Predicting Motor Sequence Learning in Individuals With Chronic Stroke
Notice bibliographique
Résumé
BACKGROUND: Conventionally, change in motor performance is quantified with discrete measures of behavior taken pre- and postpractice. As a high degree of movement variability exists in motor performance after stroke, pre- and posttesting of motor skill may lack sensitivity to predict potential for motor recovery. OBJECTIVE: Evaluate the use of predictive models of motor learning based on individual performance curves and clinical characteristics of motor function in individuals with stroke. METHODS: Ten healthy and fourteen individuals with chronic stroke performed a continuous joystick-based tracking task over 6 days, and at a 24-hour delayed retention test, to assess implicit motor sequence learning. RESULTS: Individuals with chronic stroke demonstrated significantly slower rates of improvements in implicit sequence-specific motor performance compared with a healthy control (HC) group when root mean squared error performance data were fit to an exponential function. The HC group showed a positive relationship between a faster rate of change in implicit sequence-specific motor performance during practice and superior performance at the delayed retention test. The same relationship was shown for individuals with stroke only after accounting for overall motor function by including Wolf Motor Function Test rate in our model. CONCLUSION: Nonlinear information extracted from multiple time points across practice, specifically the rate of motor skill acquisition during practice, relates strongly with changes in motor behavior at the retention test following practice and could be used to predict optimal doses of practice on an individual basis.
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 | 0,002 |
| 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 ».