Name: モーター知能一次元チューリングライクハンドシェイクテスト (動画) | JoVE Journal
Uploaded: 2010-12-15T15:45:00.000+00:00
Duration: 14 min 5 s
Description: 学ぶテレロボットシステムを用いたチューリング型ハンドシェイクテストの手法。被験者が人間らしさを評価し、MHLGを算出することで、ヒューマンロボットインタラクションと運動障害診断への応用を示す。

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

AKは、提案されたチューリングのようなハンドシェイクの試験に関する有益な議論のためにジェリーローブを感謝したい。 AKとINは2007年にこのプロトコルの後ろの非常に最初のバージョンの設計に貢献ナサニエルレイボビッツとLior Botzerに感謝したい。この研究は、イスラエル科学財団（助成番号1018から1008）によってサポートされていました。 SLはKreitman財団ポスドクでサポートされています。 INはKreitman基礎とクロアの奨学金プログラムによってサポートされています。

1。システムの準備<ol><li>ハードウェア要件： <ul><li> SensAble Technologies社による二PHANTOMデスクトップロボット</li><li> 2パラレルカード。 </li><li>最小システム要件：IntelまたはAMDベースのPC、Windows 2000/XPの場合、ディスク容量の250メガバイト</li></ul></li><li>ソフトウェア要件： <ul><li>ドライバ - SensAble Technologiesのウェブサイトからダウンロードドライバ<a href="http://www.sensable.com">http://www.sensable.com</a>コンピュータのオペレーティングシステムに応じて。 </li><li> H3DAPI - のインストールのウォークスルーセクションに表示される指示に従ってH3DAPIのソースコードをダウンロードし、インストール<a href="http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation</a> 我々は、既存のコードで満たされていない我々の要件に合うようにコードを更新。更新されたファイルは、ハンドシェイクのトーナメントのウェブサイトからダウンロードすることができます<a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html">http://www.bgu.ac.il/〜akarniel /ハンドシェーク/ / index.htmlを</a> 上記ウェブサイトで説明したように各ファイルは適切なフォルダに配置する必要があります。 変更を実行した後、CMakeをダウンロードしてコードをコンパイルします。コンパイル命令はで見つけることができます<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とPython <ul><li>からのダウンロードはPython 2.5 <a href="http://www.python.org/download/releases/2.5.5/">http://www.python.org/download/releases/2.5.5/</a> </li><li>ハンドシェイクのウェブサイトからpythonとX3Dのコードをダウンロードし、例えば、専用のディレクトリにコードファイルを配置します："C：\ codeDirectory" </li><li>各ハンドの力のモデルは別のpythonファイルに記述する必要があります。バネの力のモデルの例については、図1を参照してください。 </li></ul></li><li>で入手可能なMatlabのためのpsignifitツールボックスバージョン2.5.6、 <a href="http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/</a> </li></ul></li></ol><img src="/files/ftp_upload/2492/2492fig1.jpg" alt="図1" data-altupdatedat="1787634011000" data-alt="図1"> 図1：Pythonでの関数を強制的に。ハンドシェイクのためのバネの力のモデルの例 2。実験的なプロトコル<ul><li>コマンドウィンドウを開き、次のように入力して、PythonとX3Dコードのディレクトリに変更します：cd C：\ codeDirectory。 </li><li> \ codesDirectory：Cにおける被験者の名前を持つフォルダを作成します。 </li><li> h3dload code_name.x3d：実験の種類を実行するために。 </li><li>次のように入力して、新しいランダムなファイルを作成します。random_file_name.txt。ランダムファイルは、別のハンドシェイクが表示される順序を定義します。 </li><li>以前に作成したフォルダのように正確に被験者の名前を入力してください。 </li><li>人間、コンピュータ、および尋問者：古典的なチューリングテストのオリジナルのコンセプトを踏襲し、各実験は3エンティティで構成されています。 2つの科目（人間とインテロゲータ）各一ファントムの力覚デバイスのスタイラスを保持し、ハンドシェイクの動きを生成する。これらは、画面に表示される指示に従うことが求められます（例えば、："最初の握手のためにページをアップ押し"）、ハンドシェイクの力が適用されるため。次の方法のすべてでは、それぞれの試験は2ハンドシェイクで構成され、被験者はそれらの間で比較するために必要とされています。コンピュータは、時間の関数と1次元の手の位置やその誘導体などの力の信号を生成するシミュレートされたハンドシェイクのモデルです。 （1）F モデル （T）=Φ[x（t）を、t]は0≤T≤T F一次元スタイラスの動きのいずれかの因果関係演算子の[x、t]のスタンド、例えば、非線形時変力学モデルは、Tはハンドシェイクの持続時間である。現在の研究のTの= 5秒。 </li></ul><ol><li> "純粋な"テストを実施し、人間の肖像グレードMHLG Pモデルを計算する 実験は、すべてのハンドシェイク（N = 24）被験者が単に遠隔操作型ロボットのシステムを介して互いに握手をするような、人間である、12の練習試験から始まります。これらの実践試験の目的は、参加者は、システム内の人間のハンドシェイクに精通できるようにすることです。 実験では、我々は4つのコンピュータモデルを比較する。各実験のブロックは、我々は人間の握手に4テストモデルを比較した試験4で構成されています。各試験におけるハンドシェイクの一つは、4つのモデルのいずれか（コンピュータ）から発生する力との相互作用であり、もう一つは人間の（第2主題）となります。したがって、被験者は人間と尋問の両方として機能する。各ブロック内の臨床試験の順序はランダムと所定です。各実験は、各コンピュータのハンドシェイクが10回繰り返されるような10ブロックで構成されています。初期分析されていないBLOCKは、システムとタスクの一般的な知人のために追加されます。 各モデルの場合、被写体がより人間に近いような人間のハンドシェイクを介してモデルのハンドシェイクを選択するハンドシェイクの割合は、モデルが人間と区別できないときに0.5の値を提供するために、計算されます。我々は、MHLG pを得るために2で= 0をMHLGようにこの値を乗算明確のような非人間であり、テストハンドシェイクが人間のハンドシェイクと区別できないこと= 1を意味しますMHLG。 </li><li> "重み人間モデル"のテストを実施し、モデル人間の肖像グレードMHLG wを計算する このプロトコルでは、1つの尋問の対象があります。握手の人間の実体のような他の主題の機能。 実験では、尋問では、各試行で一人の人間のハンドシェイク、1台のコンピュータのハンドシェイクを経験する中で30の練習試験から始まります。試験の終わりに彼らは人間の握手した2ハンドシェイクのかを選択するよう求められます。彼らが成功した場合、画面には"！正しい"が表示され、彼らは右のハンドシェイク、選択しなかった場合は、"間違った！"メッセージが表示されます。 実際のブロックの後に実験は、以下のように実施される：試験は2つのハンドシェイクで構成されています。のいずれかの握手 - 刺激 - 尋問は、人間とコンピュータのハンドシェイクのモデルから来る力の組み合わせと相互作用する。 （2）F =α 刺激 •F 人間 +（1 -α 刺激 ）•F stimulusModel αの刺激は等しく、例えば、0から1に配布されます。 α 刺激 = {0、0.142、0.284、0.426、0.568、0.710、0.852、1} 他のハンドシェイク - 参照は - 人間と参照モデルから生成された力の一定の組み合わせです。 （3）F =α リファレンス •F 人間 +（1 -α 参照 ）•F referenceModel、αリファレンス = 0.5 各試験の終了時に質問器は、より人間に近い感じハンドシェークを選択することが要求されます。 各実験では、2つのテストモデルとつのベースモデルを比較する。 各実験のブロックは、3モデルの組み合わせの各々の刺激と人間の（式2）の線形結合のそれぞれを構成する24の試験で構成されています。 <img src="/files/ftp_upload/2492/2492model1.jpg" alt="モデル1" data-altupdatedat="1787634011000" data-alt="モデル1"> 各ブロック内の臨床試験の順序はランダムと所定です。各実験は、それぞれの組み合わせが10回繰り返されるように10ブロックで構成されています。初期分析されていないブロックは、システムとタスクの一般的な知人のために追加されます。 我々は入手可能、Matlabのためのpsignifitツールボックスのバージョン2.5.6を使用して尋問の答えにロジスティック精神測定関数1を合わせ<a href="http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/</a>の推定のための制約付き最尤法で、パラメータ、およびバイアス補正と加速（BCA）ブートストラップ法による信頼区間を見つける。 αの参照 -曲線は、刺激のハンドシェイクは、α 刺激の関数として、より人間に近いであることを答えるために尋問の確率が表示されます。主観的等価点（PSE）は、α 刺激とハンドシェイクが同じように等しく人間であることが認識されるためにα 参照との違いを示し、心理測定曲線の0.5閾値レベルから抽出されます。 PSEはに従ってMHLG wを計算するために使用されます。 （4）MHLG W = 0.5 - PSE 参照モデルとしての人間のようにあると思われているモデルはMHLG wの値0.5が得られます。少なくともまたはそれぞれ0または1、ほとんどの人間のような可能性、歩留まりMHLG wの値として認識されているモデル。 </li><li> "付加ノイズ"のテストを実施し、人間の肖像グレードMHLG n個のモデルを計算する 同様に加重モデルヒト試験に、唯一の尋問の対象があります。握手の人間の実体のような他の主題の機能。練習のブロックは、以前の方法と同じです。 練習の後、2ハンドシェイクのいずれかで - 刺激 - 尋問者は、コンピュータのハンドシェイクのモデルと対話します。 他のハンドシェイク - 参照は - 人間のハンドシェイクに表示される周波数に応じてフィルタリングされた周波数範囲を持つ人間とホワイトノイズの組み合わせから生成される力である。 （5）F =α•F 人間 +（1 -α）•F ノイズ ; αは等しく、例えば、0から1に配布されます。 α= {0、0.142、0.284、0.426、0.568、0.710、0.852、1} 各試験の終了時に質問器は、より人間に近い感じハンドシェークを選択することが要求されます。 実験は、加重MOと同じ方法で構築されています上記デルヒト試験が組み込まれています。しかし、加重人間モデル試験におけるキャリブレーションは、それ自体の修正の組み合わせに、ベースモデルの異なる組み合わせを比較することによって実行されている間、この実験では、ベースモデルは、ノイズによって代用です。 PSEは、心理測定曲線から抽出され、MHLG nを定義しています （6）MHLG のn = 1 - PSE 少なくともまたはほとんどの人間のような可能性として認識されるモデルは、それぞれ、MHLG nは 0または1の値が得られる。 </li></ol> 3。代表的な結果： 図2は、3つの方法のそれぞれに1つの被験者の結果を示しています。すべての3つの実験でテストされたモデルは、2つの粘弾性モデル- KB1です：スプリングK = 50 N / mのダンパーB = 2 nsの/ M、KB2：春K = 20 N / mのダンパーB = 1.3 NS / mの加重モデルヒト試験では、MHLG wは弾性ベースモデルK = 50 N / mにテストされたモデルのそれぞれを比較することによって評価される<img src="/files/ftp_upload/2492/2492fig2.jpg" alt="図2" data-altupdatedat="1787634011000" data-alt="図2"> 図2。"純粋な"テストのプロトコル（）に従って、2つの粘弾性モデルのMHLG値、"重み付きモデルヒトプロトコル"（B）と"付加ノイズ"プロトコル（C）。のエラーバー（b）と（c）心理測定曲線の信頼区間を表しています。黒いバーは、モデルのMHLG等級を表し、グレーのバーは、（b）と（c）におけるノイズのベースモデルのものを表しています。 結果は、粘弾性モデルのKB2がすべての3つの評価方法を使用して、他の粘弾性モデルのKB1以上のような、より人間として認識されていることを示している。

<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>

利害の衝突は宣言されません。

我々は単純な遠隔操作型ロボットのシステムを介して投与強制選択のチューリングのようなハンドシェイクのテストのために新しいプロトコルを提示している。このプロトコルは、人工的なハンドシェイクのモデルを比較するためのプラットフォームではなく、絶対的な人間の肖像を決定するためのプラットフォームです。このプロトコルは、いくつかの会議2-5に発表された我々は、このテストは、ほとんどの人間のような感覚を提供する運動の受動的特性のパラメータを見つけるのに有用であることがここに示されている。それは可能な限り人間のようになるハンドシェイクのためのモデルを開発するために更なる研究に使用することができます。我々は、[[2011年夏に行われる最初のチューリングのようなハンドシェイクのトーナメントでこのプラットフォームを採用します<a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html">http://www.bgu.ac.il/〜akarniel /ハンドシェーク/ index.htmlに</a> ]]、競合モデルがあるところ彼らの人間の類似のために等級分け。究極のモデルは、おそらく非線形性と人間のインピーダンス21、質問器とこの強制選択のチューリングのようなハンドシェイクのテストを使用してテストしてランク付けされるべき人間の自然なハンドシェイクの他の多くの側面との相互適応の時間的に変化する性質を考慮する必要があります。 提案されたテストは、1つの次元と遠隔操作型ロボットのインタフェースを介して行われますので、限られています：それはそのような触覚情報、温度、湿度、および把持力のような握手の多くの側面を隠します。それにもかかわらず、いくつかの研究では遠隔操作型ロボットのインタフェースは、ハンドシェイク6月11日と人間同士の対話12の他の形態を探るために使用された。さらに、テストのこのバージョンでは、我々は物理的に接触する前と後のハンドシェイクの持続時間、開始時間とリリース時間、その多次元自然と手の軌道を考慮していない。 person 13から14、そのための性別や文化に応じて、ハンドシェイクの多くの種類もあり、1つは、単一の最適な人間のようなハンドシェイクのモデルを生成するために期待することはできません。それにもかかわらず、我々は提案された試験のシンプルさは、少なくとも研究のこの予備的段階では、有利であると考えています。そのような一次元ハンドシェイクの主な機能が適切に特徴付けされれば我々はこれらの制限を考慮し、それに応じてテストを拡張する上で移動することができます。 それはチューリングのようなハンドシェイクのテストではなく、他の当事者の身元について質問されている人のコンピュータで、逆にすることに留意すべきである。この枠組みでは、我々は以下の逆のハンドシェイクの仮説を検討してください。ハンドシェイクの目的は、動揺、手を探ることです。リバースハンドシェイクの仮説によれば、最適なハンドシェークアルゴリズム - それは人間の握手と区別がつかないだろうという意味で、 - になります最高の人と機械の間に差別を促進する。言い換えれば、モデルは適切にチューニングされた分類器は、人間と機械のハンドシェイクを区別できるよう最善のハンドシェイクが得られます。 逆ハンドシェイクの仮説が本当に正しいかどうか、それは我々のテストのための臨床応用をもたらします：様々な神経モーター - 関連疾患、そのような脳性麻痺（CP）などに苦しむ人々に運動障害を識別する。到達運動15-16実行するときにこれまでの研究では、CP患者と健常者の間で運動学パラメータの違いを示している。我々は最近、遠隔操作型ロボットのシステム4を介して握手をしたときの動きの特性は、CPと健常者や個人間で異なることを示した。これらの知見は、運動障害を持つ人々がそれぞれ個々のハンドシェイクの動きを調べ、探求することによって健康な人と区別することができるという私たちの主張を強化する。一つは、また、本明細書において議論さテストが知覚テストと最近の研究知覚と行動17から20の間の区別であることに注意してください。今後の研究では、正確に人間のようなハンドシェイクの性質を評価するために、テストの3つのバージョンを探る必要があります：知覚の類似性（1）精神測定テスト、モーターを探求する（2）モーターの動作テスト（motormetricテスト）彼/彼女の認知的知覚の類似性とは異なる場合があります尋問の反応、力と位置の軌跡に基づいて、人間と機械握手を区別しようとする（3）究極の最適なディスクリミネータ。 一般的な用語で、我々は、モータ制御システムを理解する脳の機能を理解するために必要な条件であることを表明し、そのような理解は、人間と区別がつかない人間型ロボットを構築することによって実証される可能性があります。現在の研究では、遠隔操作型ロボットのシステムを介してハンドシェイクに焦点を当てています。我々は、提案されたチューリングのようなハンドシェイクのテストを使用して、人間の手の動きの制御の性質についての有力な科学的な仮説をランク付けすることによって我々のことを主張するヒトの運動制御や人間の腕から区別がつかない人工付加物を構築するために必要な最低でも顕著な特性の顕著な特性を抽出することができるはずです。

<table><tbody><tr><td>PHANTOMデスクトップロボット 2台</td><td>SensAble, Geomagic</td><td></td><td>Parallelカード 2枚&lt;br/&gt;最小システム要件：IntelまたはAMDベースのPC、Windows 2000/XP、ディスク空き容量 250 MB</td></tr><tr><td>SensAble technologies ドライバー</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 ソースコード</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 Products</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 コード</td><td></td><td></td><td></td></tr><tr><td>psignifit ツールボックス バージョン 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>

モーター知能一次元チューリングライクハンドシェイクテスト

One Dimensional Turing-Like Handshake Test for Motor Intelligence

チューリングテストでは、コンピュータモデルは、それが人間のものとの区別はありません答えを生成できる場合は、&quot;インテリジェント考える&quot;とみなされる。しかし、このテストは、マシンの知能の言語的な側面に限定されます。脳の顕著な機能は、運動の制御であり、そして人間の手の動きは、この機能の洗練されたデモです。したがって、我々は機械のモーターの知能については、チューリングのようなハンドシェイクのテストを提案する。私たちは、尋問がロボットスタイラスを保持し、別の当事者（人間または人工）との対話のタスクに従事されている遠隔操作型ロボットのシステムを介してテストを実施する。代わりに他の当事者は、人またはコンピュータプログラムであるかどうか尋問を尋ねるので、我々は2つ​​の代替強制選択法を採用し、より人間に近いですつのシステムのどの尋ねる。私たちは、人間のハンドシェイクの動作に似ているに応じて各モデルの定量的なグレードを抽出し、それを&quot;モデルヒューマン肖像グレード&quot;（MHLGを）という名前を付けます。我々はMHLGを推定する3つの方法を提示する。 （i）のモデルは、より人間に近い人間よりであることを、被験者の回答の割合を計算し、（ⅱ）我々は心理測定曲線にフィットし、主観的等価点を抽出し、ヒトと​​モデルハンドシェイクの2つの重み付き和（PSEを比較することにより）こと、（iii）人間とのランダムな信号の重み付け和で与えられるモデルを比較することで、我々は、尋問の答えに心理測定曲線をフィットし、加重和の人間の重さのためにPSEを抽出する。完全に、我々は人間の握手の計算モデルをテストするためのプロトコルを提供しています。我々は、モデルを構築しても現象と、このケースでは、人間のハンドシェイクの世代を担う神経機構を理解する上での理解に必要なステップであると考えています。

我々は、質問器は（人間や人工的な）ロボットスタイラスを保持し、別の相手とやり取りされている遠隔操作型ロボットのシステムを介して投与するチューリングのようなハンドシェイクのテストを提示する。我々は、強制選択法を使用し、そして人間の握手に人工的なモデルの類似性のために尺度を抽出する。

チューリング・テストにおいて、コンピュータモデルが人間による回答と区別がつかない回答を生成できる場合、そのモデルは「知的に思考している」とみなされます。

この手順の全体的な目的は、握手のコンピュータモデルが、人間の握手とどの程度一致しているかを判断することです。これは、まず被験者に、人間によるもの、コンピュータで生成されたもの、またはテレロボットインターフェースを用いた両者の組み合わせによる、一対の握手を提示することで行われます。次に、各被験者に対し、それぞれのペアのうち、どちらの握手がより人間らしいかを選択してもらいます。本手順の最終ステップは、被験者の回答から、ハンドシェイクモデルにおける人間への類似度グレード、すなわちモデル人間類似度グレード（MHLG）を算出することです。最終的に、チューリング様ハンドシェイクテストを用いたMHLGにより、異なるモデル間の有意な差を示す結果を得ることができます。チューリングテストは実際には言語的知能に限定されていますが、科学者やエンジニアは、運動動作の運動制御という側面において、人工知能と自然知能の間に大きな隔たりがあることを観察してきました。多くの科学者がチューリングテストの運動学的バージョンについて検討してきましたが、研究室で操作可能なロボットデバイスが普及し、チューリングテストのような握手テストのための単純で再現可能なプロトコルの実施が可能になったのは、ごく最近のことです。この手法は、自然な人間の触感体験をもたらす人間の上肢運動の主要な特徴は何かなど、人間とロボットの相互作用（HRI）分野における重要な疑問への回答に寄与します。また、この技術がもたらす影響は、脳性麻痺などの運動機能障害の診断にまで及びます。次のステップは、健康な人の握手と障害のある人の握手を区別できるロボット診断デバイスを構築することです。テレロボットシステムを介した握手の動作は自然ではなく、ロボットの操作方法や相互作用を習得するには時間と練習が必要であるため、この手法を視覚的に実証することが不可欠です。古典的なチューリングテストの元の概念に従い、握手実験は人間、コンピュータ、質問者の3つの要素で構成されます。尋問者と被験者は同じ部屋に座っていますが、スクリーンで隔てられているため、尋問者はコンピューターと人間のどちらがハンドシェイク（握手）を生成しているかを確認することはできません。ハンドシェイクは直接的な握手ではなく、機械的なテレロボティクス・インターフェースを介して行われます。このインターフェースは、人間によるハンドシェイクの場合は2台のファントム・デスクトップロボットで構成され、コンピューターによるハンドシェイクの場合は1台のファントムロボットとソフトウェアで構成されています。コンピューターによるハンドシェイクの場合、コンピューター画面に「handshake」という単語が表示されると、尋問者と被験者はテレロボティクス・インターフェースのスタイラスを垂直方向に動かし、直ちに握手の動作を行います。インタリゲーター（判定者）の役割は、2つのハンドシェイクを比較し、どちらがより人間らしいかを選択することです。1つ目のハンドシェイクを選択する場合はHomeキーまたはF1キーを、2つ目のハンドシェイクを選択する場合はEndキーまたはF2キーを押します。このビデオで実演する3つの実験プロトコルは、比較されるハンドシェイクの構成によって異なります。最初のプロトコルは純粋なチューリングテストプロトコルであり、人間によるハンドシェイクとコンピュータによって生成されたハンドシェイクのどちらかを選択します。2番目のプロトコルには、人間が生成した力とコンピュータが生成した力をさまざまな割合で組み合わせたハンドシェイクが含まれています。3番目のプロトコルには、人間が生成したハンドシェイクとノイズをさまざまな組み合わせで混合したもの、または純粋にコンピュータによって生成された力が含まれています。実験中、「ランダムファイルの名前を入力してください」というプロンプトが表示されると、ランダムファイルが自動的に作成されます。ファイルが既に存在する場合、システムは既存のファイルを使用します。存在しない場合は、指定された名前で新しいランダムファイルが自動的に生成されます。このランダムファイルによって、さまざまなハンドシェイクが行われる順序が定義されます。純粋プロトコルは、人間と質問者がテレロボットシステムを介して24回握手を交わす、2回ずつの握手による12回の練習試行から始まります。質問者は、この段階で人間と握手していることを認識しています。これらの練習試行の目的は、参加者にテレロボットインターフェースを慣れさせることです。練習ラウンドの後、各試行で4回の試行からなる1ブロックを実施します。この例に示すように、人間の握手と4つのコンピューターモデルによる握手のうち1つを、ランダムな順序で比較します。例えば、ブロック1の試行1では、質問者が2回握手をします。1回目の握手は人間によって行われ、2回目の握手はモデル3で規定された力を用いてコンピュータによって行われます。その後、調査者は握手1と握手2のうち、どちらがより人間らしいかを判断して選択します。例えば、調査者が握手1をより人間らしいとして選択した場合、調査者は人間の握手を選んだことになります。しかし、質問者は次の試行で人間による握手を正しく識別できたかどうかについて通知されません。質問者の1回目の握手はコンピューター生成モデル2と行われ、2回目の握手は人間と行われます。質問者は再び、最も人間らしい握手を選択します。同様の手順でさらに2回の試行を行います。残りの2つのモデル、モデル1とモデル4を人間の握手と比較してテストします。これで1ブロックの試行が完了します。本実験は、4つのモデルハンドシェイクを各ブロック内でランダムな順序で提示する、1ブロック4試行の計11ブロックで構成されています。最初のブロックは練習ブロックであり、解析は残りの10ブロックを用いて行われます。実験の10ブロックを完了することで、4つのハンドシェイクモデルそれぞれについて、人間のハンドシェイクとの比較試験が10回ずつ実施されることになります。11個の実験ブロックを完了した後、テストした4つのモデルそれぞれについて、モデルの人間らしさグレードを算出します。分析は、被験者がモデルによる握手の方が人間の握手よりも人間らしいと判断した握手の割合を計算することで行います。例えば、10回の握手中2回、質問者が人間の握手よりもモデルによる握手を選択した場合、モデル対人間の割合は0.2となります。この割合を2倍することで、モデルの人間らしさグレードを求めます。割合が0.2となる各モデルにおいて、モデル1の人間らしさグレードは0.4となります。もし10回の試行のうち4回でモデル3がより人間らしいと選択された場合、その割合は0.4となり、モデルの人間らしさグレードは0.8となります。モデルが人間と区別できない場合、算出される割合は0.5となり、モデルの人間らしさグレードは1となります。モデルが明らかに非人間である場合（モデルのように）、人間らしさグレードは0になります。MHLGの上限は1です。このプロトコルでは、生成されたハンドシェイクを人間以外のパーツモデルから切り離し、純粋にコンピュータで生成されたハンドシェイクから純粋な人間のハンドシェイクまで、試行ごとに特定の組み合わせをスケール上で変化させます。したがって、この一連の実験は「重み付き人間モデルテスト」と呼ばれます。プロトコルは、まず練習ブロックから始まり、これにより調査者が純粋な人間の握手の認識方法を学び、装置に慣れることができます。そのため、練習ブロックでは30回の試行を行い、純粋な人間の握手とコンピューターによって生成された握手の比較を行います。各試行の最後に、質問者は2つの握手のうち、どちらがより人間らしいかを選択します。質問者が人間の握手を正しく特定した場合、画面に「正解（correct）」と表示されます。正解の握手を選択しなかった場合は「不正解（wrong）」というメッセージが表示され、質問者は直前の練習試行を繰り返すことができます。練習ブロックの後、質問者は2つのハンドシェイクを評価するための一連の試行を開始します。2つのハンドシェイクとは、刺激ハンドシェイクと参照ハンドシェイクであり、それぞれ人間とモデルの力の組み合わせです。参照ハンドシェイクにおいて、質問者が感じるハンドシェイクは、人間によって生成された力とコンピュータで生成されたモデルによる力が均等に混合されたものです。言い換えれば、人間の被験者が握手の動作を行う際、その握手が考案者に感知される力の50%を構成し、残りの50%は刺激握手におけるモデルからの力となるため、考案者が感じる握手は、人間によって生成された力とコンピュータで生成されたモデルによる力の変動的な混合物となります。刺激握手の中には、人間による寄与分が半分以上となり、参照握手よりも大きくなるものがあります。また、別の刺激握手では、人間による寄与分が半分未満となり、参照握手よりも小さくなります。各試行の最後に、回答者はより人間らしく感じたハンドシェイクを選択します。この実験では、2つのテストモデルと1つのベースモデルの計3つのモデルを比較します。純粋なプロトコルと同様に、このプロトコルは1つの未分析ブロックから始まり、続いて10の実験ブロックが行われます。各実験ブロックは、3つのモデルの組み合わせそれぞれについて、モデルと人間の8つの線形結合で構成される24回の試行で構成されます。10の実験ブロックを完了した後、質問者の回答に対してロジスティック心理物理関数を当てはめます。付随する論文で述べられているように、得られた曲線は質問者の確率を示します。それに対する答えとして、刺激となるハンドシェイクは参照用ハンドシェイクよりも人間らしいと言えます。α刺激からα参照を引いた関数の場合、主観的等価点（PSE）はサイコメトリック曲線の0.5閾値レベルから抽出されます。これは、モデルのハンドシェイクが同等に人間らしいと感じられるα刺激とα参照の差を示しています。重み付け人間モデルプロトコルの人間らしさグレードは、0.5からPSEを差し引くことで算出されます。最も人間らしくないと感じられるモデルと、最大限人間らしいと感じられるモデルでは、人間らしさグレードの値はそれぞれ0または1になります。最終的なプロトコルでは、モデルのハンドシェイクを、人間とランダムノイズを混合したハンドシェイクと比較します。本プロトコルにおいて、刺激ハンドシェイクはモデルに基づくコンピュータ生成のハンドシェイクである。もう一方のハンドシェイクである参照ハンドシェイクは、人間のハンドシェイクとホワイトノイズの様々な組み合わせから生成された力であり、最大絶対値 2 N の力を5次のローパス・バターワースフィルタを用いて最大周波数 2/π でフィルタリングしたものである。各試行の最後に、被験者はより人間らしく感じたハンドシェイクを選択することが求められる。本プロトコルは、以前に実施した加重人間モデル試験と同様の設計となっています。練習ラウンドと分析対象外のブロックを行った後、一連の10個の実験ブロックを次のように実施します。前回と同様に、サイコメトリック曲線からPSEを抽出し、これをノイズ付加プロトコルのモデル人間らしさグレードとして定義します。この図は、純粋なプロトコルの結果を示し、人間の握手と2つの異なるモデルによる握手を比較したものです。2つの点は、KB 1およびKB 2と名付けられた2つの粘弾性モデルについて算出された、モデルの人間らしさグレード（human likeness grade）の値を示しています。結果から、モデルKB 2はモデルKB 1よりも人間に近いと認識されることがわかります。この図は、人間モデルのハンドシェイク比率を変化させた場合と、50:50の固定比率とした場合を比較した、重み付きモデル人間プロトコルの結果を示しています。黒いマーカーはテストモデルの人間らしさの評価グレードを、灰色のマーカーはベースモデルの評価グレードを表しています。エラーバーは、サイコメトリック曲線における信頼区間を示しています。この図は、モデルのハンドシェイクと、人間とノイズの構成比率を変化させたハンドシェイクを比較した、ノイズ付加プロトコルの結果を示しています。黒色のマーカーはモデルの人間らしさのグレードを表し、灰色のマーカーはノイズのグレードを表しています。エラーバーは、心理物理関数（サイコメトリックカーブ）の信頼区間を示しています。これら3つの評価方法を用いた結果、粘弾性モデルKB twoは粘弾性モデルKB oneよりも人間に近いと感じられることが示されました。この手順を実施する際は、ロボットデバイスと適切に相互作用し、その動作をできる限りスムーズに行うよう留意することが重要です。この手順に続き、広汎性発達障害における人間の握手の認識テストなどの他の手法を用いることで、「広汎性発達障害は、人間と非人間のジェスチャーを区別する能力にどのように影響するか」といった追加的な疑問に答えることが可能です。本技術の開発により、今後は握手を認識ツールとして活用する道が開かれると考えられます。私たちは、握手の目的は相手について何かを学習することであると仮説を立てています。したがって、人間のような握手を開発するために私たちが提案する手法は、握手から相手の情報を抽出できる握手分類システムの開発にも役立ちます。このビデオを視聴することで、一次元ツアーのような握手テストの実施方法と、第1回国際ツアー風握手テストトーナメントに提出された握手モデルをどのように評価するかについて、十分な理解を得ることができます。

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

Research

JoVE Journal

Neuroscience

神経科学

手先の器用さは、主に霊長類の特権であるため、行動タスクはマカクザルで開発されている。...

ヒト以外の霊長類における手先の器用さの行動評価

このビデオは、右脳病変のある半パーキンソン病ラットの運動機能を評価するための階段テストを示しています。この病変はドーパミンシグナル伝達を妨害し、左足の制御を損ない、その結果、左階段により多くのペレットが残り、運動機能障害を示しています。...

半パーキンソン病ラットの運動機能評価のための階段試験

新規仮想現実ベース セットアップ (非訓練) 手に運動技能のパフォーマンスを向上させる 1...

仮想現実を使用して 1 つの手から別の運動技能知識を転送するには

本稿では、ラットの外を定量化する半自動化されたタスクについて説明します。ラットに到達、把握、および球状マニピュ...

ノブ外タスク: ラットの前肢関数を評価するための半自動メソッド

足ステップを紹介する系列反応時間 (SRT) タスク。これは SRT タスクを変更した、古典的な SRT を補完するより良い、指押し運動のみに関連するタスク...

暗黙的なモーターで「モーター」シーケンス学習: 足ステップのシリアル反応時間のタスク

五感で知覚仮想またはロボット義手の制御を開発代理店の感覚を特徴づけるプロトコルをご紹介します。機関の明示的な経験をキャプチャする心理アンケートを採用し、暗黙的に代理店の感覚を測定する時間間隔の見積もり (意図的なバインディング)...

ニューラル マシン インターフェイス運営義足の操作上代理店の感覚の特性

このプロトコルは、パーキンソン病の認知と運動制御を測定するために一般的に使用される従来の臨床タスクの一部のデジタル化を提供します。臨床タスクはデジタル化され、生物物理学のリズムは、自発的、自発的、自動、自律神経に至るまで、神経系の異なる機能レベルから共登録されます。...

パーキンソン病における運動と認知機能の動的デジタルバイオマーカー

この研究の目的は、脳卒中後の上肢運動機能障害に対する運動イメージブレインコンピューターインターフェース(MI-BCI)の標準的な臨床操作のための重要な参照を提供することです。...

脳卒中後の上肢運動機能障害のリハビリテーションにおける運動イメージブレイン・コンピュータ・インターフェース

バーチャルリアリティ環境での運動イメージは、ブレイン・コンピュータ・インターフェース・システムにおいて幅広い用途があります。この原稿では、参加者が想像した動きをバーチャルリアリティ環境で行うのに似たパーソナライズされたデジタルアバターを使用して、没入感と身体の所有権を高める方法について概説しています。...

バーチャルリアリティ対応のブレインコンピュータインターフェース環境における具現化されたデジタルツインによる運動イメージ性能

大同定ニューロン（と動物では...

体外における筋モータープールのために運動ニューロンの識別<em&gt;アメフラシカリフォルニ</em

学ぶテレロボットシステムを用いたチューリング型ハンドシェイクテストの手法。被験者が人間らしさを評価し、MHLGを算出することで、ヒューマンロボットインタラクションと運動障害診断への応用を示す。

モーター知能一次元チューリングライクハンドシェイクテスト

さらに動画を探す