As redes neurais artificiais revelam como os neurônios peripersonais representam o espaço ao redor do corpo

Sabe -se que o cérebro de humanos e outros primatas executa várias funções sofisticadas, uma das quais é a representação do espaço imediatamente ao redor do corpo. Essa área, às vezes também chamada de “espaço peripersonal”, é onde a maioria das interações entre as pessoas e o ambiente circundante normalmente ocorre.

Pesquisadores da Academia Chinesa de Ciências, Instituto Italiano de Tecnologia (IIT) e outros institutos investigaram recentemente os processos neurais pelos quais o cérebro representa a área ao redor do corpo, usando modelos computacionais inspirados no cérebro. Suas descobertas, publicadas em Neurociência da naturezasugere que os campos receptivos ao redor de diferentes partes do corpo contribuam para a construção de um modelo modular do espaço imediatamente ao redor de uma pessoa ou agente de inteligência artificial (AI).

“Nossa jornada para esse campo começou realmente acidentalmente, durante experimentos não financiados por curiosidade”, disse à Medical Xpress Giandomenico Iannetti, autor sênior do artigo. “Descobrimos que o reflexo de piscar de mão, que é evocado por choque eletricamente a mão, foi fortemente modulado pela posição da mão em relação ao olho.

“Logo percebemos que esse reflexo de piscar se comportava como os chamados neurônios peripersonais, que são neurônios que respondem a objetos próximos ao corpo. Como nos familiarizamos com a literatura sobre esse tipo de neurônio, no entanto, percebemos que o MOTIMENTO EXISTENTE DE SEUS MOTORINOS VELENCIONS, FALHA MUITAS REPRESENTES EMA MOTORENTES EXISTENTES EM TEORETICA PROMUTORES,

Em vez de coletar novos dados, que poderiam ser adicionados aos dados extensos e desarticulados coletados durante estudos anteriores, Iannetti e seus colegas se propuseram a desenvolver uma nova estrutura quantitativa que esclarece por que os neurônios peripersonais observados em experimentos anteriores existem e como eles funcionam. Essa estrutura pode então ser integrada às teorias de neurociência existentes.

Para desenvolver sua estrutura, eles empregaram redes neurais artificiais (RNAs) treinadas por meio de aprendizado de reforço. Estes são modelos computacionais de inspiração cerebral que podem aprender a concluir várias tarefas com boa precisão, emulando as conexões entre os neurônios.

“Em termos simples, construímos simulações por computador de ‘animais’ simplificados, que aprenderam através de tentativa e erro a escolher ações com base em quanta recompensa ou punição essas ações trariam ao longo do tempo”, explicou Rory John Bufchi, primeiro autor do artigo.

“Nossa abordagem envolveu três etapas principais. Primeiro, nosso principal insight foi que as respostas peripersonais poderiam simplesmente refletir o valor de ações em potencial: se alcançar ou evitar objetos ambientais levaria a recompensas ou punições”.

Iannetti, Bufacchi e seus colegas levantaram a hipótese de que as respostas dos neurônios peripersonais poderiam estar associados a avaliações do ambiente imediato, especificamente em termos da extensão em que diferentes ações levariam a recompensas ou punições. Para testar essa hipótese, eles treinaram as RNS para interceptar ou evitar objetos e depois tentaram determinar se isso resultou em respostas semelhantes centradas no corpo como as anteriormente observadas no cérebro humano.

“Em seguida, propusemos um construto teórico, um ‘mapa de valor egocêntrico’, que é construído a partir de grupos de neurônios peripersonais, formando um modelo mais abstrato e preditivo do mundo próximo ao corpo que permite uma rápida adaptação a novas situações”, disse Bufacchi. “Essa idéia nos ajudou a unificar nossas descobertas com teorias mais amplas em neurociência computacional, enquadrando as respostas centradas no corpo como parte de um modelo flexível e preditivo do ambiente próximo”.

Depois de criaram seu “mapa de valor egocêntrico”, os pesquisadores o compararam às observações coletadas durante os estudos de neurociência realizados por vários laboratórios. Os dados que eles compararam incluíram gravações da atividade dos neurônios no cérebro dos macacos, bem como ressonância magnética funcional humana (fMRI), varreduras de eletroencefalografia (EEG) e padrões comportamentais observados durante os experimentos.

“Em resumo, descobrimos que os neurônios em nossos agentes artificiais desenvolveram naturalmente campos receptivos centrados no corpo que correspondiam a achados empíricos dos neurônios peripersonais biológicos, apoiando nossas suposições teóricas”, explicou Iannetti.

“Especificamente, os campos receptivos desses neurônios se expandiram com estímulos, uso de ferramentas e objetos de maior valor.

Os pesquisadores foram capazes de demonstrar que um conjunto de neurônios peripersonais pode de fato criar um mapa egocêntrico do ambiente de um primata. Eles então compararam o arcabouço teórico que haviam desenvolvido com interpretações anteriores dos neurônios peripersonais e sua função.

“Nossa teoria foi a única a atender com sucesso a extensos dados experimentais, superando explicações alternativas e fornecendo uma estrutura generalizável para entender as respostas peripersonais”, disse Iannetti.

O trabalho recente de Iannetti, Bufacchi e seus colegas contribui para o entendimento dos neurônios peripersonais no cérebro de primatas e como eles mapeiam o ambiente imediatamente ao redor do corpo de primatas ou humanos. No entanto, o insight reunido pela equipe também poderá ajudar a promover agentes incorporados de IA, sistemas robóticos e próteses,

“Esses achados têm aplicações em potencial em áreas como neuroproptética e interações humano -robot”, explicou Iannetti. “Por exemplo, os robôs podem simular mapas de valor egocêntrico para desenvolver representações adaptativas e específicas do contexto de distâncias de interação humana apropriadas, tornando a colaboração humana-robot mais natural e eficaz”.

Os pesquisadores agora planejam aproveitar suas descobertas e continuar testando a validade da estrutura que introduziram. Em seus próximos estudos, eles testarão as previsões geradas por seu modelo computacional e tentarão abordar algumas de suas deficiências.

“Por exemplo, o modelo está atualmente emoldurado em uma perspectiva de aprendizado de reforço, que carece de parâmetros explícitos para a incerteza sensorial”, acrescentou Bufacchi. “Vamos resolver isso usando diferentes molduras matemáticas, como a inferência ativa, que incorpora explicitamente a incerteza sensorial e a modelagem cognitiva do meio ambiente. Também planejamos colaborar entre laboratórios para modelar dados neuronais mais ricos, mais finos e contemporâneos”.

Escrito para você por nosso autor Ingrid Fadelli, editado por Lisa Lock, e verificou e revisado por Robert Egan-este artigo é o resultado de um trabalho humano cuidadoso. Confiamos em leitores como você para manter vivo o jornalismo científico independente. Se este relatório é importante para você, considere uma doação (especialmente mensalmente). Você vai conseguir um sem anúncios conta como um agradecimento.

© 2025 Science X Network