MétaCan
Menu
Retour à la cohorte
Enregistrement W3092381209 · doi:10.1093/braincomms/fcaa161

Sensorimotor cortex beta oscillations reflect motor skill learning ability after stroke

2020· article· en· W3092381209 sur OpenAlexaff
Svenja Espenhahn, Holly E. Rossiter, Bernadette C.M. van Wijk, Nell Redman, Jane Maryam Rondina, Jörn Diedrichsen, Nick Ward

Notice bibliographique

RevueBrain Communications · 2020
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensWestern UniversityUniversity of Calgary
Organismes subventionnairesMedical Research CouncilCardiff UniversityEuropean CommissionWellcome Trust
Mots-clésMotor learningStroke (engine)Physical medicine and rehabilitationPsychologyMotor skillMotor cortexBeta RhythmElectroencephalographyDreyfus model of skill acquisitionAudiologyMedicineNeuroscience

Résumé

récupéré en direct d'OpenAlex

Recovery of skilled movement after stroke is assumed to depend on motor learning. However, the capacity for motor learning and factors that influence motor learning after stroke have received little attention. In this study, we first compared motor skill acquisition and retention between well-recovered stroke patients and age- and performance-matched healthy controls. We then tested whether beta oscillations (15-30 Hz) from sensorimotor cortices contribute to predicting training-related motor performance. Eighteen well-recovered chronic stroke survivors (mean age 64 ± 8 years, range: 50-74 years) and 20 age- and sex-matched healthy controls were trained on a continuous tracking task and subsequently retested after initial training (45-60 min and 24 h later). Scalp electroencephalography was recorded during the performance of a simple motor task before each training and retest session. Stroke patients demonstrated capacity for motor skill learning, but it was diminished compared to age- and performance-matched healthy controls. Furthermore, although the properties of beta oscillations prior to training were comparable between stroke patients and healthy controls, stroke patients did show less change in beta measures with motor learning. Lastly, although beta oscillations did not help to predict motor performance immediately after training, contralateral (ipsilesional) sensorimotor cortex post-movement beta rebound measured after training helped predict future motor performance, 24 h after training. This finding suggests that neurophysiological measures such as beta oscillations can help predict response to motor training in chronic stroke patients and may offer novel targets for therapeutic interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,061
Tête enseignante GPT0,322
Écart entre enseignants0,261 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations67
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBrain CommunicationsMême sujetEEG and Brain-Computer InterfacesTravaux en français237 207