Probabilistic Models of Motor Production

N. Bernstein definierte die Fähigkeit des zentralen neuronalen Systems (ZNS) viele Freiheitsgrade eines physischen Körpers mit all seiner Redundanz und Flexibilität zu kontrollieren, als das Hauptproblem der Motorsteuerung. Er wies darauf hin, dass künstliche Mechanismen normalerweise einen, manchmal zwei Freiheitsgrade (DOF) haben; Wenn die Anzahl der DOF weiter zunimmt, wird es unerschwinglich, sie zu kontrollieren. Das Gehirn scheint jedoch eine solche Kontrolle mühelos durchzuführen. Er schlug vor, wie das Gehirn damit umgehen kann: Wenn eine motorische Fähigkeit erworben wird, schränkt das Gehirn die Freiheitsgrade künstlich ein und lässt nur ein oder zwei zu. Mit zunehmendem Schwierigkeitsgrad ”befreit” das Gehirn allmählich den zuvor festgelegten DOF und wendet bei Bedarf die Steuerung in Richtungen an, die korrigiert werden müssen, um schlielich das Steuerungsschema zu erreichen, bei dem alle DOF ”frei” sind. Dieser Ansatz zur Reduzierung der Dimension der Motorsteuerung ist auch heute noch relevant. Eine der möglichen Lösungen für das Bernstetin-Problem ist die Hypothese von motor primitives (MPs) - kleinen Bausteinen, die komplexe Bewegungen darstellen und das motorische Lernen und die Erledigung von Aufgaben erleichtern. Genau wie im visuellen System kann es von Vorteil sein, eine homogene hierarchische Architektur zu haben, die aus ähnlichen Rechenelementen aufgebaut ist. Bei der Untersuchung eines so komplizierten Objekts wie des Gehirns ist es wichtig zu definieren, auf welcher Detailebene gearbeitet wird und welche Fragen beantwortet werden sollen. David Marr schlug drei Analyseebenen vor: 1. computational, analysieren welches Problem das System löst; 2. algorithmic, Abfrage welche Darstellung das System verwendet und welche Berechnungen es durchführt; 3. implementational, herrausfinden von wie solche Berechnungen von Neuronen im Gehirn durchgeführt werden. In dieser Arbeit bleiben wir auf den ersten beiden Ebenen und suchen nach der grundlegenden Darstellung der Motorleistung. In dieser Arbeit stellen wir ein neues Modell von motorischen Primitiven vor, das mehrere interagierende latente dynamische Systeme umfasst und eine vollständige Bayessche Behandlung erlaubt. Das Modellieren im Bayessche Rahmen muss meiner Meinung nach der neue Standard für das Testen von Hypothesen in den Neurowissenschaften werden. Nur der Bayessche Rahmen gibt uns Garantien, wenn es um die unvermeidliche Fülle von latenten Variablen und Un sicherheiten geht. Die spezielle Art der Kopplung von dynamischen Systemen, basierend auf dem Produkt von Experten, vorgeschlagen haben, hat viele natürliche Interpretationen im Bayessche Rahmen. Wenn die dynamischen Systeme parallel laufen, ergibt sich eine Bayessche Cue-Integration. Wenn sie aufgrund der seriellen Kopplung hierarchisch organisiert sind, erhalten wir hierarchische Prioritäten über die Dynamik. Wenn eines der dynamischen Systeme den sensorischen Zustand repräsentiert, kommen wir zu den sensor-motorischen Primitiven. Die kompakte Darstellung, die sich aus der variationellen Behandlung ergibt, ermöglicht das Lernen einer Bibliothek motorischer Primitiven. Separat gelernt, kann die kombinierte Bewegung als Matrix von Kopplungswerten dargestellt werden. Wir haben eine Reihe von Experimenten durchgeführt, um verschiedene Modelle von Motorprimitiven zu vergleichen. In einer Reihe von 2-Alternative-Forced-Choice-Experimenten (2AFC) unterschieden die Teilnehmer natürliche und synthetisierte Bewegungen und führten so einen graphischen Turing-Test durch. Sofern verfügbar, sagte der Bayessche Modellwert die Natürlichkeit der wahrgenommenen Bewegungen voraus. Für einfache Bewegungen wie das Gehen zeigen der Bayessche Modellvergleich und psychophysische Tests, dass ein dynamisches System ausreicht, um die Daten zu beschreiben. Bei komplexeren Bewegungen wie Gehen und Winken kann die Bewegung besser als ein Zusammenschluss mehrerer gekoppelter dynamischer Systeme dargestellt werden. Wir habenauchexperimentell bestätigt, dass die Bayessche Behandlung des Modelllernens an Bewegungsdaten der einfachen Punktschätzung latenter Parameter überlegen ist. Experimente mit nichtperiodischen Bewegungen zeigen, dass sie trotz hoher kinematischer Komplexität nicht von einer komplexeren latenten Dynamik profitieren. Mit einem vollständig bayesianischen Modell könnten wir den Einfluss der Bewegungsdynamik und Pose auf die Wahrnehmung von Natürlichkeit quantitativ entflechten. Wir haben bestätigt, dass eine umfassende und korrekte Dynamik wichtiger ist als die kinematische Darstellung. Es gibt zahlreiche weitere Forschungsrichtungen. In den Modellen, die wir für mehrere Teile entwickelt haben, waren die kinematischen Teile völlig unabhängig, obwohl die latente Dynamik auf einer Reihe von interagierenden Systemen faktorisiert wurde. Die Wechselwirkung zwischen den kinematischen Teilen konnte also nur durch die latenten dynamischen Wechselwirkungen vermittelt werden. Ein flexibleres Modell würde eine Interaktion auch auf kinematischer Ebene ermöglichen. Ein weiteres wichtiges Problem betrifft die Darstellung der Zeit in Markov-Ketten. Diskrete Zeit Markov-Ketten sind eine Annäherung an die kontinuierliche Dynamik. Da angenommen wird, dass der Zeitschritt festgelegt ist, stehen wir vor dem Problem der Zeitschrittauswahl. Zeit ist auch in Markov-Ketten kein expliziter Parameter. Dies verbietet auch eine explizite Optimierung der Zeit als Parameter und eine Folgerung (Inferenz) darüber. Beispielsweise werden bei einer optimalen Steuerung die Randbedingungen normalerweise zu genauen Zeitpunkten festgelegt, was kein ökologisches Szenario ist, bei dem die Zeit normalerweise ein Parameter der Optimierung ist. Wenn Sie die Zeit zu einem expliziten Parameter in der Dynamik machen, kann dies möglicherweise Abhilfe schaffen.