Decoding cerebro-spinal signatures of human behavior: Application to motor sequence learning
Notice bibliographique
Résumé
Mapping the neural patterns that drive human behavior is a key challenge in neuroscience. Even the simplest of our everyday actions stem from the dynamic and complex interplay of multiple neural structures across the central nervous system (CNS). Yet, most neuroimaging research has focused on investigating cerebral mechanisms, while the way the spinal cord accompanies the brain in shaping human behavior has been largely overlooked. Although the recent advent of functional magnetic resonance imaging (fMRI) sequences that can simultaneously target the brain and spinal cord has opened up new avenues for studying these mechanisms at multiple levels of the CNS, research to date has been limited to inferential univariate techniques that cannot fully unveil the intricacies of the underlying neural states. To address this, we propose to go beyond traditional analyses and instead use a data-driven multivariate approach leveraging the dynamic content of cerebro-spinal signals using innovation-driven coactivation patterns (iCAPs). We demonstrate the relevance of this approach in a simultaneous brain-spinal cord fMRI dataset acquired during motor sequence learning (MSL), to highlight how large-scale CNS plasticity underpins rapid improvements in early skill acquisition and slower consolidation after extended practice. Specifically, we uncovered cortical, subcortical and spinal functional networks, which were used to decode the different stages of learning with a high accuracy and, thus, delineate meaningful cerebro-spinal signatures of learning progression. Our results provide compelling evidence that the dynamics of neural signals, paired with a data-driven approach, can be used to disentangle the modular organization of the CNS. While we outline the potential of this framework to probe the neural correlates of motor learning, its versatility makes it broadly applicable to explore the functioning of cerebro-spinal networks in other experimental or pathological conditions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».