¿Cómo evitan los saltamontes las colisiones?

La LGMD (del inglés <i>lobula giant movement detector</i>) es un tipo de neurona que responde de forma selectiva a objetos que se aproximan al ojo de los saltamontes.
La LGMD (del inglés lobula giant movement detector) es un tipo de neurona que responde de forma selectiva a objetos que se aproximan al ojo de los saltamontes.
Investigación
(20/01/2016)

Los saltamontes, como casi todos los animales, tratan de evitar los objetos que se acercan con rapidez; ya que es muy posible que sean un depredador o algún otro peligro para su integridad física. En el sistema nervioso existen unas neuronas encargadas de detectar estas amenazas y señalar cuándo es el momento de escapar. Matthias Keil, investigador del Instituto de Investigación en Cerebro, Cognición y Conducta (IR3C) de la Universidad de Barcelona, ha desarrollado un modelo computacional que explica matemáticamente las propiedades de estas neuronas. El nuevo modelo, publicado en la revista PLOS Computional Biology, introduce el ruido —entendido como modificaciones no deseadas de la señal original— como un elemento clave para calcular la respuesta apropiada de las neuronas. Algoritmos derivados de este modelo podrían servir para detectar colisiones a partir de imágenes y aplicarse, por ejemplo, a la conducción automática de coches o aviones.

 

La LGMD (del inglés <i>lobula giant movement detector</i>) es un tipo de neurona que responde de forma selectiva a objetos que se aproximan al ojo de los saltamontes.
La LGMD (del inglés lobula giant movement detector) es un tipo de neurona que responde de forma selectiva a objetos que se aproximan al ojo de los saltamontes.
Investigación
20/01/2016

Los saltamontes, como casi todos los animales, tratan de evitar los objetos que se acercan con rapidez; ya que es muy posible que sean un depredador o algún otro peligro para su integridad física. En el sistema nervioso existen unas neuronas encargadas de detectar estas amenazas y señalar cuándo es el momento de escapar. Matthias Keil, investigador del Instituto de Investigación en Cerebro, Cognición y Conducta (IR3C) de la Universidad de Barcelona, ha desarrollado un modelo computacional que explica matemáticamente las propiedades de estas neuronas. El nuevo modelo, publicado en la revista PLOS Computional Biology, introduce el ruido —entendido como modificaciones no deseadas de la señal original— como un elemento clave para calcular la respuesta apropiada de las neuronas. Algoritmos derivados de este modelo podrían servir para detectar colisiones a partir de imágenes y aplicarse, por ejemplo, a la conducción automática de coches o aviones.

 

Imitar la respuesta nerviosa de los saltamontes

La LGMD (del inglés lobula giant movement detector) es un tipo de neurona que responde de forma selectiva a objetos que se aproximan al ojo de los saltamontes. Numerosos estudios científicos han intentado traducir su funcionamiento a un algoritmo, cuya implementación lograría emular con plausibilidad biológica el modo en que actúan estas neuronas para diferenciar los distintos estímulos visuales y reaccionar ante las colisiones. Al contrario que otros trabajos, el estudio de la Universidad de Barcelona propone un modelo biofísico más plausible, en cuyo cálculo se utiliza el ruido.

 

Aprovechar el ruido del entorno

El ruido de un sistema es un factor molesto e indeseable en cualquiera señal; ya que puede introducir errores en la recepción. Sin embargo, en el sistema nervioso, el ruido es ubicuo e inevitable. «La fiabilidad con la que los organismos llevan a cabo su comportamiento evidencia que el sistema nervioso está diseñado de manera que sea capaz de manejar el ruido», explica Matthias Keil. «En otras palabras —continúa el investigador—, nuestro comportamiento es determinístico, no aleatorio».

Una característica común de las neuronas LGMD es que reciben información de todo el campo visual. El proceso de integración de estas señales lo lleva a cabo el árbol dendrítico de la neurona. En este estudio, el investigador propone un modelo computacional en el que se asume que cada una de las señales de entrada está contaminada por ruido y que tiene un umbral de respuesta que debe ser superado para provocar una reacción nerviosa. «Una cantidad adecuada de ruido puede ayudar a que las señales, de lo contrario indetectables, superen el umbral de detección y se inicie la respuesta de las neuronas. De esta manera, el ruido se utiliza de una forma constructiva para el cálculo de la respuesta sensible a la colisión», aclara el investigador.

 

Un algoritmo para detectar objetos que se acercan

Este modelo se ha aplicado al desarrollo de un algoritmo que detecta los objetos que se aproximan y los distingue del resto de objetos que entran en el campo visual: «El algoritmo TARGET, que sería como la retina del saltamontes, transforma secuencias de imágenes en variables ópticas como el tamaño angular de un objeto proyectado en la retina del observador y la tasa de cambio del tamaño angular, es decir, la velocidad con que se acercaría el objeto. La idea sería utilizarlo para detectar objetos en movimiento a partir de imágenes y vídeos», concluye el investigador.

 

Referencia del artículo:

M. Keil. «Dendritic pooling of noisy threshold processes can explain many properties of a collision-sensitive visual neuron». PLOS Computational Biology, octubre de 2015. Doi: 10.1371/journal.pcbi.1004479