Un approccio interdisciplinare alla Complessità Percettiva

Maurizio Cardaci (cardaci@unipa.it)

Dipartimento di Psicologia
Centro Interdipartimentale Tecnologia della Conoscenza
Università degli Studi di Palermo

Floriana A. Carmeci (floriana.carmeci@unipa.it)

Dipartimento di Psicologia
Università degli Studi di Palermo

Vito Di Gesù (digesu@math.unipa.it)

Sezione Computer Science - Dipartimento di Matematica ed Applicazioni
Centro Interdipartimentale Tecnologia della Conoscenza
Università degli Studi di Palermo

Marco Elio Tabacchi (tabacchi@math.unipa.it)

Sezione Computer Science - Dipartimento di Matematica ed Applicazioni
Università degli Studi di Palermo

Abstract Ornstein (1969) circa il rapporto tra complessità dello

Adopting an interdisciplinary perspective, this paper
describes two experiments, in which we derived from
perceived time a measure of cognitive complexity, both in
acoustic and visual domains. Then we compared elapsed
time with independent physical measures of the input
complexity. Our results support a strong correlation
between the structural properties of stimuli and their
subjective processing. The theoretical interest, as well as
some potential applications of this integrated approach
to complexity, is discussed.
Sommario
Adottando una prospettiva interdisciplinare, il presente
contributo descrive due esperimenti nei quali abbiamo
derivato dal tempo percepito una misura della
complessità cognitiva, nel dominio sensoriale sia acustico
che visivo. Abbiamo quindi confrontato le stime
temporali con misure fisiche indipendenti di complessità
dell’input. I nostri risultati confermano una forte
correlazione tra le proprietà strutturali degli stimoli e la
loro elaborazione soggettiva. Sono presi in
considerazione l’interesse teorico e alcune possibili
applicazioni di tale approccio integrato alla complessità.
stimolo e tempo percepito, e riprendendo il lavoro di
Treisman (1963), il Mental Clock Model (Cardaci,
2000) prevede che:
- con stimoli complessi, il maggior impegno di
risorse cognitive rallenterà l’andamento dell’orologio
interno, inducendo il soggetto a sottostimarne la
durata;
- con stimoli semplici, per via del minor carico
cognitivo l’orologio interno andrà più velocemente,
inducendo il soggetto a sovrastimarne la durata.
Tali predizioni, che consentono non soltanto di
misurare la complessità cognitiva tramite i suoi effetti
sulla percezione temporale ma anche di confrontarla
con quella fisica, sono state testate realizzando due
esperimenti. In entrambi, le stime temporali prodotte
sono state messe a confronto con misure della
complessità fisica degli stimoli, rispettivamente sonori
(esperimento 1) e visivi (esperimento 2).
Esperimenti

Introduzione In ciascuno dei due esperimenti qui riportati, la

Nelle Scienze dell’Informazione la complessità
percettiva dipende da proprietà fisiche misurabili degli
stimoli. Essa emerge come un fenomeno strettamente
fisico, che può essere sottoposto ad un’analisi
puramente sintattica svincolata dall’osservatore
umano. Questi, dal canto suo, possiede una semantica
della complessità, legata non solo alla propria storia
socio-culturale, ma anche ai processi mentali tramite
cui il suo sistema percettivo elabora l’informazione
sensoriale. In proposito, a partire dalle intuizioni di
complessità fisica degli stimoli è stata determinata con
criteri indipendenti a priori. Nell’esperimento 1,
centrato sull’ascolto di brani musicali, è stato utilizzato
un indice basato sulla “densità”, ovvero sulla
maggiore/minore presenza di “eventi sonori” (Xenakis,
1963) nella tessitura del brano (Nattiez, 2002);
nell’esperimento 2, consistente nella presentazione di
immagini pittoriche, è stato utilizzato un modello
matematico basato su funzioni entropico-fuzzy
(Cardaci, Di Gesù, Petrou, Tabacchi, 2006).La
presentazione degli stimoli, interamente gestita dal
computer, comportava la selezione casuale e la
riproduzione automatica di brani/immagini di diversa
complessità. I partecipanti, del tutto all’oscuro degli
scopi della ricerca, dovevano quindi rispondere ad una
serie di domande generiche, che includevano quella,
realmente cruciale, sulla durata stimata dell’input.In
accordo con le previsioni del Mental Clock Model, i
risultati dei due diversi esperimenti evidenziano che
stimoli (sia visivi che uditivi) strutturalmente più
complessi sono significativamente associati ad una
sottostima della loro estensione temporale.
Esperimento 1
Stimoli Musicali
Nel presente esperimento, si è ipotizzato che la
percezione del tempo, nell’ascolto di brani musicali, sia
influenzata dalla complessità dello stimolo sonoro
percepito.
Per verificare tale ipotesi, abbiamo manipolato,
come indicatore di complessità, il parametro “densità
musicale” (Xenakis, 1963; Dowling & Harwood, 1986;
Honing, 2005), cioè la maggiore o minore presenza di
eventi sonori nella tessitura del brano (Nattiez, 2002),
rilevandone gli effetti sulla stima temporale.
Metodo
Soggetti: hanno partecipato all’esperimento, su
base volontaria, 40 soggetti (20 uomini e 20 donne,
età media di 23 anni) di estrazione universitaria, del
tutto ignari degli scopi della ricerca.
Stimoli: Per l’elaborazione degli stimoli sonori,
abbiamo utilizzato un software funzionante da music
machine, attraverso il quale sono stati gestiti
automaticamente tutti i parametri musicali di due
versioni elettroniche delle “Variazioni Goldberg” (J.S.
Bach, 1741-1742), il cui tema è stato variato in modo
tale da incrementarne la densità. Tutte le altre variabili
musicali (tonalità, ritmo, timbro, velocità di
esecuzione, intensità etc.) e la durata effettiva dei brani
(60 sec.) sono state mantenute costanti. I due file
musicali ottenuti sono stati etichettati,
rispettivamente, come V1 (bassa complessità) e V2
(alta complessità). Le partiture relative ad una sezione
dei brani V1 e V2, dalle quali si evince la differenza in
termini di densità musicale, sono presentate in Figura
1.
Procedura: I partecipanti all’esperimento (N=
40) sono stati assegnati casualmente a due diversi
gruppi (ns=20), rispettivamente associati all’ascolto
del file V1 e del file V2. Ciascun soggetto, testato
individualmente, è stato invitato ad ascoltare un brano
musicale, a conclusione del quale è stato sottoposto ad
una serie di domande generiche sul brano ascoltato,
tra le quali è stata inserita la richiesta, realmente
cruciale, di stimarne la durata, secondo un range
temporale suggerito dallo sperimentatore (0-180 sec.);
peraltro, al fine di escludere ogni possibile fonte di
distorsione, si è posta cura di indagare anche
sull’eventuale familiarità del brano/motivo musicale
proposto (che nessuno dei soggetti ha dichiarato di
conoscere).I file sonori elaborati, in formato Midi,
sono stati riprodotti attraverso il computer, in una
stanza al riparo da interferenze esterne.
Risultati
Dall’analisi dei dati emerge un significativo effetto
complessità sulla percezione temporale. Infatti, nella
condizione “alta densità”, i soggetti tendono a
sottostimare l’intervallo temporale definito dal brano
ascoltato [valor medio 80 sec.], rispetto alla
condizione “bassa densità”, nella quale, invece, si
registra una tendenza a sovrastimare la durata [valor
medio 158 sec.]. La relatività delle durate stimate è
confermata dai seguenti biases nella corrispondenza
tra unità di tempo fisico (1 sec.) e unità di tempo
percepito: nella condizione “bassa densità” 1 sec. fisico
corrisponde, infatti a ≈2.6 sec. percepiti; in quella
“alta densità”, 1 sec. fisico corrisponde invece a ≈1.3
sec. percepiti.
Peraltro, le suddette differenze tra le condizioni
densità “bassa” vs. “alta” risultano altamente
significative: l’analisi della varianza applicata alle
stime temporali prodotte (ANOVA) ha evidenziato una
forte correlazione interclasse ed una netta separazione
tra le classi [F≈95; p<0.0001].
Tali risultati dimostrano che manipolando la
densità musicale come indice di complessità, in
condizioni di stima temporale, si ottengono gli effetti
previsti dal Mental Clock Model: all’aumentare della
complessità musicale, diminuisce la stima temporale.
Esperimento 2
Stimoli Visivi
Nel presente esperimento, si è ipotizzato che anche
nel caso di stimoli visivi emergano gli effetti previsti
dal Mental Clock Model. Immagini più complesse
determinano un rallentamento del tempo percepito,
laddove il contrario si verifica con immagini più
semplici.Per verificare tali previsioni, abbiamo
dapprima derivato una misura della complessità fisica
di immagini dal modello matematico presentato più
avanti. Per mezzo di tale misura, abbiamo poi ripartito
un insieme di immagini pittoriche in due diverse
categorie: immagini ad “alta complessità” vs. a “bassa
complessità”.
Metodo
Soggetti: hanno partecipato all’esperimento, su
base volontaria, 40 soggetti (20 uomini e 20 donne,
età media di 23 anni) di estrazione universitaria, del
tutto ignari degli scopi della ricerca.
Stimoli: dopo avere testato un ampio set di
riproduzioni pittoriche, abbiamo selezionato 12
immagini (6+6), che il nostro algoritmo ha classificato
come a “bassa” (categoria I) vs. “alta” (categoria II)
complessità computazionale. Esempi delle immagini
utilizzate sono presentati in Figura 2.Procedura: I
partecipanti all’esperimento (N= 40) sono stati
assegnati casualmente a due diversi gruppi (ns=20),
associati all’osservazione di immagini appartenenti,
rispettivamente, alla categoria I e II.
Ciascun soggetto, testato individualmente, è stato
invitato a sedersi dinanzi allo schermo in posizione
comoda e rilassata, premere il tasto del mouse per dare
inizio all'esperimento, osservare l’immagine riprodotta
a video fino alla sua scomparsa. Per non influenzare i
soggetti, nella presentazione del compito si è evitato
accuratamente di menzionare termini riferiti a concetti
temporali. Dopo il periodo di osservazione (60 sec.),
ciascun soggetto è stato invitato a rispondere ad una
serie di domande generiche sull’immagine osservata,
tra le quali è stata inserita la richiesta cruciale di
stimarne il tempo di presentazione. Si è avuta, altresì,
cura di indagare sull’eventuale familiarità del
contenuto pittorico proposto (che nessun partecipante
ha riconosciuto). La selezione delle immagini
presentate e la relativa riproduzione video sono state
gestite in modalità casuale da un programma
appositamente elaborato.
Risultati
Al pari dell’esperimento sugli stimoli sonori, anche
dal presente studio è emersa una significativa
distorsione della stima temporale al variare del carico
cognitivo in relazione alla complessità fisica degli
stimoli osservati. I soggetti cui sono state presentate le
immagini appartenenti alla categoria II (alta
complessità) hanno sottostimato l’intervallo temporale
di osservazione [valor medio 63 sec.] rispetto a coloro
ai quali sono state sottoposte le immagini appartenenti
alla categoria I (bassa complessità) [valor medio 184.1
sec.]. La relatività delle durate stimate è confermata
dai seguenti biases nella corrispondenza tra unità di
tempo fisico (1 sec.) e unità di tempo percepito: nella
condizione “bassa complessità” 1 sec. fisico
corrisponde infatti a ≈2 sec. percepiti; in quella “alta
complessità”, 1 sec. fisico equivale approssimativa-
mente a 1 sec. percepito.Per verificare l’esistenza di un
significativo effetto di distorsione, abbiamo applicato
alle stime temporali prodotte l’analisi della varianza
(ANOVA), che ha evidenziato una forte correlazione
interclasse ed una netta separazione tra le classi
[F≈85; p<0.0001]. Tale dato altamente significativo
conferma che, così come per gli stimoli sonori,
variazioni nella complessità fisica di stimoli visivi
influenzano la percezione temporale, secondo la
direzione ipotizzata dal Mental Clock Model.
Misure di complessità degli stimoli
Per determinare la complessità fisica degli stimoli
abbiamo fatto ricorso a misure oggettive indipendenti:
nel caso degli stimoli musicali il criterio formale
utilizzato è stato quello della densità, come
precedentemente riportato; nel caso delle immagini, in
mancanza di un criterio formale predeterminato,
abbiamo elaborato un modello basato su algoritmi
real-time, al fine di garantirne l’implementabilità. Tali
algoritmi sono stati applicati alle immagini usate per
l'esperimento, in modo da consentire un confronto con
le stime temporali.
Operatori Locali e Globali: Considerando che il
riconoscimento di una scena attiva meccanismi diversi
secondo che si debbano analizzare le sue componenti o
invece dare un giudizio complessivo (Renninger
Walker e Malik, 2004), anche nella letteratura sulla
visione artificiale si distinguono due tipi di operatori:
locali e globali. Gli operatori globali vengono utilizzati
per derivare proprietà generali associati a valori
numerici (ad es. quanto un’immagine sia chiara o
scura…), mentre quelli locali evidenziano elementi
specifici (disegno curvilineo o rettilineo, presenza o
assenza di figure umane, complesse tessiture o tinte
piatte…).
Operatori globali e locali si completano a vicenda:
l'utilizzo di soli operatori globali tende a produrre
ambiguità e difficoltà di classificazione, a causa della
forte riduzione della quantità di informazione, mentre
i risultati degli operatori locali mettono in evidenza
proprietà dell'immagine che devono essere codificate
per poter essere classificate. Il nostro modello utilizza
sinergicamente operatori di entrambi i tipi.
Come operatore locale abbiamo scelto la
Trasformata Simmetrica Discreta DST (Di Gesù e
Valenti, 1996). Il nostro sistema visivo tende com’è
noto a concentrarsi sulle simmetrie: più punti di
interesse sono presenti, più l'immagine richiede
attenzione (Yarbus, 1961; Fournier et al., 1988).
L'operatore DST evidenzia le zone dell'immagine
nelle quali sono presenti elementi a forte simmetria
radiale, basandosi sulle misure del momento assiale di
un corpo intorno al suo centro di gravità. La DST
calcolata su un pixel (x ≡ (i, j, gij )), per n assi è data da:
! " k #$
DSTi,j = 1 − stddevk Ti,j · Ei,j
con: stddev deviazione standard per k = 0, . . . , n - 1,
del momento di second’ordine relativo all’angolo
αk = kπ/n; Cr disco digitale centrato sul pixel (i, j) di
raggio r;
 ! 2
k
Ti,j = [(x − i) sin αk − (y − j) cos αk ] · gx,y .
(x,y)∈Cr (i,j)
!
" "
Ei,j = "gx,y − gs,t " for |x − s| + |y − t| = 1.
(x, y) ∈ ∂Cr (i, j)
(s, t) ∈ ∂Cr+1 (i, j)
Il secondo operatore misura la relativa smoothness
dell’immagine calcolando il gradiente medio tra due
dischi digitali di raggio r ed r+1, con ∂Cr (i, j),
(∂Cr+1 (i, j)) punti di frontiera di Cr (i, j), (Cr+1 (i, j)).
Nel determinare il nostro indice di complessità
siamo interessati non ad una risposta a logica binaria
(come ad esempio, nel caso del riconoscimento di volti,
“è una faccia, o non lo è”), bensì alla determinazione di
quanto un'immagine sia complessa. Abbiamo scelto
come operatore globale la funzione di distanza
entropico-fuzzy (Di Gesù e Roy, 2000):
1
G0 (η) = − × (ηlog(η) + (1 − η)log(1 − η)
log(2)
una variante della funzione entropica introdotta da
!n
Termini (De Luca e Termini, 1972), con η = n i=1 |hi | ,
1
e hi i livelli di grigio dell’immagine, normalizzati
nell’intervallo [0,1]. Go soddisfa i requisiti canonici di
una funzione distanza, ed il problema della
determinazione dell'indice di complessità di
un'immagine è stato associato alla ricerca del grado di
appartenenza all'insieme delle immagini complesse, ed
a questo la distanza tra l'immagine e la più semplice
immagine realizzabile nel nostro spazio delle variabili
(nella fattispecie un'immagine completamente
uniforme). La componente entropica assicura
l'espansione del dettaglio di classificazione dove i
valori formano un cluster più fitto, ovvero all'inizio
della curva.
In Tabella 1 sono riportati i risultati
dell'applicazione alle immagini degli operatori locali e
globali prescelti. In particolare, è riportato il valor
medio ottenuto dalla funzione di distanza entropico-
fuzzy, applicata alle immagini di ogni categoria filtrate
con l’operatore DST. Come si evince dal confronto, i
risultati ottenuti sono molto ben correlati con la durata
soggettivamente percepita delle immagini (come
previsto dal Mental Clock Model la correlazione è
negativa poiché a livelli più elevati di complessità
corrispondono stime temporali più brevi). Possiamo
quindi dire che, almeno nell'ambito limitato di questo
esperimento, l'applicazione ad un’immagine
dell'operatore locale DST, e la successiva applicazione
dell'operatore globale di distanza entropico-fuzzy
forniscono un risultato numerico comparabile col
differenziale tra i tempi di esposizione allo stimolo
percepiti dai soggetti.
Discussione
La presente ricerca trae spunto, da un lato, dalla
constatazione che nella letteratura psicologica manca
un chiaro quadro teorico di riferimento sul rapporto
tra carico cognitivo dello stimolo e percezione della sua
durata, dall’altro dalla ravvisata necessità di elaborare,
nell’ambito delle discipline dell’artificial sensing, un
modello formale delle misure di complessità da
utilizzare in chiave interdisciplinare come criterio
comparativo oggettivo. A supporto delle predizioni del
Mental Clock Model, nel primo esperimento i risultati
confermano l’esistenza di un meccanismo significativo
di alterazione della percezione temporale dipendente
dalle variazioni del carico cognitivo. La durata del
secondo percepito si attesta su 1.3 sec. nel caso del
brano V2 (alta complessità), e su 2.6 sec. nel caso del
brano V1 (bassa complessità). La distorsione
temporale osservata si rivela in questo caso così forte
da giungere a raddoppiare l’unità di tempo percepita.
Tale sorprendente variazione di magnitudine induce
ad interrogarsi sulla portata dei meccanismi
neurofisiologici implicati.D’altra parte, ancora più
evidente è l’effetto prodotto dalla complessità delle
immagini nel secondo esperimento: infatti l’unità di
tempo percepita corrisponde ad un periodo di 1 sec.
per la condizione “alta complessità”, e di 3 sec. per
“bassa complessità”. Tale dato fa supporre che gli
stimoli visivi abbiano maggior pregnanza semantica
rispetto a quelli sonori, ma questa ipotesi richiede
ulteriori approfondimenti incentrati sull’utilizzo
sinergico di input visivi e sonori, anche per esplorarne
gli eventuali effetti di interazione.
Conclusioni
Ai fini di un approccio inter-disciplinare come
quello tipico delle scienze cognitive, dal presente
lavoro si possono trarre interessanti implicazioni, non
soltanto teoriche, ma anche applicative: la conoscenza
del modo in cui gli individui, in differenti condizioni di
stimolazione sensoriale, percepiscono il trascorrere del
tempo, potrebbe permettere di calibrare la
complessità, ad esempio, di contenuti multimediali in
ambienti digitali. A questo scopo, gli sviluppi futuri
della ricerca potranno riguardare un affinamento degli
strumenti di misurazione della complessità, ed una
nuova verifica del Mental Clock Model centrata sullo
studio dell’integrazione simultanea di stimoli
semplici/complessi provenienti da diversi domini
sensoriali.
 Bibliografia Renninger, L.W., e Malik, J. (2004), When is scene
recognition just texture recognition?. Vision
Block, R. A. (1974). Memory and the experience of Research, 44, pp. 2301-2311.
duration in retrospect. Memory and Cognition, 2, Treisman, M. (1963). Temporal Discrimination and
pp. 153-160. the indifference interval: implications for a model
Block, R. A. (1978). Remembered duration: effects of of the "internal clock". Psychological Monographs,
event and sequence complexity. Memory and 576.
Cognition, 6, pp. 320-326. Xenakis, I. (1963). Musiques formelles. Revue
Block, R. A. (1990). Models of Psychological Time. In Musicale, 253-254, 9-229.
R. A. Block (Ed.) Cognitive Models of Psychological Yarbus, A.L. (1961), Eye Movements and Vision, New
Time, Lawrence Erlbaum Associates, Hillsdale, NJ, York, Plenum.
pp. 1-35. Zakay, D. (1980), The Evasive Art of Subjective Time
Burt, C. D. B. (1992). Reconstruction of the Duration Measurement, in Richard Block (a cura di),
of Autobiographical Events. Memory and Cognitive Models of Psychological Time, Lawrence
Cognition, 20, pp. 124-132. Erlbaum, NewJersey.
Cardaci, M. (2000). The mental clock model. Studies
on the estimation of time, in Buccheri R., Di Gesù
V. e Saniga M. (a cura di), Studies on the Structure
of Time: from Physics to Psycho(patho)logy,
Kluwer Academic/Plenum Publishers, New York,
pp. 2754 2760.
Cardaci, M., Di Gesù, V., Petrou, M., e Tabacchi, M.E.
(2006). Classifying image complexity: a fuzzy
approach, LNAI3849, pp.305-311.
De Luca, A., e Termini, S. (1972), Information and
Control, 301.
Di Gesù, V., e Roy, S. (2000). Fuzzy measures for
image distance, in Masulli F., R., Parenti R., G. , e
Pasi G. (a cura di), Advances in Fuzzy Systems and
Intelligent Technologies, Shaker Publishing (NL).
Di Gesù, V., e Valenti, C. (1996), Symmetry operators
in computer vision. Vistas in Astronomy,
Pergamon, 40 (4), pp. 461–468.
Dowling, W.J., e Harwood, D.L. (1986). Music
Cognition, Academic Press, London.
Fournier, L.R., Eriksen C.W. e Bowd C. (1988),
Multiple-feature discrimination faster than single
feature discrimination within the same object?,
Perception and Psychophysics, 60, pp. 1384-1405.
Honing, H. (2005). Timing is tempo-specific.
Proceedings of the International Computer Music
Conference, UPF, Barcelona, pp. 359-362.
Migliore, M., Messineo, L., e Cardaci, M. (2000). A
model of the effects of cognitive load on the
subjective estimation and production of time
intervals. Biosystems, 58, pp. 187-193.
Migliore, M., Messineo, L., Cardaci, M., e Ayala, G.F.,
(2001). Quantitative Modeling of Perception and
Production of Time Intervals. Journal of
Neurophysiology, 86.
Nattiez, J.J. (2002), Enciclopedia della musica,
Einaudi, Torino, II, pp. 171-84.
Ornstein, R. (1969). On the experience of time,
Penguin Books, New York.
Poynter, W.D. (1983). Duration judgment and the
segmentation of experience. Memory and
Cognition, 11, pp. 77-82.
Figura 1. Stimoli sonori.

I suoni contrassegnati con * propongono lo stesso pattern melodico, ma all’interno di tessiture musicali
caratterizzate diversa densità di eventi sonori.

Figura 2. Stimoli visivi.

Un campione delle immagini pittoriche utilizzate per l'esperimento. Da sinistra a destra, in ordine decrescente di
complessità: categoria I (bassa complessità), Georges Braque, "Il Pesce Nero"; categoria II (alta complessità),
Nicholas Poussin, "Il Ratto delle Sabine". Durante l'esperimento le immagini sono state proposte nei loro colori
originali.

Tabella 1. I risultati dell'applicazione del modello matematico entropico-fuzzy alle immagini. Posto ad 1 il valore
corrispondente alla categoria II, è evidente la corrispondenza con i valori ottenuti negli esperimenti.

Categoria I Categoria II

stima durata 2.04 1