Advances in Cognitive Sciences

fa مدل‌سازی محاسباتی تمایز بین دو مقدار ناهمگونی در یک جفت محرک در ناحیه V4 قشر بینایی Computational Modeling of Disparity Pair Discrimination in Visual Area V4 مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز پژوهشي اصیل Research مقدمه: این پژوهش سازوکارهای محاسباتی تمایز ناهمگونی دوچشمی را در ناحیه V4 قشر بینایی با رویکردی نوین در مدل‌سازی بررسی می‌کند. هدف، تحلیل توانایی نورون‌های V4 در تشخیص ناهمگونی‌های ظریف نزدیک به صفحه تثبیت و ارائه چارچوبی محاسباتی برای تبیین این فرایند است. فرضیه اصلی بیان می‌دارد که تمایز ناهمگونی در V4 به اختلاف مطلق جفت‌ناهمگونی‌ها و نزدیکی آنها به ناهمگونی صفر وابسته است. روش ‌کار: داده‌های الکتروفیزیولوژیک از ۱۵۶ نورون V4 در میمون‌های ماکاک با ارائه استریوگرام‌های نقطه‌ای تصادفی (RDS) با ناهمگونی‌های 2°/1±، 6°/0±، 3°/0± و ۰° و ضرایب همبستگی متغیر گردآوری شد. شاخصی نوین به نام «شاخص توانایی تمایز ناهمگونی» (DDAI) معرفی شد که توانایی جمعیت نورونی در تفکیک جفت‌ناهمگونی‌ها را با تحلیل ROC کمی‌سازی می‌کند. این شاخص میانگین سطح نرمال‌شده زیر منحنی ROC برای هر جفت محرک است. مدل محاسباتی DCM برای پیش‌بینی الگوهای DDAI توسعه یافت. یافته‌ها: نتایج نشان داد نورون‌های V4 برای ناهمگونی‌های نزدیک به صفر تنظیم‌پذیری بالایی دارند و تغییرپذیری پاسخ (ضریب تغییرات) در این محدوده کمینه است. با افزایش قدر مطلق ناهمگونی، تغییرپذیری پاسخ افزایش یافت. مدل DCM با دقت بالا (ضریب همبستگی پیرسون= 969/0، ضریب اسپیرمن= 887/0) الگوهای DDAI را پیش‌بینی کرد. آزمون هم‌ارزی (TOST) تأیید کرد که پیش‌بینی‌های مدل عملاً با داده‌های تجربی معادلند (میانگین اختلاف= 00018/0، فاصله اطمینان 90% در بازه ±03/0). نتیجه‌گیری: یافته‌ها فرضیه اصلی را تأیید می‌کنند که توانایی تمایز ناهمگونی در V4 به اختلاف مطلق جفت‌ناهمگونی‌ها و نزدیکی آنها به ناهمگونی صفر وابسته است. ناحیه V4 از راهبرد رمزگذاری کارآمدی بهره می‌برد که دقت را در ناهمگونی‌های نزدیک به عمق تثبیت اولویت‌بندی می‌کند و برای ناهمگونی‌های بزرگ‌تر رمزگذاری خشن‌تری ارائه می‌دهد. چارچوب DCM پایه‌ای محکم برای درک پردازش ناهمگونی در سطح جمعیت نورونی فراهم می‌کند و کاربردهایی در سیستم‌های بینایی مصنوعی و ارزیابی اختلالات استریوسکوپیک دارد.   <div style="text-align: justify;">Introduction: This study investigates the computational mechanisms underlying binocular disparity discrimination in visual area V4 through a novel modeling approach that examines the ability of V4 neurons to discriminate between fine disparities near the fixation plane and develops a comprehensive computational framework to characterize this process. This study’s central hypothesis posits that disparity discrimination ability in V4 depends on two key factors: The absolute difference between disparity pairs and their proximity to zero disparity. Methods: The present study analyzed electrophysiological data from 156 V4 neurons recorded from macaque monkeys during presentation of random-dot stereograms with varying binocular disparities (±1.2°, ±0.6°, ±0.3°, 0°) and correlation levels. A novel population-level metric, the Disparity Discrimination Ability Index (DDAI), was introduced to quantify the neural population’s capacity to distinguish between disparity pairs using receiver operating characteristic-based (ROC-based) analysis. The DDAI was computed as the average normalized area under the ROC curve across all neurons for each stimulus pair. Results: This study’s results confirmed that V4 neurons exhibit specialized tuning for near-zero disparities, with response variability (coefficient of variation) being minimal for stimuli close to zero disparity and increasing with absolute disparity magnitude. The computational model DCM (DDAI Computational Model) successfully predicted experimental DDAI patterns with high accuracy (Pearson r=0.969, Spearman P=0.887). Statistical equivalence testing (TOST) confirmed that model predictions were practically equivalent to experimental data (mean difference=0.00018, 90% CI within ±0.03). Conclusion: The obtained findings demonstrate that V4 employs an efficient coding strategy prioritizing precision near the fixation depth while maintaining coarser encoding for larger disparities. The DCM framework provides a robust foundation for understanding population-level disparity processing and offers potential applications in artificial vision systems and clinical assessment of stereoscopic vision disorders.  </div> ناهمگونی دوچشمی, ناحیه V4, مدل‌سازی محاسباتی, ادراک عمق, توانایی تمایز ناهمگونی Binocular disparity, V4 area, Computational modeling, Depth perception, Disparity discrimination ability 105 120 http://icssjournal.ir/browse.php?a_code=A-10-401-2&slc_lang=fa&sid=1 Ahmad Haj-Reza Jafarabadi احمد حاج‌رضا جعفرآبادی ahmad2jas@gmail.com 0051319251 0009-0006-3471-6447 No PhD Student in Cognitive Modeling, Institute for Cognitive Science Studies, Department of Cognitive Modeling, Tehran, Iran دانشجوی دکتری مدل‌سازی شناختی، مؤسسه آموزش عالی علوم شناختی، گروه مدل‌سازی شناختی، تهران، ایران Mir-Mohsen Pedram میر محسن پدرام pedram@khu.ac.ir 2062840586 100319475328460018729 Yes . Associate Professor, Kharazmi University, Faculty of Engineering, Department of Electrical and Computer Engineering, Tehran, Iran دانشیار، دانشگاه خوارزمی، دانشگده فنی و مهندسی، گروه مهندسی برق و کامپیوتر، تهران، ایران Mohammad-Reza Abolghasemi Dehaqhani محمدرضا ابوالقاسمی دهاقانی dehaqani@ut.ac.ir 100319475328460018730 100319475328460018730 No Assistant Professor, University of Tehran, Faculty of Electrical and Computer Engineering, Department of Artificial Intelligence and Robotics, Tehran, Iran استادیار، دانشگاه تهران، دانشکده مهندسی‌ برق‌ و کامپیوتر، گروه هوش مصنوعی و رباتیک، تهران، ایران Mohammad Abdolrahmani محمد عبدالرحمانی m.abd.ac@gmail.com 100319475328460018731 100319475328460018731 No Institute for Cognitive Science Studies, Department of Cognitive Modeling, Tehran, Iran مؤسسه آموزش عالی علوم شناختی، گروه مدل‌سازی شناختی، تهران، ایران Einollah Pasha عین الله پاشا pasha@khu.ac.ir 100319475328460018732 100319475328460018732 No Professor Emeritus, Kharazmi University, Faculty of Mathematical Sciences and Computer, Department of Statistics, Tehran, Iran استاد تمام بازنشسته، دانشگاه خوارزمی، دانشکده علوم ریاضی و کامپیوتر، گروه آمار، تهران، ایران