Name: 자동차 인텔리 전스에 대한 1 차원 튜링 - 마찬가지로 악수 시험 (동영상) | JoVE Journal
Uploaded: 2010-12-15T15:45:00.000+00:00
Duration: 14 min 5 s
Description: 학습하세요 텔레로봇 인터페이스를 이용한 튜링형 악시험으로 인간과 유사한 악수 모델을 평가하는 방법을 배우세요. 이 연구는 인간-로봇 상호작용과 운동 장애 진단에 활용됩니다.

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

AK가 제안한 튜링 같은 핸드 쉐이크 시험에 대한 유용한 토론 게리 로브 감사하고자합니다. AK와 관련 2007 년이 프로토콜을 다시의 첫번째 버전의 설계에 기여 나다니엘 레이 보위 츠와 Lior Botzer 감사하고 싶습니다. 이 연구는 이스라엘 과학 재단 (부여 번호 1018년부터 1008년까지)에 의해 지원되었다. SL은 Kreitman 재단 박사 친교에 의해 지원됩니다. IN은 Kreitman 재단과 클로어 장학 프로그램에 의해 지원됩니다.

1. 시스템 준비 <ol><li> 하드웨어 요구 사항 : <ul><li> SensAble 테크놀로지 주식 회사에 의해 두 팬텀 데스크탑 로봇 </li><li> 이 병렬 카드. </li><li> 최소 시스템 요구 사항 : 인텔이나 AMD 기반 PC, 윈도우 2000/XP, 디스크 공간의 250메가바이트 </li></ul></li><li> 소프트웨어 요구 사항 : <ul><li> 드라이버 SensAble 기술 웹사이트에서 다운로드 드라이버 <a href="http://www.sensable.com">http://www.sensable.com</a> 컴퓨터 운영 체제에 따라. </li><li> H3DAPI - 에서 설치 연습 섹션에 표시되는 지침에 따라 H3DAPI 소스 코드를 다운로드하고 설치 <a href="http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation</a> 우리는 기존의 코드에서 만난되지 않은 우리의 요구 사항에 맞게 코드를 업데이 트했습니다. 업데이트된 파일은 핸드 쉐이크 대회 웹사이트에서 다운로드할 수 있습니다 <a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html">http://www.bgu.ac.il/ ~ akarniel / 악수 / / index.html 페이지</a> 위의 웹사이트에서 설명한대로 각 파일은 해당 폴더에 배치해야합니다. 변경 사항을 수행 후, CMake를 다운로드하고 코드를 컴파일합니다. 컴파일 지침에서 찾을 수 있습니다 <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> X3D와 파이썬 <ul><li> 에서 다운로드 파이썬 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> 핸드 쉐이크 웹사이트에서 파이썬과 x3d 코드를 다운로드하고 인스턴스에 대한 전용 디렉토리에있는 코드 파일을, 장소 : "C : \ codeDirectory" </li><li> 각 핸드 쉐이크 강제 모델은 별도의 파이썬 파일에 작성해야합니다. 스프링 힘 모델의 예를 들어 그림 1을 참조하십시오. </li></ul></li><li> 에서 구할 수 Matlab에 대한 psignifit 도구 상자 버전 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="그림 1" data-altupdatedat="1787634011000" data-alt="그림 1"> 그림 1. Python으로 강제로 기능. 악수를위한 스프링 힘 모델의 예 2. 실험 프로토콜 <ul><li> 명령 창을 열고 입력하여 파이썬과 x3d 코드 디렉터리로 변경합니다 : CD C : \ codeDirectory. </li><li> C에있는 과목 '이름으로 폴더를 만듭니다 : \ codesDirectory. </li><li> h3dload code_name.x3d : 실험 유형을 실행하기 위해서. </li><li> 입력하여 새 임의 파일을 만듭니다 : random_file_name.txt. 임의의 파일은 서로 다른 handshakes가 표시되는 순서를 정의합니다. </li><li> 정확하게 이전에 만든 폴더에있는 대상의 이름을 입력합니다. </li><li> 인간, 컴퓨터, 그리고 심문 : 전통적인 튜링 테스트의 원래 개념에 따라, 각 실험 3 엔티티로 구성되어 있습니다. 두 과목 (인간과 심문) 각 한 팬텀 haptic 장치의 스타일러스 잡고 악수의 움직임을 생성합니다. 그들은 화면에 나타나는 지시에 따라 요청 (예 : "최초의 핸드 셰이크에 대한 페이지를 누르십시오"), 핸드 쉐이크 세력이 적용되어 있어야합니다. 다음 방법 중 모두에서, 각각의 재판은 2 handshakes 구성되어 있으며 과목은 그들 사이에 비교해야합니다. 컴퓨터는 시간의 함수와 1 차원 손 위치와 그 유도체로 강제 신호를 생성하는 가상 악수 모델입니다. (1) F 모델 (t) = Φ [X (t), t] 0 ≤ t ≤ T F 어떠한 인과 관계 연산자, 한 차원 스타일러스 운동의 예, 비선형 시간 다양한 기계적 모델, 그리고 T는 핸드 셰이크의 기간입니다에 대한 [X, T] 의미합니다. 현재 연구에서 T = 5 초. </li></ul><ol><li> "순수"테스트를 실시하고 P를 MHLG 모델 인간 닮은 등급 계산 실험은 모든 handshakes (n은 = 24)이 과목은 단순히 telerobotic 시스템을 통해 서로 악수 인간, 그러한되는 12 연습 시험과 함께 시작됩니다. 이러한 연습 시험의 목적은 참가자가 시스템에서 인간의 악수에 조예가 있도록하는 것입니다. 실험에서, 우리는 네 컴퓨터 모델을 비교합니다. 각 실험 블록은 우리가 인간의 악수에 4 테스트 모델을 비교하는 4 실험으로 구성되어 있습니다. 각 재판에서 handshakes 중 하나는 4 가지 모델 (컴퓨터) 중 하나에서 생성된 무력으로 상호 작용이며, 다른 하나는 (두 번째 주제) 인간이다. 따라서 과목 인간과 심문 모두 같은 기능을 수행합니다. 각 블록 내에서 실험의 순서는 무작위로하고 정해진 것입니다. 각 실험은 각 컴퓨터의 핸드 쉐이크가 10 번 반복되는 등 10 블록의로 구성되어 있습니다. 초기 unanalyzed bloCK는 시스템과 작업과 일반적인 안면을위한 추가됩니다. 각 모델에, 피사체가 더 인간 같은 인간으로 악수를 통해 모델 악수를 선택하는 handshakes의 비중이 모델은 인간에서 구별할 때 0.5입니다 가치를 제공하기 위해 계산됩니다. 우리는 MHLG의 P, 같은 것을 MHLG = 0과 같은 비 인간과 테스트 핸드 셰이크가 인간의 핸드 셰이크에서 구별할 수 있는지 = 1 의미 MHLG 있었다.을 얻기 위해 두 가지로이 값을 곱하면 </li><li> "가중 인간 모델"테스트를 실시하고 모델을 인간 사야 학년 MHLG w를 계산 이 프로토콜에서는 단 하나의 심문 제목이 있습니다. handshakes에서 인간 법인으로서 다른 주제 기능. 실험 심문 각 재판에서 한 인간의 악수 한 컴퓨터 악수를 경험하는 30 연습 시험과 함께 시작됩니다. 재판의 끝에 그들은 인간의 악수했습니다 2 handshakes 중 어떤 선택하도록 요청합니다. 그들이 성공했을 경우, 화면이! "정답"표시하고, 그들이 올바른 악수, 선택하지 않은 경우 "잘못!" 메시지가 나타납니다. 연습 블록 후 실험은 다음과 같이 실시합니다 : 재판은 두 handshakes 구성되어 있습니다. 중 하나에 handshakes - 자극 - 심문은 인간과 컴퓨터의 핸드 쉐이크 모델에서 나온 세력의 결합과 상호 작용합니다. (2) F = α 자극 • F 인간 + (1 - α 자극) • F stimulusModel α의 자극은 동일하게 0에서 1 예로 배포됩니다 : α 자극 = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1} 다른 악수 - 참조 - 사람과 참조 모델에서 생성된 세력의 고정 조합입니다 : (3) F = α 참조 • F 인간 + (1 - α 참조) • F referenceModel, α = 0.5 참조 각 재판의 끝에 심문 더 인간 같은 느낌이 악수를 선택하는 요청합니다. 각각의 실험에서는 두 가지 테스트 모델을 하나의 기본 모델을 비교합니다. 각 실험 블록은 3 모델 조합의 각 자극과 인간 (eq. 2)의 선형 조합의 각 구성된 24 시험으로 구성되어 있습니다 : <img src="/files/ftp_upload/2492/2492model1.jpg" alt="모델 1" data-altupdatedat="1787634011000" data-alt="모델 1"> 각 블록 내에서 실험의 순서는 무작위로하고 정해진 것입니다. 각 실험은 각 조합이 10 번 반복되는 등 10 블록의로 구성되어 있습니다. 초기 unanalyzed 블록 시스템 및 작업과 함께 일반적인 안면을위한 추가됩니다. 우리는에서 구할 수 Matlab에 대한 psignifit 도구 상자 버전 2.5.6을 사용하여 심문의 답변을 물류 psychometric 기능을 하나 맞는 <a href="http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/을</a> 의 평가에 대한 제약이 최대 가능성 방법으로 매개 변수, 그리고 편견 - 수정 및 가속 (BCA) 부트 스트랩 방법으로 신뢰 간격을 찾으십시오. α 참조 - 곡선 자극 핸드 쉐이크는 α의 자극의 함수로 더 인간 같은이라고 대답을 심문의 확률을 표시합니다. 주관적 평등 (PSE)의 요점은 α의 자극과 handshakes과 같은 똑같이 인간으로 인식되는 α에 대한 참조의 차이를 나타내는 psychometric 곡선의 0.5 임계값 수준에서 추출됩니다. PSE가에 따라 MHLG w을 계산하는 데 사용됩니다 : (4) MHLG W = 0.5 - PSE 참조 모델로 인간처럼 같은 것으로 인식되고 모델은 MHLG w 값을 0.5을 산출. 이상 또는 대부분의 인간과 같은 가능한 인식하는 모델은 각각 0 또는 1의 w 값을 MHLG 얻을 수 있습니다. </li><li> "추가 잡음"테스트를 실시하고 모델을 인간 사야 등급 MHLG N을 계산 마찬가지로 가중 모델 인간 테스트하는 단 하나의 심문 제목이 있습니다. handshakes에서 인간 법인으로서 다른 주제 기능. 연습 블록은 또한 이전 방법에서와 동일합니다. 연습 후, 2 handshakes 중 하나 - 자극 - 심문은 컴퓨터 핸드 쉐이크 모델과 상호 작용합니다. 다른 악수 - 참조 - 인간 핸드 셰이크에 나타나는 주파수에 따라 필터링된 주파수 범위와 인간과 백색 잡음의 조합에서 생성된 힘이됩니다. (5) F = α • F 인간 + (1 - α) • F 소음; α는 똑같이 예, 0에서 1로 배포됩니다 : α = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1} 각 재판의 끝에 심문 더 인간 같은 느낌이 악수를 선택하는 요청합니다. 실험은 가중 MO 같은 방법으로 만들어졌습니다위에서 언급한 델 - 인간의 테스트는 내장되어 있습니다. 가중 인간 모델 테스트에 보정이 실험에서, 자체의 수정 조합에 기본 모델의 다른 조합을 비교하여 수행하는 동안 그러나, 기본 모델은 소음으로 대체할 수 있습니다. PSE는 psychometric 곡선에서 추출하고 MHLG N을 정의합니다 (6) MHLG N = 1 - PSE 이상 또는 대부분의 인간과 같은 가능한 인식하는 모델은 각각 MHLG N 0 또는 1의 값을 얻을 수 있습니다. </li></ol> 3. 대표 결과 : 그림 2는 3 가지 방법 각각에 대해 하나의 주제의 결과를 보여줍니다. 세 실험에서 테스트 모델은 2 점탄성 모델 - KB1 위치 : 봄 K = 50 N / m, 댐퍼 B = 2 NS / M; KB2 : 봄 K = 20 N / m, 댐퍼 B = 1.3 NS / M. 가중치 모델 인간의 테스트에서 MHLG w는 탄성 기본 모델 K = 50 N / M.에 테스트 모델을 각각 비교하여 평가 <img src="/files/ftp_upload/2492/2492fig2.jpg" alt="그림 2" data-altupdatedat="1787634011000" data-alt="그림 2"> 그림 2. "순수"테스트 프로토콜 (A)에 따라 두 점탄성 모델의 MHLG 값은 "가중치 모델 인간 프로토콜"(B) 및 "추가 노이즈"프로토콜 (C). 에서 오차 막대 (B)와 (C) psychometric 곡선 '신뢰 간격을 나타냅니다. 검은 막대 모델에 대한 MHLG 등급을 대표하고, 회색 바 (B)와 (C)에있는 소음의 기본 모델들을 나타냅니다. 결과는 점탄성 모델 KB2이 세 가지 평가 방법을 사용하여 다른 점탄성 모델 KB1보다 같이 많은 사람으로 인식 것을 보여줍니다.

<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>

관심 없음 충돌 선언하지 않습니다.

우리는 간단한 telerobotic 시스템을 통해 실시 강제 선택 튜링 같은 핸드 쉐이크 시험을위한 새로운 프로토콜을 제시했습니다. 이 프로토콜은 오히려 절대 인간 닮은를 결정하기위한 플랫폼보다 인공 악수 모델을 비교하기위한 플랫폼입니다. 이 프로토콜은 몇 회의 2-5로 표시되었습니다 우리는이 검사가 가장 인간과 같은 느낌을 제공하는 운동의 수동적인 특성의 매개 변수를 찾는 데 도움이되어 여기에 표시합니다. 이것은 최대한 인간과 같은 것입니다 악수를위한 모델을 개발하기 위해 더욱 연구에 사용할 수 있습니다. 우리는 [[여름 2011 년 자리를 취할 것입니다 처음으로 튜링 같은 핸드 쉐이크 대회에서이 플랫폼을 채용합니다 <a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html">http://www.bgu.ac.il/ ~ akarniel / 악수 / index.html 페이지</a> ]], 경쟁 모델이 거기에있을 것이다 그들의 인간의 초상화에 대한 등급. 궁극적인 모델은 아마도 nonlinearities과 인간의 임피던스 21 심문 및 테스트이 강제 선택 튜링 같은 악수 테스트를 사용하여 순위를해야합니다 자연 인간의 악수의 여러 다른 측면과 상호 적응의 시간 변화 특성을 고려해야한다. 제안된 시험은 1 차원 및 telerobotic 인터페이스를 통해 수행되며, 따라서 제한됩니다 : 그것은 같은 촉각 정보, 온도, 수분, 그리고 욕심 세력으로 핸드 셰이크의 여러 측면을 숨깁니다. 그럼에도 불구하고, 여러 연구에서 telerobotic 인터페이스 handshakes 6-11과 인간 - 인간 상호 작용 12 다른 형태를 체험 사용되었다. 또한, 검사의이 버전에, 우리는 육체적인 접촉을 전후 악수, 개시 및 출시 시간, 그 다차원 자연과 손 궤도의 기간을 고려하지 않았다. 사람 13-14 따라서의 성별과 문화에 따라 handshakes 많은 종류가 있습니다, 하나는 단일 최적의 인간과 같은 핸드 셰이크 모델을 생성하는 기대 수 없습니다. 그럼에도 불구하고, 우리는 제안된 시험의 단순 적어도 연구의 초기 단계에서, 장점이라고 생각합니다. 이러한 1 차원 핸드 셰이크의 주요 기능이 제대로 특징 일단 우리는 이러한 한계를 고려하고 그에 따라 테스트를 연장에 이동할 수 있습니다. 이것은 튜링과 같은 핸드 쉐이크 시험 대신 상대방의 정체성에 대해 질문하는 사람의 컴퓨터와, 반대로 될 수 있다고 지적한다. 이 프레임 워크에는 다음과 같은 반대로 핸드 쉐이크 가설을 고려 악수의 목적은 떨면서 손을 프로브하는 것입니다, 리버스 핸드 쉐이크 가설, 최적의 핸드 셰이크 알고리즘에 따라 - 그것은 인간의 악수에서 구별할 수있을 것이라는 의미에서 - 윌 최고의 사람과 기계 사이의 차별을 용이하게합니다. 즉, 모델이 적절히 조정된 분류는 인간과 기계 handshakes 구별 수있는 등 최고의 핸드 셰이크를 반환합니다. 반대 핸드 쉐이크 가설은 실제로 맞다면 그것은 우리가 테스트를위한 임상 응용 프로그램을 산출 : 다양한 신경 모터 관련 장애, 뇌성 마비 등 (CP)로 고통 받고있는 사람 모터 장애를 식별. 도달 움직임 15-16을 수행할 때 이전 연구 CP 환자와 건강한 과목 사이 동점 매개 변수의 차이를 보이고있다. 우리는 최근 telerobotic 시스템 4 악수 때 운동의 특징은 CP와 함께 건강한 개인과 개인 사이에 다를 것으로 나타났다. 이러한 연구 결과는 모터 장애인이있는 사람은 각 개인의 핸드 셰이크의 움직임을 조사하고 탐구함으로써 건강한 사람에서 구분할 수있는 우리의 주장을 강화. 하나는 또한 여기에 기술된 테스트 지각 테스트 최근 연구에서 지각과 행동 17-20 구별됩니다 것입니다. 미래 연구는 정확하게 인간과 같은 핸드 쉐이크의 특성을 평가하기 위해 시험 세 가지 버전을 탐험한다 : 인식 유사성 (1) psychometric 테스트, 모터를 모색할 것입니다 (2) 모터 동작 테스트 (motormetric 테스트) 그 / 그녀의 cognitively 인식 유사성과 다를 수 있습니다 심문의 반응, 힘 및 위치 궤도를 기반으로 인간과 기계 handshakes 구별을 시도합니다 (3) 궁극적으로 최적의 discriminator. 일반적인 관점에서, 우리는 모터 제어 시스템을 이해하는 것은 뇌의 기능을 이해하기위한 필수적인 조건임을 주장하고, 그러한 이해는 인간에서 분간 인간형 로봇을 구축하여 증명 수 있습니다. 현재 연구는 telerobotic 시스템을 통해 handshakes에 초점을 맞추고 있습니다. 우리는 주장 우리가 제안한 튜링 같은 악수 테스트를 사용하여 인간의 손 움직임을 컨트롤의 자연에 대한 일반적인 과학적 가설을 순위로인간의 모터 컨트롤이나 인간의 팔에서 구별할 수있는 인공 돌출부를 구축하는 데 필요한 최소한 돌출 속성 돌출 특성을 추출할 수 있어야합니다.

<table><tbody><tr><td>PHANTOM 데스크톱 로봇 2대</td><td>SensAble, Geomagic</td><td></td><td>병렬 카드 2개&lt;br/&gt;최소 시스템 요구 사양: Intel 또는 AMD 기반 PC; Windows 2000/XP, 디스크 공간 250 MB</td></tr><tr><td>SensAble technologies 드라이버</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 소스 코드</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 코드</td><td></td><td></td><td></td></tr><tr><td>psignifit 툴박스 버전 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>

자동차 인텔리 전스에 대한 1 차원 튜링 - 마찬가지로 악수 시험

One Dimensional Turing-Like Handshake Test for Motor Intelligence

튜링 테스트에서 컴퓨터 모델은 그것이 인간의과는 구별되지 않습니다 답변을 생성할 수있다면 &quot;지능적으로 생각&quot;로 간주됩니다. 그러나이 시험은 기계 지능의 언어적 측면으로 제한됩니다. 두뇌의 돌출 기능은 운동의 제어이며, 인간 손의 움직임이 기능의 정교한 시범입니다. 따라서, 우리는 기계 모터 인텔리 전스를위한, 튜링 같은 악수 테스트를 제안합니다. 우리는 심문이 로봇 스타일러스를 들고 또 다른 당사자 (인간 또는 인공)의 상호 작용의 작업에 종사하는 telerobotic 시스템을 통해 시험을 관리할 수 있습니다. 대신 상대방이 사람이나 컴퓨터 프로그램인지 여부를 심문 요청, 우리는 두 대안 강제 선택 방식을 채용하고보다 인간과 같은 두 시스템 중 어떤 부탁드립니다. 우리는 인간의 핸드 쉐이크 동작하기 위해 유사에 따라 각 모델에 대한 양적 등급을 추출하고 &quot;모델 인간 닮은 학년&quot;(MHLG)을 이름. 우리는 MHLG을 추정하기 위해 세 가지 방법을 제시한다. (I) 모델이 더 인간 같은 인간보다 그 과목 &#39;답변의 비율을 계산하여, (2) 우리가 psychometric 곡선에 맞게하고 주관적인 평등의 요점을 추출 인간과 모델 handshakes 두 가중 총액 (PSE를 비교하여 ) (3) 인간과 임의의 신호의 가중 합계로 특정 모델을 비교하여, 우리는 심문의 답변을 psychometric 곡선에 맞게하고 가중치 합계에있는 인간의 무게에 대한 PSE 압축을 풉니다. 모두, 우리는 인간의 핸드 셰이크의 전산 모델을 테스트하는 프로토콜을 제공합니다. 우리는 모델을 구축하는 것은 인간의 핸드 셰이크의 생성에 책임이있는 신경 메커니즘을 이해하는이 경우에는 필요한 모든 현상을 이해하는 단계와,이라고 믿고 있습니다.

우리는 심문이 로봇 스타일러스를 들고 또 다른 당사자 (인간 또는 인공)의 상호 작용되는 telerobotic 시스템을 통해 실시 튜링 같은 악수 테스트를 제시한다. 우리는 강제 선택 방식을 사용하고 인간의 악수하는 인공 모델의 유사성에 대한 측정의 압축을 풉니다.

튜링 테스트에서 컴퓨터 모델이 인간의 답변과 구별할 수 없는 답변을 생성할 수 있다면, 해당 모델은 "지능적으로 사고한다"고 간주됩니다. ...

본 절차의 전반적인 목적은 악수 컴퓨터 모델이 실제 사람의 악수와 얼마나 유사한지를 결정하는 것입니다. 이를 위해 먼저 피험자에게 사람의 악수, 컴퓨터가 생성한 악수, 또는 텔레로봇 인터페이스를 이용한 두 가지의 조합으로 구성된 악수 쌍을 제시합니다. 절차의 두 번째 단계에서는 각 피험자에게 각 쌍 중에서 어떤 악수가 더 사람과 유사한지 선택하도록 요청합니다.절차의 마지막 단계는 피험자의 답변을 통해 악수 모델의 인간 유사도 등급, 즉 모델 인간 유사도 등급(MHLG)을 계산하는 것입니다. 결과적으로, 튜링 유사 악수 테스트를 이용한 MHLG를 통해 서로 다른 모델 간의 유의미한 차이를 보여주는 결과를 얻을 수 있습니다. 사실 튜링 테스트는 언어적 지능에 국한되어 있으며, 과학자들과 엔지니어들은 운동 행동의 운동 제어 측면에서 인공 지능과 자연 지능 사이에 큰 격차가 있음을 관찰하였습니다.많은 과학자들이 튜링 테스트의 운동 버전(motor version)에 대해 생각해 왔으나, 최근에 이르러서야 연구실에서 구동 가능한 로봇 장치들이 보급되었으며, 이를 통해 튜링 테스트와 유사한 악수 테스트를 위한 단순하고 재현 가능한 프로토콜의 구현이 가능해졌습니다. 이 방법은 자연스러운 인간의 촉각 경험을 제공하는 인간 팔 움직임의 핵심 특징은 무엇인가와 같이, 인간-로봇 상호작용 분야의 주요 질문들에 답하는 데 도움이 될 수 있습니다. 이 기술의 함의는 뇌성마비와 같은 운동 장애의 진단으로까지 확장됩니다.다음 단계는 건강한 사람의 악수와 장애가 있는 사람의 악수를 구분할 수 있는 로봇 진단 장치를 제작하는 것입니다. 텔레로보틱 시스템을 통한 악수 동작은 자연스럽지 않으며, 로봇을 다루고 상호작용하는 방법을 익히는 데 시간과 연습이 필요하므로 이 방법에 대한 시각적 시연이 매우 중요합니다. 고전적인 튜링 테스트의 원래 개념에 따라, 악수 실험은 인간, 컴퓨터, 심문자라는 세 가지 개체로 구성됩니다.심문자와 피실험자는 같은 방에 앉아 있지만 스크린으로 분리되어 있어, 심문자는 컴퓨터와 인간 중 누가 악수를 생성하고 있는지 알 수 없습니다. 악수는 직접적인 신체 접촉이 아니라, 인간의 악수일 경우에는 두 대의 팬텀 데스크탑 로봇으로, 컴퓨터의 악수일 경우에는 한 대의 팬텀 로봇과 소프트웨어로 구성된 기계적 텔레로봇 인터페이스를 통해 이루어집니다. 컴퓨터 악수의 경우, 컴퓨터 화면에 'handshake'라는 단어가 나타나면 심문자와 피실험자는 즉시 텔레로봇 인터페이스의 스타일러스를 수직 방향으로 움직여 악수 동작을 수행합니다.심문자의 역할은 두 가지 핸드셰이크를 비교하고, Home 또는 F1 키를 눌러 첫 번째 핸드셰이크를 선택하거나 End 또는 F2 키를 눌러 두 번째 핸드셰이크를 선택함으로써 어느 것이 더 인간과 유사한지 결정하는 것입니다. 이 비디오에서 시연되는 세 가지 실험 프로토콜은 비교 대상이 되는 핸드셰이크의 구성에 따라 서로 다릅니다. 첫 번째 프로토콜은 순수 튜링 테스트 프로토콜로, 인간의 핸드셰이크와 컴퓨터가 생성한 핸드셰이크 사이에서 선택을 진행합니다.두 번째 프로토콜에는 인간이 생성한 힘과 컴퓨터가 생성한 힘이 다양하게 구성된 악수가 포함됩니다. 세 번째 프로토콜에는 인간이 생성한 악수와 노이즈의 다양한 조합, 또는 순수하게 컴퓨터가 생성한 힘으로 이루어진 악수가 포함됩니다. 실험 중에 '랜덤 파일의 이름을 입력하십시오'라는 프롬프트가 나타나면 랜덤 파일이 자동으로 생성됩니다.파일이 이미 존재하는 경우, 시스템은 기존 파일을 사용합니다. 그렇지 않은 경우, 시스템은 지정된 이름으로 새로운 무작위 파일을 자동으로 생성합니다. 이 무작위 파일은 서로 다른 핸드셰이크가 발생하는 순서를 정의합니다.본 실험 프로토콜은 인간과 심문자가 텔레로봇 시스템을 통해 총 24회 악수를 나누는, 2회씩 12번의 연습 시행으로 시작됩니다. 심문자는 이 단계에서 자신이 인간과 악수를 하고 있다는 사실을 알고 있습니다. 이러한 연습 시행의 목적은 참가자들이 텔레로봇 인터페이스에 익숙해지도록 하는 것입니다.연습 라운드 이후, 각 시행에서 4회 시행으로 구성된 한 블록을 수행합니다. 이 예시에서 보여주는 것과 같이 무작위 순서로 인간의 악수와 네 가지 컴퓨터 모델 악수 중 하나를 비교합니다. 예를 들어, 블록 1의 시행 1에서 심문자는 두 번 악수를 합니다.첫 번째 악수는 사람이 생성하고, 두 번째 악수는 모델 3에서 규정한 힘을 사용하여 컴퓨터가 생성합니다. 그런 다음 심문자는 악수 1번과 악수 2번 중에서 어떤 악수가 더 사람과 유사한지 선택합니다. 예를 들어, 심문자가 더 사람과 유사하다고 판단하여 악수 1번을 선택했다면, 심문자는 사람의 악수를 선택한 것입니다.하지만 심문자는 다음 시행에서 인간의 악수를 정확하게 식별했는지 여부를 알지 못합니다. 심문자의 첫 번째 악수는 컴퓨터로 생성된 모델 2와 이루어지고, 두 번째 악수는 인간과 이루어집니다. 심문자는 다시 한번 가장 인간다운 악수를 선택합니다.유사한 방식으로 두 번의 실험을 더 수행합니다. 나머지 두 모델인 모델 1과 모델 4를 인간의 악수와 비교하여 테스트합니다. 이렇게 하여 한 블록의 실험이 완료됩니다.본 실험은 11개의 블록으로 구성되며, 각 블록은 4회의 시행으로 이루어지고 4가지 모델 악수가 각 블록 내에서 무작위 순서로 제시됩니다. 첫 번째 블록은 연습 블록이며, 분석은 나머지 10개 블록을 대상으로 수행됩니다. 실험의 10개 블록을 모두 완료하면, 4가지 악수 모델 각각에 대해 인간의 악수와 10회씩 테스트하게 됩니다.11개의 실험 블록을 모두 완료한 후, 테스트한 4가지 모델 각각에 대해 모델 인간 유사도 등급을 계산합니다. 분석은 피실험자가 모델의 악수가 사람의 악수보다 더 인간답다고 말한 악수의 비율을 계산하여 수행합니다. 예를 들어, 심문자가 10번의 악수 중 2번에서 사람의 악수보다 모델의 악수를 선택했다면, 사람 대비 모델의 비율은 0.2가 되며, 이 비율에 2를 곱하여 모델 인간 유사도 등급을 산출합니다.비율이 0.2인 각 모델의 경우, 해당 모델의 인간 유사도 등급은 0.4가 됩니다. 만약 10회의 시도 중 4회에서 모델 3이 더 인간과 유사한 것으로 선택되었다면, 해당 모델의 비율은 0.4가 되며 모델 인간 유사도 등급은 0.8이 됩니다. 모델을 인간과 구별할 수 없는 경우, 계산된 비율은 0.5가 되며 모델 인간 유사도 등급은 1이 됩니다.모델이 그 모델처럼 명백히 비인간적이라면, 인간 유사도 등급은 0이 됩니다. MHLG의 최대치는 1로 제한됩니다. 본 프로토콜에서 생성된 악수는 인간 부분 모델과 분리되며, 특정 조합은 순수 컴퓨터 생성 악수부터 순수 인간 악수까지의 척도에 따라 실험마다 다르게 적용됩니다.따라서 이 일련의 실험은 가중치 부여 인간 모델 테스트라고 합니다. 프로토콜은 인터로게이터가 순수하게 인간의 악수를 인식하는 법을 익히고 장치에 익숙해지도록 돕는 연습 블록으로 시작됩니다. 이에 따라 연습 블록은 순수한 인간의 악수와 컴퓨터가 생성한 악수를 비교하는 30회의 시행으로 구성됩니다.각 시도 끝에, 응답자는 두 번의 악수 중 어느 것이 더 인간다웠는지 선택합니다. 응답자가 인간의 악수를 정확하게 식별하면 화면에 정답(correct)이 표시됩니다. 응답자가 정답을 선택하지 못하면 오답(wrong) 메시지가 나타나며, 응답자는 마지막 연습 시도를 반복할 기회를 갖게 됩니다.연습 블록 이후, 질문자는 두 가지 악수를 평가하기 위해 일련의 시행을 시작합니다. 두 가지 악수는 자극 악수와 기준 악수이며, 각각은 인간의 힘과 모델의 힘이 결합된 형태입니다. 기준 악수에서 질문자가 느끼는 악수는 인간이 생성한 힘과 컴퓨터로 생성된 모델의 힘이 균등하게 혼합된 상태입니다.다시 말해, 피실험자가 악수 동작을 수행하는 동안, 해당 악수는 심문자가 인지하는 힘의 50%만을 구성하며, 나머지 50%의 힘은 자극 악수의 모델에서 제공됩니다. 따라서 심문자가 느끼는 악수는 인간과 컴퓨터 생성 모델에 의해 생성된 힘이 가변적으로 혼합된 형태입니다. 일부 자극 악수에서는 인간이 기여하는 비율이 절반 이상이며, 따라서 기준 악수보다 더 큽니다. 다른 자극 악수에서는 인간이 기여하는 비율이 절반 미만이며, 따라서 기준 악수보다 더 작습니다.각 시행이 끝날 때, 피험자는 더 사람처럼 느껴진 악수를 선택하도록 요청받습니다. 본 실험은 두 개의 테스트 모델과 한 개의 베이스 모델을 포함한 총 세 개의 모델을 비교합니다. 순수 프로토콜과 마찬가지로, 본 프로토콜은 분석되지 않은 한 개의 블록으로 시작하며, 이후 10개의 실험 블록이 이어집니다.각 실험 블록은 세 가지 모델 조합 각각에 대해 모델과 인간의 여덟 가지 선형 조합으로 구성된 24회의 시행으로 이루어집니다. 10개의 실험 블록을 완료하면, 질문자의 답변에 로지스틱 심리물리 함수를 적합시킵니다. 동반 논문에 기술된 바와 같이, 결과 곡선은 질문자의 확률을 나타냅니다.이에 답하기 위해, 자극 핸드셰이크가 참조 핸드셰이크보다 더 인간과 유사한지 판단합니다. alpha 자극에서 alpha 참조를 뺀 값의 함수로서, 주관적 동등점(PSE)은 사이코메트릭 곡선의 0.5 임계값 수준에서 추출되며, 이는 핸드셰이크가 모델과 동일하게 인간과 유사하다고 인지되는 alpha 자극과 alpha 참조 사이의 차이를 나타냅니다. 가중 인간 모델 프로토콜의 인간 유사도 등급은 0.5에서 PSE를 빼서 계산하며, 가장 덜 인간답게 또는 가장 인간답게 인지되는 모델은 각각 0 또는 1의 모델 인간 유사도 등급 값을 생성합니다. 최종 프로토콜에서는 모델 핸드셰이크를 일부는 인간이고 일부는 무작위 노이즈인 핸드셰이크와 비교합니다.본 프로토콜에서 자극 핸드셰이크(stimulus handshake)는 모델을 기반으로 컴퓨터가 생성한 핸드셰이크입니다. 또 다른 핸드셰이크인 참조 핸드셰이크(reference handshake)는 인간의 핸드셰이크와 화이트 노이즈의 다양한 조합으로 생성된 힘으로, 최대 절대 힘은 2 N이며 2/π의 최대 주파수에서 5차 저역 통과 버터워스 필터(Lowpass Butterworth filter)를 사용하여 필터링되었습니다. 각 시행의 끝에서 심문자는 더 인간처럼 느껴진 핸드셰이크를 선택하도록 요청받습니다.이 프로토콜은 이전의 가중치 적용 인간 모델 테스트와 유사한 설계를 가지고 있습니다. 연습 라운드와 분석에서 제외되는 블록을 거친 후, 다음과 같이 10개의 실험 블록 시리즈가 실행됩니다. 이전과 동일하게 심리측정 곡선에서 PSE를 추출하며, 이는 노이즈 추가 프로토콜에 대한 모델의 인간 유사도 등급을 정의합니다.이 그림은 순수 프로토콜의 결과를 보여주며, 인간의 악수와 두 가지 서로 다른 모델 악수를 비교합니다. 두 지점은 KB one 및 KB two라고 명명된 두 가지 점탄성 모델에 대해 계산된 모델 인간 유사도 등급 값을 나타냅니다. 결과는 모델 KB two가 모델 KB one보다 더 인간과 유사하게 인식됨을 보여줍니다.이 그림은 가중 모델 인간 프로토콜의 결과를 보여주며, 이는 변화하는 비율의 인간 모델 악수와 고정된 50 50 비율의 인간 모델 악수를 비교한 것입니다. 검은색 마커는 테스트 모델의 모델 인간 유사도 등급을 나타내며, 회색 마커는 기본 모델의 등급을 나타냅니다. 오차 막대는 심리 측정 곡선의 신뢰 구간을 나타냅니다.이 그림은 모델 핸드셰이크와 인간 성분 및 노이즈 성분의 비율을 달리한 핸드셰이크를 비교한 노이즈 추가 프로토콜의 결과를 보여줍니다. 검은색 표식은 모델의 인간 유사도 등급을 나타내며, 회색 표식은 노이즈의 등급을 나타냅니다. 오차 막대는 사이코메트릭 곡선의 신뢰 구간을 나타냅니다.이러한 결과는 세 가지 평가 방법을 모두 사용했을 때, 점탄성 모델 KB two가 점탄성 모델 KB one보다 더 인간과 유사하게 인식됨을 입증합니다. 이 절차를 수행하는 동안, 로봇 장치와 적절하게 상호작용하고 상호작용이 최대한 원활하게 이루어지도록 노력하는 것이 중요합니다. 본 절차 외에도, 전반적 발달 장애가 있는 사람의 악수 인식 테스트와 같은 다른 방법들을 통해 '전반적 발달 장애가 인간의 제스처와 비인간의 제스처를 구별하는 능력에 어떤 영향을 미치는가?'와 같은 추가적인 질문에 대한 답을 구할 수 있습니다. 이제 개발된 이 기술은 악수를 인식 도구로 활용하는 길을 열어줄 수 있을 것입니다.우리는 악수의 목적이 상대방에 대한 정보를 습득하는 것이라는 가설을 세웠습니다. 따라서 인간과 유사한 악수를 구현하기 위해 제안하는 방법론은 상대방의 악수로부터 정보를 추출할 수 있는 악수 분류 시스템의 개발 또한 촉진할 수 있습니다. 이 영상을 시청하고 나면, 1차원 투어 형태의 악수 테스트를 수행하는 방법과 제1회 국제 투어 형태 악수 테스트 토너먼트에 제출된 악수 모델들을 어떻게 평가할 것인지에 대해 충분히 이해하게 될 것입니다.

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

Research

연구

JoVE Journal

Neuroscience

신경과학

수동 손재주는 주로 영장류의 특권으로 행동 작업은 짧은 꼬리 원숭이 원숭이를 개발하고 있습니다. 네 손으로 조작 능력과 힘을 측정 포착 작업을 도달하고 파악, 중추 신경계의 병변 후 기능 회복을 수립하고 치료의 효과를 테스트할 수 있습니다.

비 인간 영장류에서 수동 손재수의 행동 평가

이 비디오는 우뇌 병변이 있는 반파킨슨병 쥐의 운동 기능을 평가하기 위한 계단 테스트를 보여줍니다. 병변은 도파민 신호 전달을 방해하여 왼쪽 발 조절을 손상시켜 왼쪽 계단에 더 많은 펠릿이 남아 운동 기능 장애를 나타냅니다.

반파킨슨병 쥐의 운동 기능 평가를 위한 계단 테스트

(훈련 비) 반면에 모터 기술 성능 향상을 위해 한 손으로의 자발적인 제어를 이용 하는 새로운 가상 현실 기반된 설치를 설명 합니다. 이 마치 훈련 비 손을 움직이는 운동 기반 실시간 감각 피드백을 제공 하 여 이루어집니다. 이 새로운 접근은 일방적인 hemiparesis 환자의 재활을 향상 시키기 위해 사용할 수 있습니다.

가상 현실을 사용 하 여 다른 한 손으로에서 모터 기술 지식을 전송 하

이 원고는 supination 쥐에 단정 되는 반자동된 작업을 설명 합니다. 쥐가 도달 하 고, 파악 supinate 구형 manipulandum. 회전 각도 사용자가 설정한 조건을 초과 하는 경우는 쥐 펠 릿으로 보상 된다. 이 작업 처리량, 상해, 및 객관성 전통적인 작업에 비해 감도 증가 합니다.

손잡이 Supination 작업: 쥐의 Forelimb 함수를 평가 하기 위한 반 자동화 방법

발 스텝 소개 직렬 반응 시간 (SRT) 작업. 이 SRT 작업을 수정, 고전적인 SRT를 보완 포함 손가락 눌러 운동만, 더 나은 작업 매일 시퀀스 활동에 근접 그리고 개별 응답 측정 기본 동적 프로세스를 연구 하는 연구자 및 암시적 시퀀스 학습에서 명시적 프로세스...

"모터" 암시적 모터 시퀀스 학습: 발 스텝 직렬 반응 시간 작업

여기 sensate 가상 또는 로봇 인공 손을 제어 개발 기관의 감각 특징 짓는 프로토콜 선물이. Psychophysical 설문 조사 기관의 명시적 경험을 잡으려고 고용 고 시간 간격이 견적 (의도적인 바인딩) 암시적으로 기관의 감각을 측정 하는.

감각 신경-기계 인터페이스 운영 무생물의 작업을 통해 기관의 특성

이 프로토콜은 파킨슨 병에서 인지 및 운동 제어를 측정하는 데 일반적으로 사용되는 전통적인 임상 작업의 일부를 디지털화합니다. 임상 과제는 디지털화되고 생물물리학적 리듬은 자발적, 자발적, 자동에서 자율주행에 이르기까지 신경계의 다양한 기능적 수준에서 공동 등록됩니다.

파킨슨 병의 운동 및 인지 기능의 동적 디지털 바이오 마커

이 연구의 목적은 뇌졸중 후 상지 운동 기능 장애에 대한 운동 영상 뇌-컴퓨터 인터페이스(MI-BCI)의 표준 임상 작동에 대한 중요한 참고 자료를 제공하는 것입니다.

뇌졸중 후 상지 운동 기능 장애의 재활을 위한 운동 이미지: 뇌-컴퓨터 인터페이스

가상 현실 환경에서의 운동 이미지는 뇌-컴퓨터 인터페이스 시스템에 광범위하게 응용됩니다. 이 원고는 가상 현실 환경에서 참가자가 상상한 동작을 수행하는 참가자와 유사한 개인화된 디지털 아바타를 사용하여 몰입감과 신체 소유 의식을 향상시키는 방법을 설명합니다.

가상 현실 지원 뇌-컴퓨터 인터페이스 환경에서 구현된 디지털 트윈을 통한 모터 이미지 성능

Extracellularly의 근육 모터 풀에 모터 뉴런을 확인<em&gt; Aplysia californica</em

학습하세요 텔레로봇 인터페이스를 이용한 튜링형 악시험으로 인간과 유사한 악수 모델을 평가하는 방법을 배우세요. 이 연구는 인간-로봇 상호작용과 운동 장애 진단에 활용됩니다.

자동차 인텔리 전스에 대한 1 차원 튜링 - 마찬가지로 악수 시험

더 많은 동영상 탐색