The contribution of vision, proprioception, and efference copy in storing a neural representation for guiding trail leg trajectory over an obstacle
Notice bibliographique
Résumé
Stepping over obstacles requires vision to guide the leading leg, but direct visual information is not available to guide the trailing leg. The neural mechanisms for establishing a stored obstacle representation and thus facilitating the trail leg trajectory in humans are unknown. Twenty-four subjects participated in one of three experiments, which were designed to investigate the contribution of visual, proprioceptive, and efference copy signals. Subjects stepped over an obstacle with their lead leg, stopped, and straddled the obstacle for a delay period before stepping over it with their trail leg while toe elevation was recorded. Subsequently, we calculated maximum toe elevation and toe clearance. First, we found that subjects could accurately scale trail leg toe elevation and clearance, despite straddling an obstacle for up to 2 min, similar to quadrupeds. Second, we found that when the lead leg was passively moved over an obstacle (eliminating an efference copy signal and altering proprioception) without vision, trail leg toe elevation and clearance were reduced, and variability increased compared with when subjects actively moved their lead leg. Trail leg toe measures returned to normal when vision was provided during the passive manipulation. Finally, we found that altering lead leg proprioceptive feedback by adding mass to the ankle had no effect on trail leg toe measures. Taken together, our results suggest that humans can store a neural representation of obstacle properties for extended periods of time and that vision appears to be sufficient in this process to guide trail leg trajectory.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».