Revealing multiple online visuomotor processes via spectral analysis of upper-limb acceleration profiles
Notice bibliographique
Résumé
The presence of visual information notably improves endpoint accuracy and precision, presumably through feedback-related processes. The relatively stable corrective reaction times to visual perturbations (Oostwoud Wijdenes et al., 2013; Saunders & Knill, 2003; Veyrat-Masson et al., 2010) may permit the use of spectral analysis in the quantification of online sensorimotor processes. The current study employed spectral analyses of acceleration traces to assess the contribution of visuomotor processes. Ten participants completed lateral-to-medial reaching movements with and without online vision (i.e., vision occluded at movement onset). Kinematic data was recorded at 200 Hz from both an Optotrak Certus and a triple-axis accelerometer. Movement start and end were determined from the position data. Then, the movement acceleration data were pre-processed to account for the pre-planned acceleration-deceleration phases (van Donkelaar & Franks, 2001; Warner, 1998). Next, a fast-fourier transform was applied to the acceleration data, and the proportional power spectra were calculated (bin-width approx. 3 Hz). Overall, the spectra of both vision and no-vision reaches exhibited a peak at 6.25 Hz. In addition, a 2 Vision-Condition by 4 Bin (3, 6, 9 and 12 Hz) repeated-measures ANOVA revealed significantly greater contributions of both the 3.13 and 6.25 Hz oscillations (wavelengths of 320 and 160 ms, respectively) to the trajectories of reaches made with online vision, compared to those performed without vision. Although it is not clear if the observed differences stem from one or multiple processes, the latencies of 3.13 and 6.25 Hz oscillations correspond to those associated with “slow and deliberate” vs. “fast automatic” corrective processes, respectively (Pisella et al., 2000). Therefore, spectral analyses appear to be sensitive to online feedback utilization and may be useful to identify different types of sensorimotor processes. Acknowledgments: NSERC (Natural Sciences and Engineering Research Council of Canada),;CFI (Canada Foundation for Innovation) ; ORF (Ontario Research Fund)
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».