Name: 一维类似图灵汽车情报握手测试 (视频) | JoVE Journal
Uploaded: 2010-12-15T15:45:00.000+00:00
Duration: 14 min 5 s
Description: 学习使用远程机器人系统进行类似图灵的握手测试，通过强制选择范式评估人工握手模型与人类握手的相似性。该方法有助于研究人机交互中的关键特征并辅助诊断运动障碍。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

AK 感谢 Gerry Loeb 就提出的图灵式握手测试进行了有益的讨论。AK 和 IN 感谢 Nathaniel Leibowitz 和 Lior Botzer，他们在 2007 年参与了本实验方案最初版本的设计。本研究由以色列科学基金会（资助编号：1018/08）提供支持。SL 获克雷特曼基金会博士后奖学金资助。IN 获克雷特曼基金会和克洛尔奖学金项目资助。

1. 系统准备
<ol>
<li>硬件要求：
<ul>
<li>两台 SensAble Technologies, Inc. 公司生产的 PHANTOM 桌面机器人</li>
<li>2 个并行端口卡</li>
<li>最低系统要求：基于 Intel 或 AMD 的个人计算机；Windows 2000/XP 操作系统，250 MB 磁盘空间</li>
</ul>
</li>
<li>软件要求：
<ul>
<li>驱动程序－ 
根据计算机操作系统，从 SensAble Technologies 公司网站 <a href="http://www.sensable.com">http://www.sensable.com</a> 下载相应驱动程序</li>
<li>H3DAPI－ 
从 <a href="http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation</a> 网站的安装向导部分下载 H3DAPI 源代码，并按照说明进行安装 
我们对现有代码进行了更新，以满足原代码未涵盖的需求。更新后的文件可从握手竞赛网站 <a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html">http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html</a> 下载 
每个文件应按照上述网站说明放置到相应文件夹中 
完成修改后，下载 CMake 并编译代码。编译说明请参见 <a href="http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation</a></li>
<li>X3D 与 Python
<ul>
<li>从 <a href="http://www.python.org/download/releases/2.5.5/">http://www.python.org/download/releases/2.5.5/</a> 下载 Python 2.5 版本</li>
<li>从握手竞赛网站下载 Python 与 X3D 代码，并将代码文件放置于专用目录中，例如：“C:\codeDirectory”</li>
<li>每种握手力模型应分别编写为独立的 Python 文件。参见图 1 中弹簧力模型的示例</li>
</ul>
</li>
<li>Matlab 的 psignifit 工具箱版本 2.5.6，可从 <a href="http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/</a> 获取</li>
</ul>
</li>
</ol>
<img src="/files/ftp_upload/2492/2492fig1.jpg" alt="线性弹簧的力函数；Python 代码；位置和时间输入；计算力输出。" data-altupdatedat="1788235205000" data-alt="图 1"> 
图 1. Python 中的力函数。用于握手的弹簧力模型示例

2. 实验方案
<ul>
<li>打开命令窗口，输入以下命令切换到 Python 和 x3d 代码目录：cd C:\codeDirectory。</li>
<li>在 C:\codesDirectory 中创建一个以受试者姓名命名的文件夹。</li>
<li>运行实验时输入：h3dload code_name.x3d。</li>
<li>输入 random_file_name.txt 创建一个新的随机文件。该随机文件定义了不同握手模式出现的顺序。</li>
<li>输入受试者姓名，必须与之前创建的文件夹中的名称完全一致。</li>
<li>根据经典图灵测试的原始概念，每次实验包含三个实体：一个人类、一台计算机和一名询问者。两名受试者（人类与询问者）各自持有一个 Phantom 触觉设备的触控笔，并生成握手动作。他们需根据屏幕上显示的指令（例如：“按 Page Up 键开始第一次握手”）执行操作，以施加握手力。在以下所有方法中，每次试验包含两次握手，受试者需对二者进行比较。计算机为一个模拟的握手模型，其生成的力信号是时间以及一维手部位置及其导数的函数。 
(1)Fmodel(t) = Φ[x(t),t] 0 ≤ t ≤ T 
F[x,t] 表示任意因果算子，例如描述一维触控笔运动的非线性时变力学模型，T 为握手持续时间。在本研究中，T=5 秒。</li>
</ul>
<ol>
<li>进行“纯”测试并计算模型人类相似度等级 MHLGp 

实验开始时包含12次练习试验，其中所有握手（n=24）均为人类之间的交互，即受试者通过远程机器人系统相互握手。这些练习试验的目的是使参与者熟悉该系统中的人类握手感觉。 
在正式实验中，我们比较四种计算机模型。每个实验区块包含4次试验，在每次试验中将四种待测模型与人类握手进行对比。在每次试验的两个握手中，其中一个是由四种模型之一（计算机）生成力反馈的交互，另一个则是与真人（第二位受试者）的交互。因此，受试者同时承担了“人类”和“询问者”的角色。每个区块内试验的顺序是随机且预先确定的。整个实验包含10个区块，使得每种计算机生成的握手重复10次。此外增加一个不用于分析的初始区块，以帮助受试者总体熟悉系统和任务。 
对于每种模型，计算受试者选择该模型握手而非人类握手作为“更像人类”的比例，当模型与人类无法区分时，该比例为0.5。我们将此值乘以2，得到MHLGp，使得MHLG=0表示明显非人类特征，MHLG=1表示被测握手与人类握手无法区分。</li>
<li>进行“加权人类-模型”测试并计算模型人类相似度等级 MHLGw 

在此实验方案中，仅有一位受试者作为询问者，另一位受试者则在握手中充当人类实体。 
实验开始时包含30次练习试验，每次试验中询问者体验一次人类握手和一次计算机生成的握手，并在试验结束后判断哪一次是人类握手。若判断正确，屏幕显示“正确！”，若判断错误，则显示“错误！”提示。 
练习区块结束后，正式实验按以下方式进行：每次试验包含两次握手。其中一次握手——即刺激——询问者与来自人类和计算机握手模型组合的力进行交互： 
(2) F = αstimulus• Fhuman + (1-αstimulus)•FstimulusModel 
αstimulus 在0到1之间等间距分布，例如： 
αstimulus= {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1} 
另一次握手——即参考——是由人类与一个参考模型组合生成的固定力组合： 
(3) F = αreference• Fhuman + (1-αreference)•FreferenceModel ; αreference=0.5 

每次试验结束后，询问者需选择感觉更像人类的那一次握手。 
在每次实验中，我们比较两种测试模型和一种基础模型。 
每个实验区块包含24次试验，涵盖每种模型组合下刺激与人类力组合（公式2）的所有线性组合： 
<img src="/files/ftp_upload/2492/2492model1.jpg" alt="显示基础模型、模型I和模型II及其连接箭头的流程图。" data-altupdatedat="1788235205000" data-alt="Model 1"> 
每个区块内试验的顺序是随机且预先确定的。整个实验包含10个区块，使得每种组合重复10次。此外增加一个不用于分析的初始区块，以帮助受试者总体熟悉系统和任务。 
我们使用Matlab平台的psignifit工具箱（版本2.5.6），网址为 <a href="http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/</a>，采用约束最大似然法拟合询问者的回答数据，建立逻辑心理测量函数1，并通过偏差校正加速（BCa）自助法计算置信区间。该曲线表示询问者判断刺激握手比参考握手更像人类的概率，作为αstimulus - αreference的函数。主观相等点（PSE）从心理测量曲线的0.5阈值水平提取，表示当两种握手被感知为同样像人类时，αstimulus与αreference之间的差值。PSE用于根据以下公式计算MHLGw： 
(4) MHLGw =0.5-PSE 
若模型被感知为与参考模型同样像人类，则MHLGw值为0.5。被感知为最不像或最像人类的模型，其MHLGw值分别为0或1。</li>

<li>进行“添加噪声”测试并计算模型人类相似度等级 MHLGn 

与加权人类-模型测试类似，本测试中仅有一位询问者受试者，另一位受试者在握手中充当人类实体。练习区块的设置也与前述方法相同。 
练习结束后，在两次握手中的其中一次——即刺激——询问者与计算机握手模型进行交互。 
另一次握手——即参考——是由人类与白噪声组合生成的力，其中白噪声的频率范围经过滤波，使其频率分布与人类握手中的频率一致： 
(5) F = α • Fhuman + (1-α)•Fnoise; 
α在0到1之间等间距分布，例如： 
α = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1} 

每次试验结束后，询问者需选择感觉更像人类的那一次握手。 
本实验的结构与上述加权人类-模型测试相同。然而，加权人类-模型测试中的校准是通过比较基础模型的不同组合与该模型固定组合之间的差异实现的，而本实验中基础模型被噪声替代。 
PSE从心理测量曲线中提取，并用于定义MHLGn： 

(6) MHLGn = 1-PSE 
被感知为最不像或最像人类的模型，其MHLGn值分别为0或1。</li>
</ol>
3. 典型结果：
图2展示了每种方法中一个受试者的实验结果。三项实验中测试的模型均为两种黏弹性模型：KB1：弹簧K=50 N/m，阻尼器B=2 Ns/m；KB2：弹簧K=20 N/m，阻尼器B=1.3 Ns/m。在加权模型-人体测试中，通过将各测试模型与弹性基础模型（K=50 N/m）进行比较，评估MHLGw。
<img src="/files/ftp_upload/2492/2492fig2.jpg" alt="类人度评分比较；模型 KB1、KB2 的图表；纯测试、加权测试、噪声测试。" data-altupdatedat="1788235205000" data-alt="图 2"> 
图 2. 两种黏弹性模型在“纯测试”协议（a）、“加权模型-人类协议”（b）和“添加噪声”协议（c）下的 MHLG 值。图（b）和（c）中的误差棒表示心理测量曲线的置信区间。黑色柱表示模型的 MHLG 评分，灰色柱表示（b）中的基线模型和（c）中的噪声的 MHLG 评分。
结果表明，使用三种评估方法中的每一种，粘弹性模型 KB2 均被认为比另一种粘弹性模型 KB1 更接近人类。

<ol><li>Wichmann, F., Hill, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+psychometric+function%3A+I.+Fitting%2C+sampling%2C+and+goodness+of+fit%5BTitle%5D)+AND+%22Perception+%26+Psychophysics%22%5BJournal%5D)">The psychometric function: I. Fitting, sampling, and goodness of fit.</a> Perception & Psychophysics. 63, 1293-1293 (2001).</li>
<li>Avraham, G., Levy-Tzedek, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2009).</li>
<li>Avraham, G., Levy-Tzedek, S., Karniel, A. Neural Control of Movement, Florida, USA, , (2010).</li>
<li>Avraham, G., Levy-Tzedek, S., Peles, B. C., Bar-Haim, S., Karniel, A. Computational Motor Control Workshop, Be'er-Sheva, , (2010).</li>
<li>Karniel, A., Nisky, I., Avraham, G., Peles, B. C., Levy-Tzedek, S. EuroHaptics, Amsterdam, Netherlands, , (2010).</li>
<li>Jindai, M., Watanabe, T., Shibata, S., Yamamoto, T. The 15th IEEE International Symposium on Robot and Human Interactive Communication, Hatfield, UK, , (2006).</li>
<li>Kasuga, T., Hashimoto, M. Internatioanl Conference on Robotics and Automation, Barcelona, Spain, , IEEE. (2005).</li>
<li>Ouchi, K., Hashimoto, M. Handshake Telephone System to Communicate with Voice and Force. Proceedings of the 6th IEEE International Workshop on Robot and Human Communication, 1997 Sept 29-Oct 1, Sendai, Japan, , IEEE. 466-471 (1998).</li>
<li>Bailenson, J., Yee, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Virtual+interpersonal+touch+and+digital+chameleons%5BTitle%5D)+AND+%22Journal+of+Nonverbal+Behavior%22%5BJournal%5D)">Virtual interpersonal touch and digital chameleons.</a> Journal of Nonverbal Behavior. 31, 225-242 (2007).</li>
<li>Miyashita, T., Ishiguro, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human-like+natural+behavior+generation+based+on+involuntary+motions+for+humanoid+robots%5BTitle%5D)+AND+%22Robotics+and+Autonomous+Systems%22%5BJournal%5D)">Human-like natural behavior generation based on involuntary motions for humanoid robots.</a> Robotics and Autonomous Systems. 48, 203-212 (2004).</li>
<li>Wang, Z., Lu, J., Peer, A., Buss, M. EuroHaptics, Amsterdam, The Netherlands, , (2010).</li>
<li>IiZuka, H., Ando, H., Maeda, T. proceedings of AsiaGraph, , (2010).</li>
<li>Chaplin, W., Phillips, J., Brown, J., Clanton, N., Stein, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Handshaking%2C+gender%2C+personality%2C+and+first+impressions%5BTitle%5D)+AND+%22Journal+of+Personality+and+Social+Psychology%22%5BJournal%5D)">Handshaking, gender, personality, and first impressions.</a> Journal of Personality and Social Psychology. 79, 110-117 (2000).</li>
<li>Stewart, G., Dustin, S., Barrick, M., Darnold, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+the+handshake+in+employment+interviews%5BTitle%5D)+AND+%22Journal+of+Applied+Psychology%22%5BJournal%5D)">Exploring the handshake in employment interviews.</a> Journal of Applied Psychology. 93, 1139-1146 (2008).</li>
<li>Van Der Heide, J., Fock, J., Otten, B., Stremmelaar, E., Hadders-Algra, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Kinematic+characteristics+of+reaching+movements+in+preterm+children+with+cerebral+palsy%5BTitle%5D)+AND+%22Pediatric+research%22%5BJournal%5D)">Kinematic characteristics of reaching movements in preterm children with cerebral palsy.</a> Pediatric research. 57, 883(2005).</li>
<li>Ronnqvist, L., Rosblad, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Kinematic+analysis+of+unimanual+reaching+and+grasping+movements+in+children+with+hemiplegic+cerebral+palsy%5BTitle%5D)+AND+%22Clinical+Biomechanics-Kidlington%22%5BJournal%5D)">Kinematic analysis of unimanual reaching and grasping movements in children with hemiplegic cerebral palsy.</a> Clinical Biomechanics-Kidlington. 22, 165-175 (2007).</li>
<li>Goodale, M., Milner, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Separate+visual+pathways+for+perception+and+action%5BTitle%5D)+AND+%22Trends+in+neurosciences%22%5BJournal%5D)">Separate visual pathways for perception and action.</a> Trends in neurosciences. 15, 20-25 (1992).</li>
<li>Ganel, T., Goodale, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+control+of+action+but+not+perception+requires+analytical+processing+of+object+shape%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Visual control of action but not perception requires analytical processing of object shape.</a> Nature. 426, 664-667 (2003).</li>
<li>Pressman, A., Nisky, I., Karniel, A., Mussa-Ivaldi, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Probing+Virtual+Boundaries+and+the+Perception+of+Delayed+Stiffness%5BTitle%5D)+AND+%22Advanced+Robotics%22%5BJournal%5D)">Probing Virtual Boundaries and the Perception of Delayed Stiffness.</a> Advanced Robotics. 22, 119-140 (2008).</li>
<li>Nisky, I., Pressman, A., Pugh, C. M., Mussa-Ivaldi, F. A., Karniel, A. EuroHaptics, Amsterdam, Netherlands, , 213-218 (2010).</li>
<li>Karniel, A. Computational Motor Control. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKarniel%2C+A+%22Encyclopedia+of+Neuroscience%22">Encyclopedia of Neuroscience</a>. Binder, M. D., Hirokawa, N., Windhorst, U. , Springer-Verlag. Berlin. 832-837 (2009).</li>
</ol>

未声明任何利益冲突。

我们提出了一种通过简易远程机器人系统实施的强制选择类图灵握手测试的新方案。该方案旨在比较不同的人工握手模型，而非用于确定绝对的人类相似度。该方案已在若干学术会议上报告2-5
本文表明，该测试有助于确定运动被动特性的参数，从而获得最接近人类感受的效果。该测试可用于后续研究，以建立尽可能接近人类握手的模型。我们将在2011年夏季举办首届类图灵握手竞赛[[<a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html">http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html</a>]中使用该平台，参赛模型将根据其类人程度进行评分。理想的模型可能需要考虑人类阻抗的非线性及时变特性21、与测试者的相互适应，以及自然人类握手的许多其他方面，这些都应通过这种强制选择类图灵握手测试进行检验和排序。
所提出的测试是一维的，并通过远程机器人界面进行，因此存在局限性：它隐藏了握手的许多方面，例如触觉信息、温度、湿度以及抓握力。然而，在多项研究中，远程机器人界面已被用于探索握手6-11以及其他形式的人际互动12。此外，在本测试版本中，我们未考虑握手的持续时间、起始与释放时间、其多维特性，以及肢体接触前后手部的运动轨迹。根据个体的性别和文化背景，握手方式也存在多种类型13-14，因此，无法期望建立一个单一的、最优的类人握手模型。尽管如此，我们认为，至少在本研究的初步阶段，所提出测试的简洁性是一种优势。一旦这种一维握手的关键特征被准确表征，我们便可进一步考虑上述局限性，并相应地扩展测试内容。
需要注意的是，图灵式的握手测试可以被反转，即由计算机而非人类来判断对方的身份。在此框架下，我们提出以下反向握手假说：握手的目的是探测被握的手；根据反向握手假说，最优的握手算法——即在表现上与人类握手无法区分的算法——将最有利于区分人类与机器。换句话说，该模型将生成最佳的握手方式，使得一个经过适当调优的分类器能够有效区分人类与机器的握手特征。
如果反向握手假说确实成立，那么我们的测试将具有临床应用价值：识别患有各种神经系统运动障碍（如脑性瘫痪（CP））患者的运动功能障碍。先前的研究表明，脑性瘫痪患者与健康受试者在执行伸手动作时，其运动学参数存在差异15-16。我们最近的研究显示，通过远程机器人系统握手时，健康个体与脑性瘫痪患者在运动特征上有所不同4。这些发现进一步支持了我们的观点：通过分析和研究每个人的握手动作，可以区分运动功能受损个体与健康个体。还应注意的是，本文讨论的测试属于感知测试，而近期研究已明确区分了感知与动作17-20。未来的研究应探索该测试的三种版本，以准确评估类人握手的本质：（1）感知相似性的心理测量测试；（2）运动行为测试（运动测量测试），用于探究询问者的运动反应，该反应可能与其认知上感知到的相似性不同；（3）最终的最优判别方法，基于力和位置轨迹来区分人类与机器的握手。
一般来说，我们认为理解运动控制系统是理解大脑功能的必要条件，而这种理解可以通过构建一个与人类无法区分的人形机器人来加以证明。本研究聚焦于通过远程机器人系统进行握手。我们提出，通过使用类似图灵测试的握手测试对当前关于人类手部运动控制机制的科学假说进行排序，我们应当能够提取出人类运动控制的显著特性，或至少提取出构建一个与人类手臂无法区分的人工肢体所必需的显著特性。

<table><tbody><tr><td>两台 PHANTOM 桌面机器人</td><td>SensAble, Geomagic</td><td></td><td>2 个并行端口卡&lt;br/&gt;最低系统要求：基于 Intel 或 AMD 的个人计算机；Windows 2000/XP，250 MB 硬盘空间</td></tr><tr><td>SensAble 技术驱动程序</td><td>SensAble, Geomagic</td><td></td><td>&lt;a href=&quot;http://www.sensable.com">http://www.sensable.com&lt;/a&gt;</td></tr><tr><td>H3DAPI 源代码</td><td>H3DAPI</td><td></td><td>&lt;a href=&quot;http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation&lt;/a&gt;</td></tr><tr><td>Python 2.5</td><td>Python 产品</td><td></td><td>&lt;a href=&quot;http://www.python.org/download/releases/2.5.5/">http://www.python.org/download/releases/2.5.5/&lt;/a&gt;</td></tr><tr><td>x3d 代码</td><td></td><td></td><td></td></tr><tr><td>psignifit 工具箱版本 2.5.6</td><td>Matlab</td><td></td><td>&lt;a href=&quot;http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/&lt;/a&gt;</td></tr></tbody></table>

一维图灵类握手测试用于运动智能评估

One Dimensional Turing-Like Handshake Test for Motor Intelligence

在图灵测试中，如果一个计算机模型能够生成与人类回答无法区分的答案，则被认为具有“智能思维”能力。然而，该测试仅限于机器智能的语言层面。大脑的一个显著功能是运动控制，而人手的运动正是这一功能的复杂体现。因此，我们提出一种类似于图灵测试的握手测试，用于评估机器的运动智能。我们通过一个远程机器人系统实施该测试，其中询问者需握住一个机器人触控笔，并与另一方（人类或人工系统）进行互动。我们不直接询问该互动对象是人类还是计算机程序，而是采用双选强制选择法，要求询问者判断两个系统中哪一个更像人类。我们根据模型与人类握手动作的相似程度，提取一个定量评分，并将其命名为“模型类人度评分”（Model Human-Likeness Grade, MHLG）。我们提出了三种估计MHLG的方法：（i）通过计算认为该模型比真实人类更像人类的受试者所占比例；（ii）通过比较人类与模型握手动作的两个加权和，拟合心理物理学曲线，并提取主观相等点（PSE）；（iii）通过将给定模型与人类信号和随机信号的加权和进行比较，拟合询问者的回答数据，得到心理物理学曲线，并提取加权和中人类成分权重的主观相等点。总体而言，我们提供了一套用于测试人类握手动作计算模型的协议。我们认为，构建模型是理解任何现象的必要步骤，而在本例中，这有助于理解产生人类握手动作的神经机制。

我们通过远程机器人系统实施了一种类似于图灵测试的握手测试，其中测试者手持机器人触控笔并与另一方（人类或人工实体）进行互动。我们采用强制选择方法，并提取用于衡量人工模型与人类握手相似程度的指标。

在图灵测试中，如果计算机模型生成的答案与人类给出的答案无法区分，则认为该模型“具有智能思维”。

本实验的总体目标是确定握手的计算机模型与人类握手的相似程度。首先，通过远程机器人接口向受试者呈现成对的握手感受，这些握手感受可能来自真人、计算机生成，或两者的组合。实验的第二步是要求每位受试者在每一对握手感受中，选择哪一个更像人类的握手。该流程的最后一步是根据受试者的回答计算出手感模型的人类相似度等级，即模型人类相似度等级（MHLG）。最终，可通过类似图灵测试的握手测试获得结果，显示出不同模型之间的MHLG存在显著差异。图灵测试实际上仅局限于语言智能领域，而科学家和工程师在运动行为的运动控制方面观察到人工智能与自然智能之间存在巨大差距。许多科学家曾思考过这种运动版本的图灵测试，但直到最近，可后退、可驾驶的机器人装置才在研究实验室中得到广泛应用，从而推动了一种类似于握手测试的简单、可重复实验方案的实施。该方法有助于回答人机交互领域的一些关键问题，例如，人类手臂运动中哪些关键特征能够带来自然的人类触感体验。该技术的应用还延伸至对运动功能障碍（如脑瘫）的诊断。下一步是构建一种机器人诊断设备，能够区分正常的与受损的人类握手。该方法的视觉演示至关重要，因为通过远程机器人系统实现的握手动作并不自然，需要花费时间和练习才能学会如何操作并与机器人进行交互。根据经典图灵测试的原始概念，握手实验包含三个实体：一个人类、一台计算机和一名询问者。询问者与人类受试者同处一室，但被屏幕隔开，因此询问者无法看到是计算机还是人类在生成握手动作。这些握手并非直接的物理握手，而是通过一种机械遥操作机器人接口来实现，该接口在人类握手的情况下由两个Phantom桌面机器人组成，而在计算机握手的情况下则由一个Phantom机器人和相应软件组成。当计算机屏幕上出现“握手”一词时，询问者与人类受试者会立即通过垂直移动遥操作机器人接口的触控笔来执行握手动作。测试者的任务是通过比较两次握手，选择哪一次更像人类的握手：按 Home 键或 F1 键选择第一次握手，按 End 键或 F2 键选择第二次握手。本视频展示的三种实验方案在所比较握手的组成上有所不同。第一种方案是纯图灵测试方案，即在人类握手与计算机生成的握手之间进行选择。第二个方案包含由人工施加力和计算机生成力以不同组合构成的握手。第三个方案包含由人工施加的握手力与噪声的不同组合，或完全由计算机生成的力。实验过程中，系统将自动创建一个随机文件，并提示输入该随机文件的名称。如果文件已存在，系统将使用现有文件；否则，系统会自动生成一个具有指定名称的新随机文件。该随机文件定义了不同握手过程发生的顺序。纯协议从12次练习试验开始，每次包含两次握手，即人类与询问者通过远程机器人系统共握手24次。询问者知晓此阶段其与人类握手。这些练习试验的目的是使参与者熟悉远程机器人交互界面。练习轮次结束后，进行一个包含四次试验的试验组，每次试验中按随机顺序将人类握手与四种计算机模型握手之一进行比较，如此处示例所示。例如，在第一组的第一个试验中，测试者进行两次握手。第一次握手由人产生，第二次握手由计算机根据模型三规定的力生成。然后，测试者在第一次握手和第二次握手之间进行选择，以判断哪一次握手更像人类的握手。例如，如果测试者认为第一次握手更像人类的握手而选择了它，则说明测试者选中了人类产生的握手。然而，在下一次试验中，测试者不会被告知其是否正确识别了人类的握手。测试者的第一次握手是与计算机生成的模型二进行，第二次握手是与人类进行。测试者需再次选择最像人类的握手。以类似方式再进行两次试验。测试其余两个模型，即模型一和模型四，与人类握手进行对比。至此完成一组试验。实验包含11个区组，每个区组由四个试验组成，四种模型握手以随机顺序在每个区组中呈现。第一个区组为练习区组，分析基于剩余的10个区组进行。完成实验的10个区组后，每种模型握手均已与人类握手进行了10次测试。完成11个实验区块后，将为四个受试模型中的每一个计算出一个模型拟人等级。该分析通过计算受试者认为模型握手比人类握手更像人类握手的握手次数所占比例来进行。例如，如果测试者在10次握手中有2次选择模型握手而非人类握手，则模型与人类的比例为0.2，将此比例乘以2，即可得到该模型的拟人等级。对于每个模型，若其在10次试验中有2次被选为更像人类，则该模型的比例为0.2，其模型类人等级为0.4。若模型三在10次试验中有4次被选为更像人类，则其比例为0.4，其模型类人等级为0.8。若某一模型与人类无法区分，则其计算出的比例为0.5，模型类人等级为1。如果一个模型明显是非人类的，例如其模型的人类相似度等级为零。MHLG 的上限为一。在本协议中，生成的握手动作与人类部分模型分离，其特定组合在试验中从完全计算机生成的握手到完全人类握手的范围内变化。因此，这组实验被称为加权人类模型测试。该方案首先进行练习阶段，以帮助询问者学会识别纯人类握手，并熟悉实验装置。因此，练习阶段包含30次试验，用于比较纯人类握手与计算机生成握手。每次试验结束后，测试者需判断两种握手方式中哪一种更像人类的握手。如果测试者正确识别出人类的握手方式，屏幕将显示“正确”。如果测试者未能选择正确的握手方式，则会出现“错误”提示，测试者可重新进行上一次的练习试验。练习阶段结束后，测试者开始一系列试验，以评估两种握手。这两种握手分别为刺激握手和参考握手，每种握手均为人体与模型施加力的组合。在参考握手中，测试者感受到的握手力是人体产生的力与计算机生成模型产生的力的等量混合。换句话说，当人类参与者做出握手动作时，该握手仅构成询问者所感知到的力的50%，其余50%的力来自刺激握手中的模型；因此，询问者所感受到的握手是人类产生的力与计算机生成模型产生的力不断变化的混合。在某些刺激握手过程中，人类贡献的比例超过一半，因而高于参考握手中的比例；而在其他刺激握手过程中，人类贡献的比例则低于一半，因而低于参考握手中的比例。每次试验结束时，要求询问者选择感觉更像人类握手的那一次。本实验比较了三种模型，包括两个测试模型和一个基础模型。与纯协议相同，该协议以一个未经分析的区块开始，随后进行10个实验区块。每个实验区组包含24次试验，涵盖三种模型组合中每种情况下模型与人类的八种线性组合。完成10个实验区组后，将对审问者的回答拟合一条逻辑心理测量函数。如配套文章所述，所得曲线显示了审问者做出判断的概率。为了回答这一问题，刺激握手比参考握手更接近人类行为。根据刺激α值减去参考α值的结果，从心理测量曲线的0.5阈值水平提取主观相等点（PSE），该点表示当刺激α与参考α之间的差异使得两种握手被感知为具有相同程度的人类相似性时的数值。加权人类模型协议的人类相似性评分通过将PSE从0.5中减去得到：当模型被感知为最不具人类特征或最具人类特征时，其人类相似性评分分别为0或1。最终协议将模型握手与部分人类、部分随机噪声的握手进行比较。在此方案中，刺激握手是基于模型的计算机生成握手。另一种握手，即参考握手，是由人类握手与白噪声的不同组合产生的力，其最大绝对力为 2 N，通过五阶低通巴特沃斯滤波器在最大频率为 2/π 处进行滤波。每次试验结束时，要求询问者选择感觉更像人类的握手。该方案的设计与之前加权人类模型测试类似。在完成一次练习轮次和一个不进行分析的区块后，按以下方式运行一系列10个实验区块。PSE从前述心理测量曲线中提取，并用于定义在添加噪声方案中的人类相似性等级模型。该图展示了纯协议下的实验结果，并将人类握手与两种不同的模型握手进行了比较。图中两个数据点分别表示名为 KB one 和 KB two 的两种黏弹性模型所计算出的拟人化等级评分。结果表明，模型 KB two 被感知为比模型 KB one 更接近人类握手。该图展示了加权模型人类协议的结果，该协议将不同比例的模型人类握手与固定50:50比例的模型人类握手进行了比较。黑色标记代表测试模型的模型人类相似度评分，灰色标记代表基础模型的评分。误差线表示心理测量曲线和置信区间。该图展示了添加噪声实验的结果，该实验将模型握手与具有不同人-噪声成分比例的握手进行了比较。黑色标记代表模型的人类相似度评分，灰色标记代表噪声的人类相似度评分。误差线表示心理测量曲线的置信区间。这些结果表明，使用三种评估方法，粘弹性模型 KB 二均比粘弹性模型 KB 一更被感知为类人。在执行该操作过程中，重要的是要正确与机器人设备进行交互，并尽可能使交互过程平滑。遵循此操作流程后，还可采用其他方法，例如在广泛性发育障碍中测试或识别人类握手行为，以回答更多问题，例如：广泛性发育障碍如何影响区分人类与非人类手势的能力？如今，在该技术开发完成后，有望为将握手用作识别工具开辟道路。我们假设握手的目的是为了了解对方的一些信息。因此，我们提出的人类握手模拟方法也有助于开发握手分类系统，该系统能够从对方的握手方式中提取相关信息。观看本视频后，您将能够充分理解如何执行一维巡游式握手测试，以及如何评估提交至首届国际巡游式握手测试大赛的握手模型。

one-dimensional-turing-like-handshake-test-for-motor-intelligence

Research

科研

JoVE Journal

Neuroscience

神经科学

一维类似图灵汽车情报握手测试

由于灵巧的手部操作能力主要是灵长类动物的特征，因此已在猕猴中开发出行为学任务。四种测量手部操作能力和力量的伸手抓握取物任务可用于评估中枢神经系统损伤后的功能恢复情况，并检验治疗效果。...

非人灵长类动物手动灵巧性的行为评估

本视频演示了阶梯实验，用于评估右侧大脑损伤的偏侧帕金森病大鼠的运动功能。该损伤会破坏多巴胺信号传导，导致左侧前爪控制能力受损，从而使得左侧阶梯上残留更多的食丸，表明存在运动功能障碍。...

用于偏侧帕金森病大鼠运动功能评估的阶梯实验

我们介绍一种基于虚拟现实的新颖实验装置，该装置通过主动控制一只手来提高另一只（未经训练的）手的运动技能表现。该方法通过提供实时的、基于运动的感官反馈，使未经训练的手产生正在运动的感知。这种新方法可用于增强单侧轻偏瘫患者的康复效果。...

利用虚拟现实将运动技能知识从一只手转移到另一只手

本文描述了一种可量化大鼠前臂旋后动作的半自动化任务。大鼠伸手抓握并旋动一个球形操作装置。如果旋转角度超过用户设定的阈值，大鼠将获得一粒食物奖励。与传统任务相比，该任务提高了实验通量、对损伤的敏感性以及结果的客观性。...

旋钮旋后任务：一种评估大鼠前肢功能的半自动化方法

我们介绍了足部踏步序列反应时间（SRT）任务。这种改进的SRT任务不仅涉及传统的仅需手指按压的动作，更贴近日常序列活动，使研究人员能够研究离散反应测量背后的动力学过程，并解析隐性序列学习中显性过程的作用机制。...

内隐运动序列学习中的“运动”成分：一种脚步移动的序列反应时任务

本文介绍了一种用于表征对具有感知功能的虚拟或机器人假手控制过程中所产生的代理感的实验方案。通过心理物理学问卷来获取代理感的显性体验，同时采用时间间隔估计（即有意绑定效应）对代理感进行隐性测量。...

神经机器接口控制假肢动作的自主控制感表征

本方案对常用于评估帕金森病认知功能和运动控制的传统临床任务的部分内容进行了数字化。在将临床任务数字化的同时，还同步记录了来自神经系统不同功能层面的生物物理节律，涵盖自主、自发、自动乃至自主神经层面。...

帕金森病运动与认知功能的动态数字生物标志物

本研究旨在为脑卒中后上肢运动功能障碍患者使用运动想象脑机接口（MI-BCI）的标准化临床操作提供重要参考。...

卒中后上肢运动功能障碍康复中的运动想象脑机接口

在虚拟现实环境中，运动想象在脑机接口系统中具有广泛的应用。本文阐述了使用个性化的数字化身，这些化身在虚拟现实环境中模拟参与者所想象执行的动作，以增强沉浸感和身体所有权感知。...

基于虚拟现实脑机接口环境中具身化数字孪生的运动想象表现

在具有大型可识别神经元的动物中例如 软体动物）的运动池分析采用细胞内记录技术进行1,2,3,4最近，我们开发了一种在细胞外刺激并记录单个神经元的技术 Aplysia...

在 Aplysia californica 中通过细胞外记录识别特定肌肉运动池的运动神经元

学习使用远程机器人系统进行类似图灵的握手测试，通过强制选择范式评估人工握手模型与人类握手的相似性。该方法有助于研究人机交互中的关键特征并辅助诊断运动障碍。

一维图灵类握手测试用于运动智能评估

探索更多视频