촉각 자동 수동 - 핑거 자극기 (탭)

안녕하세요, 제 이름은 Dan Goldrich이며 이곳은 McMaster 대학교의 촉각 연구실입니다. 여기 계신 분들은 Ingrid Cans, Brian Peters, Mike Wong이며, 오늘은 촉각 자동 수동 손가락 자극기, 즉 TAPS에 대해 말씀드리고자 합니다. TAPS는 손가락 끝의 수동적 촉각 공간 분해능을 측정하는 장치로, 제가 펜실베이니아주 피츠버그의 Duquesne 대학교에서 Ingrid Cans와 함께 개발하였으며, 이후 온타리오주 해밀턴의 McMaster 대학교에서 Ryan, Mike와 함께 수정 보완하였습니다.

이 장치는 힘의 시작 속도와 자극 지속 시간을 제어하여 손가락 끝에 조절된 촉각 자극을 전달하는 방법입니다. 이 영상은 세 가지 섹션으로 구성되어 있습니다. 먼저, TAPS의 작동 방식에 대한 개요를 제공합니다.

다음으로, 다른 연구자들이 장치를 복제할 수 있도록 taps의 작동 모습과 구성 요소를 설명합니다. 마지막으로, taps가 베잉(baying)을 이용한 2-대안 강제 선택(two interval force choice) 방향 등급 실험을 수행하는 여러 테스트 프로토콜 중 하나를 예시로 보여줍니다. 적응형 추적 taps는 중력을 이용하여 자극 표면을 피부에 밀착시킵니다.

중력은 막대에 매달린 질량에 하향 힘을 가합니다. 이 측면도는 장치의 작동 원리를 명확하게 보여주기 위해 일부 구조물을 제거한 탭의 모습을 보여주며, 실험 참가자의 팔은 테이블 위에 엎드린 자세로 편안하게 놓여 있습니다. 손가락 끝은 테이블에 있는 터널 위에 위치합니다.

터널은 이 다이어그램에 표시되지 않았으며, 참가자의 시야에서 가려진 하단 테이블에서 스테퍼 모터가 최대 40개의 자극 조각을 고정하는 디스크를 회전시켜 조각 중 하나를 손가락 아래에 배치합니다. 여기에서 빨간색으로 표시된 크로스바는 선형 액추에이터의 이동식 캐리지에서 연장되어 로드가 회전하는 것을 방지합니다. 액추에이터가 전진함에 따라 로드가 중력의 영향으로 회전하며 자극 조각을 터널을 통해 위로 밀어 올려 피부에 접촉시킵니다.

단순한 물리적 원리를 통해 액추에이터의 속도는 자극 표면이 피부에 닿기 위해 상승하는 속도와 연관되며, 매달린 질량의 무게는 촉각 자극의 정적 힘과 연관됩니다. 액추에이터가 방향을 바꾸어 로드를 시작 위치로 되돌리면 자극 조각이 떨어지고, 그 후 디스크 스테퍼 모터가 회전하여 다른 조각을 손가락 아래에 배치하며 전체 과정이 반복됩니다. 손가락을 제거한 이 평면도에서는 또 다른 자극 주기를 보여줍니다.

액추에이터가 전진함에 따라 자극 조각이 상승하고, 액추에이터가 후진함에 따라 하강하는 것을 확인하십시오. 자극 조각을 제작하기 위해, shoreline 미니 밀링 머신을 사용하여 직경 0.5인치, 길이 3인치의 delrin 로드에서 시작했습니다. 플라이 커터를 사용하여 양 끝을 평면 가공함으로써 로드의 길이를 2.75인치로 줄였습니다.

플라이 커터를 사용하여 8.7 mm 정사각형 단면의 길이 2인치 직사각형 샤프트를 가공합니다. 더 큰 홈을 만들기 위해 원형 면에 평행한 홈을 파서 홈과 돌기의 너비가 동일한 사각파 격자를 생성합니다. 더 작은 홈의 경우에는 엔드밀을 사용했습니다.

슬릿팅 소스를 사용하였습니다. 부품의 진동을 줄이기 위해 샤프트 주변에 실리콘 O-링을 배치하였습니다. 디스크가 회전함에 따라, 탭의 기계적 구성 요소들이 여기에 표시됩니다. 리니어 액추에이터의 캐리지가 전진하면, 매달린 질량체가 중력의 영향으로 낙하하게 됩니다.

이 추의 무게와 회전 막대를 따라 피벗 지점으로부터 떨어진 거리가 결합하여 자극 조각이 피험자의 피부와 접촉할 때 발생하는 상향력을 결정합니다. 특정 조각은 자극 트레이를 회전시키는 컴퓨터 제어 스테퍼 모터에 의해 상단 테이블의 터널 바로 아래에 배치됩니다. 피험자가 응답 버튼을 누르면, 컴퓨터가 스테퍼 모터에 명령하여 자극 트레이를 회전시켜 다른 자극 조각을 터널 바로 아래에 배치합니다.

상단 테이블에서 탭 구성 요소의 움직임은 여러 센서에 의해 모니터링됩니다. 재귀 반사 센서는 돌출된 자극 조각의 존재를 감지합니다.

녹색 표시등이 켜졌다 꺼졌다 하는 것을 확인하십시오. 이 센서는 실험 초기화 단계에서 탭(taps)이 회전봉을 자극 조각 아래의 지정된 거리에 정확하게 위치시키기 위해 사용됩니다. 또한, 센서가 활성화되면 스테핑 모터가 비활성화되어 발생할 수 있는 장비 손상을 방지합니다.

자극 조각이 터널 내에 실수로 걸리는 경우를 대비하여, U자형 광전 센서가 자극 트레이의 홈 위치(home position)를 설정합니다. 이 센서는 회전 트레이 가장자리에 부착된 뻣뻣한 종이 조각이 적외선 센서 빔을 차단할 때 활성화됩니다.

자극 트레이의 모든 이동은 이후 이 홈 위치를 기준으로 계산됩니다. HU 효과 센서가 선형 액추에이터의 홈 위치를 설정합니다. 여기서는 액추에이터의 캐리지가 전진하는 것을 볼 수 있으며, 캐리지가 홈 위치로 이동하면 피벗 테이블이 함께 이동하게 됩니다.

센서가 작동하면 안전 기능으로 빨간색 표시등이 켜졌다 꺼졌다 하는 것을 확인하십시오. 여기 보이는 것과 같은 두 개의 유사한 센서가 있으며, 이는 액추에이터 오작동이라는 드문 상황이 발생했을 때 캐리지의 전후로 이동 범위를 제한합니다.

이 리미트 센서들은 액추에이터를 비활성화하여 캐리지의 과도한 이동을 방지합니다. 피벗 테이블 설정을 통해, 액추에이터 캐리지에서 연장되어 정밀하게 정렬된 크로스바가 피벗 지점의 회전봉에서 아래로 뻗어 나온 수직 바와 접촉하게 됩니다. 거의 마찰이 없는 금속 베어링이 피벗 지점 역할을 하여 바가 자유롭게 회전할 수 있도록 합니다.

액추에이터의 캐리지가 전진하면, 회전봉에 매달린 벨크로 바스켓에 삽입된 질량체가 이동합니다. 피험자의 팔을 테이블 위에 엎드린 자세로 놓은 후, 테스트할 손가락의 말단 패드를 자극 표면이 솟아오르는 테이블 내 터널 위에 배치하십시오. 손가락의 측면 움직임을 방지하여 피부에 밀착시키기 위해, 바닥면에 양면 폼 테이프가 부착된 두 개의 차단막을 손가락 양옆에 조심스럽게 배치하십시오.

스위블 포지션의 도움을 받아, 큐티클 근처의 손톱 표면과 90도가 되도록 힘 센서를 손톱에 부드럽게 밀착시켜 센서가 50에서 80 g 사이의 힘을 가하도록 합니다. 이 정도의 힘은 피험자가 편안함을 느끼는 수준이며, 손가락 움직임에 대해 센서가 우수한 민감도를 갖게 합니다. 스위블 탭을 고정하는 방식은 0.5인치 직경 로드의 단면에 컷팅된 임의의 자극 표면을 적용하는 데 사용할 수 있는 다목적 시스템입니다.

시연을 위해 2-대안 강제 선택(two interval forced choice) 경사도 방향 판별 과제가 어떻게 수행되는지 보여드리겠습니다. 저희 연구실의 경사도 방향 판별 과제에서는 홈 너비(GR width)가 최소 0.25 mm에서 최대 3.1 mm까지 다양한 20개의 자극 표면을 사용합니다. 각 시행은 홈 너비는 동일하지만 방향이 90도 차이 나는 두 개의 자극을 순차적으로 제시하는 방식으로 구성됩니다. 이러한 자극들은 손가락의 원위 지절 마디(distal pad)에 적용됩니다.

한 가지 제시 방식에서는 홈이 수직으로 또는 손가락의 장축과 평행하게 배열되며, 다른 방식에서는 홈이 수평으로 또는 손가락의 장축과 수직으로 배열됩니다. 제시 순서는 무작위로 선택됩니다. 피험자는 테스트하지 않는 손으로 두 개의 버튼 중 하나를 눌러 수평 방향이 첫 번째 또는 두 번째 간격에서 나타났는지를 표시합니다. 수평 방향이 먼저 제시되었음을 나타내려면 피험자는 왼쪽 버튼을 누르며, 수평 방향이 제시되었음을 나타내기 위해...

둘째로, 피험자는 오른쪽에 있는 버튼을 누릅니다. 이제 일반적인 피험자가 테스트 세션에서 무엇을 경험하는지 살펴보겠습니다. 이번 시행의 왼쪽 상단에 표시된 두 가지 등급에 주목해 주시기 바랍니다.

피험자의 손가락을 먼저 눈금이 가로로 정렬된 상태에서 두드렸고, 두 번째로는 눈금이 세로로 정렬된 상태에서 두드렸습니다. 이 경우, 올바른 반응은 왼쪽 버튼을 누르는 것입니다. 본 예시에서 피험자는 오른쪽 버튼을 눌렀으며, 이는 잘못된 반응입니다.

이는 오른쪽 상단의 성능 도표에서 빨간색 X로 표시됩니다. 다음에 제시될 홈 너비는 베이지안 적응형 알고리즘(Bayesian adaptive algorithm)에 의해 선택되며, 이에 대해서는 비디오의 다음 세그먼트에서 더 자세히 다룰 예정입니다. 알고리즘에 의해 선택된 홈 너비가 이전 시행의 홈 너비보다 크기 때문에, 피험자가 이번 시행을 더 쉽게 수행할 수 있을 것입니다.

피험자에게 다시 두 개의 격자가 제시됩니다. 이 경우, 첫 번째 격자는 수직으로 정렬되어 있고 두 번째 격자는 수평으로 정렬되어 있습니다. 이번에 피험자는 오른쪽 버튼을 눌러 정확한 반응을 하며, 이는 성능 도표에서 파란색 십자가로 표시됩니다.

세 번째 시행에서 그룹 너비가 약간 감소하여 과제 난이도가 높아졌습니다. 이번에도 피험자는 정답을 맞혔습니다. 이러한 과정은 지정된 횟수의 시행이 모두 제시될 때까지 계속됩니다.

우리는 일반적으로 각 참가자의 심리측정 함수(psychometric function)를 추정하기 위해 40회 시행으로 구성된 블록을 실행합니다. 이때 Cevi와 Tyler의 베이지안 적응형 SI 방법의 수정 버전을 사용합니다. 정신물리학에서 심리측정 함수는 물리적 자극 매개변수(본 연구의 경우 홈 너비)와 정답 응답 확률 간의 관계를 나타냅니다.

Conserv과 Tyler의 연구에 따라, 본 연구에서는 D prime을 홈 너비의 거듭제곱 함수로 모델링합니다. 이는 a, B 및 delta A라는 세 가지 매개변수로 정의되는 누적 정규 심리 물리 함수로 이어지며, 임계값 매개변수는 피험자가 76%의 확률로 올바르게 구별할 수 있는 방향을 가진 홈의 너비를 의미하며, 이는 본 과제에서 DPR 1에 해당합니다.

여기서 임계값(threshold)의 수치를 높임에 따라 곡선이 오른쪽으로 이동하는 것을 볼 수 있습니다. 반대로 임계값을 낮추면 곡선은 왼쪽으로 이동합니다. 과제 수행 능력이 더 뛰어난 피험자는 더 얇은 홈의 방향을 구별할 수 있으므로, 곡선이 왼쪽으로 이동하게 됩니다.

임계값이 변경됨에 따라 곡선이 X축 방향으로 이동하지만, 곡선의 기울기는 동일하게 유지된다는 점에 유의하십시오. 곡선의 기울기는 B 파라미터에 의해 결정되며, 이는 곡선이 얼마나 빠르게 상승하는지를 나타냅니다.

기울기 값이 낮을 때는 곡선이 완만하지만, 기울기 값을 증가시킴에 따라 곡선이 더 가파라지는 것을 볼 수 있습니다. 또한 홈의 너비가 넓어질수록 곡선이 1 또는 100%에 수렴한다는 점을 알아차리셨을 것입니다. 이는 홈의 너비가 충분히 넓으면 피험자가 항상 정답을 맞힐 것이라고 가정한 것입니다.

하지만 실제로는 피험자가 때때로 집중력을 잃거나 실수로 잘못된 응답 버튼을 누를 수 있습니다. 따라서 홈 너비가 충분히 클 때조차 항상 정확하게 답변하는 것은 아닙니다. 즉, 심리물리함수(psychometric function)의 높이에는 상한선이 있으며, 이는 델타 또는 누락률(lapse rate) 파라미터에 의해 결정됩니다.

심리측정 함수(psychometric function)의 파라미터에 대해 살펴보았으므로, 이제 베이지안 적응형 절차(Bayesian adaptive procedure)가 이러한 파라미터들의 추정치에 어떻게 도달하는지 알아보겠습니다. 현재 테스트 세션에서 임계값 1.75 millimeters, 기울기 5, 누락률(elapse rate) 4%를 가진 가상 피험자의 시뮬레이션을 실행하고 있습니다. 피험자의 심리측정 함수는 왼쪽 상단 그래프의 보라색 곡선으로 나타나 있습니다.

이 곡선이 우리가 추정하고자 하는 대상입니다. 오른쪽 상단의 그래프는 한 블록의 시행 동안 피험자의 수행 기록을 보여줍니다. 앞서 설명한 바와 같이, 빨간색 X는 오답을, 파란색 십자 표시는 정답을 나타냅니다.

실험 시작 시점에서는 피험자의 심리물리학적 함수의 형태를 정확히 알 수 없습니다. 우리는 가능한 A, B 및 delta 값의 범위를 고려함으로써 이러한 불확실성을 표현합니다.

우리는 각각의 a b delta 트리플렛에 동일한 사전 확률을 할당합니다. 다시 말해, 수천 개의 가능한 심리측정 함수에 대해 균등한 사전 확률 분포를 할당하는 것입니다. 실험이 진행됨에 따라, 피험자의 답변을 통해 이러한 함수들 중 일부가 다른 함수들보다 더 가능성이 높다는 것을 학습하게 됩니다.

다음에 어떤 자극 조각을 제시할지 결정하기 위해 확률 분포의 불확실성 또는 엔트로피가 감소합니다. 알고리즘은 매 시행이 완료될 때마다 각 홈 너비에 대한 예상 엔트로피를 계산하며, 이는 왼쪽 하단 그래프에 표시됩니다. 예상 엔트로피가 가장 낮은 홈 너비가 피험자에게 제시됩니다.

이 홈 너비는 왼쪽 상단 그래프의 흰색 십자 표시로 나타납니다. 이 단계는 베이지안 적응 절차의 효율성에 매우 중요한데, 이는 정보 획득량을 최대화할 수 있는 홈 너비를 추정하고 제시함으로써 피험자의 심리 물리 함수에 대한 불확실성을 지속적으로 줄이려고 하기 때문입니다. 오른쪽 하단의 그래프는 기울기와 임계값 매개변수의 결합 사후 확률 분포 함수(PDF)를 보여줍니다.

이 도표에서 흰색은 높은 확률을, 검은색은 낮은 확률을 나타냅니다. 이 도표를 작성하기 위해, 우리는 누락률(lapsed rate) 매개변수를 합산하거나 주변화(marginalized)하였습니다. 각 시행 후, 피험자의 임계값과 기울기 값에 대한 추정치를 얻게 됩니다.

빨간색 십자 표시로 나타낸 이 그래프의 최빈값은 임계값과 기울기에 대한 현재의 최적 추정치입니다. 이 값들을 사용하여 피험자의 정신물리학적 함수 추정치를 그릴 수 있으며, 이는 왼쪽 상단 그래프의 녹색 곡선으로 표시됩니다.

더 많은 데이터를 수집함에 따라 추정치가 정교해집니다. 결합 사후 PDF가 더 좁아지며, 이는 추정된 매개변수 값에 대한 불확실성이 감소하고 있음을 나타냅니다. 또한 데이터가 많아질수록 추정 곡선이 실제 곡선의 형태에 가까워지는 것을 확인할 수 있습니다.

데이터 수집이 완료되었으므로, 이제 파라미터를 더 정확하게 추정할 수 있습니다. 종속 측정값이 임계값(threshold)이므로, 기울기 파라미터를 한계화(marginalize)하여 임계값 파라미터에 대한 가장 정확한 추정치를 얻을 수 있습니다. 여기에 표시된 것은 임계값 파라미터의 사후 확률 밀도 함수(posterior PDF)입니다. 이 PDF의 최빈값(mode)이 피험자 임계값에 대한 최선의 추정치이지만, 이 추정치에는 불확실성이 존재합니다.

이러한 불확실성은 곡선의 폭으로 나타납니다. 곡선이 넓을수록 피험자의 임계값 추정치에 대한 확신이 낮아지며, 반대로 곡선이 좁을수록 피험자의 임계값 추정치에 대한 확신이 높아집니다. 이것으로 촉각 자동 수동 손가락 자극기인 taps에 대한 설명을 마칩니다.

우리는 다른 연구자들이 이 실험을 재현하여, 최근 몇 년간 유망한 진전을 보인 제어 촉각 테스트의 도입을 촉진하는 데 기여하기를 바랍니다. 추가 질문이 있으시면 언제든지 저희에게 연락해 주시기 바랍니다.