Abstract Background The ability to measure joint kinematics in natural environments over long durations using inertial measurement units (IMUs) could enable at-home monitoring and personalized treatment of neurological and musculoskeletal disorders. However, drift, or the accumulation of error over time, inhibits the accurate measurement of movement over long durations. We sought to develop an open-source workflow to estimate lower extremity joint kinematics from IMU data that was accurate, and capable of assessing and mitigating drift. Methods We computed IMU-based estimates of kinematics using sensor fusion and an inverse kinematics approach with a constrained biomechanical model. We measured kinematics for 11 subjects as they performed two 10-minute trials: walking and a repeated sequence of varied lower-extremity movements. To validate the approach, we compared the joint angles computed with IMU orientations to the joint angles computed from optical motion capture using root mean square (RMS) difference and Pearson correlations, and estimated drift using a linear regression on each subject’s RMS differences over time. Results IMU-based kinematic estimates agreed with optical motion capture; median RMS differences over all subjects and all minutes were between 3-6 degrees for all joint angles except hip rotation and correlation coefficients were moderate to strong (r = 0.60 to 0.87). We observed minimal drift in the RMS differences over ten minutes; the average slopes of the linear fits to these data were near zero (−0.14 to 0.17 deg/min). Conclusions Our workflow produced joint kinematics consistent with those estimated by optical motion capture, and could mitigate kinematic drift even in the trials of continuous walking without rest, obviating the need for explicit sensor recalibration (e.g. sitting or standing still for a few seconds or zero-velocity updates) used in current drift-mitigation approaches. This could enable long-duration measurements, bringing the field one step closer to estimating kinematics in natural environments.

Abstract The speed-accuracy tradeoff is a fundamental aspect of goal-directed motor behavior, empirically formalized by Fitts’ law, which relates movement duration to movement distance and target width. Here, we introduce a computational model of three-dimensional upper extremity movements that reproduces well-known features of reaching movements and is more biomechanically realistic than previous models. Critically, these features arise without the need of signal-dependent noise. We analyzed motor cortical neural activity from monkeys reaching to targets of different sizes. We found that the contribution of preparatory neural states to movement duration variability was greater for smaller targets than larger targets, and that movements to smaller targets exhibited less variability in preparatory neural states, but greater movement duration variability. Taken together, these results suggest that Fitts’ law emerges from greater task demands constraining the optimization landscape in a fashion that reduces the number of “good” control solutions (i.e., faster reaches). Thus, the speed-accuracy tradeoff could be a consequence of motor planning variability and optimal control theory, and not exclusively signal-dependent noise, as is currently held. Significance Statement A long-standing challenge in motor neuroscience is to understand the relationship between movement speed and accuracy, known as the speed-accuracy tradeoff. We introduce a computational model of reaching movements based on optimal control theory using a realistic model of musculoskeletal dynamics. The model synthesizes three-dimensional point-to-point reaching movements that reproduce kinematics features reported in motor control studies. Such high-fidelity modeling reveals that the speed-accuracy tradeoff as described by Fitts’ law emerges even without the presence of motor noise, which is commonly believed to underlie the speed-accuracy tradeoff. This suggests an alternative theory based on suboptimal control solutions. The crux of this theory is that some features of human movement are attributable to planning variability rather than execution noise.

It has been hypothesized that the central nervous system simplifies the production of movement by limiting motor commands to a small set of modules known as muscle synergies. Recently, investigators have questioned whether a low-dimensional controller can produce the rich and flexible behaviors seen in everyday movements. To study this issue, we implemented muscle synergies in a biomechanically realistic model of the human upper extremity and performed computational experiments to determine whether synergies introduced task performance deficits, facilitated the learning of movements, and generalized to different movements. We derived sets of synergies from the muscle excitations our dynamic optimizations computed for a nominal task (reaching in a plane). Then we compared the performance and learning rates of a controller that activated all muscles independently to controllers that activated the synergies derived from the nominal reaching task. We found that a controller based on synergies had errors within 1 cm of a full-dimensional controller and achieved faster learning rates (as estimated from computational time to converge). The synergy-based controllers could also accomplish new tasks–such as reaching to targets on a higher or lower plane, and starting from alternate initial poses–with average errors similar to a full-dimensional controller.

Mice are key model organisms in genetics, neuroscience and motor systems physiology. Fine motor control tasks performed by mice have become widely used in assaying neural and biophysical motor system mechanisms, including lever or joystick manipulation, and reach-to-grasp tasks (Becker et al., 2019; Bollu et al., 2019; Conner at al., 2021). Although fine motor tasks provide useful insights into behaviors which require complex multi-joint motor control, there is no previously developed physiological biomechanical model of the adult mouse forelimb available for estimating kinematics (including joint angles, joint velocities, fiber lengths and fiber velocities) nor muscle activity or kinetics (including forces and moments) during these behaviors. Here we have developed a musculoskeletal model based on high-resolution imaging and reconstruction of the mouse forelimb that includes muscles spanning the neck, trunk, shoulder, and limbs using anatomical data. Physics-based optimal control simulations of the forelimb model were used to estimate

Abstract Vibrotactile stimulation has applications in a variety of fields, including medicine, virtual reality, and human-computer interaction. Eccentric Rotating Mass (ERM) vibrating motors are widely used in wearable haptic devices for their small size, low cost, and low energy features. The effect of ERM motor vibrations on upper extremity sensation and perception have not been thoroughly studied previously, which is important to design better wearable haptic devices. We conducted experiments with vibrotactile stimulation on 15 healthy participants. Eight motors were placed on a consistent set of muscles on the upper extremity and one motor was placed on the index finger. We found a significant correlation between voltage and sensation intensity (r=0.39). However, we did not find a significant aggregate-level correlation on the perceived pleasantness of the simulation. The sensation intensity varied based on the location of the vibration on the upper extremity (with the lowest intensity on the triceps brachii and brachialis) and slightly decreased (5.9 ± 2.9 %) when participants performed reaching movements. When a single motor was vibrating, the participants’ accuracy at identifying the motor without visual feedback increased as voltage increased, reaching up to 81.4 ± 14.2 %. When we stimulated three muscles simultaneously, we found that most participants were able to identify only two out of three vibrating motors (41.7 ± 32.3 %). Our findings can help tune stimulation parameters in human- machine interaction applications.