| 单词 | 运动行为网络系统 |
| 释义 | 【运动行为网络系统】 拼译：locomotor behavior network system 生物的感知和认知源于行为，行为又受控于感知和认知的反馈作用。由这一观点出发，向运动生物力学引入一个新的科学分支和技术领域：运动行为网络系统，即把肌肉这一有源运动器系以某种方式有机地加入人工神经网络(Artificial Neural Network)之中，从而构成主控与受控一体、前馈与反馈并存的高度非线性连续时间动力学系统，完全脱离公理化的理性模式，进入直觉坐标系思维模式，以便更深入地认识生命行为的内在本质，推动人体运动行为能力的发展，促进以生命行为为原型的各种科学门类和技术领域的进步。 生物力学在研究人体运动行为控制的过程中，长期感到困惑的问题是：大脑如何分配各肌内的激活性和激活顺序。1961年纽巴(G．Nubar)等提出假说，认为大脑控制肌肉激活性所遵循的最佳化原则是将总能耗、机械功、完成动作时间、总肌力矩等生物力学指标限制在最低量域。迈克柯耐尔(M．A．MacConaill，1966)则提出最小总肌力原则。克罗宁舍尔德(R．D．Crowninshield，1978)又提出相对力指标总和作为最佳化标准。谢雷格(A．Seireg，1973)甚至运用线性规划法来寻求这个最佳化标准，他们建立了多达120个方程的庞大方程组，包含了420个未知数，但很难获得可以重复的结果。这些研究都暴露出一个共同的弱点，即忽视了肌肉在形态学上更加微细的结构层次，从而忽略了在机能上更为精细的层次划分。此外，他们完全不顾反馈在神经控制中的作用，仅把肌动元(acton)当作受控对象，认为信息的运动纯粹是单向的，一心指望从脑的“程序库”里寻幽探微。认知心理学从信息处理理论出发，把行为归结为效应器对外界环境刺激的反应(S．W．Keele，1968)，认为存在一种运动程序(motorprogram)，否定在实际行为中存在反馈控制(J．L．Smith等，1972)。1975年施密特(R．A．Schmidt)等进一步提出一般运动程序(generalized motor program)，认为在算法上具有不变属性，可根据相对时间、相对力和动作顺序等输入参量检索或制作出具体的运动程序来。至于检索方式，施密特构思了一种记忆模式(recall schema)，即依据记忆的结构将检索参量信息过程进行模式化处理。凡此种种，始终没有走出“刺激－反应”的初级控制论模型框架。1989年吴警余等在沃尔弗兰(S．Wolfram)的点格自动机思想启示下，第1次提出行为过程自动机(Behavior Process Automata)这一离散系统动力学模型的构想，用以描述活体系统的运动行为在时间和空间上的变化发展。按照行为的信息结构原则，对行为过程自动机的全方位研究包括由低级到高级的5个层次：(1)感知自动机，(2)效应自动机，(3)中央分析与处理自动机，(4)学习自动机，(5)思维自动机。前两个层次的总和已能构成无中枢的低级弥散神经系统，形成内外环境决定的低级生命运动行为，其中内环境主要表现为本能，即各神经元(感受元与效应元)的固定受激阈和相互作用的固定连接权。第3个层次确立了中枢，使弥散上升为集中，同时在本能之上追加了自适应形式的分析功能。从表现形式上仅仅将各元的受激阈和各元间作用权由某种固定值改为可变值，但由此却能导致质的飞跃，使之与继后的发展层次——学习、思维乃至感情相衔接。在硬件结构上，各个层次的区别不在于各个组元的形态，而仅在于规模，即组元的绝对数量和各组元同相邻组元相互作用范围(邻域半径)。因此，对每－层次自动机模型均可统一描述如下：(1)拓扑空间x和时间t都是离散的，系统的状态由函数f(x，t)描述，f取有限量值，例如二值布尔化量。(2)系统的未来状态函数f(x，t+1)由当前状态函数f(x，x1，x2，…，xn，t)所描述，其中xi为X的邻域内n个元，n=2r，r为邻域半径或x空间的维数。(3)考察系统各组元受激阈及邻域各组元间相互连接作用权值，并按稳定与变异(即巩固与进步)的对立统一规律实时调整，使状态的变化按y=F(x，θ，xi，ai)发展，其中αi为邻域各组元间相互作用的连接权，θ为受激阈。(4)给定初始状态f(x，0)后，再确定边界条件，并按已被揭示的宏观规律规定由f(x，t)推向f(x，t+1)的演化规则，这些规则须根据所研究的课题在约定条件下考虑力学规律、形态学结构、神经生理学机制、系统控制论原则等项直接或间接相关因素。随着人工神经网络研究热的兴起，1989年Kupeesten和Rubinstein于1989年用神经网络实现了机器人的眼手协调控制，尽管精度很低，但开创了从感知机(perceptron)到行为控制器(motor controller)的新进展。运动生物力学界对此开始表现出关注。1991年吴忠贯等提出把肌肉等运动器纳入神经网络之中，组成感受－效应－控制一体化模型。网络的最低层是运动单位(motor unit)或肌动元等最小功能元，向上组成网络功能层(类似于跨关节肌功能群)，分别以各给定关节的极限运动学参量为各该功能层的边界条件。各运动单位之间的互连权系函数是确定型和随机型兼而有之的向量函数，网络系统状态和各元间互连权系的演化过程皆基于网络的全局作用而进行大规模并行分布处理。这一设想的基本依据是运动器系不只是机械，而是更为高级的神经网络(表象与行为综合神经网络)的一个有机部分。肌肉等器官受神经控制的同时，又直接参与控制活动，它们一方面是运动终端(motor terminal)，同时又是运动觉的预处理器，是构成目标决策的不可或缺的主环节。为了确定运动行为网络系统研究的技术路线，吴忠贯(1991)分析了在运动生物力学研究实践中广泛应用的动作影像解析法同点格自动机以及神经网络的异同，指出用摄影法确定人体上各点在各相继时刻的位置坐标(即空间状态)已基本是点格或网络的雏型。它们的区别在于：影像解析系统是一个描述型系统，已知各点在各相继时刻的状态，求这些状态的变化规律(即位形变量的一阶导数和二阶导数)，向研究者提供描述结果，使之启动自己的知识库去分析、思考，从而得出某种结论；点格自动机则是计算型系统，它由研究者按自己的设计思想事先规定好一种演化规则，以便自动计算各点在相继时刻的状态，任一给定初始条件和边界条件下系统一般总能收剑到一个终态；神经网络更进一步，是一个联想记忆和学习型系统，能在多次给定状态集(输入)的作用下逐渐学会由某一初态演变到一种终态的规则。这3个系统的共同点是：它们都把位形等状态信息分布式存储在每一点上，由这些异同比较可知，当前的影像解析法稍加改造即可利用，使在描述型系统和计算型系统乃至更高级的联想记忆学习型系统之间架起一座过渡的桥梁。充分保留影像解析法的全部描述功能，引入局部和全局的动力学方程，将微分方程的求解过程化为递推、迭代算法，使积分中的t2－t1等于帧间隔时间Δt，以解决动力学中正命题(已知运动求力)。由此建立起来的人体运动行为动力学方程数值解网络将为运动行为网络系统的最终实现准备必要的算法基础。当这种模型同感知、联想记忆、学习、控制等类神经网络并网运行之后，当可期望，运动生物力学一个崭新的前景终将展现出来。它的第1个显性结果当是使运动生物力学加入机器人学(robotics)研究行列，而成为这一领域的主学科。当前最大的困难就是只能用串行计算和局域式存储来模拟并行运算和分布式存储，用离散逼近连续。这一问题的解决有赖于电子技术的进一步发展。例如以场效应可编程逻辑阵列器件(Field Programmable Logic Array Device)技术为基础，若将阵列的数字化编程发展为模拟量编程，使之对网络各元间连接权进行仿真，可望解决大规模并行网络的硬件支持。【参考文献】：1 Seireg A，et al．J Biomechanics，1973，6(3)：313～3262 Schmidt R A．Psychological Review，1975，82：225～2603 Wolfram S．Reviews of Modern Physics，1983，55：34 吴警余，等．浙江体育科学，1989，11(1)：7～145 Kuperstein M，et al．IEEE Control Systems Mag，1989，9：36 何捷，等．浙江体育科学，1991，13(1)：31～347 Wu Zhongguan，et al．International Congress on Biomechanics，1991，8：324～3258． 吴忠贯．浙江体育科学，1991，13(1)：57～659 Wu Jingyu，et al．International Congress on Biomechanics，1991，8：419～420(杭州大学何捷教授撰) |
| 随便看 |
科学参考收录了7804条科技类词条，基本涵盖了常见科技类参考文献及英语词汇的翻译，是科学学习和研究的有利工具。