Jednowymiarowy test uścisku dłoni typu Turinga w ocenie inteligencji motorycznej

Podsumowanie

Przedstawiamy test uścisku dłoni w stylu Turinga, przeprowadzany za pomocą systemu telerobotycznego, w którym przesłuchujący trzyma robotyczny rysik i wchodzi w interakcję z drugą stroną (człowiekiem lub sztucznym modelem). Stosujemy metodę wymuszonego wyboru i wyznaczamy miarę podobieństwa uścisku dłoni modelu sztucznego do uścisku dłoni ludzkiej.

Streszczenie

W teście Turinga model komputerowy jest uznawany za „myślący inteligentnie”, jeśli potrafi generować odpowiedzi nieodróżnialne od odpowiedzi człowieka. Test ten ogranicza się jednak do lingwistycznych aspektów inteligencji maszynowej. Istotną funkcją mózgu jest kontrola ruchu, a ruch ludzkiej dłoni stanowi zaawansowaną demonstrację tej funkcji. Proponujemy zatem test uścisku dłoni, analogiczny do testu Turinga, służący do oceny motorycznej inteligencji maszyn. Test przeprowadzamy za pomocą systemu telerobotycznego, w którym osoba badająca wykonuje zadanie polegające na trzymaniu robotycznego rysika i wchodzeniu w interakcję z drugą stroną (człowiekiem lub systemem sztucznym). Zamiast pytać badającego, czy druga strona jest osobą, czy programem komputerowym, stosujemy metodę wymuszonego wyboru z dwóch alternatyw i pytamy, który z dwóch systemów jest bardziej podobny do człowieka. Dla każdego modelu wyznaczamy ilościową ocenę stopnia podobieństwa do ludzkiego ruchu uścisku dłoni, którą nazywamy „Model Human-Likeness Grade” (MHLG). Przedstawiamy trzy metody szacowania MHLG: (i) poprzez obliczenie proporcji odpowiedzi badanych, w których model uznano za bardziej podobnego do człowieka niż człowiek; (ii) poprzez porównanie dwóch ważonych sum uścisków dłoni człowieka i modelu, dopasowanie krzywej psychometrycznej i wyznaczenie punktu subiektywnej równości (PSE); (iii) poprzez porównanie danego modelu z ważoną sumą sygnału ludzkiego i losowego, dopasowanie krzywej psychometrycznej do odpowiedzi osoby badającej i wyznaczenie PSE dla wagi komponentu ludzkiego w sumie ważonej. W całości dostarczamy protokół do testowania obliczeniowych modeli ludzkiego uścisku dłoni. Uważamy, że budowanie modelu jest niezbędnym krokiem w zrozumieniu każdego zjawiska, a w tym przypadku – w zrozumieniu mechanizmów neuronalnych odpowiedzialnych za generowanie ludzkiego uścisku dłoni.

Protokół

1. Przygotowanie układu

1. Wymagania sprzętowe:
   • Dwa roboty desktopowe PHANTOM firmy SensAble Technologies, Inc.
   • 2 karty równoległe.
   • Minimalne wymagania systemowe: komputery PC oparte na procesorach Intel lub AMD; Windows 2000/XP, 250 MB miejsca na dysku.
2. Wymagania programowe:
   • Sterowniki-
     Pobierz sterowniki ze strony internetowej SensAble Technologies http://www.sensable.com zgodnie z systemem operacyjnym komputera.
   • H3DAPI-
     Pobierz kod źródłowy H3DAPI i zainstaluj go zgodnie z instrukcjami wyświetlanymi w sekcji przewodnika instalacji pod adresem http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
     Zaktualizowaliśmy kod, aby dostosować go do naszych wymagań, które nie były spełnione w istniejącym kodzie. Zaktualizowane pliki można pobrać ze strony internetowej turnieju handshake http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html
     Każdy plik należy umieścić w odpowiednim folderze, zgodnie z opisem na powyższej stronie internetowej.
     Po wprowadzeniu zmian pobierz CMake i skompiluj kod. Instrukcje kompilacji znajdują się pod adresem http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
   • X3D i python
     • Pobierz python 2.5 ze strony http://www.python.org/download/releases/2.5.5/
     • Pobierz kody python i x3d ze strony handshake i umieść pliki kodu w dedykowanym katalogu, na przykład: „C:\codeDirectory”
     • Każdy model siły uścisku dłoni powinien zostać zapisany w osobnym pliku python. Przykład modelu siły sprężystości przedstawiono na Rysunku 1.
   • toolbox psignifit wersja 2.5.6 dla programu Matlab, dostępny pod adresem http://www.bootstrap-software.org/psignifit/

Rysunek 1. Funkcja siły w języku Python. Przykład modelu siły sprężyny dla uścisku dłoni

2. Protokół eksperymentalny

• Otwórz okno wiersza poleceń i przejdź do katalogu z kodem python i x3d, wpisując: cd C:\codeDirectory.
• Utwórz folder z imionami badanych w C:\codesDirectory.
• Aby uruchomić eksperyment, wpisz: h3dload code_name.x3d.
• Utwórz nowy plik losowy, wpisując: random_file_name.txt. Plik losowy definiuje kolejność pojawiania się poszczególnych uścisków dłoni.
• Wprowadź imiona badanych dokładnie tak, jak w wcześniej utworzonym folderze.
• Zgodnie z oryginalną koncepcją klasycznego testu Turinga, każdy eksperyment składa się z 3 jednostek: człowieka, komputera i przesłuchującego. Dwie osoby (człowiek i przesłuchujący) trzymają każde z nich rylcem jednego haptycznego urządzenia Phantom i generują ruchy uścisku dłoni. Prosi się ich o postępowanie zgodnie z instrukcjami pojawiającymi się na ekranie (np.: „naciśnij Page Up dla pierwszego uścisku dłoni”), aby zastosować siły uścisku. We wszystkich poniższych metodach każda próba składa się z 2 uścisków dłoni, a badani są zobowiązani do ich porównania. Komputer jest symulowanym modelem uścisku dłoni, który generuje sygnał siły jako funkcję czasu, jednowymiarowej pozycji rylca oraz jej pochodnych.
  (1)F_model(t) = Φ[x(t),t] 0 ≤ t ≤ T
  F[x,t] oznacza dowolny operator przyczynowy, np. nieliniowy, zmienny w czasie model mechaniczny jednowymiarowego ruchu rylca, a T to czas trwania uścisku dłoni. W obecnym badaniu T=5 sekund.

1. Przeprowadzenie testu „czystego” i obliczenie stopnia podobieństwa modelu do człowieka MHLG_p
   Eksperyment rozpoczyna się od 12 prób treningowych, w których wszystkie uściski dłoni (n=24) są wykonywane przez ludzi, tak że badani po prostu ściskają sobie dłonie za pośrednictwem systemu telerobotycznego. Celem tych prób treningowych jest zapoznanie uczestników z ludzkim uściskiem dłoni w systemie.
   W eksperymencie porównujemy cztery modele komputerowe. Każdy blok eksperymentalny składa się z 4 prób, w których porównujemy 4 testowane modele z ludzkim uściskiem dłoni. Jeden z uścisków w każdej próbie jest interakcją z siłą generowaną przez jeden z czterech modeli (komputer), a drugi z człowiekiem (drugi badany). Zatem badani pełnią funkcję zarówno ludzi, jak i osób oceniających. Kolejność prób w każdym bloku jest losowa i z góry określona. Każdy eksperyment składa się z 10 bloków, tak aby każdy komputerowy uścisk dłoni został powtórzony 10 razy. Dodano początkowy blok nieanalizowany w celu ogólnego zapoznania się z systemem i zadaniem.
   Dla każdego modelu oblicza się proporcję uścisków, w których badany wybiera uścisk modelowy jako bardziej przypominający ludzki niż uścisk człowieka, aby uzyskać wartość 0,5 w przypadku, gdy model jest nieodróżnialny od człowieka. Wartość tę mnożymy przez dwa, aby otrzymać MHLG_p, gdzie MHLG=0 oznacza wyraźnie niepodobny do człowieka, a MHLG=1 oznacza, że testowany uścisk jest nieodróżnialny od ludzkiego uścisku dłoni.
2. Przeprowadzenie testu „ważonego modelu i człowieka” i obliczenie stopnia podobieństwa modelu do człowieka MHLG_w
   W tym protokole występuje tylko jedna osoba oceniająca. Drugi badany pełni funkcję jednostki ludzkiej w uściskach dłoni.
   Eksperyment rozpoczyna się od 30 prób treningowych, w których osoba oceniająca doświadcza jednego ludzkiego uścisku dłoni i jednego komputerowego uścisku dłoni w każdej próbie. Na koniec próby proszeni są o wskazanie, który z 2 uścisków był uściskiem ludzkim. W przypadku sukcesu na ekranie wyświetla się komunikat „Correct!”, a jeśli nie wybrano właściwego uścisku, pojawia się komunikat „Wrong!”.
   Po bloku treningowym eksperyment jest przeprowadzany w następujący sposób: Próba składa się z dwóch uścisków dłoni. W jednym z uścisków – bodźcu – osoba oceniająca wchodzi w interakcję z kombinacją sił pochodzących z uścisku ludzkiego i modelu uścisku komputerowego.
   (2) F = α_stimulus• F_human + (1-α_stimulus)•F_{stimulusModel}
   α_stimulus jest rozłożony równomiernie od 0 do 1, np.:
   α_stimulus= {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1}
   Drugi uścisk – referencyjny – jest stałą kombinacją sił generowanych przez człowieka i model referencyjny:
   (3) F = α_reference• F_human + (1-α_reference)•F_{referenceModel} ; α_reference=0.5
   Na koniec każdej próby osoba oceniająca jest proszona o wybranie uścisku, który wydawał się bardziej ludzki.
   W każdym eksperymencie porównujemy dwa modele testowe i jeden model bazowy.
   Każdy blok eksperymentalny składa się z 24 prób obejmujących każdą z kombinacji liniowych bodźca i człowieka (równ. 2) dla każdej z 3 kombinacji modeli:
   
   Kolejność prób w każdym bloku jest losowa i z góry określona. Każdy eksperyment składa się z 10 bloków, tak aby każda kombinacja została powtórzona 10 razy. Dodano początkowy blok nieanalizowany w celu ogólnego zapoznania się z systemem i zadaniem.
   Do odpowiedzi osoby oceniającej dopasowujemy logistyczną funkcję psychometryczną¹ za pomocą narzędzia psignifit w wersji 2.5.6 dla Matlab, dostępnego pod adresem http://www.bootstrap-software.org/psignifit/, stosując metodę ograniczonej maksymalnej wiarygodności do szacowania parametrów i wyznaczając przedziały ufności metodą bootstrapową z korektą obciążenia i przyspieszeniem (BCa). Krzywa przedstawia prawdopodobieństwo, że osoba oceniająca odpowie, iż uścisk bodziec jest bardziej ludzki, jako funkcję α_stimulus - α_reference. Punkt subiektywnej równości (PSE) jest wyznaczany z poziomu progu 0,5 krzywej psychometrycznej, wskazując różnicę między α_stimulus a α_reference, dla której uściski są postrzegane jako równie ludzkie. PSE jest wykorzystywane do obliczenia MHLG_w zgodnie z wzorem:
   (4) MHLG_w =0.5-PSE
   Model, który jest postrzegany jako tak samo ludzki jak model referencyjny, daje wartość MHLG_w równą 0,5. Modele postrzegane jako najmniej lub najbardziej ludzkie dają odpowiednio wartości MHLG_w równe 0 lub 1.
3. Przeprowadzenie testu „dodanego szumu” i obliczenie stopnia podobieństwa modelu do człowieka MHLG_n
   Podobnie jak w ważonym teście modelu i człowieka, występuje tylko jedna osoba oceniająca. Drugi badany pełni funkcję jednostki ludzkiej w uściskach dłoni. Blok treningowy jest taki sam jak w poprzedniej metodzie.
   Po treningu, w jednym z 2 uścisków – bodźcu – osoba oceniająca wchodzi w interakcję z komputerowym modelem uścisku dłoni.
   Drugi uścisk – referencyjny – jest siłą generowaną z kombinacji człowieka i białego szumu z zakresem częstotliwości przefiltrowanym zgodnie z częstotliwościami występującymi w ludzkim uścisku dłoni.
   (5) F = α • F_human + (1-α)•F_noise;
   α jest rozłożone równomiernie od 0 do 1, np.:
   α = {0, 0.142, 0.284, 0.426, 0.568, 0.710, 0.852, 1}
   Na koniec każdej próby osoba oceniająca jest proszona o wybranie uścisku, który wydawał się bardziej ludzki.
   Eksperyment jest zbudowany w ten sam sposób, co wspomniany wcześniej ważony test modelu i człowieka. Jednakże, podczas gdy kalibracja w ważonym teście modelu i człowieka jest wykonywana poprzez porównywanie różnych kombinacji modelu bazowego ze stałą kombinacją tego samego modelu, w tym eksperymencie model bazowy zostaje zastąpiony szumem.
   PSE jest wyznaczane z krzywej psychometrycznej i definiuje MHLG_n
   (6) MHLG_n = 1-PSE
   Modele postrzegane jako najmniej lub najbardziej ludzkie dają odpowiednio wartości MHLG_n równe 0 lub 1.

3. Reprezentatywne wyniki:

Rysunek 2 przedstawia wyniki jednego badanego dla każdej z 3 metod. Modelami testowanymi we wszystkich trzech eksperymentach są 2 modele wiskoelastyczne – KB1: sprężyna K=50 N/m, tłumik B=2 Ns/m; KB2: sprężyna K=20 N/m, tłumik B=1.3 Ns/m. W teście modelu ważonego z udziałem człowieka MHLG_w jest oceniany poprzez porównanie każdego z testowanych modeli do elastycznego modelu bazowego K=50 N/m.

Rysunek 2. Wartości MHLG dla dwóch modeli lepkosprężystych zgodnie z protokołem testowym „pure” (a), „weighted model-human protocol” (b) oraz protokołem „added noise” (c). Słupki błędów w (b) i (c) przedstawiają przedziały ufności krzywych psychometrycznych. Czarne słupki reprezentują stopnie MHLG dla modeli, a szare słupki reprezentują model bazowy w (b) oraz szum w (c).

Wyniki wykazują, że model wiskoelastyczny KB2 jest postrzegany jako bardziej zbliżony do ludzkiego niż drugi model wiskoelastyczny KB1, przy zastosowaniu wszystkich trzech metod oceny.

Dyskusja

Przedstawiliśmy nowy protokół wymuszonego wyboru w teście uścisku dłoni typu Turinga, przeprowadzanym za pomocą prostego systemu telerobotycznego. Niniejszy protokół stanowi platformę do porównywania modeli sztucznego uścisku dłoni, a nie narzędzie do określania absolutnego podobieństwa do człowieka. Protokół ten został zaprezentowany na kilku konferencjach^2-5

Wykazaliśmy tutaj, że test ten jest pomocny w wyznaczaniu parametrów pasywnych charakterystyk ruchu, które zapewniają najbardziej naturalne, ludzkie odczucia. Może on być wykorzystany w dalszych badaniach w celu opracowania modelu uścisku dłoni, który będzie w jak największym stopniu przypominał ludzki. Wykorzystamy tę platformę w pierwszym turnieju uścisku dłoni w stylu Turinga, który odbędzie się latem 2011 roku [[http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html]], podczas którego rywalizujące modele zostaną ocenione pod kątem podobieństwa do człowieka. Ostateczny model powinien prawdopodobnie uwzględniać nieliniowość i zmienność w czasie impedancji ludzkiej²¹, wzajemną adaptację z osobą badającą oraz wiele innych aspektów naturalnego ludzkiego uścisku dłoni, które powinny zostać przetestowane i uszeregowane przy użyciu tego testu uścisku dłoni z wymuszonym wyborem w stylu Turinga.

Zaproponowany test jest jednowymiarowy i przeprowadzany za pomocą interfejsu telerobotycznego, co wiąże się z pewnymi ograniczeniami: pomija on wiele aspektów uścisku dłoni, takich jak informacje dotykowe, temperatura, wilgotność i siły chwytu. Niemniej jednak w kilku badaniach interfejs telerobotyczny został wykorzystany do analizy uścisków dłoni^6-11 oraz innych form interakcji międzyludzkich¹². Dodatkowo w tej wersji testu nie uwzględniono czasu trwania uścisku, czasu jego rozpoczęcia i zakończenia, jego wielowymiarowej natury oraz trajektorii dłoni przed i po kontakcie fizycznym. Istnieje również wiele rodzajów uścisków dłoni, zależnych od płci i kultury danej osoby^13-14, w związku z czym nie można oczekiwać stworzenia jednego, optymalnego modelu uścisku dłoni naśladującego człowieka. Uważamy jednak, że prostota zaproponowanego testu jest zaletą, przynajmniej na tym wstępnym etapie badania. Po właściwym scharakteryzowaniu kluczowych cech takiego jednowymiarowego uścisku dłoni będziemy mogli uwzględnić te ograniczenia i odpowiednio rozszerzyć test.

Należy zauważyć, że test uścisku dłoni w stylu Turinga mógłby zostać odwrócony, tak aby to komputer, a nie człowiek, był pytany o tożsamość drugiej strony. W tym kontekście rozważamy następującą hipotezę odwróconego uścisku dłoni: celem uścisku dłoni jest zbadanie dłoni, z którą się wita; zgodnie z hipotezą odwróconego uścisku dłoni, optymalny algorytm uścisku – w sensie takim, że będzie on nieodróżnialny od ludzkiego uścisku – w najlepszy sposób ułatwi rozróżnienie między ludźmi a maszynami. Innymi słowy, model wygeneruje taki uścisk dłoni, który pozwoli odpowiednio dostrojonemu klasyfikatorowi w najlepszy sposób odróżnić ludzkie uściski dłoni od maszynowych.

Jeśli hipoteza odwrotnego uścisku dłoni jest rzeczywiście słuszna, otwiera ona możliwość zastosowania klinicznego naszego testu: identyfikację zaburzeń motorycznych u osób cierpiących na różne neurologiczne schorzenia ruchowe, takie jak mózgowe porażenie dzieci (MPD). Wcześniejsze badania wykazały różnice w parametrach kinematycznych między pacjentami z MPD a zdrowymi ochotnikami podczas wykonywania ruchów sięgania^15-16. Niedawno wykazaliśmy, że charakterystyka ruchów różni się między zdrowymi osobami a osobami z MPD podczas podawania rąk za pomocą systemu telerobotycznego⁴. Wyniki te wzmacniają nasze twierdzenie, że osoby z zaburzeniami motorycznymi można odróżnić od osób zdrowych poprzez analizę i badanie ruchu uścisku dłoni każdej z tych osób. Należy również zauważyć, że omawiany tutaj test jest testem percepcyjnym, a niedawne badania rozróżniają percepcję od działania^17-20. Przyszłe badania powinny zgłębić trzy wersje testu, aby dokładnie ocenić naturę uścisku dłoni przypominającego ludzki: (1) test psychometryczny postrzeganego podobieństwa; (2) test zachowania motorycznego (test motormetryczny), który zbada reakcję motoryczną osoby badającej, która może różnić się od jej poznawczo postrzeganego podobieństwa; (3) ostateczny optymalny dyskryminator, który podejmie próbę rozróżnienia uścisków dłoni ludzkich od maszynowych na podstawie trajektorii siły i pozycji.

W ujęciu ogólnym twierdzimy, że zrozumienie systemu kontroli motorycznej jest warunkiem koniecznym do zrozumienia funkcji mózgu i że zrozumienie to można by udowodnić poprzez budowę humanoidalnego robota nieodróżnialnego od człowieka. Niniejsze badanie koncentruje się na uściskach dłoni za pośrednictwem systemu telerobotyki. Twierdzimy, że poprzez ranking dominujących hipotez naukowych dotyczących natury kontroli ruchów dłoni u ludzi, przy użyciu zaproponowanego testu uścisku dłoni typu Turinga, powinniśmy być w stanie wyodrębnić istotne właściwości ludzkiej kontroli motorycznej lub przynajmniej kluczowe cechy niezbędne do budowy sztucznej kończyny nieodróżnialnej od ludzkiego ramienia.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Dwa robotyzatory desktopowe PHANTOM	SensAble, Geomagic		2 karty równoległe Minimalne wymagania systemowe: komputery PC oparte na procesorach Intel lub AMD; Windows 2000/XP, 250 MB miejsca na dysku
Sterowniki SensAble technologies	SensAble, Geomagic		http://www.sensable.com
Kod źródłowy H3DAPI	H3DAPI		http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation
Python 2.5	Python Products		http://www.python.org/download/releases/2.5.5/
Kody x3d
Toolbox psignifit wersja 2.5.6	Matlab		http://www.bootstrap-software.org/psignifit/