MétaCan
Menu
Retour à la cohorte
Enregistrement W2141985218 · doi:10.3389/fncom.2015.00116

Leg mechanics contribute to establishing swing phase trajectories during memory-guided stepping movements in walking cats: a computational analysis

2015· article· en· W2141985218 sur OpenAlexafffund
K. G. Pearson, Naik Arbabzada, Rod Gramlich, Masahiro Shinya

Notice bibliographique

RevueFrontiers in Computational Neuroscience · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Locomotion and Control
Établissements canadiensUniversity of Alberta
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésSwingTorqueTrajectoryInverse dynamicsHindlimbKnee flexionPosition (finance)BiomechanicsPhysicsComputer sciencePhysical medicine and rehabilitationAnatomyMedicineAcousticsClassical mechanicsKinematics

Résumé

récupéré en direct d'OpenAlex

When quadrupeds stop walking after stepping over a barrier with their forelegs, the memory of barrier height and location is retained for many minutes. This memory is subsequently used to guide hind leg movements over the barrier when walking is resumed. The upslope of the initial trajectory of hind leg paw movements is strongly dependent on the initial location of the paw relative to the barrier. In this study, we have attempted to determine whether mechanical factors contribute significantly in establishing the slope of the paw trajectories by creating a four-link biomechanical model of a cat hind leg and driving this model with a variety of joint-torque profiles, including average torques for a range of initial paw positions relative to the barrier. Torque profiles for individual steps were determined by an inverse dynamic analysis of leg movements in three normal cats. Our study demonstrates that limb mechanics can contribute to establishing the dependency of trajectory slope on the initial position of the paw relative to the barrier. However, an additional contribution of neuronal motor commands was indicated by the fact that the simulated slopes of paw trajectories were significantly less than the observed slopes. A neuronal contribution to the modification of paw trajectories was also revealed by our observations that both the magnitudes of knee flexor muscle EMG bursts and the initial knee flexion torques depended on initial paw position. Previous studies have shown that a shift in paw position prior to stepping over a barrier changes the paw trajectory to be appropriate for the new paw position. Our data indicate that both mechanical and neuronal factors contribute to this updating process, and that any shift in leg position during the delay period modifies the working memory of barrier location.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,264
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Computational NeuroscienceMême sujetRobotic Locomotion and ControlTravaux en français237 207