Human awareness of left space may be disrupted by cerebral lesions to the right hemisphere (hemispatial neglect). Current knowledge on the anatomical bases of this complex syndrome is based on the results of group studies that investigated primarily the best known aspect of the syndrome, which is visual neglect for near extrapersonal (or peripersonal) space. However, another component-neglect for personal space-is more often associated with, than double-dissociated from, extrapersonal neglect, especially, in chronic patients. The present investigation aimed at exploring the anatomical substrate of both extrapersonal and personal neglect by using different advanced methodological approaches to lesion-function correlation. Fifty-two right ischaemic patients were submitted to neuropsychological assessment and in-depth MRI evaluation. The borders of each patient's lesion were delimited onto its own high-resolution anatomical image and then submitted to an automated spatial normalization algorithm. Besides conventional lesion density plots and subtraction analysis, region-based statistical analyses were performed on percentage values of the lesioned tissue also using a new parcellation of the white matter (WM). Data were finally submitted to voxelwise statistical analysis using a recently proposed method (voxel-based lesion-symptom mapping). Results converged in showing that awareness of extrapersonal space is based on the integrity of a circuit of right frontal (ventral premotor cortex and middle frontal gyrus) and superior temporal regions, whereas awareness of personal space is rooted in right inferior parietal regions (supramarginal gyrus, post-central gyrus and especially the WM medial to them). Common but less crucial regions for both neglect sub-types were located in the temporo-peri-Sylvian cortex. We suggest that extrapersonal space awareness critically involves a ventral circuit recently described for the exogenous allocation and reorienting of attention in space. Disruption of personal space awareness, instead, seems to be due to a functional disconnection between regions important for coding proprioceptive and somatosensory inputs, and regions coding more abstract egocentric representations of the body in space. In conclusion, present data strongly support a segregation of personal and extrapersonal spatial awareness in humans, both from a functional and an anatomical point of view.

Efficient sensory detection requires the capacity to ignore task-irrelevant information, for example when optic flow patterns created by egomotion need to be disentangled from object perception. Distinguishing self- from externally caused changes in visual input is thus an important problem that the visual system needs to solve. Predictive coding with sensorimotor mismatch detection is an attractive starting point to investigate this question computationally. Although experimental evidence for sensorimotor mismatch signals in early visual areas exists, it is not understood how it is functionally integrated into cortical networks that perform input segmentation and categorization. Our model advanced a novel, biologically plausible solution to this question, which extends predictive coding models with the ability to distinguish self-generated from externally caused optic flow. We first show that a simple three neuron microcircuit produces experience-dependent sensorimotor mismatch responses, in agreement with calcium imaging data from mice. This microcircuit is then integrated into a predictive coding neural network with two generative streams. The first stream is motor-to-visual and consists of many microcircuits in parallel. This stream learns to spatially predict optic flow resulting from self-motion and mirrors connections from motor cortex to V1. The second stream is visual-to-visual. Bidirectionally connecting Middle Temporal cortex to V1, it assigns a crucial role to the abundant feedback connections between these areas: the maintenance of a generative model of externally caused optic flow. In the model, area MT learns to segment moving objects from the background, and facilitates object categorization. Our model extends the framework of Hebbian predictive coding to sensorimotor settings, in which the agent is not a passive observer of external inputs, but actively moves - and learns to predict the consequences of its own movements.