🧠 neuroscience

Perceiving latent dynamics: Innate and coachable visual estimation of limb damping

यह अध्ययन प्रदर्शित करता है कि मनुष्य दृश्य गति संकेतों (visual motion cues) से अंग के डैम्पिंग (limb damping) को सहज रूप से महसूस कर सकते हैं और लक्षित कोचिंग—विशेष रूप से कोहनी-कोण वेग (elbow-angle velocity) पर ध्यान केंद्रित करने का निर्देश—इस संवेदी सटीकता को महत्वपूर्ण रूप से बढ़ाता है, जो यांत्रिक प्रतिबाधा (mechanical impedance) का अनुमान लगाने में क्रिया-प्रत्यक्षण युग्मन (action-perception coupling) की परिवर्तनीयता को प्रकट करता है।

मूल लेखक: Huang, T., Huber, M. E., Brown, J. D., West, A. M.

प्रकाशित 2026-03-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Huang, T., Huber, M. E., Brown, J. D., West, A. M.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: गति के "एहसास" को देखना

कल्पना कीजिए कि आप एक दरवाजे के बंद होने का वीडियो देख रहे हैं। आप उसे छू नहीं सकते, और न ही आप उस हवा को महसूस कर सकते हैं जो उसे धकेल रही है। फिर भी, आप तुरंत बता सकते हैं कि दरवाजा कैसा है:

हल्का और हवादार (जैसे एक जाली वाला दरवाजा जो तेजी से और स्वतंत्र रूप से झूलता है)।
भारी और चिपचिपा (जैसे एक जंग लगा हुआ दरवाजा जो धीरे और सुस्त होकर चलता है)।

यह शोध एक दिलचस्प सवाल पूछता है: क्या इंसान एक हिलते हुए हाथ के साथ भी ऐसा ही कर सकता है? क्या हम स्क्रीन पर एक रोबोटिक हाथ या किसी व्यक्ति के हाथ को हिलते हुए देखकर यह अंदाजा लगा सकते हैं कि वह कितना "प्रतिरोधी" (resistant) या "डैम्पिंग" (damp/धीमा करने वाला) महसूस होता है, भले ही हम उसे छू नहीं सकते?

शोधकर्ता इसे "डैम्पिंग" (damping) कहते हैं। भौतिक विज्ञान (physics) में, यह वह बल है जो चीजों को धीमा कर देता है (जैसे घर्षण या हवा का प्रतिरोध)। अध्ययन से पता चला कि हाँ, इंसान इसमें आश्चर्यजनक रूप से अच्छे हैं, और इससे भी बेहतर, हम थोड़ी सी कोचिंग के साथ इसमें बहुत बेहतर हो सकते हैं।

प्रयोग: "वर्चुअल आर्म" गेम

शोधकर्ताओं ने एक कंप्यूटर गेम बनाया जहाँ 30 लोगों ने एक डिजिटल, दो-खंडों वाले हाथ (जैसे कंधा और कोहनी) को एक घेरे में घूमते हुए देखा।

गुप्त चर (Secret Variable): कंप्यूटर ने गुप्त रूप से यह बदला कि कोहनी का जोड़ कितना "चिपचिपा" था। कभी-कभी यह बहुत फिसलन भरा (कम डैम्पिंग) था, और कभी-कभी यह गाढ़े शहद में चलने जैसा (उच्च डैम्पिंग) था।
कार्य: प्रतिभागियों को हाथ को हिलते हुए देखना था और 1 से 7 के पैमाने पर अनुमान लगाना था: "यह हाथ कितना चिपचिपा है?"
चुनौती: वे हाथ को महसूस नहीं कर सकते थे। उनके पास केवल उनकी आँखें थीं।

तीन समूह: "कोचिंग" परीक्षण

पहले दौर के वीडियो देखने के बाद, प्रतिभागियों को तीन समूहों में विभाजित किया गया ताकि यह देखा जा सके कि क्या दूसरी बार में बेहतर अनुमान लगाने के लिए थोड़ी सलाह मदद करती है:

"नो कोच" (बिना कोच वाला) समूह: उन्होंने बस एक ब्रेक लिया और वीडियो को फिर से देखा।
"हैंड कोच" (हाथ वाला कोच) समूह: उन्हें बताया गया, "हाथ को ध्यान से देखें। यदि हाथ धीरे चलता है, तो हाथ चिपचिपा है।"
"एंगल कोच" (कोण वाला कोच) समूह: उन्हें बताया गया, "कोहनी के कोण (angle) को ध्यान से देखें। यदि कोहनी धीरे खुलती और बंद होती है, तो हाथ चिपचिपा है।"

परिणाम: क्या हुआ?

1. हम स्वाभाविक रूप से जासूस हैं (जन्मजात क्षमता)

किसी भी कोचिंग से पहले ही, प्रतिभागी अनुमान लगाने में आश्चर्यजनक रूप से अच्छे थे। वे केवल देखकर ही एक "फिसलन भरे" हाथ और एक "चिपचिपे" हाथ के बीच अंतर बता सकते थे।

उपमा: यह सड़क पर कार चलते देखने जैसा है। भले ही आप इंजन की आवाज न सुन सकें, आप यह बता सकते हैं कि सड़क बर्फीली है या सूखी, सिर्फ यह देखकर कि कार कैसे फिसल रही है। हमारे मस्तिष्क में बने-बनाए "फिजिक्स इंजन" होते हैं जो हमें यह अंदाजा लगाने में मदद करते हैं कि चीजें कैसे चलती हैं।

2. कोचिंग काम करती है, लेकिन तभी जब आप सही जगह देखें

जब प्रतिभागियों ने दूसरी बार वीडियो देखे:

अभ्यास करने से सभी थोड़े बेहतर हुए।
"एंगल कोच" समूह सबसे अच्छा रहा। उनमें सबसे अधिक सुधार हुआ।
"हैंड कोच" समूह में सुधार हुआ, लेकिन उतना नहीं।

क्यों? शोधकर्ताओं ने महसूस किया कि "चिपचिपाहट" कोहनी पर हो रही थी।

"एंगल कोच" समूह को कोहनी देखने के लिए कहा गया था। चूंकि कोहनी वह हिस्सा था जो वास्तव में बदल रहा था, इसलिए उन्हें सबसे स्पष्ट संकेत मिले।
"हैंड कोच" समूह को हाथ देखने के लिए कहा गया था। हालांकि हाथ भी हिल रहा था, लेकिन उसके संकेत सूक्ष्म थे और उन्हें पढ़ना कठिन था।

3. "क्या देखना है" वाला आश्चर्य

यहाँ एक मोड़ है: कोचों ने लोगों को गति (velocity) देखने के लिए कहा था। उन्होंने कहा, "यदि यह धीरे चलता है, तो यह चिपचिपा है।"

वास्तव में क्या हुआ: प्रतिभागियों ने वास्तव में "गति" के बारे में गणितीय तरीके से सोचना शुरू नहीं किया। इसके बजाय, उन्होंने पथ के आकार (shape of the path) को देखना शुरू कर दिया।
उपमा: कल्पना कीजिए कि एक ट्रैक पर एक धावक है। यदि वह कीचड़ (उच्च डैम्पिंग) में दौड़ रहा है, तो उसका रास्ता थोड़ा डगमगाता हुआ या चपटा दिख सकता है। यदि वह बर्फ (कम डैम्पिंग) पर है, तो वह एक आदर्श घेरे में फिसल सकता है। प्रतिभागियों ने अवचेतन रूप से हाथ द्वारा बनाए गए लूप के आकार को देखना शुरू कर दिया, न कि इस बात को गिनना कि वह कितनी तेजी से जा रहा है।

यह क्यों मायने रखता है? (वास्तविक दुनिया के अनुप्रयोग)

यह केवल एक मजेदार वैज्ञानिक प्रयोग नहीं है; इसके वास्तविक दुनिया में बड़े उपयोग हैं:

1. डॉक्टरों की मदद करना (फिजिकल थेरेपी)
जब किसी मरीज को स्ट्रोक होता है, तो उनकी मांसपेशियां "कठोर" (rigidity) या "स्पैस्टिक" (बहुत अधिक डैम्पिंग) महसूस हो सकती हैं। वर्तमान में, डॉक्टरों को यह महसूस करने के लिए मरीज के हाथ को शारीरिक रूप से दबाना पड़ता है। यह व्यक्तिपरक है और अलग-अलग डॉक्टरों के अनुसार बदल सकता है।

भविष्य: यदि डॉक्टर वीडियो के माध्यम से मरीज की गति को देखकर और सटीक रूप से "चिपचिपाहट" का अंदाजा लगाने के लिए प्रशिक्षित हो जाते हैं, तो वे समस्याओं का निदान तेजी से, अधिक सटीकता से और टेलीहेल्थ के माध्यम से दूर रहकर भी कर सकते हैं!

2. सर्जनों की मदद करना (रोबोटिक सर्जरी)
सर्जन अक्सर नाजुक ऑपरेशन करने के लिए रोबोट का उपयोग करते हैं। समस्या क्या है? रोबोट अक्सर सर्जन को कोई "हैप्टिक" (स्पर्श) फीडबैक नहीं देते हैं। सर्जन ऊतकों (tissue) को महसूस नहीं कर पाते।

भविष्य: यदि सर्जनों को वीडियो फीड को देखकर और यह देखकर कि ऊतक कैसे हिल रहे हैं, तुरंत यह "महसूस" करने के लिए प्रशिक्षित किया जा सके कि ऊतक कितना नरम या सख्त है, तो वे बिना सीधे मरीज को छुए अधिक सुरक्षित और सटीक कट लगा सकते हैं।

निष्कर्ष (Takeaway)

इंसान केवल देखकर गति के छिपे हुए "भौतिकी" (physics) को पढ़ने में स्वाभाविक रूप से सक्षम हैं। लेकिन, किसी वाद्य यंत्र को सीखने की तरह, हम बहुत बेहतर हो सकते हैं यदि कोई हमें सिखाए कि हमें कहाँ देखना है।

यह अध्ययन साबित करता है कि किसी चीज़ को समझने के लिए हमें उसे छूने की ज़रूरत नहीं है; हमें बस अपनी आँखों को कहाँ केंद्रित करना है, इसकी जानकारी होनी चाहिए।

यहाँ शोध पत्र "Perceiving latent dynamics: Innate and coachable visual estimation of limb damping" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मनुष्य में वस्तुओं के गुप्त गतिशील गुणों (जैसे द्रव्यमान, कठोरता, या डैम्पिंग/मंदता) को केवल दृश्य अवलोकन के माध्यम से अनुमान लगाने की एक अद्भुत क्षमता होती है, भले ही अंतर्निहित बल अदृश्य हों। जबकि पूर्व शोधों ने यह स्थापित किया है कि मनुष्य लिंबब स्टिफनेस (limb stiffness) (एक बल-विस्थापन संबंध) का दृश्य अनुमान लगा सकते हैं, यह स्पष्ट नहीं है कि क्या मनुष्य इसी तरह लिंबब डैम्पिंग (limb damping) (एक बल-वेग संबंध, $F = bv$) का भी अनुमान लगा सकते हैं।

डैम्पिंग (Damping) मैकेनिकल इम्पीडेंस का एक महत्वपूर्ण घटक है, फिर भी इसे केवल किनेमैटिक्स (स्थिति) से सीधे प्राप्त नहीं किया जा सकता जब तक कि बलों का ज्ञान न हो। इसके अलावा, यह अज्ञात है कि डैम्पिंग का अनुमान लगाने के लिए उपयोग की जाने वाली दृश्य रणनीतियाँ जन्मजात (innate) हैं या क्या उन्हें लक्षित कोचिंग के माध्यम से बढ़ाया जा सकता है। इसका नैदानिक पुनर्वास (स्पैस्टिसिटी/रिजिडिटी का आकलन करने के लिए) और रोबोट-सहायता प्राप्त सर्जरी (जहाँ हैप्टिक फीडबैक सीमित होता है) में महत्वपूर्ण निहितार्थ है।

अनुसंधान प्रश्न:

क्या मनुष्य केवल दृश्य अवलोकन के माध्यम से लिंबब डैम्पिंग के अंतर का जन्मजात अनुमान लगा सकते हैं?
क्या कोचिंग दृश्य ध्यान (visual attention) की रणनीतियों को बदल सकती है जिनका पर्यवेक्षक उपयोग करते हैं?
क्या लक्षित कोचिंग सूचनात्मक गति विशेषताओं (informative motion features) की ओर पर्यवेक्षकों को निर्देशित करके अनुमान की सटीकता में सुधार करती है?

2. कार्यप्रणाली (Methodology)

प्रतिभागी और डिज़ाइन:

विषय: 30 प्रतिभागी (15 पुरुष, 15 महिला; औसत आयु 24.03 ± 4.7 बल्कि 4.79 वर्ष)।
डिज़ाइन: एक कोचिंग हस्तक्षेप द्वारा अलग किया गया दो-सत्र वाला प्रयोग।
समूह: प्रतिभागियों को यादृच्छिक रूप से तीन समूहों में विभाजित किया गया था ( $N=10$ $N = 10$ प्रत्येक):
1. कोई कोचिंग नहीं (No Coaching): केवल ब्रेक दिया गया।
2. हैंड कोचिंग (Hand Coaching): उन्हें हाथ के वेग (hand velocity) को देखने के निर्देश देने वाला एक वीडियो दिखाया गया।
3. एंगल कोचिंग (Angle Coaching): उन्हें कोहनी के कोण के वेग (elbow-angle velocity) (हाथ के खुलने/बंद होने की दर) को देखने के निर्देश देने वाला एक वीडियो दिखाया गया।

उद्दीपन (Simulations):

मॉडल: ऊर्ध्वाधर तल (vertical plane) में चलते हुए दो-लिंक वाले प्लेनर आर्म का एक कस्टम MATLAB सिमुलेशन।
नियंत्रण: आर्म को एक गोलाकार हाथ के प्रक्षेपवक्र (circular hand trajectory) के साथ इम्पीडेंस कंट्रोल द्वारा संचालित किया गया था।
चर (Variables): कोहनी के जोड़ की डैम्पिंग ( $E$ ) को 6 स्तरों पर व्यवस्थित रूप से बदला गया: 0, 2, 4, 6, 8, और 10 N·m·s/rad।
अनुकूलन (Optimization): पथ के आकार (स्थिति) में भिन्नता को न्यूनतम करने और वेग में भिन्नता को अधिकतम करने के लिए एक मोंटे-कार्लो खोज (Monte-Carlo search) का उपयोग किया गया, जिससे यह सुनिश्चित हुआ कि डैम्पिंग अंतर मुख्य रूप से वेग गतिकी (velocity dynamics) में एनकोडेड हों।
कार्य: प्रतिभागियों ने 25 सेकंड तक 2D एनिमेशन देखे और 7-पॉइंट लिकर्ट स्केल (1 = सबसे कम डैम्पिंग, 7 = सबसे अधिक डैम्पिंग) पर कथित डैम्पिंग को रेट किया।

डेटा संग्रह:

प्रदर्शन: वास्तविक डैम्पिंग मानों बनाम अनुमानित रेटिंग के लीनियर रिग्रेशन के माध्यम से निर्धारण गुणांक ( $R^2$ ) और स्लोप (Slope) की गणना की गई।
रणनीतियाँ: सत्र के बाद के सर्वेक्षणों में प्रतिभागियों से पूछा गया कि उन्होंने विशिष्ट स्थानों (हाथ, कोहनी, कोण) और गति विशेषताओं (विस्थापन, वेग, त्वरण, जर्क) पर कितने प्रतिशत समय ध्यान केंद्रित किया।
आई-ट्रैकिंग: Pupil Core चश्मे का उपयोग किया गया, हालांकि डेटा गुणवत्ता संबंधी समस्याओं के कारण विश्लेषण केवल 8/30 प्रतिभागियों तक ही सीमित रहा।
वर्कलोड: NASA टास्क लोड इंडेक्स (TLX) सर्वेक्षणों ने मानसिक और शारीरिक मांग को मापा।

सांख्यिकीय विश्लेषण:

प्रदर्शन रेटिंग के लिए रिपीटेड-मेजर्स ANOVA।
रणनीति परिवर्तन और प्रदर्शन सुधार ( $\Delta R^2$ ) के लिए वन-वे ANOVA और क्रुस्कल-वालिस टेस्ट।
स्वयं-रिपोर्ट की गई रणनीति के उपयोग और प्रदर्शन ( $R^2$ ) के बीच सहसंबंध के लिए लीनियर मिक्सड-इफेक्ट्स (LME) मॉडल।

3. मुख्य परिणाम (Key Results)

RQ1: जन्मजात धारणा (Innate Perception)

हाँ, मनुष्य जन्मजात रूप से डैम्पिंग को समझ सकते हैं। सत्र 1 (प्री-कोचिंग) में, प्रतिभागियों की रेटिंग वास्तविक डैम्पिंग स्तरों के साथ मोनोटोनिक रूप से बढ़ी ( $F(5, 870) = 7.12, p < .001$ )।
सत्र 1 में औसत $R^2$ 0.39 था, जो बिना प्रशिक्षण के केवल गति से डैम्पिंग जानकारी निकालने की एक विश्वसनीय, हालांकि अपूर्ण, क्षमता को दर्शाता है।

RQ2: रणनीति संशोधन (Strategy Modification)

कोचिंग ने दृश्य ध्यान को सफलतापूर्वक बदल दिया।
- हैंड कोचिंग ने हाथ पर स्वयं-रिपोर्ट किए गए फोकस को काफी बढ़ा दिया ( $p = .007$ बनाम एंगल समूह)।
- एंगल कोचिंग ने कोहनी के कोण पर स्वयं-रिपोर्ट किए गए फोकस को काफी बढ़ा दिया ( $p < .001$ बनाम अन्य समूह)।
मोशन फीचर एडॉप्शन: कोचिंग निर्देशों के विपरीत (जिसमें वेग पर जोर दिया गया था), प्रतिभागियों ने वेग, विस्थापन या जर्क पर अपनी निर्भरता में कोई महत्वपूर्ण बदलाव नहीं किया।
चौंकाने वाला निष्कर्ष: त्वरण (acceleration) पर बढ़ता हुआ निर्भरता प्रदर्शन का एक महत्वपूर्ण नकारात्मक भविष्यवक्ता (negative predictor) था ( $\beta = -0.0052, p = .012$ )। जिन प्रतिभागियों ने त्वरण पर ध्यान केंद्रित किया, उनका प्रदर्शन खराब रहा।

RQ3: प्रदर्शन में सुधार (Performance Improvement)

कोचिंग ने सटीकता में सुधार किया। सभी समूहों ने सत्र 1 से सत्र 2 में सुधार किया, लेकिन परिमाण अलग-अलग था।
एंगल कोचिंग श्रेष्ठ थी:
- $\Delta R^2$ : एंगल समूह में 0.53 का सुधार हुआ (अंतिम $R^2 \approx 0.82$ ), जो 'नो कोचिंग' ( $\Delta R^2 = 0.17$ ) और 'हैंड कोचिंग' ( $\Delta R^2 = 0.24$ ) की तुलना में काफी बेहतर था।
- स्लोप (Slope): एंगल समूह ने सबसे तीव्र स्लोप वृद्धि दिखाई (डैम्पिंग परिवर्तनों के प्रति संवेदनशीलता)।
वर्कलोड: एंगल कोचिंग समूह ने 'नो कोचिंग' समूह की तुलना में मानसिक मांग में महत्वपूर्ण कमी दर्ज की, जिससे पता चलता है कि कोहनी के कोण पर ध्यान केंद्रित करना एक अधिक संज्ञानात्मक रूप से कुशल रणनीति है।

4. मुख्य योगदान (Key Contributions)

दृश्य इम्पीडेंस धारणा का विस्तार: यह अध्ययन पुष्टि करता है कि मनुष्य डैम्पिंग (एक वेग-निर्भर गुण) को दृश्य रूप से अनुमानित कर सकते हैं, जो पिछले निष्कर्षों का विस्तार करता है जो केवल स्टिफनेस (विस्थापन-निर्भर) तक सीमित थे।
परसेप्चुअल मॉडल की परिवर्तनशीलता: यह दर्शाता है कि दृश्य रणनीतियाँ (visual strategies) स्थिर नहीं हैं; उन्हें लक्षित कोचिंग के माध्यम से व्यवस्थित रूप से सुधारा जा सकता है।
इष्टतम संकेतों की पहचान: यह अध्ययन प्रकट करता है कि जबकि कोचिंग कहाँ देखना है (स्थान) को निर्देशित कर सकती है, इस संदर्भ में डैम्पिंग के लिए सबसे प्रभावी संकेत कोहनी-कोण प्रक्षेपवक्र (elbow-angle trajectory) है, न कि हाथ का वेग जैसा कि प्रारंभ में परिकल्पना की गई थी।
स्थान और विशेषता का पृथक्करण: कोचिंग ने सफलतापूर्वक बदला कि प्रतिभागियों ने कहाँ देखा (हाथ बनाम कोण), लेकिन वे विशिष्ट मोशन फीचर (वेग) को अपनाने के लिए सफलतापूर्वक मजबूर नहीं हुए। प्रतिभाक स्वाभाविक रूप से अस्थायी जानकारी (वेग) के बजाय स्थानिक पथ जानकारी (विस्थापन) की ओर झुके।

5. महत्व और निहितार्थ (Significance and Implications)

नैदानिक पुनर्वास (Clinical Rehabilitation):

स्पैस्टिसिटी मूल्यांकन: स्पैस्टिसिटी क्लिनिकली डैम्पिंग के समान है। वर्तमान मूल्यांकन चिकित्सकों के हाथों-हाथ भौतिक परीक्षणों पर निर्भर करता है, जिससे उच्च इंटर-रेटर परिवर्तनशीलता होती है।
रिमोट मॉनिटरिंग: ये निष्कर्ष वीडियो-आधारित, स्वचालित उपकरणों (OpenPose या MediaMediaPipe जैसे पोज एस्टीमेशन का उपयोग करके) के विकास का समर्थन करते हैं ताकि रिमोटली स्पैस्टिसिटी को वस्तुनिष्ठ रूप से मापा जा सके।
क्लिनिशियन ट्रेनिंग: लक्षित कोचिंग भौतिक उपचारकों (physical therapists) को विशिष्ट दृश्य संकेतों (जैसे कोहनी कोण प्रक्षेपवक्र) को पहचानने में मदद कर सकती है ताकि वे रिजिडिटी और स्पैस्टिसिटी का अधिक सुसंगत और सटीक निदान कर सकें।

रोबोट-सहायता प्राप्त सर्जरी (Robot-Assisted Surgery):

रोबोटिक सिस्टम संचालित करने वाले सर्जनों में अक्सर हैप्टिक फीडबैक की कमी होती है। ऊतक डैम्पिंग (प्रतिरोध) को दृश्य रूप से समझने की उनकी क्षमता को समझना सर्जनों के प्रशिक्षण में सुधार कर सकता है, जिससे उन्हें केवल दृश्य संकेतों के आधार पर ऊतक व्यवहार का अनुमान लगाने और सुरक्षित निर्णय लेने में सक्षम बनाया जा सके।

मौलिक विज्ञान (Fundamental Science):

परिणाम एक्शन-परसेप्शन कपलिंग (action-perception coupling) के सिद्धांत का समर्थन करते हैं, जो सुझाव देते हैं कि मनुष्य अपने स्वयं के मोटर अनुभव से आकारित आंतरिक भविष्य कहनेवाला मॉडल (predictive models) का उपयोग करके देखे गए मोशन की व्याख्या करते हैं। यह तथ्य कि कोचिंग ने प्रदर्शन में सुधार किया, यह बताता है कि उनके आंतरिक मॉडल प्लास्टिक (plastic) हैं और निर्देश के माध्यम से उन्हें परिष्कृत किया जा सकता है।

निष्कर्ष:
मनुष्य में गति से लिंबब डैम्पिंग को समझने की एक जन्मजात क्षमता होती है, जिसे कोचिंग के माध्यम से महत्वपूर्ण रूप से बढ़ाया जा सकता है। सबसे प्रभावी रणनीति में कोहनी-कोण प्रक्षेपवक्र पर ध्यान केंद्रित करना शामिल है, जो हाथ के वेग की तुलना में डैम्पिंग भेदभाव के लिए अधिक समृद्ध संकेत प्रदान करता है। यह कार्य विलुप्त गतिक गुणों (latent dynamic properties) और दृश्य धारणा के बीच के अंतर को पाटता है, जो नैदानिक मूल्यांकन और सर्जिकल प्रशिक्षण के लिए एक मार्ग प्रशस्त करता है।