Motor cortex single-neuron and population contributions to compensation for multiple dynamic force fields
Notice bibliographique
Résumé
To elucidate how primary motor cortex (M1) neurons contribute to the performance of a broad range of different and even incompatible motor skills, we trained two monkeys to perform single-degree-of-freedom elbow flexion/extension movements that could be perturbed by a variety of externally generated force fields. Fields were presented in a pseudorandom sequence of trial blocks. Different computer monitor background colors signaled the nature of the force field throughout each block. There were five different force fields: null field without perturbing torque, assistive and resistive viscous fields proportional to velocity, a resistive elastic force field proportional to position and a resistive viscoelastic field that was the linear combination of the resistive viscous and elastic force fields. After the monkeys were extensively trained in the five field conditions, neural recordings were subsequently made in M1 contralateral to the trained arm. Many caudal M1 neurons altered their activity systematically across most or all of the force fields in a manner that was appropriate to contribute to the compensation for each of the fields. The net activity of the entire sample population likewise provided a predictive signal about the differences in the time course of the external forces encountered during the movements across all force conditions. The neurons showed a broad range of sensitivities to the different fields, and there was little evidence of a modular structure by which subsets of M1 neurons were preferentially activated during movements in specific fields or combinations of fields.
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 | 0,001 |
| 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 ».