Effect of motion speed expectation on visually guided oculomotor behavior

국문 초록 (Abstract)

베이지안 추론 가설은 사전 기대(prior expectation)와 현재의 감각 증거를 결합하여 운동 행동을 생성한다고 제안하며, 이러한 운동 프로그래밍이 예측에 의해 조절된 감각 정보에 의존함을 시사한다. 우리의 행동 실험은 움직이는 자극의 속도에 대한 사전 기대가 매끄러운 추적(smooth pursuit) 안구 운동의 속도에 영향을 미친다는 것을 보여준다. 참가자들은 시각적 운동 표적이 대각선 방향으로 이동하다, 잠시 가려졌다가, 다시 중앙에서 3가지 속도 조건(빨라짐, 동일함, 느려짐)으로 나타나는 시각적 목표 추적운동 과제를 수행하였다. 실제 추적 표적이 가려짐 이전 선행 표적에 비해 빠르거나 느린 속도로 움직였음에도 불구하고, 참가자들의 매끄러운 추적 안구 운동 속도는 선행 표적의 속도 방향으로 편향되었다. 이는 참가자들이 선행 자극의 속도를 기반으로 움직임 속도에 대한 사전 기대를 형성했음을 보여주는 행동적 증거이다. 이러한 결과는 움직이는 물체의 속도에 대한 시각유도 안구 추적 행동이 베이지안 추론 가설로 설명될 수 있음을 시사한다.
운동 속도 예측의 신경학적 지표를 확인하기 위해, 우리는 동일 세션 동안 뇌파(EEG)를 기록하고 Inverted Encoding Model (IEM)을 적용하여 예측된 운동 속도를 디코딩하였다. 그 결과, 참가자들의 EEG 데이터는 자극이 실제로 이동하고 있을 때 뿐만 아니라, 자극이 사라진 가려짐 구간에서도 유의미한 디코딩 성능을 나타냈다. 이는 속도에 대한 표상이 존재하며, 자극이 눈에 보일 때 뿐만 아니라 자극이 사라져도 표상이 한동안 유지된다는 것을 시사한다. 또한, 디코더는 실제 추적 표적 속도보다 선행 표적 속도(사전 기대)에 정렬했을 때 더욱 우수한 성능을 보였으며, 이는 행동실험의 결과와 마찬가지로 참가자들이 속도에 대해 강한 사전 기대를 형성했다는 증거이다. 이러한 발견은 움직이는 물체의 속도에 대한 시각유도 안구 추적 행동 과정이 베이지안 추론 가설에 따라 작동됨을 강력히 뒷받침한다.

다국어 초록 (Multilingual Abstract)

The Bayesian inference hypothesis proposes that motor behavior is generated by combining prior expectation with current sensory evidence, suggesting that motor programming relies on sensory information modulated by prediction.
Our behavioral experiments demonstrate that prior expectations about moving stimulus speed influence the velocity of smooth pursuit eye movements. Participants performed a visual target tracking task where the moving target traversed diagonally, was briefly occluded, and then reappeared centrally at three speed conditions (faster, same, or slower). Despite the pursuit target moving at different speeds compared to the preceding traverse target, participants' smooth pursuit eye movement velocity was biased toward the speed direction of the preceding target. This provides behavioral evidence that participants formed a prior expectation regarding movement speed based on the preceding stimulus, suggesting that visually guided pursuit behavior for object speed can be explained by the Bayesian inference hypothesis. To identify the neural correlates of motion speed prediction, we recorded electroencephalography (EEG) during the same session and applied an Inverted Encoding Model (IEM) to decode the predicted motion speed.
The results showed that participants' EEG data yielded significant decoding performance not only when the stimulus was actively moving but also during the occlusion period when the stimulus was absent. This suggests that the speed representation exists and is maintained for a period even after the stimulus disappears. Furthermore, the decoder exhibited superior performance when aligned to the preceding traverse target speed (prior expectation) than to the actual pursuit target speed. This finding, consistent with the behavioral results, is evidence that participants formed a strong prior expectation regarding speed. These discoveries strongly support that the process of visually guided smooth pursuit eye movements for the speed of a moving object operates according to the Bayesian inference hypothesis.

목차 (Table of Contents)

• Chapter 1. INTRODUCTION 1
• 1.1. Introduction 1
• 1.1.1. SensoryPrediction Integration and Bayesian Inference in Motion Speed Processing 1
• 1.1.2. Smooth pursuit eye movement 2
• 1.1.3. Decoding Neural Representations of Speed 3
• 1.1.4. Summary of the study 5
• Chapter 2. METHODS 7
• 2.1. Behavioral experiments for identifying the effect of speed expectation on smooth pursuit eye movements 7
• 2.2. Participants of EEG experiment 8
• 2.3. Task design of EEG experiment 9
• 2.4. Acquisition and analysis of eye movement 11
• 2.5. Acquisition and preprocessing of EEG data 12
• 2.6. Inverted Encoding Model 13
• 2.7. IEM response evaluation 16
• 2.8. Mahalanobis distance analysis 18
• Chapter 3. RESULTS 20
• 3.1. Results of behavioral experiments for identifying the effect of speed expectation on smooth pursuit eye movements 20
• 3.2. Task design and behavioral results of main task 23
• 3.3. Speed representation trained on traverse target speed 27
• 3.4. Speed representation trained on pursuit target speed 30
• 3.5. Prior vs. Sensory Driven Neural Encoding: Mahalanobis Distance Analysis 34
• Chapter 4. DISCUSSION 37
• 4.1. Behavioral-level Bayesian integration 37
• 4.2. EEG representation of sensory motion prediction 38
• 4.3. Population-level neural implementation of Bayesian speed encoding 41
• 4.4. Frequency-Specific Neural Encoding of Motion Speed 43
• References 45
• Appendix 49