Name: Jednowymiarowy test uścisku dłoni podobny do Turinga dla inteligencji motorycznej (Wideo) | JoVE Journal
Uploaded: 2010-12-15T15:45:00.000+00:00
Duration: 14 min 5 s
Description: Poznaj test uścisku dłoni podobny do Turinga wykorzystujący interfejs telerobotyczny do oceny podobieństwa modeli sztucznych do ludzkich uścisków. Metoda ta pozwala badaczom oceniać inteligencję motoryczną.

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 pragnie podziękować Gerry’emu Loebowi za pomocne dyskusje na temat proponowanego testu uścisku dłoni w stylu Turinga. AK i IN dziękują Nathanielowi Leibowitzowi oraz Lior Botzerowi, którzy przyczynili się do opracowania pierwszej wersji tego protokołu w 2007 roku. Badania te były wspierane przez Israel Science Foundation (grant nr 1018/08). SL korzysta ze stypendium podoktorskiego Kreitman Foundation. IN jest wspierany przez fundację Kreitman oraz program stypendialny Clore Scholarship Program.

1. Przygotowanie systemu
<ol>
<li>Wymagania sprzętowe:
<ul>
<li>Dwa roboty stacjonarne PHANTOM firmy SensAble Technologies, Inc.</li>
<li>2 karty równoległe.</li>
<li>Minimalne wymagania systemowe: komputery PC oparte na procesorach Intel lub AMD; Windows 2000/XP, 250 MB miejsca na dysku.</li>
</ul>
</li>
<li>Wymagania programowe:
<ul>
<li>Sterownik- 
Pobierz sterowniki ze strony internetowej SensAble Technologies <a href="http://www.sensable.com">http://www.sensable.com</a> zgodnie z systemem operacyjnym komputera.</li>
<li>H3DAPI- 
Pobierz kod źródłowy H3DAPI i zainstaluj go zgodnie z instrukcjami wyświetlanymi w sekcji przewodnika instalacji pod adresem <a href="http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation">http://www.h3dapi.org/modules/mediawiki/index.php/H3DAPI_Installation</a> 
Zaktualizowaliśmy kod, aby dostosować go do naszych wymagań, których nie spełniał istniejący kod. Zaktualizowane pliki można pobrać ze strony internetowej turnieju uścisków dłoni <a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html">http://www.bgu.ac.il/~akarniel/HANDSHAKE//index.html</a> 
Każdy plik należy umieścić w odpowiednim folderze, zgodnie z opisem na powyższej stronie internetowej. 
Po wprowadzeniu zmian pobierz program CMake i skompiluj kod. Instrukcje kompilacji znajdują się pod adresem <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 i python 
<ul>
<li>Pobierz python 2.5 ze strony <a href="http://www.python.org/download/releases/2.5.5/">http://www.python.org/download/releases/2.5.5/</a></li>
<li>Pobierz kody python i x3d ze strony internetowej turnieju uścisków dłoni i umieść pliki kodu w dedykowanym katalogu, np.: „C:\codeDirectory”</li>
<li>Każdy model siły uścisku dłoni powinien być zapisany w osobnym pliku python. Przykład modelu siły sprężystości przedstawiono na Rysunku 1.</li>
</ul>
</li>
<li>toolbox psignifit w wersji 2.5.6 dla programu Matlab, dostępny pod adresem <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="Funkcja siły dla sprężyny liniowej; kod Python; wejście pozycji i czasu; oblicza wyjściową wartość siły." data-altupdatedat="1788235205000" data-alt="Rysunek 1"> 
Rysunek 1. Funkcja siły w języku Python. Przykład modelu siły sprężystości dla uścisku dłoni

2. Protokół eksperymentalny
<ul>
<li>Otwórz okno wiersza poleceń i przejdź do katalogu z kodem python i x3d, wpisując: cd C:\codeDirectory.</li>
<li>Utwórz folder z imionami badanych w C:\codesDirectory.</li>
<li>Aby uruchomić eksperyment, wpisz: h3dload code_name.x3d.</li>
<li>Utwórz nowy plik losowy, wpisując: random_file_name.txt. Plik losowy definiuje kolejność pojawiania się poszczególnych uścisków dłoni.</li>
<li>Wpisz imiona badanych dokładnie tak, jak w wcześniej utworzonym folderze.</li>
<li>Zgodnie z pierwotną koncepcją klasycznego testu Turinga, każdy eksperyment składa się z 3 jednostek: człowieka, komputera i przesłuchującego. Dwóch badanych (człowiek i przesłuchujący) trzyma rylce jednego urządzenia haptycznego Phantom i generuje ruchy uścisku dłoni. Są oni proszeni o postępowanie zgodnie z instrukcjami pojawiającymi się na ekranie (np. „naciśnij Page Up dla pierwszego uścisku dłoni”), aby przyłożyć siły uścisku. We wszystkich poniższych metodach każda próba składa się z 2 uścisków dłoni, a badani są proszeni o ich porównanie. Komputer jest symulowanym modelem uścisku dłoni, który generuje sygnał siły jako funkcję czasu, jednowymiarowej pozycji dłoni oraz jej pochodnych. 
(1)Fmodel(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 niniejszym badaniu T=5 seconds.</li>
</ul>
<ol>
<li>Przeprowadzenie testu „czystego” i obliczenie stopnia podobieństwa modelu do człowieka MHLGp 

Eksperyment rozpoczyna się od 12 prób próbnych, w których wszystkie uściski dłoni (n=24) są wykonywane przez ludzi, tak że badani po prostu podają sobie ręce za pośrednictwem systemu telerobotycznego. Celem tych prób próbnych 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 badane 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 (drugim badanym). Zatem badani pełnią funkcję zarówno ludzi, jak i osób oceniających. Kolejność prób w każdym bloku jest losowa i predetermined. Każdy eksperyment składa się z 10 bloków, tak aby każdy uścisk komputerowy został powtórzony 10 razy. Dodano wstępny, nieanalizowany blok w celu ogólnego zapoznania się z systemem i zadaniem. 
Dla każdego modelu oblicza się proporcję uścisków, w których badany wybiera uścisk modelu jako bardziej podobny do ludzkiego niż uścisk człowieka, aby uzyskać wartość 0,5 w przypadku, gdy model jest nieodróżnialny od człowieka. Wartość tę mnożymy przez dwa, aby otrzymać MHLGp, tak że MHLG=0 oznacza wyraźnie niepodobny do człowieka, a MHLG=1 oznacza, że badany uścisk jest nieodróżnialny od ludzkiego uścisku.</li>
<li>Przeprowadzenie testu „ważonego modelu i człowieka” i obliczenie stopnia podobieństwa modelu do człowieka MHLGw 

W tym protokole występuje tylko jeden badany oceniający. Drugi badany pełni funkcję podmiotu ludzkiego w uściskach dłoni. 
Eksperyment rozpoczyna się od 30 prób próbnych, w których oceniający doświadcza jednego ludzkiego uścisku dłoni i jednego komputerowego uścisku dłoni w każdej próbie. Na koniec próby proszony jest o wybranie, który z 2 uścisków był ludzki. Jeśli odniesie sukces, na ekranie pojawi się napis „Correct!”, a jeśli nie wybierze właściwego uścisku, pojawi się komunikat „Wrong!”. 
Po bloku próbnych eksperyment jest przeprowadzany w następujący sposób: Próba składa się z dwóch uścisków dłoni. W jednym z nich – bodźcu – oceniający wchodzi w interakcję z kombinacją sił pochodzących z ludzkiego i komputerowego modelu uścisku dłoni. 
(2) F = αstimulus• Fhuman + (1-αstimulus)•FstimulusModel 
αstimulus jest rozłożony równomiernie od 0 do 1, np.: 
αstimulus= {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 = αreference• Fhuman + (1-αreference)•FreferenceModel ; αreference=0.5 

 Na koniec każdej próby oceniający jest proszony o wybranie uścisku, który wydawał się bardziej podobny do ludzkiego. 
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 (rów. 2) dla każdej z 3 kombinacji modeli: 
<img src="/files/ftp_upload/2492/2492model1.jpg" alt="Schemat blokowy modelu procesu pokazujący Model Bazowy, Model I i Model II z łączącymi je strzałkami." data-altupdatedat="1788235205000" data-alt="Model 1"> 
Kolejność prób w każdym bloku jest losowa i predetermined. Każdy eksperyment składa się z 10 bloków, tak aby każda kombinacja została powtórzona 10 razy. Dodano wstępny, nieanalizowany blok w celu ogólnego zapoznania się z systemem i zadaniem. 
Do odpowiedzi oceniającego dopasowujemy logistyczną funkcję psychometryczną1 przy użyciu narzędzia psignifit w wersji 2.5.6 dla Matlab, dostępnego pod adresem <a href="http://www.bootstrap-software.org/psignifit/">http://www.bootstrap-software.org/psignifit/</a>, z zastosowaniem ograniczonej metody największej wiarygodności do szacowania parametrów oraz wyznaczamy przedziały ufności za pomocą metody bootstrap z korektą obciążenia i przyspieszeniem (BCa). Krzywa przedstawia prawdopodobieństwo odpowiedzi oceniającego, że uścisk bodźcowy jest bardziej podobny do ludzkiego, jako funkcję αstimulus - αreference. Punkt subiektywnej równości (PSE) jest wyznaczany z poziomu progu 0,5 krzywej psychometrycznej, co wskazuje różnicę między αstimulus a αreference, dla której uściski są postrzegane jako równie podobne do ludzkich. PSE jest wykorzystywany do obliczenia MHLGw zgodnie z wzorem: 
(4) MHLGw =0.5-PSE 
Model postrzegany jako tak samo podobny do ludzkiego jak model referencyjny daje wartość MHLGw równą 0,5. Modele postrzegane jako najmniej lub najbardziej podobne do ludzkich dają odpowiednio wartości MHLGw 0 lub 1.</li>

<li>Przeprowadzenie testu „dodanego szumu” i obliczenie stopnia podobieństwa modelu do człowieka MHLGn 

Podobnie jak w przypadku testu ważonego modelu i człowieka, występuje tylko jeden badany oceniający. Drugi badany pełni funkcję podmiotu ludzkiego w uściskach dłoni. Blok próbny jest taki sam jak w poprzedniej metodzie. 
Po próbach, w jednym z 2 uścisków – bodźcu – oceniający 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 • Fhuman + (1-α)•Fnoise; 
α jest rozłożony 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 oceniający jest proszony o wybranie uścisku, który wydawał się bardziej podobny do ludzkiego. 
Eksperyment jest zbudowany w ten sam sposób, co wspomniany wyżej test ważonego modelu i człowieka. Jednakże, podczas gdy kalibracja w teście ważonym modelu i człowieka jest wykonywana poprzez porównywanie różnych kombinacji modelu bazowego z jego stałą kombinacją, w tym eksperymencie model bazowy zostaje zastąpiony szumem. 
PSE jest wyznaczany z krzywej psychometrycznej i definiuje MHLGn 

(6) MHLGn = 1-PSE 
Modele postrzegane jako najmniej lub najbardziej podobne do ludzkich dają odpowiednio wartości MHLGn 0 lub 1.</li>
</ol>
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 z modelem ważonym i człowiekiem wartość MHLGw jest oceniana poprzez porównanie każdego z testowanych modeli z elastycznym modelem bazowym K=50 N/m.
<img src="/files/ftp_upload/2492/2492fig2.jpg" alt="Porównanie stopnia podobieństwa do człowieka; wykresy modeli KB1, KB2; czysty, ważony, szum." data-altupdatedat="1788235205000" data-alt="Rycina 2"> 
Rycina 2. Wartości MHLG dwóch modeli wiskoelastycznych zgodnie z protokołem testowym „czystym” (a), „ważonym modelem-człowiekiem” (b) oraz protokołem „dodanego szumu” (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 lepkosprężysty KB2 jest postrzegany jako bardziej ludzki niż inny model lepkosprężysty KB1 we wszystkich trzech zastosowanych metodach oceny.

<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>

Nie zadeklarowano konfliktów interesów.

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 konferencjach2-5
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 [[<a href="http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html">http://www.bgu.ac.il/~akarniel/HANDSHAKE/index.html</a>]], 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 dłoni6-11 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 osoby13-14, 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 sięgania15-16. 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 działania17-20. 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.

<table><tbody><tr><td>Dwa robotyzatory desktopowe PHANTOM</td><td>SensAble, Geomagic</td><td></td><td>2 karty równoległe&lt;br/&gt;Minimalne wymagania systemowe: komputery PC oparte na procesorach Intel lub AMD; Windows 2000/XP, 250 MB miejsca na dysku</td></tr><tr><td>Sterowniki SensAble technologies</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>Kod źródłowy H3DAPI</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>Kody x3d</td><td></td><td></td><td></td></tr><tr><td>Toolbox psignifit wersja 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>

jednowymiarowy test uścisku dłoni typu turinga w ocenie inteligencji motorycznej

One Dimensional Turing-Like Handshake Test for Motor Intelligence

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.

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.

Jednowymiarowy test uścisku dłoni typu Turinga w ocenie inteligencji motorycznej

W teście Turinga przyjmuje się, że model komputerowy „myśli inteligentnie”, jeśli potrafi generować odpowiedzi nieodróżnialne od odpowiedzi udzielanych przez człowieka. ...

Ogólnym celem tej procedury jest ustalenie, w jakim stopniu model komputerowy uścisku dłoni odpowiada uściskowi dłoni ludzkiej. Zostaje to osiągnięte poprzez zaprezentowanie badanym par uścisków dłoni: albo generowanych komputerowo, ludzkich, albo kombinacji obu, z wykorzystaniem interfejsu telerobotycznego. Drugim krokiem procedury jest poproszenie każdego badanego o wskazanie w każdej parze, który z dwóch uścisków dłoni jest bardziej zbliżony do ludzkiego.Ostatnim krokiem procedury jest obliczenie na podstawie odpowiedzi badanego stopnia podobieństwa do człowieka dla modelu uścisku dłoni, czyli stopnia podobieństwa modelu do człowieka (MHLG). W rezultacie można uzyskać wyniki wykazujące istotne różnice między poszczególnymi modelami w zakresie MHLG, wykorzystując test uścisku dłoni typu Turinga. Test Turinga jest w rzeczywistości ograniczony do inteligencji werbalnej, podczas gdy naukowcy i inżynierowie zaobserwowali znaczną lukę między inteligencją sztuczną a naturalną w aspekcie kontroli motorycznej zachowań ruchowych.Wielu naukowców rozważało tę motoryczną wersję testu Turinga, jednak dopiero niedawno w laboratoriach badawczych pojawiły się sterowalne urządzenia robotyczne, które ułatwiły wdrożenie prostego, powtarzalnego protokołu testu uścisku dłoni na wzór testu Turinga. Metoda ta może pomóc w odpowiedzi na kluczowe pytania w dziedzinie interakcji człowiek-robot, takie jak to, jakie cechy ruchów ramion człowieka zapewniają naturalne wrażenie dotyku. Zastosowania tej techniki obejmują również diagnostykę zaburzeń motorycznych, takich jak mózgowe porażenie dzieci.Kolejnym krokiem jest zbudowanie robotycznego urządzenia diagnostycznego, które potrafi odróżnić prawidłowy uścisk dłoni człowieka od uścisku zaburzonego. Wizualna demonstracja tej metody jest kluczowa, ponieważ ruch uścisku dłoni w systemie telerobotycznym nie jest naturalny i wymaga czasu oraz praktyki, aby nauczyć się obsługi robota i interakcji z nim. Zgodnie z oryginalną koncepcją klasycznego testu Turinga, eksperymenty z uściskiem dłoni obejmują trzy podmioty: człowieka, komputer oraz przesłuchującego.Przesłuchujący i człowiek znajdują się w tym samym pomieszczeniu, lecz są oddzieleni ekranem, dzięki czemu przesłuchujący nie wie, czy uściski dłoni generuje komputer, czy człowiek. Uściski dłoni nie są bezpośrednie, lecz realizowane za pomocą mechanicznego interfejsu telerobotycznego składającego się z dwóch robotów pulpitowych phantom w przypadku uścisku dłoni człowieka oraz jednego robota phantom i oprogramowania w przypadku uścisku komputerowego. W sytuacji uścisku komputerowego, gdy na ekranie komputera pojawi się słowo „handshake”, przesłuchujący i człowiek natychmiast wykonują ruchy imitujące uścisk dłoni, poruszając rysikiem interfejsu telerobotycznego w kierunku pionowym.Zadaniem przesłuchującego jest porównanie dwóch uścisków dłoni i wybranie tego, który bardziej przypomina ludzki, poprzez naciśnięcie klawisza Home lub F1 w celu wyboru pierwszego uścisku dłoni lub naciśnięcie klawisza End lub F2 w celu wyboru drugiego uścisku dłoni. Trzy protokoły eksperymentalne zaprezentowane w tym filmie różnią się od siebie składem porównywanych uścisków dłoni. Pierwszy protokół to czysty protokół testu Turinga, w którym dokonuje się wyboru między uściskiem dłoni człowieka a uściskiem dłoni wygenerowanym komputerowo.Drugi protokół obejmuje uściski dłoni o zróżnicowanym składzie sił generowanych przez człowieka i komputer. Trzeci protokół obejmuje uściski dłoni stanowiące różne kombinacje uścisku generowanego przez człowieka i szumu lub wyłącznie sił generowanych przez komputer. W trakcie eksperymentu, po wyświetleniu komunikatu „wprowadź nazwę pliku losowego”, automatycznie tworzony jest losowy plik.Jeśli plik już istnieje, system wykorzystuje istniejący plik. W przeciwnym razie system automatycznie generuje nowy, losowy plik o określonej nazwie. Plik losowy definiuje kolejność, w jakiej następują poszczególne uściski dłoni (handshakes).Czysty protokół rozpoczyna się od 12 prób treningowych, obejmujących po dwa uściski dłoni każda, podczas których człowiek i przesłuchujący ściskają sobie dłonie 24 razy za pośrednictwem systemu telerobotycznego. Przesłuchujący wie na tym etapie, że ściska dłoń człowieka. Celem tych prób treningowych jest zapoznanie uczestników z interfejsem telerobotycznym.Po rundzie próbnej wykonuje się blok czterech prób. Uścisk dłoni człowieka jest porównywany z jednym z czterech uścisków dłoni modeli komputerowych w losowej kolejności, jak pokazano w tym przykładzie. Na przykład, w pierwszej próbie pierwszego bloku osoba badająca wykonuje uścisk dłoni dwukrotnie.Pierwszy uścisk dłoni jest wykonywany przez człowieka, a drugi przez komputer z zastosowaniem sił określonych przez model trzy. Następnie przesłuchujący wybiera między uściskiem numer jeden a uściskiem numer dwa, aby ocenić, który z nich jest bardziej podobny do ludzkiego. Na przykład, jeśli przesłuchujący wskaże uścisk numer jeden jako bardziej ludzki, oznacza to wybór uścisku wykonanego przez człowieka.Jednak osoba przesłuchująca nie otrzymuje informacji, czy poprawnie zidentyfikowała uścisk dłoni człowieka w następnej próbie. Pierwszy uścisk dłoni osoby przesłuchującej odbywa się z modelem komputerowym dwa, a drugi z człowiekiem. Osoba przesłuchująca ponownie wybiera uścisk dłoni najbardziej przypominający ludzki.Przeprowadza się dwie kolejne próby w podobny sposób. Aby przetestować pozostałe dwa modele, model jeden i model cztery, zestawiono je z uściskiem dłoni człowieka. To kończy jeden blok prób.Eksperyment składa się z 11 bloków po cztery próby każdy, w których cztery modele uścisków dłoni są prezentowane w losowej kolejności w każdym bloku. Pierwszy blok jest blokiem treningowym, a analiza jest przeprowadzana na pozostałych 10 blokach. Po ukończeniu 10 bloków eksperymentu każdy z czterech modeli uścisku dłoni został przetestowany 10 razy w zestawieniu z uściskiem dłoni człowieka.Po zakończeniu 11 bloków eksperymentalnych, dla każdego z czterech badanych modeli obliczana jest ocena podobieństwa do człowieka. Analizę przeprowadza się poprzez obliczenie proporcji uścisków dłoni, w których badany stwierdza, że uścisk modelu jest bardziej zbliżony do ludzkiego niż uścisk człowieka. Na przykład, jeśli osoba badająca wybierze uścisk modelu zamiast uścisku człowieka w dwóch z 10 przypadków, proporcja modelu do człowieka wyniesie 0.2; należy pomnożyć tę proporcję przez dwa, aby uzyskać ocenę podobieństwa modelu do człowieka.Dla każdego modelu, w którym proporcja wynosi 0,2, stopień podobieństwa do człowieka dla pierwszego modelu wynosiłby 0,4. Jeśli model trzeci zostałby wybrany jako bardziej podobny do człowieka w czterech z 10 prób, wówczas jego proporcja wyniosłaby 0,4, a stopień podobieństwa modelu do człowieka wyniósłby 0,8. Jeśli model jest nieodróżnialny od człowieka, jego obliczona proporcja wyniosłaby 0,5, a stopień podobieństwa modelu do człowieka wyniósłby jeden.Jeśli model jest ewidentnie nieludzki, podobnie jak w jego wzorcu, stopień podobieństwa do człowieka wyniesie zero. MHLG jest ograniczony do wartości jeden. W niniejszym protokole wygenerowano uściski dłoni z elementami ludzkimi w modelu, gdzie konkretna kombinacja różni się w zależności od próby na skali od całkowicie wygenerowanego komputerowo uścisku dłoni do całkowicie ludzkiego uścisku dłoni.W związku z tym ten zestaw eksperymentów określany jest jako test obciążonego modelu ludzkiego. Protokół rozpoczyna się od bloku treningowego, który ma pomóc osobie przesłuchującej nauczyć się rozpoznawać uścisk dłoni czysto ludzki oraz zapoznać się z aparaturą. Dlatego blok treningowy obejmuje 30 prób, w których porównuje się uścisk dłoni czysto ludzki z uściskiem dłoni generowanym komputerowo.Na koniec każdej próby osoba przesłuchująca wskazuje, który z dwóch uścisków dłoni był bardziej ludzki. Jeśli osoba przesłuchująca poprawnie zidentyfikuje ludzki uścisk dłoni, na ekranie pojawi się komunikat „poprawnie”. Jeśli osoba przesłuchująca nie wybierze właściwego uścisku dłoni, pojawi się komunikat „błędnie”, a osoba przesłuchująca otrzyma możliwość powtórzenia ostatniej próby treningowej.Po bloku ćwiczeń osoba badająca rozpoczyna serię prób w celu oceny dwóch uścisków dłoni. Dwa uściski dłoni to uścisk stymulujący oraz uścisk referencyjny, z których każdy stanowi kombinację sił człowieka i modelu. W przypadku uścisku referencyjnego odczucie uścisku przez osobę badającą jest równomieszaniną sił generowanych przez człowieka oraz modelu generowanego komputerowo.Innymi słowy, podczas gdy uczestnik wykonuje ruch uścisku dłoni, uścisk ten generuje jedynie 50% siły odczuwanej przez osobę badaną, a pozostałe 50% siły pochodzi z modelu w uścisku bodźcowym; uścisk odczuwany przez osobę badaną jest zatem zmienną mieszaniną sił generowanych przez człowieka oraz przez model generowany komputerowo. W niektórych uściskach bodźcowych udział człowieka jest większy niż połowa, a tym samym większy niż w uścisku referencyjnym. W innych uściskach bodźcowych udział człowieka jest mniejszy niż połowa, a zatem mniejszy niż w uścisku referencyjnym.Na koniec każdej próby ankietowany jest proszony o wybranie uścisku dłoni, który wydał mu się bardziej ludzki. W tym eksperymencie porównuje się trzy modele: dwa modele testowe oraz jeden model bazowy. Podobnie jak w protokole czystym, niniejszy protokół rozpoczyna się od jednego bloku nieanalizowanego, po którym następuje 10 bloków eksperymentalnych.Każdy blok eksperymentalny składa się z 24 prób, obejmujących każdą z ośmiu liniowych kombinacji modelu i człowieka dla każdej z trzech kombinacji modeli. Po zakończeniu 10 bloków eksperymentalnych do odpowiedzi osoby przesłuchującej dopasowuje się logistyczną funkcję psychometryczną. Jak opisano w towarzyszącym artykule, wynikowa krzywa przedstawia prawdopodobieństwo wyboru osoby przesłuchującej.Aby odpowiedzieć na to pytanie, należy ustalić, czy uścisk dłoni stymulujący jest bardziej podobny do ludzkiego niż uścisk dłoni referencyjny. Jako funkcja wartości alpha bodźca pomniejszonej o wartość alpha referencji, punkt subiektywnej równości (PSE) jest wyznaczany z poziomu progu 0,5 krzywej psychometrycznej, co wskazuje różnicę między alpha bodźca a alpha referencji, przy której oba uściski dłoni są postrzegane jako w równym stopniu podobne do ludzkiego modelu. Stopień podobieństwa do człowieka dla protokołu ważonego modelu ludzkiego oblicza się poprzez odjęcie PSE od 0,5; modele postrzegane jako najmniej lub najbardziej podobne do ludzkiego generują odpowiednio wartości stopnia podobieństwa wynoszące zero lub jeden. Końcowy protokół porównuje uścisk dłoni modelu z uściskiem dłoni składającym się częściowo z sygnału ludzkiego, a częściowo z szumu losowego.W niniejszym protokole uścisk stymulujący jest generowanym komputerowo uściskiem opartym na modelu. Drugi uścisk, uścisk referencyjny, jest siłą generowaną z różnych kombinacji ludzkiego uścisku i białego szumu o maksymalnej wartości bezwzględnej siły 2 N, przefiltrowaną za pomocą filtru dolnoprzepustowego Butterwortha piątego rzędu przy częstotliwości maksymalnej równej 2/pi. Na koniec każdej próby osoba badająca jest proszona o wskazanie uścisku, który wydał się bardziej naturalny (bardziej ludzki).Protokół ma podobną strukturę jak poprzedni test obciążonego modelu człowieka. Po rundzie próbnej i nieanalizowanym bloku przeprowadza się serię 10 bloków eksperymentalnych w następujący sposób. PSE jest wyodrębniane z krzywej psychometrycznej tak jak wcześniej i definiuje stopień podobieństwa modelu do człowieka dla protokołu z dodanym szumem.Rysunek ten przedstawia wyniki uzyskane zgodnie z czystym protokołem i porównuje uściski dłoni człowieka z dwoma różnymi modelami uścisków. Dwa punkty wskazują obliczone wartości stopnia podobieństwa do człowieka dla dwóch modeli lepkosprężystych nazwanych KB one i KB two. Wyniki wykazują, że model KB two jest postrzegany jako bardziej podobny do ludzkiego niż model KB one.Na tej figurze przedstawiono wyniki z protokołu z ważonym modelem człowieka, w którym porównano zmienny stosunek uścisków dłoni model-człowiek do stałego stosunku 50 50 uścisków dłoni model-człowiek. Czarne znaczniki reprezentują oceny podobieństwa do człowieka dla modeli testowych, a szare znaczniki reprezentują oceny modelu bazowego. Słupki błędów przedstawiają przedziały ufności krzywych psychometrycznych.Rysunek ten przedstawia wyniki protokołu dodanego szumu, w którym porównano uścisk dłoni modelu z uściskiem dłoni o zmiennym stosunku komponentów ludzkich do szumu. Czarne znaczniki reprezentują oceny podobieństwa do człowieka dla modeli, a szare znaczniki reprezentują oceny dla szumu. Słupki błędów przedstawiają przedziały ufności krzywej psychometrycznej.Wyniki te wykazują, że model wiskoelastyczny KB dwa jest postrzegany jako bardziej zbliżony do ludzkiego niż model wiskoelastyczny KB jeden, przy zastosowaniu wszystkich trzech metod oceny. Podczas wykonywania tej procedury ważne jest, aby prawidłowo wchodzić w interakcję z urządzeniem robotycznym i dążyć do tego, by interakcja przebiegała jak najpłynniej. Po przeprowadzeniu tej procedury można zastosować inne metody, takie jak testowanie rozpoznawania ludzkich uścisków dłoni w zaburzeniach rozwoju o charakterze wszechogarniającym, aby odpowiedzieć na dodatkowe pytania, na przykład: w jaki sposób zaburzenia rozwoju o charakterze wszechogarniającym wpływają na zdolność rozróżniania gestów ludzkich od nieludzkich? Obecnie, po opracowaniu tej techniki, może ona utorować drogę do wykorzystania uścisku dłoni jako narzędzia rozpoznawczego.Stawiamy hipotezę, że celem uścisku dłoni jest poznanie pewnych informacji o drugiej osobie. W związku z tym proponowana przez nas metodologia opracowywania uścisku dłoni przypominającego ludzki może również ułatwić stworzenie systemu klasyfikacji uścisków dłoni, który pozwoli wydobyć informacje o drugiej osobie na podstawie sposobu, w jaki podaje ona dłoń. Po obejrzeniu tego filmu widz powinien dobrze zrozumieć, jak przeprowadzić jednowymiarowy test uścisku dłoni typu „tour like” oraz w jaki sposób będziemy oceniać modele uścisków dłoni zgłoszone do pierwszego międzynarodowego turnieju testów uścisków dłoni typu „tour like”.

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

Research

JoVE Journal

Neuroscience

Neuronauka

Jednowymiarowe testowanie uścisku rąk typu Turinga dla inteligencji motorycznej

Ponieważ sprawność manualna jest domeną głównie naczelnych, w badaniach nad małpami makakami opracowano zadania behawioralne. Cztery zadania dotyczące sięgania i chwytania, mierzące siłę oraz zdolność manipulacji dłonią, pozwalają na ustalenie stopnia regeneracji funkcjonalnej po uszkodzeniu ośrodkowego układu nerwowego oraz na przetestowanie efektów zastosowanego leczenia.

Behawioralna ocena sprawności manualnej u naczelnych innych niż człowiek

Ten film przedstawia test klatki schodowej w celu oceny funkcji motorycznych u szczura z hemiparkinsonem z uszkodzeniem prawej półkuli mózgu. Zmiana zaburza sygnalizację dopaminy, upośledzając kontrolę lewej łapy, co powoduje, że na lewych schodach pozostaje więcej granulek, co wskazuje na dysfunkcję motoryczną.

Test schodowy w celu oceny funkcji motorycznych u szczura z hemiparkinsonem

Opisujemy nowatorską konfigurację opartą na wirtualnej rzeczywistości, która wykorzystuje dobrowolną kontrolę jednej ręki do poprawy zdolności motorycznych drugiej (niewytrenowanej) ręki. Osiąga się to poprzez dostarczanie sensorycznych informacji zwrotnych w czasie rzeczywistym opartych na ruchu, tak jakby niewytrenowana ręka się poruszała. To nowe podejście może być wykorzystane do usprawnienia rehabilitacji pacjentów z jednostronnym niedowładem połowiczym.

Wykorzystanie wirtualnej rzeczywistości do przenoszenia wiedzy o umiejętnościach motorycznych z jednej ręki do drugiej

Ten manuskrypt opisuje półautomatyczne zadanie, które kwantyfikuje supinację u szczurów. Szczury sięgają, chwytają i supinują kuliste manipulandum. Szczur jest nagradzany śrutem, jeśli kąt skrętu przekroczy kryterium ustawione przez użytkownika. To zadanie zwiększa przepustowość, wrażliwość na urazy i obiektywizm w porównaniu z tradycyjnymi zadaniami.

Zadanie supinacji gałki: półautomatyczna metoda oceny funkcji kończyn przednich u szczurów

Wprowadzamy zadanie czasu reakcji szeregowej kroku (SRT). To zmodyfikowane zadanie SRT, uzupełniające klasyczne zadanie SRT, które obejmuje tylko ruch naciskania palcami, lepiej przybliża codzienne sekwencjonowane czynności i pozwala naukowcom badać dynamiczne procesy leżące u podstaw dyskretnych miar odpowiedzi i rozplątać jawny proces działający w niejawnym uczeniu sekwencyjnym.

"Motor" w niejawnym uczeniu się sekwencji motorycznej: zadanie czasu reakcji szeregowej kroku

Tutaj prezentujemy protokół, który charakteryzuje poczucie sprawczości rozwinięte nad kontrolą zmysłowych wirtualnych lub robotycznych protez rąk. Kwestionariusze psychofizyczne są stosowane w celu uchwycenia wyraźnego doświadczenia sprawczości, a oszacowania przedziałów czasowych (celowe wiązanie) są stosowane do niejawnego pomiaru poczucia sprawczości.

Charakterystyka poczucia sprawczości nad działaniami protez sterowanych interfejsem neuron-maszyna

Ten protokół oferuje digitalizację części tradycyjnych zadań klinicznych, powszechnie używanych do pomiaru funkcji poznawczych i kontroli motorycznej w chorobie Parkinsona. Zadania kliniczne są digitalizowane, a rytmy biofizyczne są rejestrowane na różnych poziomach funkcjonalnych układu nerwowego, od dobrowolnego, spontanicznego, automatycznego do autonomicznego.

Dynamiczne cyfrowe biomarkery funkcji motorycznych i poznawczych w chorobie Parkinsona

Celem tego badania jest dostarczenie ważnego punktu odniesienia dla standardowego klinicznego działania interfejsu mózg-komputer (MI-BCI) w dysfunkcjach motorycznych kończyn górnych po udarze.

Obrazowanie ruchowe interfejsu mózg-komputer w rehabilitacji dysfunkcji ruchowych kończyn górnych po udarze mózgu

Obrazy motoryczne w środowisku wirtualnej rzeczywistości mają szerokie zastosowanie w systemach interfejsu mózg-komputer. Manuskrypt ten przedstawia wykorzystanie spersonalizowanych cyfrowych awatarów, które przypominają uczestników wykonujących ruchy wyobrażone przez uczestnika w środowisku rzeczywistości wirtualnej, aby zwiększyć immersję i poczucie posiadania ciała.

Wydajność obrazowania motorycznego dzięki ucieleśnionym cyfrowym bliźniakom w środowisku interfejsu mózg-komputer z obsługą rzeczywistości wirtualnej

U zwierząt z dużymi zidentyfikowanymi neuronami (np.), analiza puli motorycznej odbywa się za pomocą technik wewnątrzkomórkowych1,2,3,4. Niedawno opracowaliśmy technikę zewnątrzkomórkowej stymulacji i zapisu pojedynczych neuronów w Aplysia californica5. Opisujemy teraz protokół wykorzystania tej techniki do unikalnej identyfikacji i scharakteryzowania neuronów ruchowych w puli motorycznej.

Zewnątrzkomórkowa identyfikacja neuronów ruchowych w puli motorycznej mięśni u Aplysia californica

Poznaj test uścisku dłoni podobny do Turinga wykorzystujący interfejs telerobotyczny do oceny podobieństwa modeli sztucznych do ludzkich uścisków. Metoda ta pozwala badaczom oceniać inteligencję motoryczną.

Jednowymiarowy test uścisku dłoni typu Turinga w ocenie inteligencji motorycznej

Przeglądaj więcej filmów