Effect of Saccade on Spatial Localization in the Macaque Primate Cortical Area V4

La stimulation de diverses parties du flux de traitement visuel, comme le cortex visuel primaire,est devenue l'un des défis les plus captivants de l'étude de la vision artificielle. Cependant,fournir un percept artificiel comparable à la vision naturelle est difficile en raison de la complexité du système visuel. L'un des défis majeurs des prothèses visuelles est de concevoir des dispositifs capables d'interagir efficacement avec le cortex visuel. Malgré la recherche en microsimulation visuelle, il existe un constat d'échec de ces dispositifs à mettre à jour les informations visuelles pendant les mouvements oculaires pour visualiser l'environnement. Cette faiblesse nuit à la création d'un percept similaire au système visuel naturel. De plus,les dispositifs prosthétiques visuels nécessitent une stratégie de pondération d'électrode pour générer un motif de microstimulation électrique à une position spécifique. Ces poids pour chaque électrode sont déterminés par un décodeur qui discrimine les positions. Dans des applications réelles, en présence de mouvements oculaires saccadiques, générer une perception stable nécessite une imitation des phénomènes de suppression saccadique et de déplacement sur les poids d'électrodes. Dans ce travail, nous nous concentrons sur l'effet du déplacement sur les poids de décodage attribués aux électrodes lors de la localisation en proposant un décodeur capable de décoder une position aussi précise que le système visuel réel même lors des mouvements oculaires, à l'aide d'un apprentissage automatique supervisé.

Abstract

In recent years, stimulating various parts of the visual processing stream, such as the primary visual cortex, has become one of the most captivating challenges in artificial vision studies. However, providing an artificial percept comparable with natural vision is significantly difficult due to the complexity of the visual system. One of the major challenges in visual prostheses is to design devices with the ability to effectively interact with the visual brain. Despite all assessments in visual microsimulation, there are reports regarding the failure of these devices in updating visual information during eye movements for interfacing the environment. This weakness makes difficult the creation of a percept that is similar to the natural visual system. Visual prosthetic devices need an electrode weighting strategy to generate an electrical microstimulation pattern at specific positions. These weights for each electrode are determined by a decoder that discriminates positions. In real applications, in presence of saccadic eye movements, generating a stable percept require imitation of the saccadic suppression and remapping phenomena on electrode weights. In this work, we focus on the effect of remapping on the decoding weights assigned to the electrodes during localization by proposing a decoder which is able to decode position as precise as the real visual system even during eye movements, with the assist of a supervised machine learning algorithm.