Je zintuigen zijn niet altijd te vertrouwen. Dat heb je wellicht zelf wel eens ervaren bij visuele illusies die lijken te bewegen, of toch iets anders blijken weer te geven dan wat in eerste instantie het geval leek. Deze visuele illusies geven inzicht in de werking van onze perceptie en laten zien hoe ons brein de externe wereld continu als één coherent geheel probeert te interpreteren.

 

Het brein heeft hiertoe goede redenen: om te overleven en te navigeren in de oceaan van prikkels, moet je namelijk efficiënt omgaan met alle zintuigelijke informatie. In sommige situaties moet het brein een te kleine hoeveelheid informatie aanvullen of verder ‘voorspellen’, in andere situaties is het juist belangrijk om in een overvloed van informatie onderscheid te maken tussen patronen – informatie die op dat moment relevant is voor de waarnemer – en ruis – al het overige dat binnenkomt. De studie van perceptie betreft de vraag hoe het brein dit doet: wat gebeurt er bijvoorbeeld tussen het moment dat licht het netvlies bereikt en het moment van waarneming? Recente neurowetenschappelijke theorieën stellen dat het brein de perceptuele signalen voorspelt, en door vergelijking met die voorspelling steeds een beter model vormt van de externe wereld.

 

De voorspellende machine

Afbeelding 1 – Dit is geen spiraal

Het traditionele beeld van perceptie is dat de ‘input’ uit de buitenwereld regelrecht via de zintuigen perceptie ‘veroorzaakt’. Deze denkwijze wordt al snel problematisch als we er langer bij stil staan: hoe kan de externe wereld van fysieke objecten, eigenlijk gevat worden in elektrische signalen in het brein, en hoe komt de subjectieve waarneming tot stand? Zoals we weten van de visuele illusies, zien we best vaak dingen die niet overeenkomen met de werkelijkheid (zie afbeelding 1). Het lijkt dus niet zo te zijn dat het externe direct de perceptie veroorzaakt.

 

In tegenstelling tot het traditionele beeld staat het generatieve model van perceptie: je neemt datgene waar waarvan je brein ‘vermoedt’ dat het de waarneming veroorzaakt heeft. Dat wat je waarneemt, is niet de wereld zelf, maar een mentaal model van de wereld. Aangezien we nooit directe toegang hebben tot de wereld, maar slechts tot de signalen die we kunnen waarnemen, leert ons brein steeds beter patronen te herkennen in die signalen, en kan het deze voorspellen. Hierdoor ontstaat er een steeds beter functionerend mentaal model van de externe wereld: in plaats van telkens opnieuw alle binnenkomende signalen op waarde te moeten schatten, leert het brein van eerdere ervaringen. Met deze voorkennis kan het brein steeds beter voorspellen welke signalen belangrijk zijn en creëert het een beeld van de externe wereld dat het meest nuttig is.

 

Hoewel het idee van perceptie als voorspelling recentelijk erg populair is geworden, is het niet nieuw. In de 19e eeuw formaliseerde natuurkundige en medicus Hermann von Helmholtz een revolutionair idee: het brein is een statistische, voorspellende machine, die aan de hand van inferenties de oorzaken van de perceptuele input probeert te achterhalen.[1] Perceptie, zo stelde hij, kan begrepen worden als het vormen van hypotheses over de wereld en zegt daarbij niet noodzakelijkerwijs iets over de wereld ‘an sich’.[2] Deze hypotheses geven structuur aan onze perceptie van de ‘werkelijkheid’. Zonder deze structuur zou de inkomende data slechts ruis zijn en zou het brein overladen worden met prikkels, zonder de informatie naar voren te brengen die voor de waarnemer belangrijk is.

 

Het is evolutionair gezien van belang om zuinig om te gaan met je energie,

maar ook de informatie die je hebt over de wereld.

 

(All about that) Bayes

Het idee van perceptie als hypothese-vorming van Helmholtz blijkt goed uit te drukken aan de hand van Bayes’ theorema. Deze theorie uit de statistiek beschrijft namelijk een efficiënte manier van omgaan met informatie, die veel overeenkomsten blijkt te hebben met hoe mensen en andere organismen om lijken te gaan met (perceptuele) data. De Bayesiaanse statistiek heeft als uitgangspunt dat nieuwe overtuigingen worden gevormd aan de hand van voorkennis en verzameld bewijs. Op die manier kan de waarschijnlijkheid dat een gebeurtenis plaatsvindt worden herleid aan de hand van reeds bestaande kennis. De belangrijkste toepassing van Bayesiaanse inferentie is het berekenen van de inverse probability van een gebeurtenis. In plaats van de kans dat een oorzaak een bepaald effect heeft (forward probability), kan je hiermee de kans dat een geobserveerd effect een bepaalde oorzaak heeft gehad berekenen.

Nu blijkt dat perceptie als hypothesevorming wellicht geformaliseerd kan worden aan de hand van de Bayesiaanse statistiek, is er een opkomst in onderzoek naar het ‘Bayesiaanse brein’.[3] Perceptie zou volgens deze theorie het resultaat kunnen zijn van een brein dat gebruik maakt van inverse probability: het effect is hier de zintuigelijke informatie, die in ruwe vorm slechts ‘ruis’ is voor de waarnemer. Door gebruik te maken van voorkennis over ‘oorzaken’ – dingen in de externe wereld, presenteert het brein de waarnemer datgene waarvan het ‘verwacht’ dat belangrijk is, en het meest waarschijnlijk het signaal veroorzaakt heeft.

 

Perceptie wordt volgens de theorieën over het Bayesiaanse brein gevormd door kennis die we al hebben van de wereld (prior beliefs), in combinatie met zintuigelijke informatie die via het netvlies binnenkomt. Door ruis en fouten in de voorspellingen (hypotheses) te minimaliseren, word het model van de wereld nauwkeuriger met iedere waarneming. Het is evolutionair gezien van belang om zuinig om te gaan met je energie, maar ook de informatie die je hebt over de wereld. Dit kan door je model van de wereld te optimaliseren (zo natuurgetrouw of nuttig mogelijk te krijgen) en onzekerheid en ruis in de perceptuele data te reduceren. Om te overleven is het nuttig om zo snel mogelijk te herkennen wat je ziet: een fout-positief (je dacht dat het een slang was, maar het blijkt een tak te zijn) is minder erg dan een fout-negatief (het was toch een slang).

 

Integratie en voorspelling

Een belangrijke aanwijzing dat perceptie daadwerkelijk op Bayesiaanse wijze tot stand komt, is de integratie van informatie uit de verschillende zintuigen.[4] Vaak is het zo dat een gebeurtenis niet slechts visueel, maar tegelijkertijd ook auditief of tactiel waarneembaar is. Als je een glas ziet vallen, hoor je het tegelijkertijd breken. Het brein heeft de complexe taak om twee of meer zintuigelijke signalen te koppelen en te achterhalen of deze een gemeenschappelijke oorzaak hebben in de externe wereld. Dit is voor ons wellicht vanzelfsprekend, maar probeer je eens voor te stellen hoe je dit aan een robot zou kunnen leren; dan wordt het opeens erg ingewikkeld. De waarschijnlijkheid dat meerdere signalen dezelfde oorzaak hebben in de wereld, kan worden ‘berekend’ aan de hand van Bayesiaanse inferentie. Door nieuwe input (bewijs, data) en het opdoen van meer ervaring weet je met steeds meer zekerheid te zeggen dat het geluid van iets dat breekt meestal gepaard gaat met het vallen van een object en dat rook vaak te zien is bij vuur.

 

Het kan zo zijn dat het brein de input te veel voorspelt, en dus patronen denkt te herkennen die er in werkelijkheid niet zijn.

 

Bijzonder is dat na jaren trainen voor optimale integratie van sensorische input, het brein patronen in de sensorische input gaat voorspellen en er een feedback loop ontstaat waarin het voorspelde ook waargenomen wordt.[5] Een goed voorbeeld van deze voorspellende integratie is een buikspreker. Hoewel het geluid een andere bron heeft dan de bewegende mond van de pop, lijkt het écht alsof de stem uit de pop komt. We hebben een sterke hypothese over de bron van stemgeluid; deze komt namelijk vrijwel altijd uit een mond. Met het vaker horen van een stem zonder een mond te zien bewegen, zal de waarschijnlijkheidsfunctie worden geüpdatet, en word je waarschijnlijk minder vatbaar voor de buiksprekerillusie.[6] Dit wordt ook wel predictive processing genoemd, een theorie die voortbouwt op het Bayesiaanse brein. Volgens deze theorie genereert het brein intern een model van de wereld, dat continu getoetst wordt aan de binnenkomende signalen, die als error signal fungeren voor de gemaakte voorspellingen.

 

Hallucinaties en illusies

Om te zien hoe predictive processing in de praktijk voorkomt, kunnen we kijken naar hallucinaties en visuele illusies. Je ziet in dergelijke illusies vaak wat het brein voorspelt, wat in deze gevallen duidelijk anders is dan de realiteit. Neem bijvoorbeeld de checkerboard illusie (zie afbeelding 2), waarbij vlak A en B exact dezelfde kleur hebben, maar door de context als verschillend worden waargenomen. Een van de verklaringen voor dit fenomeen is dat het brein een sterke prior belief heeft over hoe objecten eruitzien als zij in de schaduw liggen. Een ander voorbeeld is pareidolia, waarbij men bijvoorbeeld gezichten herkent in alledaagse objecten zoals de wolken. Omdat we een heel sterke prior belief hebben over gezichten en het erg belangrijk is om die te herkennen, zien we ze snel terug in ongerelateerde objecten. Dit is dus eigenlijk een voorspelfout.

Afbeelding 2 – Adelson’s checker-shadow illusion

 

Ook door de toediening van psychedelica of het optreden van psychose kan het zo zijn dat het brein de input te veel voorspelt, en dus patronen denkt te herkennen die er in werkelijkheid niet zijn. Dit zou de variëteit aan cognitieve en perceptuele fenomenen zoals hallucinaties, synesthesie en tijdsdilatatie kunnen verklaren.[7] Een soortgelijk effect kan computationeel worden nagebootst. Een bekend voorbeeld hiervan is Google’s DeepDream, een kunstmatig neuraal netwerk dat als in een soort koortsdroom honden en katten herkent in afbeeldingen (bijvoorbeeld in afbeelding 3).[8] DeepDream vertoont hier een gelijkenis met predictive processing: het versterkt de patronen die het denkt te zien. Predictive processing geeft dus een begrijpelijke verklaring voor verschillende psychologische fenomenen, en geeft misschien zelfs meer inzicht in bijvoorbeeld schizofrenie, waarbij het wellicht zo is dat de prior beliefs de perceptie te veel of te weinig beïnvloeden.[9]

 

 

Afbeelding 3 – DeepDream herkent rare beestjes in white noise

 

Conclusie

Reflectie op hoe perceptie werkt is erg belangrijk voor het het onderzoeken van de totstandkoming van onze subjectieve ervaring. Het waarnemen van de wereld is een complexe taak: het brein probeert continu de toekomst te voorspellen, in een poging de onzekere toekomst en de verassingen die de natuur presenteert te doorgronden. Waarnemen doe je om adequaat te kunnen handelen in de wereld; onze perceptuele voorspellingen geven aanleiding tot ons gedrag, maar deze inschattingen zijn lang niet altijd correct. We hebben voldoende reden om onze zintuigen te wantrouwen, maar dat is niet nodig: de generatieve theorieën van perceptie geven ons juist reden om wel te vertrouwen op een systeem dat de relevante informatie extraheert en hier efficient mee omgaat door te voorspellen. Ons model van de wereld is wellicht niet correct, maar wel het meest nuttig voor navigatie in een overvloed aan prikkels.

 

Redacteur: Sophie Horsman

 

Noten

Technisch gezien is het niet adequaat om psychologische predikaten toe te kennen aan het brein. Dit is een (mereologische) denkfout, omdat psychologische toestanden (geloven, observeren, etc.) toe te kennen zijn aan het dier (de mens) als geheel, maar niet aan de individuele organen, onafhankelijk van hoe groot de rol is die zij spelen in het psychologische proces. Zie Bennett en Hacker (2003) voor het uitgebreide argument. Voor de duidelijkheid zal ik toch in dit artikel spreken over het brein, omdat refereren naar de mens als geheel in de context van dit artikel dan onjuist lijkt te duiden op bewuste handelingen.
Zie Bennett, Maxwell R., Peter Michael Stephan Hacker, and M. R. Bennett. Philosophical Foundations of Neuroscience. Vol. 79. Blackwell Oxford, 2003. voor het volledige argument.

 

De wiskundige beschrijving van Bayes’ theorema luidt als volgt: P(A|B) = (P(B|A)P(A)) / P(B)

De ‘voorwaardelijke’ of a posteriori kans P(A|B) (lees: de kans op A, gegeven dat B), staat in het geval van perceptie voor de kans dat de wereld zich in een bepaalde staat bevindt, gegeven dat je een bepaalde sensorische input binnenkrijgt. Bijvoorbeeld, de kans dat er vuur brandt, gegeven dat je rook ziet. P(B|A), de waarschijnlijkheidsfunctie, vertelt de waarschijnlijkheid dat er rook gezien kan worden, als er vuur is. P(A), de a priori kans, vertelt dan de onafhankelijke kans dat er vuur is, en P(B) de onafhankelijke kans dat je rook ziet.

Referenties

[1] Helmholtz, H. von. “Concerning the perceptions in general.” Treatise on physiological optics, (1866).

[2] Gregory, Richard Langton. “Perceptions as hypotheses.” Philosophical Transactions of the Royal Society of London. B, Biological Sciences 290, no. 1038 (1980): 181-197.

[3] Clark, Andy. “Whatever next? Predictive brains, situated agents, and the future of cognitive science.” Behavioral and brain sciences 36, no. 3 (2013): 181-204.

[4] Knill, David C., and Alexandre Pouget. ‘The Bayesian Brain: The Role of Uncertainty in Neural Coding and Computation’. Trends in Neurosciences 27, no. 12 (December 2004): 712–19. https://doi.org/10.1016/j.tins.2004.10.007.

[5] Clark, Andy. Surfing Uncertainty: Prediction, Action, and the Embodied Mind, 2016. https://doi.org/10.1093/acprof:oso/9780190217013.001.0001.

[6] Alais, David, and David Burr. “The ventriloquist effect results from near-optimal bimodal integration.” Current biology 14, no. 3 (2004): 257-262.

[7] Pink-Hashkes, Sarit, Iris van Rooij, and Johan Kwisthout. “Perception is in the Details: A Predictive Coding Account of the Psychedelic Phenomenon.” In CogSci, vol. 2017, pp. 26-29. 2017.

[8] Mordvintsev, Alexander, Christopher Olah, and Mike Tyka. “Inceptionism: Going deeper into neural networks.” (2015).

[9] Sterzer, P., Adams, R. A., Fletcher, P., Frith, C., Lawrie, S. M., Muckli, L., … & Corlett, P. R. The predictive coding account of psychosis. In Biological psychiatry84(9), 634-643. 2018.

Afbeeldingen

Afbeelding 1: This is not a spiral – Robson via Flickr CC 2 , https://www.flickr.com/photos/_robson_/7766687350/.

Afbeelding 2: Thomson, G. and Macpherson, F. “Adelson’s checker-shadow illusion” in F. Macpherson (ed.), The Illusions Index. (July 2017),  https://www.illusionsindex.org/ir/checkershadow.

Afbeelding 3: Deep Dream white noise, https://commons.wikimedia.org/wiki/File:Deep-dream-white-noise-0000.jpg.

Victoria Bosch

Victoria Bosch

Victoria Bosch (1995) studeerde in 2020 af van de opleiding Liberal Arts & Sciences met de hoofdrichting Kunstmatige Intelligentie aan de Universiteit Utrecht. Zij schreef haar scriptie over de interactie tussen getal- en tijdsperceptie, en in hoeverre deze in een Bayesiaanse theorie van perceptie past. Na haar afstuderen is zij gestart met de master Artificial Intelligence, met een specialisatie in Cognitive Computing aan de Radboud Universiteit. Naast een interesse in de relatie tussen mens en technologie en de grenzen van het denken, wordt zij ook enthousiast van schrijven en wetenschapscommunicatie. Daarom is zij sinds begin 2020 hoofdredacteur bij De Focus.