[論文レビュー] The encoding of proprioceptive inputs in the brain: knowns and unknowns from a robotic perspective

Matej Hoffmann, Nada Bednárová|arXiv (Cornell University)|Jul 20, 2016

Neural dynamics and brain function参考文献 28被引用数 6

ひとこと要約

この論文は、iCubヒューマノイドのロボットモデルを用いて、筋紡錘からの本体感覚信号が脳内でどのように符号化されるかを調査している。自己組織化マップ（SOM）を適用して関節角からの姿勢の神経表現を模擬したところ、SOMは姿勢選択性の受容野を学習できるが、集団コード化と非線形のチューニングカーブの処理に困難を示し、生物学的に現実的な本体感覚符号化をモデル化する際の限界を浮き彫りにした。

ABSTRACT

Somatosensory inputs can be grossly divided into tactile (or cutaneous) and proprioceptive -- the former conveying information about skin stimulation, the latter about limb position and movement. The principal proprioceptors are constituted by muscle spindles, which deliver information about muscle length and speed. In primates, this information is relayed to the primary somatosensory cortex and eventually the posterior parietal cortex, where integrated information about body posture (postural schema) is presumably available. However, coming from robotics and seeking a biologically motivated model that could be used in a humanoid robot, we faced a number of difficulties. First, it is not clear what neurons in the ascending pathway and primary somatosensory cortex code. To an engineer, joint angles would seem the most useful variables. However, the lengths of individual muscles have nonlinear relationships with the angles at joints. Kim et al. (Neuron, 2015) found different types of proprioceptive neurons in the primary somatosensory cortex -- sensitive to movement of single or multiple joints or to static postures. Second, there are indications that the somatotopic arrangement ("the homunculus") of these brain areas is to a significant extent learned. However, the mechanisms behind this developmental process are unclear. We will report first results from modeling of this process using data obtained from body babbling in the iCub humanoid robot and feeding them into a Self-Organizing Map (SOM). Our results reveal that the SOM algorithm is only suited to develop receptive fields of the posture-selective type. Furthermore, the SOM algorithm has intrinsic difficulties when combined with population code on its input and in particular with nonlinear tuning curves (sigmoids or Gaussians).

研究の動機と目的

• ヒューマノイドロボットに応用可能な生物学的動機付けに基づく本体感覚符号化モデルの開発を目的とする。
• ロボットによる身体の動き（「身体のばらけ」）を用いて、感覚入力から四肢の姿勢の神経表現がどのように生じるかを調査すること。
• 自己組織化マップ（SOM）が体性感覚皮質における体表的マップをモデル化するのに適しているかどうかを評価すること。
• SOMが非線形的で集団コード化された本体感覚入力に適用された際の限界を特定すること。
• 発達的メカニズムが感覚運動経験から体表的組織をどのように形づくるかを探索すること。

提案手法

• ランダムな身体運動（「身体のばらけ」）を用いてiCubヒューマノイドロボットから本体感覚データを生成した。
• 筋紡錘のアフェントに相当する関節角データを収集し、脳への感覚入力を模擬した。
• 自己組織化マップ（SOM）アルゴリズムを用いて、関節角から得られる姿勢配置のトポロジカル表現を学習した。
• 関節角をシグモイド的またはガウス型のチューニングカーブで符号化することで、集団コード化を検討した。
• 受容野サイズを制限したSOM（MRF-SOM）を用いて、皮質受容野組織をよりよく反映させた。
• 入力前処理（集団コード化）がSOMの学習性能と表現の正確性に与える影響を評価した。

実験結果

リサーチクエスチョン

• RQ1 自己組織化マップ（SOM）は、本体感覚入力から生物学的に妥当な四肢の姿勢表現を学習できるか？
• RQ2 関節角の集団コード化は、SOMにおける学習およびトポロジー保存にどのように影響するか？
• RQ3 標準的なSOMが一次体性感覚皮質で観察される位置スケーリング（強度で符号化された）神経応答をなぜ表現できないのか？
• RQ4 身体のばらけデータが体表的マップ発達に必要な相関構造をどの程度誘発できるか？
• RQ5 後頭頂小胞皮質で観察される受容野の階層的拡大を反映させるために、SOMアルゴリズムにどのような変更が必要か？

主な発見

• SOMアルゴリズムは、頻度の高い姿勢や姿勢の協同的パターンをうまく学習し、姿勢選択性の受容野を形成した。
• SOMは、関節角の増加に伴い神経応答が単調に増加する「位置スケーリング」の性質を保持できない。これは、ベクトル量子化とトポロジー保存の内在的限界に起因する。
• 標準的なSOMでは、入力と出力ニューロンの全対全接続構造が、10自由度の高次元入力多様体を2次元出力で適切に表現できないため、トポロジカル歪曲が生じる。
• 非線形チューニングカーブ（例：ガウス分布やシグモイド）による集団コード化はSOMの学習を乱し、非単調性と逆転不能性による一貫性の欠如が原因で、不適切な変換を引き起こす。
• MRF-SOMの改良により、受容野サイズを制限することで表現の正確性が向上し、皮質階層における受容野の階層的拡大を模倣した。
• ロボットの関節角を直接使用した場合、集団コード化された入力よりも性能が優れていた。これは、脳がこのような符号化を避けるか、代替の学習ルールを用いている可能性を示唆している。