【心理学与AI】Sarwary关于运动适应的研究

运动适应（motor adaptation）：动态变化的环境使我们的运动发生改变的现象。

对于变化环境的适应会导致与旧行为相冲突的新行为的产生，这种行为间的冲突会降低甚至阻碍我们对运动的学习。

---

Vestibular benefits to task savings in motor adaptation

Journal of neurophysiology, 2013

在日常生活中，我们无缝地调整我们的动作，并将其整合到多种行为环境中。这种自然的灵活性似乎取决于与运动相关的感觉运动线索的存在。到目前为止，只有在力场暴露前分离了感觉运动计划的感觉运动线索成功地学习了两种相反的扰动（perturbation）。

文章中展示了前庭线索（vestibular cue），只有在扰动期间才可用，它改善了多种控制策略的形成和回忆。我们让被试在前庭平台上横向加速，使其受到惯性力的影响。reaching movement（向前/向后）和acceleration direction（向左/向右）之间的耦合每160次试验切换一次，产生两个相反的力环境。当第二次暴露在相同的环境中，中间是相反的环境时，受试者表现出了记忆保持能力，与第一次接触相比，适应率提高了∼3倍。

研究结果表明，前庭线索在整个伸展过程中提供上下文信息，用于促进自主学习和回忆多个运动记忆。前庭线索提供了关于伸展错误的潜在原因的反馈，从而消除了各种任务环境的歧义，并减少了运动记忆的干扰。

---

Generalization and transfer of contextual cues in motor learning

Journal of Neurophysiology, 2015

作者在这里研究了感觉运动线索表征是否以及如何在效应器系统内和跨效应器系统中推广、干扰和传递。被试被训练进行两个阶段的伸展运动：一个作为提示的前运动，然后是一个目标运动，被两个相反的卷曲力场中的一个干扰。

图1。实验设计。A： 设置。被试坐在一个机器人装置前，手持一个平面机器人操纵器（vBot）的手柄，执行伸展动作。两只胳膊躺在漂浮在玻璃桌面上的雪橇上。经允许转载自Franklin和Wolpert（2008）。B： 任务。从起始位置到通过点的预移动开始执行延伸。接着是从 via-point 到目标的移动。显示了零点、训练和探测 blocks 中使用的预移动方向和扰动耦合。C： 范例：说明每个区块内的力场。垂直的灰色条表示 error-clamp trials。

前移的方向与随后的力场方向是唯一耦合的，可以同时学习两个各自的内部模型。训练后，在未训练的手和训练过的手上，测试两种运动前线索表征的泛化。

被试进行了三个实验，实验一为等强度力场，实验二为不等强度力场，实验三为单一运动前提示（Single Premovement Cue）。

实验二与实验一的区别在于进一步详细地检查了两个与线索相关的内部模型之间的干扰。为了达到这个目的，八个新的受试者完成了我们的cued reaching task，但是现在相反的力场的强度不相等。本实验与实验1相似，但我们只训练和探讨了支配右手的泛化。受试者暴露于一个空白区（182个试验）、一个适应区（400个试验）、一个探测区（140个试验区）和一个冲洗区（70个空白区试验）。

在第三个实验中，我们研究了在学习一个单一的力场后，同时观察到的两个线索表征的泛化模式是否与单个线索的泛化有关。我们测试了16名右手受试者，分为两组，使用右手伸展动作。一组（n = 8）有一个 -45°运动前提示和一个CW力场；另一个组有45°提示加上一个CCW力场（场强度如实验1所示）。受试者暴露于一个空白区（182个试验）、一个适应区（200个试验）、一个探测区（140个试验区）和一个冲洗区（70个空白区试验）。

结果证明了个体的前移表示在训练的前移方向上以类高斯模式推广。当力场的强度不相等时，依赖线索的泛化倾向于最强场。此外，在外部参考系中，泛化模式会转移到未训练的手上。

上图，AI作为运动前方向的函数。A： 优势手训练到非优势手转移。B： 非优势手训练为主手转移。误差线表示SE。红点和蓝点代表在运动前方向训练的力场。高斯分布是叠加的：黑色，优势手；绿色，非优势手。单个线索的基于模型的泛化曲线分别用蓝色和红色绘制。

上图，对单个动作前线索表征的适应性和泛化。A： 每组手轨迹误差适应CW（蓝色）或CCW（红色）力场。B： 两个力场的AI（各1组）。C： 围绕训练好的运动前方向进行概括。单线索表征的模型分别以红色和蓝色叠加。组平均数据，误差条表示SE。虚线显示2个单线索表示的净和。

作者的结论是，情境线索并不是多个内部模型之间的离散切换。相反，他们的泛论证明存在基于从trained cue到net motor output的角度分离的相关内部模型的加权贡献。