Caractérisation comportementale et fonctionnelle des représentations probabilistes pour les mouvements oculaires.

Behavioral and functional characterization of probabilistic representation for eye movements.

• Auteur / Autrice : Vanessa Carneiro morita
• Direction : Anna Montagnini, Guillaume S. Masson
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Neurosciences
• Date : Soutenance en 2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Sciences de la Vie et de la Santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : INT - Institut des Neurosciences de la Timone
• Partenaire(s) de recherche : Equipe de recherche : INT - E5 - InVibe - Inférence et Comportements Visuels
• Jury : Président / Présidente : Marie-Helene Grosbras
• Jury : Examinateurs / Examinatrices : Anna Montagnini, Guillaume Masson, Celine Paeye, Laurent Madelain, Karl Gegenfurtner
• Jury : Rapporteur / Rapporteuse : Laurent Madelain, Karl Gegenfurtner

Mots clés

Mots clés libres

Oculomotricité

Inférence Visuelle

Représentation probabiliste

Eye movements

Visual inference

Probabilistic representation

Résumé

Suivre des yeux une proie ou un danger imminent est une tâche essentielle pour la survie des organismes vivants. Les systèmes nerveux mesurent le mouvement visuel de façon précise mais également prédisent la trajectoire de cette cible afin de pouvoir anticiper ses changements brusques de direction, de compenser les délais inhérents aux nombreuses étapes de la transformation sensori motrice ou encore de coordonner aux mieux mouvements oculaires saccadiques et de poursuite. De nombreux modèles ont proposé que le cerveau élabore un modèle interne de ces trajectoires afin de contrôler les mouvements oculaires. Cependant ces approches théoriques ont sur-simplifié la nature de ces modèles internes, ignorant la complexité des entrées visuelles et la nature stochastique des trajectoires naturelles. Notre hypothèse est qu'un tel ''modèle interne'' doit être basé sur la notion probabiliste d'inférence dynamique, qui permet d'unifier les dynamiques de bas-niveaux (traitement visuel) et de haut-niveau (cognition) ainsi que d'expliquer pourquoi le comportement reste optimal et synchrone. Au niveau comportemental, ces dynamiques probabilistes peuvent être mesurées grâce aux réponses oculomotrices (poursuite) anticipatrices survenant avant l'événement visuel en question. Dans cette thèse, on a montré des évidences que l'être humain peut apprendre une probabilité contingente en fonction de différents contextes, notamment en termes d’une plus grande incertitude globale, de probabilités conditionnelles et pour cibles avec différentes cinématiques. Nos résultats sont compatibles avec le cadre d'intégration bayésien et indiquent que la poursuite anticipatrice peut être considérée comme une lecture des croyances antérieures sur le contexte et la dynamique de la cible.

Tracking with our eyes a prey or an imminent danger is a vital function for the survival of almost all animals. Our nervous system accurately estimates the target visual motion and predicts its trajectory in order to anticipate sudden changes in direction, to compensate for the neural delays that are inherent to sensorimotor transformations and to optimally coordinate fast, ballistic saccades and slow, closed-loop pursuit eye movements. Several motor and oculomotor models rely on an internal model of these trajectories. However, in the context of eye movements, current oculomotor models have oversimplified the nature of these internal models, reducing them to some position/velocity error signals leading to a desired eye movement and ignoring both the complexity of the sensory inflows and the stochastic nature of natural trajectories. We have previously proposed that a probabilistic framework can unify low-level (i.e. visual motion processing) and high-level (i.e. learning contingencies) computations in order to explain why behaviour remains optimal under many challenging natural conditions. With this thesis we extended the previous literature showing a parametric relationship between the probability levels and anticipatory smooth eye movements to more complex probabilistic contingencies, such as contexts with a higher global uncertainty, contexts with conditional (second-order) probabilities, and for different target kinematics. Our results are compatible with the Bayesian integration framework and indicate that anticipatory eye movements could be viewed as a readout for the prior beliefs.