bioRxiv 神经科学· Serratos Hernandez, U. D., Goekay, U., Kornemann, L., Hutabarat, Y., Sen, D., Bach, D. R. ·· 7 天前AI 评分38
DynaClade 预印本揭示人类在虚拟风险觅食环境中的自发动作序列具高阶历史依赖
The Computational Grammar of Human Behaviour in a Biological Environment
AI 导读
bioRxiv 预印本报告,DynaClade 无监督时序动作分割算法用于虚拟现实风险觅食中的自由移动参与者,识别出与环境可供性对应的离散动作,并发现无移动而身体摇摆增加的新运动模式。
- 背景
- 人类行为表现为一长串自发动作,受环境需求与行动者目标共同塑造。作者把问题定位在这些动作的组织方式上:这一层位于设定抽象目标与具体运动执行之间,此前对它的刻画很有限。要研究它,需要既能记录接近真实情境下的全身运动、又能从连续运动流中切出离散动作的手段;原文选择在虚拟现实的风险觅食环境中观察自由移动的参与者。
- 做法
- 作者提出 DynaClade:一种面向人体全身动作捕捉数据的无监督时间动作分割算法,并把它用于在虚拟现实中自由移动、在接近真实生态的风险觅食环境中行动的参与者。流程是先对参与者的全身动作捕捉序列做无监督分割,得到离散动作;再用两条线索检验分割出的单元是否有意义:这些动作的运动学特征,以及它们在空间中的分布,是否与环境提供的可供性(affordances)对应。随后作者对动作序列做序列统计刻画:检验序列是否随机、是否超出一阶马尔可夫结构,并考察二阶预测能解释多少历史依赖;再用隐马尔可夫模型拟合这种高阶结构,检查观测动作与潜在状态之间的对应关系。
- 结论
- 分割出的动作中,作者发现一种此前未被描述的运动模式:身体摆动增加但不发生位移(increased body sway without locomotion)。动作序列高度非随机,并存在明显的历史依赖,且这种依赖超出一阶马尔可夫结构,其中大部分可由二阶预测解释。高阶结构在隐马尔可夫模型中得到较好刻画:部分被观测到的动作对应不止一个潜在状态;每个这样的潜在状态都对应同一动作在不同动作情境中的出现。
- 机制
- 作者给出的解释是:自发动作主要依据当前动作与当前情境被选择,而不是按预先计划好或习惯化拼装好的序列展开。支撑这一解释的是隐马尔可夫模型中的对应关系:同一个观测动作被拆成多个潜在状态,而这些状态分别对应不同的动作情境;序列中的历史依赖因此可以落在“同一动作处于不同情境”这一层,而不必归因于固定的动作链。
- 意义
- 这项工作的落点是把行为组织的分析放在动作与情境这一中间层,一端连着抽象目标,一端连着运动执行。方法上,DynaClade 针对全身动作捕捉数据做无监督时间分割,并在虚拟现实风险觅食场景中把分割结果与环境的可供性对上;结论上,它把自发动作序列的统计结构归结为当前动作加情境的选择。对需要从连续自然行为中提取离散单元、并检验序列阶数的人来说,这是一条可复用的分析路径。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:bioRxiv 神经科学 · biorxiv.org