[論文レビュー] A Unifying Framework for the Identification of Motor Primitives

Enrico Chiovetto, Andrea d’Avella+1 more|arXiv (Cornell University)|Mar 22, 2016

Robot Manipulation and Learning参考文献 46被引用数 9

ひとこと要約

本稿では、時間遅れ付きの無響混合に基づく1つの生成モデルに、空間的、時間的、空間時間的モータープリミティブの複数定義を統合する包括的な数学的枠組みと、新規アルゴリズム（FADA）を提案する。滑らかさの事前分布と制約を組み込むことで、模擬的および実験的EMGおよび運動学的データにおいて、優れたもしくは同等の同定精度を達成し、モーターコントロール研究のための堅牢で柔軟性に富み、公開可能なツールボックスを提供する。

ABSTRACT

A long-standing hypothesis in neuroscience is that the central nervous system accomplishes complex motor behaviors through the combination of a small number of motor primitives. Many studies in the last couples of decades have identified motor primitives at the kinematic, kinetic, and electromyographic level, thus supporting modularity at different levels of organization in the motor system. However, these studies relied on heterogeneous definitions of motor primitives and on different algorithms for their identification. Standard unsupervised learning algorithms such as principal component analysis, independent component analysis, and non-negative matrix factorization, or more advanced techniques involving the estimation of temporal delays of the relevant mixture components have been applied. This plurality of algorithms has made difficult to compare and interpret results obtained across different studies. Moreover, how the different definitions of motor primitives relate to each other has never been examined systematically. Here we propose a comprehensive framework for the definition of different types of motor primitives and a single algorithm for their identification. By embedding smoothness priors and specific constraints in the underlying generative model, the algorithm can identify many different types of motor primitives. We assessed the identification performance of the algorithm both on simulated data sets, for which the properties of the primitives and of the corresponding combination parameters were known, and on experimental electromyographic and kinematic data sets, collected from human subjects accomplishing goal-oriented and rhythmic motor tasks. The identification accuracy of the new algorithm was typically equal or better than the accuracy of other unsupervised learning algorithms used previously for the identification of the same types of primitives.

研究の動機と目的

• 神経科学の研究において長年にわたり存在する、モータープリミティブの定義とアルゴリズムの不整合な問題に取り組む。
• 空間的、時間的、空間時間的モータープリミティブの多様なモデルを、無響混合モデルに基づく1つの数学的枠組みに統合する。
• 適切な制約を適用することで、複数の種類のモータープリミティブを回復できる、1つの堅牢な同定アルゴリズム（FADA）を開発する。
• 主成分分析（PCA）、独立成分分析（ICA）、非負値行列分解（NMF）などの古典的手法と比較して、特にノイズの多い条件下でも同定精度を向上させる。
• 研究間の方法論的不適合性を低減するため、標準化され、簡素化されたモータープリミティブ同定を可能にする、公開可能なMATLABツールボックスを提供する。

提案手法

• 時間遅れ付きの無響混合分解に基づく包括的な生成モデルを定式化し、モータープリミティブを時間的にシフトされた成分として表現する。
• パラメータ推定の間の堅牢性と安定性を向上させるために、生成モデルに滑らかさの事前分布を統合する。
• 非負性や遅延の等価性などの制約をモデルに適用し、空間的（PCA/ICA/NMF）、時間的、または空間時間的シンゲルギーを回復する。
• 勾配降下法による最適化手順を用いて、データからプリミティブおよびその組み合わせパラメータを推定する。
• 混合成分に時間遅れを持つ成分を特定するために、相互相関に基づく遅延推定ステップを実装する。
• 将来的な拡張のため、コンポーネントをより高速または効率的な代替品に交換可能なモジュラー構造をFADAアルゴリズムに設計する。

実験結果

リサーチクエスチョン

• RQ1 空間的、時間的、空間時間的モータープリミティブの多様な定義を、1つの数学的枠組みに体系的に関連づけ、統合することは可能か？
• RQ2 提案されたFADAアルゴリズムは、異なるデータタイプおよびノイズレベルにおいて、古典的手法（例：PCA、ICA、NMF）を上回る性能を示すか？
• RQ3 同じ生成モデルに異なる制約を適用することで、時間遅れを特徴とするプリミティブを含め、複数種類のモータープリミティブを回復できるか？
• RQ4 滑らかさの事前分布の統合が、モータープリミティブ同定の堅牢性と正確性をどのように向上させるか？
• RQ5 複数の候補モデル（遅延あり/なし、異なる制約）が与えられたデータセットに対して可能である場合、最適なモデル選択のアプローチは何か？

主な発見

• FADAアルゴリズムは、模擬的および実験的データの両方で、PCA、ICA、NMFなどの従来手法と同等またはそれ以上の同定精度を達成した。
• 真値が既知の模擬データセットでは、FADAはプリミティブの数とその関数的形を正確に回復し、既存のアルゴリズムの結果と一致した。
• 目的指向的およびリズミカルな運動タスクから得られた実験的EMGおよび運動学的データセットにおいて、FADAは一貫性があり信頼性の高いモータープリミティブの推定を提供した。
• 特に信号対ノイズ比が低い困難な条件下でも、標準的手法と比較してノイズ耐性が向上した。
• FADAが推定したプリミティブの関数的形は、stNMFその他の基準手法とよく一致しており、アルゴリズム間の整合性を確認した。
• FADAツールボックスは正常に検証され、無料でダウンロード可能であり、モーターコントロール研究における広範な採用と標準化を可能にした。