【Day36 文献泛读】Bayesian integration in sensorimotor learning 感觉运动学习中的贝叶斯整合

阅读文献：

Körding, K. P., & Wolpert, D. M. (2004). Bayesian integration in sensorimotor learning. NATURE, 427(6971), 244-247. doi:10.1038/nature02169

文献链接：

Bayesian integration in sensorimotor learning | Nature

最近重读了这篇经典文献并做了汇报，对其有了更深入的认识，在此附上汇报文稿供参考。

 

       当学习一项感觉运动时（如打网球），这项运动本身（如球运动的速度）是具有不确定性的，并且我们的感官在接收运动信息时也具有不确定性。本研究认为通过不断的学习，被试可以将对运动的知识信息（先验），与通过感官输入的新信息（似然性）相整合，根据贝叶斯推断法则做出最优的决策（后验），降低决策的错误率。

图a，感官噪声：视觉＜本体感觉

图b，判断网球落地的位置也符合贝叶斯推断过程

图c，似然性分布不确定性大（图形越低阔），后验分布越靠近先验分布，bias越大。

        本研究采用了类似图a中的实验设备，目标和手的位置显示在投影屏上，通过镜子反射对称成像，与被试的眼睛形成一条直线，给被试“看到”目标和手的位置的错觉（实际是被镜子遮住的）。但在本实验中对投影屏上代表手指位置的图标相对于手指的真实位置进行了向右侧移的处理。

        具体而言，食指从起始位置出发后，屏幕上代表食指位置的光标消失，控制光标的移动轨迹相对于真实食指的移动轨迹向右偏移，偏移的距离服从N~(1,0.5²)的先验分布，这代表着任务的带来的不确定性（经过多次训练后被试形成了对光标侧移距离的先验分布）。这样的实验设定使得被试可以通过1000试次的训练，学习并掌握光标相对于手指真实位置侧移距离的先验分布。

移动到一半时给予反馈（即提供位置的视觉反馈信息，代表似然性），以此来修正手指后半程的运动轨迹。反馈分为4种：

1）反馈标准差σ0条件下，准确显示食指位置，并且会提供最终的光标位置，被试可以看到光标与目标的偏移，这代表着纯粹的内部加工不确定性。

2）反馈标准差