Andrew H. Fagg: Neuroscience computationnelle et contrôle moteur

Les systèmes biologiques représentent les meilleurs exemples de contrôle moteur et d’apprentissage. Je m’intéresse aux modèles biologiques comme source d’inspiration pour les approches de contrôle des robots et aux robots comme mécanismes permettant d’évaluer les théories du contrôle biologique. Dans mes recherches, je cherche à comprendre comment mieux décrire ce qui est représenté par les différentes zones du système nerveux, les calculs qui sont mis en œuvre par ces régions et leurs interconnexions, et quels facteurs conduisent au développement de ces représentations. J’étudie ces questions dans le contexte du contrôle moteur – spécifiquement dans le domaine de l’atteinte, de la saisie et de la manipulation.

Modèles informatiques de la dynamique musculaire / vertébrale

L’une des questions essentielles à examiner lors de l’examen du rôle du cerveau dans le contrôle moteur est la contribution relative des systèmes périphériques, en particulier des muscles, des capteurs intégrés dans les muscles et les autres tissus, et des circuits neuronaux dans la moelle épinière. Il est courant dans la communauté de modélisation de supposer que ces systèmes périphériques imposent une transformation linéaire des signaux moteurs générés par le cerveau. Bien qu’il s’agisse d’une simple hypothèse, cela implique que toute la complexité d’un modèle d’activation musculaire temporelle est due aux commandes motrices générées par le cerveau lui-même (et nécessite un grand nombre de paramètres à décrire). J’ai développé un modèle d’interaction muscle / colonne vertébrale qui inclut des non-linéarités clés, en particulier dans la boucle de rétroaction mise en œuvre par les circuits vertébraux (Houk, Fagg et Barto, 1999). Bien que ces non-linéarités imposent des complexités supplémentaires au processus de modélisation, nous avons montré qu’elles peuvent réduire considérablement la complexité de la commande motrice qui est nécessaire pour produire des modèles d’activation musculaire réalistes (Fagg, Barto et Houk, 1998). Cette observation a des implications importantes sur la façon dont le cerveau représente et apprend les habiletés motrices.

  • Houk, J.C., Fagg, A. H., Barto, A. G. (2002), Modèle d’amortissement de puissance fractionnaire du mouvement conjoint, progrès dans le contrôle moteur: relations structure-fonction dans le mouvement des volontaires (M. Latash, Ed.), Vol. II, pp. 147-178
  • Barto, A. G., Fagg, A. H., Sitkoff, N., Houk, J. C. (1999) Un modèle cérébelleux de synchronisation et de prédiction dans le contrôle de la portée, Neural Computation 11: 565-594
  • Fagg, A. H., Zelevinsky, L., Barto, A. G., Houk, J. C. (1998) Un modèle de contrôle à impulsions pour les mouvements de bras, Actes de la réunion de printemps sur le contrôle neuronal du mouvement

Modèles d’apprentissage des compétences motrices biologiques

Il ressort clairement des domaines de la psychophysique et des neurosciences que de multiples mécanismes distincts d’apprentissage sont impliqués dans le processus d’acquisition d’une nouvelle compétence. De plus, il existe des parallèles intéressants entre les théories de l’apprentissage automatique et les mécanismes mis en œuvre par plusieurs régions du cerveau. Je souhaite développer des modèles de ces mécanismes d’apprentissage et leur interaction. Par exemple, on pense qu’une région du cerveau appelée cervelet est impliquée dans l’apprentissage de la motricité coordonnée. Des preuves expérimentales suggèrent que la sortie motrice de cette zone est entraînée à l’aide d’un mécanisme lié aux techniques d’apprentissage supervisé (ou de régression). Une inconnue est la source des informations d’erreur qui anime le processus d’apprentissage. Lorsque l’on examine l’atteinte des mouvements chez les adultes, nous voyons souvent un mouvement brut vers la cible suivi d’une séquence de mouvements plus petits. Une hypothèse que j’ai explorée est que ces informations d’entraînement (sous la forme d’un vecteur d’erreur) sont dérivées du sous-mouvement qui suit l’actuel (Fagg, Sitkoff, Barto et Houk, 1997; Fagg, Zelevinsky, Barto et Houk, 1998; Barto, Fagg et Houk, 1999).

Cette approche est intéressante dans la mesure où le système moteur, dans un certain sens, est responsable de l’auto-apprentissage pour produire des mouvements plus fluides et mieux coordonnés. Cependant, ce modèle suppose que le système moteur est toujours capable de générer une séquence efficace de corrections pour amener le bras vers la cible. Une possibilité est que certains aspects d’une action corrective soient sélectionnés en fonction de son utilité dans l’achèvement du mouvement (Fagg, Barto et Houk, 1998). On pense qu’un autre ensemble de régions cérébrales connues sous le nom de noyaux gris centraux est impliqué dans l’évaluation de l’utilité des actions. Je développe actuellement un modèle abstrait dans lequel un module d’apprentissage par renforcement (RL) est chargé de sélectionner parmi un petit nombre d’actions correctives disponibles, mais la signification de ces actions est modifiée en même temps par un mécanisme d’apprentissage supervisé. Ce modèle est particulièrement intéressant en ce qu’il utilise un apprentissage exploratoire (en particulier, RL) lorsqu’il y a peu d’informations sur la façon d’effectuer un mouvement, mais en vient ensuite à s’appuyer sur des informations de formation en supervision lorsque l’enseignant devient compétent.

  • Barto, A. G., Fagg, A. H., Sitkoff, N., Houk, J. C. (1999) Un modèle cérébelleux de synchronisation et de prédiction dans le contrôle de la portée, Neural Computation 11: 565-594
  • Fagg, A. H., Barto, A. G., Houk, J. C. (1998) Apprendre à atteindre via des mouvements correctifs, Actes du dixième atelier de Yale sur les systèmes adaptatifs et d’apprentissage, New Haven, CT, 10-12 juin, pp. 179-185

Approches basées sur l’optimisation du recrutement musculaire

J’étudie la formation de représentations de mouvement et de stratégies d’exécution. La production de mouvements implique généralement le recrutement différentiel de beaucoup plus de muscles que de degrés de liberté squelettiques et de beaucoup plus de neurones que de muscles. Cependant, il existe des régularités spécifiques dans la façon dont les neurones et les muscles sont recrutés dans le processus de génération de mouvement (par exemple, les muscles et les cellules sont souvent recrutés en fonction du cosinus de la direction du mouvement). La question est de savoir quels facteurs conduisent à ces régularités malgré les redondances qui existent. Dans notre modèle, nous explorons l’hypothèse que bon nombre de ces effets peuvent être expliqués par un processus qui tente d’optimiser à la fois l’erreur de mouvement et le degré d’effort utilisé pour effectuer le mouvement (Fagg, Shah et Barto, 2002). Le modèle produit des schémas de recrutement systématique des muscles du poignet qui sont cohérents avec les données humaines et de singe. De plus, grâce à cette approche, nous sommes en mesure d’explorer les problèmes entourant la représentation neuronale du mouvement (Shah, Fagg et Barto, 2004) et la formation de ces représentations (Sondhi, Shah et Fagg, en préparation). Je travaille actuellement à étendre ces techniques au domaine de la formation de saisie (Fagg, 1996; Fagg et Arbib, 1998).

  • Shah, A., Fagg, A. H., Barto, A. G. (2004) Implication corticale dans le recrutement des muscles du poignet, à paraître dans le Journal of Neurophysiology (version pdf)
  • Fagg, A. H., Shah, A., Barto, A. G. (2002) Un modèle informatique de recrutement musculaire pour les mouvements du poignet, Journal of Neurophysiology, 88 (6): 3348-3358 (version pdf)
  • Fagg, A. H. Un modèle informatique des mécanismes corticaux impliqués dans la saisie des primates, Ph.D. Mémoire, Département d’informatique, Université de Californie du Sud, 1996
  • Fagg, A. H., Arbib, M. A. (1998) Modélisation des interactions pariétales-prémotrices dans le contrôle des primates de la saisie, Réseaux de neurones 11 (7/8): 1277-1303 (version pdf)

Source de la page: https://www.cs.ou.edu/~fagg/research/computational_neuroscience.html
Traduit par Jean-Etienne Bergemer

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *