تلفيق اطلاعات سنسوري: مکانيسم و مدلها سمينار درس سيستمهاي عصبي عضلاني تلفيق اطلاعات سنسوري: مکانيسم و مدلها ارائه: فرشته لگزي بهار 1389

فهرست مطالب اهميت تلفيق اطلاعات سنسوري سنسورهاي تخمين زننده متغيرهاي حرکتي در انسان تلفيق اطلاعات سنسوري در مغز مدلهاي تلفيق پايان نامه کارشناسي ارشد

اهميت تلفيق اطلاعات سنسوري

مقابله با نويز و عوامل عدم قطعيت تعدد سنسورها F(X) F(X) X X 1- استفاده از داده هاي چند سنسور يکسان، از لحاظ آماري باعث کاهش خطا مي شود.

مقابله با نويز و عوامل عدم قطعيت- ادامه

غلبه بر محدوديتهاي هر سنسور تنوع سنسورها 2- استفاده از چندين منبع اطلاعاتي مختلف باعث کاملتر شدن اطلاعات مي شود و در نتيجه امکان تصميم گيري بهتر و سريعتري را فراهم مي کند.

غلبه بر محدوديتهاي هر سنسور- ادامه

غلبه بر محدوديتهاي هر سنسور- ادامه Position |H(jw)| |H(jw)| w w

مقاومت در برابر از کار افتادن هر سنسور تعدد و تنوع سنسورها افزايش robustness سيستم از کار افتادن سيستم 3- استفاده از داده هاي چندين سنسور، باعث افزايش robustness سيستم مي شود.

4- تلفيق اطلاعات سنسوري مي تواند از لحاظ اقتصادي صرفه جويي استفاده از چند سنسور ارزان 4- تلفيق اطلاعات سنسوري مي تواند از لحاظ اقتصادي نيز به صرفه تر باشد.

اهميت تلفيق اطلاعات سنسوري در مغز انسان ورودي سيستم عضلاني اسکلتي کنترل کننده خروجي (حرکت فرد) سيستم تلفيق اطلاعات سيستم اندازه گيري محدوديت اندازه گيري←تنوع سنسورها خطاي اندازه گيري←تعدد سنسورها

سنسورهاي تخمين زننده متغيرهاي حرکتي در انسان

سنسور بينايي

سنسور بينايي

سنسورهاي تعادلي

سلولهاي مويي

سنسورهاي تعادلي اتوليت ها کانالهاي نيم دايره اي

سنسورهاي حس عمقي Golgy Tendon Muscle Spindle

تلفيق اطلاعات سنسوري در مغز

نحوه کد شدن اطلاعات سنسوري Frequency Code کد کردن شدت تحريک Population Code

تلفيق اطلاعات سنسوري در مغز ديدگاه کلاسيک:

اتصالات فيدبک و ارتباطات بين سنسوري ناحيه مالتي سنسوري ديدگاه نوين: Macaluso et al, 2000, 2006 حس شماره 1 حس شماره 2

يافته هاي تجربي در مورد تلفيق اطلاعات درSC(Superior Colliculus) نرونهاي SC در ابتدا Unisensory هستند و با تعليم فرد Multisensory مي شوند. Auditory RF Multisensory Neuron Visual RF

يافته هاي تجربي در مورد تلفيق اطلاعات در SC(Superior Colliculus) اگر هر دو محرک در درون ناحيه همپوشاني ميدان گيرنده SC باشند، تعداد ايمپالسهايي که در حالت مالتي سنسوري توسط يک نرون SC توليد مي شود، بيشتر از حالتي است که هر نوع سنسور به تنهايي يک نرون SC را تحريک کند. به اين پديده Multisensory Enhancement گفته مي شود. اگر يک محرک در داخل ناحيه همپوشاني ميدان گيرنده SC و ديگري در خارج آن باشد، پاسخ نرون SC به محرکي که در درون ناحيه همپوشاني قرار دارد، به طور قابل توجهي کاهش مي يابد. به اين پديدهMultisensory Depression گفته مي شود.

يافته هاي تجربي در مورد تلفيق اطلاعات در SC(Superior Colliculus) Xvis MN V تلفيق اطلاعات در SC به شدت محرکها وابسته است و به روش غيرخطي انجام مي شود. MN Xaud A Xvis ? MN V+A Xaud

ميدانهاي گيرنده در نورونهاي مالتي سنسوري Proprioceptive RF Visual RF Multisensory Neuron

ثبت نوروفيزيولوژيکي (تلفيق بينايي- حس عمقي)

ثبت نوروفيزيولوژيکي- ادامه

نتايج ثبت نوروفيزيولوژيکي 1- هنگاميکه محرک بينايي در مجاورت دست باشد، نرخ فعاليت نورون مالتي سنسوري بيشتر است. 2- اطلاعات بينايي و حس عمقي هر دو در ميزان فعاليت نورون اثرگذار هستند. 3- برخي از نورونها نسبت به اطلاعات بينايي تحريک پذيرتر هستند در حاليکه برخي ديگر با اطلاعات حس عمقي موقعيت دست بيشتر تحت تاثير قرار مي گيرند.

مدلهاي تلفيق

تلفيق اطلاعات سنسوري بيزين کالمن فيلتر ماکزيمم شباهت شبکه هاي عصبي روشهاي مورد استفاده در سيستمهاي مهندسي بيزين کالمن فيلتر ماکزيمم شباهت شبکه هاي عصبي سيستمهاي فازي

روش بيزين در مطالعات رفتاري، تلفيق به روش نزديک به بيزين انجام ميشود. Van Beers, 1999, 2002 در مطالعات رفتاري، تلفيق به روش نزديک به بيزين انجام ميشود.

روش بيزين علّي Kording, 2007

روش کد جمعيت Deneve, 1999, 2001, 2004

مدل Sober and Sabes(2003) اين مطالعه نشان مي دهد که سيگنالهاي سنسوري بسته به نحوه استفاده شان به نحو متفاوتي با يکديگر تلفيق مي شوند.

آزمايشها

مدل Sober and Sabes(2003) ضرايب مدل الگوي خطا الگوي خطا (بدست آمده توسط آزمايش) الگوي خطا (شبيه سازي شده توسط مدل) ضرايب مدل

نتايج مدل Sober & Sabes در اين آزمايشها مقادير متوسط پارامترهاي وزن به صورت زير بدست آمدند: تخمين موقعيت دست براي برنامه ريزي بردار جابجايي بيشتر بر ورودي بينايي تکيه دارد در حاليکه تخمين مورد استفاده براي محاسبه فرمانهاي مفاصل بيشتر به سيگنالهاي Proprioceptive وابسته است.

پايان نامه کارشناسي ارشد

اهداف پايان نامه 1 . بررسي رابطه کيفي عدم قطعيت تخمين موقعيت دست، با تغيير عدم قطعيت اطلاعات بينايي از طريق تغيير صحت آن. 2 . بررسي اثر توجه به هر حس در حضور عوامل عدم قطعيت در تلفيق اطلاعات. 3. طراحي آزمايشهايي براي تحقق دو هدف فوق. 4 . ارائه مدلي براي تلفيق اطلاعات سنسوري بينايي و حس عمقي.

رويکردها در طراحي آزمايش معيارهاي مورد توجه در بررسي رفتار افراد در آزمايشها، باياس و دقت تخمين (پراکندگي داده ها) است. بررسي نحوه تلفيق اطلاعات حس بينايي و حس عمقي با تغيير عدم قطعيتهاي هر حس با تغيير صحت تخمين حس بينايي از موقعيت دست انجام مي شود. براي جهت دهي توجه افراد به يکي از حسها در تستها، در بخش اول آزمايشها، افراد به دو گروه دسته بندي شده اند: دسته اي که حس عمقي آنها براي تخمين موقعيت دست، تعليم مي بيند و دسته اي که تعليم نمي بينند.

طراحي آزمايشها Set-up آزمايشگاهي

طراحي آزمايشها آشنايي با Set-up آزمايشگاهي - گروهي که حس عمقي آنها تعليم نمي بيند (11 نفر). - گروهي که حس عمقي آنها تعليم مي بيند (9 نفر). تست حس عمقي به تنهايي تست حس عمقي و بينايي به همراه يکديگر

تعيين موقعيت گوشه هاي شکلِِ رسم شده نسبت به گوشه هاي شکل نتايج آزمايشها شماره گذاري خانه هاي صفحه شماره گذاري خانه هاي صفحه تعيين موقعيت گوشه هاي شکلِِ رسم شده نسبت به گوشه هاي شکل

نتايج آزمايش حس عمقي به تنهايي

نتايج آزمايش حس عمقي و بينايي (کسي که تعليم يافته است)

نتايج آزمايش حس عمقي و بينايي (کسي که تعليم نيافته است)

بررسي اثر شيفت در دو گروه Visual feedback تعريف: Proprioceptive location

مقايسه آماري دو گروه

مقايسه آماري دو گروه تعريف: فرضيه صفر و متقابل: آماره آزمون: رد فرضيه صفر:

جمع بندي توجه به هر حس باعث تکيه بيشتر بر آن حس در تخمين موقعيت دست مي شود. در هر دو گروه با افزايش عدم قطعيت موقعيت فيدبک بينايي دست، عدم قطعيت در تخمين موقعيت دست افزايش مي يابد. مدل مبتني بر کد جمعيت با اتصالات بازگشتي از ناحيه مالتي سنسوري به نواحي تک سنسوري، و با اثرات مدولاسيون بين نواحي تک سنسوري مي تواند نتايجي نزديک به نتايج آزمايش توليد کند.

مراجع Deneve, S., Latham, P. E., and Pouget, A. (1999). Reading population codes: a neural implementation of ideal observers. Nature Neuroscience, 2(8):740-745. Deneve, S., and Pouget, A. (2004). Bayesian multisensory integration and cross-modal spatial links. Journal of Physiology Paris, 98:249-258. Deneve, S., Latham, P. E., and Pouget, A. (2001). Efficient computation and cue integration with noisy population codes. Nature Neuroscience, 4(8):826-831. Sober, S.J. & Sobes, P.N. (2003). Multisensory integration during motor planning. Journal of Neuroscience, 23:6982-6992.

Kording, K. P. , Beierholm, U. , Ma, W. J. , Quartz, S. , Tenenbaum, J Kording, K. P., Beierholm, U., Ma, W. J., Quartz, S., Tenenbaum, J. B. and Shams, L. (2007). Causal inference in multisensory perception. Plos One, 9:1-10. Van Beers, R. J., Sitting, A. C. and Van der Gon, J. (1999a). Localization of a seen finger is based exclusively on proprioception and on vision of the finger. Exp Brain Res, 125:43-49. Van Beers, R. J., Sitting, A. C. and Van der Gon, J. (1999b). Integration of proprioceptive and visual position-information: An experimentally supported model. J Neurophysiol, 81:1355-1364. Van Beers, R. J., and Wolpert, D. M. (2002). When feeling is more important than seeing. Current Biology, 12:834-837.

با تشکر

مروري بر سوابق (ادامه) Sober and Sabes, 2003, 2005

مدل پيشنهادي نحوه کد کردن اطلاعات موقعيت محرکهاي دو حس حس بينايي حس عمقي

- 1-p 1-v σ, µ σ, µ v p Visual Encoder Proprioceptive Encoder stimulator stimulator

روابط مدل اثر مدولاسيون:

نتايج مدل: گروهي که بر حس بينايي توجه دارند

نتايج مدل: گروهي که بر حس عمقي توجه دارند

افرادي که بر حس عمقي توجه دارند

افرادي که بر حس بينايي توجه دارند افرادي که بر حس بينايي توجه دارند

مقايسه نتايج پراکندگي نسبي مدل با نتايج آزمايش Experiment Model

مقايسه نتايج تخمين موقعيتِ مدل با نتايج آزمايش Untrained group Shift=0 Shift=1 Shift=2 Shift=3 Experiment 1 Model

مقايسه نتايج تخمين موقعيتِ مدل با نتايج آزمايش (ادامه) Trained group Shift=0 Shift=1 Shift=2 Shift=3 Experiment 1 Model

پايان نامه تخمين جداگانه موقعيت محرکهاي بينايي و شنوايي Kording et al, 2007 پايان نامه تخمين جداگانه موقعيت محرکهاي بينايي و شنوايي تخمين حس عمقي از طريق Localization شيفت در دو جهت شيفت در يک جهت افزايش عدم قطعيت با هر دو کار ديده مي شود. باياس بين سنسوري و افزايش شيفت بين منابع در تابع احتمال موقعيت محرکها نرمال است و از آن استفاده شده است. تابع احتمال موقعيت محرکها يکنواخت است و از آن استفاده نشده است. فقط بر اساس رفتار افراد مدل ارائه شده است. از مطالعات تصويربرداري در مغز الهام گرفته است.

پيشنهادها تعريف يک پارامتر در مدل براي نشان دادن درجات مختلف عدم قطعيت در تعداد منابع تحريک سنسوري و در نتيجه بالا بردن قابليت مدل در شبيه سازي نتايج تلفيق بيزين، در شرايطي که افراد مطمئن هستند تفاوتي بين موقعيت محرکها وجود ندارد. تغيير ضرايب فيدبک با تغيير مقادير شيفت بين موقعيت منابع تحريک سنسوري و در نتيجه بيشتر کردن انعطاف پذيري مدل. ايجاد رابطه ي مدولاسيون بين نواحي تک سنسوري از طريق روشهاي خودسازمانده يا قانون دلتا. استفاده از توابع دو بعدي نرمال در شرايط دو بعدي ، به منظور در نظر گرفتن اطلاعات مکاني در دو بعد به همراه يکديگر.

کاربرد نتايج تحقيق نزديک شدن به مدلي براي تلفيق اطلاعات بر اساس مکانيسمهاي نوروني. پيش بيني عملکرد افراد در روبرو شدن با عدم قطعيت هنگام توجه به هر حس. کاربرد در روباتيک براي کنترل مسير بر اساس اطلاعات موقعيت روبات و نيز موقعيت ساير اهداف و موانع. کاربرد در معالجه بيماريهايي که در ارتباط با تلفيق اطلاعات سنسوري است.