Temporal Evolution of “Automatic Gain-Scaling”
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
The earliest neural response to a mechanical perturbation, the short-latency stretch response (R1: 20-45 ms), is known to exhibit "automatic gain-scaling" whereby its magnitude is proportional to preperturbation muscle activity. Because gain-scaling likely reflects an intrinsic property of the motoneuron pool (via the size-recruitment principle), counteracting this property poses a fundamental challenge for the nervous system, which must ultimately counter the absolute change in load regardless of the initial muscle activity (i.e., show no gain-scaling). Here we explore the temporal evolution of gain-scaling in a simple behavioral task where subjects stabilize their arm against different background loads and randomly occurring torque perturbations. We quantified gain-scaling in four elbow muscles (brachioradialis, biceps long, triceps lateral, triceps long) over the entire sequence of muscle activity following perturbation onset-the short-latency response, long-latency response (R2: 50-75 ms; R3: 75-105 ms), early voluntary corrections (120-180 ms), and steady-state activity (750-1250 ms). In agreement with previous observations, we found that the short-latency response demonstrated substantial gain-scaling with a threefold increase in background load resulting in an approximately twofold increase in muscle activity for the same perturbation. Following the short-latency response, we found a rapid decrease in gain-scaling starting in the long-latency epoch ( approximately 75-ms postperturbation) such that no significant gain-scaling was observed for the early voluntary corrections or steady-state activity. The rapid decrease in gain-scaling supports our recent suggestion that long-latency responses and voluntary control are inherently linked as part of an evolving sensorimotor control process through similar neural circuitry.
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 | 0,000 |
| 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 découle