[논문 리뷰] Perceptual decision making: Biases in post-error reaction times explained by attractor network dynamics

Kevin Berlemont, Jean‐Pierre Nadal|arXiv (Cornell University)|2018. 03. 02.

Neural dynamics and brain function참고 문헌 93인용 수 22

한 줄 요약

이 논문은 피로 후 반응 지연과 피로 후 정확도 향상이라는 행동 현상—피드백 없이 관찰되는 지각적 결정 과정에서 나타나는 것—이 축소된 애트랙터 네트워크 모델 내부의 내재된 비선형 역학에서 기인한다고 제안한다. 후결정 억제 전류를 통합함으로써 모델은 이러한 순차적 효과를 정성적으로 그리고 정확한 크기로 재현하며, 이들이 외부 피드백이나 명시적 기억 메커니즘보다는 네트워크 역학에서 유래한다는 것을 보여준다.

ABSTRACT

Perceptual decision making is the subject of many experimental and theoretical studies. Whereas most modeling analysis are based on statistical processes of accumulation of evidence, less attention is being devoted to the modeling with attractor network dynamics, even though they describe well psychophysical and neurophysiological data. In particular, very few works confront attractor models predictions with data from continuous sequences of trials. Recently however, a biophysical competitive attractor network model has been used to describe such sequences of decision trials, and has been shown to reproduce repetition biases observed in perceptual decision experiments. Here we propose an extension of the reduced attractor network model of Wong and Wang (2006) to get more insights into such effects. We make explicit the conditions under which such network can perform a succession of decisions, and show that the model provides a mathematical framework for studying the effects of a trial on the decision made on the next one. We study in details the reaction times properties during a sequence of decision trials, and show that the model reproduces behavioral data, both qualitatively and quantitatively. In particular, we find that the decision made on the current trial is biased toward the one made on the previous trial. More remarkably, we show that, in the absence of any feedback about the correctness of the decision, the network exhibits post-error slowing, a subtle effect in agreement with empirical data.

연구 동기 및 목표

• 피드백이나 명시적 기억 유닛에 의존하지 않고 지각적 결정 과정에서 오류 후 반응 지연과 오류 후 정확도 향상을 설명하기.
• 애트랙터 네트워크의 내재된 비선형 역학이 연속적 결정 과제에서 순차적 효과를 어떻게 유도하는지 조사하기.
• 결정 이후 억제 자극이 안정적인 반복 시험 성능을 가능하게 하고 애트랙터에 갇히거나 과거 상태의 기억을 상실하지 않도록 하는 조건을 규명하기.
• 모델 예측을 순차적 이진 선택 과제에서의 반응 시간과 정확도에 대한 실증 데이터와 비교하기.
• 일차 순차 효과(예: 오류 후 조정)가 추가 기억 모듈 없이도 네트워크 역학의 본질적 성질로서 자연스럽게 유도되는지 보여주기.

제안 방법

• 후결정 억제 전류를 포함하도록 축소된 Wong과 Wang(2006) 애트랙터 네트워크 모델을 수정하기.
• 각 결정 후에 발생하는 생물물리학적으로 타당한 억제 입력을 통합하여 네트워크 활동을 재설정하기.
• 안정적인 시험 순서를 가능하게 하는 매개변수 영역을 규명하기 위해 네트워크의 비선형 역학을 수학적으로 분석하기.
• 최소 500ms의 시험 간 간격을 가진 연속적인 이원선택 과제(TAFC) 시험의 수치적 시뮬레이션 수행하기.
• 순서에 따른 반응 시간과 오류 비율을 분석하여 오류 후 및 정확한 결정 후의 역학 평가하기.
• 모델 출력을 실증 행동 데이터(오류 후 반응 지연 및 오류 후 정확도 향상)와 비교하기.

실험 결과

연구 질문

• RQ1 피드백이나 명시적 기억 유닛 없이도 최소한의 애트랙터 네트워크 모델이 오류 후 반응 지연과 오류 후 정확도 향상을 재현할 수 있는가?
• RQ2 결정 이후 억제 자극이 애트랙터에 갇히거나 과거 동역학의 기억을 상실하지 않도록 하면서 안정적인 반복 시험 성능을 가능하게 하는 역학적 조건은 무엇인가?
• RQ3 반응 시간과 정확도는 순차적 결정 과정에서 네트워크의 비선형 역학에 어떻게 의존하는가?
• RQ4 일차 순차 효과가 추가 메커니즘의 영향을 받지 않고 네트워크 역학의 본질적 성질로서 자연스럽게 나타나는 정도는 어느 정도인가?
• RQ5 사용자가 오류를 인지하지 못함에도 불구하고 오류 후 효과가 지속되는 이유는 네트워크의 동역학적 상태에 기반하여 무엇인가?

주요 결과

• 모델은 오류 후 반응 지연(오류 후 반응 시간 연장)과 오류 후 정확도 향상(오류 후 오류 비율 감소)을 정성적으로 타당하고 크기의 주요 순서 수준에서 재현한다.
• 이러한 효과들은 피드백이나 명시적 기억 모듈이 필요 없이, 결정 후 억제 전류를 가진 애트랙터 네트워크의 비선형 역학에서 자연스럽게 발생한다.
• 억제 입력이 적절히 조정되면 네트워크가 첫 번째 애트랙터에 갇히거나 과거 역학의 기억을 상실하는 것을 방지할 수 있다.
• 일차 순차 효과를 유도하는 매개변수 조건(예: ICD,max = 0.035 nA)에서는 고차 순차 효과(예: 이차 편향 또는 복잡한 반복 패턴)는 재현되지 않아, 최소 모델의 한계를 보여준다.
• 오류 후 및 정확한 결정 후의 피iring 속도 분포가 상당히 겹치므로, 단일 시험에서 오류를 탐지하는 것은 어렵다. 이는 오류가 종종 의식적으로 인지되지 않는 이유를 설명할 수 있다.
• 모델은 오류 후 효과가 전략적 조정 때문이 아니라 결정 상태 이후 네트워크의 회복 역학에 기인한다는 것을 시사한다.