Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)

Для цитирования:

Мухаммад У., Куц А. К., Максименко В. А., Храмов А. Е. Дрейф-диффузионная модель для объяснения процессов восприятия неоднозначных изображений // Известия вузов. ПНД. 2026. Т. 34, вып. 4. С. 563-587. DOI: 10.18500/0869-6632-003227, EDN: FUBZHP

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Иконка PDF and_2026-4_muhammad_et-al_563-587.pdf
(загрузок: 1)
Язык публикации: 
русский
Рубрика: 
Нелинейная динамика и нейронаука
Тип статьи: 
Научная статья
УДК: 
530.182
DOI: 
10.18500/0869-6632-003227
EDN: 
FUBZHP

Дрейф-диффузионная модель для объяснения процессов восприятия неоднозначных изображений

Авторы: 
Мухаммад Усама, АНО ВО «Университет Иннополис»
Куц Александр Константинович, Российский экономический университет имени Г.В. Плеханова
Максименко Владимир Александрович, Российский экономический университет имени Г.В. Плеханова
Храмов Александр Евгеньевич, Российский экономический университет имени Г.В. Плеханова
Аннотация: 

Цель. Продемонстрировать эффективность дрейф-диффузионной модели для описания когнитивных процессов восприятия неоднозначных визуальных стимулов на примере кубов Неккера.

Методы. Для количественного описания процессов принятия решения используется модель накопления доказательств. На её основе проводится разложение времени реакции на компоненты, связанные с накоплением информации и дополнительными когнитив ными процессами, такими как сенсорная обработка и формирование моторного ответа.

Результаты. Показано, что увеличение неоднозначности стимула приводит к снижению скорости накопления информации, релевантной для принятия решения, а также к увеличению длительности процессов, не связанных с накоплением. Обнаружено, что при низкой степени неоднозначности стимулы с различной ориентацией обрабатываются по-разному: для одной из ориен таций характерна более высокая скорость накопления информации. Кроме того, выявлено влияние предшествующего контекста: при совпадении текущего и предыдущего стимулов наблюдается сокращение времени дополнительных процессов, в то время как скорость накопления информации остается неизменной.

Заключение. Полученные резуль таты показывают, что поведенческие эффекты при восприятии неоднозначных стимулов формируются в результате взаимодействия нескольких когнитивных стадий. Используемый подход позволяет раздельно оценивать вклад этих стадий и обеспечивает более точное понимание механизмов принятия решения в условиях неопределенности.

Ключевые слова: 
дрейф-диффузионная модель
принятие решений
неоднозначные визуальные стимулы
куб Неккера
время реакции
сенсорная обработка
Список источников: 
  1. Mritunjay, Singh Sh., Kashyap N. Assessment tools for evaluating reaction time: A comprehensive review of methods and applications // Journal of Clinical and Diagnostic Research. 2025. Vol. 19, iss. 9. P. 129. DOI: 10.7860/JCDR/2025/80478.21715.
  2. Martindale A.P.L., Deane E.M., Peral-Fuster C.I., Elkelani O., Qi Z., Ribeiro-Ali S.I., Herold R.S., Westling C.E.I., Witchel H.J. Two lingering delays in a go/no-go task: mind wandering and caution/uncertainty slow down thought probe response times // Behaviour and Information Technology. 2024. Vol. 43, no. 9. P. 1729–1739. DOI: 10.1080/0144929X.2023.2291660.
  3. Tran D.M.D., Chowdhury N.S., Harris J.A., Livesey E.J. The effect of staircase stopping accuracy and testing environment on stop-signal reaction time // Behav. Res. Methods. 2024. Vol. 56, no. 1. P. 500–509. DOI: 10.3758/s13428-022-02058-1.
  4. Draheim C., Tsukahara J.S., Martin J.D., Mashburn C.A., Engle R.W. A toolbox approach to improving the measurement of attention control // Journal of Experimental Psychology: General. 2021. Vol. 150, no. 2. P. 242–275. DOI: 10.1037/xge0000783.
  5. Palmer J., Huk A.C., Shadlen M.N. The effect of stimulus strength on the speed and accuracy of a perceptual decision // J. Vis. Vol. 2005. Vol. 5, no. 5. P. 1. DOI: 10.1167/5.5.1.
  6. Maksimenko V.A., Runnova A.E., Zhuravlev M.O., Makarov V.V., Nedayvozov V., Grubov V.V., Pchelintceva S.V., Hramov A.E., Pisarchik A.N. Visual perception affected by motivation and alertness controlled by a noninvasive brain-computer interface // PLoS One. 2017. Vol. 12, no. 12. P. e0188700. DOI: 10.1371/journal.pone.0188700.
  7. Kuc A., Maksimenko V., Savosenkov A., Grigorev N., Grubov V., Badarin A., Kazantsev V., Gordleeva S., Hramov A. Studying perceptual bias in favor of the from-above necker cube perspective in a goal-directed behavior // Front. Psychol. 2023. Vol. 14. P. 1160605. DOI: 10.3389/fpsyg.2023.1160605.
  8. Bompas A., Sumner P., Hedge C. Non-decision time: The higgs boson of decision // Psychol. Rev. 2025. Vol. 132, no. 2. P. 330–363. DOI: 10.1037/rev0000487.
  9. Ratcliff R. A theory of memory retrieval // Psychol. Rev. 1978. Vol. 85, no. 2. P. 59–108. DOI: 10.1037/0033-295X.85.2.59.
  10. Ratcliff R., McKoon G. The diffusion decision model: theory and data for two-choice decision tasks // Neural Comput. 2008. Vol. 20, no. 4. P. 873–922. DOI: 10.1162/neco.2008.12-06-420.
  11. Forstmann B.U., Ratcliff R., Wagenmakers E.-J. Sequential sampling models in cognitive neuroscience: Advantages, applications, and extensions // Annu. Rev. Psychol. 2016. Vol. 67. P. 641–666. DOI: 10.1146/annurev-psych-122414-033645.
  12. Lerche V., Voss A. When accuracy rates and mean response times lead to false conclusions: A simulation study based on the diffusion model // The Quantitative Methods for Psychology. 2020;16(2):107–119. DOI: 10.20982/tqmp.16.2.p107.
  13. Annis J., Palmeri T.J. Bayesian statistical approaches to evaluating cognitive models // Wiley Interdiscip. Rev. Cogn. Sci. 2018. Vol. 9, no. 2. P. e1458. DOI: 10.1002/wcs.1458.
  14. Dutilh G., Annis J., Brown S.D., Cassey P., Evans N.J., Grasman R.P.P.P., Hawkins G.E., Heathcote A., Holmes W.R., Krypotos A.-M., Kupitz C.N., Leite F.P., Lerche V., Lin Y.-Sh., Logan G.D., Palmeri T.J., Starns J.J., Trueblood J.S., van Maanen L., van Ravenzwaaij D., Vandekerckhove J., Visser I., Voss A., White C.N., Wiecki T.V., Rieskamp J., Donkin Ch. The quality of response time data inference: A blinded, collaborative assessment of the validity of cognitive models // Psychon. Bull. Rev. 2019. Vol. 26, no. 4. P. 1051–1069. DOI: 10.3758/s13423-017-1417-2.
  15. Voss A., Nagler M., Lerche V. Diffusion models in experimental psychology // Experimental Psychology. 2013. Vol. 60, no. 6. P. 385–402. DOI: 10.1027/1618-3169/a000218.
  16. Bogacz R., Brown E., Moehlis J., Holmes P., Cohen J.D. The physics of optimal decision making: a formal analysis of models of performance in two-alternative forced-choice tasks // Psychological Review. 2006. Vol. 113, no. 4. P. 700–765. DOI: 10.1037/0033-295X.113.4.700.
  17. Gold J.I., Shadlen M.N. The neural basis of decision making // Annu. Rev. Neurosci. 2007. Vol. 30, no. 1. P. 535–574. DOI: 10.1146/annurev.neuro.29.051605.113038.
  18. Zhang J., Rowe J.B. Dissociable mechanisms of speed-accuracy tradeoff during visual perceptual learning are revealed by a hierarchical drift-diffusion model // Front. Neurosci. 2014. Vol. 8. P. 69. DOI: 10.3389/fnins.2014.00069.
  19. Leite F.P, Ratcliff R. What cognitive processes drive response biases? A diffusion model analysis // Judgment and Decision Making. 2011. Vol. 6, no. 7. P. 651–687. DOI: 10.1017/S1930297500002680.
  20. Weindel G., Gajdos T., Burle B., Alario F.-X. The decisive role of non-decision time for interpreting the parameters of decision making models // PsyArXiv Preprint, 2021. 22 p. DOI: 10.31234/osf.io/gewb3.
  21. Nunez M.D., Srinivasan R., Vandekerckhove J. Individual differences in attention influence perceptual decision making // Front. Psychol. 2015. Vol. 8. P. 18. DOI: 10.3389/fpsyg.2015.00018.
  22. Kornmeier J., Pfaffle M., Bach M. Necker cube: stimulus-related (low-level) and percept-related (high-level) EEG signatures early in occipital cortex // Journal of Vision. 2011. Vol. 11, no. 9. P. 12. DOI: 10.1167/11.9.12.
  23. Храмов А.Е., Максименко В.А., Фролов Н.С., Куркин С.А., Грубов В.В., Бадарин А.А., Андреев А.В., Казанцев В.Б., Гордлеева C.Ю., Пицик Е.Н., Писарчик А.Н. Мониторинг состояния головного мозга человека в задачах принятия решений при восприятии стимулов // Известия вузов. ПНД. 2021. T. 29, № 4. С. 603–634. DOI: 10.18500/0869-6632-2021-29-4-603-634.
  24. Chholak P., Maksimenko V.A., Hramov A.E., Pisarchik A.N. Voluntary and involuntary attention in bistable visual perception: A meg study // Front. Hum. Neurosci. 2020. Vol. 14. P. 597895. DOI: 10.3389/fnhum.2020.597895.
  25. Hramov A.E., Frolov N.S., Maksimenko V.A., Makarov V.V., Koronovskii A.A., Garcia-Prieto J., Anton-ToroL F., Maestu F., Pisarchik A.N. Artificial neural network detects human uncertainty // Chaos. 2018. Vol. 28, no. 3. P. 033607. DOI: 10.1063/1.5002892.
  26. Maksimenko V.A., Frolov N.S., Hramov A.E., Runnova A.E., Grubov V.V., Kurths J., Pisarchik A.N. Neural interactions in a spatially-distributed cortical network during perceptual decision-making // Front. Behav. Neurosci. 2019. Vol. 13. P. 220. DOI: 10.3389/fnbeh.2019.00220.
  27. Maksimenko V.A., Kuc A., Frolov N.S., Khramova M.V., Pisarchik A.N., Hramov A.E. Dissociating cognitive processes during ambiguous information processing in perceptual decision-making // Front. Behav. Neurosci. 2020. Vol. 14. P. 95. DOI: 10.3389/fnbeh.2020.00095.
  28. Maksimenko V., Kuc A., Frolov N., Kurkin S., Hramov A. Effect of repetition on the behavioral and neuronal responses to ambiguous necker cube images // Sci Rep. 2021. Vol. 11, no. 1. P. 3454. DOI: 10.1038/s41598-021-82688-1.
  29. Куц А.К., Максименко В.А., Храмов А.Е. Влияние «сенсорной предыстории» на обработку головным мозгом неоднозначных визуальных стимулов // Известия вузов. ПНД. 2022. T. 30, № 1. С. 57–75. DOI: 10.18500/0869-6632-2022-30-1-57-75.
  30. Myers C.E., Interian A., Moustafa A.A. A practical introduction to using the drift diffusion model of decision-making in cognitive psychology, neuroscience, and health sciences // Front. Psychol. 2022. Vol. 13. P. 1039172. DOI: 10.3389/fpsyg.2022.1039172.
  31. Voss A., Voss J. A fast numerical algorithm for the estimation of diffusion model parameters // Journal of Mathematical Psychology. 2008. Vol. 52, no. 1. P. 1–9. DOI: 10.1016/j.jmp.2007.09.005.
  32. Li X.S. An overview of SuperLU: Algorithms, implementation, and user interface // ACM Transactions on Mathematical Software (TOMS). 2005. Vol. 31, no. 3. P. 302–325. DOI: 10.1145/1089014.1089017.
  33. Fontanesi L. laurafontanesi/rlssm: First dev release [Electronic resouce]. Available from:linebreak urlhttps://zenodo.org/records/4562217.
  34. Kuc A.K., Kurkin S.A., Maksimenko V.A., Pisarchik A.N., Hramov A.E. Monitoring brain state and behavioral performance during repetitive visual stimulation // Appl. Sci. 2021. Vol. 11, no. 23. P. 11544. DOI: 10.3390/app112311544.
Поступила в редакцию: 
13.04.2026
Принята к публикации: 
07.07.2026
Опубликована онлайн: 
09.07.2026
Опубликована: 
31.07.2026
  • 159 просмотров