纠正的隐性变量基于模型的EMG因子化抑制肌肉协同组件与衰老,专业知识和力量-速度变化相关的组件
Subing Huang1, Xiaoyu Guo1, Jodie J Xie2,3
1Department of Electrical Engineering, City University of Hong Kong, Hong Kong, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究揭示了肌肉协同作用中的抑制成分,表明衰老和专业知识影响了这些神经控制元素. 这些抑制因素适应不断变化的任务需求,如速度和力.
科学领域:
- 神经运动控制控制器
- 运动学习是指运动学习.
- 神经科学是一个神经科学.
背景情况:
- 肌肉协同作用是神经运动控制的关键策略.
- 肌肉协同作用中的抑制成分尚未得到研究.
- 了解这些组件对于运动控制研究至关重要.
研究的目的:
- 从电肌图 (EMG) 数据中识别和描述电机模块中的抑制成分.
- 研究衰老和运动专业知识对这些抑制成分的影响.
- 探索神经系统如何调整这些组件以适应不同的任务需求.
主要方法:
- 使用了纠正的潜变量模型 (RLVM).
- 分析了专家钢琴家演奏尺度和乐曲的EMG信号.
- 在数据收集过程中变化的节奏和力条件.
主要成果:
- 年龄较大的参与者比年轻的参与者表现出更高比例的抑制成分.
- 高级专家在他们的左手中显示了更多的抑制成分.
- 抑制成分通常会随着节奏的增加或力量的减少而变得不那么负面.
结论:
- 肌肉协同作用中的抑制成分受到衰老和专业知识的影响.
- 这些组件在调整机动控制以适应复杂的任务变化方面发挥着作用.
- 这些发现为运动适应的神经基础提供了新的见解.


