Toward personalized human-in-the-loop training: Real-time estimation of individual motor learning dynamics using the dual-rate model
Notice bibliographique
Résumé
Previous studies have shown that the dual-rate model, a stochastic framework comprising a multi-state slow-learning, slow-forgetting process and a single-state fast-learning, fast-forgetting process, can predict motor outputs in paradigms including spontaneous recovery and anterograde interference. However, existing methods for estimating the model's states and parameters, including the Expectation Maximization algorithm, operate offline and require the entire behavioural dataset. Furthermore, prior work has typically used average group performance, neglecting individual differences in learning and forgetting rates. Here, we have developed online system identification approaches using Joint Extended Kalman Filter (JEKF) and Moving Horizon Estimation (MHE) to estimate dual-rate model states and parameters in real-time while accounting for individual learning differences. We also introduced adaptive versions that dynamically adjust sensitivity based on motor output noise. For validation, we first used Monte Carlo simulations to demonstrate the accuracy and robustness of these frameworks across varying learning profiles, training schedules, and initial conditions. We then conducted a visuomotor adaptation experiment comprising well-established schedules: block, alternating, and random schedules. Our results confirm that JEKF and MHE can effectively obtain personalized models in real-time, achieving average parameter estimation errors below 11 % across all parameters and simulations. Notably, both methods captured how learning and forgetting rates evolved with task transitions and scheduling changes, trends that offline methods missed. Overall, JEKF is efficient for predictable schedules (e.g., block), whereas MHE, though more than two times slower due to its optimization, provides more reliable estimates in unpredictable environments, achieving up to 26 % lower parameter estimation errors and demonstrating no significant degradation under poor initialization. These findings highlight the potential of the proposed frameworks for real-time, personalized motor learning modelling and online decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».