Structural Gray Matter Changes in the Hippocampus and the Primary Motor Cortex on An-Hour-to-One- Day Scale Can Predict Arm-Reaching Performance Improvement
Notice bibliographique
Résumé
Recent studies have revealed rapid (e.g., hours to days) training-induced cortical structural changes using magnetic resonance imaging (MRI). Currently, there is great interest in studying how such a rapid brain structural change affects behavioral improvement. Structural reorganization contributes to memory or enhanced information processing in the brain and may increase its capability of skill learning. If the gray matter (GM) is capable of such rapid structural reorganization upon training, the extent of volume increase may characterize the learning process. To shed light on this issue, we conducted a case series study of 5-day visuomotor learning using neuroanatomical imaging, and analyzed the effect of rapid brain structural change on motor performance improvement via regression analysis. Participants performed an upper-arm reaching task under left-right mirror-reversal for five consecutive days; T1-weighted MR imaging was performed before training, after the first and fifth days, and 1 week and 1 month after training. We detected increase in GM volume on the first day (i.e., a few hours after the first training session) in the primary motor cortex (M1), primary sensory cortex (S1), and in the hippocampal areas. Notably, regression analysis revealed that individual differences in such short-term increases were associated with the learning levels after 5 days of training. These results suggest that GM structural changes are not simply a footprint of previous motor learning but have some relationship with future motor learning. In conclusion, the present study provides new insight into the role of structural changes in causing functional changes during motor learning.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».