Isolating the effect of beat salience on RAS outcomes
Notice bibliographique
Résumé
Abstract Rhythmic auditory stimulation (RAS) is an intervention for gait-disordered populations that involves synchronizing footsteps to regular auditory cues. Previous research has shown that high-groove music (music that induces the desire to move or dance to it) improves gait relative to low-groove music, but how this effect occurs is unclear. Greater beat salience in high-groove music may improve gait because salient beats are easier to synchronize with. Here, we manipulated beat salience by embedding metronome tones to emphasize beat onsets in both high- and low-groove music. We expected that, if beat salience drives gait improvements to high-groove music, then embedding metronome in low-groove music would elicit similar gait improvements (e.g. increased stride velocity). Here, we quantified gait synchronization in terms of period-matching (overall step rate to the cue pace) and phase-matching (individual step onsets to beat onsets). We tested a sample of healthy younger and older adults, with auditory cues matched to 10% faster than baseline. Low-groove music with embedded metronome, compared to without, elicited better period-matching; there were no differences between metronome conditions in high-groove music. These findings suggest gait improvements to high-groove music could be due to its high beat salience. On the other hand, embedded metronome did not improve phase-matching accuracy, but high-groove music did. This suggests that beat salience may not improve gait via easing step-to-beat synchronization, but rather through an overall increase in movement vigor.
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 | 0,003 |
| 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) | 0,002 | 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 ».