通过将视觉-触觉误差调节与个人的技能水平和动机相匹配来提升运动学习效果

《Acta Oecologica》：Motor learning improvement by matching visual-haptic error modulation to individual skill level and motivation

运动学习个性化反馈策略优化研究基于挑战点假说设计MISLM算法，通过多模态误差调制匹配个体技能水平和动机状态，验证其在轨迹跟踪任务中的有效性。实验表明VRHA组自我效能感提升最显著，算法能提升长期技能迁移和动机水平。

　　这项研究围绕着运动学习与康复训练之间的关系展开，探讨了如何通过结合心理机制和运动学习理论来优化康复策略。运动学习是指个体在重复练习中逐渐掌握并精进新的运动技能的过程，其在心理学、运动科学以及神经康复领域均具有重要意义。然而，将运动学习的原理有效转化为实际的康复策略仍然是一个挑战。研究者提出了一种基于心理机制的框架，该框架以“挑战点假说”为核心，旨在指导设计个性化的视觉-触觉反馈系统，以提升机器人辅助康复训练的效果。

在机器人辅助康复中，反馈机制被认为是促进运动学习的关键因素之一。视觉反馈能够帮助参与者直观地了解自身运动表现与目标之间的差距，而触觉反馈则提供更直接的物理感知信息，有助于参与者调整动作。然而，单一模态的反馈在提升运动学习和动机方面的作用存在差异。例如，视觉反馈在某些情况下能够增强动机，而触觉反馈则更直接地支持运动学习。因此，研究者提出了一个跨模态的反馈策略，即结合视觉和触觉的误差调节，以实现更全面的训练效果。

本研究中，研究人员开发了一种名为MISLM（Matching Visual-Haptic Error Modulation to Individual Skill Level and Motivation）的算法，该算法通过匹配视觉-触觉误差调节策略与个体的技能水平和感知能力，来确定最适合的训练难度。为了验证MISLM算法的有效性，研究设计了五个非匹配的视觉-触觉误差调节策略作为对照组。这些策略包括视觉和触觉的误差放大或缩小组合，例如视觉误差缩小与触觉误差缩小结合（VRHR）、视觉误差缩小与触觉误差放大结合（VRHA）、视觉误差放大与触觉误差缩小结合（VAHR）以及视觉误差放大与触觉误差放大结合（VAHA）。此外，还有一种非误差调节的策略（NEM），即不进行任何误差调节的反馈方式。

研究分为三个阶段。第一阶段（Session 1）招募了60名参与者，目的是评估非匹配的视觉-触觉误差调节策略对运动学习和动机的影响。第二阶段（Session 2）则招募了11名参与者，用于确定MISLM算法的阈值，采用多重线性回归分析的方法，以确保算法能够根据个体的技能水平和动机进行有效调整。第三阶段（Session 3）再次招募60名参与者，用于评估MISLM算法在提升运动学习和动机方面的效果。通过这些实验，研究者希望进一步验证MISLM算法的优越性。

在实验中，参与者需要完成一个轨迹追踪任务，该任务通过Unity 2019.1.0a8软件设计，并通过TCP/IP通信协议与机器人辅助康复系统（EULRR）进行交互。EULRR系统具有五个自由度，但在本研究中仅使用了X和Y轴的电机。参与者通过移动机器人末端的抓取器来追踪虚拟环境中的目标轨迹，而目标轨迹的运动速度是固定的。当目标点返回初始位置时，视为完成一次试验。在运动过程中，参与者会收到关于其运动表现的反馈，即“表现知识”（Knowledge of Performance, KP）反馈，而在完成一次轨迹追踪后，会收到关于最终结果的反馈，即“结果知识”（Knowledge of Result, KR）反馈，并以分数形式展示。

在运动学习和动机的评估方面，研究者采用了两个主要指标：平均追踪误差和内在动机量表（Intrinsic Motivation Inventory, IMI）。平均追踪误差用于衡量参与者在轨迹追踪任务中的精确度，而IMI则用于评估参与者的内在动机水平。这些指标能够全面反映运动学习的效果以及参与者的心理状态。研究结果显示，所有组别在长期评估中均表现出显著的运动学习和技能迁移能力的提升。然而，仅VRHA、VAHR和MISLM组在感知能力方面有显著增强，其中VRHA组的提升尤为明显。这一发现表明，将视觉和触觉误差调节策略与个体的技能水平和动机状态相结合，能够更有效地提升康复训练的效果。

进一步分析发现，视觉误差调节对动机的提升具有更明显的影响，而触觉误差调节则更直接地促进运动学习。这种差异可能与两种反馈方式在信息传递上的不同有关。视觉反馈能够提供更直观的指导，使参与者更容易理解自己的表现与目标之间的差距，从而激发其学习动机。而触觉反馈则更接近于实际的运动体验，能够帮助参与者在实际操作中进行微调，提高动作的准确性。因此，在康复训练中，合理地结合这两种反馈方式，可能有助于提升整体的训练效果。

此外，研究还强调了个体差异在运动学习中的重要性。不同技能水平的参与者对训练难度的适应能力存在差异，因此，个性化的训练策略显得尤为重要。挑战点假说指出，当训练难度与个体技能水平相匹配时，学习效果最佳。也就是说，对于技能水平较高的个体，适当的挑战能够激发其潜力，而对技能水平较低的个体，降低难度则有助于其逐步建立信心。因此，MISLM算法的设计正是基于这一理论，通过实时调整训练难度，使每位参与者都能在最适合自己的范围内进行训练，从而实现更高效的运动学习。

在本研究中，MISLM算法的实施分为几个步骤。首先，研究者根据参与者的基线得分和感知能力，判断其是否处于较低技能水平或较低动机状态。如果参与者的基线得分低于某个阈值（L1），或者其感知能力低于另一个阈值（L2），则采用视觉误差缩小与触觉误差缩小结合的策略（VRHR）。如果基线得分低于L1，但感知能力高于L2，则采用视觉误差缩小与触觉误差放大结合的策略（VRHA）。如果基线得分高于L1，但感知能力低于L2，则采用视觉误差放大与触觉误差缩小结合的策略（VAHR）。如果基线得分高于L1，且感知能力高于L2，则采用视觉误差放大与触觉误差放大结合的策略（VAHA）。如果上述条件均不满足，则采用非误差调节的策略（NEM）。

通过这种方式，MISLM算法能够根据参与者的实时表现和心理状态动态调整训练难度，从而实现个性化的康复训练。这一策略的优势在于，它不仅考虑了技能水平，还考虑了动机因素，使得训练更加符合个体的需求。研究结果表明，MISLM算法在提升运动学习和动机方面具有显著效果，特别是在感知能力较低的参与者中表现更为突出。这说明，通过将心理机制与运动学习理论相结合，能够更有效地优化康复训练策略。

本研究的意义在于，它为机器人辅助康复提供了一种新的方法，使得训练能够更加灵活和个性化。传统的康复训练往往采用固定的难度设置，无法满足不同个体的需求，而MISLM算法的引入，使得训练难度可以根据个体的表现和心理状态进行实时调整，从而提高训练的有效性。此外，该算法还具有一定的推广价值，可以应用于运动训练、心理干预以及其他需要个性化反馈的领域。

总体而言，这项研究通过结合心理机制和运动学习理论，提出了MISLM算法，为个性化康复训练提供了一种新的思路。研究结果表明，将视觉和触觉误差调节策略与个体的技能水平和动机状态相结合，能够显著提升康复训练的效果。这不仅为未来的康复技术发展提供了理论支持，也为临床实践中的个性化训练策略提供了实际指导。