Hispanopedia Wiki
Articulo de referencia

Inferencia bayesiana en el aprendizaje motor

La inferencia bayesiana es una herramienta estadística que se puede aplicar al aprendizaje motor , específicamente a la adaptación. La adaptación es un proceso de aprendizaje a ...

Hispanopedia WikiContenido en espanolLectura gratuita

La inferencia bayesiana es una herramienta estadística que se puede aplicar al aprendizaje motor , específicamente a la adaptación. La adaptación es un proceso de aprendizaje a corto plazo que implica una mejora gradual del rendimiento en respuesta a un cambio en la información sensorial. La inferencia bayesiana se utiliza para describir la forma en que el sistema nervioso combina esta información sensorial con el conocimiento previo para estimar la posición u otras características de algo en el entorno. La inferencia bayesiana también se puede utilizar para mostrar cómo se puede combinar la información de múltiples sentidos (por ejemplo, la visual y la propiocepción ) para el mismo propósito. En cualquier caso, la inferencia bayesiana dicta que la estimación está más influenciada por la información que sea más segura.

Ejemplo: integración de conocimientos previos con información sensorial en el tenis

Uso de inferencia bayesiana para combinar información previa y sensorial para estimar la posición de una pelota de tenis

Una persona utiliza la inferencia bayesiana para crear una estimación que es una combinación ponderada de su información sensorial actual y su conocimiento previo, o a priori. Esto se puede ilustrar con las decisiones que se toman en un partido de tenis. [1] Si alguien juega contra un oponente conocido al que le gusta sacar de manera que la pelota golpee en la línea lateral, la a priori de uno lo llevaría a colocar la raqueta por encima de la línea lateral para devolver el saque. Sin embargo, cuando uno ve que la pelota se mueve, puede parecer que caerá más cerca del medio de la cancha. En lugar de seguir completamente esta información sensorial o seguir completamente la a priori, uno movería la raqueta a una ubicación entre la línea lateral (sugerida por la a priori) y el punto donde sus ojos indican que caerá la pelota.

Otra parte clave de la inferencia bayesiana es que la estimación será más cercana al estado físico sugerido por la información sensorial si los sentidos son más precisos y será más cercana al estado del estado previo si la información sensorial es más incierta que la previa. Extendiendo esto al ejemplo del tenis, un jugador que se enfrenta a un oponente por primera vez tendría poca certeza en su conocimiento previo del oponente y, por lo tanto, su estimación se basaría más en la información visual sobre la posición de la pelota. Por el contrario, si uno estuviera familiarizado con su oponente pero estuviera jugando en condiciones de niebla u oscuridad que dificultarían la vista, la información sensorial sería menos segura y su estimación se basaría más en el conocimiento previo.

Panorama estadístico

El teorema de Bayes establece

PAG ( A | B ) = PAG ( B | A ) PAG ( A ) PAG ( B ) . {\displaystyle P(A|B)={\frac {P(B|A)\,P(A)}{P(B)}}.\,}

En el lenguaje de la estadística bayesiana, , o probabilidad de A dado B, se denomina posterior, mientras que y son la probabilidad y la probabilidad previa, respectivamente. [2] es un factor de escala constante que permite que la posterior esté entre cero y uno. Traduciendo esto al lenguaje del aprendizaje motor, la anterior representa el conocimiento previo sobre el estado físico de lo que se observa, la probabilidad es la información sensorial utilizada para actualizar la anterior y la posterior es la estimación del estado físico por parte del sistema nervioso . Por lo tanto, para la adaptación, el teorema de Bayes se puede expresar como PAG ( A | B ) {\displaystyle P(A|B)} PAG ( B | A ) {\displaystyle P(B|A)} PAG ( A ) {\estilo de visualización P(A)} PAG ( B ) {\estilo de visualización P(B)} 

  Estimación = (conocimiento previo × información sensorial) / factor de escala

Los tres términos de la ecuación anterior son distribuciones de probabilidad. Para hallar la estimación en términos no probabilísticos, se puede utilizar una suma ponderada.

mi = Yo pag S + Yo s PAG Yo pag + Yo s . {\displaystyle E={\frac {W_{p}S+W_{s}P}{W_{p}+W_{s}}}.}

donde es la estimación, es la información sensorial, es el conocimiento previo y los factores de ponderación y son las varianzas de y , respectivamente. La varianza es una medida de incertidumbre en una variable, por lo que la ecuación anterior indica que una mayor incertidumbre en la información sensorial hace que el conocimiento previo tenga más influencia en la estimación y viceversa. mi {\estilo de visualización E} S {\estilo de visualización S} PAG {\estilo de visualización P} Yo pag {\estilo de visualización Wp} Yo s {\estilo de visualización Ws} S {\estilo de visualización S} PAG {\estilo de visualización P}

Descripciones matemáticas bayesianas más rigurosas están disponibles aquí y aquí .

Alcanzando

Muchas tareas motoras muestran adaptación a nueva información sensorial. La inferencia bayesiana ha sido estudiada con mayor frecuencia en el ámbito del alcance.

Integración de una información sensorial previa con la actual

(A) El cursor está representado por un punto con una ubicación exacta. (B) La ubicación del cursor es menos segura, porque está en algún lugar dentro de la nube de puntos.

Los estudios de adaptación a menudo implican que una persona intenta alcanzar un objetivo sin ver ni el objetivo ni su mano. En cambio, la mano está representada por un cursor en la pantalla de una computadora, que la persona debe mover sobre el objetivo en la pantalla. En algunos casos, el cursor se desplaza una pequeña distancia de la posición real de la mano para probar cómo responde la persona a los cambios en la retroalimentación visual. [3] [4] Una persona aprende a contrarrestar estos cambios moviendo su mano una distancia igual y opuesta al cambio y sigue moviendo el cursor hacia el objetivo, lo que significa que ha desarrollado un previo para este cambio específico. Cuando el cursor se desplaza a una nueva distancia diferente de la mano que alcanza la misma persona, la reacción de la persona es consistente con la inferencia bayesiana; la mano se mueve una distancia que está entre el cambio anterior (previo) y el nuevo cambio (información sensorial). [3]

Si, para el nuevo cambio, el cursor es una gran nube de puntos en lugar de un solo punto (como se muestra en la figura), la información sensorial de la persona es menos clara y tendrá menos influencia en su reacción que la anterior. Esto respalda la idea bayesiana de que la información sensorial con mayor certeza tendrá mayor influencia en la adaptación de una persona a la retroalimentación sensorial cambiada.

Esta forma de adaptación es válida solo cuando el desplazamiento es pequeño en comparación con la distancia que la persona debe alcanzar para alcanzar el objetivo. Una persona que alcance un objetivo a 15 cm de distancia se adaptaría a un desplazamiento de 2 cm del cursor de forma bayesiana. [4] Sin embargo, si el objetivo estuviera a solo 5 cm de distancia, se reconocería un desplazamiento de 2 cm de la posición del cursor (información visual) y la persona se daría cuenta de que la información visual no muestra con precisión la posición de la mano. En cambio, la persona confiaría en la propiocepción y el conocimiento previo para mover la mano hacia el objetivo.

Los seres humanos también se adaptan a las fuerzas cambiantes al alcanzar un objeto. [5] Cuando un campo de fuerza a través del cual una persona alcanza un objeto cambia ligeramente, modifica su fuerza para mantener el alcance en línea recta basándose en parte en una fuerza previa que se había aplicado antes. Depende más de la anterior si el cambio previo es menos variable (más seguro).

Integrando información de múltiples sentidos

La inferencia bayesiana también se puede aplicar a la forma en que los humanos combinan información sobre cambios en su entorno a partir de múltiples sentidos sin ninguna consideración del conocimiento previo. Los dos sentidos que tienen la mayor influencia en cómo los humanos se adaptan al alcance son la visión y la propiocepción. Por lo general, la propiocepción tiene más peso que la visión para adaptar la posición de la mano en profundidad (la dirección en la que se acerca o se aleja de la persona que alcanza) y la visión tiene más peso en las direcciones vertical y horizontal. [6] Sin embargo, las condiciones cambiantes pueden alterar la influencia relativa de estos dos sentidos. Por ejemplo, la influencia de la visión en la adaptación de la profundidad de la mano aumenta cuando la mano está pasiva, mientras que la propiocepción tiene más influencia cuando la mano está en movimiento. [6] Además, cuando la visión se reduce (por ejemplo, en la oscuridad), la propiocepción tiene más influencia en la determinación de la posición de la mano. [7] Este resultado es consistente con la inferencia bayesiana; cuando un sentido se vuelve más incierto, los humanos aumentan su dependencia de otro sentido.

Postura

Además, se ha descubierto que la inferencia bayesiana desempeña un papel en la adaptación del control postural. En un estudio, por ejemplo, los sujetos utilizan una tabla de equilibrio Wii para realizar una tarea de surf en la que deben mover un cursor que representa su centro de presión (COP) en una pantalla. [8] El surfista de Wii obtuvo información visual sobre su COP a partir de nubes de puntos similares a la que se muestra en la sección de alcance. Con nubes más grandes, los surfistas tenían más incertidumbre y eran menos capaces de mover el COP hasta el objetivo en la pantalla. Si bien este resultado es coherente con la inferencia bayesiana, los modelos matemáticos bayesianos no proporcionaron las mejores predicciones del movimiento del COP, tal vez porque mover el COP con precisión es más difícil mecánicamente que alcanzarlo. Por lo tanto, aún no está claro hasta qué punto el movimiento postural puede describirse mediante la inferencia bayesiana.

Paso

La adaptación a la retroalimentación modificada también ocurre al caminar y correr. Las personas que caminan con cada pie sobre una cinta de correr diferente pueden adaptar la longitud de su paso cuando una cinta comienza a moverse más rápido que la otra. [9] Además, los corredores pueden alterar su fuerza máxima de reacción sobre el suelo y la aceleración de las piernas cuando ven un gráfico de la aceleración máxima de las piernas. [10] Sin embargo, hasta la fecha, ningún estudio ha determinado si los humanos adaptan sus puertas mediante inferencia bayesiana o no.

Posibles contradicciones de la inferencia bayesiana

Algunos estudios de adaptación no respaldan la aplicación de la inferencia bayesiana al aprendizaje motor. Un estudio sobre el alcance en un campo de fuerza descubrió que, en lugar de estar influenciada por un conocimiento previo desarrollado a lo largo de cientos de alcances anteriores, la adaptación a los alcances posteriores solo está influenciada por recuerdos recientes. [11] Las personas que alcanzaban en el campo de fuerza se adaptaban a los cambios en la cantidad de fuerza ejercida sobre el brazo, pero esta adaptación solo se vio afectada por el cambio en la fuerza del alcance inmediatamente anterior, no por un conocimiento previo bien desarrollado de los cambios que se habían producido a lo largo de los ensayos anteriores del experimento. Esto parece entrar en conflicto con la aplicación de la inferencia bayesiana a la adaptación, pero los defensores de la adaptación bayesiana han argumentado que este estudio en particular requirió que cada participante hiciera solo 600 alcances, lo que no es suficiente para desarrollar un conocimiento previo. [5] En los estudios de alcance que muestran evidencia de inferencia bayesiana, los participantes suelen realizar 900 alcances o más. [3] [4] Esto indica que, si bien la inferencia bayesiana se utiliza en la adaptación, es limitada en el sentido de que se necesita mucha experiencia previa para desarrollar un conocimiento previo influyente.

Véase también

Referencias

  1. ^ Körding, KP, y Wolpert, Daniel M. (2006). Teoría de la decisión bayesiana en el control sensoriomotor. Tendencias en las ciencias cognitivas (vol. 10, págs. 319-326).
  2. ^ Lee, PM. (2004). Estadística bayesiana: una introducción. Oxford University Press: Londres.
  3. ^ abc Körding, KP, y Wolpert, Daniel M. (2004). Integración bayesiana en el aprendizaje sensoriomotor. Nature 427:244-7.
  4. ^ abc Wei, K., Kording, K. (2009). Relevancia del error: ¿qué impulsa la adaptación motora? J Neurophysiol 101:655-64.
  5. ^ ab Kording, KP, Ku, S., Wolpert, DM (2004). Integración bayesiana en la estimación de fuerza. J Neurophysiol 92:3161-5.
  6. ^ ab Van Beers, RJ, Wolpert, DM, Haggard, P. (2002). Cuando el sentimiento es más importante que la visión en la adaptación sensoriomotora. Current Biology 12:834-7.
  7. ^ Plooy, A., Tresilian, JR, Mon-Williams, M., Wann, JP (1998). La contribución de la visión y la propiocepción a los juicios de proximidad de los dedos. Experimental Brain Research 118(3):415-20.
  8. ^ Stevenson, IH, Fernades, HL, Vilares, I., Wei, K., Kording, KP (2009). Integración bayesiana y control de retroalimentación no lineal en una tarea motora de cuerpo completo. PLoS Comp Biol 5(12):1-9.
  9. ^ Vasudevan, EV, Bastian, AJ (2010). La adaptación de una cinta de correr con banda dividida muestra diferentes redes funcionales para la marcha humana rápida y lenta. J Neurophysiol 103:183-191.
  10. ^ Crowell, HP, Milner, CE, Hamill, J., Davis, IS (2010). J Orthopaedic & Sports Physical Therapy 40(4):206-13.
  11. ^ Scheidt, RA, Dingwell, JB, Mussa-Ivaldi, FA (2001). Aprender a moverse en medio de la incertidumbre. J Neurophysiol 86:971-85.
  • El laboratorio de aprendizaje computacional y biológico de Cambridge
  • Sitio web del laboratorio de Konrad Kording
  • La investigación para esta entrada de Wikipedia se realizó como parte de un curso de Neuromecánica de la Locomoción (APPH 6232) en la Escuela de Fisiología Aplicada de Georgia Tech.
Obtenido de "https://es.wikipedia.org/w/index.php?title=Inferencia_bayesiana_en_el_aprendizaje_motor&oldid=1156414835"