Az intermodális kölcsönhatásoknak a feldolgozás pszichológiai szakaszok szerinti azonosítására olyan eljárásokat lehet kidolgozni, melyek esetleg rámutatnak, hogy az egyes modalitásokban már elemi szinten is előállhatnak olyan hatások, melyeket egy másik modalitásban adott ingerek okoznak. Az ilyen vizsgálatok szép példája Vroomen és de Gelder (2000) kísérlete. Az észlelőrendszerek a beérkező ingeregyüttesekből tárgyakat (objektumokat) alakítanak ki. Az egyik elemi folyamat ilyenkor az ingermező tagolása alakra és háttérre (közismert vizuális példa a Rubin-serleg, ahol vagy a serleg, vagy az egymás felé néző két profil az alak, illetve a háttér, de egyszerre nem látjuk serlegként és két profilként az együttest). Mint erről korábban szó esett, hasonló jelenség az akusztikus modalitásban a „láncra bontás” (Bregman, 1990). Az első olyan pszichológiai vizsgálatban, mely az észlelési szerveződés primitív szintjén működő intermodális kölcsönhatásra utal (O’Leary, Rhodes, 1984), hat pontot mutattak be, hármat a felső, hármat az alsó sorban. A pontok egymás után jelentek meg, balról jobbra, váltakozva az alsó és felső pozícióban. Lassú bemutatás esetében úgy látszik, hogy egy pont fel-le ugrál. Gyors bemutatásnál viszont két pont szalad vízszintes irányban. Van egy olyan sebesség, amikor a hangok egymagukban még nem bomlanak két láncolatra, a vizuális jelek viszont már vízszintesen mozogni látszanak. Az együttes akusztikus-vizuális bemutatásánál viszont e sebességnél a hangok is két láncolatra bomlanak. E kísérlet problematikus eleme, hogy van a hangok esetében egy olyan sebességtartomány, amikor akaratlagosan (azaz „top down” irányból) befolyásolható, hogy váltakozó hangot hallunk-e vagy két áramlást. Lehetséges, hogy a fenti kísérletben is felülről lefelé irányuló hatások szerepeltek.