Sleep Contribution to Motor Memory Consolidation: A Motor Imagery Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
STUDY OBJECTIVES: Sleep is known to enhance performance following physical practice (PP) of a new sequence of movements. Apart from a pilot study, it is still unknown whether a similar sleep-dependent consolidation effect can be observed following motor imagery (MI) and whether this mnemonic process is related to MI speed. DESIGN: Counterbalanced within-subject design. SETTING: The laboratory. PARTICIPANTS: Thirty-two participants. INTERVENTIONS: PP, real-time MI, fast MI, and NoSleep (control) groups. MEASUREMENTS AND RESULTS: Subjects practiced an explicitly known sequence of finger movements, and were assigned to PP, real-time MI, or fast MI, in which they intentionally imagined the sequence at a faster pace. A NoSleep group subjected to real-time MI, but without any intervening sleep, was also tested. Performance was evaluated before practice, as well as prior to, and after a night of sleep or a similar time interval during the daytime. Compared with the NoSleep group, the results revealed offline gains in performance after sleep in the PP, real-time MI, and fast MI groups. There was no correlation between a measure of underestimation of the time to imagine the motor sequence and the actual speed gains after sleep, neither between the ease/difficulty to form mental images and performance gains. CONCLUSIONS: These results provide evidence that sleep contributes to the consolidation of motor sequence learning acquired through MI and further suggests that offline delayed gains are not related to the MI content per se. They extend our previous findings and strongly confirm that performance enhancement following MI is sleep dependent.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle