日前,Science子刊《Science Advances》(影响因子14.957/Q1)刊文结合经颅磁刺激技术及阳极经颅直流电刺激技术剖析运动技能的获得:空间坐标占优先地位。原文链接:DOI: 10.1126/sciadv.abo3505 论文主要部分整理翻译如下:
摘要
练习一个以前未知的运动序列往往会导致运动块的巩固,从而使其能够以越来越快的速度准确执行。最近的影像学研究表明,这些结构的功能与序列的编码、存储和检索更相关,而不是只执行它们。我们发现,正如Hikosaka在1999年提出的那样,**运动技能的获得优先考虑将序列的空间特征储存在记忆中,而不是在训练的早期快速执行。这一过程在老年人中似乎被削弱了,但通过对运动皮层的正极经颅直流电刺激,这一过程得到了部分恢复,表现为准确性的急剧提高和运动块的提前但逐渐出现。这些结果表明,运动块的出现先于记忆中的序列存储,但不是它的直接结果;相反,这些结构取决于运动练习,并由运动练习产生。
引言
完成日常生活中的活动往往需要按照特定的顺序来执行动作。大量的研究集中在人类如何获得连续的运动技能上,使用成熟的实验范式和不同的成像技术来研究导致技能提高的过程。其中一个范式,即连续敲击手指的任务,在过去几年一直被使用,因为它与某些需要较高灵巧技能的活动相似,如弹钢琴或在电脑上打字。序列敲击任务的性能改进的特点是速度-准确性权衡的转变,其中运动序列的执行速度增加而不牺牲准确性。以越来越快的速度执行序列元素会导致执行模式的自发出现,即运动块,它可以减少心理负担,并促进速度的进一步提高而不牺牲准确性。
最近关于这种类型的运动任务的讨论涉及到它对探测运动能力变化的有效性。运动块似乎对这种任务的优化至关重要。尽管关于初级运动皮层(M1)在运动技能习得中的作用的讨论一直在进行,但最近的研究并没有发现这些结构在初级运动皮层中的表现,因此,该任务似乎主要探测的是运动学习的认知方面,特别是记忆中序列元素的有效检索。然而,大多数研究都是在健康的年轻人中进行的,在这些人中,所涉及的机制,如序列元素的编码、存储和成功的检索,可能行动得太快而无法被应用的方法所捕获。
系统工程中一个常见的方法是通过比较系统的预期行为(即要求)和它的实际性能来检查一个应用的功能。这种方法也可以应用于生物系统。例如,Shadmehr和Krakauer将描述运动控制的计算模型与中枢神经系统病变患者的特定人群进行了比较,将不同的模型参数映射到病变的脑区,并将不同的角色归于它们(例如,状态估计、优化等)。同样,通过将构成要求的个体(如青壮年,描绘出**性能)和参与机制可能不再发挥**功能的个体(如老年人)并列,可以更好地理解参与运动序列学习的机制。
以前的研究表明,大脑老化后会发生神经生理、结构和功能的变化,导致认知和运动功能的下降;回顾一下,请参考。因此,运动技能的掌握在老年人中通常会减弱。然而,在运动皮层应用正极经颅直流电刺激(atDCS)似乎可以增强运动技能的掌握。虽然atDCS在个人身上的作用机制很复杂,还没有完全理解,但它的应用可以作为一个额外的探针来剖析运动技能的获得。
我们设计了一项研究,旨在确定导致运动技能习得随年龄增长而出现差异的主要因素,以及(ii)在运动训练中应用无创脑刺激的效果。我们比较了年轻人和老年人运动技能习得的不同部分,构成了本研究中表现的两个极端。我们发现,通过早期巩固记忆中序列的空间属性(即序列顺序),导致执行错误的减少,以及通过优化其时间特征(即分块),序列敲击任务的改进得到了**化。我们发现,时空特征的巩固在年轻人的训练中很早就发生了,这表明运动块的出现是将序列元素存入记忆的直接结果。这一过程在老年人中似乎效率较低,但可以通过使用atDCS使空间特征的早期巩固得到部分恢复,使他们能够优先提高执行速度,最终导致运动块的早期巩固。这种在老年人身上看到的空间和时间特征的单独巩固表明,时间模式的出现,通常在行为层面上被确定为运动块,源于练习后对运动序列执行的优化,而这只有在序列顺序被储存在记忆中后才能发生。
结果
序列敲击任务的执行和练习中与年龄有关的行为差异
我们使用一个成熟的顺序敲击任务来研究与健康老化有关的运动表现差异,并在训练中跟踪其演变。我们招募了属于三个年龄组的52名健康成年人:年轻人(18至30岁;=22,13名女性;年龄μ=24.7岁),中年人(50至65岁;=15,9名女性;年龄μ=57.4岁),和老年人(>65岁;=15,8名女性;年龄μ=74.1岁)。每个参与者连续五天每天训练20分钟。训练包括六个90秒的训练区块,中间有90秒的休息区块。受试者必须用他们的左手(非主导)尽可能快和准确地复制屏幕上显示的九位数序列。在训练的中途,我们插入了第七块不同的序列(即 "捕捉 "块),以评估随机序列的纯运动执行与训练序列的执行之间的差异。参与者在训练开始后的第10天和第60天返回,以评估所学序列的长期保持情况。
图1A显示了这个实验的主要结果。我们发现训练序列的学习没有转移到捕捉区块,所以我们在随后的分析中删除了这些区块(请参考补充材料,以找到包括捕捉区块的得分)。以前的研究只考虑正确序列的数量作为主要结果。然而,由于我们指示我们的参与者既要尽可能快又要尽可能准确,我们在更传统的衡量标准上增加了一个额外的因素,通过考虑每个区块中产生的正确序列的数量来给参与者打分,并以正确序列与绝对序列数量的比率(即正确百分比)进行加权。为了捕捉个人在训练序列上的改进,我们通过用**个区块的分数减去后面区块的分数作为居中程序来校正个人分数(关于评分的选择,请参考补充材料,并找到所有组的未居中分数)。
图1. 实验1中的运动技能获得。
实验1中序列敲击任务的每个训练块的得分。分数是每个年龄组的平均数,误差条对应于SEM。在整个训练周中,由不同方面的学习[即D1期间的快速在线学习,D2至D5期间的在线学习,以及训练日之间的离线学习]所代表的总学习比例。外圈体现了这三个方面的学习占总学习量的比例,而内圈则体现了它们在一周内的时间进程(逆时针)。**个内圈是D1期间的在线性能增益,第二个内圈是D1和D2之间的离线性能增益,第三个内圈是D2期间的在线增益,等等。黄色和蓝色代表改善,而黑色和灰色代表表现恶化。请注意,年轻的成年人在几天之间表现出离线改善,而中年和老年成年人不仅缺乏这种改善,而且在一夜之间恶化。速度和准确度,与**轮训练中的数值成正比,反映了与初始水平的相对变化。所有组别都显示出速度的持续增长,动态相似;各年龄组之间的相对差异显示出青壮年是最快的,老年人是最慢的。请注意在比较年轻的成年人和年长的成年人时,准确度的动态变化是不同的,前者在**天就急剧提高了准确度,而后者在整个训练周中逐渐提高准确度。特别重要的是,所有年龄段的人都显示出持续增长的速度,而准确率却没有下降,这构成了速度-准确率权衡的转变。阴影代表对数曲线拟合的95%置信区间(这种类型的曲线仅用于显示,不包括在LME分析中)。
图1B显示了**天快速在线学习、随后几天较慢的在线学习和训练日之间的离线学习占总学习的比例。值得注意的是,中老年人缺乏离线学习,取而代之的是离线遗忘。以前的研究表明,睡眠后对手指敲击任务的学习巩固,这种效果在年轻参与者中很明显。这种巩固的程度可能取决于不同的睡眠相关因素。在老年人中,以前的研究显示运动学习的巩固性受损,可能与睡眠纺锤体振荡的减少和皮质脑网络活动的相关减少有关。老年人的睡眠质量下降,来自于昼夜节律的变化和零散的睡眠,也可能导致缺乏离线收益。据报道,休息后的成绩下降来自于热身运动的减弱,这可能会使训练期间的改进率估计出现偏差。然而,由于青壮年没有离线损失,而且我们仍然看到所有组别中从第二天起就有可比的斜率,因此,在老年人中看到的似乎减少的保持力不太可能人为地改变这个组别中的学习曲线。
速度和准确性的年龄差异
由于运动技能习得是指与实践相关的运动任务执行速度和准确性的增加(38),因此这些参数可以解释**天斜率的差异。年轻人的速度明显高于中年人(t49= 4.41, d = 2.64, P = 0.0001) 及更早 (t49= 7.35,d = 4.40,P<0.0001)成人,中年人的速度高于老年人 (t49= 2.69, d = 1.76,P = 0.02)。**天的准确性在各年龄组之间没有显着差异,但年轻组在第2天明显比老年组准确(t76= 2.98, d = 0.82, P = 0.01) 和第 3 天 (t76= 2.93,d = 0.81,P = 0.01)。
我们对每组的速度和准确性进行归一化,以研究这两个参数的动力学。图1C显示了所有三组相对于**组训练的速度和准确性的变化(有关速度和准确性计算的更多详细信息,请参阅补充材料)。在所有年龄组的训练中,速度持续增加,尽管程度不同(图1C,虚线)。年轻人和老年人的准确性遵循不同的动态;从**天的相似准确性水平开始,年轻参与者在训练的早期阶段急剧提高了准确性并达到了平台,而年龄较大的组在训练周的过程中逐渐达到其**准确性(图1C,实线)。换句话说,年轻人按照一种让人想起Hikosaka及其同事提出的模型的模式提高了他们的执行力,其中任务的空间坐标(即,数字与存储在内存中的手指的精确映射)在运动坐标(即快速执行运动)之前得到优化。相比之下,老年人似乎并行发展两个坐标,逐渐提高速度和准确性。
运动块和与年龄有关的差异
运动分块是个人如何处理顺序任务的成熟模型。在排序的分层模型中,长序列被分割成较短的块,其由为快速连续执行而准备和缓冲的单个运动组组成,以平衡执行效率和计算复杂性。我们通过应用基于集群的算法(有关详细信息,请参阅方法)从每个参与者中提取分块模式,该算法使用二进制的九位数序列表征他们每天的策略。图 2 描绘了在第 1 天为每个参与者提取的模式的径向可视化。
图2. 在**个实验中,参与者在**天的训练中产生的分块模式的径向可视化,该实验涉及没有刺激的运动训练。
圆圈周长的灰色点(S1,S2,...,S9)对应于从每个参与者中提取的分块模式的每个箱。分块模式的每个值都充当拉动数据点的“绳索”。例如,分块策略几乎完全对序列的最后三个元素进行分组(标记为 [0, 0, 0, 0, 0, 0, 0, 1, 1])将导致位 S8 和 S9 拉动数据点,从而导致图上位于 S8 和 S9 之间的蓝点。
年轻人和老年人在特定地区聚集得更密集,而中年人则分布在其他两个地区。为了量化年龄组之间分块策略的差异,我们在**天为年轻人和老年人生成的模式拟合了支持向量分类器(SVC)(请参阅方法以获取更多详细信息),因为它们代表了速度和一般性能的极端情况。在微调分类器后,我们提取了每个九维数据点的距离,这些数据点表征了分块模式到分隔“年轻”和“旧”类的决策边界;我们在此将此参数称为“分块距离”。图3A显示了训练的**天和最后几天以及训练后第60天(即最后一次随访会议)提取的分块距离。在**天,来自大多数年轻和年长参与者的模式被正确地分类为这样,证实了我们通过图2中的目视检查检测到的簇的存在。关于中年人,除了一些例外,大多数似乎都产生了与**天年轻人更相似的模式。
图3. 实验1中运动技能获得过程中分块模式的演变。
(A)在训练的**天和最后一天以及最后一次随访会议(即第60天)为实验1中的每个组生成的模式的分块距离。(B)每个组每天的平均分块距离及其相应的SE。两个面板中的红色虚线表示两个类之间的边界,该边界是**个训练日中年轻和年长参与者的分块策略的特征,任何大于零的距离都标记为旧距离,任何小于零的距离标记为年轻。
我们使用相同的模型来分离剩余几天的分块模式,这些模式由分类器以前看不到的数据点组成。图3A显示,大多数中年和老年人在训练结束时产生了类似于年轻人的分块模式,年轻人在训练过程中并没有改变他们的策略。这与文献中显示老年人在长时间训练后“年轻样”分块的报告一致(42)。图3B显示,这一过程在老年人中更为渐进,这与图1C所示的准确性逐渐提高一致。
老年人群中的运动训练与atDCS相结合
我们按照与实验1相同的设计进行了单独的实验(实验2),在运动技能获取期间,在训练手的运动皮层对侧上添加atDCS,以提高任务的性能。我们招募了一组新的61名健康成年人,属于同一年龄组:年轻(18至30岁;n = 19, 15 女性;年龄μ = 24.4),中年(50至65岁;n = 19, 11 女性;年龄μ = 58)和年龄(>65岁;n = 23, 13 女性;年龄μ = 71.2)组。我们随机分配每个年龄组的参与者接受真正的(即,verum;年轻= 10,中年= 9,老年人= 14)或安慰剂刺激(年轻= 9,中年= 10,老年人= 9)。参与者训练的时间与未受刺激的队列相同(即,20分钟/天,持续5天),并返回两次以测试学习和刺激的长期效果。我们将阳极电极放在右运动皮层(M1)上,其中心位于运动皮层上左手的**背骨间(FDI)肌肉的表示上,使用单脉冲经颅磁刺激(TMS)进行识别。
图4A显示了该实验的主要结果。我们以与**个实验中未刺激队列相同的方式测试安慰剂组,发现年龄组之间的相对差异相似。两个实验的所有统计测试都在补充材料中详细说明。图4B的**行显示,中年和老年参与者缺乏离线学习,被离线恶化所取代,如实验1所示(图1B)。
图4. 实验2中的运动技能学习。
(A)实验2期间产生的平均分数,包括带刺激的运动训练,误差线描绘了SEM。数据按年龄组和刺激类型[即,verum (V)或安慰剂(P)]分组。(B) 整个培训周的总学习百分比,表现为快速在线学习(D1)、D2至D5期间的在线学习以及培训日之间的离线学习。每个外圈通过这三个方面捕获总学习的比例,而内环在一周内呈现其时间过程(逆时针):**个内圈是D1期间的在线性能增益,第二个内圈是D1和D2之间的离线性能增益,第三个内圈是D2期间的在线增益, 等。黄色和蓝色表示改进,而黑色和灰色表示性能下降。请注意,在老年参与者中,通过快速在线学习解释的总学习比例存在很大差异。(C)将速度和准确性归一化为**个训练块,按年龄组和刺激类型分组。请注意,虽然大多数组表现出与**个实验中各个年龄匹配组相似的动态,但接受静脉刺激的老年组显示出与年轻人更相似的动态。与**个实验一样,即使在速度增加的情况下,准确性也保持了下来,尽管在最后一个训练日接受静脉刺激的年轻人的准确性显着下降。阴影表示对数曲线拟合的 95% 置信区间(曲线类型仅用于显示目的,不包括在 LME 分析中)。
在验证了**组的研究结果后,我们测试了静脉和安慰剂刺激在每个不同年龄组中的效果。年轻人的总学习量没有显着差异(t20= 0.90, d=0.53,P=0.37) 或中年 (t20=0.77, d=0.44, P=0.44) 组。然而,在较老的组中,我们发现verum组的总学习量更高(t24=2.76,d=1.53,P=0.01)相对于安慰剂。在随访课程中,我们发现年轻和中年参与者的verum和安慰剂刺激之间的评分没有显着差异。与第5天相比,年轻组在第60天的表现没有变化,但在中年(t148= 3.19, d = 0.59, P = 0.004) 及更早的组 (t182= 2.57, d = 0.43, P = 0.02)。然而,接受静脉刺激的老年组的得分继续明显高于接受安慰剂刺激的组(t21= 2.38, d = 1.49, P = 0.02)。在第60天(即在**个块之后)检索运动记忆后,分数与第5天的分数没有显着差异,没有提供技能损失的证据,但即使在训练后2个月也能维持所获得的技能。
在测试所有培训日时,我们没有发现在线或离线学习的刺激显着影响。当测试快速在线学习作为学习的一个单独组成部分(29)时,我们发现与安慰剂相比,接受verum刺激的老年组的改善率更高(t21= 2.68, d = 1.14, P = 0.01)。我们在图4B的第二行中说明了这种差异(以及其他组中缺乏这种差异),显示了在verum组(外环)中学习的不同组成部分与总学习的比例。这些比例与年轻人和中年人安慰剂组的比例相似。在较老的组中,快速在线学习占总学习的比例远大于安慰剂组。
图4C显示了第二个实验中速度和精度的动态变化。在三个年龄组中,Verum组和安慰剂组之间在速度上没有显着差异。在准确性方面,到训练结束时,接受静脉刺激的年轻组明显低于安慰剂组(t23= 2.16, d = 0.97, P = 0.04)。接受静脉刺激的中年组在**次(t21= 3.39, d = 1.67, P = 0.002) 和第二 (t21= 2.45, d = 1.21, P = 0.02) 天。在较老的组中,除第三天外,verum组在所有日子中始终比安慰剂组更准确(请参阅补充材料以查找比较结果),尽管我们没有发现**个块的准确性有显着差异(F1= 0.038, P = 0.84)。与**个实验一样,接受安慰剂刺激的老年组在一周内逐渐达到其**准确性。相比之下,接受静脉刺激的老年组在**天显示出急剧增加,并迅速达到其平台,其动力学让人想起在**个实验中观察到的年轻组(请参阅图1C,实线)。总而言之,verum atDCS导致年龄较大的参与者在培训结束时得分更高。然而,它似乎对任务的执行速度没有任何影响。我们的结果表明,verum atDCS导致老年人在**天迅速提高准确性,就像年轻人在**个实验中所做的那样。
分块和刺激
在分析的**部分中,我们提出准确性的差异至少部分来自年龄组之间训练期间运动块的整合和部署的差异。我们将用来自未刺激队列的数据训练的相同分类器应用于从接受verum和安慰剂刺激的参与者中提取的分块模式(SVC以前从未见过数据)。图5A显示,在培训的**天,该模型正确地对大多数年轻参与者进行了分类,而将大多数中年参与者分类为年轻人;这与从未刺激的队列中获得的结果相匹配。该模型还正确地分类了接受安慰剂刺激的老年参与者。相比之下,该模型将近一半接受静脉刺激的老年参与者归类为年轻。在培训结束时,大多数参与者执行的分块模式与年轻人的模式更相似,与我们之前的发现相匹配。图5B显示了所有组中分块模式的逐渐演变,年轻人以一致的方式执行模式。中年人开始时的模式与年轻人的模式更相似,在训练周的过程中变得更加相似。老年人从老年样模式漂移到年轻模式,如**个实验所示,这种转变在verum组中发生得更快。
图 5.实验2中运动技能获取过程中分块模式的演变。
(A)对于接受verum(V)或安慰剂(P)刺激的每个组,在训练的**天和最后一天以及最后一次随访会议(即第60天)生成的模式的分块距离。如图 3 所示,红色虚线表示旧类(距离,>0)和年轻(距离,<0)类之间的边界。请注意,所有组都呈现出与**个实验(图3A)相似的距离,除了接受静脉刺激的老年组,其中一半的参与者产生类似于在训练**天在年轻人中看到的分块模式。(B)每个组每天的平均分块距离及其相应的SE。请注意,与安慰剂组相比,在接受静脉刺激的老年组中,年轻样块状模式的早期出现。
为了测试这些分块差异是否转化为老年组任务的不同表现,我们确定了**天被归类为年轻人的verum组中的参与者,并将其分数与组中的其他参与者分开绘制,以及速度和准确性。图6A显示了所有老年参与者的得分,verum组中的年轻样参与者的得分明显高于verum组中的老年参与者(t27= 6.17, d = 3.27, P < 0.0001)。在训练的**天产生类似年轻模式的老年人在**个训练块上明显更快(t12= 2.61, d = 1.41, P = 0.02) 和整体在**个训练日 (尽管这种差异只是一个趋势;吨12= 1.94, d = 1.71, P = 0.07),相比他们的同龄人在 verum 条件下,但不像年轻在训练的**天进行分块。从第二天开始,像年轻人一样的老年人一直比同龄人快得多。与没有速度的老年人相比,**天产生类似年轻分块模式的老年人(即斜率)的改善率明显更高(t80= 2.85, d = 0.29, P = 0.005)。至于准确性,即使在基于生成的分块模式进行细分之后,所有接受静脉刺激的老年人在**个训练日都得到了显着改善,而接受安慰剂刺激的老年人在训练中逐渐改善。在**个训练日(无论是在verum组还是在安慰剂组中)没有像年轻人那样的分块的老年人需要更广泛的练习来产生类似年轻人的分块模式,这是他们在不同的训练时间点根据自己的速度达到的成就[请参阅图6(C和D)],支持“分块促进快速执行的趋势”的概念, 以及快速执行的需要诱导分块“(43)。
图 6.实验2的主要结果仅适用于年龄较大的组,接受静脉刺激的组根据**个训练日产生的分块模式进行分层。
(A)与在verum组和安慰剂(P)组中产生老年样模式的参与者相比,在**天产生年轻样模式的老年参与者表现出增强的性能。请注意,较老的 verum 组的性能急剧增加,产生了类似年轻分块的模式,这让人想起年轻组参与者的增加。(B)安慰剂组和verum组的老年人从相当的准确性水平开始训练。虽然安慰剂组在训练过程中逐渐提高了准确性,但verum组的年轻和老年成员在**次训练中以与**次实验的年轻人相当的速度大幅提高了准确性。(C)**天产生类似年轻人的块状模式的verum组中的老年人最初比同龄人更快,并且以更陡峭的速度增加速度。(D)该图描述了每个参与者在产生类似年轻人的分块模式之前所经历的练习量(即生成的序列的累积数量)以及他们这样做的那一天。Verum组中的年轻老年人比同龄人需要更少的练习,需要相似数量的练习(约140个序列)来产生类似年轻人的模式。请注意,当与每组的速度[即(C)]一起考虑时,这表明在较低的速度下(即在旧式胫骨和安慰剂组中看到的那些),所需的练习量高于在较高速度下。(A 到 C) 中的误差线描述了每个训练块上平均分数的 SE。
块状、刺激和神经生理学
我们使用已建立的TMS方案来测量第二个实验中所有参与者的皮质内抑制。我们在**次训练之前和之后应用了完善的双脉冲TMS范式[即短间隔皮质内抑制(SICI)](21,44,45),以量化M1内的神经元间GABA能抑制,其直接参与运动序列的学习和执行。我们在参与者休息时应用了SICI范式。在安慰剂组中,我们发现在**次训练之前或之后或整个训练周之后的抑制没有显着差异。同样,我们没有发现任何年龄组的verum和安慰剂之间存在显着差异,从而证实了以前的报告,即当atDCS与运动训练一起应用时,SICI不会显着变化(46)。
讨论
在这里,我们研究了序列敲击任务的获取中与年龄相关的差异,并将atDCS应用于寻求提高性能的运动训练。我们分离了这项任务固有的运动技能获取的不同组成部分,并在整个训练期间和训练后长达2个月跟踪它们的演变。我们对比了年轻人的运动技能习得的动态,假设他们能够以**方式获得任务,而老年人的运动技能获得动力学,描绘了这项任务的表现普遍较低。我们的结果表明,掌握这种运动任务依赖于运动序列的早期内化,然后是其执行的实践依赖性优化,在行为水平上观察为运动块。
**个实验的结果表明,序列敲击任务的一般表现随着年龄的增长而降低,年龄组之间的分数差异主要来自**个训练日存在的改进动态。我们的研究结果表明,速度随着年龄的增长而降低,年龄组之间的相对差异如预期的那样,自然肌肉退化(47)和皮质区域的萎缩以及健康衰老期间发生的胼胝体(19)。另一方面,准确性最初在三组之间相当,但在年轻人的**个训练日急剧提高并达到平台,而老年人在训练过程中逐渐提高。这些结果表明,年轻人首先通过**限度地减少执行错误并专注于提高速度来提高这项任务的表现,这种行为让人想起Hikosaka及其同事提出的模型(39)。
指示个体快速连续地产生连续运动导致称为运动块(6,7)的时间模式的自发出现。我们对所有参与者产生的分块模式的分析表明,老年人在**个训练日并没有像年轻人那样产生分块模式,而是在更广泛的练习之后才产生。先前关于电机分块的研究假设块是从在时间接近的单个命令的重复顺序执行中产生的(9)。在我们的**个实验中,年轻人的速度更快,所以人们可以推断出,这种更高的速度允许在训练的**天进行更密集的练习,这导致他们更快地产生分块模式。
第二项实验显示,atDCS仅在老年人中具有显着影响,在verum条件下的老年人得分显着高于对照组的同龄人。对**个实验的数据进行的相同分析显示,在训练期间接受verum atDCS的老年人在**个训练日大幅减少了他们的误差,就像**个实验的年轻人一样。此外,他们产生了类似于年轻人在训练早期阶段看到的分块模式,其中许多人在训练的**天就这样做了。乍一看,这些结果表明,并非所有老年人对atDCS的反应都达到相同的程度。然而,老年人在verrum条件下的速度和准确性,根据他们是否在训练的**天产生类似年轻人的分块模式进行分组,表明atDCS通过促进序列在记忆中的编码和存储来作用于所有老年人,从而导致**次训练的准确性大幅提高。另一方面,具有类似年轻人的块状模式的老年人最初更快,这除了在**个训练日实现的优化精度外,还导致运动块的较早合并。
因此,在verrum条件下,老年人按照与年轻人相似的模式改善了他们的表现,首先优化错误,然后改善执行,尽管根据他们的执行速度,以不同的速度提高。如前所述,加速会导致块形成,而块形成允许进一步提高速度,这得到了更快,像年轻人一样的老年人更早地切块并更陡峭地增加速度的支持。
序列敲击任务的运动和认知成分
最近的研究表明,运动块在M1内不代表,而是在运动前皮质和纹状体中心形成(48),其模式在顶叶皮层以及背侧和腹侧运动前皮质中表示(13)。随后的块选择发生在纹状体(48)和双侧壳膜(49)以及背侧运动前和辅助运动区域(50,51),块执行最终发生在M1(14)。Krakauer及其同事(15)认为,M1中缺乏运动块的表示表明这些结构不是选择性的运动,而是独立于运动执行的认知元素,其功能**于存储顺序元素的顺序以进行有效的检索。如果是这样的话,那么记住这些模式出现的顺序就足够了,在本研究的情况下,优化其执行并**限度地减少错误。在现实世界中,这将转化为钢琴家能够通过研究乐谱来掌握一首乐曲,但事实似乎并非如此(52)。
我们的方法捕获了速度、准确性和生成的分块模式方面的行为差异。考虑到所有组中的速度持续增加而不降低精度,观察到的改进是由于速度 - 精度权衡的变化(4,53)。准确性的提高可能反映了序列元素在内存中的存储,这是由于从高不确定性状态(即对序列的无知)过渡到低不确定性状态(即知道序列)引起的。该信息构成了特定于训练序列的空间特征集(51),并且可能通过提高执行本身的动机和信心来提高速度(不牺牲准确性)(54)。这个过程确实独立于运动练习,并将捕获这项任务的认知维度。
我们的方法检测到的分块模式反映了一组不同的特征。由于本方法使用互键间隔(IKI)来识别块,因此它描绘了执行的节奏,这构成了时间特征集。特定的时间模式可以在外部鼓励[例如,参考这个实验范式(55)],就像分区决定了音乐演奏的节奏一样。所教授的模式可能是次优的,需要在紧密的时间接近中执行相对困难的过渡,但在没有外部时间线索的情况下,更容易的过渡通常被组合在一起(56)。这些模式通过实践进行了优化,其结构受到计算成本和电
机效率之间平衡的约束(41)。
Kornysheva和Diedrichsen(55)发现编码空间和时间特征的神经活动在外侧和双侧内侧运动前皮层中独立代表。这些发现表明,运动块的出现,正如我们的方法捕获的那些,是由于在运动网络中M1上游的高等大脑区域中存储空间和时间特征,这种机制在老年人中似乎被削弱了。我们的结果表明,提高该任务性能的最有效方法是首先存储空间分量(即序列顺序),然后存储和迭代优化时态特征(即分块模式)。这种顺序可能特定于当前任务,因为没有提供外部时间线索;当序列顺序和时间模式都明确可用时,两者可以并行合并。
剖析运动技能的获得
关于运动块是否纯粹是认知元素的讨论正在进行中(15)。在目前讨论的分析中,我们认为年轻人能够**地获得运动技能(在人类神经运动系统固有的约束范围内)。因此,我们认为它们体现了系统对获取序列分路任务的要求。在年轻人中,准确性在训练的早期阶段达到平台,表明序列已存储在记忆中。另一方面,分块模式也会在**个训练日出现,并且在其余的训练中保持相对不变。这种对准确性和分块模式的早期优化可以被解释为分块模式是将序列存储在内存中的直接后果。然而,我们在老年人中观察到的过程表明情况并非如此。在老年人中,在记忆中存储序列的机制似乎被削弱了,因为它们的准确性在训练周的过程中逐渐增加。然而,atDCS似乎在训练的早期恢复了这种机制,类似于重新激活大脑的休眠能力,导致空间特征的早期巩固,并在**次训练中优化准确性,如年轻人所见。分块模式出现在训练的不同阶段,这似乎取决于练习量,间接取决于执行速度。图6A显示老年人更快地分块,这将支持在训练早期增加练习量的概念,从而更早地合并块。这并没有得到其他老年人的支持,因为他们中的大多数人需要类似数量的练习来产生类似年轻人的分块模式,而不管速度的差异如何;请注意,在训练后期出现的模式,但需要类似的练习量意味着执行速度较慢。似乎相对较高的速度(例如,像在年轻和中年人中看到的速度)将素数放在序列的**执行上,导致块状模式的加速形成,而以较低的速度执行序列(例如,verum下的老年老年人和安慰剂下的所有老年人)导致块的合并速度较慢, 需要更广泛的实践。
这些结果支持序列挖掘任务固有的至关重要的认知成分的概念(15)。然而,在行为水平上检测为运动块的模式的结构取决于按键之间机械转换的难易程度(56),并通过实践进行优化(这一过程在较慢的老年人中发生得更为缓慢)。这也许可以解释为什么钢琴家在记住音乐作品很久之后需要大量的练习来完善它。
atDCS对空间坐标存储的影响
我们的研究结果表明,当阳极放置在M1的对侧手旋钮表示上时,atDCS通过促进序列顺序在记忆中的存储来促进老年人运动块的巩固(尽管值得注意的是刺激的空间分辨率是有限的)。鉴于该技术的非焦点性(57),我们不能放弃对其他大脑区域(例如运动前皮层)进行生理相关刺激的可能性,因为序列的空间和时间分量分别在这些区域中单侧和双侧编码(55)。因此,阳极不仅可以在受训练手的M1对侧皮质内中间神经元(59)中诱导长期增强的可塑性(58),还可以在腹侧和背侧运动前区域(即PMv和PMd)中诱导长期增强的可塑性(58),从而促进这些区域中空间坐标的存储。
为了寻找atDCS选择性作用背后的可能原因,似乎是老年人独有的,我们量化了M1中的皮质内(GABA能)抑制,因为以前的研究表明,效率较低的SICI与执行快速交替的双指敲击的灵活性较低有关(20,21).然而,我们没有发现任何年龄组的verum和安慰剂之间存在显着差异,证实了以前的报告,即当atDCS与运动训练一起应用时,SICI不会显着改变(46)。这进一步支持了这样一种观点,即atDCS在行为水平上对老年人的影响并不直接作用于序列本身的执行,而可能作用于运动网络上游的较高大脑区域。
如果我们将块形成的过程设想为在执行运动序列时从高不确定性到低不确定性的过渡,那么我们可以考虑每个信息源都有助于这种状态的变化。在最近的一项研究中,Cross及其同事(60)发现了初级运动皮层是躯体感觉和视觉反馈收敛的枢纽的证据。这些信息可能被整合到较高的大脑区域,例如运动前(61)和顶叶皮层(16),这是减少执行任务时出错的重要过程。感觉运动整合随着年龄的增长而减少(62岁),因此atDCS可以补偿老年人的这一过程。
在运动序列学习中使用 atDCS 的意义
在训练的**天,年轻人优化了他们的准确性,并专注于提高速度,在训练的早期经历速度与准确性权衡的转变。空间坐标的合并允许快速优化时态特征,从而早期合并分块模式。在随后的4天训练中,这些模式没有太大变化,这表明它们达到了优化的策略。因此,这些策略将构成这项任务的灵巧技能的上限。我们的研究结果表明,atDCS影响准确性,但不影响速度,因为我们没有发现任何年龄组与刺激相关的速度存在显着差异。然而,似乎只有不平衡的神经系统才能从刺激中受益。神经反应性随着健康的衰老而降低,这就是为什么atDCS诱导的增强可塑性(58)可能有益于老年人(3)。Greeley及其同事(63)报告了与应用于年轻人M1的atDCS相关的运动块形成的改善。不幸的是,我们无法将我们的结果与他们的结果进行比较,因为他们使用的指标是块的数量,这并没有提供太多关于如何分割序列的信息。此外,他们认为更少的块以反映更大的改进,这是基于最终完全串联块的概念,由于相关的计算成本,可能无法实现(41)。另一方面,他们没有发现速度和准确性的差异,这与我们自己的发现相匹配。
应用于增强运动性能的atDCS具有低局灶性(57),这限制了对刺激如何如何恢复老年人的运动和认知功能的解释,即主要涉及运动网络的哪些大脑区域。此外,在所有受试者中都无法实现电生理学评估(即TMS)这一事实限制了本研究中SICI与学习和atDCS相关的零发现。关于统计分析,我们理解将数据居中定为一定的含义,但是由于我们使用这些比较只是为了为讨论运动技能获取中明显差异背后的机制的实际分析奠定基础,因此我们认为校正和相应的统计测试是合理的。
序列学习是必不可少的,并且始终存在于日常生活的许多活动的执行中。对年轻人和老年人之间技能习得的不同组成部分进行了对比,他们获得新技能的能力存在但减弱,这表明掌握运动序列任务取决于序列元素在记忆中的早期存储(即空间成分的巩固),导致时间模式(即运动块)的实践依赖性出现。这里应用的无创脑刺激可能会支持并加速这一过程,在不能达到**水平的系统中,例如在健康的老年人中。
方法
实验方案(图 7)
图 7.实验方案。
(A)实验1在3组中测试了5天训练的行为结果:年轻,中年和老年健康人。(B)实验2测试了在六个不同组中将atDCS输送到运动皮层的5天训练的行为和电生理结果:年轻,中年和老年健康成年人在双盲平行设计中接受静脉或安慰剂刺激。(C)运动训练包括根据计算机屏幕上显示的明确顺序,尽可能快速准确地按下与左手不可对立的手指相对应的四个按钮,标记为2至5(食指为2,小指为5)。
实验1和2的参与者都进行了七次访问。实验1的参与者从运动训练开始,而实验2的参与者在**天开始进行一组电生理学研究:识别和神经元导航注册FDI热点坐标,识别静息运动阈值(RMT)和1-mV强度,以及24个单TMS和24个双TMS脉冲的电池。在这些测量之后,参与者执行下面描述的运动训练,并伴随atDCS20分钟。我们在**次和第五次训练以及第60天的对照会议之后重复了电生理学调查。对于这些研究中的每一项,我们调整了测试TMS脉冲的强度,以保持单脉冲电机诱发电位(MEP)的1mV幅度。我们将我们的研究注册为临床试验(SNCTP000003872 |BASEC2017-00301)和其他公开信息可以使用以下链接找到:https://kofam.ch/de/studienportal/nach-klinischen-versuchen-suchen/147028/studie/50668。
参与者
我们根据我们小组先前两项研究的效应大小进行样本量计算,特别是(3)(标准化均数差,1.33)和(20)(标准化均数差,0.53),并针对两者的平均值(0.93)。共有113名受试者自愿参加我们的研究,被归类为年轻人(18至30岁;n = 41, 27 女性;年龄μ=24.5岁),中年(50~65岁;n = 34, 20 女性;年龄μ = 57.7岁),岁及以上(>65岁;n = 38, 21 女性;年龄μ = 72.3岁)健康参与者。所有参与者都是右撇子,由爱丁堡利手性清单(64)确定。受试者报告既往没有严重疾病史(一般健康问卷)或经颅直流电刺激(tDCS)和TMS的禁忌症[基于这些技术安全性建议的问卷(65)]。我们对所有50岁以上的参与者进行了神经学检查,以确保参与者健康,并进行了迷你精神状态检查(66),以确保所有参与者至少获得30分中的26分。根据《赫尔辛基宣言》,参与者根据瑞士沃州伦理委员会(项目号2017-00301)和德国汉堡伦理委员会(PV 3770)批准的协议指南给予了知情同意。所有参与者都完成了所需的全部培训,但我们从分析中排除了一名中年女性参与者,她们因患有关节炎而无法正确执行序列敲击任务。
运动任务
我们使用了一个完善的手指点击任务(2,3),要求参与者使用一个四按钮框尽可能快,尽可能准确地复制屏幕上显示的九位数数字序列,该框的按钮标记为“2”到“5”(食指为2,小指为5)。屏幕上的数字下方显示一个白点,表示接下来要按下的按钮。按下某个键后,该点将立即移动到下一个数字,而不管是否正确按下该键。在开始**次培训课程之前,我们要求所有参与者执行一个90秒的熟悉模块,以用作一般初始技能水平的参考(有关我们如何使用此序列的详细信息,请参阅补充材料)。训练在此块之后立即开始。参与者每天训练左手20分钟,连续五天。每天的训练由七个90秒的块组成,间隔着90秒的休息时间。每天的六个区块包含相同的序列(即训练序列)。第七个区块由每天训练中途呈现的捕获块组成,其中包含与训练序列不同的序列。每天的训练都有一个具有不同顺序的捕获块。我们使用捕获块来测试观察到的改进是特定于训练序列还是可推广到任何序列。我们在每天训练课的不同阶段展示了捕获块,在第三,第四和第五个块之间交替,以避免干扰学习的一夜之间巩固和对其外观的预期(2)。参与者在训练开始后的第10天和第60天返回进行随访,在此期间他们执行了训练序列的三个部分;我们使用这些访问来测试与干预相关的长期保留。我们在任何时候都没有就参与者的表现提供任何形式的反馈。在每个块之前和之后,我们使用VAS询问参与者的注意力和疲劳状态,该VAS由一条未分级的线组成,范围从注意力情况下的“完全注意”(0)到“完全不集中”(10),以及疲劳情况下的“清醒”(0)到“疲倦”(10)。
M1内变化的电生理学探索
我们使用TMS鉴定左手FDI肌肉的代表,并量化神经元间γ-氨基丁酸A型(GABA)一个)在右M1内受体介导的抑制网络。TMS 随附一个 70 毫米的八字形线圈,该线圈与 Magstim BiStim 相连2/Magstim Bistim机器(Magstim Ltd.,Whitland,UK),我们记录了来自FDI肌肉的肌电图(EMG)信号。我们首先根据经验将皮质靶标确定为头皮上的斑点,在左侧FDI中引起EMG控制下**的MEP。然后,我们将RMT确定为最小单脉冲强度,以在50%的时间内唤起50μV MEPs,并将单脉冲强度确定为唤起1 mV MEPs(测试强度)。SICI使用完善的配对脉冲范式进行量化,使用以80%RMT强度传递的预处理脉冲,然后在3 ms后以测试强度(21,44,45,67,68)传递测试脉冲。我们在**次训练之前和之后,在训练的第五天之后,以及在长期保留测试后的第60天评估了RMT,1mV测试强度和SICI。
训练期间对M1进行电刺激
当应用atDCS时,阳极放置在FDI热点上,阴极使用方形电极(25 cm)放置在左侧眶上区域(3)上2),覆盖在浸泡在盐水溶液(0.9%NaCl)中的海绵中,连接到神经Conn DC-STIMULATOR(德国记录)或DC-STIMULATOR PLUS(瑞士记录)(neuroConn GmbH,Ilmenau,德国)。刺激以双盲,安慰剂控制,平行设计应用,所有参与采集和/或结果分析的实验人员都盲法,直到采集结束。我们研究小组的一名成员没有以任何方式参与研究,为第二个实验的每个小组创建了一个编码列表,指定了以快速方式分配给每个代码的刺激类型(即verum或安慰剂),但确保了每种刺激类型的组的平衡。我们在所有参与者注册时按顺序将代码分配给他们。Verum刺激包括20分钟的刺激,1-mA直流电(斜坡上升/下降时间为8 s)。安慰剂刺激包括在训练开始时提供的40秒刺激(8-s爬坡和5-s斜坡下降时间,如neuroConn所定义),以模拟在当前强度变化期间使用该技术时经常报告的头皮上的刺痛感(69)。
分块策略提取
我们提取了一个单一的分块模式,以表征每个参与者训练的每一天的训练序列的执行。为此,我们应用了Song和Cohen(70)提出的聚类方法,并将每个序列的连续IKI标记为“快速”(即“1”)或“慢”(即“0”),考虑到间隔标记为快速的相邻键属于同一块。请参阅补充材料,详细了解我们赞成使用这种方法的论点。每个序列有九个 IKI,**个 IKI 反映了前一个序列的最后一次按键和当前序列的**次按键之间的间隔。从每个块中删除不正确的序列后,我们将每个序列中的IKI规范化为序列的总持续时间(即,将每个IKI除以其序列持续时间),以解释训练期间速度的逐渐增加。归一化后,我们应用了 K 均值聚类算法 (Sklearn;https://scikit-learn.org/)到每个块的序列,通过根据每个序列中的IKI与它们的接近程度来标记它们,从而强制执行存在两个簇的概念(即快速和慢速)。此步骤的结果是每个单独序列的分块模式。为了确定描述每天策略的单一模式,我们定义了一系列可能的标准:
1) **分配。此标准查看参与者生成的最常重复的区块大小,并排除区块大小与这些模式不同的模式。它还假设参与者将所有击键分配给至少一个块。这两个约束导致每天选择一个主导模式。
2) 重聚。此条件对每天的所有分块模式求和,并使用 K 均值聚类重新聚类,输出一整天的单个模式。
3)重新聚集顶部。此标准类似于前面提到的聚类方法,不同之处在于它仅重聚最频繁重复模式的百分比。在本例中,我们将此百分比固定为 15%。
4)“经常是非”。此标准使用在一天上生成的所有分块模式,并生成一个新序列,该序列包含 1,每个 IKI 在该天超过 50% 的序列中标记为 1,否则为零。
5)最高频率。此标准采用每天重复次数最多的模式。
对于一些参与者来说,发现表征他们在给定日期的执行的模式因所使用的标准而异。出于这个原因,我们使用了所有五个标准,并通过对这五种模式执行多数投票来生成单个分块模式。换句话说,我们每天为每个参与者获得五种分块模式。然后,我们对五个分块模式的每个位(即每个IKI标签)进行了多数投票,并获得了当天表征分块的单一模式。有关此过程的更多信息,请参阅补充材料。
分块模式分类器
我们安装了一个SVC(Sklearn;https://scikit-learn.org/)到**个实验的年轻和年长参与者在**天生成的分块模式(即,在没有刺激的情况下训练)。我们使用 80% 的分块模式作为训练集,其余 20% 作为测试集。我们没有保留任何这些数据作为验证集,因为我们打算使用在实验2中接受安慰剂刺激的年轻人和老年人产生的模式(即刺激训练)作为验证集。为了对模型进行微调,我们对不同的参数(即正则化参数(C)和模型核)进行了网格搜索交叉验证,并在交叉验证和测试中选择了F得分最高的模型。我们重复此过程 10 次,改变用作训练和测试数据集的样本。在此步骤之后,我们获得了10个模型,其参数针对每次使用的训练集进行了优化。在这10个模型中,我们选择了F得分最高的模型,**参数为C = 0.1,线性核,其中训练F得分为0.88,测试得分为1。我们选择此模型作为最终模型,并用它来对**个实验中第二天生成的分块模式和第二个实验中的所有天进行分类。如前所述,我们用实验2中接受安慰剂的年轻人和老年人组产生的分块模式验证了该模型,分类准确率为88.88%(即F评分为0.8888)。
我们使用最终模型的决策边界,将年轻和旧的类分开,来量化从每个个体到每个类的分块模式的相似性。具体来说,我们获得了从每个九维数据点(对应于九个 IKI)到分隔两个类的九维超平面的距离,并用这个量来评估训练期间分块策略的变化。
统计分析
我们在R(71)中进行了所有统计分析。我们使用Bates及其同事(72)的lme4包将LME模型与我们的数据拟合,并使用emmeans工具箱(73)进行事后测试。对于效应大小,我们使用在emmeans中实现的计算,该计算查看成对差异并将其除以SD,并使用置信区间来解释估计效应和估计SD的不确定性。我们使用限制的**似然法对所有模型进行拟合。我们使用Satterthwaite方法通过分析模型上的方差类型III来测试固定效应的意义,并使用lmerTest包(74)获得P值。我们对显著的固定效应进行了事后测试,并使用Tukey的事后方法(75)对多重比较进行了校正。我们对拟合模型中估计的边际均值(即最小二乘均值)进行了双尾事后检验,并使用肯沃德-罗杰方法估计自由度(76)。除少数例外情况外,本文仅讨论了显著结果(P <0.05 的统计显著性的临界值)。请参阅补充材料,了解应用于两个实验数据的所有统计测试的结果。