伸手运动想象训练与伸手抓取想象的关系

2023-11-22 05:51

本文主要是介绍伸手运动想象训练与伸手抓取想象的关系,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

9d38ff980dd881d8df705c597e41ebb7.png

本研究旨在确定为期4周的目标导向性伸手(抓取任务)的运动想象训练(MIT)是否会以相同的方式影响伸手(MIR)和抓取(MIG)运动想象的皮质活动。

试验过程中,我们在健康的年轻参与者中检测与事件相关电位(ERPs)相关的皮层活动,评估了图像的主观生动性。此外,本研究的目的旨在确定运动想象(MI)达到和掌握能力的主观评估与训练前后这些任务中的皮质活动之间的关系,以了解潜在的神经可塑性机制。

研究发现,MIT对与伸手相关的脑电图信号的影响不同于抓取,MIR的效果比MIG更明显。结果表明,由于MIT引起的评估参数的变化降低了想象主观评价与EEG信号之间的关系。

01

实验与方法

参与试验者:27名健康志愿者(12女15男)(年龄:25±3岁;高度:1.72±0.09 m;体重:71±13.8 kg)参与实验。根据爱丁堡惯用手清单,他们是右撇子。根据《运动想象问卷修订版第二版》的评估,他们也有中等程度的运动感官想象运动任务的能力(32±8)。注意,该模式的最小值为7,最大值为49。此外,志愿者没有运动或神经损伤。

bfc0308159a5d14e90b773ad13ab06ac.png

图1.实验方案方案,包括第0阶段的熟悉训练和运动想象训练前后两个类似的测量阶段。

1309e34b5bb663d8e3c720a7d1a0d7e9.png

图2.受试者在完成抓书动作想象训练时的姿势。在开始心理排练之前,参与者用左右上肢进行三次身体上的这个动作,注意伴随这个动作的动觉。

02

伸手去抓一本书的运动想象训练(MIT)

在每次训练开始时,受试者在进行非支配性上肢部分训练之前,分别用右上肢进行三次伸手抓书的动作和用左上肢进行三次伸手抓书的动作。所有参与者每次会议都使用同一本书。这一部分的培训课程向参与者介绍了书的位置和特点(如大小、重量、表面粗糙度和易碎性),这是中枢神经系统用来规划这种目标导向的动作的。

该位置与参与者的距离总是相同的,所有参与者都是相似的。需要在肩关节处弯曲约30°的角度来抓书(图2)。使用的是全手杆状抓书,将书垂直放置在书桌上。它包括保持手指伸直(图2)。在动作执行试验中,指导员要求注意伴随动作的动觉。动觉的顺序指的是与这个运动的自然过程相对应的到达和抓取。然后,拿走这本书,并指导参与者在心理训练中放松,不要做任何动作或肌肉收缩。

短暂的休息后,MIT开始。在每次试验中,被试都被要求回忆他们在功能性伸手抓书时的动觉感觉。实验对象睁开眼睛标志着实验结束,指导员开始测量20秒的休息时间。15秒后,指导员发出“注意”命令。然后,受试者闭上眼睛,另一项试验开始。指导员观察着他们。每次训练包括三组10次试验,分别用左右上肢进行。两上肢各三组,试十次。先用右上肢进行试验,然后是左上肢。两组之间休息20秒,两组之间休息3分钟,左右上肢之间休息15分钟。在一次训练中,被试想象用右上肢抓书30次(10次×3组),用左上肢抓书30次(10次×3组)。一次训练时间在50到52分钟之间,取决于个人的MI时间。

0625de421db9f8f9b99bb5fd039ba7ec.png

在选定的电极和测量阶段(前后),在达到运动想象(MIR)和抓取运动想象(MIG)期间ERP的个体模式。垂直线表示触发器发生的时间,箭头表示ERP振幅。

在熟悉阶段(第0阶段,图1)后,受试者完成运动想象问卷修订版。训练前后的测量课程以同样的方式进行,在连续两天的早上进行。在两个课程的第一天,参与者想象达到20倍,即MIR。在实验过程中,记录脑电图和肌电图信号。

参与者在测量的第二天分别进行伸手和抓取。然而,他们在第一天就收到了有关这方面的初步信息。为了验证所完成的MI任务的生态性,在MIR重复20次和MIG重复20次后,参与者立即在10厘米的视觉模拟量表(VAS)上标记一条水平线,从0(非常容易感觉到)到10(非常难以感觉到)。因此,该研究评估的是动觉的生动性(“感觉”),而不是任务的形象化(“看到”)。

3ec9da5fbc6866d0f193fa66956494a3.png

热图描述了在运动想象训练前后四周的达到运动想象(MIR)和抓取运动想象(MIG)之间的ERP振幅两两比较的P值。

03

结论

本研究展示了目标导向性伸手的动觉MIT对该运动的两个组成部分(根据该目标导向运动的经典神经控制方法)的MI的影响,即健康青年参与者的优势上肢伸手到达和抓取,以及这些任务的主观生动性。分析得出的结论是,这种训练对伸手和抓取的影响是不同的。

这种效应在“伸手”的想象上比“抓住”的想象上更为明显。在两个任务和会话中,前运动皮层上方的电极的ERP振幅都高于感觉运动皮层。并且,使用依赖的MIR和MIG能力的变化,以及在这些任务中的皮质活动(就ERP而言)改变了两者之间的相关性。因此,想象任务的应用主观评价不能是对心理训练过程中ERP所表达的大脑皮层生物电活动的简单的功能性洞察。这些发现与神经康复和心理训练的目标导向达成有关。训练后ERP的变化可能有利于非侵入性脑电图在BCI背景下的使用。

参考链接:
https://www.nature.com/articles/s41598-022-21890-1


版权声明:本文版权属于原作者,仅用于学术交流

更多阅读

新型脑机接口最新临床前神经数据公布

中国信通院招聘脑机接口方向研究员

支持灵活学习和记忆的神经网络

基于耳-脑电图的脑机接口研究进展

呼吸如何塑造我们的大脑?

无屏幕BCI系统也有强大的分类性能

瘫痪患者借助脑机接口可进行数字绘画

844a5390569172bcbb25f4f0efbe9d48.png

   加入社群  

欢迎加入脑机接口社区交流群,

探讨脑机接口领域话题,实时跟踪脑机接口前沿。

加微信群:

添加微信:RoseBCI【备注:姓名+行业/专业】。

加QQ群:104048131

  欢迎来稿  

1.欢迎来稿。投稿咨询,请联系微信:RoseBCI

2.加入社区成为兼职创作者,请联系微信:RoseBCI

96d1b1ecd65c928f93648276c57f1b79.png

aa0aab6afb79e2aec2e6320c23d38386.png

46a9cd77df8de3ab840767dc495d5117.png

点个在看祝你开心一整天!

这篇关于伸手运动想象训练与伸手抓取想象的关系的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/407981

相关文章

POJ1269 判断2条直线的位置关系

题目大意:给两个点能够确定一条直线,题目给出两条直线(由4个点确定),要求判断出这两条直线的关系:平行,同线,相交。如果相交还要求出交点坐标。 解题思路: 先判断两条直线p1p2, q1q2是否共线, 如果不是,再判断 直线 是否平行, 如果还不是, 则两直线相交。  判断共线:  p1p2q1 共线 且 p1p2q2 共线 ,共线用叉乘为 0  来判断,  判断 平行:  p1p

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

Unity3D 运动之Move函数和translate

CharacterController.Move 移动 function Move (motion : Vector3) : CollisionFlags Description描述 A more complex move function taking absolute movement deltas. 一个更加复杂的运动函数,每次都绝对运动。 Attempts to

SigLIP——采用sigmoid损失的图文预训练方式

SigLIP——采用sigmoid损失的图文预训练方式 FesianXu 20240825 at Wechat Search Team 前言 CLIP中的infoNCE损失是一种对比性损失,在SigLIP这个工作中,作者提出采用非对比性的sigmoid损失,能够更高效地进行图文预训练,本文进行介绍。如有谬误请见谅并联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注

PHP抓取网站图片脚本

方法一: <?phpheader("Content-type:image/jpeg"); class download_image{function read_url($str) { $file=fopen($str,"r");$result = ''; while(!feof($file)) { $result.=fgets($file,9999); } fclose($file); re

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

读软件设计的要素04概念的关系

1. 概念的关系 1.1. 概念是独立的,彼此间无须相互依赖 1.1.1. 一个概念是应该独立地被理解、设计和实现的 1.1.2. 独立性是概念的简单性和可重用性的关键 1.2. 软件存在依赖性 1.2.1. 不是说一个概念需要依赖另一个概念才能正确运行 1.2.2. 只有当一个概念存在时,包含另一个概念才有意义 1.3. 概念依赖关系图简要概括了软件的概念和概念存在的理

多云架构下大模型训练的存储稳定性探索

一、多云架构与大模型训练的融合 (一)多云架构的优势与挑战 多云架构为大模型训练带来了诸多优势。首先,资源灵活性显著提高,不同的云平台可以提供不同类型的计算资源和存储服务,满足大模型训练在不同阶段的需求。例如,某些云平台可能在 GPU 计算资源上具有优势,而另一些则在存储成本或性能上表现出色,企业可以根据实际情况进行选择和组合。其次,扩展性得以增强,当大模型的规模不断扩大时,单一云平