Informing the Design of Novel Input Methods with Muscle Coactivation Clustering

MYROSLAV BACHYNSKYI, Max Planck Institute for Informatics and Saarland University

GREGORIO PALMAS, Max Planck Institute for Informatics

ANTTI OULASVIRTA, Max Planck Institute for Informatics and Saarland University

TINO WEINKAUF, Max Planck Institute for Informatics

URL/DOI: http://dx.doi.org/10.1145/2687921

Abstract:

This article presents a novel summarization of biomechanical and performance data for user interface designers. Previously, there was no simple way for designers to predict how the location, direction, velocity, precision, or amplitude of users’ movement affects performance and fatigue. We cluster muscle coactivation data from a 3D pointing task covering the whole reachable space of the arm. We identify 11 clusters of pointing movements with distinct muscular, spatio-temporal, and performance properties. We discuss their use as heuristics when designing for 3D pointing.

Categories and Subject Descriptors: H.5.2 [Information Interfaces and Presentation (e.g., HCI)]: User Interfaces—Ergonomics

General Terms: Human factors, Performance, Design

Additional Key Words and Phrases: Muscle coactivation clustering, user interface design, physical

ergonomics, user performance, biomechanical simulation

Pengkaji : Guswandi (G64144021)

1.       Pendahuluan:

Artikel ini meneliti pendekatan data-driven dengan simulasi biomekanik untuk menginformasikan User Interface (UI) desain. Motion capture berbasis simulasi biomekanik adalah pendekatan terbalik dengan gerak yang diamati dari tubuh manusia. Berpotensi besar untuk Interaksi Manusia Komputer (HCI) karena menghasilkan banyak Gerakan-termasuk kecepatan dan sudut dari anggota badan, sendi, dan yang paling penting aktivasi otot. Aktivasi otot bisa sangat berguna dalam menentukan kelelahan dan penggunaan energi.

Tujuan kami adalah untuk membuat simulasi biomekanik lebih mudah diakses, secara signifikan menurunkan hambatan untuk penggunaannya. Untuk tujuan ini, kami telah meneliti cara untuk meringkas aktivasi otot dan kinerja pengguna dalam tugas-tugas interaktif. Kami mengusulkan pengelompokan yang merangkum aspek utama gerakan dengan lengan manusia dari perspektif biologis dan asosiasi dengan standar pengukuran kinerja pengguna.

2.       Hubungan Kerja

Ada bukti kuat yang menunjukkan ketida seragaman gerakan manusia: dua gerakan yang berbeda dalam lokasi, arah, dan amplitudo dalam banyak aspek penting.

Kami menyadari beberapa upaya untuk menerapkan metode statistik pemodelan, mengklasifikasikan, atau pengelompokan data biomekanik. Namun pekerjaan ini difokuskan pada identifikasi yang relevan dan menggunakan data yang sudah  diidentifikasi dalam tes terpisah untuk menilai kualitas clustering. Berdasarkan pada Rekaman EMG yang secara statistik berkaitan dengan kinematika atau dinamika lengan.

3.       Pengumpulan Data

Untuk menutupi semua gerakan dalam ruang jangkauan lengan, dataset berisi 72.000 gerakan antara 25 target yang meliputi seluruh ruang jangkauan lengan. Gerak seluruh tubuh selama gerakan di lacak untuk menangkap data gerakan dari tubuh, memungkinkan kita untuk melakukan simulasi biomekanik untuk melihat indeks dalam tubuh. Data ini dapat juga digunakan sebagai perkiraan pengeluaran energi dan kelelahan indeks untuk setiap gerakan.

4.       Overview of the Dataset 

Dataset memberikan gambaran beragam gerakan manusia ketika ditnjukan dalam 3D. Berisi lebih dari 400 variabel yang menjelaskan keterkaitan yang kompleks antara lokasi spasial, kinerja, dan ergonomi:

- Informasi -spasial: 28 variabel termasuk posisi target dan ukuran, kecepatan, akselerasi, directionality dalam koordinat polar, dan sudut proyeksi pada dua vertikal dengan pusat bahu.

- Kinerja: 17 variabel termasuk akurasi, waktu gerakan, lebar target yang efektif, indeks kesulitan, parameter model hukum Fitts dan koefisien determinasi.

- ergonomics: 361 variabel termasuk kekuatan 21 sendi, dan aktivasi untuk 41muscles per frame.

5.       Pengelompokan

Dataset dikumpulkan bertujuan untuk menunjukan panjang semua gerakan, arah, dan semua lokasi ruang jangkau. Pada bagian ini, kita mengembangkan pengelompokan yang komprehensif yang membantu dalam memahami ergonomis dan pengaruh desain untuk kinerja. Kami menangkap perbedaan dan persamaan dari aktivasi otot menggunakan pendekatan berikut: kita mengelompokkan semua gerakan berdasarkan aktivasi otot temporalis.. Hasilnya adalah 11 cluster, masing-masing dengan biaya ergonomis dan gerakan khusus yang kerja di daerah tertentu dari ruang egosentris. Kelompok ini adalah sumber daya yang besar untuk memasukkan informasi ke dalam biomekanik proses desain tanpa menjalankan studi full-blown dengan simulasi biomekanik.

6.       Aplikasi

Pendekatan khusus untuk menilai efisiensi metode input menggunakan empiris studi. Pengelompokan yang memungkinkan setiap masukan yang diberikan untuk diperiksa beban otot dan kinerja pengguna sebelum studi tersebut. Clustering dapat diterapkan di banyak skenario dengan mengikuti skema ini:

(1) Mengidentifikasi sifat karakteristik dari gerakan yang terlibat: panjang, arah, dan volume 3D .

(2) Di antara kelompok ini, menemukan orang-orang yang mengandung gerakan dengan yang diinginkan panjang dan arah.

(3) Akhirnya, memeriksa kinerja dan ergonomis sifat cluster dan memilih salah satu yang paling cocok untuk aplikasi.

7.       Ringkasan

Tujuan adalah untuk memfasilitasi penggunaan data simulasi biomekanik dalam desain antarmuka pengguna. Simulasi biomekanik menghasilkan gambaran yang beragam diamati gerakan, termasuk sudut, kekuatan, dan torsi pada sendi, serta aktivasi dan beban untuk otot. Dikombinasikan dengan pemodelan kinerja, peran utama dalam desain baru UIs. Meskipun ergonomi desktop berbasis interface telah banyak diteliti, interaksi "desktop terlalu sulit" jelas membutuhkan lebih banyak perhatian.

Pendekatan yang disajikan di sini bisa mempercepat desain dengan memungkinkan perkiraan pertama tanpa penyelidikan empiris. Cluster menginformasikan desain UI dalam dua cara: Pertama, parameter gerakan diberikan (lokasi, arah, amplitudo) diasumsikan oleh desain, cluster dapat memperkirakan beban otot dan kinerja user (kecepatan, ketepatan). Kedua, mengingat nilai target untuk otot beban atau kinerja, cluster akan memberikan informasi tentang lokasi, arah, dan amplitudo yang layak sebagai input.

Pengelompokan ini dimungkinkan dengan memperluas pendekatan data-driven untuk simulasi biomekanik gerakan meliputi seluruh ruang jangkau lengan dan terkait dengan metrik kinerja. Pengelompokan yang dihasilkan adalah summarization dari pola aktivasi otot utama yang menggambarkan tugas dengan lengan. Hal ini mengejutkan bahwa sangat kompleks dikoordinasikan aksi puluhan ofmuscles dan sendi dapat digambarkan dalam sedikitnya 11 Cluster. Cluster menangkap beberapa efek utama nonuniformity dan mengekspos perbedaan yang signifikan antara gerakan yang tampaknya serupa.