Detailseite
Projekt Druckansicht

Einfluss von Fehlergröße und Fehlerverteilung auf sensomotorische Adaptation

Antragsteller Dr.-Ing. Thomas Eggert
Fachliche Zuordnung Kognitive, systemische und Verhaltensneurobiologie
Förderung Förderung von 2016 bis 2019
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 286438288
 
Erstellungsjahr 2020

Zusammenfassung der Projektergebnisse

In diesem Projekt wurde beim Menschen die Adaptation von Zeigebewegungen an Verzerrung des visuellen Feedbacks (visuomotorische Verdrehung) untersucht. Die primäre Fragestellung war, ob die Adaptationsdynamik von der Fehlergröße oder von der Vorgeschichte der Adaptation abhängt (Metalearning). Eine solche Flexibilität von Adaptationsvorgängen wurde in der Literatur mehrfach vorgeschlagen. Zur Beantwortung dieser Fragen wurden die (zeitinvarianten) Lernparameter eines weitverbreiteten Adaptationsmodells an unterschiedliche Trainingsphasen in einem repeated-measures Design angepasst und zwischen diesen verglichen. In einem ersten Experiment wurden Zeigebewegungen auf identische Ziele einem Ablauf der Form Adaptation-Deadaptation-Adaptation unterworfen. Es fanden sich keine systematischen Unterschiede der Lernparameter zwischen den beiden identischen Adaptationsphasen. In einem zweiten Experiment wurde eine Trainingsphase mit gradueller Vergrößerung der visuomotorischen Verdrehung mit einer zweiten mit abrupter Verdrehung verglichen. Beim abrupten Training, bei dem die initial auftretenden Fehler größer waren als beim graduellen Training, war die Fehlersensitivität des schnellen Adaptationsmechanismus kleiner. Dies deutet auf eine Nichtlinearität dieses schnellen Mechanismus hin, der auf große Fehler relativ weniger empfindlich ist als auf kleine Fehler. Dagegen zeigte die Dynamik der langsamen Adaptationskomponente keine Abhängigkeit von der Fehlergröße. Zusammengenommen zeigen beide Experimente, dass das lineare Zweiratenmodell von Smith et al. (2006) visuomotorische Adaptation bis auf geringe nichtlineare Effekte grundsätzlich gut beschreiben kann. Die Sensitivität solcher Vergleiche geschätzter Modellparameter zwischen Bedingungen ist wesentlich von der Genauigkeit der Parameterschätzung abhängig, die ihrerseits durch die Trial-to-Trial Variabilität der Zeigerichtung beschränkt ist. Um die Schätzgenauigkeit zu verbessern, ist es notwendig ein möglichst gutes Modell der Variabilität der Zeigerichtungen zu entwickeln. In der Literatur sind Ansätze für ein solches Modell vorhanden, die von konstantem Ausführungsrauschen und konstantem Planungsrauschen ausgehen. Im weiteren Verlauf des Projektes haben wir uns auf die Prüfung dieser Annahmen und die Verbesserung der existierenden Varianzmodelle konzentriert. In unseren Experimenten stieg die Zeigevariabilität in der frühen Adaptationsphase transient an, was mit den bisherigen Annahmen konstanter Planungsund Ausführungsvarianz inkompatibel ist. Dieser transiente Varianzanstieg konnte allein auf eine signalabhängige Komponente des Planungsrauschen des schnellen Adaptationsmechanismus zurückgeführt werden. Sowohl das Planungsrauschen des langsamen Mechanismus als auch das Ausführungsrauschen konnte nach wie vor als konstant angenommen werden. Parallel zur Verbesserung des Varianzmodells bei visuomotorischer Adaptation haben wir eine Methodik entwickelt, mit der die Varianzparameter aus den empirischen Daten optimal geschätzt werden können. Dies schafft die technischen und theoretischen Voraussetzungen, um zu untersuchen, in welchem Maße Beeinträchtigungen der Ausführungs- oder der Planungsvariabilität mit der für Kleinhirnläsionen typische Erhöhung der Zeigevariabilität zusammenhängen.

Projektbezogene Publikationen (Auswahl)

  • (2019) Chapter 10 - Saccade variability in healthy subjects and cerebellar patients. In: Ramat S, Shaikh AG (eds) Progress in Brain Research, vol 249. Elsevier, pp 141-152
    Eggert T, Straube A
    (Siehe online unter https://doi.org/10.1016/bs.pbr.2019.03.021)
  • (2019) Chapter 14 - Improving the repeatability of two-rate model parameter estimations by using autoencoder networks. In: Ramat S, Shaikh AG (eds) Progress in Brain Research, vol 249. Elsevier, pp 189-194
    Ozdemir MC, Eggert T, Straube A
    (Siehe online unter https://doi.org/10.1016/bs.pbr.2019.04.035)
 
 

Zusatzinformationen

Textvergrößerung und Kontrastanpassung