在神经科学和生物医学工程领域，准确建模人类手部的复杂运动长期以来一直是一个重大挑战。当前的模型往往难以捕捉大脑运动指令与肌肉和肌腱物理动作之间的复杂互动。这一差距不仅阻碍了科学进步，还限制了旨在恢复肢体丧失或瘫痪者手部功能的有效神经假肢的开发。
EPFL教授Alexander Mathis和他的团队开发了一种由AI驱动的方法，显著推进了我们对这些复杂运动功能的理解。该团队采用了一种创新的机器学习策略，结合了基于课程的强化学习和详细的生物力学模拟。
Mathis的研究提供了一个详细、动态且解剖学上准确的手部运动模型，直接借鉴了人类学习复杂运动技能的方式。这项研究不仅赢得了2022年NeurIPS会议上的MyoChallenge挑战赛，结果还发表在《神经元》（Neuron）杂志上。
虚拟控制巴丁球
“最让我兴奋的是，我们正在深入探讨人类运动控制的核心原理，这是一个长期的谜团。我们不仅仅是在构建模型；我们还在揭示大脑和肌肉如何协同工作的基本机制，”Mathis说。
Meta公司在NeurIPS挑战赛中激励了EPFL团队寻找一种新的强化学习技术方法。任务是构建一个能够精确操纵两个巴丁球的AI，每个巴丁球由39块肌肉以高度协调的方式控制。这个看似简单的任务在虚拟环境中极其难以复制，因为手部运动的复杂动力学包括肌肉同步和平衡维持。
在高度竞争的环境中，三名研究生——来自Alexander Mathis小组的Alberto Chiappa，以及来自日内瓦大学Alexandre Pouget小组的Pablo Tano和Nisheet Patel——以显著优势超越了竞争对手。他们的AI模型在比赛的第一阶段实现了100%的成功率，超过了最接近的竞争对手。即使在更具挑战性的第二阶段，他们的模型在越来越困难的情况下仍表现出色，最终赢得了比赛。
将任务分解为更小的部分
“为了获胜，我们从体育科学中的一种称为部分到整体训练的过程中汲取灵感，”Mathis说。这种部分到整体的方法启发了AI模型中使用的课程学习方法，将控制手部运动的复杂任务分解为更小、更易管理的部分。
“为了克服当前机器学习模型的局限性，我们应用了一种称为课程学习的方法。经过32个阶段和近400小时的训练，我们成功训练了一个神经网络，能够准确控制一个真实的人类手部模型，”Chiappa说。
模型成功的关键在于其能够识别和使用基本的、可重复的运动模式，即运动基元。令人兴奋的是，这种学习行为的方法可能为神经科学提供关于大脑在学习新的任务中如何确定运动基元的作用的信息。
这种大脑与肌肉操控之间的复杂互动表明，构建真正模仿人类运动的机器和假肢是多么具有挑战性。“要完成各种日常任务，你需要大量的运动能力和一个类似于人类大脑的模型。即使每个任务可以分解为更小的部分，每个任务都需要一组不同的运动基元才能做得好，”Mathis说。
利用AI探索和理解生物系统
EPFL Neuro X研究所的神经假肢领先研究员Silvestro Micera和Mathis的合作者强调了这项研究对于理解未来潜力和最先进的假肢当前局限性的关键重要性。“我们现在真正缺乏的是对手指运动和抓握运动控制如何实现的更深入理解。这项工作正是朝着这个非常重要的方向迈进，”Micera指出。“我们知道连接假肢和神经系统的重要性，这项研究为我们提供了坚实的科学基础，强化了我们的战略。”
更多信息：通过基于课程的强化学习获取肌肉骨骼技能，《神经元》（2024）。DOI: 10.1016/j.neuron.2024.09.002. www.cell.com/neuron/fulltext/S0896-6273(24)00650-0
(全文结束)
