Somatosensory Contribution to Motor Learning Due to Facial Skin Deformation
Notice bibliographique
Résumé
Motor learning is dependent on kinesthetic information that is obtained both from cutaneous afferents and from muscle receptors. In human arm movement, information from these two kinds of afferents is largely correlated. The facial skin offers a unique situation in which there are plentiful cutaneous afferents and essentially no muscle receptors and, accordingly, experimental manipulations involving the facial skin may be used to assess the possible role of cutaneous afferents in motor learning. We focus here on the information for motor learning provided by the deformation of the facial skin and the motion of the lips in the context of speech. We used a robotic device to slightly stretch the facial skin lateral to the side of the mouth in the period immediately preceding movement. We found that facial skin stretch increased lip protrusion in a progressive manner over the course of a series of training trials. The learning was manifest in a changed pattern of lip movement, when measured after learning in the absence of load. The newly acquired motor plan generalized partially to another speech task that involved a lip movement of different amplitude. Control tests indicated that the primary source of the observed adaptation was sensory input from cutaneous afferents. The progressive increase in lip protrusion over the course of training fits with the basic idea that change in sensory input is attributed to motor performance error. Sensory input, which in the present study precedes the target movement, is credited to the target-related motion, even though the skin stretch is released prior to movement initiation. This supports the idea that the nervous system generates motor commands on the assumption that sensory input and kinematic error are in register.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| 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 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».