Shaping the structural dynamics of motor learning through cueing during sleep
Notice bibliographique
Résumé
Enhancing the retention of recent memory traces through sleep reactivation is possible via Targeted memory reactivation (TMR), involving cueing learned material during posttraining sleep. Evidence indicates detectable short-term microstructural changes in the brain within an hour after motor sequence learning, and posttraining sleep is believed to contribute to the consolidation of these motor memories, potentially leading to enduring microstructural changes. In this study, we explored how TMR during posttraining sleep affects performance gains and delayed microstructural remodeling, using both standard diffusion tensor imaging and advanced neurite orientation dispersion and density imaging. Sixty healthy young adults participated in a 5 days protocol, undergoing five diffusion-weighted imaging sessions, pre- and post-two motor sequence training sessions, and after a posttraining night of either regular sleep (RS) or TMR. Results demonstrated rapid skill acquisition on day 1, followed by performance stabilization on day 2, and improvement on day 5, in both RS and TMR groups. (Re)training induced widespread microstructural changes in motor-related areas, initially involving the hippocampus, followed by a delayed engagement of the caudate nucleus. Mean Diffusivity changes were accompanied by increased neurite density index in the putamen, suggesting increased neurite density, while free water fraction reduction indicated glial reorganization. TMR-related structural differences emerged in the dorsolateral prefrontal cortex on day 2 and the right cuneus on day 5, suggesting unique sleep TMR-related neural reorganization patterns. Persistence of practice-related structural changes, although moderated over time, suggests a lasting neural network reorganization, partially mediated by sleep TMR.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».