Investigating the Speed and Accuracy of Human Movement Corrections to Visual, Somatosensory, and Tactile Perturbations: Evidence for Distinct Sensorimotor Processes
Notice bibliographique
Résumé
Humans can adapt their movements in response to expected and unexpected perturbations. The speed and accuracy of these movement corrections may depend on the type of sensory information driving the perception of these perturbations. While previous research has indicated that corrections based on somatosensory information, comprised of proprioceptive and tactile inputs, are faster than corrections based on visual information, other studies have found comparable correction speeds in response to visual and tactile inputs. The purpose of this study was to systematically investigate the latencies (how fast) and magnitudes (how large) of movement corrections in response to perturbations of external visual targets, as well as somatosensory (proprioceptive and tactile) and tactile targets on the non-reaching limb. Participants performed reaching movements to a light-emitting diode (i.e., visual target), the felt position of a brush touching the index finger of the non-reaching hand (i.e., a tactile target), and the index finger of their non-reaching hand (somatosensory target). During some trials, the target was displaced 3 cm away or toward the participant either before or after the movement onset. Participants demonstrated faster and larger corrections to somatosensory target perturbations than to visual or tactile target perturbations. However, corrections to visual targets were more accurate than corrections to tactile targets. These findings support the hypothesis that distinct sensorimotor processes may underlie the adjustments made in response to somatosensory information versus those made in response to visual and tactile information.
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 | 0,014 |
| 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) | 0,000 | 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 ».