We investigated how the CNS learns to control movements in different dynamical conditions, and how this learned behavior is represented. In particular, we considered the task of making reaching movements in the presence of externally imposed forces from a mechanical environment. This environment was a force field produced by a robot manipulandum, and the subjects made reaching movements while holding the end-effector of this manipulandum. Since the force field significantly changed the dynamics of the task, subjects' initial movements in the force field were grossly distorted compared to their movements in free space. However, with practice, hand trajectories in the force field converged to a path very similar to that observed in free space. This indicated that for reaching movements, there was a kinematic plan independent of dynamical conditions. The recovery of performance within the changed mechanical environment is motor adaptation. In order to investigate the mechanism underlying this adaptation, we considered the response to the sudden removal of the field after a training phase. The resulting trajectories, named aftereffects, were approximately mirror images of those that were observed when the subjects were initially exposed to the field. This suggested that the motor controller was gradually composing a model of the force field, a model that the nervous system used to predict and compensate for the forces imposed by the environment. In order to explore the structure of the model, we investigated whether adaptation to a force field, as presented in a small region, led to aftereffects in other regions of the workspace. We found that indeed there were aftereffects in workspace regions where no exposure to the field had taken place; that is, there was transfer beyond the boundary of the training data. This observation rules out the hypothesis that the subject's model of the force field was constructed as a narrow association between visited states and experienced forces; that is, adaptation was not via composition of a look-up table. In contrast, subjects modeled the force field by a combination of computational elements whose output was broadly tuned across the motor state space. These elements formed a model that extrapolated to outside the training region in a coordinate system similar to that of the joints and muscles rather than end-point forces. This geometric property suggests that the elements of the adaptive process represent dynamics of a motor task in terms of the intrinsic coordinate system of the sensors and actuators.

Microstimulation of the gray matter of the frog's spinal cord was used to elicit motor responses. Force responses were recorded with the frog's ankle clamped while EMG activity was monitored. The collections of force patterns elicited at different leg configurations were summarized as force fields. These force fields showed convergence to an equilibrium point. The equilibrium paths were calculated from the force fields with the leg clamped. These paths predicted free limb motion in 75% of trials. The force fields were separated into active and prestimulation resting responses. The active force field responses had a fixed position equilibrium. These active force fields were modulated in amplitude over time, although the balance and orientations of forces in the pattern remained fixed. The active fields grouped into a few classes. These included both convergent and parallel fields. The convergent force fields (CFFS) could be observed in deafferented preparations. Motoneuron (MN) activity underlying the force fields was marked using sulforhodamine. The marked activity covered several segments. Several simulations and MN stimulations show that topography, limb geometry, and random activation could not account for the results. It is likely that propriospinal interneurons distribute the activity that underlies the responses observed here. Experiments showed that CFFs that resemble those elicited by microstimulation also underlie natural behaviors. The full variety of fields revealed by microstimulation was larger than the repertoire elicited by cutaneous stimulation. It was concluded that fixed-pattern force fields elicited in the spinal cord may be viewed as movement primitives. These force fields could form building blocks for more complex behaviors.

We investigated how human subjects adapt to forces perturbing the motion of their ams. We found that this kind of learning is based on the capacity of the central nervous system (CNS) to predict and therefore to cancel externally applied perturbing forces. Our experimental results indicate: (i) that the ability of the CNS to compensate for the perturbing forces is restricted to those spatial locations where the perturbations have been experienced by the moving arm. The subjects also are able to compensate for forces experienced at neighboring workspace locations. However, adaptation decays smoothly and quickly with distance from the locations where disturbances had been sensed by the moving limb. (ii) Our experiments also how that the CNS builds an internal model of the external perturbing forces in intrinsic (muscles and / or joints) coordinates.

The hypothesis that the central nervous system (CNS) generates movement as a shift of the limb's equilibrium posture has been corroborated experimentally in studies involving single- and multijoint motions. Posture may be controlled through the choice of muscle length-tension curve that set agonist-antagonist torque-angle curves determining an equilibrium position for the limb and the stiffness about the joints. Arm trajectories seem to be generated through a control signal defining a series of equilibrium postures. The equilibrium-point hypothesis drastically simplifies the requisite computations for multijoint movements and mechanical interactions with complex dynamic objects in the environment. Because the neuromuscular system is springlike, the instantaneous difference between the arm's actual position and the equilibrium position specified by the neural activity can generate the requisite torques, avoiding the complex "inverse dynamic" problem of computing the torques at the joints. The hypothesis provides a simple, unified description of posture and movement as well as contact control task performance, in which the limb must exert force stably and do work on objects in the environment. The latter is a surprisingly difficult problem, as robotic experience has shown. The prior evidence for the hypothesis came mainly from psychophysical and behavioral experiments. Our recent work has shown that microstimulation of the frog spinal cord's premotoneural network produces leg movements to various positions in the frog's motor space. The hypothesis can now be investigated in the neurophysiological machinery of the spinal cord.

Recent investigations on the spinalized frog have provided evidence suggesting that the neural circuits in the spinal cord are organized into a number of distinct functional modules. We have investigated the rule that governs the coactivation of two such modules. To this end, we have developed an experimental paradigm that involves the simultaneous stimulation of two sites in the frog's spinal cord and the quantitative comparison of the resulting mechanical response with the summation of the responses obtained from the stimulation of each site. We found that the simultaneous stimulation of two sites leads to the vector summation of the endpoint forces generated by each site separately. This linear behavior is quite remarkable and provides strong support to the view that the central nervous system may generate a wide repertoire of motor behaviors through the vectorial superposition of a few motor primitives stored within the neural circuits in the spinal cord.

We studied how subjects learned to make movements against unpredictable perturbations. Twelve healthy human subjects made goal-directed reaching movements in the horizontal plane while holding the handle of a two-joint robotic manipulator. The robot generated viscous force fields that perturbed the limb perpendicular to the desired direction of movement. The amplitude (but not the direction) of the viscous field varied randomly from trial to trial. Systems identification techniques were employed to characterize how subjects adapted to these random perturbations. Subject performance was quantified primarily using the peak deviation from a straight-line hand path. Subjects adapted their arm movements to the sequence of random force-field amplitudes. This adaptive response compensated for the approximate mean from the random sequence of perturbations and did not depend on the statistical distribution of that sequence. Subjects did not adapt by directly counteracting the mean field strength itself on each trial but rather by using information about perturbations and movement errors from a limited number of previous trials to adjust motor commands on subsequent trials. This strategy permitted subjects to achieve near-optimal performance (defined as minimizing movement errors in a least-squares sense) while maintaining computational efficiency. A simple model using information about movement errors and perturbation amplitudes from a single previous trial predicted subject performance in stochastic environments with a high degree of fidelity and further predicted key performance features observed in nonstochastic environments. This suggests that the neural structures modified during motor adaptation require only short-term memory. Explicit representations regarding movements made more than a few trials in the past are not used in generating optimal motor responses on any given trial.

We studied the stability of changes in motor performance associated with adaptation to a novel dynamic environment during goal-directed movements of the dominant arm. Eleven normal, human subjects made targeted reaching movements in the horizontal plane while holding the handle of a two-joint robotic manipulator. This robot was programmed to generate a novel viscous force field that perturbed the limb perpendicular to the desired direction of movement. Following adaptation to this force field, we sought to determine the relative role of kinematic errors and dynamic criteria in promoting recovery from the adapted state. In particular, we compared kinematic and dynamic measures of performance when kinematic errors were allowed to occur after removal of the viscous fields, or prevented by imposing a simulated, mechanical “channel” on movements. Hand forces recorded at the handle revealed that when kinematic errors were prevented from occurring by the application of the channel, recovery from adaptation to the novel field was much slower compared with when kinematic aftereffects were allowed to take place. In particular, when kinematic errors were prevented, subjects persisted in generating large forces that were unnecessary to generate an accurate reach. The magnitude of these forces decreased slowly over time, at a much slower rate than when subjects were allowed to make kinematic errors. This finding provides strong experimental evidence that both kinematic and dynamic criteria influence motor adaptation, and that kinematic-dependent factors play a dominant role in the rapid loss of adaptation after restoring the original dynamics.

Conditt, Michael A., Francesca Gandolfo, and Ferdinando A. Mussa-Ivaldi. The motor system does not learn the dynamics of the arm by rote memorization of past experience. J. Neurophysiol. 78: 554–560, 1997. The purpose of this study was to investigate the learning mechanisms underlying motor adaptation of arm movements to externally applied perturbing forces. We considered two alternative hypotheses. According to one, adaptation occurs through the learning of a mapping between the states (positions and velocities) visited by the arm and the forces experienced at those states. The alternative hypothesis is that adaptation occurs through the memorization of the temporal sequence of forces experienced along specific trajectories. The first mechanism corresponds to developing a model of the dynamics of the environment, whereas the second is a form of “rote learning.” Both types of learning would lead to the recovery of the unperturbed performance. We have tested these hypotheses by examining how adaptation is transferred across different types of movements. Our results indicate that 1) adaptation to an externally applied force field occurs with different classes of movements including but not limited to reaching movements and 2) adaptation generalizes across different movements that visit the same regions of the external field. These findings are not compatible with the hypothesis of rote learning. Instead, they are consistent with the hypothesis that adaptation to changes in movement dynamics is achieved by a module that learns to reproduce the structure of the environmental field as an association between visited states and experienced forces, independent of the kinematics of the movements made during adaptation.

Abstract Upper body function is lost when injuries are sustained to the cervical spinal cord. Assistive machines can support the loss in upper body motor function. To regain functionality at the level of performing activities of daily living (e.g., self-feeding), though, assistive machines need to be able to operate in high dimensions. This means there is a need for interfaces with the capability to match high-dimensional operation. The body-machine interface provides this capability and has shown to be a suitable interface even for individuals with limited mobility. This is because it can take advantage of people’s available residual body movements. Previous studies using this interface have only shown that the interface can control low-dimensional assistive machines. In this pilot study, we demonstrate the interface can scale to high-dimensional robots, can be learned to control a 7-dimensional assistive robotic arm, to perform complex reaching and functional tasks, by an uninjured population. We also share results from various analyses that hint at learning, even when performance is extremely low. Decoupling intrinsic correlations between robot control dimensions seem to be a factor in learning—that is, proficiency in activating each control dimension independently may contribute to learning and skill acquisition of high-dimensional robot control. In addition, we show that learning to control the robot and learning to perform complex movement tasks can occur simultaneously.