[논문 리뷰] The encoding of proprioceptive inputs in the brain: knowns and unknowns from a robotic perspective

Matej Hoffmann, Nada Bednárová|arXiv (Cornell University)|2016. 07. 20.

Neural dynamics and brain function참고 문헌 28인용 수 6

한 줄 요약

이 논문은 iCub 인간형 로봇의 로봇 모델을 사용하여 근육 섬유에서 온 체위 감각 자극이 뇌에서 어떻게 인코딩되는지 조사한다. 자기조직화 맵(SOM)을 적용하여 관절 각도에서 체위의 신경 표현을 시뮬레이션한 결과, SOM은 체위 선택적 수용성 영역을 학습할 수 있지만 인구 코드화와 비선형 조정 곡선에는 어려움을 겪으며, 생물학적으로 현실적인 체위 감각 인코딩을 모델링하는 데에 한계가 있음을 드러낸다.

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).

연구 동기 및 목표

• 인간형 로봇 공학에 응용하기 위한 생물학적으로 유용한 체위 감각 인코딩 모델을 개발하기 위해.
• 로봇 신체 봉합(‘body babbling’)을 통해 감각 입력으로부터 사지 체위의 신경 표현이 어떻게 유도되는지 조사하기 위해.
• 자기조직화 맵(SOM)이 체감각 피질의 체감각 지도를 모델링하는 데 적합한지 평가하기 위해.
• 비선형, 인구 코드화된 체위 감각 입력에 적용되었을 때 SOM의 한계를 규명하기 위해.
• 발달 메커니즘이 감각운동 경험으로부터 체감각 지도 조직을 어떻게 형성하는지 탐색하기 위해.

제안 방법

• 무작위 신체 운동(‘body babbling’)을 통해 체위 감각 데이터를 생성하기 위해 iCub 인간형 로봇을 사용하였다.
• 근육 섬유의 출력 신호를 대체로 관절 각도 데이터를 수집하여 뇌에 도달하는 감각 입력을 시뮬레이션하였다.
• 자기조직화 맵(SOM) 알고리즘을 적용하여 관절 각도에서 체위 구성의 위상적 표현을 학습하였다.
• SOM에 입력하기 전에 관절 각도를 시그모이드 또는 가우시안 조정 곡선으로 인코딩하여 인구 코드화를 탐색하였다.
• 수용성 영역 크기를 제약하는 방식으로 SOM을 수정하여 콘크리트 수용성 영역 조직을 더 잘 반영하도록 MRF-SOM을 개선하였다.
• 입력 전처리(인구 코드화)가 SOM 학습 성능과 표현 정확성에 미치는 영향을 평가하였다.

실험 결과

연구 질문

• RQ1 자기조직화 맵(SOM)은 체위 감각 입력으로부터 생물학적으로 타당한 사지 체위 표현을 학습할 수 있는가?
• RQ2 관절 각도의 인구 코드화가 SOM의 학습과 위상 보존에 어떤 영향을 미치는가?
• RQ3 표준 SOM은 왜 주된 체감각 피질에서 관찰되는 위치 스케일링(강도로 코드화된) 신경 반응을 표현하지 못하는가?
• RQ4 신체 봉합 데이터가 체감각 지도 개발에 필요한 상관 구조를 어느 정도 유도할 수 있는가?
• RQ5 후두엽 측정 피질에서 관찰되는 수용성 영역의 계층적 확장 구조를 반영하기 위해 SOM 알고리즘에 어떤 수정이 필요한가?

주요 결과

• SOM 알고리즘은 빈번한 체위 또는 체위 공진화를 성공적으로 표현하며, 체위 선택적 수용성 영역을 형성한다.
• SOM은 관절 각도가 증가함에 따라 신경 반응이 단조롭게 증가하는 위치 스케일링 성질을 유지하지 못한다. 이는 벡터 양자화 및 위상 보존의 내재적 한계 때문이므로.
• 표준 SOM에서 입력 뉴런과 출력 뉴런 간의 전역 연결성은 2차원 출력이 10개의 자유도를 가진 고차원 입력 다양체를 충분히 표현할 수 없어 위상 왜곡을 유도한다.
• 비선형 조정 곡선(예: 가우시안 또는 시그모이드)을 사용한 인구 코드화는 SOM 학습을 방해하며, 비단조화성과 역전 불가능성으로 인해 일관되지 않은 변환을 유도한다.
• MRF-SOM 수정은 수용성 영역 크기를 제약함으로써 표현 정확도를 향상시켜 콘크리트 계층 구조에서 관찰되는 수용성 영역 확장의 특성을 모방한다.
• 로봇에서 관절 각도를 직접 사용할 경우 인구 코드화된 입력보다 성능이 더 좋다. 이는 뇌가 이러한 인코딩 방식을 피하거나 다른 학습 규칙을 사용할 가능성이 있음을 시사한다.