在新运动技能习得后,股外侧肌与股内侧肌的有效神经驱动力存在差异性变化
《European Journal of Applied Physiology》:Differential changes in the effective neural drive following new motor skill acquisition between vastus lateralis and medialis
【字体:
大
中
小
】
时间:2026年05月08日
来源:European Journal of Applied Physiology 2.7
编辑推荐:
**摘要**
**目的**
探讨短期掌握新运动任务是否通过协同肌肉内部和之间的运动神经元共同的突触输入变化来实现的。
**方法**
21名参与者在最大自主收缩的10%状态下重复执行了15次复杂的力匹配任务。选取了两次试验进行分析:一次是力-目标误差最大的(学习前
**摘要**
**目的**
探讨短期掌握新运动任务是否通过协同肌肉内部和之间的运动神经元共同的突触输入变化来实现的。
**方法**
21名参与者在最大自主收缩的10%状态下重复执行了15次复杂的力匹配任务。选取了两次试验进行分析:一次是力-目标误差最大的(学习前),另一次是误差最小的(学习后)。从股内侧肌(VM)和股外侧肌(VL)记录的高密度表面肌电图(EMG)被分解为运动单位脉冲列,并在两次试验之间追踪这些单位。计算并比较了运动单位的放电行为以及δ、α和β频段的共同突触振荡。
**结果**
随着试验次数的增加,力-目标匹配能力得到了提高,同时VL的运动单位放电率变异性显著降低(p < 0.001),而平均放电率保持相似(p > 0.14)。δ频段的一致性曲线下面积在VM(p = 0.01)、VL(p < 0.001)和VM-VL运动单位(p < 0.001)中均有所下降。相比之下,α频段的下降仅发生在VL(p < 0.001),而VM没有变化(p = 0.41)。值得注意的是,α频段的下降仅在VL中与表现提升显著相关(R = 0.77),而在VM中则没有这种相关性。
**结论**
新运动任务的掌握是通过调节运动单位的共同突触输入来实现的,从而提高了力量控制能力。我们的发现表明,这些共同突触输入的变化与短期运动学习之间存在肌肉特异性关联,尤其是在α频段。
**引言**
新运动技能的掌握是指通过练习和与环境互动使动作逐渐变得更加准确的过程(Willingham 1998;Cheung等人2020;Doyon等人2003)。这一渐进过程始于一个快速初始阶段,在此阶段,单次训练中的任务重复会导致运动控制的特定变化,最终使新运动技能能够精确执行(Doyon和Benali 2005)。这些早期运动控制的变化反映了皮层和皮下水平的神经可塑性,确保了所需协同肌肉的协调激活(Dayan和Cohen 2011;Ungerleider等人2002;Ziemann等人2004;Stefan等人2006;Aizenstein等人2004;Hikosaka等人2002;Doyon等人2002;Floyer-Lea和Matthews 2004;Cheung等人2020)。例如,早期学习阶段主要由小脑活动主导,初级运动皮层的活化与误差校正相关(Lohse等人2014)。因此,关于脊髓以上水平的功能和神经回路适应性的研究显著推进了我们对运动技能学习机制的理解。
**方法**
21名参与者在最大自主收缩的10%状态下重复执行了15次复杂的力匹配任务。选取了两次试验进行分析:一次是力-目标误差最大的(学习前),另一次是误差最小的(学习后)。从股内侧肌(VM)和股外侧肌(VL)记录的高密度表面肌电图(EMG)被分解为运动单位脉冲列,并在两次试验之间追踪这些单位。计算并比较了运动单位的放电行为以及δ、α和β频段的共同突触振荡。
**结果**
随着试验次数的增加,力-目标匹配能力得到了提高,同时VL的运动单位放电率变异性显著降低(p < 0.001),而平均放电率保持相似(p > 0.14)。δ频段的一致性曲线下面积在VM(p = 0.01)、VL(p < 0.001)和VM-VL运动单位(p < 0.001)中均有所下降。相比之下,α频段的下降仅发生在VL(p < 0.001),而VM没有变化(p = 0.41)。值得注意的是,α频段的下降仅在VL中与表现提升显著相关(R = 0.77),而在VM中则没有这种相关性。
**结论**
新运动任务的掌握是通过调节运动单位的共同突触输入来实现的,从而提高了力量控制能力。我们的发现表明,这些共同突触输入的变化与短期运动学习之间存在肌肉特异性关联,尤其是在α频段。为了评估任务表现的改进,作为短期力匹配技能获得的度量,计算了产生的力与目标之间的均方根误差(RMSE)。然后,根据每个参与者的RMSE值,从15次试验中选择了2次进行 further 分析:一个是具有最高(学习前)RMSE值的试验,另一个是具有最低(学习后)RMSE值的试验(图2a)。试验的选择基于我们小组最近的一篇论文(Cabral等人,2024年),该论文表明,在使用相同的协议时,最初两次试验和最后两次试验中的力-目标RMSE值没有统计学差异。为了在技能获得前后可靠地追踪到最多匹配的运动单元,我们只保留了第一次试验和最后一次试验。具体来说,所选的试验代表了力输出与目标轨迹之间最高(学习前)和最低(学习后)的RMSE(图2a)。为了评估力匹配技能获得过程中力稳定性的变化,计算了力的变异系数,作为标准差与平均值之比(Laidlaw等人,2000年)。最后,为了检验参与者是否在时间上调整了他们的力输出以更好地匹配目标技能,比较了学习前后的相关性峰值出现的时间差。
图2
该图像的替代文本可能是使用AI生成的。全尺寸图像
**力与目标之间的均方根误差(RMSE)的代表性案例**:在学习任务的15次试验中。选择了2次试验进行进一步分析:RMSE值最高的试验(学习前;红色圆圈)和RMSE值最低的试验(学习后;蓝色圆圈)。
**运动单元分解与追踪**:
在学习前(红色)和学习后(蓝色)的试验之间,对运动单元进行了分解和追踪。通过将随机选择的运动单元对的放电时间相加,获得了两个大小相同的累积脉冲列,并通过一致性分析来估计共同的突触振荡。
**高密度肌电图(HDsEMG)信号处理**:
首先使用三级巴特沃斯滤波器对HDsEMG信号进行带通滤波,截止频率在20到500赫兹之间。随后,由专家操作员对信号进行了目视检查,并排除了由于电极接触问题或伪迹导致的噪声通道。然后使用卷积盲源分离算法(Negro等人,2016年)对目标的中部30秒(振荡区域)的信号进行了完全分解。这种方法允许从HDsEMG信号中自动提取运动单元脉冲列。分解是在每个电极网格上独立进行的。只有具有至少0.87的轮廓系数(SIL)的运动单元被考虑用于进一步分析。SIL是分解准确性的一个度量,它评估了识别出的运动单元脉冲与噪声之间的可分离性(Negro等人,2016年)。同一专家操作员对所有识别的运动单元进行了目视检查。任何遗漏或错误识别的脉冲(脉冲间隔<20毫秒或>250毫秒(Negro等人,2009年)根据运动单元的神经支配脉冲列变化和SIL值进行了手动添加或删除。在手动优化提取的运动单元后,评估了同一肌肉上不同网格记录的同一运动单元的发生情况(例如,近端和远端VL区域)。在网格间识别出重复的运动单元(即,放电时间共享超过30%的运动单元)的情况下,排除了具有最高脉冲间隔变化系数的运动单元,以便进行后续分析。
**运动单元追踪**:
分解之后,通过将学习前的运动单元分离向量重新应用于学习后的试验,并反过来,对学习前后的试验中的运动单元进行了追踪(Oliveira和Negro,2021年;Cabral等人,2024年)。这一过程对每个电极网格分别进行。对于那些在学习前没有至少四个单元被追踪的受试者(n=8),进一步根据它们形状的相似性来追踪运动单元(即,运动单元模板匹配方法)(Martinez-Valdes等人,2017年)。对于这项分析,只有动作电位的互相关大于0.8的运动单元被考虑(Martinez-Valdes等人,2017年)。对于所有学习前后的追踪运动单元,计算了平均放电率和脉冲间隔的变异系数。
**肌肉内和肌肉间的共同突触输入**:
为了评估在短期获得新运动技能任务后,对运动神经元池的共同突触输入的变化,进行了运动单元脉冲列之间的一致性分析(Castronovo等人,2015年;Negro和Farina,2012年)。由于在将突触输入转换为神经驱动到肌肉时的叠加过程,运动神经元池倾向于消除突触输入的非相关成分,因此只有相关成分(即,共同突触输入)保留在输出脉冲列的集合中(Farina等人,2014年;Dideriksen等人,2012年;Negro等人,2009年)。换句话说,运动神经元池作为一个有效的线性滤波器(Farina和Negro,2015年),因此可以使用线性方法(如一致性分析)来估计共同突触输入的强度(Negro和Farina,2012年)。这项分析在频率域中测量两个信号之间的线性耦合,其中零表示没有耦合,一表示在给定频率下的完美耦合。分别进行了肌肉内(VM和VL)和肌肉间(VM-VL组合)的一致性测量。共突触振荡的变化分别针对delta(1-5赫兹)、alpha(5-15赫兹)和beta(15-35赫兹)频段进行了估计。选择这些特定频率带宽是由于它们在运动控制中的生理相关性。Delta频段的运动单元一致性被认为反映了与力自主控制相关的振荡,因为它包含了力输出的频率范围(Farina和Negro,2015年)。Alpha带内的振荡通常归因于Ia传入反馈回路内的生理性震颤(Christakos等人,2006年;Conway等人,1995a),可以被视为限制力精度的共同噪声输入。最后,beta带振荡被认为是皮层来源的,因为在这个频段内报告了显著的皮质-肌肉一致性(Baker等人,1997年;Conway等人,1995b)。因此,这三个频率带的一致性分析提供了关于来自上脊和脊髓通路的共同突触输入到alpha运动神经元池的信息(Negro和Farina,2012年)。具体来说,对于这项研究,运动单元的放电时间被转换为二进制序列(即,运动单元脉冲列),并且通过将两个随机选择的匹配单元的二进制序列相加,获得了两个大小相同的累积脉冲列(CSTs)(Negro和Farina,2012年;Rossato等人,2022年;Maillet等人,2022年;Castronovo等人,2015年)。这个过程重复了多达100次迭代,并计算了平均一致性以用于进一步分析。对于所有迭代,使用Welch的周期图计算了两个去趋势CSTs之间的一致性,Hanning窗口为一秒,重叠率为95%(图2b)。平均一致性值按照Gallet和Julien(2011年)的建议转换为标准z分数。只有大于偏置的z一致性值被考虑,偏置是确定为250到500赫兹之间的平均z一致性(Castronovo等人,2015年)。为了评估不同频率带宽下共同突触输入的变化,计算了delta、alpha和beta带的曲线下面积。随后,计算了曲线下面积的比率(post/pre),并减去了一。这样,正的比率值表示随着短期技能获得而增加的一致性,而负值表示减少的一致性。
**力/神经驱动与目标振荡之间的耦合**:
为了评估力和目标振荡之间的线性耦合变化,以及神经驱动(即CSTs)与目标振荡之间的耦合变化,对这些信号进行了一致性分析。这项分析与运动单元脉冲列之间的一致性分析类似进行。然而,由于delta带振荡包含了力输出的频率范围,因此与自主力控制相关,所以只考虑了delta带。对于力-目标和CST-目标的耦合,耦合的增加表明与预期运动任务中的最佳力控制相关的共同突触输入振荡的表示得到了增强。
**统计分析**:
统计分析是在R(v. 4.3,R Core Team 2023)中使用RStudio环境(v. 2023.03.1)进行的。由于数据非正态分布,使用了非参数检验(Kolmogorov-Smirnov检验;P<0.001适用于所有情况)。Wilcoxon符号秩检验用于比较学习前后的力-目标RMSE、力-目标互相关值和力-目标互相关滞后。Wilcoxon符号秩检验还用于比较学习前后力的变异系数。
**线性混合模型(LMMs)**:
使用lmerTest包(Kuznetsova等人,2017年)实现了LMMs,采用Kenward-Roger方法来近似自由度并估计P值。对于这项分析,使用了随机截距模型,时间(学习前和学习后)作为固定效应,参与者作为随机效应。使用emmeans包(Lenth 2016)估计了95%置信水平的边际均值。为了比较学习前后的z一致性值,使用单样本Wilcoxon检验评估了曲线下面积比率的变化(零假设μ0=0),分别针对每个频率带。为了确定z一致性曲线下的面积变化是否与运动单元的数量有关,分别对delta和alpha带进行了皮尔逊相关性分析。对于所有学习前后的追踪运动单元,计算了平均放电率和脉冲间隔的变异系数。
**肌肉内和肌肉间的共同突触输入**:
为了评估在短期获得新运动技能任务后,对运动神经元池的共同突触输入的变化,进行了运动单元脉冲列之间的一致性分析(Castronovo等人,2015年;Negro和Farina,2012年)。由于在将突触输入转换为神经驱动到肌肉的过程中进行了叠加,运动神经元池倾向于消除突触输入的非相关成分,因此只有相关成分(即共同突触输入)保留在输出脉冲列的集合中(Farina等人,2014年;Dideriksen等人,2012年;Negro等人,2009年)。换句话说,运动神经元池作为一个有效的线性滤波器(Farina和Negro,2015年),因此可以使用线性方法(如一致性分析)来估计共同突触输入的强度(Negro和Farina,2012年)。这项分析了两个信号在频率域中的线性耦合,其中零表示没有耦合,一表示在给定频率下的完美耦合。分别进行了肌肉内(VM和VL)和肌肉间(VM-VL组合)的一致性测量。共突触振荡的变化分别针对delta(1-5赫兹)、alpha(5-15赫兹)和beta(15-35赫兹)频段进行了估计。选择这些特定频率带宽是由于它们在运动控制中的生理相关性。Delta带在运动单元一致性中被认为反映了与力自主控制相关的振荡,因为它包含了力输出的频率范围(Farina和Negro,2015年)。Alpha带内的振荡通常归因于Ia传入反馈回路内的生理性震颤(Christakos等人,2006年;Conway等人,1995a),可以被视为限制力精度的共同噪声输入。最后,beta带振荡被认为是皮层来源的,因为在这个带宽内报告了显著的皮质-肌肉一致性(Baker等人,1997年;Conway等人,1995b)。因此,这三个频率带的一致性分析提供了关于来自上脊和脊髓通路的alpha运动神经元池的共同突触输入的信息(Negro和Farina,2012年)。具体来说,对于这项研究,运动单元的放电时间被转换为二进制序列(即运动单元脉冲列),并且通过将两个随机选择的匹配单元的二进制序列相加,获得了两个大小相同的累积脉冲列(CSTs)(Negro和Farina,2012年;Rossato等人,2022年;Maillet等人,2022年;Castronovo等人,2015年)。这个过程重复了最多100次迭代,并计算了平均一致性以用于进一步分析。对于所有迭代,使用Welch的周期图计算了两个去趋势CSTs之间的一致性,Hanning窗口为一秒,重叠率为95%(图2b)。平均一致性值根据Gallet和Julien(2011年)的建议转换为标准z分数。只有大于偏置的z一致性值被考虑,偏置是由250到500赫兹之间的平均z一致性确定的(Castronovo等人,2015年)。为了评估不同频率带宽下共同突触输入的变化,计算了delta、alpha和beta带曲线下的面积。随后,计算了曲线下面积的比率(post/pre),并减去了一。这样,正的比率值表示随着短期技能获得而增加的一致性,而负值表示减少的一致性。
**结果**:
为了评估学习前后力匹配的改进,计算了力输出与目标轨迹之间的RMSE和互相关值。图3a显示了代表性参与者在学习前(红色)和学习后(蓝色)试验中的力轨迹。可以直观观察到,与学习前相比,学习后力的覆盖范围(灰色线)与目标有更大的重叠,表明性能有所提高。目标以灰色显示。b组显示了力与目标之间的均方根误差的结果。c组显示了力与目标之间的互相关结果。d组显示了力的变异系数的结果。圆圈代表个别参与者。水平轨迹、方框和须状线分别表示中位数、四分位数区间和分布范围。*p<0.05这些观察结果得到了组别结果的证实。在比较学习前后试验时,力的均方根误差(RMSE)显著降低(图3b;p<0.001),而互相关性显著增加(图3c;p<0.0001)。然而,互相关延迟在习得前后试验之间没有显著变化(p=0.65)。此外,为了评估力的稳定性变化,计算了力的变异系数并在试验之间进行了比较。如图3d所示,力的变异系数显著降低(p<0.001),这表明随着力匹配技能的掌握,力的稳定性提高了。
肌肉单元放电行为
从虚拟肌肉(VM)中识别出总共324个肌肉单元(学习前164个;学习后160个),平均每个参与者的肌肉单元数量为7±4个(在VM的三个网格中分别为6±3、3±2和3±2),学习后为7±4个(在VM的三个网格中分别为5±3、4±2和4±2)。当比较在改变VM矩阵配置后识别的肌肉单元数量与最初识别的数量时,两者没有显著差异(第一矩阵配置:每个参与者6±3个匹配的肌肉单元;第二矩阵配置:每个参与者6±3个匹配的肌肉单元;P=0.83)。在腓腹肌(VL)中,识别出927个肌肉单元(学习前455个;学习后472个),学习前后的平均每个参与者分别为21±10个(在VL的两个网格中分别为14±9和7±3)和学习后为21±11个(在VL的两个网格中分别为15±9和8±3)。随后将学习前后的肌肉单元进行匹配,VM的平均匹配肌肉单元数量为6±2个(在VM的三个网格中分别为5±2、3±1和3±1),VL为12±8个(在VL的两个网格中分别为12±8和5±2)。清理后的匹配肌肉单元的平均SIL值为VM为0.93±0.04,VL为0.95±0.04。
为了评估在短期掌握力匹配技能任务后肌肉单元放电行为的变化,计算了跟踪肌肉单元的平均放电率及其脉冲间间隔的变异系数。对于VM和VL,学习前后的平均放电率没有显著变化(VM:从8.38 [7.86, 8.89] pps增加到8.00 [7.46, 8.54] pps,p=0.14;VL:从8.27 [7.77, 8.77] pps增加到8.18 [7.67, 8.68] pps,p=0.44)。相比之下,只有VL的脉冲间间隔的变异系数在试验间显著降低(从40.9 [36.3, 45.5]%降低到26.4 [21.8, 31.0]%,p<0.0001),而VM则没有显著变化(从38.9 [32.2, 45.7]%降低到32.3 [25.3, 39.4]%,p=0.08)。
共同突触输入振荡
为了评估共同突触输入的变化,计算了delta(1–5 Hz)、alpha(5–15 Hz)和beta(15–35 Hz)波段的曲线下面积比率(学习后/学习前)。虽然肌肉单元一致性的delta波段振荡与自主力量控制的变化有关,但alpha波段的变化通常与阻碍力量控制的生理性震颤振荡相关(Christakos等人,2006年)。最后,beta波段的变化与皮质-肌肉耦合的变化有关(Baker等人,1997年)。只有那些在试验间至少有四个被跟踪肌肉单元的参与者被纳入研究(见方法部分);因此,分别有13名、19名和20名参与者参与了VM、VL和VM-VL一致性的研究。在两种肌肉中,delta波段的曲线下面积都显著减少(VM:p=0.005;VL:<0.001)。在alpha波段,只有VL显示出显著减少(p<0.001),而VM没有(p=0.41)。在beta波段,两种肌肉在学习前后没有显著差异(VM:p=0.79;VL:p=0.57)(图4a和b)。与VL中的结果类似,在掌握力匹配技能后,delta和alpha波段的VM-VL一致性也显著降低(p<0.01),但beta波段没有(p=0.06;图4c)。为了评估观察到的共同突触振荡变化是否与参与肌肉单元的数量有关,我们进行了皮尔逊相关分析,比较了曲线下面积比率(学习后/学习前)与匹配肌肉单元的数量。对于delta波段(R = ?0.06,p=0.76)和alpha波段(R = ?0.17,p=0.36),肌肉单元的数量与曲线下面积的变化没有显著相关性。
图中图像的替代文本可能是用AI生成的。
全尺寸图像
肌肉单元一致性结果
VM(a)、VL(b)和合并的VM-VL肌肉(c)的一致性曲线下面积比率结果。分析了三个频率带宽:delta(1–5 Hz)、alpha(5–15 Hz)和beta(15–35 Hz)。中位数、四分位数区间和分布范围分别由水平轨迹、方框和须状线表示。圆圈代表个别参与者。
为了研究delta和alpha波段内的肌肉单元z-一致性降低是否与力匹配任务的改善有关,我们应用了重复测量相关性分析。对于这两个波段,VL中力-目标RMSE与z-一致性之间存在显著的正相关(delta:R=0.52 [0.47, 0.66];图5a;alpha:R=0.77 [0.66, 0.82];图5c)。相比之下,VM中只有力-目标RMSE与delta波段的z-一致性之间存在显著相关性(delta:R=0.59 [0.21, 0.85];图5b;alpha:R=0.12 [?0.23, 0.39];图5d)。LMM分析显示肌肉和alpha波段z-一致性之间存在显著交互作用(p<0.01),表明VL中的z-一致性与力-目标RMSE之间的关联比VM更强。相比之下,delta波段的肌肉和z-一致性之间没有显著交互作用(p=0.37)。
图中图像的替代文本可能是用AI生成的。
重复测量相关性结果
力-目标均方根误差与delta波段(a和b)和alpha波段(c和d)内的肌肉单元z-一致性曲线下面积之间的相关性。左侧面板显示了股外侧肌的结果,右侧面板显示了股内侧肌的结果。
力/神经驱动与目标振荡之间的线性耦合
通过分析delta波段内这些信号之间的一致性,研究了力/神经驱动振荡与目标振荡之间的线性耦合变化。图6显示了VM和VL的力与目标之间以及神经驱动(即CST)与目标之间的合并z-一致性(即参与者平均值)。对于力-目标z-一致性(p<0.001;图6a)和VL CST-目标z-一致性(p=0.03;图6b),学习前后的曲线下面积都有显著增加。相比之下,VM CST与目标之间的z-一致性在试验间没有显著变化(p=0.53;图6c)。
图中图像的替代文本可能是用AI生成的。
图4
这种图像的替代文本可能是用AI生成的。
讨论
本研究调查了在短期掌握新的等长运动任务期间,协同肌肉(VM和VL)的共同突触输入的变化。我们的主要发现表明,随着技能的掌握,力匹配性能得到了提高。这些改进伴随着delta一致性波段内和协同肌肉之间以及VL的alpha波段内向脊髓运动神经元的共同突触振荡的减少。有趣的是,alpha波段振荡的减少与性能提升呈正相关,但这仅限于VL。如下所述,这些结果表明神经驱动振荡的变化与短期运动技能的掌握之间存在肌肉依赖性的关联,强调了考虑协同肌肉的功能作用的重要性。
肌肉接收的神经驱动(即alpha运动神经元动作电位的累积脉冲列)通过活跃肌肉单元的收缩特性以大约12 Hz的频率进行了低通滤波(Windhorst 2012)。因此,神经驱动中的低频振荡(即肌肉单元一致性的delta和alpha波段)在力量控制中起着决定性作用(Farina和Negro 2015;Hug等人2023 b)。因此,我们研究了通过评估VM和VL的肌肉单元脉冲列的一致性振荡,来看短期掌握新的力匹配任务是否由协同肌肉的有效神经驱动的变化所介导。我们的结果显示,短期技能掌握后,VL和两者之间的alpha波段一致性都降低了(图4)。考虑到alpha波段(生理性震颤)振荡被认为是共同突触输入中的非自愿噪声成分,会对力量准确性产生负面影响(McAuley和Marsden 2000;Yavuz等人2015;Watanabe等人2018;Erimaki和Christakos 1999),它们在技能掌握期间的减少可能代表了一种提高力量精确度的神经机制(Laine等人2014;Henderson等人2022;Williams等人2010;Ko?elj和Baker 2014)。这些发现支持了之前的研究,这些研究显示了减少生理性震颤振荡与改善力量控制之间的强烈关联(Novak和Newell 2017;Christakos等人2006;Williams等人2010;Ko?elj和Baker 2014;Laine等人2016)。尽管短期掌握期间alpha波段减少的确切机制尚不清楚,但已经提出了脊髓中间神经元相位取消下行alpha振荡的合理机制(Cabral等人2024)。此外,学习新的运动任务已被证明可以通过减少H反射的兴奋性来调节突触前抑制(Lungu等人2010;Giboin等人2020;Perez等人2005),这也可能解释了alpha波段的减少。最后,alpha波段振荡的减少可能归因于上位机制,特别是注意力过程(Adrian和Matthews 1934;Pollen和Trachtenberg 1972;Hanslmayr等人2011;Klimesch 2012)。皮质alpha抑制被认为是视觉反馈处理增强的标志(Bacigalupo和Luck 2022),可能会与短期技能掌握后观察到的肌肉单元一致性alpha波段减少相关。
尽管如此,VL和合并的VM和VL肌肉单元之间的协调性结果相似(见图4),但只有delta波段一致性的减少与两种肌肉的性能提升呈正相关(见图5a和b)。相比之下,alpha波段一致性的减少仅与VL的性能提升呈正相关(见图5c),而VM则没有(见图5d)。这些相关性的差异通过线性混合效应模型得到了确认,该模型显示肌肉和alpha波段RMSE关系上的z-一致性存在显著交互作用,VL的关联比VM更强。鉴于VM和VL是共享大部分突触输入的协同肌肉(约75-95%;Laine等人2015),这一发现是出乎意料的。然而,这些肌肉之间的解剖结构差异可以解释这一差异。虽然VM和VL都属于同一肌肉群(即股四头肌),但它们的肌肉结构有显著差异(De Souza等人2018;Lieber和Fridén 2000;Ward等人2009;Lefebvre等人2006)。VL的横截面积更大,肌肉纤维从远端到近端呈更横向排列(Blazevich等人2006)。这些解剖特征使VL在力量产生方面具有机械优势,而VM主要负责膝关节的稳定性和力量向肌腱的传递(De Souza等人2018;Lin等人2004;Lefebvre等人2006;Farahmand等人2006;Lieber等人2000)。因此,alpha波段减少与VL的性能提升之间的正相关可能表明VM在产生力量方面具有机械优势,从而更有效地将神经输入转化为力量。这一解释进一步得到了CST目标耦合分析的支持,该分析揭示了在学习前后,VL(图6b)的耦合显著增加,而VM(图6c)则没有。因此,尽管像vastii这样的协同肌肉在突触输入上共享了很大一部分(Laine等人,2015年),但它们的运动输出受到其不同的收缩特性和力量生成能力的影响。这些发现强调了在研究运动短期习得过程中神经驱动变化时,考虑肌肉特异性适应的重要性。我们的研究还发现,在技能短期习得后,δ波段的共同突触振荡减少了,而δ波段在最佳力量产生和任务执行准确性中起着关键作用(Negro等人,2009年)。本研究中观察到的δ波段减少的一个合理解释与参与者在短期习得力量匹配等长膝关节伸展任务时采取的运动策略有关。在学习前后的试验中,参与者在时间上相似地跟随目标,这一点通过力量-目标交叉相关延迟的不存在得到了证实(见结果部分)。因此,通过减少力量振幅振荡,实现了力量匹配准确性的提高,这一点通过力量变异系数的显著降低得到了证实。这种力量变异性的减少,加上试验间力量与反馈之间耦合的增加(图6a),解释了δ波段一致性的降低。最后一个考虑因素是任务短期习得期间运动单位放电行为的变化。与之前的研究(Knight和Kamen 2004年;Patten和Kamen 2000年;Cabral等人2024年)不同,学习前后平均放电率没有观察到显著变化。这表明,仅凭平均放电率可能无法解释观察到的共同突触振荡的变化。相反,VL中运动单位放电变异性的减少,通过脉冲间隔的变异系数来量化,促成了观察到的共同突触振荡的变化。这与之前的发现一致,后者表明共同突触振荡的减少与脉冲间隔变异系数的降低之间存在相关性(Heckman等人,2009年)。与这些发现一致,许多研究表明,力量稳定性的提高主要是由对运动神经元的共同驱动的调节驱动的,而不是由运动单位放电率的变化驱动的(Semmler等人2006年;Dideriksen等人2012年;Bilodeau等人2000年;Tracy等人2004年;Marmon等人2011年;Farina和Negro 2015年)。我们想承认这项研究存在一些局限性。尽管本研究的结果表明短期习得与α运动神经元的共享突触输入的调节有关,但我们认识到,由于选择了特定的实验方案,这些发现可能不能推广到整体的运动学习。现有文献强调,必须进行保持和/或转移测试才能真正反映运动学习,因为这些测试允许评估练习结束后的持久性(Kim等人2021年;Lage等人2024年;Chung等人2021年;Hung等人2021年)。由于本研究没有进行此类测试,因此结果只能解释为反映了短期习得。此外,本研究没有包括对照条件来评估观察到的神经驱动变化是否仅仅可以归因于独立于短期习得的运动任务的重复。然而,在我们小组最近的一项研究(Cabral等人2024年)中,我们发现重复十五次稳定的等长收缩(对照条件)导致了α波段的增加,这与短期技能习得期间的观察结果相反。这些发现排除了观察到的α波段变化仅能归因于与习得无关的运动任务重复的可能性。此外,尽管运动单位数量与一致性值之间没有相关性,但VM中运动单位产量的显著降低可能部分影响了结果的稳健性。因此,应谨慎解释肌肉间的差异,未来应使用更大样本的研究进一步探讨运动学习背后的肌肉特异性协同机制。最后,尽管之前的文献已经指出运动单位行为在性别之间存在差异(Lulic-Kuryllo和Inglis 2022年),但本研究无法在性别之间进行统计比较。这一限制主要是由于难以区分和追踪女性的运动单位,这一点在文献中已有报道(Taylor等人2022年)。总之,本研究表明,与新肌肉类似,新运动任务的习得是通过调节运动单元的共同突触输入来实现的,从而提高了力量控制和短期运动习得。值得注意的是,我们的发现表明α波段振荡与力量-目标误差的改善之间存在肌肉依赖性关联,这突显了在运动短期习得过程中评估肌肉特异性适应的重要性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号