PL 
EnglishDomyślny
Українська🗺️ Mapa topograficzna kory ruchowej
Homunkulus ruchowy: powierzchnia kory przypisana danej części ciała rośnie wraz z precyzją jej ruchów. Samoorganizująca się mapa (SOM Kohonena) uczy się reprezentacji topograficznej z losowych wejść. Obserwuj, jak mapa się kształtuje.
Jak to działa
Samoorganizująca się mapa Kohonena symuluje, jak kora ruchowa rozwija swoją mapę topograficzną. Każdy neuron w siatce ma dwuwymiarowy wektor wag reprezentujący pozycję w przestrzeni ciała. Wejścia treningowe próbkują pozycje ciała, przy czym region dłoni jest próbkowany częściej (symulując większe zapotrzebowanie na precyzję ruchową).
W każdym kroku znajdowana jest najlepiej dopasowana jednostka (BMU), a następnie jej wagi oraz wagi sąsiadów są przesuwane w stronę wejścia. Po tysiącach iteracji mapa samoorganizuje się tak, że sąsiadujące neurony reagują na sąsiadujące pozycje ciała — tworząc mapę topograficzną. Region dłoni rozszerza się, zajmując większy obszar korowy.
Δw_i = η · h(||r_i − r_BMU||, σ) · (x − w_i)
h(d, σ) = exp(−d²/(2σ²)) [sąsiedztwo gaussowskie]
η(t) = η₀ · exp(−t/T) [zanikające tempo uczenia]
Najczęściej zadawane pytania
Czym jest kora ruchowa?
Kora ruchowa (pierwotna kora ruchowa, M1) to region kory mózgowej w płacie czołowym odpowiedzialny za ruch dowolny. Zawiera olbrzymie komórki Betza, których aksony tworzą drogę korowo-rdzeniową, bezpośrednio kontrolującą neurony ruchowe rdzenia kręgowego aktywujące mięśnie.
Czym jest homunkulus ruchowy?
Homunkulus ruchowy to zniekształcona reprezentacja ludzkiego ciała odwzorowana na korze ruchowej. Części ciała o większej precyzji i drobniejszej kontroli ruchowej (dłonie, twarz, wargi) mają nieproporcjonalnie dużą reprezentację korową, podczas gdy mniej precyzyjne obszary (tułów, nogi) mają mniejszą.
Czym jest samoorganizująca się mapa Kohonena (SOM)?
SOM Kohonena to nienadzorowana sieć neuronowa, która uczy się niskowymiarowej, topograficznej reprezentacji danych wejściowych o wysokiej wymiarowości. Neurony są rozmieszczone w siatce; podczas treningu najlepiej dopasowana jednostka (BMU) i jej sąsiedzi są aktualizowani w stronę każdego wejścia, tworząc ciągłą mapę.
Jak działa algorytm SOM?
1) Prezentowany jest losowy wektor wejściowy. 2) Znajdowana jest BMU (neuron o wagach najbliższych wejściu). 3) Aktualizacja BMU i sąsiadów: Δw = η · h(d) · (x − w), gdzie η to tempo uczenia, a h(d) to gaussowska funkcja sąsiedztwa. 4) η i promień sąsiedztwa maleją w czasie. Powtarzaj do zbieżności.
Dlaczego reprezentacja korowa jest proporcjonalna do precyzji ruchowej?
Obszary mózgu kontrolujące precyzyjne ruchy (dłonie, usta) wymagają bardziej precyzyjnej kontroli neuronalnej, kodowanej przez więcej neuronów korowych. Podczas rozwoju i wraz z praktyką aktywne części ciała rozszerzają swoje terytorium korowe dzięki plastyczności zależnej od użycia — im częściej używasz danej części ciała, tym więcej kory ona zajmuje.
Czy mapa kory ruchowej może się zmieniać u dorosłych?
Tak, mapy korowe są plastyczne przez całe życie. U muzyków reprezentacja grającej dłoni powiększa się wraz z praktyką. Po amputacji kończyny obszary korowe sąsiednich części ciała rozszerzają się na strefę pozbawioną unerwienia. Ta reorganizacja korowa może również wywoływać wrażenia kończyny fantomowej.
Czym jest somatotopia?
Somatotopia to uporządkowana przestrzenna reprezentacja powierzchni ciała w mózgu. W korze ruchowej sąsiadujące części ciała są reprezentowane w sąsiadujących obszarach korowych. Ta organizacja topograficzna jest fundamentalną zasadą mapowania korowego, występującą również w korze somatosensorycznej i wzrokowej.
Jaka jest różnica między M1 a korą przedruchową?
M1 (pierwotna kora ruchowa, pole Brodmanna 4) wykonuje ruchy poprzez bezpośrednie połączenia korowo-rdzeniowe. Kora przedruchowa (pole 6) planuje i przygotowuje ruchy na podstawie wejść zmysłowych i instrukcji. Dodatkowe pole ruchowe (SMA) uczestniczy w wewnętrznie generowanych sekwencjach i koordynacji obustronnej.
Czym jest współczynnik powiększenia korowego?
Współczynnik powiększenia korowego (CMF) opisuje, ile powierzchni kory jest przypisane na jednostkę powierzchni ciała. Wysoki CMF (opuszki palców, dołek środkowy siatkówki) oznacza, że więcej neuronów korowych koduje mały obszar, umożliwiając precyzyjne rozróżnianie. Symulacja SOM pokazuje, jak zróżnicowana częstość wejść wytwarza zróżnicowaną powierzchnię mapy.
Jak SOM wiąże się z rozwojem kory?
SOM to model obliczeniowy tego, jak zależna od aktywności konkurencja podczas rozwoju kształtuje mapy korowe. Skorelowana aktywność z sąsiednich części ciała sprawia, że sąsiednie neurony reagują podobnie. To wyjaśnia, jak uporządkowana mapa somatotopowa wyłania się z początkowo nieuporządkowanych połączeń.
O tej symulacji
Ten symulator trenuje na żywo samoorganizującą się mapę Kohonena (SOM), aby zamodelować, jak nieproporcjonalny układ ciała homunkulusa ruchowego wyłania się wyłącznie ze statystyki użycia: pięć regionów ciała (nogi, tułów, ramię, dłoń, twarz) jest próbkowanych z różną częstością, przy czym region dłoni jest ważony regulowanym obciążeniem precyzji ruchowej, a każdy krok treningowy przesuwa najlepiej dopasowany neuron i jego gaussowskie sąsiedztwo w stronę próbkowanej pozycji — dokładnie ten proces uczenia konkurencyjnego, który uważa się za kształtujący prawdziwą korę podczas rozwoju.
🔬 Co pokazuje
Siatkę neuronów samoorganizującą się w ciągłą mapę topograficzną pozycji ciała, w której regiony próbkowane częściej (jak dłoń) zaczynają zajmować widocznie większą część siatki — bezpośredni obliczeniowy odpowiednik powiększenia korowego.
🎮 Jak korzystać
Dostosuj Rozmiar siatki SOM, Tempo uczenia η, Sąsiedztwo σ oraz Obciążenie dłoni (precyzja), a następnie naciśnij ⚡ Trenuj 500 kroków, aby przyspieszyć naukę, lub ↺ Resetuj SOM, aby zacząć od nowa. P wstrzymuje, R resetuje.
💡 Czy wiesz, że...?
Nic w tej symulacji nie mówi mapie wprost, że dłonie są wyjątkowe — nieproporcjonalne terytorium dłoni wyłania się wyłącznie dlatego, że ten region jest częściej próbkowany podczas treningu, odzwierciedlając to, jak rzeczywiste powiększenie korowe podąża za częstością użycia, a nie za jakimkolwiek wrodzonym planem ciała.
Najczęściej zadawane pytania
Dlaczego zwiększenie Obciążenia dłoni powiększa region dłoni na mapie?
Obciążenie dłoni bezpośrednio ustala częstość próbkowania tego regionu względem pozostałych czterech regionów ciała, więc wyższe obciążenie oznacza, że współrzędne dłoni są losowane znacznie częściej podczas treningu — a ponieważ neurony SOM przesuwają się jedynie w stronę wejść, które faktycznie widzą, częstsze próbkowanie zajmuje więcej terytorium siatki, dokładnie tak jak powiększenie korowe.
Co kontroluje suwak Sąsiedztwo σ?
σ ustala szerokość funkcji gaussowskiej h(d,σ) = exp(−d²/2σ²), która określa, jak daleko rozprzestrzenia się aktualizacja od najlepiej dopasowanej jednostki; duże σ przesuwa całe sąsiedztwa razem na wczesnym etapie treningu (dając gładką, uporządkowaną mapę), podczas gdy σ automatycznie maleje w czasie, więc późniejsze aktualizacje stają się coraz bardziej lokalne i drobnoziarniste.
Dlaczego tempo uczenia η maleje w trakcie kroków treningowych?
η(t) = η₀·exp(−t/T) naśladuje standardowy harmonogram SOM: duże wczesne kroki szybko wciągają początkowo losową siatkę wag w przybliżony porządek topograficzny, podczas gdy malejące później η pozwala mapie osiąść w stabilnej konfiguracji bez oscylacji.
Co dokładnie mierzy Błąd kwantyzacji?
To średnia kwadratowa odległość między każdym wejściem treningowym a wektorem wag jego najlepiej dopasowanej jednostki; spadający QE w trakcie kroków treningowych oznacza, że neurony mapy zbiegają się do pozycji ściśle odzwierciedlających rzeczywisty rozkład próbkowanych współrzędnych ciała.
Dlaczego sąsiadujące komórki siatki reprezentują sąsiadujące pozycje ciała?
Ponieważ każda aktualizacja wag przesuwa też neurony w pobliżu najlepiej dopasowanej jednostki (nie tylko samą BMU), przestrzennie bliskie neurony są wielokrotnie przyciągane do podobnych wejść w wielu krokach — dokładnie ten mechanizm wytwarza ciągłą, uporządkowaną mapę topograficzną zamiast pomieszanej.
Homunkulus ruchowy: powierzchnia kory przypisana danej części ciała rośnie wraz z precyzją jej ruchów. Samoorganizująca się mapa (SOM Kohonena) uczy się reprezentacji topograficznej z losowych wejść. Obserwuj, jak mapa się kształtuje.
2D · HTML5 Canvas 2D · cel 60 FPS · działa w całości po stronie klienta, bez instalacji