A Metric for Human Motor Capacity

Abstract

In this thesis, a novel metric for measuring human motor performance is presented. The intuition is derived from Fitts’ law, but unlike Fitts’ law, the metric is generalizable to continuous, free-form, full-body motion, which is reproducible. The applications of interest lie in human-computer interaction (HCI), kinesiology, sports science, and user authentication.

For a background, the thesis presents the Fitts’ law and its use as an evaluation tool in HCI. The extensions and restrictions are briefly presented. As the human motion is captured through sensor devices of different techniques, the choice of the sensor is important as it affects the data available for the metric’s evaluation. The motion data acquisition is described with different sensor systems that have been used or tried out in the experiments.

As the sensor space usually contains redundant motion information compared to the user’s inherent motion space, the information needs to be reduced through unsupervised machine learning techniques. As for preprocessing, Principal Component Analysis (PCA), Probabilistic PCA and Gaussian Processes Latent Variable Model (GP-LVM) were used for dimensionality reduction, and Canonical Time Warping (CTW) was used for temporal alignment. Throughput was then calculated using mutual information.

Experimental evaluation and assessment for the metric was made. Classical ballet was used as reference data, with throughputs ranging from 213 to 590 bps using GP-LVM. Comparisons to Fitts’ law were made with a cyclical tapping task. Bimanual in-air gesturing was used to examine some well-known motorperceptual phenomena, and the metric showed responsiveness to laterality and perceptual distraction. Also, several diagnostics were made and the problems of the framework were assessed.

Tämä opinnäytetyö esittelee uuden metriikan ihmisen motorisen suorituskyvyn mittaamiseksi. Intuitio on peräisin Fittsin laista, mutta toisin kuin Fittsin laki, kehitetty metriikka on yleistettävissä jatkuvaan, vapaamuotoiseen ja koko kehoa koskevaan liikkeeseen, joka on toistettavissa. Metriikan sovellukset ovat HCItieteessä, kinesiologiassa, liikuntatieteessä ja käyttäjien autentikaatiossa.

Työn taustatietoina esitetään Fittsin lain teoria ja sen käyttö HCI-tieteessä. Fittsin lain laajennukset ja rajoitukset esitetään lyhyesti. Koska ihmisliikettä voidaan tallentaa erilaisilla sensoreilla ja tekniikoilla, on tallennusmetodin valinta tärkeää, koska se vaikuttaa kerätyn tiedon muotoon. Liiketiedon kerääminen kuvataan eri laitteistoilla, joita on käytetty tässä tutkimustyössä.

Koska sensoritieto on yleensä redundanttia verrattuna käyttäjän liiketietoon, täytyy sensoritieto pelkistää ohjaamattomilla koneoppimistekniikoilla. Tiedon esiprosessointina käytettiin pääkomponenttianalyysiä (PCA), probabilistista PCA:ta ja gaussisten prosessien latenttia muuttujamallia (GP-LVM) pelkistämään sensoritietoa, ja kanonista aikavääristystä (CTW) käytettiin sekvenssien ajalliseen linjaukseen. Suoritusteho laskettiin keskinäisellä informaatiolla.

Metriikan toimivuus arvioitiin kokeellisesti. Referenssiaineistona käytettiin klassista balettia, jonka suoritustehoksi laskettiin 213–590 bittiä per sekunti GPLVM-menetelmällä. Vertailut Fittsin lakiin tehtiin syklisellä naputuskokeella. Kaksikätistä elehtimiskoetta käytettiin tutkimaan joitakin tunnettuja motorisia hahmottamisilmiöitä, ja metriikka osoitti herkkyyttä lateralisuudelle ja hahmotushäiriöille. Työssä diagnosoitiin myös metriikan soveltamista ja ongelmia arvioitiin.