Waiting
Elaborazione accesso...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

WheelCon: Eine radgesteuerte Gaming-Plattform zum Studium der menschlichen sensorimotorischen Steuerung

Published: August 15, 2020 doi: 10.3791/61092
Automatic Translation
1,2,3, 2, 1, 2, 2, 2, 2, 2, 2
1Department of Biomedical Engineering, Southern University of Science and Technology, 2Division of Engineering and Applied Science, California Institute of Technology, 3Neuroscience Center, Huntington Medical Research Institutes

Summary

WheelCon ist eine neuartige, kostenlose und Open-Source-Plattform, um Videospiele zu entwerfen, die das Mountainbiken auf einem steilen, kurvenreichen, holprigen Trail nicht invasiv simulieren. Es enthält Komponenten, die in der menschlichen sensorimotorischen Steuerung (Verzögerung, Quantisierung, Rauschen, Störungen und mehrere Rückkopplungsschleifen) präsentiert werden, und ermöglicht es Forschern, die geschichtete Architektur in der sensorimotorischen Steuerung zu untersuchen.

Abstract

Die Theorie der Feedback-Steuerung wurde umfassend umgesetzt, um die menschliche sensorimotorische Steuerung theoretisch zu modellieren. Experimentelle Plattformen, die wichtige Komponenten mehrerer Feedbackschleifen manipulieren können, sind jedoch nicht entwickelt. In diesem Beitrag wird WheelCon beschrieben, eine Open-Source-Plattform, die darauf abzielt, solche Unzulänglichkeiten zu beheben. Mit nur einem Computer, einem Standarddisplay und einem preiswerten Gaming-Lenkrad, das mit einem Kraftrückkopplungsmotor ausgestattet ist, simuliert WheelCon sicher die kanonische sensorimotorische Aufgabe, ein Mountainbike auf einem steilen, kurvenreichen, holprigen Trail zu fahren. Die Plattform bietet Flexibilität, wie in den bereitgestellten Demos gezeigt wird, so dass Forscher die Störungen, Verzögerungen und Quantisierungen (Datenrate) in den mehrschichtigen Feedbackschleifen manipulieren können, einschließlich einer hochgradigen erweiterten Planschicht und einer verzögerten Reflexschicht auf niedriger Ebene. In diesem Artikel veranschaulichen wir die grafische Benutzeroberfläche (GUI) von WheelCon, die Eingabe und Ausgabe vorhandener Demos und das Entwerfen neuer Spiele. Darüber hinaus stellen wir das grundlegende Feedback-Modell und die experimentellen Ergebnisse der Demo-Spiele vor, die gut mit der Vorhersage des Modells übereinstimmen. Die WheelCon-Plattform kann unter https://github.com/Doyle-Lab/WheelCon heruntergeladen werden. Kurz gesagt, die Plattform ist billig, einfach zu bedienen und flexibel für effektive sensorimotorische neurowissenschaftliche Forschung und Steuerungstechnik Ausbildung zu programmieren.

Introduction

Die menschliche sensorimotorische Steuerung ist extrem robust1, obwohl die Erfassung verteilt ist, variabel, spärlich, quantisiert, laut und verzögert2,3,4; die Berechnung im zentralen Nervensystem ist langsam5,6,7; und die Muskelbetätigung ermüdet und sättigt8. Viele rechnerische theoretische Modelle wurden vorgeschlagen, um den komplizierten menschlichen sensorimotorischen Steuerungsprozess4,9,10,11,12,13,14, das ist ein Kompromissprozess in menschlicher Reichweite und Antwort15,16. Zum Beispiel, Feedback-Kontrolltheorie prognostiziert die optimale Steuerungspolitik12, Bayesian Theorie Modelle sensorimotorisches Lernen17,18,19 und Informationstheorie sensorimotorische Grundlage20,21. Im Gegensatz zur Fülle theoretischer Modelle fehlt es experimentellen Plattformen, die wichtige Komponenten mehrerer Rückkopplungsschleifen manipulieren können, an Entwicklung. Dies ist zum Teil darauf zurückzuführen, dass die Entwicklung einer Plattform zur Überbrückung und Erprobung dieser Aspekte der sensorimotorischen Steuerung ein vielfältiges Spektrum an Fachwissen erfordert, das von der Theorie der Motorsteuerung über die Signalverarbeitung und Interaktion bis hin zur Computergrafik und Programmierung reicht. Forscher entwickeln oft ihre eigenen kundenspezifischen Hardware-/Softwaresysteme, um die leistung der menschlichen sensorimotorischen Steuerung zu charakterisieren, was die Möglichkeit einschränken kann, Datensätze über Forschungsgruppen hinweg zu vergleichen/kontrastieren und zu integrieren. Die Entwicklung eines benutzerfreundlichen und validierten Systems könnte die quantitative Charakterisierung der sensorimotorischen Steuerung erweitern.

In diesem Beitrag stellen wir die WheelCon-Plattform vor, eine neuartige, kostenlose und Open-Source-Plattform, um Videospiele für eine virtuelle Umgebung zu entwerfen, die ein Fitts' Law erreichendes Spiel und eine Mountainbike-Aufgabe mit einem steilen, kurvenreichen und holprigen Trail nicht invasiv simuliert. Das Fitts-Gesetz zum Erreichen der Aufgabe quantifiziert den Kompromiss zwischen Geschwindigkeit und Genauigkeit, bei dem die Zeit, die für das Erreichen eines Breitenziels auf Entfernungsskalen benötigt wird, wie22,23beträgt. Die "Mountainbike-Aufgabe" ist eine Kombination aus Verfolgungs- und Kompensationsverfolgungsaufgabe, die zwei klassische Komponenten der Forschung zur menschlichen sensorimotorischen Leistung sind, insbesondere im Hinblick auf das Studium von Rückkopplungsschleifen.

WheelCon enthält die in jeder Theorie vorgestellten dringend geforderten Grundkomponenten: Verzögerung, Quantisierung, Rauschen, Störung und mehrere Rückkopplungsschleifen. Es ist ein mögliches Werkzeug, um die folgenden verschiedenen Fragen in der menschlichen sensorimotorischen Steuerung zu untersuchen:

• Wie das menschliche sensorimotorische System mit der Verzögerung und Quantisierung in der neuronalen Signalisierung umgeht, die durch die begrenzten Ressourcen (wie Raum und Stoffwechselkosten) im Gehirn grundsätzlich eingeschränkt ist24,25;
• Wie neuronale Korrelation im menschlichen Kortex mit sensorimotorischer Steuerung26;
• Wie Menschen mit den unvorhersehbaren, äußeren Störungen in der sensorimotorischen Steuerung umgehen27;
• Wie die hierarchischen Regelkreise geschichtet und integriert in menschliche sensenmotorische System16,28,29;
• Die Folge der Verzögerung und Quantisierung in der menschlichen visuellen Rückkopplung30 und Reflex-Feedback31 in der sensorimotorischen Steuerung;
• Die optimale Politik und Strategie für sensorisches Lernen unter Verzögerung und Quantisierung16,17,24,29.

WheelCon lässt sich in ein Lenkrad integrieren und kann Spielbedingungen simulieren, die die Variablen in diesen Fragen manipulieren, wie z. B. Signalverzögerung, Quantisierung, Rauschen und Störungen, während die dynamische Steuerungsrichtlinie und Systemfehler aufgezeichnet werden. Es ermöglicht Forschern auch, die geschichtete Architektur in der sensorimotorischen Steuerung zu studieren. Im Beispiel des Mountainbikefahrens sind zwei Steuerschichten dabei: der Hochschichtplan und der Low-Layer-Reflex. Für sichtbare Störungen (d.h. den Weg) planen wir, bevor die Störung eintrifft. Bei im Voraus unbekannten Störungen (d.h. kleinen Unebenheiten) setzt die Steuerung auf verzögerte Reflexe. Die Theorie der Feedback-Kontrolle schlägt vor, dass effektive mehrschichtige Architekturen die Ziele, Pläne, Entscheidungen der höheren Schichten mit der Sensorik, dem Reflex und der Aktion der unteren Ebenen integrieren können24. WheelCon bietet experimentelle Werkzeuge, um unterschiedliche Störungen in der Plan- und Reflexschicht separat zu induzieren, um eine solche geschichtete Architektur zu testen (Abbildung 1).

Wir bieten eine kostengünstige, einfach zu bedienende und flexible Programmierplattform WheelCon, die die Lücke zwischen theoretischen und experimentellen Studien über Neurowissenschaften überbrückt. Um genau zu sein, kann es verwendet werden, um die Auswirkungen von Verzögerung, Quantisierung, Störung, potenziell Geschwindigkeit-Genauigkeit Kompromisse zu untersuchen. Die Variablen, die in Regelschleifen bearbeitet werden können, sind in Tabelle 1dargestellt. Es kann auch für die Untersuchung der Entscheidungsfindung und Multiplexing-Fähigkeit über verschiedene Kontrollschichten in der menschlichen sensorimotorischen Steuerung angewendet werden. Darüber hinaus ist WheelCon mit nichtinvasiven neuronalen Aufnahmen wie Elektroenzephalographie (EEG) kompatibel, um die neuronale Reaktion während der sensorimotorischen Steuerung32,33,34,35, und die nicht-invasiven Hirnstimulationstechniken wie Transkranielle elektrische Stimulation (tES) und transkranielle Magnetische Stimulation (TMS) zu messen, um die neuronale Aktivität36,37zu manipulieren.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Die Entwicklung und Anwendung des Protokolls wurde vom California Institute of Technology Institutional Review Board (IRB) und der Southern University of Science and Technology IRB genehmigt. Der Antragsteller gab vor der Durchgeführt von Verfahren eine informierte Einwilligung ab.

1. Systemvorbereitung und -einrichtung

  1. Die empfohlene Basishardware ist ein 2 GHz Dual-Core-Prozessor und 4 GB Systemspeicher.
  2. Erstellen Sie die Gaming-Plattform unter der Unity-Plattform, während Sie die Programmiersprache Von C verwenden. Der Logitech Gaming Wheel Driver und logitech Steering Wheel SDK werden für die Entwicklung von Gaming-Plattformen benötigt.
  3. Die ausführbaren Dateien der Gaming-Plattform unterstützen nur Windows 10 Operating System (OS). Laden Sie daher auf einem PC mit Windows 10 den entsprechenden Rennradfahrer herunter und installieren Sie ihn. Laden Sie dann die komprimierte WheelCon-Software (https://github.com/Doyle-Lab/WheelCon/archive/master.zip) herunter und extrahieren Sie die Dateien auf die lokale Festplatte.
  4. Montieren Sie das Rennrad sicher auf der Sitzebene vor einem Monitor, und schließen Sie dann das USB-Kabel des Rades an den PC und das Netzteil an eine Steckdose an.
  5. Starten Sie die Treiber-GUI, um die korrekte Eingabeauslesung zu testen und Feedback zu erzwingen. Wichtig ist, dass die Treiber-GUI während des Tests im Hintergrund ausgeführt wird.
  6. Um das Programm zu starten, doppelklicken Sie im Verzeichnis ''WheelCon-master''' auf WheelCon.exe.
  7. Wählen Sie auf dem Konfigurationsbildschirm Einstellungen für monitor und klicken Sie auf Wiedergabe! (Abbildung 2a). Das Hauptmenü wird angezeigt. Stellen Sie sicher, dass die Anzeigegröße und der Speicherort wie angegeben sind.
    HINWEIS: Der Wert "Radempfindlichkeit" definiert die Cursorgeschwindigkeit, reicht von 0 bis 1 und ist standardmäßig 0,5. Falls der Bewegungsumfang des Rennrades nicht bestimmten Aufgabenparametern entspricht, passen Sie diesen Wert an. Verringern Sie beispielsweise die Empfindlichkeit für die alternde Bevölkerung. Für den Vergleich zwischen Aufgaben ist es jedoch erforderlich, diesen Wert für die Batterie und über Gruppen hinweg konstant zu halten.

2. Aufgabenimplementierung

  1. Fitts' Gesetz erreicht Spiel
    HINWEIS: Das Erreichen des Spiels der Fitts simuliert den Erreichensprozess. Das Motiv erfordert, das Rad zu drehen, um die vertikale Linie in den gewünschten Bereich zu platzieren (Abbildung 2d).
    1. Setzen Sie das Motiv bequem hinter die Räder. Passen Sie bei Bedarf die Radhöhe an.
    2. Klicken Sie im Hauptmenü auf Fitts' Law Task (Abbildung 2b), und geben Sie einen Namen für die Ausgabedatei ein, der die Betreffidentifikation und Aufgabeninformationen im Textfeld angibt.
    3. Klicken Sie auf Datei auswählen, wählen Sie Fitt es Law.txt im Verzeichnis ''WheelCon-master'Demo-Eingabedateien''' und klicken Sie dann auf Spielbeginnen .
    4. Weisen Sie das Subjekt an, die grüne vertikale Linie mit dem Rad zu verschieben, um es innerhalb der Grauzone zu platzieren. Diese Aufgabe dient dazu, das Thema mit dem Manövrieren des Rades sowie mit der Farbkonvention vertraut zu machen, die in verschiedenen Aufgaben verwendet wird.
  2. Mountainbike-Aufgaben
    HINWEIS: Die Mountainbike-Aufgabe ist eine Kombination aus Verfolgungs- und Kompensationsverfolgungsaufgabe. Es simuliert das Mountainbike auf einem steilen, verdrehten und holprigen Weg. Das Motiv kann die Spur sehen und das Rad drehen, um es zu verfolgen, während ein Motor das Rad Drehmoment, um unsichtbare Noppen in der Studie zu imitieren ( (Abbildung 2e).
    1. Spiel 1: Testen der Wirkung der visuellen Verzögerung
      HINWEIS: In diesem Spiel wird die Länge des Look-Ahead-Fensters (erweiterte Warnung vs. Verzögerung) manipuliert.
      1. Klicken Sie im Hauptmenü auf Mountain Bike Task ( Abbildung2c) und geben Sie einen Namen für die Ausgabedatei ein, der die Betreffidentifikation und Aufgabeninformationen im Textfeld angibt.
      2. Klicken Sie auf Datei auswählen, wählen Sie Vision_Delay.txt im Verzeichnis ''''''''Demo-Eingabedateien''' und dann auf Spiel starten.
      3. Weisen Sie das Subjekt an, die grüne vertikale Linie mit dem Rad zu verschieben, um den Teil des grauen Weges zu verfolgen, der die violette horizontale Linie schneidet.
    2. Spiel 2: Testen der Wirkung von Aktionsverzögerung
      HINWEIS: In diesem Spiel wird eine Verzögerung von verschiedenen Längen zwischen Radbewegung und Aktionsausgang hinzugefügt.
      1. Klicken Sie im Hauptmenü auf Mountain Bike Task und geben Sie einen Namen für die Ausgabedatei ein, der die Betreffidentifikation und Aufgabeninformationen im Textfeld angibt.
      2. Klicken Sie auf Datei auswählen, wählen Sie Action_Delay.txt im Verzeichnis '''''''''Demo-Eingabedateien''', und klicken Sie dann auf Spiel beginnen.
      3. Weisen Sie das Subjekt an, die grüne vertikale Linie mit dem Rad zu verschieben, um den Teil des grauen Weges zu verfolgen, der die violette horizontale Linie schneidet.
    3. Spiel 3: Testen des Effekts der visuellen Quantisierung
      HINWEIS: In diesem Spiel wird die visuelle Eingabe quantisiert, um die Datenrate zu begrenzen.
      1. Klicken Sie im Hauptmenü auf Mountain Bike Task und geben Sie einen Namen für die Ausgabedatei ein, der die Betreffidentifikation und Aufgabeninformationen im Textfeld angibt.
      2. Klicken Sie auf Datei auswählen, wählen Sie Vision Quantization.txt im Verzeichnis ''WheelCon-master'Demo-Eingabedateien'', und klicken Sie dann auf Spiel starten.
      3. Weisen Sie das Subjekt an, die grüne vertikale Linie mit dem Rad zu verschieben, um den Teil des grauen Weges zu verfolgen, der die violette horizontale Linie schneidet.
    4. Spiel 4: Testen der Wirkung der Action-Quantisierung
      HINWEIS: In diesem Spiel wird die Aktionsausgabe quantisiert, um die Datenrate zu begrenzen.
      1. Klicken Sie im Hauptmenü auf Mountain Bike Task und geben Sie einen Namen für die Ausgabedatei ein, der die Betreffidentifikation und Aufgabeninformationen im Textfeld angibt.
      2. Klicken Sie auf Datei auswählen, wählen Sie Action Quantization.txt im Verzeichnis ''WheelCon-master'Demo-Eingabedateien'' und klicken Sie dann auf Spiel beginnen.
      3. Weisen Sie das Subjekt an, die grüne vertikale Linie mit dem Rad zu verschieben, um den Teil des grauen Weges zu verfolgen, der die violette horizontale Linie schneidet.
    5. Spiel 5: Testen der Auswirkungen von Bump- und Trail-Störungen
      HINWEIS: Diese Aufgabe besteht aus drei Szenarien:
      a) "Bumps", tracking ein konstantes Trail-Thema trotz Drehmomentstörungen am Rad, die schlagenStoßen beim Fahren eines Mountainbikes imitieren;
      b) "Trail", Tracking einer sich bewegenden Spur mit zufälligen Wendungen, aber ohne Unebenheiten;
      c) "Trail with Bumps", Tracking einer bewegenden Spur mit zufälligen Wendungen und Unebenheiten.
      1. Klicken Sie im Hauptmenü auf Mountain Bike Task und geben Sie einen Namen für die Ausgabedatei ein, der die Betreffidentifikation und Aufgabeninformationen im Textfeld angibt.
      2. Klicken Sie auf Datei auswählen, wählen Sie Bump & Trail.txt im Verzeichnis ''WheelCon-master'Demo-Eingabedateien'', und klicken Sie dann auf Spiel starten.
      3. Weisen Sie das Subjekt an, die grüne vertikale Linie mit dem Rad zu verschieben, um den Teil des grauen Weges zu verfolgen, der die violette horizontale Linie schneidet.

3. Datenausgabe

  1. Suchen Sie die TXT-Ausgabedatei im Verzeichnis ''WheelCon-master'Executable & Output Files'' und öffnen Sie dann mit Matlab' WheelCon' WheelCon Data Analysis Code.m' im Verzeichnis ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
  2. Geben Sie im MATLAB-Skript den Ordner und file_names Variablen entsprechend dem Ausgabedateiverzeichnis an, und führen Sie dann das Skript aus (Strg + Eingabe), und die Ausgabevariablen werden als Spaltenvektoren im Arbeitsbereich gespeichert. Die Fehler- und Kontrollrichtlinie wird für jede Samplingzeit exportiert. Eine ausführliche Beschreibung finden Sie in Tabelle 2.

4. Eingabedateientwicklung

  1. Öffnen Sie 'WheelCon Mntn Bike Trail Design Code.m' im Verzeichnis ''WheelCon-master'' ''., ''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
  2. Uncomment (Strg + T) den Abschnitt für die gewünschten Spielparameter und führen Sie das Skript (Strg + Enter). Die Eingabedatei wird im Verzeichnis ''WheelCon-master'',Source Code'' im .txt-Format gespeichert. Jede Spalte in den Eingabedateien ist eine Steuervariable. Die Liste der Steuervariablen finden Sie in Tabelle 1.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Modellierung Feedback Control

Wir zeigen ein vereinfachtes Feedback-Kontrollmodell in Abbildung 1. Die Systemdynamik wird gegeben durch:

Equation 1

wobei x(t) der Fehler zum Zeitpunkt t, r(t) die Trail-Störung w(t) ist, ist die Bump-Störung, und u(t) ist die Kontrollaktion.

Modellierungs-Aktionsverzögerung bei Trail-Störung

Bei einer Verzögerung T in Aktion und einer Trailstörung r(t) modellieren wir die Steuerungsaktion

Equation 2

Das Spiel beginnt mit Null Ausgangszustand: x(0) = 0. Der Controller generiert den Steuerbefehl u(t) unter Verwendung der vollständigen Informationen über die Historien von Zustands-, Störungs- und Steuereingaben. Hier setzt sich die Nettoverzögerung T aus den internen Verzögerungen bei der menschlichen sensorimotorischen Rückmeldung und den extern hinzugefügten Verzögerungen zusammen. Der Steuerbefehl wird mit der Verzögerung T 0 ausgeführt. Die sensorimotorische Steuerung in der risikobewussten Einstellung motiviert den Einsatz einer optimalen L1-Steuerung, und als solches ist es das Ziel, das folgende robuste Steuerungsproblem zu überprüfen.

Equation 3

Dieses Problem lässt eine einfache und intuitive Lösung zu. Die optimalen Kosten werden durch

Equation 4

Diese optimalen Kosten werden durch die Worst-Case-Kontrollpolitikr ut(t + T) =

Equation 5

Modellierungsaktionsquantisierung in Trail Disturbance

Wenn die Datenrate R in der Regelschleife begrenzt ist, wird die Steuerungsaktion durch die folgende Rückkopplungsschleife mit Kommunikationseinschränkungen generiert.

Equation 6

wobei Equation 12 ein Controller ist und ein Equation 13 Quantisierer mit der Datenrate R 1 ist, d.h. S ist ein endlicher Satz der Kardinalität 2R. Die Störung r(t) ist unendlich-normgebunden und ohne Verlust der Allgemeingültigkeit, Equation 14 . Die Worst-Case-Zustandsabweichung wird durch

Equation 7

und der minimale Kontrollaufwand wird durch

Equation 8

Maßnahmen des Fehlers

Um die Leistung zu quantifizieren, haben wir den Unendlichkeitsnormfehler, den Equation 15 mittleren absoluten Fehler (MAE) und den mittleren Quadratfehler (RMSE) gemessen. Die Unendlichkeitsnorm ist definiert als das Maximum der absoluten Fehler,

Equation 9

Der mittlere absolute Fehler wird wie folgt berechnet:

Equation 10

Der mittlere quadratische Fehler des Stamms wird wie folgt berechnet:

Equation 11

Spiel 1: Visual Advanced Warning oder Delay

Spiel 1 bewertet, wie sich die Länge des Look-Ahead-Fensters (erweiterte Warnung/Verzögerung) auf die sensorimotorische Steuerungsleistung auswirkt, ohne zusätzlichen Störungen ausgesetzt zu sein.

Spiel 1 dauert 360 Sekunden und besteht aus einem kontinuierlichen "Trail", der alle 30 Sekunden die Anzahl der Blicke reduziert. Das Spiel beginnt mit 1 s vorgerückter Warnung und sinkt dann auf 0,75 s und dann auf 0,5 s. Von dort verringert das Spiel den Blick nach vorn um 0,1 s, bis ein Minimum von -0,4 s erreicht ist. Positive Verzögerung oder negative erweiterte Warnung bedeutet, dass nur der Trail hinter dem Spieler sichtbar ist.

Eine Entwicklung der Fehlerdynamik des Spielers im Laufe des Spiels mit 1 s vorgerückter Warnung und 0,4 s Verzögerung wurden in Abbildung 3a-3b separat dargestellt. Beide Diagramme zeigen nur die mittleren 20 Sekunden jedes der 30-Sekunden-Intervalle an, um die Effekte des Spielers zu vernachlässigen, der sich an das neue Look-Ahead-Fenster anpasst. Das Fortschreiten des Fehlers in den Blöcken sieht in der 1 s erweiterten Warneinstellung stabil aus, während in der 0,4s-Verzögerungseinstellung der Fehler während des Fortschritts auf den Kopf gestellt wird. Um diesen Effekt genauer zu quantifizieren, evaluieren wir die∞L1-/L2-/L-Norm für die Fehlerdynamik für jede 20s-Gruppe, die einer Verzögerungsstufe entspricht. Das Zusammenfassen dieser Berechnungen in einem Diagramm ergibt Abbildung 3c, die zeigt, wie sich die Fehlernorm der Spieler erst ändert, wenn die erweiterte Warnung 0,5 s erreicht und dann ungefähr linear zunimmt.

Spiel 2: Verzögerung in der Action-Ausgabe

Im Gegensatz zur externen visuellen Verzögerung von Spiel 1 fügt Spiel 2 der Aktionsausgabe eine spezifische interne Verzögerung hinzu. Mit anderen Worten, die aktuelle Kontrollrichtlinie u(t) funktioniert bei u(t + Tact), wobei T-Akt die externe Verzögerung in der Aktion ist. Spiel 2 dauert 180 s. Einstellen THandeln alle 30 s,T-Akt beginnt bei 0 s, und erhöht sich um 0,1 s, bis es 0,4 s erreicht.

Die Auswirkungen von Verzögerungen sind in Abbildung 4dargestellt. Ähnlich wie bei der Sehverzögerung erhöht sich der Fehler linear mit der Verzögerung, was gut mit der Vorhersage aus der Theorie in Eq(3) im Einklang steht.

Spiel 3 und Spiel 4: Quantisierung in Vision-Eingabe und Action-Ausgabe

Spiel 3 und Spiel 4 untersuchen die Auswirkungen der Quantisierung in der Vision Input und Action-Ausgabe, beziehungsweise. Jedes Spiel ist 210 s lang, und die Quantisierung ändert sich alle 30 s, wobei die Datenrate von 1 auf 7 Bit ansteigt. Wenn z. B. die Rvis 1 in Spiel 3 ist, wird die gewünschte Position (graue Linie in der Gaming-GUI) entweder in der Mitte-Links- oder in der Mitte-Rechts-Seite des Bildschirms angezeigt. Wenn Rvis = n, kann die gewünschte Position an 2n möglichen Stellen auf dem Bildschirm dargestellt werden. In Spiel 4 geht der Spieler, wenn Ract = 1 ist, entweder mit einer Geschwindigkeit nach links oder rechts. Wenn RAct n ist, kann der Spieler das Rad lenken, um mit 2n-1 Geschwindigkeiten nach links oder rechts zu gehen.

Die Auswirkungen der Quantisierung (begrenzte Datenrate) in der Vision und Aktion sind in Abbildung 5dargestellt. In Übereinstimmung mit der Vorhersage der Theorie in Eq(6) verbessert sich die sensorimotorische Steuerungsleistung mit höheren Datenraten und erreicht die optimale Steuerungsleistung, wenn R etwa 5 beträgt.

Spiel 5: Bump- und Trail-Störung

Spiel 5 wurde entwickelt, um die Auswirkungen von Beulen- und Trailstörungen auf die menschliche sensorimotorische Steuerung zu testen. Spiel 5 besteht aus drei Szenarien:

a) "Bumps", tracking ein konstantes Trail-Thema trotz Drehmomentstörungen am Rad, die schlagenStoßen beim Fahren eines Mountainbikes imitieren;
b) "Trail", Tracking einer sich bewegenden Spur mit zufälligen Wendungen, aber ohne Unebenheiten;
c) "Trail with Bumps", Tracking einer bewegenden Spur mit zufälligen Wendungen und Unebenheiten.

Jedes Szenario dauert 60 s in der Reihenfolge (Bumps, Trail, Trail with Bumps) mit einer 5 s Pause vor jedem Szenario. Darüber hinaus werden die Störungen und der Trail während der isolierten Phasen in der kombinierten Phase "Trails with Bumps" dupliziert, so dass ein richtiger Leistungsvergleich zwischen den einzelnen Aufgaben und dem, bei dem der Spieler Multiplex haben muss, gezogen werden kann. Während des gesamten Spiels gibt es 1 s erweiterte Warnung in der Vision-Eingabe, keine Verzögerung in der Aktionsausgabe und eine 10-Bit-Datenrate für Vision und Aktion.

Als Störung verwenden wir ein zufälliges, binäres Signal, dessen Amplitude das maximal mögliche Drehmoment ist, das der Motor des Lenkrads ausüben kann. In 100 ms schaltet das Drehmoment zwischen maximal positiv und negativ (100 oder -100 für das Rad). Ein ähnlicher zufälliger binärer Wechsel steuert die Trail-Ableitung. Genauer gesagt, der Trail fährt mit konstanter Geschwindigkeit, aber zufällig wechselt seine Richtung so, dass es immer im Bildschirmbereich bleibt bequem sichtbar für den Spieler. Wir haben die Geschwindigkeit des Trails auf dem Bildschirm so eingestellt, dass die erforderliche Lenkraddrehrate ca. 75°/s beträgt. Abbildung 6 zeigt die 5 s Momentaufnahmen der Fehlerdynamik für jedes Szenario während des Spiels.

HINWEIS: Da dies verwendet wird, um die sensorimotorische Steuerungsleistung mit Grenzen der Verzögerung und Datenrate zu untersuchen, haben wir die Daten erst analysiert, nachdem die Probanden für die Aufgabe geschult wurden und ihre Leistung stabil wurde. Die Lerneffekte wurden aus den Daten ausgeschlossen. Darüber hinaus hat das Feedback-Kontrollmodell das Lernen nicht in Betracht gezogen.

Figure 1
Abbildung 1: Grundlegendes Blockdiagramm für eine experimentelle Plattform mit Motiv- und Spielrad mit Motor.
Jede Box ist eine Komponente, die kommuniziert oder berechnet und möglicherweise sowohl Verzögerung als auch Quantisierung hat, auch innerhalb des Spiels in G. Die Vorwarnung T wird auch auf einem Computerbildschirm mit Vision implementiert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 2
Abbildung 2: Die benutzeroberflächeanische Oberfläche für WheelCon.
(a) das Hauptmenü; (b) das Menü "Recht-Aufgaben des Fitt; (c) das Menü "Mountainbike-Aufgaben" ( (d) die Videospiel-Schnittstelle für Fitts Law Task; (e) die Videospiel-Schnittstelle für Mountain Bike Task. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 3
Abbildung 3: Hinzufügen von Verzögerungen beim Eingaben während des Mountainbike-Tasks.
(a-b) Die Systemdynamik mit Zeit für die Sitzung mit 1 s vorgerückter Warnung (a) und mit 0,4 s Verzögerung (b). Die schwarze und die blaue Linie sind die Trail-Position bzw. die Spielerposition. Die rote Linie ist die Fehlerdynamik. (c) Der Fehler nimmt mit der zunehmenden Verzögerung zu. Die negative Verzögerung bedeutet eine erweiterte Warnung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4: Auswirkungen externer Verzögerungen bei der Wirkung auf die Leistung.
DieL-Norm von Fehler, MAE und RMSE erhöht sich mit der zunehmenden Verzögerung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 5
Abbildung 5: Quantisierung im Bildeingang (a) und Aktionsausgang (b).
DieL-Fehler, MAE und RMSE werden in der blauen, schwarzen und roten Linie angezeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 6
Abbildung 6: Auswirkungen von Stoß- und Trailstörungen auf die sensorimotorische Steuerung des Menschen.
(a) die durch Stoßstörungen induzierte Fehlerdynamik; (b) die durch Die Loipenstörungen induzierte Fehlerdynamik; (c) die durch Stoß- und Trailstörungen induzierte Fehlerdynamik; (d) der überlagerte Fehler in Unebenheiten (blau), Trails (rot), Trails mit Unebenheiten (grün). Die lila-leeren und orange gefüllten Stammplots geben den Zeitpunkt und die Richtung der Stoß- bzw. Trailstörungen an. Beachten Sie, dass sowohl die Radkräfte als auch die Trailraten quadratische Wellen sind und die Stiele anzeigen, wo sich diese quadratischen Wellen bewegen (d. h. Ableitungen der Kräfte und Raten). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Notation Variable Einheit Schränkt
w(t) Bump-Störung n Newton 0 x w(t) bei 100
r(t) Trail-Störung 100 Pixel 0 x r(t) bei 100;
r(t) | w(t)
Tvis Vision-Vorwarnung/Verzögerung Zweite -1 x Tvis < 1
T-Akt Aktionsverzögerung Zweite 0 - Tvis <
Rvis Externe Datenrate in der Vision-Eingabe Bit 1 x Rvis 10
R-Akt Externe Datenrate im Radausgang Bit 1 -R-Akt bei 10
Qvis Externer Quantizer am Vision-Eingang 1 Qvis = 2Rvis
Q-Akt Externer Quantizer am Radausgang 1 Q-Akt = 2Rvis

Tabelle 1: Die Variablen in Regelschleifen, die bearbeitet werden können.

Notation Variable Einheit
T Zeit Zweite
x(t) Fehlerdynamik, gemessen am Abstand zwischen der Position des Spielers und der gewünschten Position 100 Pixel
u(t) Steuerpolitik, gemessen am abweichenden Winkel des Lenkrads Grad

Tabelle 2: Die Zustandsvariable und das Eingangssignal im dynamischen System.

Plattform Open Source ? Link herunterladen Funktion
Virtuelle 2D-Umgebung (2DVE) Nein 1.Reach-to-grasp Bewegungen für ArmRehabilitation nach Schlaganfall;
ETH MIKE Nein 1.Zur Beurteilung von propriozeptiven, motorischen und sensorimotorischen Handbehinderungen
Opensim Ja https://opensim.stanford.edu/ 1. Um neuromuskuläre Koordination zu studieren;
2. Lassen Sie Benutzer Modelle von Muskel-Skelett-Strukturen entwickeln und dynamische Simulationen von Bewegungen erstellen.
PneuGlove Nein 1.To trainieren und bewerten Fingerindividualizierung bei Kindern mit hemiplegischer Zerebralparese
VirtualEnaction Ja http://virtualenaction.gforge.inria.fr/ 1. Für systemische neurowissenschaftliche Simulation;
2. Um die funktionellen Modelle des Gehirns zu überprüfen;
3.To experimentieren komplexes Überlebensverhalten
VR-SPIRIT Nein 1.To die Vorhersagefähigkeiten in sozialen Szenarien verbessern.
2. Rehabilitations-Intensivtraining für pädiatrische Patienten
WheelCon Ja https://github.com/Doyle-Lab/WheelCon 1. Überprüfung des Fitts-Gesetzes in der menschlichen sensorimotorischen Kontrolle;
2.To die geschichtete Architektur in der sensorimotorischen Steuerung untersuchen.

Tabelle 3: Die Liste einiger vorhandener sensorimotorischer Plattformen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

In diesem Beitrag haben wir eine kostenlose Open-Source-Gaming-Plattform, WheelCon, vorgestellt, um die Auswirkungen von Verzögerung, Quantisierung, Störung und geschichteten Rückkopplungsschleifen in der menschlichen sensorimotorischen Steuerung zu untersuchen. Wir haben die Hardware, die Software und die GUI gezeigt. Die Einstellungen einer einzigen sensorimotorischen Regelschleife mit Verzögerung und Quantisierung wurden implementiert, die es uns ermöglicht, die Auswirkungen von Verzögerung, Quantisierung und Störungen bei der sensorimotorischen Steuerung zu messen. Die experimentellen Ergebnisse entsprechen in endemiert der Vorhersage aus der Feedback-Kontrolltheorie.

Die Protokolle bieten eine Möglichkeit, externe Verzögerungen nicht invasiv zu manipulieren und die Datenrate sowohl in Denvisions- als auch in der Aktionsausgabe zu begrenzen und die sensorimotorische Steuerungsleistung zu analysieren. Im Protokoll bitten wir die Teilnehmer, das Spiel unter mehreren Aufgabenszenarien zu spielen, die in der Plattform vordefiniert sind. Mit diesen Aufgaben haben wir den linearen Effekt der Verzögerung (Abbildung 3 und Abbildung 4) und den nichtlinearen Effekt der Quantisierung überprüft ( Abbildung5). Diese Effekte implizieren die Optimierung angesichts des Geschwindigkeitsgenauigkeitskompromisses bei der menschlichen sensorimotorischen Steuerung. Das Protokoll ermöglicht es uns auch, die geschichteten Rückkopplungsschleifen im menschlichen sensorimotorischen System mit einer hochgradigen erweiterten Planschicht und einer low-level verzögerten Reflexschicht zu untersuchen (Abbildung 6).

In diesem Protokoll ist es wichtig, den Teilnehmer im Voraus zu trainieren, aber nicht über den Zug; Andernfalls wirken sich die Lerneffekte oder die Müdigkeit der Teilnehmer auf die Vorhersagen des Modells aus. Die Variabilität der sensorimotorischen Fähigkeit zwischen den Teilnehmern ist unvermeidlich, und daher müssen einige Parameter im Protokoll (d. h. die Radempfindlichkeit und das Drehmoment der Stoßstange) auf der Grundlage des Alters, der Stärke und der motorischen Fähigkeiten der Teilnehmer abgestimmt werden. Es ist notwendig, diese Parameter gruppenübergreifend zu zuordnen. Hier schlagen wir vor, dass der Benutzer eine angemessene Empfindlichkeit für die alte und junge Gruppe wählt, um einen Vergleich zu machen.

Eine Einschränkung der Methode ist, dass das hier vorgestellte Modell den Lernprozess nicht berücksichtigt hat. Es ist wichtig zu beachten, dass wir die Daten erst analysiert haben, nachdem die Probanden gut ausgebildet waren und ihre Leistung stabil wurde, um die Lerneffekte zu vermeiden.

Nicolas Denoyelle et al. entwickelten eine Plattform (VirtualEnaction) für die systemische neurowissenschaftliche Simulation38. VirtualEnaction kann verwendet werden, um funktionelle Modelle des Gehirns zu validieren. Außerdem wurde einige Rehabilitationsplattform für die Durchführung sensorimotorischer Aufgaben39,40,41,42,43entwickelt. Scott L. Delp et al. entwickelten eine Open-Source-Software (OpenSim), um dynamische Simulationen von Movement in rehabilitation Science zu erstellen und zu analysieren43. Marika Demers et al. schlugen eine virtuelle 2D-Umgebung für die Armrehabilitation nach Schlaganfall41vor. Zbytniewska Monika et al. entwerfen ein Robotergerät zur Beurteilung von handsensorimotorischen Beeinträchtigungen42. James V. McCall et al. schlugen eine Plattform für die Fingerrehabilitation bei Kindern mit hemiplegischer Zerebralparesevor 40. Niccolé Butti et al. entwickeln eine VR-basierte Plattform zur Verbesserung der sozialen Vorhersage und Rehabilitations-Intensivtraining für pädiatrische Patienten39. Tabelle 3 listete die Vergleiche zwischen diesen Plattformen mit der hier vorgestellten Plattform auf.

Für die zukünftigen Forschungsrichtungen ist die Plattform mit nichtinvasiver neuronaler Aufzeichnungstechnik (EEG) kompatibel, um das neuronale Ansprechen während der sensorimotorischen Steuerung zu messen. Bei der Untersuchung der Mapping-Beziehung zwischen sensorimotorischer Steuerung und dem EEG-Raum-Frequenz-Signal könnten wir den Gehirnmechanismus der sensorimotorischen Steuerung aufdecken. Es wird eine wichtige Forschungsfrage für das Verständnis des menschlichen sensorimotorischen Systems sein. Darüber hinaus basiert der größte Teil der Theorie in dieser Studie auf einer optimalen Kontrolle nach dem Lernen. Die Wartezeit für die Ausbildung wird in der Studie recht willkürlich und empirisch gewählt. Es ist daher eine wichtige Frage zu beurteilen, ob die Teilnehmer einen harten Asymptote oder ein Plateau44treffen. Zukünftige Studien könnten die sensorimotorische Lernstudie mit WheelCon untersuchen, um das Asymptote/Plateau und deren mögliche Erklärungen mit sensorimotorischer Lerntheorie weiter zu testen.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren geben bekannt, dass sie keine Interessenkonflikte haben.

Acknowledgments

Wir danken Herrn Zhengyang Wang für die Neugestaltung der Drehbücher, den Dreharbeiten und der Bearbeitung des Videos und Herrn Ziyuan Ye für die Bearbeitung des Videos. Diese Studie wurde von cIT Endowment & National Science Foundation (zu JCD), Boswell Fellowship (zu QL) und High-Level University Fund (Nr. G02386301, G02386401), Guangdong Natural Science Foundation Joint Fund (Nr. 2019A1515111038).

Materials

Name Company Catalog Number Comments
Gaming Wheel Logitech
Windows 10 OS Microsoft

DOWNLOAD MATERIALS LIST

References

  1. Franklin, D. W., Wolpert, D. M. Computational Mechanisms of Sensorimotor Control. Neuron. 72 (3), 425-442 (2011).
  2. Bays, P. M., Wolpert, D. M. Computational principles of sensorimotor control that minimize uncertainty and variability. The Journal of Physiology. 578 (2), 387-396 (2007).
  3. Desmurget, M., Grafton, S. Forward modeling allows feedback control for fast reaching movements. Trends in Cognitive Sciences. 4 (11), 423-431 (2000).
  4. Sanger, T. D., Merzenich, M. M. Computational Model of the Role of Sensory Disorganization in Focal Task-Specific Dystonia. Journal of Neurophysiology. 84 (5), 2458-2464 (2000).
  5. Mohler, H., Okada, T. Benzodiazepine receptor: demonstration in the central nervous system. Science. 198 (4319), 849-851 (1977).
  6. Muller, L., Chavane, F., Reynolds, J., Sejnowski, T. J. Cortical travelling waves: mechanisms and computational principles. Nature Reviews Neuroscience. 19 (5), 255-268 (2018).
  7. Zhang, H., Watrous, A. J., Patel, A., Jacobs, J. Theta and Alpha Oscillations Are Traveling Waves in the Human Neocortex. Neuron. 98 (6), 1269-1281 (2018).
  8. Blinks, J. R., Rüdel, R., Taylor, S. R. Calcium transients in isolated amphibian skeletal muscle fibres: detection with aequorin. The Journal of Physiology. 277 (1), 291-323 (1978).
  9. Gallivan, J. P., Chapman, C. S., Wolpert, D. M., Flanagan, J. R. Decision-making in sensorimotor control. Nature Reviews Neuroscience. 19 (9), 519-534 (2018).
  10. Sanger, T. D. Basic and Translational Neuroscience of Childhood-Onset Dystonia: A Control-Theory Perspective. Annual Review of Neuroscience. 41 (1), 41-59 (2018).
  11. Todorov, E. Optimality principles in sensorimotor control. Nature Neuroscience. 7 (9), 907-915 (2004).
  12. Todorov, E., Jordan, M. I. Optimal feedback control as a theory of motor coordination. Nature Neuroscience. 5 (11), 1226-1235 (2002).
  13. Wolpert, D. M., Flanagan, J. R. Computations underlying sensorimotor learning. Current Opinion in Neurobiology. 37, 7-11 (2016).
  14. Kiper, P., et al. Computational models and motor learning paradigms: Could they provide insights for neuroplasticity after stroke? An overview. Journal of the Neurological Sciences. 369, 141-148 (2016).
  15. Cluff, T., Crevecoeur, F., Scott, S. H. Tradeoffs in optimal control capture patterns of human sensorimotor control and adaptation. bioRxiv. , 730713 (2019).
  16. Nakahira, Y., Liu, Q., Bernat, N., Sejnowski, T., Doyle, J. Theoretical foundations for layered architectures and speed-accuracy tradeoffs in sensorimotor control. 2019 American Control Conference (ACC). , 809-814 (2019).
  17. Körding, K. P., Wolpert, D. M. Bayesian integration in sensorimotor learning. Nature. 427 (6971), 244-247 (2004).
  18. Chambers, C., Sokhey, T., Gaebler-Spira, D., Kording, K. P. The development of Bayesian integration in sensorimotor estimation. Journal of Vision. 18 (12), 8 (2018).
  19. Karmali, F., Whitman, G. T., Lewis, R. F. Bayesian optimal adaptation explains age-related human sensorimotor changes. Journal of Neurophysiology. 119 (2), 509-520 (2017).
  20. Gori, J., Rioul, O. Information-Theoretic Analysis of the Speed-Accuracy Tradeoff with Feedback. 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC). , 3452-3457 (2018).
  21. Trendafilov, D., Polani, D. Information-theoretic Sensorimotor Foundations of Fitts' Law. Extended Abstracts of the 2019 CHI Conference on Human Factors in Computing Systems. , 1-6 (2019).
  22. Fitts, P. M., Peterson, J. R. Information capacity of discrete motor responses. Journal of Experimental Psychology. 67 (2), 103-112 (1964).
  23. Fitts, P. M. The information capacity of the human motor system in controlling the amplitude of movement. Journal of Experimental Psychology. 47 (6), 381-391 (1954).
  24. Nakahira, Y., Matni, N., Doyle, J. C. Hard limits on robust control over delayed and quantized communication channels with applications to sensorimotor control. 2015 54th IEEE Conference on Decision and Control (CDC). , 7522-7529 (2015).
  25. Nakahira, Y., Liu, Q., Sejnowski, T. J., Doyle, J. C. Fitts' Law for speed-accuracy trade-off describes a diversity-enabled sweet spot in sensorimotor control. arXiv. , Available from: http://arxiv.org/abs/1906.00905 (2019).
  26. Jafari, M. Neural Correlates of Sensorimotor Control in Human Cortex: State Estimates and Reference Frames. , Available from: https://resolver.caltech.edu/CaltechTHESIS:05302019-163325527 (2019).
  27. Miall, R. C., Wolpert, D. M. Forward Models for Physiological Motor Control. Neural Networks. 9 (8), 1265-1279 (1996).
  28. Battaglia-Mayer, A., Caminiti, R., Lacquaniti, F., Zago, M. Multiple Levels of Representation of Reaching in the Parieto-frontal Network. Cerebral Cortex. 13 (10), 1009-1022 (2003).
  29. Scott, S. H. Optimal feedback control and the neural basis of volitional motor control. Nature Reviews Neuroscience. 5 (7), 532-545 (2004).
  30. Saunders, J. A., Knill, D. C. Humans use continuous visual feedback from the hand to control fast reaching movements. Experimental Brain Research. 152 (3), 341-352 (2003).
  31. Insperger, T., Milton, J., Stépán, G. Acceleration feedback improves balancing against reflex delay. Journal of The Royal Society Interface. 10 (79), 20120763 (2013).
  32. Birbaumer, N. Breaking the silence: Brain-computer interfaces (BCI) for communication and motor control. Psychophysiology. 43 (6), 517-532 (2006).
  33. Liu, Q., Farahibozorg, S., Porcaro, C., Wenderoth, N., Mantini, D. Detecting large-scale networks in the human brain using high-density electroencephalography. Human Brain Mapping. 38 (9), 4631-4643 (2017).
  34. Nicolelis, M. A. L. Brain-machine interfaces to restore motor function and probe neural circuits. Nature Reviews Neuroscience. 4 (5), 417-422 (2003).
  35. Nordin, A. D., Hairston, W. D., Ferris, D. P. Faster Gait Speeds Reduce Alpha and Beta EEG Spectral Power From Human Sensorimotor Cortex. IEEE Transactions on Biomedical Engineering. 67 (3), 842-853 (2020).
  36. Hallett, M. Transcranial magnetic stimulation and the human brain. Nature. 406 (6792), 147-150 (2000).
  37. Madhavan, S., Weber, K. A., Stinear, J. W. Non-invasive brain stimulation enhances fine motor control of the hemiparetic ankle: implications for rehabilitation. Experimental Brain Research. 209 (1), 9-17 (2011).
  38. Denoyelle, N., Pouget, F., Viéville, T., Alexandre, F. VirtualEnaction: A Platform for Systemic Neuroscience Simulation. , (2014).
  39. Butti, N., et al. Virtual Reality Social Prediction Improvement and Rehabilitation Intensive Training (VR-SPIRIT) for paediatric patients with congenital cerebellar diseases: study protocol of a randomised controlled trial. Trials. 21 (1), 82 (2020).
  40. McCall, J. V., Ludovice, M. C., Blaylock, J. A., Kamper, D. G. A Platform for Rehabilitation of Finger Individuation in Children with Hemiplegic Cerebral Palsy. 2019 IEEE 16th International Conference on Rehabilitation Robotics (ICORR). , 343-348 (2019).
  41. Demers, M., Levin, M. F. Kinematic Validity of Reaching in a 2D Virtual Environment for Arm Rehabilitation After Stroke. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 28 (3), 679-686 (2020).
  42. Zbytniewska, M., et al. Design and Characterization of a Robotic Device for the Assessment of Hand Proprioceptive, Motor, and Sensorimotor Impairments. 2019 IEEE 16th International Conference on Rehabilitation Robotics (ICORR). , 441-446 (2019).
  43. Delp, S. L., et al. OpenSim: Open-Source Software to Create and Analyze Dynamic Simulations of Movement. IEEE Transactions on Biomedical Engineering. 54 (11), 1940-1950 (2007).
  44. Gray, W. D. Plateaus and Asymptotes: Spurious and Real Limits in Human Performance. Current Directions in Psychological Science. 26 (1), 59-67 (2017).

Tags

Neurowissenschaften Ausgabe 162 Sensorikmotorsteuerung Gaming-Plattform Steuerungstheorie geschichtete Architektur
WheelCon: Eine radgesteuerte Gaming-Plattform zum Studium der menschlichen sensorimotorischen Steuerung
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Liu, Q., Nakahira, Y., Liang, Z.,… More

Liu, Q., Nakahira, Y., Liang, Z., Mohideen, A., Dai, A., Choi, S. H., Pan, A., Ho, D. M., Doyle, J. C. WheelCon: A Wheel Control-Based Gaming Platform for Studying Human Sensorimotor Control. J. Vis. Exp. (162), e61092, doi:10.3791/61092 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter