Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

More documents

Recommendations

Info

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre Forma Tamaño Tarea cIPS AIP / F5 V, M, VM F1 X Mu W A Red Neuronal HYPBF Figura 5.36. Interpretación biológica de la red neuronal GRASP. Esta asociación es tan solo a nivel de la actividad de la capa intermedia o de procesamiento. Actualmente, uno de los puntos de desarrollo de este trabajo, consiste en la elaboración de un modelo para las transformaciones visuomotrices en el agarre que sea dinámico en el sentido de lo expuesto en el capítulo anterior. Si recordamos, la dinámica del proceso neuronal involucrado en el agarre es el que sigue: a) Las señales visuales relacionadas con la forma 3D y la orientación del objeto se procesan en el área CIP (caudal intraparietal) y la salida de dicho procesamiento se proyecta sobre las neuronas dominantes visuales de AIP. b) Esta información acerca del objetivo del agarre se conduce hacia las neuronas visual & motoras de AIP. c) La información combinada visual y motora pasa a través de la vía cortico –cortical hacia las neuronas visuales & motoras de F5. d) La actividad de las neuronas visuales & motoras de F5 activa las neuronas motoras de F5 que a su vez se encargan de enviar la información necesaria a las neuronas de F1 para implementar el movimiento. e) Por último una copia del comando motor generado en las neuronas motoras de F5 se envía a las neuronas motoras de AIP que a su vez envían esta información a las neuronas visuales y motoras de AIP. Este circuito cerrado constituye un mecanismo que, en nuestra opinión, permite que en las neuronas visuales y motoras de AIP se produzca una comparación continua entre la representación interna del objetivo del agarre (el objeto) y una representación interna de la acción motora en curso. Esto permite generar los comandos motores apropiados hasta que la tarea esté completada (Figura 5.37). 259 θ θp θi θm
Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre F1 comando motor F5 AIP CIP Motor Dominante Visual & Motor Visual & Motor Visual Dominante Copia del comando motor 260 Motor Dominante Figura 5.37. Modelo de circuito parieto-frontal plausible para la construcción de un sistema de generación y monitorización continúa del movimiento de agarre. En este sentido, el desarrollo de un modelo que contemple estos aspectos arriba comentados, está siendo desarrollado como continuación pero aparte de este trabajo Doctoral. Dicho modelo se basa en la idea de que las áreas parietales del córtex tienen la capacidad de correlacionar distintas modalidades sensoriales o distintas representaciones neuronales en un espacio de representación único a través de un proceso que Burnod y sus colaboradores (Baraduc et al, 2001, 2002) han venido en denominar proceso de ‘matching’. Bajo esta perspectiva, la correlación o matching entre dos modalidades sensoriales distintas o entre dos representaciones neuronales distintas se lleva a cabo en una ‘unidad de matching’. En el modelo que se está desarrollando actualmente, se propone que el área AIP puede entenderse como una de estas unidades de matching. Como se observa en la Figura 5.38, esta unidad de matching está compuesta de dos redes HYPBF. Dada la naturaleza de la información de entrada a cada red, la capa intermedia de la HYPBF 1 (A1) puede asociarse a la actividad de las neuronas dominantemente visuales de AIP. La segunda HYPBF recibe como entrada una copia del programa motor actualmente en curso en las neuronas motoras de F5. Es por esto que la capa intermedia de la red HYPBF 2 (A2) puede asociarse a la actividad de las neuronas dominantemente motoras de AIP. El procesamiento posterior consiste en la correlación de la información de salida de ambas redes HYPBF en el módulo Ar. Esta comparación genera una señal que sirve para actualizar los parámetros de ambas redes con el objeto de que el matching entre las salidas de ambas redes sea total (Ar1 = Ar2). Este proceso que es dinámico, se asocia a las neuronas visuales y motoras de AIP. Esta función comparativa es la que determina la naturaleza propia de una unidad de matching. Cuando finaliza este proceso, se tiene una correlación perfecta entre Señal visual
Page 1 and 2:
Universidad Politécnica de Cartage
Page 3 and 4:
Neuro - Robotics constitutes an eme
Page 5 and 6:
The results of the research develop
Page 7 and 8:
Índice General Agradecimientos Int
Page 9 and 10:
5.2 Simulaciones del modelo. Modeli
Page 11 and 12:
Introducción 1 Introducción Intro
Page 13 and 14:
Introducción la hora de inspirar m
Page 15 and 16:
Introducción 1. Análisis experime
Page 17 and 18:
Introducción 3.7 Transferencia tec
Page 19 and 20:
Introducción presentan objetos de
Page 21 and 22:
Capitulo 1. El Movimiento de Agarre
Page 23 and 24:
Page 25 and 26:
Page 27 and 28:
Page 29 and 30:
Page 31 and 32:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Capitulo 2. Modelos Computacionales
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Capitulo 3. El Agarre en la EP. Mod
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Capitulo 4. Modelo Neuronal para la
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
Page 191 and 192:
Page 193 and 194:
Page 195 and 196:
Page 197 and 198:
Page 199 and 200:
Page 201 and 202:
Page 203 and 204:
Page 205 and 206:
Page 207 and 208:
Page 209 and 210:
Page 211 and 212: Capitulo 5. Modelo Neuronal para el
Page 249 and 250: 2.5 cm 3.0 cm 3.5 cm 2 cm Capitulo
Page 261: Capitulo 5. Modelo Neuronal para el
Page 265 and 266: R1 HYPBF # 1 HYPBF # 2 R2 AIP VD Mu
Page 269 and 270: Capitulo 6. Implantación de algori
Page 283 and 284: Capitulo 7. Conclusiones y Trabajos
Page 285 and 286: Capitulo 7. Conclusiones y Trabajos
Page 287 and 288: 1. Cinemática Directa del brazo ma
Page 289 and 290: x 0 l 3 I -M c l 2 z 0 l 1 d θ 4 b
Page 291 and 292: Los pesos adaptativos wijk y zijkm
Page 293 and 294: Arbib, M.A. (1985a). Schemas for th
Page 295 and 296: Castiello, U., Stelmach, G.E., Lieb
Page 297 and 298: Fagg, A.H., Arbib, M.A. (1998). Mod
Page 299 and 300: Graybiel, A.M. (1997). The basal ga
Page 301 and 302: Jaeger, D., Kita, H., Wilson., C.J.
Page 303 and 304: Kimura, M., Matsumoto, N., Okahashi
Page 305 and 306: Mottet, D., Bootsma, R. J. (2001).
Page 307 and 308: Rezzoug, N., Gorce, P. (2001). A Ne
Page 309 and 310: Tanee, J., Boussaoud, D., Boyer-Zel
show all

Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?