On the Encoding Capacity of Human Motor Adaptation

Abstract

가변 환경에 대한 인간 동역학의 적응은 인터널 모델의 개념으로 잘 설명된다. 인터널 모델은 일반적으로 운동 피질 뉴런에서 영감을 얻은 동적 원소들의 가중치 조합으로 매개 변수화된다. 동적 원소에 대한 다양한 표현이 존재하며 각 모델은 사람의 동역학 적응의 특성을 설명하는 데 성공했다. 그러나 인터널 모델이나 동적 원소를 통한 적응의 한계는 많이 연구되지 않았다. 더불어, 인터널 모델 학습을 연구할 때 신호 의존 노이즈를 고려하는 것이 중요함에도 불구하고, 그것에 대한 연구는 거의 진행되지 않았다. 이 논문에서 우리는 다음의 가설을 검증하고자 하였다: 인코딩 공간이 클수록 학습 효과가 더 좋다. 위치 오류 수준에서 우리는 외부 환경의 훈련 양과 신호 의존 노이즈이 어떻게 상호 작용을 하는지 외부 힘장 복잡성의 조절을 통해 조사했다. 특히 우리는 연속적인 원 운동에서 새로운 캐치 트라이얼을 개발하고 원 운동 중에 인간의 인터널 모델에 의해 추정 된 힘장을 정량적으로 측정했다. 위의 두 실험 결과는 제안 된 가설을 검증 할 수 있는 충분한 증거가 되었다. 실험 결과와 가설을 검증하기 위해 동적 원소의 조합을 기반으로 한 시뮬레이션 연구도 제안되었다.

Adaptation of human dynamics to variable environments is well-explained with the concept of the internal model. The internal model is generally parametrized by a combination of motor primitives inspired from the motor cortex neurons. A variety of representations for motor primitives exists, and each model has succeeded in describing certain characteristics of dynamics adaptation. However, the limitations of adaptation explained via the internal model or motor primitives has not been thoroughly addressed in the literature. In particular, the fundamental question of how internal model learning behaves in the presence of signal-dependent noise has yet to be addressed. In this thesis, we try to verify the following hypothesis: the larger the encoding space, the better the learning. At the position error level, we investigate how the amount of training and signal-dependent noise interact to adjust the complexity of the force field. To experimentally validate our hypothesis, we perform a set of catch trials for continuous circular motions and quantitatively measure the force field estimated by a humans internal model during the motion. The above two experimental results provide evidence in support of our proposed hypothesis. A simulation study based on a combination of motor primitives is also proposed to verify the experimental results and hypotheses.