Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
un sujeto humano ha adoptado para su agarre. Durante la fase de optimación, la red es
capaz de generar posturas óptimas para la mano al presentarle un objeto nuevo. La
entrada a la red son imágenes visuales en dos dimensiones de objetos con diferentes
formas y tamaños. La otra entrada a la red durante la fase de aprendizaje son las
configuraciones de agarre adoptadas por un sujeto humano o ‘maestro’, captadas por
un DataGlove (VPL, Inc., California). El DataGlove capta dieciséis sensores que
registran trece ángulos de flexor-extensor y tres ángulos de abducción-adducción. Se
emplean dos tipos de posturas de la mano para llevar a cabo un agarre: el agarre
mediante la oposición de los dedos y la palma y el agarre con las puntas de dedos en
oposición.
Durante la fase de aprendizaje, los objetos son agarrados repetidamente
empleando el método de ensayo y error. La red aprende a relacionar los objetos con las
posturas. Para modelar el área F5 del PMd, se examinó la actividad y el tipo de
representaciones internas adquiridas por la tercera capa de neuronas. Los autores
observaron que el nivel de actividad neuronal en dicha capa aumentaba con el tamaño
del objeto. Los patrones de activación pertenecientes a la misma clase de objetos eran
similares, lo cual sugiere una codificación de los objetos en la capa neuronal
examinada. En términos de oposiciones, como se observa en la Figura 5.3, los patrones
de activación neuronal son diferente para el agarre con las puntas de dedos en
oposición que en el agarre mediante la oposición de palma con los dedos, indicando en
este caso la existencia de una representación interna para el tipo de agarre u oposición
escogida.
El problema de escoger una postura adecuada de agarre dadas las propiedades de
un objeto es un problema mal condicionado. De esta forma, durante la fase de
optimización, los autores, utilizan un criterio que les permite llevar a cabo dicha
selección. Este criterio se basa en la utilización de dos funciones. Para el agarre
mediante la oposición de palma con los dedos, la función de selección se define como:
1 2
C ( y) = 1 ∑ yi
(5.1)
2
donde yi es la salida i-ésima de los dieciséis sensores del DataGlove. C1(y) posee un
mínimo absoluto cuando la mano es flexionada hasta su limite. Para el agarre con las
puntas de los dedos en oposición, la función de selección se define como:
2
i∈MCP, CMC i∈PIP, IP
214
i
2
2
∑ i ∑ ( i )
(5.2)
C ( y) = y + 1.0 − y