Authors:

Autores

Person role Person
7208
2761,455
7209
2761,455

Informations:

Pesc publication

Title
A Design Study about Winnowing Neuronal Hypotheses from the Visual Cortex
Research area
Computer Graphics
Publication type
Doctoral Thesis
Identification Number
Date
11/8/2022
Resumo

Esta tese trata da aplicação de métodos de visualização de informação à compreensão e ao aprimoramento do trabalho cognitivo de neurocientistas. Mais especificamente, relata os resultados de um estudo de design realizado com um grupo de seis pesquisadores, usando uma coleção de gravações eletrofisiológicas extracelulares do córtex visual primata obtida por eles. Apesar deste campo de pesquisa estar ativo há décadas, envolve configurações experimentais delicadas e o volume, ruído e complexidade dos dados implicam que analisar partes substanciais dos mesmos permanece desafiador e trabalhoso. No espírito da metodologia do estudo de design, uma modalidade central do campo da visualização de informação, exploramos uma destas coleções de dados com a ajuda de dois especialistas do domínio, interagindo com eles para entender quais perguntas eles têm sobre estes dados e como eles abordam sua investigação. Dado o desafio de filtrar o conjunto de observações neuronais hipotéticas, um aplicativo web para selecionar um conjunto de hipóteses limitado foi construído e quatro especialistas adicionais foram convidados a utilizar a ferramenta e relatar suas impressões. Analisamos comparativamente os dados de telemetria para determinar a regularidade e consistência de suas decisões e treinamos alguns modelos de aprendizado de máquina para aproximar suas escolhas. Descobrimos que seu processo de tomada de decisão é consideravelmente subjetivo e afetado por fatores aleatórios e difíceis de quantificar mas, no entanto, passível de aprimoramento semi-automático por tais modelos. A tese se encerra com uma intensa discussão de resultados quantitativos e qualitativos do estudo com usuários, com reflexões sobre nosso design e suas limitações e com um relato de possíveis direções para transformá-lo numa solução completa para interativamente limpar, explorar e consultar registros eletrofisiológicos do córtex visual.

Abstract

This thesis concerns the application of information visualization methods to understand and enhance the cognitive work of neuroscientists. More specifically, it reports findings of a design study conducted with a group of six researchers, using a collection of extracellular electrophysiological recordings from the primate visual cortex obtained by them. Despite being an active research field for decades, it involves delicate experimental setups and the volume, noise, and complexity of the datasets imply that analyzing substantial portions of them remains challenging and time-consuming. In the spirit of the design study methodology, a core modality of the information visualization field, we explored such a collection of data with the aid of two domain experts, interacting with them to understand what inquiries they have about this data and how they go about investigating them. Given the challenge of filtering the hypothetical neuronal observations, a web application for winnowing a limited hypothesis set was built and four additional experts were invited to use the tool and report their impressions. We performed a comparative analysis of telemetry data to determine the regularity and consistency of their decision-making and trained a handful of machine learning models to approximate their choices. We found that their decision-making process is considerably subjective and affected by random, hard-to-quantify factors but nonetheless amenable to semi-automatic enhancement by such models. The thesis closes with an intensive discussion of quantitative and qualitative results from the user study, with reflections on our design and its limitations, and with an accounting of possible directions for extending it into a full-fledged solution for interactively cleaning, exploring, and querying electrophysiological recordings of the visual cortex.

JSN_TPLFW_GOTO_TOP