Effects of Neurofeedback in the Working Memory of Children with Learning Disorders: An EEG Power-Spectrum Analysis
Notice bibliographique
Résumé
Learning disorders (LD) are diagnosed in children impaired in the academic skills of reading, writing and/or mathematics. Children with LD usually show a slower resting-state electroencephalogram (EEG), with EEG patterns corresponding to a neurodevelopmental lag. LD-children also show a consistent cognitive impairment in working memory (WM), including an abnormal task-related EEG with an overall slower EEG activity of more delta and theta power, and less gamma activity in posterior sites; task-related EEG patterns considered indices of an inefficient neural resource management. Neurofeedback (NFB) treatments aimed at normalizing the resting-state EEG of LD-children have shown improvements in cognitive-behavioral indices and diminished EEG abnormalities. Given the typical findings of a WM impairment in LD-children; we aimed to explore the effects of a NFB treatment in the WM of children with LD, by analyzing the WM-related EEG power-spectrum. We recruited 18 children with LD (8-10 years old). They performed a Sternberg-type WM-task synchronized with an EEG of 19 leads (10-20 system) twice in pre-post treatment conditions. They went through either 30 sessions of a NFB treatment (NFB-group, n= 10); or through 30 sessions of a placebo-sham treatment (Sham-group, n= 8). We analyzed the before-after treatment group differences for the behavioral performance and the WM-related power-spectrum. The NFB group showed faster response times in the WM-task post-treatment. They also showed an increased gamma power at posterior sites and a decreased beta power. We explain these findings in terms of NFB improving the maintenance of memory representations coupled with a reduction of anxiety.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».