Computational approaches to motor control and their potential role for interpreting motor dysfunction.
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Computational frameworks, notably internal models and optimal control theory, have led to rapid advances in our understanding of how the brain plans and controls movement. The purpose of this review is to provide an overview of these theoretical ideas, how they have been used to interpret motor control, as well as their potential role for interpreting motor dysfunction. RECENT FINDINGS: There are two general types of internal models, neural processes that mimic the mechanical properties of the limb (and environment). Forward internal models parallel the normal causal flow of the motor periphery and estimate limb motion from motor commands. Inverse internal models perform the reverse process by estimating motor commands from signals related to intended limb motion and/or spatial targets. This framework has led to several important behavioural observations on motor planning, control and learning, and has also been influential for interpreting neural activity in awake, behaving non-human primates. A more recent framework for interpreting motor function is optimal control theory, which recognizes that noise or errors are an inherent feature of the motor system and may influence strategies to plan and control movement. SUMMARY: Internal models and optimal feedback control both provide frameworks for interpreting motor performance, and may be of value for interpreting many motor dysfunctions associated with neurological injuries. Advanced technologies such as robots that have played a key role in these frameworks may be also of considerable value for motor assessment and rehabilitation.
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) | 0,001 | 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 ».