Abstract 11: Targeted Training of a Motor-parietal Circuit Improves Its Behavioral Output
Notice bibliographique
Résumé
Introduction: Emerging brain mapping methods measure function of individual brain circuits and have the potential to predict a patient’s gains and needs in the context of stroke rehabilitation. We recently described a motor-parietal circuit underlying visuomotor tracking and defined an EEG coherence measure (reflecting connectivity) that predicts visuomotor learning. Here we test the hypothesis that this EEG metric predicts visuomotor learning after stroke. Methods: After baseline dense-array resting EEG, patients with chronic hemiparetic stroke were provided with a home-based gaming system. During 9 half-hour training sessions, patients played games in which the stroke-affected arm tracked objects moving on the tabletop. Games were implemented using augmented reality, which we have found has advantages for motor training and in which virtual objects are projected into the real world and modified during game play. Results: Subjects (n=12) had affected arm Box&Blocks score of 15±12 and were 35±26 mo post-stroke. Visuomotor tracking improved significantly: on a standardized visuomotor test using the gaming system, scores increased from 60.5±11.5% to 74.0±3.2% (p=0.003). Gains were specific, as other behaviors were unchanged. Individual gains in visuomotor tracking score were predicted by the EEG connectivity metric from our prior study, coherence between leads overlying ipsilesional primary motor cortex (M1i) and ipsilesional lateral parietal region in the high beta (20-30 Hz) range, with higher connectivity predicting greater visuomotor tracking gains (r=0.61, p=0.037). This too was specific, as connectivity between M1i and other brain areas did not predict gains. Secondary analysis found that baseline visuomotor tracking scores correlated with several EEG connectivity measures, all inversely and all between M1i and contralesional regions. Conclusions: We found that (1) training that targets a specific brain circuit improves behavioral output of that circuit, and (2) an EEG measure of brain connectivity within that circuit predicts these behavioral gains--both with specificity. This approach may be useful for many neural circuits and their respective rehabilitation-related behaviors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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) | 0,015 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».