一种触觉自动化被动式手指刺激器（TAPS）

大家好，我叫Dan Goldrich，我们现在位于麦克马斯特大学的触觉研究实验室。这位是Ingrid Cans、Brian Peters和Mike Wong。今天我们将向大家介绍触觉自动被动手指刺激器（tactile automated passive finger stimulator），简称TAPS。TAPS是一种用于测量指尖被动触觉空间分辨能力的设备，最初由我在宾夕法尼亚州匹兹堡的杜肯大学与Ingrid Cans共同开发，随后在安大略省哈密尔顿的麦克马斯特大学与Ryan和Mike一起对其进行了改进。

该设备是一种用于向指尖传递受控触觉刺激的方法，可控制刺激的施力起始速度和刺激持续时间。本视频分为三个部分。首先，我们介绍轻敲操作的基本原理。

接下来，我们展示 TAPS 的实际应用，并描述其组成部分，以便他人能够复制该设备。最后，我们演示 TAPS 可执行的多种测试协议之一：利用贝叶斯方法进行双区间力辨别取向实验。自适应追踪 TAPS 利用重力将刺激表面压在皮肤上。

重力对悬挂在杆上的质量块施加一个向下的力。该侧视图移除了多个结构，以清晰地展示装置的工作原理，受试者的手臂舒适地以俯卧位 resting 在桌面上。指尖位于桌面的一个孔洞上方。

本示意图中未显示的下方桌面上，有一个步进电机旋转圆盘，该圆盘可承载最多40个刺激物小片，并将其中一片定位至手指下方。图中以红色显示的横杆从线性驱动器的可移动滑架延伸，防止连杆发生转动。当驱动器向前推进时，连杆在重力作用下转动，将刺激物小片向上推过通道并压在皮肤上。

简单的物理原理将驱动器的速度与刺激面接触皮肤时的上升速度相关联，同时将悬挂质量的重量与触觉刺激的静态力相关联。当驱动器反向运动以使推杆回到起始位置时，刺激部件会释放圆盘，随后步进电机旋转，将另一个刺激部件移至手指下方，整个过程随之重复。此俯视图移除了手指，展示了另一次刺激循环。

注意刺激件在执行器向前移动时上升，在执行器反向时下降。为了制作刺激件，我们使用直径为半英寸、长三英寸的Delrin棒材，并在Shoreline迷你铣床上进行加工。我们使用飞刀对两端进行铣平，将棒材长度减至2.75英寸。

我们使用飞刀加工出长约两英寸、横截面为8.7毫米见方的矩形杆。在圆形端面上切出平行凹槽，形成等宽的沟槽与脊线，以加工出较大的方波形刻槽；对于较小的凹槽，则使用端铣刀进行加工。

我们使用了开缝润滑剂。在轴上放置硅胶O形圈以减少部件振动。当圆盘旋转时，此处展示了攻丝机的机械部件。当线性执行器的滑架向前移动时，悬挂的质量块在重力作用下得以下落。

该质量块的重量及其沿旋转杆到支点的距离共同决定了刺激部件接触受试者皮肤时向上的作用力。计算机控制的步进电机通过旋转刺激盘，将特定部件精确置于上方平板中隧道的正下方。在受试者按下反应按钮后，计算机指令步进电机旋转刺激盘，使另一个刺激部件准确地位于隧道正下方。

在上方的表格中。通过多个传感器监测滴定管的运动部件。反射式传感器用于检测升高的刺激件是否存在。

注意绿灯的亮起与熄灭。在实验初始化过程中，水龙头使用该传感器来精确定位旋转杆，使其位于刺激组件下方的指定距离处。此外，传感器激活后会禁用步进电机，以防止可能发生的设备损坏。

如果刺激物卡在通道中，可通过U形光电传感器确定刺激物托盘的初始位置。当粘在旋转托盘边缘的一小片硬纸板阻断红外传感器的光束时，该传感器即被激活。

刺激托盘的所有运动随后均相对于此原点位置进行计算。一个霍尔效应传感器用于设定直线执行器的原点位置。在此我们可以看到，当滑块移动至原点位置时，执行器的滑架将向前移动，同时带动转台运动。

传感器启动时，注意红灯会作为安全功能闪烁。两个类似的传感器，其中一个如图所示，用于在执行器发生故障的极小概率情况下，限制载物台的前后移动范围。

这些限位传感器可关闭执行器，防止滑座失控移动。通过设置枢轴表并仔细对齐，从执行器滑座延伸出的横杆与从枢轴点处旋转杆向下延伸的竖杆相接触。一个几乎无摩擦的金属轴承作为枢轴点，使竖杆能够自由旋转。

当驱动器的滑架向前移动时，质量块会插入一个维可牢（Velcro）篮子中，该篮子悬挂在旋转杆下方。当受试者的手臂平放在桌面上呈俯卧位时，将待测手指的远端指垫置于桌面的一个孔洞上方，刺激表面将从该孔洞中升起。为防止手指侧向移动并确保与皮肤接触，轻轻将两个底部涂有双面泡沫胶带的挡板放置在手指两侧。

借助旋转装置，将力传感器以垂直于指甲平面的角度轻压在靠近甲根部的指甲上，确保传感器施加的力在50至80克之间。该力度对受试者而言舒适，并使传感器对手指运动具有良好的灵敏度。旋转接头是一种多功能系统，可用于将各种刺激表面固定在直径为半英寸的圆柱体端面上，以施加刺激。

为了演示目的，我们将向您展示在本实验室中如何实施两区间强迫选择的触觉分辨方向辨别任务。在我们的方向辨别任务中，使用20种刺激表面，其刻槽宽度范围从最小0.25毫米到最大3.1毫米不等。每次试验包含两个按顺序呈现的刺激，其刻槽宽度相同，但方向相差90度。这些刺激均施加于手指的远端指垫。

在一种呈现方式中，沟槽沿手指长轴垂直或平行排列，而在另一种呈现方式中，沟槽沿手指长轴水平或垂直排列。呈现顺序是随机选择的。受试者通过非测试手按两个按钮中的一个来指示水平方向出现在第一个还是第二个时间间隔：若水平方向在第一次呈现，受试者按左侧按钮；若水平方向在第二次呈现，则按相应按钮。

其次，受试者将按下右侧的按钮。现在让我们来看一下受试者在一次测试过程中可能经历的情况。请注意本试验左上方显示的两个评分等级。

首先以刻度水平对齐的方式轻敲受试者的手指，其次以刻度垂直对齐的方式轻敲。在此情况下，正确的反应是按下左侧按钮。在本示例中，受试者按下了右侧按钮，属于错误反应。

这在右上角的性能图中通过一个红色的 X 表示。下一个待呈现的沟槽宽度由贝叶斯自适应算法选择，我们将在视频的下一部分更详细地讨论该算法。此试验对受试者而言应更容易完成，因为算法所选择的沟槽宽度大于前一次试验的沟槽宽度。

受试者再次呈现两个等级评分。此时，第一个等级评分呈垂直排列，第二个等级评分呈水平排列。这一次，受试者通过按下右侧按钮作出正确反应，该反应在表现图中以蓝色十字表示。

在第三次试验中，组间距略有减小，使任务难度增加。受试者再次做出了正确反应。此过程持续进行，直至完成预设的试验次数。

我们通常运行40次试验的区块，以估计每位参与者的心理物理函数。我们采用Cevi和Tyler的贝叶斯自适应SI方法的一种改进版本。在心理物理学中，心理物理函数描述了物理刺激参数（在本例中为沟槽宽度）与正确反应概率之间的关系。

根据Conserv和Tyler的方法，我们将D'建模为沟槽宽度的幂律函数。这得到一个由三个参数定义的累积正态心理计量函数，即a、B和delta A，其中阈值参数是被试能够以76%的正确率辨别其方向的沟槽宽度，这对应于DPR为1的情况。在此任务中。

在这里可以看到，当我增加阈值时，曲线向右移动；当我降低阈值时，曲线向左移动。在该任务中表现更好的受试者能够分辨更细小沟槽的方向，因此他们的曲线向左偏移。

请注意，尽管曲线随着阈值的变化沿 X 轴方向发生平移，但曲线的斜率保持不变。曲线的斜率由 B 参数决定，它反映了曲线上升的速度。

在斜率值较小时，曲线较为平缓，但可以看到随着斜率值的增大，曲线逐渐变陡。您可能还注意到，当沟槽宽度较大时，曲线趋近于1或100%。这表明当沟槽宽度足够大时，受试者将始终能够正确回答。

然而在实际情况下，受试者有时会注意力不集中，或可能意外按错反应按钮。因此，即使面对较大的沟槽宽度，他们也并非总能正确回答。换句话说，心理测量函数存在一个上限，该上限由 delta 参数（即失误率参数）决定。

现在我们已经讨论了心理测量函数的参数，接下来让我们看看贝叶斯自适应方法是如何估计这些参数的。在此测试过程中，我正在运行一个模拟被试的仿真程序，该被试的感知阈值为 1.75 毫米，斜率为 5，遗漏率为 4%。该被试的心理测量函数由左上图中的紫色曲线表示。

这条曲线就是我们试图估计的结果。右上角的图表显示了受试者在一组试验中的表现记录。如前所述，红色 X 表示错误的反应，蓝色十字表示正确的反应。

实验开始时，我们尚不清楚受试者心理测量函数的具体形态。为了体现这种不确定性，我们考虑了一系列可能的 A、B 和 delta 取值。

我们为每个 a、b、delta 三元组分配相等的先验概率。换句话说，我们在数千种可能的心理测量函数上赋予均匀的先验概率分布。随着实验的进行，我们根据受试者的回答了解到，其中某些函数比其他函数更有可能。

概率分布的不确定性或熵逐渐降低，以确定接下来应呈现哪个刺激片段。算法在每次试验完成后，计算各个沟槽宽度的预期熵值。这显示在左下角的图表中。预期熵值最低的沟槽宽度将被呈现给受试者。

该槽口宽度由左上方图表中的白色十字标记指示。此步骤对于吠叫自适应程序的效率至关重要，因为我们不断尝试通过估计并呈现能够最大化所获信息量的槽口宽度，来降低被试心理测量函数的不确定性。右下方的图表显示了斜率和阈值参数的联合后验概率分布函数（PDF）。

在此图中，白色代表高概率，黑色代表低概率。绘制此图时，我们对遗漏率参数进行了求和或边缘化处理。每次试验后，我们都会估算出受试者的阈值和斜率值。

图中红十字标记的模式表示当前对阈值和斜率的最佳估计。利用这些数值，我们可以绘制出受试者心理测量函数的估计曲线。该曲线由左上图中的绿色曲线表示。

随着我们收集的数据越来越多，估算结果会变得更加精确。联合后验概率密度函数（PDF）的范围变窄，表明我们对参数估计值的不确定性在减小。你还可以观察到，随着数据量的增加，估计出的曲线逐渐接近真实曲线的形状。

现在我们已经完成了数据收集，可以对参数进行更精确的估计。由于我们的因变量是一个阈值，我们可以通过对斜率参数进行边缘化，从而得到最准确的阈值参数估计。此处展示的是阈值参数的后验概率密度函数（PDF）。该PDF的众数即为被试阈值的最佳估计值，但该估计仍存在一定的不确定性。

这种不确定性由曲线的宽度表示。曲线越宽，我们对受试者阈值估计的置信度越低；反之，曲线越窄，我们对受试者阈值估计的置信度越高。至此，我们完成了对 taps（触觉自动被动手指刺激器）的描述。

我们希望该轻敲刺激方法能够被其他研究者复制，并推动触觉测试向标准化方向发展，近年来该领域已取得令人鼓舞的进展。如果您有任何进一步的问题，请随时与我们联系。