Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-3664
Main Title: On modeling data from visual psychophysics
Subtitle: A Bayesian graphical model approach
Translated Title: Über die Modellierung von Daten aus der visuellen Psychophysic
Translated Subtitle: ein Bayes'scher Ansatz mit probabilistischen graphischen Modellen
Author(s): Dold, Hannah Martina Helen
Advisor(s): Obermayer, Klaus
Granting Institution: Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Type: Doctoral Thesis
Language: English
Language Code: en
Abstract: Computermodelle sind ein wichtiges Instrument im Bereich der visuellen Psychophysik. Aus ihnen werden Experimente abgeleitet, sie bieten eine Gedankenstruktur und sie drücken unser Verständnis psychologischer Vorgänge in Formeln aus. Modelle in der visuellen Psychophysik sind entweder mechanistisch, von der Natur inspiriert und psychologische Vorgänge imitierend, oder sie sind statistisch, ausschließlich eine Zuordnung von Eingabe zu Ausgabe beschreibend. Für ein Modell, das als Bayes'sches graphisches Modell definiert ist, kann die A-posteriori-Wahrscheinlichkeit der Parameter mittels Bayes'scher Inferenz geschätzt werden. Zusätzlich zu klassischen Punktschätzern bietet die A-posteriori-Verteilung weitere Modelldiagnostiken, welche von Modell und Parametern gezogene Schlussfolgerungen beeinflussen. Ich zeige in dieser Dissertation wie visuelle Prozesse auf zwei sehr unterschiedlichen Ebenen mit einem Bayes'schen Ansatz modelliert werden können. Ein Multiskalenmodell mit einer statischen Nichtlinearität ist das Standardmodell für die frühe Mustererkennung. Man nimmt an, dass seine Parameter biologisch plausibel sind. Schlussfolgerungen über das Modell, die auf bestimmten geschätzten Parameterwerten beruhen, sind nur dann gültig, wenn die Parameter von den vorliegenden Daten beschränkt sind. Ich zeige, wie Bayes'sche Statistik zur Entdeckung von Schwachstellen im Sehmodell und von fehlenden experimentellen Daten führte. Die visuelle überprüfung der A-posteriori-Verteilung deutete Ansätze zur Verbesserung an und erlaubte mir das Sehmodell auf seine zu Grunde liegenden Psychophysikdaten anzupassen. Die psychometrische Funktion beschreibt die Beziehung zwischen Reizstärken und Verhaltensleistungen wobei die Funktionsparameter mit Daten einer einzigen Experimentalbedingung geschätzt werden. Die von mir aufgezeigten experimentellen Daten legen in manchen Situationen einen gemeinsamen Parameter über Bedingungen hinweg nahe, der eine gleichzeitige Schätzung aller Bedingungen erforderlich macht. An Stelle der Konstruktion eines komplizierteren Modells präsentiere ich, wie das Bayestheorem den Inferenzprozess auf psychometrischen Funktionen so formulieren kann, dass er gleichwertig zu einer gleichzeitigen Anpassung mehrerer Experimentalbedingungen wird. Das gemeinsame Verfahren erlaubt einen über Bedingungen geteilten Parameter auf Grundlage etablierter Routinen. Eine Gemeinsamkeit bei der Modellierung etwa von früher Mustererkennung oder mehren psychometrischen Funktionen ist, dass einige Experimentalbedingungen zusammengefasst werden. Dies bedarf Zugang zu einer erheblichen Menge an Daten. Als ich diese Arbeit begonnen habe, existierte kein passendes Hilfsprogramm um Psychophysikdaten zu handhaben. Dies, verbunden mit stark unterschiedlichen Speicherformaten und Inhalten zwischen Arbeitsgruppen und Experimenten, erschwert erneute Auswertungen oder Metastudien früherer Experimente. Ich habe eine neues Programmpaket für Python entwickelt, welches experimentelle Daten und Anmerkungen in einer Datenbank speichert und verwaltet. Es ist frei zugänglich, vom Betriebssystem unabhängig und setzt weder Wissen zur strukturierten Abfragesprache (SQL) noch zu Datenbanken voraus. Diese Dissertation stellt dar, wie eng das Zusammenspiel von Modellierung, Theorie und Experiment und wie wichtig eine gute experimentelle Grundlage für akkurate Modellierung ist. Gut formulierte Modelle, sorgfältig ausgearbeitete statistische Analysen und umfangreiche Datensätze — zusammen sind sie in der Lage als Motor für weitere Forschung zu dienen.
Computational models are an essential tool in the area of visual psychophysics. Experiments are derived from them, they provide a framework for thinking, and they formalize our understanding of psychological processes. Models in visual psychophysics can be either mechanistic, inspired by nature and imitating psychological processes, or they can be statistical, exclusively describing a function that maps input to output. If a model is defined as a Bayesian graphical model, Bayesian inference allows to estimate the parameter posterior distribution. In addition to the classical point estimate, the posterior distribution provides further diagnostics of the model that influence the conclusions drawn from the model and its parameters. In this thesis I show how we can model visual processing at two very different levels using a Bayesian approach. A multi-resolution filter model with a static nonlinearity is the standard model for early spatial vision. Its parameters are assumed to be biologically plausible. Conclusions about a model that are based on specific estimated parameter values are only valid if the parameters are constrained by the data at hand. I show that Bayesian statistics led to the discovery of weaknesses in the vision model formulation and missing experimental data. Visual inspection of the posterior suggested starting points for improvements, and allowed me to tailor the early vision model to its founding psychophysical data. The psychometric function relates stimulus intensity to behavioral performance and the function's parameters are estimated with data from a single experimental condition. I present data that suggests that in some situations a parameter is shared across conditions which would require all conditions to be estimated simultaneously. Instead of building a more complex model, I present how Bayes rule can formulate the inference procedure for psychometric functions to fit many experimental conditions in an effectively simultaneous fashion. This joint procedure allows us to estimate a common parameter across conditions on the basis of established routines. A common issue in modeling, for example, early spatial vision or a number of psychometric functions is that several experimental conditions have to be combined. This requires access to substantial amounts of data. When I started working on this thesis there was no adequate tool for handling psychophysical data. This, combined with vastly differing storage formats and contents between laboratories and experiments, makes a reanalysis or meta-analysis of earlier experiments difficult. I developed a new software package for Python that stores and manages experimental data including annotations in a database. It is open-source, operating system independent, and does neither require knowledge of the structured query language, nor of databases. This thesis demonstrates how close the interaction of modeling, theory, and experiment is, and how important a good experimental basis is for accurate modeling. Well formulated models, elaborate statistical procedures, and extensive data sets — combined they are able to work as engine for further research.
URI: urn:nbn:de:kobv:83-opus-38632
http://depositonce.tu-berlin.de/handle/11303/3961
http://dx.doi.org/10.14279/depositonce-3664
Exam Date: 14-Jan-2013
Issue Date: 15-Aug-2014
Date Available: 15-Aug-2014
DDC Class: 004 Datenverarbeitung; Informatik
Subject(s): Dosis-Wirkungs-Kurven
Menschliche Kontrastwahrnehmung
Mustererkennung
Probabilistisches graphisches Modell
Psychophysik
Dose–response model
Graphical model
Human contrast perception
Psychophysics
Spatial vision
Usage rights: Terms of German Copyright Law
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
dold_hannah.pdf15.62 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.