

Grating - Posttest Bar - Posttest Grating - Pretest Bar - Pretest

-0.01 0.01 0.02 0.03 0.040

subject NS

d‘ model fit Probability summation prediction

-0.01 0.01 0.02 0.03 0.04

0.2

0.4

0.6

0.8

1

0

X (deg)X (deg)

Pc Pc

0.2

0.4

0.6

0.8

1

-0.01 0.01 0.02 0.03 0.040

subject NL

d‘ model fit Probability summation prediction

-0.01 0.01 0.02 0.03 0.04

0.2

0.4

0.6

0.8

1

0

X (deg)X (deg)

Pc Pc

0.2

0.4

0.6

0.8

1

Resultat

Vor dem Lerntraining gibt es keine Vorhersagbarkeit PBar PGit , wohl aber nach dem Training

Durch das Diskrimininationstraining werden an verteiltenOrten Streifenbreitendiskriminationsmechanismen aufgebaut, die unabhängig voneinander arbeiten. Der Lernprozeß ist Top-down gesteuert (aufgabenselektiv) und die aufgebauten Mechanismen sind selektiv für die Grundstreifenbreite der Reizmuster

Orientation & Spatial Frequency

Gabor Feature Contrast

Modell – Neuron2

wj1

wjK

wj2

x1

x2

xK

yj

SynapsenEingabe vonGanglienBinäre Antwort

Regel: Wähle die wji derart, daß 1 21

maxN

j jj

y y

Neuron - Antwort

j S ji ii

y w x

Schwellenmechanismus

0,

1,S

u Su

u S

Modell - Neuron

wj1

wjK

wj2

x1

x2

xK

yj

SynapsenEingabe vonGanglien Erregung

„Gewinnfunktion“

1

1 uu

e

Neuron - Erregung

j ji ii

y w x

Regel: Wähle die wji derart, daß 1 21

maxN p

j jj

y y

Merkmalskontrast elementarer Signale

M-Kontrast durch Gradient in Orientierung & Ortsfrequenz: verstärktes Pop-Out

Visuelle Diskriminationsaufgaben

Bisektion Auflösung Vernier

Wellenlänge Größe Orientierung