在神经科学和生物医学工程中，准确模拟人手的复杂运动一直是一个重大挑战。
目前的模型往往难以捕捉大脑运动指令与肌肉和肌腱的物理动作之间复杂的相互作用。这一差距不仅阻碍了科学进步，也限制了旨在为肢体丧失或瘫痪的人恢复手部功能的有效神经假肢的发展。
EPFL教授Alexander Mathis和他的团队开发了一种人工智能驱动的方法，大大提高了我们对这些复杂运动功能的理解。该团队使用了一种创造性的机器学习策略，将基于课程的强化学习与详细的生物力学模拟相结合。
马西斯的研究提出了一个详细的、动态的、解剖学上准确的手部运动模型，它从人类学习复杂运动技能的方式中获得了直接的灵感。这项研究不仅在2022年的NeurIPS会议上赢得了MyoChallenge，而且研究结果还发表在《神经元》杂志上。
“这项研究最让我兴奋的是，我们正在深入研究人类运动控制的核心原理——这是一个长期以来的谜。我们不仅仅是在建立模型;我们正在揭示大脑和肌肉如何协同工作的基本机制，”马西斯说。
meta发起的NeurIPS挑战促使EPFL团队寻找一种新的人工智能技术方法，即强化学习。
任务是建立一个人工智能，精确地操纵两个保定球，每个保定球由39块肌肉以高度协调的方式控制。考虑到手部运动的复杂动态，包括肌肉同步和平衡维持，这个看似简单的任务在虚拟世界中是非常难以复制的。
在这个竞争激烈的环境中，三位研究生——亚历山大·马西斯组的阿尔贝托·恰帕，日内瓦大学亚历山大·普吉组的巴勃罗·塔诺和尼西特·帕特尔——以显著的优势超过了他们的竞争对手。
他们的人工智能模型在第一阶段的比赛中取得了100%的成功率，超过了最接近的竞争对手。即使在更具挑战性的第二阶段，他们的模型在更加困难的情况下也显示出了实力，并保持了绝对的领先优势，赢得了比赛。
马西斯说:“为了赢得比赛，我们从人类学习复杂技能的过程中获得灵感，这一过程被称为运动科学中的部分到整体训练。”这种从部分到整体的方法启发了人工智能模型中使用的课程学习方法，在这种方法中，控制手部运动的复杂任务被分解为更小、更易于管理的部分。
“为了克服当前机器学习模型的局限性，我们采用了一种名为课程学习的方法。经过32个阶段和近400个小时的训练，我们成功地训练了一个神经网络来精确控制一个真实的人手模型，”Chiappa说。
该模型成功的一个关键原因是它能够识别和使用基本的、可重复的运动模式，即运动原语。在一个令人兴奋的科学转折中，这种学习行为的方法可以告诉神经科学，大脑在决定如何学习运动原语以掌握新任务方面的作用。
大脑和肌肉操纵之间错综复杂的相互作用表明，制造真正模仿人类运动的机器和假肢是多么具有挑战性。
“你需要大量的运动和一个类似人类大脑的模型来完成各种日常任务。即使每个任务都可以分解成更小的部分，每个任务都需要一组不同的运动原语来完成，”马西斯说。
Silvestro Micera是EPFL神经X研究所神经义肢的主要研究人员，也是马西斯的合作者，他强调了这项研究对于理解未来的潜力和目前最先进的义肢的局限性的重要性。
“我们现在真正错过的是对如何实现手指运动和抓取运动控制的更深入了解。这项工作正朝着这个非常重要的方向发展，”Micera指出。
“我们知道将假肢与神经系统连接起来是多么重要，这项研究为我们提供了坚实的科学基础，强化了我们的策略。”
更多信息:通过基于课程的强化学习获得肌肉骨骼技能，Neuron(2024)。DOI: 10.1016 / j.neuron.2024.09.002。www.cell.com/neuron/fulltext/S0896-6273(24)00650-0期刊信息:神经元由Ecole Polytechnique Federale de Lausanne提供引用:AI模型提供了对手部运动的深刻见解，这是神经假肢发展的重要一步(2024,10月1日)检索自2024年10月1日https://medicalxpress.com/news/2024-10-ai-deep-insights-movement-essential.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
