文摘

人类神经系统试图最小化任何外部干扰力的作用将修改内部模型。这些修改会影响随后的运动命令生成的神经系统。自适应补偿的适当修改内部模型有助于减少人类运动的错误。在目前的研究中,我们研究了在机器人运动图像影响trial-to-trial学习适应的任务。两组受试者进行有或没有达到运动运动图像数值力场。结果表明,达到运动表现与运动图像相对更集中推广模式和更高的学习速率培训方向。

1。介绍

心理模拟各种行为可以作为工具对认知神经科学研究理论概念。运动图像,子类的心理模拟,是一个内部繁殖特定汽车的行动没有任何明显的运动输出,广泛用于提高发动机性能。的关系,潜在的神经机制激活心理排练电动机操作非常类似于在实际的物理运动的激活(1]。高活跃的大脑区域之间的重叠对象接受运动执行和运动想象(2]。它提供了运动图像的想法可能有助于学习过程中的中枢神经系统,可用于与体能训练提高电机性能(2- - - - - -5]。作为一个例子,它用于提高性能的运动员和体育人(6];有经验的音乐家运动图像用于改善复杂的空间和时间之间的协调组件的乐曲(2]。也使用,加快恢复过程中风患者和神经康复的7),运动精度和适应变化的动力学和手臂运动学(5,8]。

在当前的研究中我们考虑一系列任务的主题使达到运动的外部动力,也就是说,一个从机械机器人外部强加的力场。力场引入了重大错误与运动发生在没有任何外力的情况下。这些错误与实践逐渐淡出神经系统适应新近实施的动力;这个恢复的性能”电机适应“(9]。力场是关掉出人意料地在一些试验中适应;这些轨迹称为“抓试验”和他们帮助调查内部的属性模型,预测并中和人类神经系统更新错误。形成的轨迹在捕捉试验非常形似但相反方向的轨迹观察到突然引入力场(也称为“后效应”)。这支持的概念,基于模型的运动命令是由中枢神经系统(CNS)生成的。人类运动控制机制主要有两种模式:反馈和前馈。在早期学习阶段,内部模型进化和学习是通过感觉运动反馈机制。足够的实践后,电动机系统适应外部环境和自主经营前馈模式;这是称为“晚学习”(10]。

人类大脑制定内部模型的方式运动学习在一个方向上具有积极的影响对学习其他相邻的方向。这种影响随着不同方向的增加逐渐减少。能够运用已经学到的东西在一个上下文和其他上下文称为“泛化”运动学习。当泛化增加学习在某些情况下,它被称为“转移。”在某些情况下,减少学习和泛化导致”干扰”(11]。这表明模型进化由人类神经系统边界之外的学习训练数据和它的输出是广泛适应整个状态空间的运动命令(9]。在泛化的上下文是有害的,它通常是由于大型变更相关的学习问题相对较小上下文的变化。这与我们的实验,是一个大的变化方向,即来在环境中,都有一个关联的零钱。一般来说这也是如此;例如,驾驶汽车在相反的方向或向后计数比日常工作是困难的。

当前的工作重点是中枢神经系统如何学会控制和补偿错误想象达到运动和一个错误经历过在一个方向上如何影响达到运动在其他方向,有或没有运动图像。换句话说,一项调查由回答精神实践如何影响内部学习模型的泛化模式由中枢神经系统。我们最好的知识,达到运动的泛化关系和运动图像没有显式地学习。通过运动图像,我们意味着个人想象后续运动的受试者在实际执行它(MI组)。的主题没有任何有意识的意图开始前运动或没有在脑海中演练即将到来的运动构成了不运动图像组(No-MI组)。

在这个阶段,我们发展我们的初始假设如下。(1)运动图像影响泛化功能以这样一种方式,它传输的学习附近的方向。(2)的受试者所担负的任务精神身体行动之前会有一个高的学习速率的方向培训和相关的方向。(3)的受试者所担负的任务心理物理行动前将有一个更有针对性的推广模式对No-MI组。

剩下的纸的构成如下。部分2描述了相关工作。方法和材料部分中解释3。结果部分中概述4。结论和未来的工作包括在部分5。

2。相关工作

Mussa-Ivaldi和Bizzi研究的可能方式力场的动力学信息被认为中枢神经系统。发现运动路径基于力场的看法是一个复杂的逆动力学问题,和大脑形成一个内部模型组成的汽车原语来解决这个反问题。这个内部模型是定期更新以符合不断变化的环境和物理动力学(12]。机器人manipulandum系统被广泛用于研究的潜在动力电机命令签发中枢神经系统(13]。

先前的研究表明,运动图像有建设性的影响人类的运动性能。一直认为秘密的精神实践是一个符合成本效益,易于访问的策略来改善汽车的性能影响卒中后的身体部位(14]。Gentili等人研究了相关问题的想象力和精神体育活动可以帮助在学习过程的执行。发现虽然与体能训练科目(没有图像)有良好的学习速率比受试者接受心理训练(没有任何感觉运动反馈),然而,运动节奏和适应利率相同。作者提出,人类大脑的内部转发模型在图像提供了状态估计来提高电机性能(5]。

3所示。材料和方法

3.1。实验装置

我们认为一个行为任务为研究运动图像在trial-by-trial运动学习的效果。受试者执行中心达到运动通过一个机器人manipulandum。外部产生的力场是机器人manipulandum所需的扰动的一架飞机在运动。研究对象,必须适应新环境。这有助于研究人类运动系统图的自适应能力1(一)。

在图所示的实验装置1(一)是一样的8]。在此设置Braccio di铁机器人(见[15])是用于生成力量和记录运动路径。飞机的运动限制在只有两个维度的易于分析。Fourteen-channel脑电图记录使用金杯赛电极(g。EEGcap g。tec, OEG贵港市技术,奥地利格拉茨)。电极被放置在中央位置(Cz C3, C1, C2, C4),额位置(Fz F3, F4)壁位置(Pz P3, P4)和时间地点(T3和T4)适应国际10 - 20电极布置系统。左耳垂和右耳垂被用作参考和地面,分别。模拟脑电图信号放大和带通滤波(0.1 -100 Hz)的脑电图放大器(g。BSamp g。tec、贵港市技术OEG、奥地利)。被采样的信号赫兹(NIDAQE)和离线存储供以后分析。一个软件应用程序提供的在线反馈基于BCI2000 [16]。

3.1.1。主题

总受试者参加了这个实验。十一个受试者右手,左手的主题之一是礼物。在进行实验之前,执行筛选过程中,脑电图的所有主题模式进行了分析。在这个过程中,每个主体被要求休息3秒(基线)其次是想象手部运动2秒,总共96以这种方式进行了试验。对于每一个主题,我们确定最相关的光谱带宽和电极位置与运动图像。最敏感的光谱带宽和电极位置被用于在线反馈。我们也计算了为每个主题“确定系数”。它作为一个衡量来确定人类意图的质量,可以推断出从脑电图信号。表示为一个相关系数定义了二元信号组成的EEG信号在运动图像和任务状态信号休息期间,由脑电图信号: 在哪里从每个电极值的计算。筛选后,受试者被随机分配到两个实验协议跟随:“意象”(6主题,1米5 F,平均年龄年)和“意象”(6个科目,M和F,平均年龄年)。

3.2。实验程序

受试者在manipulandum坐在椅子上。座椅的高度和位置调整,手臂可以保持水平肩膀水平指向中心的工作空间。在正常位置,肘部和肩部关节弯曲了和,分别。实验协议显示给受试者在19′′液晶电脑屏幕上放置米之外在眼睛水平。执行的对象厘米达到动作的手。的目标是显示在一个黑色背景白色圆圈直径1厘米的出现在随机位置(八景之一,,,,,,,,)。当前位置的手随着目标是不断显示在电脑屏幕上。

实验被组织成集;每组由一个序列的48个目标陈述,与目标出现在8个不同位置,6次。每组持续了约分钟,受试者可以组之间的休息。每个运动从工作空间的中心。为了发起一场运动,举行了主题线索在起点(目标)的初始位置。一旦线索的中心目标,目标颜色改为灰色;4 s后转移到随机外八景之一,位置和变成红色。在这一点上,“意象”组受试者被要求“想象”手运动的目标。脑电图信号后被不断记录,每300 ms谱估计最计算响应频带。这个值与阈值来检测存在/缺乏与事件相关的脑电图desynchronisation (ERD)。二进制信号传送给机器人,用于改变目标的颜色,红色,黄色,绿色。“走”信号然后生成(目标颜色变成绿色),表明实际运动可能开始。 This signal can only be generated if either of the following conditions was fulfilled:(1)成功生成5 erd或主题(2)等待3秒时间限制的。

在“没有意象”的实验中,唯一的条件应用和研究对象等1.5到3秒之间的随机目标外观和“走”的信号。“走”信号,受试者被要求尽可能快速和准确。受试者鼓励保持大约持续运动时间,避免眼睛闪烁和头部动作或喉咙清算在图像和运动阶段。接下来的审判开始就这个话题光标放置在目标在中央初始位置。

运动在三种不同条件下进行:(i)空字段(机器人生成没有任何力量,目标集);(2)力场(速度力场被依赖,目标集);(3)后果(没有磁场,目标设定)。力场在试验过程中,机器人产生粘性旋度场摄动的运动。力场是垂直于瞬时速度矢量与大小与速度成正比 在那里, 的粘性系数是。手速度矢量(及其后续衍生品)在线估计的数值微分方法。在字段设置,“抓试验”插入的力场被意外关闭。一个捕获的事件概率将接受审判,对应于一个捕捉试验每方向设置。

3.3。数据分析

3.3.1。筛选

在筛选阶段,记录脑电图数据被安排到1 s长时代,意味着被删除。20阶自回归模型用于估计功率谱密度。频谱计算从0赫兹到40赫兹在每0.2赫兹,然后谱平均制成2赫兹箱96手图像试验和比较与其他时期。平均光谱变化(在休息期间条件-光谱图像谱)也在筛选过程中估计。筛选最敏感电极作了一个概述和最大ERD的变化。这个信息是在线反馈的基础。

3.3.2。在线反馈

脑电图信号记录在300 ms块,每个块的软件应用程序估计功率谱密度。在线ERD检测阈值被设定为80%的平均光谱变化的基线测量在休息期间。因此,对于每个主题的阈值是不同的,它是80%的最大光谱改变他/她可以生产。结果,一个二进制信号,也就是说,1(存在ERD)或0(无ERD)每300毫秒后生成,用于改变目标的颜色从红色到黄色的绿色。

3.3.3。熟悉会议

对于每个问题,我们测试了使用Shapiro-Wilk测量误差为正态分布,Kolmogorov-Smirnov, Lilliefors测试。原来是正常分布()。等效方差进行了测试使用哈特利,科克伦和Bartlett测试。

3.3.4。适应会话

手轨迹被取样赫兹。的和组件与一个6阶Savitzky-Golay平滑滤波器(窗口大小女士,等效的截止频率赫兹)。第一个三次导数估计以下的电机性能指标

瞄准误差。瞄准误差提供了所需的目标方向角差异和实际手运动方向运动的早期阶段,也就是说,女士从运动开始。这个错误提供了关于横向偏差的信息和被用作通用测量曲率。

学习指数。学习过程是由使用一个指标量化(提出的类似17]。这种方法独立于力场的大小和其他特定于用户的参数如手臂的净合规: 在哪里和是女士的目标领域中的错误和捕捉试验,分别。两个错误措施调整的任何偏见存在于过去的空字段集。因此,错误总是被改变从空集的错误。

3.4。状态空间建模

内部模型开发的大脑是由一组所需的原语所期望的运动轨迹转化为电机命令。在外部扰动事件,电动机命令发布其影响降到最低。因此产生的力量可以表示所需的位置和速度的原始功能(18]: 是依赖于经验的加权矩阵调整的根据是什么

原语的形状可以发现在上面的方程拟合实验数据的线性状态空间模型。这样的配合是可能的解释(17,19]。尽管如此,各种类型的模型可以用于动态系统建模,我们使用预测误差估计方法(PEM)来识别一个结构化的线性状态空间模型。PEM算法非常相似,最大似然估计用于时间序列分析(20.]。

让我们假设我们有八维输入信号用力场触发最大速度路径错误与样本数量。如果我们有数据高达Nth一组输入输出样本对可以被定义为, 这里,输入依赖于试验可能是一个力场试验(FF),简单的零场试验(NF)或零场捕获试验(C)切除后的力场; 线性状态空间模型可以表示成一个估计预测模型输出样例: 使用一个迭代过程,估计参数向量是生成的输出。都取决于样本和参数向量。表示参数化是函数定义在观测数据(20.]: 在哪里操作员和转变吗和是线性时间或移不变的过滤器,我们将指定进一步讨论。状态空间方程正解 线性状态空间模型的估计是基于假设数据已经生成的根据(11)。PEM试图最小化加权范数估计误差。在我们的例子中,只有一个输出,这个成本函数是由 在哪里是输出的估计模型,PEM产生一个输出是在最小二乘意义下最优。是错误的数据值的数量在hand-reaching实验。在成本函数估计输出应该是: 在哪里模型的输入。在这里,和的矩阵可以描述的状态空间矩阵。反过来,他们定义过滤器如下:

PEM是一个快速算法和有相似的优点,最大似然估计。然而,它需要准确的参数化和可能会陷入局部最小值。使用数值算法初始参数估计的子空间状态空间系统辨识项目输入和输出数据找到最佳状态序列(由范Overschee N4SID算法和德摩尔人21])。这些序列可以被并行银行卡尔曼滤波器的状态。通过使用这种解读,状态空间系统矩阵可以很容易地确定从给定的数据没有提供参数化非零初始条件的要求(21]。该算法使用QR分解和奇异值分解。因此,它是数值稳定的,总是收敛于一个有限的价值。有这些好处,我们用它寻找一个初始估计的状态空间矩阵的线性模型。

在我们的实验中,力场大小和方向(逆时针方向)保持不变,它的存在与否是记录使用规范化的整数; 在每个采样输入值−1表示力场的存在而值为- 1指示捕捉试验或空字段。类似的离散的标量表示力场级通过Thoroughman和Shadmehr18和史密斯和Shadmehr17]。

而不是使用坐标信息的最大错误,我们使用了实际部门合规和角误差之间的关系。推导中可以找到的细节(17]。一般来说,二维矩阵是由合规 这个二维合规矩阵可以转换为一维对立合规值在每个方向上的运动。一维合规矩阵的大小取决于力量和方向三个参数,,,,17详情)。简单地说,

我们参数化状态空间模型的矩阵的值。

3.5。衡量拟合优度

我们也比较的方差估计产出和实际的错误(见图2),占我们的模型的拟合优度。我们定义的测量(19)如下:

在哪里是一个基线通过设置矩阵模型和为零。在(11),

对于我们的实验,该模型符合相当好的对象数据(的意思和标准偏差)。相比之下,科莱考尔等人在11]不报告错误数字,尽管作者状态,选择模型参数,模型预测之间的均方误差和实际实验数据最小化。Thoroughman Shadmehr报道模型适应性实验相关的人类运动学习(18]。Donchin等人有百分偏差记录模型和实际产出(19]。Scheidt等人报告方差占(VAF)的测量误差的模型(22]。简而言之,我们的模型符合竞争结果报道在以前的基于模型的研究。

4所示。结果与讨论

图4显示了集团平均ERD模式在在线反馈。No-MI组受试者等待“走”信号,而从MI组的受试者想象即将到来的运动。然而,两组显示erd erd MI组更突出。

从模型参数发现相同方向的变化大小几乎相同的估算值。为了方便我们自由参数的数量减少通过平均参数在同一方向差异值。让矢量的方向为用户。因此,对于每一个方向,我们可以制定一个矩阵MI和No-MI科目如下: 一个新的矩阵可以定义在减少自由参数通过平均的值相似的学习速率峰值距离。每一列可以定义向量 在哪里包装在一个事件的维度流出。

4.1。模型参数的统计分析

变量Shapiro-Wilk时被发现是正态分布以及应用。设置变量的零假设来自正态分布,我们找到了值大于阈值的在所有情况下。接下来,我们比较了变量之间的关系(各方向的学习速率)属于MI和No-MI组参数统计检验命名以及。我们发现MI组学习速率高于相应的No-MI组向四面八方扩散。方向MI组的学习速率和No-MI集团()。方向MI组:;No-MI组:()。方向,MI组学习速率相比之下No-MI集团()。方向MI组:;No-MI组:()。方向,MI组学习速率相比No-MI组()。方向MI组:,而No-MI组:()。方向,MI组学习速率,而No-MI组()。方向,MI组学习的速度和No-MI群()。参见图5的情节比较MI和No-MI组。

学习在一个方向上的影响直接下一个方向也进行了分析。沿着MI组的学习迁移率,No-MI集团()。方向,MI组学习迁移率相比No-MI组()。方向;MI组:和No-MI集团:()。方向;MI组:相比No-MI组:()。方向;MI组:和No-MI集团:()。方向;MI组:和No-MI集团:()。方向;MI组:和No-MI集团:()。方向;MI组:相比No-MI组:()。参见图6MI和No-MI组之间的比较。

接下来,我们研究了MI泛化模式和No-MI组平均在每组中的所有对象,见图7。学生的以及考虑到执行结果的显著性水平。变量被发现的MI和No-MI组明显不同值< 0.05四面八方除了方向。学习速率的平均值与标准差相关联的所有用户在图所示7。必须指出学习率的绝对值的方向和为了显示容易和其他方向学习利率相比。

4.2。的见解

推广模式以及方向,,,度图所示3。从数据5,6,7很明显,受试者运动图像有较高的学习利率相比No-MI科目。排练精神集中学习速率在一个特定的方向(执行的培训)。一般,在两组trial-to-trial学习迁移下降随着定向差异的增加,但在MI组传输速率更高。在的情况下方向不同,平均泛化模式表明,均值和SD对MI广告No-MI没有显著的不同。这可以归因于这样一个事实:垂直运动是独一无二的,没有多少难以执行。因此,学习迁移并不比其他方向。所有的模型都发现有适合稳定特征值,如图8。

5。结论

在这项研究中,我们比较了两组受试者的表现(MI和No-MI)在接触运动中心力场下的任务。少数受试者在两组是本研究的局限性,并建议需要谨慎的解释我们的结果。然而,这项研究帮助我们调查试验试验汽车图像对学习的影响。原来我们最初的三个假设是真的(见部分1)。MI组有更高的学习速度和学习迁移No-MI组相比,更有针对性的推广模式。这些结果显示运动图像和显示运动的积极影响学习可以促进心理排练即将到来的运动和可以用来提高适应气候变化的速度。