Encoding redundancy for task dependent optimal control [Elektronische Ressource] : a neural network model of human reaching / vorgelegt von Oliver Herbort

Sujets

• Psychologie

Informations

• Publié par: julius-maximilians-universitat_wurzburg
• Publié le: 01 janvier 2008
• Nombre de lectures: 18
• Langue: English
• Poids de l'ouvrage: 10 Mo

Extrait

Encoding Redundancy for Task-Dependent Optimal Control:
A Neural Network Model of Human Reaching
Inaugural-Dissertation
zur Erlangung der Doktorwürde der
Philosophischen Fakultät II
der
Julius-Maximilians-Universität Würzburg
Vorgelegt von
Oliver Herbort
aus Würzburg
Würzburg
2008Erstgutachter: Prof. Dr. Joachim Ho mann (Universit at Wurzburg)
Zweitgutachter: Prof. Dr. Ralf Moller (Universitat Bielefeld)
Tag des Kolloquiums: 25.1.20083
Acknowledgment
This thesis would never have been possible without the outstanding support I enjoyed
to receive from many. First, of course, I thank Julia for, well, everything. I also thank
Martin Butz and Joachim Ho mann for the many discussions, support, funding, and the
many liberties I had. Final thanks goes to all the other people at the department for
discussions, all the help, and rocking parties.4
Contents
Abstract 6
Zusammenfassung 7
Introduction 8
The Inverse Problem 9
Control of the Human Motor System 11
The Musculoskeletal System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Spinal Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
The Brain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Short Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Motor Redundancy 14
Motor Synergies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Optimal Contol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Short Summmary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Motor Learning 18
Motor and the Resolution of Redundancy . . . . . . . . . . . . . . . . 19
General Approaches to Model Motor Learning . . . . . . . . . . . . . . . . . . 20
Short Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Models of Motor Learning and Models of Flexible Behavior 24
Models of . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Models of Flexible Behavior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Learning and Flexibility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Description of the Model 31
SURE REACH Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
A Three Joint Planar Arm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Hand and Posture Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Posture Memory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Motor Controller and Sensorimotor Model . . . . . . . . . . . . . . . . . . . . . 36
Examples for Movement Preparation and Execution . . . . . . . . . . . . . . . 43
Simulation of Human Behavior 48
General Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
E ects of Extensive Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Priming E ects on Movement Execution . . . . . . . . . . . . . . . . . . . . . . 53
Bene ts of Encoding Kinematic Redundancy . . . . . . . . . . . . . . . . . . . 54
Bene ts of Encoding Sensorimotor Redundancy . . . . . . . . . . . . . . . . . . 615
Summary of Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Visually Guided Reaching 67
Visual Feedback Controller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Discussion 80
Modeling Capabilities and Potential Model Extensions . . . . . . . . . . . . . . 80
Relation to other Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Validity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
References 91
Appendix 102
Parameter Speci cations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Simulation Code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Sim Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1036
Abstract
The human motor system is adaptive in two senses. It adapts to the properties of the
body to enable e ective control. It also adapts to di erent situational requirements and
constraints. This thesis proposes a new neural network model of both kinds of adaptiv-
ity for the motor cortical control of human reaching movements, called SURE REACH
(sensorimotor unsupervised learning redundancy resolving control architecture). In this
neural network approach, the kinematic and sensorimotor redundancy of a three-joint
planar arm is encoded in task-independent internal models by an unsupervised learning
scheme. Before a movement is executed, the neural networks prepare a movement plan
from the task-independent internal models, which exibly incorporates external, task-
speci c constraints. The movement plan is then implemented by proprioceptive or visual
closed-loop control. This structure enables SURE REACH to reach hand targets while
incorporating task-speci c contraints, for example adhering to kinematic constraints,
anticipating the demands of subsequent movements, avoiding obstacles, or reducing the
motion of impaired joints. Besides this functionality, the model accounts for temporal
aspects of human reaching movements or for data from priming experiments. Addi-
tionally, the neural network structure re ects properties of motor cortical networks like
interdependent population encoded body space representations, recurrent connectivity,
or associative learning schemes. This thesis introduces and describes the new model,
relates it to current computational models, evaluates its functionality, relates it to hu-
man behavior and neurophysiology, and nally discusses potential extensions as well as
the validity of the model. In conclusion, the proposed model grounds highly exible
task-dependent behavior in a neural network framework and unsupervised sensorimotor
learning.7
Zusammenfassung
Das motorische System des Menschen ist in zweierlei Hinsicht anpassungsfahig. Es
passt sich den Eigenschaften des Korpers an, um diesen e ektiv zu kontrollieren. Es
passt sich aber auch unterschiedlichen situationsabhangigen Erfordernissen und Be-
schrankungen an. Diese Dissertation stellt ein neues neuronales Netzwerk Modell der
motor-kortikalen Steuerung von menschlichen Zeigebewegungen vor, das beide Arten
von Anpassungsfahigk eit integriert (SURE REACH, Sensumotorische, unub erwacht ler-
nende, redundanzau osende Kontrollarchitektur). Das neuronale Netzwerk speichert ki-
nematische und sensumotorische Redundanz eines planaren, dreigelenkigen Armes in auf-
gabenunabhangigen internen Modellen mittels unub erwachter Lernverfahrenen. Vor der
Ausfuhrung einer Bewegung bereitet das neuronale Netzwerk einen Bewegungsplan vor.
Dieser basiert auf den aufgabenunabhangigen internen Modells und passt sich exibel
au eren, aufgabenabh angigen Erfordernissen an. Der Bewegungsplan wird dann durch
propriozeptive oder visuelle Regelung umgesetzt. Auf diese Weise erklart SURE REACH
Bewegungen zu Handzielen die aufgabenabhangige Erfordernisse berucksichtigen, zum
Beispiel werden kinematische Beschrankungen miteinbezogen, Erfordernisse nachfolgen-
der Aufgaben antizipiert, Hindernisse vermieden oder Bewegungen verletzter Gelenke
reduziert. Desweiteren werden zeitliche Eigenschaften menschlicher Bewegungen oder
die Ergebnisse von Primingexperimenten erklart. Die neuronalen Netzwerke bilden zu-
dem Eigenschaften motor-kortikaler Netzwerke ab, zum Beispiel wechselseitig abhangige
Raumreprasentationen, rekurrente Verbindungen oder assoziative Lernverfahren. Diese
Dissertation beschreibt das neue Modell, vergleicht es mit anderen Modellen, untersucht
seine Funktionalitat, stellt Verbindungen zu menschlichem Verhalten und menschlicher
Neurophysiologie her und erortert schlie lich m ogliche Erweiterungen und die Validitat
des Models. Zusammenfassend stellt das vorgeschlagene Model eine Erklarung fur e-
xibles aufgabenbezogenes Verhalten auf ein Fundament aus neuronalen Netzwerken und
unub erwachten sensumotorischen Lernen.8
Introduction
Virtually all human capabilities of both every day life and great virtuosity are medi-
ated by the motor apparatus. The plan to open a door requires to reach the doorknob
and press it down. The violinist has to move the bow and play the strings with her
arms and ngers to delight the audience. And even the most distinguished philosophers
had to use their vocal tracts to speak about sophisticated insights or had to make arm
and nger movements to write them down. Thus, the ability to control the own body
is one of the most basic requisites to implement higher cognitive or social competencies.
Even more, it has been suggested that higher cognitive functions or even consciousness
have only emerged on the basis of the complex representations and processes that are
required to control the human body (Barsalou 1999; Cruse 2003; Grush 2004; Kording,
Tenenbaum & Shadmehr 2007; Schubotz 2007; Wolpert