第三节 动态系统理论在线视频

同学你好

我是北京体育大学的李翰君

今天我们继续学习

运动技能学习与控制

今天我们讲的内容是

动作控制理论里的动态系统理论

今天内容主要分为以下两个部分

自由度问题

和动态系统理论

首先我们讲一下

什么是自由度问题

先问大家

你觉得我们能控制自己的身体吗

答案肯定是肯定的

但是我们是完全按照自己的选择

进行的运动控制吗

这就不一定了

因为我们人体

有792块肌肉

100多个关节

我们在做动作的时候

你考虑过这么多的自由度吗

也就是说我们要做很多的选择

才能完成我们的运动

所以我们的运动控制

首先要解决自由度问题

在这里的核心问题就是

神经系统

如何从几乎无限的可能

来获得一个唯一解

也就是说一个过多自由度的问题

过去的学者

认为过多的自由度是冗余的

是要解决的一个问题

比如说一个要做机器人的工程学家

对于他来说

过多的自由度

就是一个问题

所以当时提出的理论

是通过自由化的理论

来使过多自由度的问题

变成一个唯一解的问题

但是近些年

会有不同的一个角度

他们会认为过多的自由度

可以保证任务的完成的弹性更大一些

也就是说在这里

不是唯一解

其实是有优势的

怎么去理解这个问题呢

我们下面去看右面这个图

右边这其实是一个铁匠

我们发现

他每次锤子打的位置

是相当精准的位置

是相当精准的

但是他的肘关节

在空中挥动的轨迹

每次都是不同的

这说明一个什么问题

也就是说

在保证结果稳定性的时候

其实有更多的过程的一个变异性

而这个过程的变异性

就是由我们过多的自由度所造成

的

而过去的人认为

我们的动作

总会有一个最佳的模式

而现在我们可能会有不同的理解

我们可能认为

过多的自由度

可以使我们更多样性的完成同样的一个任务

也就是说

保证完成任务的弹性更大

下面我们说一下动态系统理论

为什么会产生动态系统理论

这是因为运动程序理论

出现了一些问题

因为它总是倾向于

强调中枢神经系统的控制地位

但却找不到对应的实体结构

而且它倾向于

是自上而下的控制方式

而且是倾向于唯一解

而动态系统理论

它是倾向于多个系统间的相互作用

仅依靠中枢系统

是无法完成运动控制的

需要考虑其他的限制性因素

所以动态系统理论

并不趋向于唯一解

而是同时多种的解决方案

我们通过搞笑诺贝尔奖的科学研究

跟大家解释一下

刚才内容

这个研究

是在鸡的尾巴上

加了一个重物

我们可以看到

这时候的鸡的步态

发生了改变

出现了恐龙步态

问大家

可以用运动程序理论来解释吗

这个好像不太合适

因为鸡是没有必要储存

恐龙走路的运动程序的

那么用动态系统理论

会怎么解释这个问题呢

在这里

其实主要改变的就是一个条件

重心的一个变化

因为在尾巴上加了一个重物以后

鸡的重心其实向后了

而由于向后的重心

就会造成鸡的上半身向前

以及髋角的一些变化

所以我们认为

鸡的步态

不是由动作程序改变造成的

而仅仅是由于外界的约束条件的改变所形成的

所以动态系统理论

就不再认为

是一个

自上而下的控制模式

也就是说不是我们的大脑

发布执行命令

比如说一个动作程序

我们就会做出一个相应的动作

不只是这样的

它是各个系统相互作用的结果

在这里可能是人

或者说称有机体

以及任务环境

三个约束互动的一个结果

而在这时候

就会形成一个自组织的情况

什么叫自组织呢

它是系统内部组织化的一个过程

它可以在没有外来管理之下

会自行增加复杂性

从而产生某种全局

有序和协调的一种过程

而且这种过程是自发产生的

不需要子系统的主导

或者说控制

这样说可能有点抽象

我们来举几个例子

我们下面看一下左图

左图表示的

其实是一大群鸟

在空中所形成的一群图案

那这个图案是怎么形成的呢

我们有的时候管这个叫涌现

是鸟集体

要完成这一个美丽的图案吗

他其实不是的

也就是说系统的功能

它不是由内部元素

简单相加而得到的

而刚才看到鸟的例子

也没有一个自上而下的组织方式

也就是说

不是由某一个领头的鸟

带领大家做出这样的动作的

虽然现在我们看这个图里

可能有一只领头的鸟

但是在下一个时间

领头的鸟就会换掉

所以这是一个自组织的方式

这就说明在简单的规则下

一种无序可以变为有序

比如刚才这只鸟的这种涌现的现象

原因是什么

原因其实很简单

是因为一大群鸟在一起飞行

比单独一只鸟

阻力要小得多

所以鸟会倾向于一起飞行

但是就在这么一个

简简单单的规则下

最终出现了一个复杂的模式

那这个其实就是复杂系统

所诞生的一个自组织的现象

另外一个很有名的例子

其实就是我们的大脑

我们大脑是由什么组成的呢

是由神经元组成的

每一个神经元的功能

其实都很简单

就是激活

或者说是抑制

周围的神经元

所以单个的神经元的功能

其实是非常简单的

就是兴奋和抑制其他的神经元

但是这么多上亿个神经元

在一起

它就能形成一个

复杂的一个模式

而这时候

就可以出现我们的意识

出现我们的思维

而这个其实也就是这里所说的

自组织

产生的一种涌现的现象

我们下面来

说一个我们体育中的例子

这个也可以解释自组织

现在大家做一个实验

我们现在把我们的两只手抬起来

然后同时向左同时向右

这个我们管它叫反相位

为什么

因为这里两个手指

其实做的是相反的运动

一个是朝外侧

一个是朝内侧

另外一种模式是两个手指都向内

我们管这个叫同相位

因为他两个手指都是向内侧的

现在我们先慢速的

我们先做一下

同向左或同向右的动作

然后逐渐我们加快

逐渐加快加快加快

加快到一定程度你会发现

最终我们的两只手指会怎么样

会形成同相位的

最一开始

我们是一种什么方式

我们是反相位的

都向左或都向右

但是当速度逐渐加快的时候

我们都变成了相同的模式

或者说是

同相位

这是为什么呢

同样的没有办法

用动作程序理论来解释

因为你的动作程序

就应该是两只手指异相位的向左或者向右

为什么加快以后

它会转变为另外一个程序

这个其实不好解释的

但是动态系统理论

可以用自组织和吸引子

来解释

也就是说在这个过程中

其实是有两个状态

第一个状态是向左或向右

这是一个反相位的一个状态

另外一个状态是同相位的一个状态

而这两个一哪一个更稳定

是同相位的更稳定

我们管它叫做吸引子

所以最终当速度加快以后

它是朝向更稳定的状态

我们下面再举一个吸引子的例子

这个是随着速度的变化

马的步态

也会发生变化

的一个例子

所以开始

马是采取的一个走的情况

随着速度的增加

马会

有两只脚离开地面

是小跑

然后随着速度的再增加

它会形成一个奔跑

也就是说四脚离地的一个情况

随着速度增加

马由走到奔跑

这个好像是符合大家预期的

但是大家先看左图

上面还有一个很重要的信息

在不同的状态下

走一米

马的耗氧量

如果你没有看到这个研究的话

你可能会猜想

随着速度的增加

马走一米的耗氧量

可能会逐渐增大

但我们看到这里

出现了三个 U型曲线

我们先看最左边的这条曲线

也就是说

马在走的特别慢的时候

它每走一米的耗氧量

是比较高的

然后随着速度的加快

大概在一米每秒左右的时候

达到一个最小值

然后超过速度以后

它的耗氧量

会逐渐增大

这就是一个有趣的现象了

这说明什么

这是不是说明

耗氧量最小的点

好像是一个

比较稳态的一个点

也就是我们说的一个吸引子

我们平时估计有种感觉

如果让你走得特别慢

你会感觉到不太舒服

然后你会有一个

舒适的走路的节奏

如果让你速度再加快

你可能会感觉到比较疲劳

如果速度再加快

可能会达到一个什么状态

走

是可以走

也可以跑

这就是我们这张图里

2米/秒所对应的状态

但是大家也会感觉到在这个时候

既可以走也可以跑

其实都不舒服

因为如果再慢一点的话

你走起来就比较顺

如果再快一点

你就跑起来了

这里其实也可以体现

我们说的吸引子

也就说在这里随着速度的增加

我们由一个稳态

过渡到了另一个稳态

或者说由一个吸引子

过渡到了另外一个吸引子

下面我们讲一下

动态系统理论的应用

动态系统理论

其实改变了很多

传统的教学的一些观念

在这里我们主要要确定三类约束

个人的约束

环境约束

和任务的约束

所以这时候的教学策略

不是像以前

我们提供一个标准的

姿势或动作

让大家学习

而是希望通过自组织的一个形态

让学习者自身尝试出一个最佳的运动策略

而教师或治疗师的角色

其实就是识别和操纵

关键的约束

从而指导学习者

找到最佳的运动的解决方案

举例来说

如果现在在教一个

小孩踢足球的时候

它可能会采取不同的约束条件

比如说

我可以把场地弄得大一些

或者说小一些

这时候就会自然而然

对这个运动技能

会产生一些影响

比如说场地大一些

即使他传球不是特别好

但是依然能够成功

但是当我的场地小一点的时候

这时候必须得高精度的完成动作

不然这个传球就会失败的

同时也会提高他的决策

这些其实就是通过改变了

我们的环境中的一个约束

再比如说

对于小孩在学习的过程中

我们都知道

他拿大人的球拍

其实可能是不合适的

要拿多大球拍

在这个时候

其实也是可以让学习者

尝试不同大小和重量的

然后让他自己去找到一个最佳的策略

本次课的内容就到这里

谢谢大家