Der Modellansatz: Modell030 - Motorisches Lernen
modellansatz.de/motorisches-lernen
Bei genauem Hinsehen finden wir die Naturwissenschaft und besonders Mathematik überall in unserem Leben, vom Wasserhahn über die automatischen Temporegelungen an Autobahnen, in der Medizintechnik bis hin zum Mobiltelefon. Woran die Forscher, Absolventen und Lehrenden in Karlsruhe gerade tüfteln, erfahren wir im Modellansatz Podcast aus erster Hand.
Kinder erlernen das Laufen und Schreiben im Spiel, doch für Erwachsene ist es nach z.B. einem Schlaganfall eine ganz andere Herausforderung. Daher untersucht Christian Stockinger im BioMotion Center das motorische Lernen, damit wir besser verstehen können, wie sich der Körper sensormotorische Programme abruft. Mit einem Robotic Manipulandum, dem BioMotionBot, lässt er dazu die Probanden einfache Armbewegungen durchführen, die unbemerkt durch ein Kraftfeld gestört werden. Dadurch erlernen sie unbemerkt neue Bewegungsabläufe, und im Gespräch mit Gudrun Thäter erklärt er, wie man diesen Lernvorgang mathematisch mit einem Zwei-Prozessmodell beschreiben kann. Daraus kann man sowohl viel über die Vorgänge lernen, Therapien verbessern, als auch die Entwicklung von modernen Prothesen und humanuider Roboter voranbringen.
Literatur und Zusatzinformationen
- D. W. Franklin, D. M. Wolpert: Computational mechanisms of sensorimotor control, Neuron 72.3: 425-442, 2011.
- R. Shadmehr, M.A. Smith, J.W. Krakauer: Error Correction, Sensory Prediction, and Adaptation in Motor Control, Annual Reviews Neuroscience, 33:89-108, 2010.
- R. Shadmehr, S.P. Wise: The Computational Neurobiology of Reaching and Pointing: A Foundation for Motor Learning, Cambridge: MIT Press, 2005.
- V. Bartenbach, C. Sander, M. Pöschl, K. Wilging, T. Nelius, F. Doll, W. Burger, C. Stockinger, A. Focke, T. Stein: The BioMotionBot: A robotic device for applications in human motor learning and rehabilitation, Journal of Neuroscience Methods, 213(2):282-297, 2013.