Encoding Redundancy for Task-dependent Optimal Control : A Neural Network Model of Human Reaching

Redundante Repräsentationen als Grundlage aufgabenbezogener optimaler Steuerung:Ein neuronales Netzwerk Modell menschlicher Zeigebewegungen

  • The human motor system is adaptive in two senses. It adapts to the properties of the body to enable effective control. It also adapts to different situational requirements and constraints. This thesis proposes a new neural network model of both kinds of adaptivity 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-indepThe human motor system is adaptive in two senses. It adapts to the properties of the body to enable effective control. It also adapts to different situational requirements and constraints. This thesis proposes a new neural network model of both kinds of adaptivity 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 flexibly incorporates external, task-specific 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-specific 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. Additionally, the neural network structure reflects 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 human behavior and neurophysiology, and finally discusses potential extensions as well as the validity of the model. In conclusion, the proposed model grounds highly flexible task-dependent behavior in a neural network framework and unsupervised sensorimotor learning.show moreshow less
  • Das motorische System des Menschen ist in zweierlei Hinsicht anpassungsfähig. Es passt sich den Eigenschaften des Körpers an, um diesen effektiv zu kontrollieren. Es passt sich aber auch unterschiedlichen situationsabhängigen Erfordernissen und Beschränkungen an. Diese Dissertation stellt ein neues neuronales Netzwerk Modell der motor-kortikalen Steuerung von menschlichen Zeigebewegungen vor, das beide Arten von Anpassungsfähigkeit integriert (SURE_REACH, Sensumotorische, unüberwacht lernende, redundanzauflösende Kontrollarchitektur). Das neuroDas motorische System des Menschen ist in zweierlei Hinsicht anpassungsfähig. Es passt sich den Eigenschaften des Körpers an, um diesen effektiv zu kontrollieren. Es passt sich aber auch unterschiedlichen situationsabhängigen Erfordernissen und Beschränkungen an. Diese Dissertation stellt ein neues neuronales Netzwerk Modell der motor-kortikalen Steuerung von menschlichen Zeigebewegungen vor, das beide Arten von Anpassungsfähigkeit integriert (SURE_REACH, Sensumotorische, unüberwacht lernende, redundanzauflösende Kontrollarchitektur). Das neuronale Netzwerk speichert kinematische und sensumotorische Redundanz eines planaren, dreigelenkigen Armes in aufgabenunabhängigen internen Modellen mittels unüberwachter Lernverfahrenen. Vor der Ausführung einer Bewegung bereitet das neuronale Netzwerk einen Bewegungsplan vor. Dieser basiert auf den aufgabenunabhängigen internen Modells und passt sich flexibel äu"seren, aufgabenabhängigen Erfordernissen an. Der Bewegungsplan wird dann durch propriozeptive oder visuelle Regelung umgesetzt. Auf diese Weise erklärt SURE_REACH Bewegungen zu Handzielen die aufgabenabhängige Erfordernisse berücksichtigen, zum Beispiel werden kinematische Beschränkungen miteinbezogen, Erfordernisse nachfolgender Aufgaben antizipiert, Hindernisse vermieden oder Bewegungen verletzter Gelenke reduziert. Desweiteren werden zeitliche Eigenschaften menschlicher Bewegungen oder die Ergebnisse von Primingexperimenten erklärt. Die neuronalen Netzwerke bilden zudem Eigenschaften motor-kortikaler Netzwerke ab, zum Beispiel wechselseitig abhängige Raumrepräsentationen, rekurrente Verbindungen oder assoziative Lernverfahren. Diese Dissertation beschreibt das neue Modell, vergleicht es mit anderen Modellen, untersucht seine Funktionalität, stellt Verbindungen zu menschlichem Verhalten und menschlicher Neurophysiologie her und erörtert schlie"slich mögliche Erweiterungen und die Validität des Models. Zusammenfassend stellt das vorgeschlagene Model eine Erklärung für flexibles aufgabenbezogenes Verhalten auf ein Fundament aus neuronalen Netzwerken und unüberwachten sensumotorischen Lernen.show moreshow less

Download full text files

Export metadata

  • Export Bibtex
  • Export RIS
  • Export XML

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author: Oliver Herbort
URN:urn:nbn:de:bvb:20-opus-26032
Document Type:Doctoral Thesis
Granting Institution:Universität Würzburg, Fakultät für Humanwissenschaften (Philos., Psycho., Erziehungs- u. Gesell.-Wissensch.)
Faculties:Fakultät für Humanwissenschaften (Philos., Psycho., Erziehungs- u. Gesell.-Wissensch.) / Institut für Psychologie
Date of final exam:2008/01/25
Language:English
Year of Completion:2008
Dewey Decimal Classification:1 Philosophie und Psychologie / 15 Psychologie / 150 Psychologie
GND Keyword:Bewegungssteuerung; Computersimulation; Motorisches Lernen; Neuronales Netz; Optimale Kontrolle; Redundanz
Tag:Populationscodes; dynamisches Programmieren; flexibles Verhalten
dynamic programming; flexible behavior; population codes
Release Date:2008/01/31
Advisor:Prof. Joachim Hoffmann

$Rev: 13581 $