Targeted memory reactivation elicits temporally compressed reactivation linked to spindles
Notice bibliographique
Résumé
Abstract Memories reactivate during sleep, however the properties of such reactivation and its relationship to encoding strength and subsequent memory performance are not well understood. We set out to examine memory reactivations associated with a serial reaction time task (SRTT). 48 human participants performed the SRTT, and then slept in the lab while we deliberately induced reactivation in Slow Wave Sleep (SWS) using a Targeted Memory Reactivation (TMR) design. We detected reactivation after TMR cues using multiclass classification that adapted to sleep data by using sleep activity for training and wake activity for testing. We then examined the temporal properties of reactivation in relation to behavioural performance and sleep spindles. In keeping with the rodent literature, the observed reactivation was 3 to 20 times faster than waking activity. Furthermore, we report an inverted-U shaped relationship between TMR-related behavioural improvement and encoding strength, with very strong and very weak memories benefiting little from cueing while medium-strength memories benefit the most. Finally, reactivation was more frequently observed in trials with high sigma power, supporting the idea that sleep spindles are associated with memory reactivation during sleep. These findings bring us closer to understanding the characteristics of human memory reactivation after TMR, demonstrate when cueing is effective, and provide evidence for the positive relationship between the detectability of reactivation and memory consolidation.
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 | 0,001 |
| 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) | 0,001 | 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 ».