Resumen

La cognición es un proceso complejo y dinámico. Es un objetivo esencial estimar los estados atencionales latentes basados en medidas de comportamiento en muchas secuencias de tareas conductuales. Aquí proponemos un modelo probabilístico y un marco de inferencia para estimar el estado atencional utilizando medidas conductuales simultáneas binarias y continuas. El modelo propuesto amplía el modelo de Markov oculto (HMM) estándar modelando explícitamente la distribución de la duración del estado, lo que da lugar a un ejemplo especial del modelo de semi-Markov oculto (HSMM). Validamos nuestros métodos mediante simulaciones por ordenador y datos experimentales. En las simulaciones por ordenador, investigamos sistemáticamente los impactos del desajuste del modelo y la distribución de la latencia. Para los datos experimentales recogidos de una tarea de detección visual de roedores, validamos los resultados con log-likelihood predictivo. Nuestro trabajo es útil para muchos experimentos de neurociencia del comportamiento, donde el objetivo común es inferir las secuencias de estado discretas (binarias o multinomiales) a partir de múltiples medidas de comportamiento.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:simulación por ordenador, estado atencional, datos experimentales, medidas conductuales continuas, medidas conductuales múltiples, distribución de la duración del estado, markov oculto estándar, impacto del modelo, modelo de markov oculto, tarea de detección visual
• Keywords:computer simulation, attentional state, experimental data, continuous behavioral measures, multiple behavioral measures, state duration distribution, standard hidden markov, impact of model, hidden markov model, visual detection task