Au nivo cerebro-cerebelleux (moyau rouge parvo), model interne de la dynamiq inverse acquis en monitorant traj désirée et commande motrice. Ce model inverse se substitue à d'autres régions progressivement

• flocculus p reflexes vestibulo-oculaire et réponses opto-kinetiq. Réseau prémoteur = rétine - aire prétectale - pont (reticulée) - olive
• cerebrocerebellum p app de mvt volontaires. Réseau pré-moteur = cortex
• vermis et zone intermediaire p app posture, locomotion. Réseau prémoteur = spinal cord, brainstem, cortex

4. LTD p fb-error learning: LTD ds Purkinje (cell inhib donc envoie -y) avec y = sigmaWiXi (input des fibres parallel) et dWi/dt = -XiF avec F activité fibre grimpante wrt son activité spontanée (donc F positif mais negatif aussi possible).

5. Model de circuit p cervelet latéral (cerebro-cervelet): Model avec trajectoire directe calculée ds cortex assoc (fb controleur ds cortex moteur) puis envoyé par olive. Appli robot manipulateur. Propose expé avec mirroir qui permet de différencier si erreur est motrice ou sensorielle ds les fibres grimpantes (car ds ce cas pas le même signe).

6. Discussion: Lien avec model Ito. Lui fait model direct alors que ici model inverse mais proche qd même. Ds la théorie ici, fibres grimpantes doivent envoyer info de magnitude et de direction mais semble difficile avec activité max à 4Hz (semblerait plutôt p renforcement et info binaire model Barto) mais comme LTD en 1h, on peut aussi penser info analogiq à basse fréquence.

et cf. aussi papier Kawato Biol Cyber 1987 (A hierarchical neural-network model...):

Résumé: p contrôler mvt volontaire, CNS doit résoudre 3 pbs:

1. détermination de la traj désirée en coord visuelle
2. transformation en coordonnées motrices
3. génération de la commande motrice

Propose un model neuronal hiérarchiq avec conn physio où le cortex assoc fournit au cortex moteur trajectoire désirée en coord corp puis la commande motrice calculée avec longues boucles de fb sensoriel.

Au nivo spino cerebelleux (noyau rouge magnocellulaire), un model interne de la dynamiq est acquis avec la pratique (plasticité hétérosynap) en monitorant la commande motrice et les résultats du mvt. A partir de ce model dynamiq, un control interne en fb met à jour la commande motrice en prédisant une possible erreur de mvt.

Au nivo cerebro-cerebelleux (moyau rouge parvo), model interne de la dunamiq inverse acquis en monitorant traj désirée et commande motrice. Ce model inverse se substitue à d'autres régions progressivement

[cf aussi wolpert sur model direct et inverse ds cervelet]

A. direct inverse modeling: schéma trop simple en particulier qd Y redondance (plusieurs sol possibles: généralise mal)

B. forward inverse modeling: on apprend d'abord un model direct dont on se sert en backprop p recupérer erreur motrice à partir erreur sensory p entrainer model inverse. On peut apprendre et controler en même tps (pas ds schéma A), app reste cohérent même p objets redondants mais pb plausibilité bio backprop.

C. feedback-error learning: Y fb controleur simple (linéaire) qui transforme erreur sensory en erreur motrice qui sert de signal d'erreur à un model inverse plus complexe (newton-like avec comme entrée dérivée 2nde, 1ere d'erreur sensory). But model inverse: annuler l'erreur du model simple (qui lui sert de superviseur initial).

3. Model cohérent d'app: Hypo que le fb controleur simple est une struct cerebrale qui va amorcer l'app cervelet et que les fibres grimpantes amènent cette erreur (donc motrice) au cervelet.

Description des microzones et du fait qu'elles reçoivent juste l'erreur pertinente p la sortie motrice qu'elles traitent (connectivité précise). Les struct cérébrales qui font ces fb controleurs sont +/- complexes du nivo spinal (que entrées sensory brutes) à cortical (pas de brut, que du élaboré). Toutes ces struct peuvent contribuer à app cervelet (ds différentes zones; une p chq struct). Donc qd cervelet apprend, l'activité de ces struct cérebrales diminue.

Donc model de diff régions:

2. Fb-error learning: hypo que le cervelet apprend model inverse. Ce type de model peut être utilisé p ff controleur, transfo de coordonnées et planif de trajectoire. P apprendre le model inverse, besoin d'un superviseur qui donne les commandes motrices correctes désirées (mais difficiles à avoir) donc on pense plutot que le superviseur a accès à la traj du mvt désiré (et on peut donc calculer erreur wrt mvt réalisé) donc erreur de traj à convertir en coordonnées de commande motrice. Trois schémas d'app proposés p ça (fig 1 p 97):

A. direct inverse modeling:

1. Intro. Ds model Marr/Albus (perceptron), Y cell Purkinje (sortie inhib) qui reçoit 2 types d'input synaptiq: depuis les fibres parallel et depuis les fibres montantes. Efficacité synaptiq parallel/purkinje change qd Y conjonction parallel/climbing. Mécanisme de plasticité hétérosynap démontré (par Ito) comme LTD (efficacité baisse qd Y conjonction parallel/climbing). Ce model de perceptron juste vu comme pattern classifier et ne prend pas en compte la dynamiq du control moteur mais Y (Fujita).

Y diff régions du cervelet p diff fonctions mais cortex cerebelleux uniforme donc cherche mécanisme génériq.

2. Fb-error learning:

Abstract: Model d'app du cervelet basé sur un schéma fb-error learning. On suppose fibres grimpantes amènent erreurs de commande motrice venant de réseaux pré-moteurs comme les contrôleurs fb de spinal-brainstem-cerebral. Donc erreurs motrices ds coordonnées de commande motrice plutôt que sensory. Avec LTD de Purkinje, chq microzone apprend à exécuter controle prédictif et coordonateur p diff types mvt. Ainsi acquiert model inverse des objets controlés et complémente le controle basic (crude) des réseaux prémoteurs.

1. Intro. Ds model Marr/Albus,

up

Mitsuo Kawato and Hiroaki Gomi, A computational model of four regions of the cerebellum based on feedback-error learning, Biological Cybernetics, 68, 95-103, 1992.

Research/Flows?