Consolidação Da Habilidade Humana Ligada Ao Despertar Hipocampo-Neocortical Replay

08/08/2022 20:18 Consolidação da habilidade humana ligada ao despertar hipocampo-neocortical replay - ScienceDirect
Relatórios de células
Volume 35, Edição 10 , 8 de junho de 2021 , 109193
Relatório
Consolidação da habilidade humana ligada ao despertar

hipocampo-neocortical replay
Ethan R. Buch 1 , 5 , 6 , Leonardo Claudino 1 , 2 , 5, Romain Quentin 1 , 3, Marlene Bönstrup 1 , 4, Leonardo G.
Cohen 1
1 Seção de Fisiologia Cortical Humana e Neurorreabilitação, NINDS, NIH, Bethesda, MD, EUA
Recebido em 21 de dezembro de 2020, revisado em 10 de março de 2021, aceito em 9 de maio de 2021,

disponível on-line em 8 de junho de 2021, versão do registro em 8 de junho de 2021 .
Publicado: 1 de junho de 2021
Mostre menos
Contorno Compartilhar Citar
https://doi.org/10.1016/j.celrep.2021.109193 Obtenha direitos e conteúdo

Sob uma licença Creative Commons Acesso livre
Destaques
• As rajadas de repetição de despertar ocorrem durante curtos períodos de
descanso intercalados com a prática
• A repetição é temporariamente comprimida em aproximadamente 20 vezes em

relação à habilidade praticada
• A atividade de repetição é distribuída pelo hipocampo e neocórtex
• As taxas de repetição se correlacionam com a rápida consolidação de habilidades

de vigília em indivíduos
https://www.sciencedirect.com/science/article/pii/S2211124721005398 1/32
Resumo
A introdução de intervalos de descanso intercalados com a prática fortalece a consolidação
consciente da habilidade. Os mecanismos pelos quais o cérebro liga representações de ações
discretas em sequências de habilidades consolidadas e altamente resolvidas temporalmente
durante o repouso acordado não são conhecidos. Para responder a essa questão, registramos a
magnetoencefalografia (MEG) durante a aquisição e consolidação rápida de uma habilidade
motora sequencial. Relatamos a presença de repetição neural de vigília rápida e proeminente
durante os mesmos períodos de descanso em que ocorre a consolidação rápida. A repetição
observada é temporariamente comprimida em aproximadamente 20 vezes em relação à
habilidade adquirida, é seletiva para a sequência treinada e prevê a magnitude da consolidação
da habilidade. As representações de repetição se estendem além do hipocampo e do córtex
entorrinalpara o córtex sensório-motor contralateral . Esses resultados documentam a
presença de uma repetição hipocampo-neocortical robusta, apoiando a rápida consolidação da
habilidade em vigília.
Resumo gráfico
Download: Baixar imagem em alta resolução (189 KB)

Download : Baixe a imagem em tamanho real
anterior Próximo
Palavras-chave
repetir; aprendizagem motora humana; aprendizado de habilidades; aprendizado
off-line; consolidação; generalização; hipocampo; córtex entorrinal; córtex sensório-
motor; MEG
Introdução
A expressão popular “a prática leva à perfeição” enfatiza a importância da prática intensa na
aquisição e aperfeiçoamento de habilidades ( Dayan e Cohen, 2011 ). No entanto, a mesma
quantidade de prática resulta em habilidade significativamente diferente dependendo da
presença ou ausência de repouso acordado dentro do cronograma de treinamento, fenômeno
denominado efeito de espaçamento ( Kornmeier e Sosic-Vasic, 2012 ). A consolidação da
habilidade é superior quando períodos de descanso frequentes são intercalados com blocos de
prática (prática distribuída) do que quando a mesma quantidade total de prática é realizada em
blocos contínuos mais longos (prática em massa) ( Cepeda et al., 2006 ; Gerbier et al., 2015 ;
Kornmeier e Sosic-Vasic, 2012 ; Song et al., 2012; Toppino et al., 2009 ). Assim, a presença de
repouso na vigília intercalada com a prática é um determinante crucial da consolidação da
memória de habilidades.
Consistente com essa noção, foi proposto que “muito, se não todo” o aprendizado de
habilidades ocorre offline durante o descanso e não durante a prática real ( Robertson, 2019 ).
Por exemplo, as melhorias de desempenho durante a aquisição de uma nova habilidade se
acumulam quase exclusivamente durante os períodos de descanso em vigília intercalados com
a prática ( Bönstrup et al., 2019 ). Esses ganhos micro-offline indicam uma forma rápida de
consolidação da memória de habilidades que se desenvolve em uma escala de tempo muito
mais curta do que se pensava anteriormente ( Bönstrup et al., 2019 , 2020 ; Jacobacci et al., 2020
), e que é aproximadamente 4 vezes maior em magnitude do que a consolidação noturna
classicamente estudada que requer sono (Bönstrup et al., 2019 ).
A aprendizagem de habilidades envolve a formação de novas memórias por meio da ligação,

um processo que liga hierarquicamente elementos de ação simples (por exemplo, um único
toque de tecla de piano) para construir representações de sequências espaço-temporais
complexas (por exemplo, um refrão dentro de um concerto de piano clássico) ( Karni, 1995 ;
Karni et al., 1998 ; Song e Cohen, 2014 ; Walker et al., 2003 ). Como o cérebro liga sequências
de representações de ações discretas em habilidades consolidadas e temporalmente precisas
durante o repouso de vigília não é conhecido ( Gerbier et al., 2015 ; Jacobacci et al., 2020 ;
Kornmeier e Sosic-Vasic, 2012). Um possível mecanismo candidato é o replay neural, a
reativação comprimida temporalmente de padrões de atividade neural que representam
sequências comportamentais durante o repouso ( Genzel et al., 2020 ). Trabalhos anteriores em
roedores mostraram que a repetição do hipocampo constrói representações de mapas de
navegação por meio da ligação relacional de localizações espaciais discretas em trajetórias (

Carr et al., 2011 ). Além disso, a atividade hipocampal foi documentada durante os períodos de
descanso do aprendizado inicial em humanos ( Albouy et al., 2015 ; Jacobacci et al., 2020 ).
Assim, é possível que a repetição da vigília, por meio da recapitulação offline da prática
anterior ( Carr et al., 2011 ; Diba e Buzsáki, 2007 ;Foster e Wilson, 2006 ; Singer e Frank, 2009 ),
promove a consolidação consciente da habilidade, uma questão que não foi investigada em
humanos ou modelos animais ( Carr et al., 2011 ; Ramanathan et al., 2015 ).
Neste estudo, postulamos uma contribuição do replay neural na consolidação da memória em

vigília. Testamos isso aplicando uma abordagem analítica multivariada aos dados de atividade
cerebral de magnetoencefalografia (MEG) adquiridos durante o aprendizado de habilidades
para decodificar repetições espontâneas de vigília durante os períodos de descanso em que
sequências de ações discretas simples aprendidas durante a prática intercalada são vinculadas
a uma habilidade consolidada.
Resultados
A consolidação da habilidade na vigília foi avaliada usando uma tarefa de sequência de
pressionamento de tecla ( Karni et al., 1995 ; Walker et al., 2003 ) que mostra o fortalecimento
rápido da memória em uma única sessão ( Bönstrup et al., 2019 ). Os indivíduos foram
instruídos a digitar a sequência 41324 em um bloco de respostas o mais rápido e preciso
possível durante cada período de prática de 10 segundos. Trinta e seis períodos de prática de
10 s (tentativas) foram intercalados com períodos de descanso de 10 s ( Figura 1 ). A habilidade
foi medida como a velocidade correta de digitação da sequência (sequências [seq]/s). A
aprendizagem precoce, englobando o conjunto de tentativas em que ocorreu 95% da
aprendizagem total, foi explicada por ganhos micro-offline , mas não micro-online ( Figura 1D).
Ou seja, a melhora da habilidade ocorreu durante o repouso em vigília, mas não durante a
prática ativa ( Figuras 1 C e D).
Download: Baixar imagem em alta resolução (565 KB)

Figura 1 . Tarefa de aprendizagem de habilidades e desempenho comportamental
(A) Tarefa de habilidade motora de sequência de teclas. Os indivíduos adquiriram uma nova
habilidade motora em uma única sessão de treinamento. Eles foram instruídos a digitar
repetidamente uma sequência treinada, 41324, com a mão esquerda não dominante o mais
rápido e preciso possível. A tecla 4 foi realizada com o dedo indicador esquerdo, a tecla 3 com
o dedo médio esquerdo, a tecla 2 com o dedo anelar esquerdo e a tecla 1 com o dedo mínimo
esquerdo. Seguindo as instruções da tarefa, um registro de repouso de vigília de 5 min MEG
foi adquirido antes do início do treinamento (repouso pré-treinamento). Os sujeitos então
realizaram a tarefa ao longo de 36 períodos de prática individual com duração de 10 s cada. Os
períodos de prática foram intercalados com intervalos de descanso de 10 s de vigília (descanso
interprático). O MEG foi adquirido continuamente durante o treinamento (12 min). Um
segundo,
(B) Curva de desempenho. A habilidade foi medida como a velocidade correta de digitação da
sequência (sequências [seq]/s). O desempenho médio médio (média ± SEM) aumentou
rapidamente durante o aprendizado inicial (o conjunto de tentativas em que 95% do
aprendizado total ocorreu, tentativas 1-11; linha tracejada vertical).
(C) A velocidade de digitação da sequência correta instantânea (média do grupo ± SEM

mostrado) foi usada para quantificar os ganhos de desempenho micro-online durante a
prática (ciano) e ganhos micro-offline durante o descanso intercalado (magenta) para o
período de aprendizado inicial.
(D) Micro-online (ciano), micro-offline (magenta) e aprendizagem precoce total (verde) para
cada assunto. Observe que os aumentos de habilidade ocorrem durante os períodos
intermediários de descanso acordado, e não durante a prática ativa. Linhas horizontais grossas
e caixas associadas indicam a média do grupo e o intervalo de confiança de 95%,
respectivamente.
A repetição rápida de sequências de habilidades é proeminente durante o descanso

acordado intercalado com a prática
Em seguida, examinamos dados de atividade cerebral de MEG de espaço de origem parcelados
para evidência de repetição espontânea da sequência treinada durante o repouso em vigília (
Figura 2 ). Usamos decodificadores de máquina de vetor de suporte de base radial para
interrogar dados MEG de estado de repouso para eventos de repetição individuais (consulte os
métodos STAR para obter detalhes). Segmentos de dados de prática centrados em eventos de
pressionamento de tecla individuais foram usados para treinar quatro decodificadores de
estado de pressionamento de tecla um contra todos (ou seja, um decodificador por dedo). Em
seguida, aplicamos esses decodificadores aos dados MEG de repouso para detectar eventos de
repetição ( Figura 2A) que ocorreu durante os períodos de descanso pré-treino, inter-treino e
pós-treino. Como o replay é conhecido por ser temporalmente comprimido em diferentes
graus em relação ao comportamento, procuramos o replay em um intervalo de durações (25–
2.500 ms) correspondendo a diferentes magnitudes de compressão (aproximadamente 0,4–
40×) em relação à habilidade adquirida (a média a duração da sequência correta ao final do
aprendizado inicial foi de 1.037,7 ± 61,7 ms; média ± SEM; Figura 1 B).
Download: Baixar imagem de alta resolução (1 MB) Download : Baixe a imagem em tamanho real
Figura 2 . Detecções de repetição
(A) Pipeline de análise de detecção de repetição. Os dados brutos de MEG foram pré-
processados, localizados na fonte e parcelados em 216 regiões do cérebro usando o
Brainnetome Atlas ( Fan et al., 2016 ). Segmentos de dados de prática centrados em eventos de
pressionamento de tecla individuais foram usados para treinar quatro decodificadores de
estado de pressionamento de tecla de máquina de vetor de suporte de base radial um contra
todos (ou seja, um decodificador por dedo). Em seguida, usamos os decodificadores de estado
de pressionamento de tecla treinados para interrogar dados MEG de estado de repouso (treino
anterior, durante períodos de descanso intercalados com prática e após o final do
treinamento) em cada ponto de tempo, T, para repetição de sequências de estado de
pressionamento de tecla em uma faixa de durações (25–2.500 ms) correspondentes às faixas de
compressão temporal (0,4–40×) relatadas anteriormente ( Davidson et al., 2009 ;Marchesotti et
al., 2016 ; Papaxanthis et al., 2002 ). A avaliação do desempenho do descodificador ( Figura S1 )
foi utilizada para estabelecer um limite mínimo de probabilidades de repetição de sequências
detectáveis. O teste de permutação contra probabilidades para todas as sequências possíveis (n
= 1.024) no ponto de tempo T foi usado para determinar a detecção estatisticamente
significativa de eventos de repetição de sequência de pressionamento de tecla.
(B) A repetição neural foi detectada durante o repouso acordado. A taxa máxima de repetição
da sequência treinada para frente foi observada para eventos de 50 ms de duração. Isso foi
consistente com a repetição observada para a sequência treinada reversa ( Figura S2 A). As
regiões sombreadas indicam o intervalo de confiança de 95% da média do grupo (linhas
grossas).
(C) Taxas de repetição de vigília (duração de 50 ms) para a sequência treinada para frente mais
que triplicaram durante o descanso entre treinos (2,44 ± 0,29, média ± SEM) em relação ao
descanso pré-treinamento (0,75 ± 0,21). Mudanças de taxa de magnitude semelhantes também
foram observadas para a sequência treinada reversa ( Figura S2 B). As taxas de repetição então
diminuíram durante o descanso pós-treinamento (0,88 ± 0,21) para níveis semelhantes ao pré-
treinamento. Linhas horizontais grossas e caixas associadas indicam a média do grupo e o
intervalo de confiança de 95%, respectivamente.
(D) Dentro dos indivíduos, a repetição de vigília da sequência treinada aumentou de forma
mais proeminente (ANOVA unidirecional [frente, reverso, controle] : F 2,87 = 6,42; p = 0,002; frente
versus controle: p = 0,0062, correção de Bonferroni ; reverso versus controle: p = 0,0099,
corrigido por Bonferroni; veja também a Figura S2 C) para a sequência treinada do que para
uma sequência de controle (33433; direita). Este controle foi selecionado com base no fato de
que era a única dentre 1.022 sequências alternativas possíveis que não compartilhavam
nenhuma posição ordinal comum ou estrutura de transição com a sequência treinada direta
(41324) e reversa (42314). As taxas de repetição de repouso pré-treinamento não diferiram
significativamente entre essas sequências (F 2,53,94 = 2,431; p 0,098). É importante notar que
essa mesma tendência foi observada mesmo após expandir esses critérios para considerar
sequências adicionais compartilhando uma única posição ordinal comum ou uma única
transição comum com a sequência de prática ( Figura S2 C).
A repetição neural da sequência treinada completa foi identificada em todos os períodos de

repouso acordados examinados. No entanto, as taxas de detecção (ou seja, o número de
eventos de repetição detectados por segundo) variaram dependendo da duração da reprodução
(ou seja, magnitude da compressão; Figura 2 B). As taxas de repetição direta para a sequência
treinada (41324) foram mais proeminentes para eventos com duração de 50 ms e diminuíram
progressivamente para durações de evento mais longas ( Figura 2 B; consulte a Figura S2 A
para repetição reversa da sequência treinada, 42314). Assim, a representação de repetição
neural modal da habilidade foi temporariamente comprimida aproximadamente 20 vezes em

relação ao comportamento real. A Figura 2 C destaca a grande diferença nas taxas de repetição
para frente nos diferentes estados de repouso acordado (F2 , 58 = 15,26, p = 0,000018).
Especificamente, os eventos de repetição direta durante o descanso entre treinos ocorreram
aproximadamente 3 vezes mais frequentemente (2,44 ± 0,29 repetições/s) em relação ao pré-
treinamento (0,75 ± 0,21 repetições/s, p = 0,00528) ou descanso pós-treinamento (0,88 ± 0,21
replays/s, p = 0,00089, Figura 2 C), ambos comparáveis (p = 0,2972). A repetição reversa da
sequência treinada exibiu características semelhantes ( Figura S2 B). Taxas de repetição
elevadas foram mantidas em todos os períodos de descanso individuais entre as práticas (
Figura S3 A). Dentro de cada um desses períodos de descanso, os eventos de repetição
provavelmente ocorreriam em grupos ( Figuras S3 B e S3D) que foram distribuídos
uniformemente por todos os 10 s ( Figuras S3B e S3C). Finalmente, as taxas médias de
repetição durante a aprendizagem inicial (11 tentativas iniciais) foram significativamente
maiores do que durante a aprendizagem tardia (últimas 11 tentativas; t 29 = 2,66, p = 0,006,
unicaudal).
Em seguida, perguntamos se o aumento na taxa de repetição induzida pela prática era seletivo
para a sequência treinada. Esta questão foi abordada interrogando dados MEG em estado de
repouso para repetição de uma sequência não praticada (controle; 33433), que foi selecionada
com base no fato de ser a única combinação de sequência não praticada (de 1.022 alternativas
possíveis) que não compartilha uma posição ordinal comum ou estrutura de transição com
repetição direta e reversa da sequência praticada. Após o início da prática houve um aumento
maior para repetição da sequência treinada em relação a este controle (ANOVA one-way [frente,
reverso e controle] : F 2,87 = 6,42; p = 0,002; frente versus controle: p = 0,0062 ; Corrigido por
Bonferonni; Figuras 2 D e S2C). Assim, a repetição de vigília é seletiva, mas não exclusiva, para
a sequência de habilidades motoras treinadas.
A repetição da habilidade aprendida é representada dentro de uma rede sensório-

motora mediotemporal
Também examinamos as características espaço-temporais da dinâmica de eventos de
repetição. Depois de calcular a média de todas as épocas de eventos de repetição direta de 50
ms detectadas pelo pipeline de decodificação durante o descanso entre as práticas, aplicamos a
análise de componentes principais (PCA) para extrair redes de baixa dimensão com mudanças
de energia do espaço de origem covariáveis durante a repetição rápida. Duas redes ortogonais
explicaram 86,6% da variação total do sinal durante um evento médio de repetição. A primeira
rede (PC1 explicando 67,8% da variância total) apresentava regiões sensório-motoras,
entorrinais e hipocampais ( Figura 3 ). Incluiu também o precuneus , uma das principais
saídas do hipocampo para o neocórtex ( Buzsáki e Tingley, 2018 ; Margulies et al., 2009),
mostrou-se ativo em trabalhos anteriores de fMRI durante os períodos de descanso do
aprendizado inicial ( Jacobacci et al., 2020 ). A segunda rede (PC2) incluiu um conjunto
semelhante de regiões, exceto para o precuneus ( Figura S4 ). Assim, a repetição da habilidade
é representada predominantemente nas regiões sensório-motora, entorrinal e hipocampal.
Download: Baixar imagem de alta resolução (306 KB)

Figura 3 . Recursos espaciais de eventos de repetição detectados
A análise de componentes principais (PCA) foi usada para caracterizar redes com mudanças de
potência covariáveis no espaço-fonte de MEG parcelado durante eventos de repetição média
do grupo. Juntos, PC1 e PC2 explicam 86,6% da variação total relacionada à energia durante o
replay. PC1, mostrado aqui, explica 67,8% da variância total sozinho e é caracterizado por uma
rede sensório-motora-entorrinal-hipocampal positivamente correlacionada. PC2 exibe um
conjunto semelhante de regiões ( Figura S4 ). Os mapas de superfície são limitados para exibir
as parcelas de carregamento mais altas (consulte os métodos STAR ).
A repetição da sequência treinada se correlaciona com a rápida consolidação de

habilidades
Finalmente, perguntamos se a consolidação em vigília em participantes individuais poderia
ser prevista pela taxa de eventos de repetição detectados para a sequência treinada durante os
intervalos de descanso entre as práticas. Observamos correlações significativas ( Figura 4 )
entre os ganhos micro-offline cumulativos sobre o aprendizado inicial e a repetição da
sequência treinada ( Figura 4 A; r = 0,451, p = 0,012). Alternativamente, a repetição da sequência
de controle ( 33433 ; veja métodos STAR ) não se correlacionou com o comportamento ( Figura
4 B; r = 0,165, p = 0,38). Em resumo, maiores taxas de repetição relacionadas à sequência
treinada previram uma maior consolidação rápida da habilidade de vigília entre os indivíduos.
Download: Baixar imagem de alta resolução (280 KB)

Figura 4 . A repetição neural direta e reversa da sequência treinada prevê a rápida consolidação
da habilidade de vigília
Os gráficos de dispersão representam as taxas de repetição inter-individuais em todos os

períodos de descanso entre práticas de aprendizagem inicial (abscissa) em relação aos ganhos
cumulativos micro-offline (ordenada) na mesma janela de tempo (ensaios 1-11). As regiões
sombreadas indicaram o intervalo de confiança de 95%.
(A) Uma correlação significativa foi observada para a repetição direta da sequência treinada (r =
0,451, p = 0,012). Um achado semelhante foi observado para repetição reversa da sequência
treinada (r = 0,521, p = 0,003). Assim, taxas mais altas de repetição relacionadas à sequência
treinada previram maiores ganhos micro-offline e rápida consolidação da habilidade de vigília
nos indivíduos.
(B) Por outro lado, a repetição durante o descanso inter-prática da sequência de controle
(33433) não apresentou uma correlação significativa com a consolidação rápida da habilidade
de vigília (r = 0,165, p = 0,38) durante o aprendizado inicial.
Discussão
Neste estudo, abordamos a questão de como o cérebro consolida a memória durante o
repouso acordado. Posicionando um papel para a reprodução neural, primeiro documentamos
a reprodução nas regiões temporais mediais e sensório-motoras do cérebro durante a
consolidação da memória humana em vigília. Em seguida, demonstramos que a repetição é
temporalmente comprimida em aproximadamente 20 vezes em relação ao comportamento
praticado. Finalmente, mostramos que as taxas de repetição de vigília para frente e para trás
aumentam rapidamente após o início da prática, exibem seletividade para a sequência

treinada e predizem a consolidação da habilidade.
A presença do descanso acordado intercalado com a prática influencia o sucesso do

aprendizado. Por exemplo, a memória de habilidades é aprimorada quando os eventos de
prática são separados por descanso em vez de agrupados em sucessão imediata, um fenômeno
conhecido como “efeito de espaçamento”. Essa observação, feita inicialmente por Ebbington
em 1885 ( Ebbinghaus, 2013 ), foi documentada repetidamente em domínios cognitivos (
Cepeda et al., 2006 ; Gerbier et al., 2015 ; Kornmeier e Sosic-Vasic, 2012 ; Song et al., 2012 ;
Toppino et al., 2009 ). O descanso acordado também contribui para a aquisição de habilidades.
A aprendizagem precoce (um período em que o desempenho melhora exponencialmente) é
amplamente explicada por micro-offlineganhos que ocorrem entre, e não durante, os períodos
de prática ( Bönstrup et al., 2019 ). Assim, uma forma de consolidação consciente da habilidade
se desenvolve em escalas de tempo muito mais curtas (ou seja, segundos e minutos) do que se
pensava anteriormente ( Bönstrup et al., 2020 ). É importante ressaltar que essa forma de
consolidação da memória em vigília é aproximadamente 4 vezes maior em magnitude do que
a consolidação noturna classicamente estudada, que requer sono ( Bönstrup et al., 2019 ;
Jacobacci et al., 2020 ) e é preservada mesmo quando a experiência de prática é reduzida por
metade ( Bönstrup et al., 2020). Neste estudo, investigamos como o cérebro liga, durante o
repouso acordado, sequências de ações motoras discretas aprendidas durante a prática
anterior, levando à consolidação bem-sucedida da habilidade ( Liu et al., 2019 ).
A repetição do despertar, exibindo características temporais robustas, foi decodificada durante

os mesmos períodos de descanso em que ocorre a consolidação rápida. A repetição de
sequências praticadas completas teve uma duração modal de aproximadamente 50 ms,
representando uma compressão temporal de 20 vezes das representações de sequência de
pressionamento de tecla dentro de cada evento de repetição em relação à duração do
comportamento real da habilidade. Isso é consistente com a gama de compressões relatadas
anteriormente em modelos animais, bem como em humanos ( Davidson et al., 2009 ; Liu et al.,
2019 ), e é muito rápido para ser explicado por ensaios mentais ou processos de imagens
motoras, que compartilham uma duração verídica com o comportamento executado (neste
caso, 1.000 a 2.500 ms) ( Marchesotti et al., 2016 ; Papaxanthis et al., 2002).
Imediatamente após o início da prática, as taxas de repetição durante os períodos de descanso

intercalados aumentaram mais de 3 vezes começando com o primeiro ( Figura S3 A). Essa
descoberta é uma reminiscência do aumento nas taxas de repetição de vigília em roedores
após a introdução em um novo ambiente de labirinto ( Carr et al., 2011 ; Fernández-Ruiz et al.,
2019 ). Também encontramos uma alta probabilidade de agrupamento temporal, pois mais da
metade de todos os eventos de repetição detectados foram pareados com um segundo evento
dentro de uma janela de <200 ms (Figura S3D). Esse agrupamento de repetição ( Liu et al., 2019
) tem sido associado à consolidação da memória ( Carr et al., 2011). Após a prática, as taxas de
repetição diminuíram rapidamente para os níveis pré-treinamento, ao contrário da lenta
diminuição relatada em roedores ( Karlsson e Frank, 2009 ), uma diferença que pode ser
atribuída à consciência explícita do término do treinamento em humanos (provavelmente
ausente em roedores) ou à presença de contingências de recompensa em paradigmas

comportamentais de roedores (ausentes neste estudo) ( Singer e Frank, 2009 ).
O aumento nas taxas de repetição de vigília ( Diba e Buzsáki, 2007 ) para a sequência treinada
foi maior do que para as sequências alternativas não praticadas examinadas ( Figuras 2 D e S2
C). A repetição de sequências ainda não experimentadas tem sido amplamente relatada na
literatura. Primeiro, estudos de memória de navegação em roedores mostraram
repetidamente que as montagens de células do hipocampo geram trajetórias ou sequências
comportamentais plausíveis que ainda não foram exploradas ( Dragoi e Tonegawa, 2011 , 2013
; Gupta et al., 2010 ). É possível que tais eventos de repetição reflitam estruturas de
conhecimento abstratas mais generalizáveis (ou seja, mapas cognitivos) importantes para a
adaptação e transferência de habilidades flexíveis (Behrens et al., 2018 ). As representações da
sequência de pressionamento de teclas que também observamos durante o repouso pré-
treinamento após os sujeitos terem recebido instruções da tarefa, mas antes de iniciarem a
prática ( Figuras 1 A e 2 B), podem ser explicadas da mesma forma. Evidências de “pré-jogo”
em roedores indicam que esses padrões de reativação podem ser gerados a partir de dinâmicas
neurais intrínsecas que suportam representações de sequência ampla que são posteriormente
sintonizadas por meio da experiência ( Dragoi e Tonegawa, 2011 ; Farooq et al., 2019 ).
Alternativamente, também é possível que o conhecimento semântico sobre os requisitos da
tarefa tenha sido suficiente para provocar a repetição de sequências de pressionamento de
tecla na preparação do treinamento iminente ( Liu et al., 2019 ).
Aprender essa habilidade requer vincular ações individuais de pressionamento de tecla

discretas em uma sequência espaço-temporal rápida e precisa ( Wong e Krakauer, 2019 ).
Enquanto as representações neurais de pressionamentos de teclas individuais – movimentos
estereotipados e superaprendidos dos dedos – são altamente invariantes e mantidos dentro do
córtex motor primário ( Yokoi e Diedrichsen, 2019 ), as habilidades de sequência de
pressionamento de teclas são representadas espacialmente em uma rede cerebral
frontoparietal distribuída que se reorganiza com o aprendizado ( Albouy et. al., 2015 ;
Jacobacci et al., 2020 ; Wong e Krakauer, 2019 ; Yokoi e Diedrichsen, 2019). Os eventos de
repetição neural de despertar caracterizados aqui foram codificados em regiões que diferiam
daquelas relatadas para sequências de prática ( Yokoi e Diedrichsen, 2019 ) na proporção de
envolvimento hipocampo-entorrinal. A explicação mais parcimoniosa para essa diferença é
que durante os períodos de descanso em que a consolidação rápida ocorreu, a sincronização
do hipocampo com as regiões neocorticais engajadas potencializou a memória da habilidade
em maior extensão do que durante a própria prática ( Dudai, 2004 ; Squire e Zola-Morgan,
1991). ). Para eventos de repetição individuais, que foram detectados em média entre 20 e 30
vezes durante cada período de descanso de 10 segundos, o hipocampo e o córtex
entorrinalpode envolver memórias que codificam conhecimento abstrato sobre a estrutura de
ação da sequência de habilidades, enquanto o córtex sensório-motor pode envolver memórias
contendo informações sobre a cinemática e dinâmica dos movimentos elementares dos dedos.
Dessa forma, o replay iniciado pelo hipocampo poderia promover a ligação do conhecimento
abstrato sobre a estrutura de ação da habilidade com previsões sensoriais detalhadas
importantes para execução e avaliação da habilidade ( Alvarez e Squire, 1994 ; Gonzalez Castro
et al., 2011 ; Whittington et al., 2020 ). Essa visão é consistente com a evidência de
envolvimento do hipocampo durante os períodos de descanso do aprendizado inicial ( Albouy
et al., 2015 ; Jacobacci et al., 2020). Em conjunto, nossos dados indicam que a repetição
frequente e rápida do despertar reforça o hipocampo e as associações neocorticais aprendidas
durante a prática anterior, um processo relevante para melhorar o desempenho subsequente e
a consolidação da habilidade em vigília. Ainda assim, embora a correlação entre a repetição da
sequência treinada e o aprendizado micro-offline seja fortemente sugestiva de uma
contribuição direta para a consolidação da habilidade ( Bönstrup et al., 2019 ), a causalidade
ainda precisa ser estabelecida em animais ou humanos ( de Sousa et al . al., 2019 ; Eldar et al.,
2020 ).
Concluímos que o replay robusto do hipocampo e do neocortical prediz o aprendizado micro-

offline e é um possível mecanismo de ligação que apoia a consolidação da memória em vigília.
Limitações do Estudo
Como em qualquer análise baseada em classificadores, a capacidade de discriminar entre
detecção precisa de fenômenos biológicose rotular incorretamente os artefatos é um desafio
importante. Embora os procedimentos de teste de limite e significância incorporados no
pipeline de detecção de repetição atual tenham como objetivo mitigar esse problema (ou seja,
detecções de repetição de sequência falso-positiva), ele não pode ser totalmente eliminado.
Uma limitação de nossa abordagem é que ela considera conjuntamente a classificação
independente de estados de pressionamento de tecla em cada posição ordinal na sequência.
Assim, sequências com estrutura ordinal compartilhada são mais propensas a serem
confundidas. Por exemplo, uma vez que a reprodução direta e reversa da sequência praticada
compartilham os mesmos estados de pressionamento de tecla na primeira, terceira e quinta
posições ordinais, a rotulagem incorreta das outras duas posições pode resultar em detecção
incorreta da direção de reprodução. A probabilidade média desse tipo de classificação
incorreta pode ser estimada calculando o produto das respectivas probabilidades ordinais
médias para 41324 (detecção de verdadeiro positivo de repetição direta) e 42314 (detecção de
falso positivo de repetição reversa) durante a prática ou descanso (Figuras S1B-S1F ) e
compará-los. Com base nessas comparações, estimamos que aproximadamente 1 entre 6 e 11
eventos de repetição para frente detectados para a sequência praticada podem ter a direção
classificada incorretamente (ou seja, rotulada como reversa). Investigações adicionais podem
ajudar a refinar essa abordagem para detectar replay em dados de MEG. Com base nessas
comparações, estimamos que aproximadamente 1 entre 6 e 11 eventos de repetição para frente
detectados para a sequência praticada podem ter a direção classificada incorretamente (ou seja,
rotulada como reversa). Investigações adicionais podem ajudar a refinar essa abordagem para
detectar replay em dados de MEG. Com base nessas comparações, estimamos que
aproximadamente 1 entre 6 e 11 eventos de repetição para frente detectados para a sequência
praticada podem ter a direção classificada incorretamente (ou seja, rotulada como reversa).
Investigações adicionais podem ajudar a refinar essa abordagem para detectar replay em dados
de MEG.
STAR★ Métodos
Tabela de recursos-chave
REAGENTE ou
RECURSO FONTE IDENTIFICADOR
Dados depositados
Dados MEG Este papel N/D
Software e algoritmos
MATLAB MATLAB https://www.mathworks.com
Pitão Pitão https://www.python.org
E-prime 2 Psychology Software Tools, https://pstnet.com/products/e-prime/

Inc., Sharpsburg, PA, EUA
FreeSurfer https://surfer.nmr.mgh.harvard.edu/
EMN https://mne.tools/stable/index.html
Código e algoritmos Este papel https://github.com/hcps-ninds/Replay

personalizados
Outro
Sistema CTF MEG CTF MEG Serviços https://www.ctf.com

275 Internacionais LP. Coquitlam,
BC, Canadá
Cedrus LS-LINE Corporação Cedro. São Paulo, https://www.cedrus.com/lumina/

CA, EUA
Sistema de scanner GE Saúde. Chicago, IL, EUA https://www.gehealthcare.com/products/magnetic-

GE Discovery MR750 resonance-imaging/3-0t/discovery-mr750
3T
Siemens Skyra Siemens Healthineers. https://www.siemens-healthineers.com/magnetic-

Erlangen, Alemanha resonance-imaging/3t-mri-scanner/magnetom-
skyra
Cluster NIH HPC NIH, Bethesda, MD, EUA https://hpc.nih.gov/

Biowulf
Disponibilidade de recursos
Contato principal
Mais informações e solicitações de recursos devem ser encaminhadas e serão atendidas pelo
contato principal, Ethan R Buch ( ethan.buch@nih.gov ).
Disponibilidade de materiais
Este estudo não gerou novos materiais.
Disponibilidade de dados e código

Os dados (sujeitos ao consentimento do participante) usados para gerar os resultados deste
estudo serão disponibilizados gratuitamente mediante solicitação ao Contato Principal, Ethan
R Buch ( ethan.buch@nih.gov ). O código personalizado gerado durante este estudo está
disponível em https://github.com/hcps-ninds/Replay .
Modelo experimental e detalhes do assunto
Participantes
Trinta e três participantes saudáveis destros ingênuos (16 mulheres, média ± SEM idade 26,6 ±
0,87) com exame neurológico normal deram seu consentimento informado por escrito para
participar do projeto, que foi aprovado pelo Combined Neuroscience Institutional Review
Board of National Institutos de Saúde (NIH). Músicos ativos foram excluídos do estudo (
Abraham et al., 2014 ). O tamanho da amostra foi determinado a priori por meio de uma
análise de poder dos dados de aprendizagem de habilidades anteriores coletados em nosso
grupo de pesquisa usando a mesma tarefa ( Censor et al., 2014a , 2014b). Dois participantes
foram excluídos antes do início da análise devido a problemas técnicos com o scanner MEG
durante as sessões de gravação. Um participante adicional foi excluído devido a grandes
artefatos de movimento na ressonância magnética necessária para a modelagem da fonte.
Detalhes do método
Comportamento
Tarefa
Os participantes realizaram uma nova tarefa de sequência de habilidades motoras explícitas,

na qual digitaram repetidamente uma sequência numérica de 5 itens exibida em uma tela de
computador ( 41324 ) da forma mais rápida e precisa possível. As teclas pressionadas foram
realizadas com a mão esquerda não dominante do participante e aplicadas a um pad de
resposta (Cedrus LS-LINE, CedrusCorporação). A tecla 1 foi realizada com o dedo mínimo, a
tecla 2 com o dedo anelar, a tecla 3 com o dedo médio e a tecla 4 com o dedo indicador. O
polegar não foi usado para responder. Os tempos de pressionamento de teclas individuais e
identidades foram registrados para análise de dados comportamentais. Os participantes
praticaram a tarefa por trinta e seis (36) tentativas de 10 segundos de duração. Períodos de
descanso de 10 s foram intercalados entre as tentativas. Durante a prática, os participantes
foram instruídos a se fixarem na sequência de cinco itens exibida durante toda a duração do
teste. Pequenos asteriscos apareciam acima de um item de sequência quando um

pressionamento de tecla era gravado, fornecendo feedback ao participante sobre sua
localização atual dentro da sequência. Após a conclusão de uma iteração completa da
sequência, os asteriscos foram removidos. A exibição de asterisco não fornece feedback de
erro, pois eles aparecem para pressionamentos de tecla corretos e incorretos. Durante os
períodos de descanso intercalados de 10 s, a sequência foi substituída por uma sequência de
cinco símbolos “X”, nos quais os participantes foram instruídos a se fixarem.Estímulos visuais
e instruções de tarefas foram apresentados, e as respostas de teclas gravadas usando um script
personalizado rodando em E-Prime 2 (Psychology Software Tools, Inc.).
Ressonância Magnética (RM)
aquisição de ressonância magnética
A ressonância magnética estrutural foi realizada em um scanner de ressonância magnética 3T

(GE Excite HDxt e Siemens Skyra) com uma bobina de cabeça padrão de 32 canais. Imagens
anatômicas de alta resolução ponderadas em T1 ( sequência MPRAGE isotrópica de 1 mm 3 ) foram
adquiridas para cada participante.
Magnetoencefalografia (MEG)
Aquisição MEG
A MEG contínua foi registrada em uma frequência de amostragem de 600Hz com um sistema
CTF 275 MEG (CTF Systems, Inc., Canadá) enquanto os participantes estavam sentados na
posição vertical. O sistema é composto por um conjunto de cabeças inteiras de 275 radiais 1 º-
Ordenar os canais de gradiômetro/SQUID alojados em uma sala magneticamente blindada
(Vacuumschmelze, Alemanha). Dois dos gradiômetros estavam com defeito e não foram
usados. Um terceiro canal foi removido (MLT16-1609) após a inspeção visual dos dados
indicar a presença de altos níveis de ruído para todas as gravações, resultando em 272 canais
totais de dados MEG. O balanceamento de gradiente sintético de 3ª ordem foi usado para
remover o ruído de fundo online. Um gatilho TTL enviado do computador de tarefas para o
computador de aquisição de dados MEG foi usado para alinhar temporalmente os dados
comportamentais e MEG. Os pontos indicadores de posição da cabeça (HPI) foram
monitorados no espaço de coordenadas do scanner usando bobinas de localização da cabeça
(HLCs) colocadas nos locais pré-auriculares, esquerdo e direito da cabeça do
participante.sistema de neuronavegação (BrainSight, Rogue Research Inc.).
Quantificação e análise estatística
Comportamento
Cálculo da medida de habilidade
A velocidade instantânea da sequência correta (medida de habilidade) foi quantificada como o

inverso do tempo (em segundos) necessário para completar uma única iteração de uma
sequência completa de 5 itens gerada corretamente. As respostas individuais de
pressionamento de tecla foram rotuladas como membros de sequências corretas se
ocorressem dentro de um padrão de resposta de 5 itens correspondendo a quaisquer possíveis
deslocamentos circulares da sequência de 5 itens exibida no monitor ( 41324 ). Essa
abordagem nos permitiu quantificar uma medida de habilidade dentro de cada tentativa de
prática na resolução de pressionamentos de tecla individuais e identificar todos os tipos
possíveis de erros de resposta de pressionamento de tecla (ou seja, – omissão, replicação ou
substituição). O desempenho em cada tentativa foi resumido como a velocidade mediana
instantânea da sequência correta durante a tentativa completa.
Determinação do ponto de corte do teste de aprendizagem precoce

Aqui, a aprendizagem precoce corresponde ao conjunto de tentativas entre a tentativa 1 e uma
tentativa de corte, T, na qual 95% dos ganhos de desempenho são alcançados pela primeira vez
no nível do grupo . Determinamos T como segue. Primeiro, ajustamos os dados de velocidade de
sequência correta média do grupo tentativa a tentativa com um modelo exponencial da forma:
(1)
onde L(t) representa o estado médio de aprendizagem do grupo na tentativa de prática, t , C 1 e

C 2 controlam o desempenho pré-treinamento e assíntota (ou seja, - extensão da
aprendizagem), e controla a taxa de aprendizado. Parâmetros C 1 (restrições de limite = [0,5]),
C 2 ([0,15]) e ([0,2]) foram estimados usando um método de mínimos quadrados não linear
restrito ( algoritmo lsqcurvefit , trust-region-reflective do MATLAB). Em seguida, acumulamos
L(t) ( Equação 1 ) sobre todo t e dividimos a soma cumulativa de cada tentativa pela área sob a
curva para obter uma porcentagem cumulativa de aprendizado por tentativa. Finalmente,
definimos T para a primeira tentativa em que 95% do aprendizado foi alcançado ( T = 11 neste
estudo).
Cálculo de ganhos micro-online e micro-offline durante o aprendizado inicial
Em seguida, avaliamos as mudanças iniciais de aprendizado no nível de teste individual,

quantificando as melhorias de desempenho que ocorrem durante a prática individual e os
períodos de descanso. O aprendizado micro-online foi definido como a diferença na velocidade
instantânea da sequência correta entre o início e o final de uma tentativa prática. O aprendizado
micro-offline foi definido como a diferença absoluta na velocidade da sequência correta entre o
final de um período de prática e o início do período de prática subsequente. As pontuações
cumulativas de aprendizado micro-online e micro-offline medidas nos primeiros 11 testes para
cada participante foram usadas para avaliar sua respectiva contribuição para o aprendizado
inicial total (ou seja, - mudança no desempenho entre o Teste 1 e o Teste 11) (Bönstrup et al.,
2019 ).
Magnetoencefalografia (MEG)
Preparação e pré-processamento de dados MEG

Os dados de MEG de cada participante foram organizados nas seguintes amostras: descanso
pré-treino (segmento único de 5 min), descanso de treino entre tentativas (36 segmentos de 10 s),
treino (36 segmentos de 10 s) e descanso pós-treino ( único segmento de 5 min). Todas as
amostras de MEG foram filtradas por passagem de banda entre 1-100Hz, filtradas por notch a
60Hz e submetidas à Análise de Componentes Independentes (ICA). O ICA foi ajustado
usando a implementação do FastICA da MNE Python ( Gramfort et al., 2013 ) ( Fan et al., 2016 ))
após o pré-clareamento com Análise de Componentes Principais (definido para reter os 15
principais componentes). Topografias espaciais e séries temporais de todos os componentes
foram inspecionadas visualmente e aqueles determinados como fortemente associados com
eletrocardiograma conhecido, movimento dos olhos e piscadas e artefatos de movimento da
cabeça foram removidos da amostra de MEG.
Reconstrução e parcelamento da fonte MEG

A reconstrução da fonte dos dados do MEG foi realizada usando o pipeline padrão no MNE
Python ( Gramfort et al., 2014 ). Uma única solução direta e solução inversa foi calculada para
cada amostra de MEG. Um modelo de elemento de contorno (BEM) necessário para a geração
da solução direta foi construído para indivíduos individuais a partir de superfícies do interior
do crânio e da camada pial obtidas pela segmentação do volume T1-MRI do sujeito no
FreeSurfer ( Fischl, 2012 ). Os rótulos da superfície hipocampal foram obtidos parcelando a RM
do participante de acordo com as coordenadas no atlas Brainnetome ( Fan et al., 2016 ) (
https://atlas.brainnetome.org/). Espaços fonte neocortical e hipocampal foram obtidos por
amostragem das superfícies correspondentes em uma grade octaédrica recursiva com 4,9 mm
entre dipolos, e alinhados espacialmente aos dados do sensor MEG com os dados de co-
registro obtidos do BrainSight. O BEM foi então usado para gerar a solução direta em cada
localização do dipolo da fonte. O operador de formador de feixe Linearly Constrained
Minimum-Variance (LCMV) foi usado para calcular a solução inversa dos dados de espaço do
sensor MEG registrados. A duração total de cada amostra de MEG foi usada para calcular a
matriz de covariância de dados de solução inversa. Todas as soluções inversas usaram a mesma
matriz de covariância de ruído de amostra, que foi calculada ao longo dos primeiros 20 s da
amostra MEG de repouso pré-treino para indivíduos individuais.
MNI-space transformations obtained from the FreeSurfer segmentation pipeline were then
used to spatially register the resulting source reconstruction time series to the Brainnetome
atlas, enabling quantitative estimation of millisecond-resolved brain activity for 212
neocortical and 4 hippocampal parcels (i.e., – 216 total parcels). Parcel activity was estimated
by averaging the time series of all source dipoles falling within a given parcel boundary. A
process called mean-flipping was used to prevent within-parcel source cancellation when
averaging. That is, the sign was flipped for all sources with a sign that differed from that of the
average source. Since the sensor space data had been bandpass filtered with a cut-off
frequency of 100Hz, the source data were downsampled from 600Hz to 200Hz to increase
computation speed in subsequent processing steps. All remaining analyses were performed
directly on the parcellated source-space MEG time series.
Training and evaluation of keypress decoders

Individualized keypress decoders were trained for each participant using Python’s Scikit-learn
library (Pedregosa et al., 2011). The training data of a subject’s decoder was assembled as
follows. We time-averaged the parcellated source for each correct keypress in all 36 practice
MEG samples between t ± Δt ms, where t is the keypress timestamp and Δt is treated as a
cross-validated hyperparameter described in detail below. The timestamp for each keypress
was obtained from behavioral data files output by E-prime. This produced the predictor
matrix X[keypresses x parcels] and the target array y [ pressionamentos de tecla x 1] onde os pressionamentos
de tecla variavam entre sujeitos (alguns digitaram mais sequências do que outros) e parcelas =
216 como descrito anteriormente.
Usamos X e y para treinar quatro máquinas de vetor de suporte de base radial um contra
todos (SVC do Python Scikit-learn ) com um pipeline parametrizado com uma política de
centralização/escalonamento de recursos, uma janela de tempo para calcular a média da fonte
MEG em torno de um pressionamento de tecla ( Δt ), um termo de regularização ( C ) e um
coeficiente de kernel (γ). Resolvemos esses (hiper)parâmetros executando três vezes a
otimização de hiperparâmetros de pesquisa de grade com validação cruzada de 5 vezes, uma
para cada um dos seguintes critérios de otimização:
onde Peso ( chave ) = [2/7, 2/7, 2/7, 1/7] para as chaves 1, 2, 3 e 4, respectivamente, e Precisão (
chave ) = porcentagem de classificação correta da chave . Para o segundo e terceiro critérios de
otimalidade, a classificação foi feita escolhendo a chave que maximizava a probabilidade
estimada pelos SVCs, ao invés de usar a função de decisão. A grade de pesquisa usada foi: C =
[0,1, 0,5, 1, 10, 50, 100, 1000], gama = [0,05, 1/(2 x pressionamentos de tecla ), 0,1, 0,5, 1], política
central = [True (vai remover a mediana), False (não vai remover a mediana)], política de
padronização = [True (vai dividir por intervalo interquartil (IQR)), False (não vai dividir por
IQR)] e Δt = [5 , 10, 25] – que é um total de 420 configurações. Os SVCs foram treinados com
um erro alvo de 10 −3 ou menos.
Três pesquisas de grade de validação cruzada foram executadas para cada participante, uma
para cada um dos três critérios : , BA e WBA. A pesquisa em grade sob um critério
específico funcionou da seguinte maneira. Primeiro, o conjunto de treinamento foi dividido
em 5 partições estratificadas mutuamente exclusivas para que as proporções de todos os
pressionamentos de tecla fossem preservadas como nos dados originais (como a sequência de
treinamento era 41324 , cada pasta teria aproximadamente o dobro de teclas = 4). Em seguida,
usamos o oversampler aleatório na caixa de ferramentas de aprendizado desequilibrado do Python
( Lemaitre et al., 2017) (com uma política de amostragem “não majoritária”) para fazer a
sobreamostragem independente dos pressionamentos de tecla 1, 2 e 3 em cada partição de
treinamento. Observe que as partições de teste nunca foram superamostradas e as partições de
treinamento não compartilharam padrões comuns de superamostragem, pois isso levaria a
um mergulho duplo e, finalmente, a um superajuste. Finalmente, realizamos o mesmo

procedimento de validação cruzada de 5 vezes em cada uma das 420 configurações na grade.
Cada configuração produziu 5 estimativas, resultando em um total de 2100 estimativas. Em
seguida, selecionamos a configuração do decodificador com o melhor desempenho de
validação cruzada (dados apenas nas partições de teste e desempenho sob o critério de
otimização considerado) para cada participante individual. Para avaliar o desempenho do
decodificador, criamos um conjunto de desempenho nulo permutando os rótulos de teste (ou
seja,classificações corretas + 1) / (1000 + 1). Também calculamos a matriz de confusão com
validação cruzada do decodificador, ou seja, a matriz de confusão calculada sobre os dados nas
partições de teste com validação cruzada. Essa matriz de confusão desempenhou um papel
importante em nosso pipeline de detecção de replay, conforme descrito posteriormente.
Estimativa do desempenho do decodificador na detecção de sequência de prática

O objetivo do presente passo foi selecionar o melhor decodificador para um participante com
base em seu desempenho estimado em sequências completas praticadas. Lembre-se de que o
treinamento do decodificador de pressionamento de tecla resultou em três opções de
decodificador para cada participante (ou seja, - , BA e WBA) com desempenhos validados
cruzados associados, valores p e matrizes de confusão validadas cruzadas. Usamos o seguinte
processo para selecionar o decodificador ideal para cada participante. Primeiro, descartamos
qualquer decodificador com valor de p > = 0,05. Esta etapa resultou em pelo menos um
decodificador viável para todos os participantes. Em seguida, reformulamos a matriz de
previsão X prática de cada participante [ pressiona a tecla x parcelas ] de volta às sequências digitadas
corretamente das quais se originaram, resultando em uma matriz X prática associada [ 5 x parcelas x N ]
para cada sujeito, onde Né o número de sequências digitadas corretamente de 4-1-3-2-4.
We then evaluated the ability of the decoders to correctly identify each typed practice sequence
from j = 1…N using the following procedure:
1 Scored the probability, , of Xpractice[:, :, j] being identified as sequence 4-1-3-2-4 as the
product of the probabilities of each of the sequence’s constituent keys, , in the
correct order. Probabilities were obtained from the keypress SVC decoders for each
subject.
2 Repeated Step 1 for all other possible sequences (i.e., – all other 1023 5-digit combinations
of 1,2,3 and 4). Combined, these sequences form the set of null probabilities, .
3 , we calculated the p value for detection of the j-th practiced sequences as

and counted a detection of typed sequence j if the
p value < 0.05.
Finally, we obtained the sequence detection rate of a decoder by dividing the number of
detections by the total number of practiced sequences, N. We then selected the decoder option
with the top detection rate for sequences observed in the practice data. Figure S1B shows the
distribution of top detection rates across participants. Figure S1C shows keypress probabilities
first averaged at each ordinal position of detected practice sequences and then averaged over
subjects. Note that the expected key at each position is always the keypress with the top
detection probability. All participants had at least one decoder with a non-zero detection rate.
The selected decoder was the one used to interrogate waking rest MEG data samples for
replay events.
Detecção de repetição de sequência e cálculo da taxa de repetição

Dada uma amostra MEG de período de descanso, X descanso [ T x parcelas ] , de T pontos de tempo
x parcelas registradas de um determinado sujeito, estimamos a probabilidade de que uma
determinada sequência, seq = ABCDE, fosse repetida em um tempo 0 ≤ t < T dentro dessa
amostra para ser o produto das probabilidades de cada uma das chaves constituintes da
sequência A, B, C, D e E [1, 2, 3, 4] sendo observados na ordem correta e terminando no
tempo t, ou seja:
(2)
Onde é um segmento de amostra MEG extraído

de em todas as 216 parcelas e compactado para 5 pontos de tempo.
Probabilidades de diferentes durações de replay foram obtidas variando o fator de compressão
da escala de tempo, tscl , onde .
Por exemplo, como nossa resolução de tempo é de 5 ms, definimos tscl = 1 para procurar
durações de replay de 25 ms, tscl = 2 para durações de replay de 50 ms e até tscl = 100 para
durações de 2500 ms. Em termos de implementação, obtivemos usando o resample
scipy do Python com argumentos padrão e num = 5. Novamente, probabilidades foram
obtidos a partir dos decodificadores SVC de pressionamento de tecla selecionados para cada
sujeito. O Scikit-learn implementa uma versão multiclasse da técnica de escalonamento de Platt
para obter distribuições de probabilidade de classificações em mais de duas classes ( Wu et al.,
2004 ).
Avaliamos apenas a probabilidade de repetição em pontos de tempo em que

ultrapassou um limite, , definido como o produto das taxas máximas de detecção fora da
diagonal (ou seja, taxas de falsos positivos) da matriz de confusão validada cruzada do
decodificador de pressionamento de tecla. Para cada ponto de tempo, t , tal que >
, testamos a significância estatística associada a "quão raro" estaria sob a
distribuição nula de probabilidades para todas as outras 1.023 possíveis sequências
decodificáveis (ou seja, - o set) resultando em um /100.
Todos os valores de p foram corrigidos por FDR (Benjamin-Hochberg) para contabilizar
comparações múltiplas usando um = 0,05 com o número de testes definido para o tamanho
de . Ao pré-selecionar quais pontos de tempo para testar, nós mitigamos os efeitos da
correção para comparações múltiplas. Observe que o limite de seleção foi totalmente
determinado a partir de dados de prática (matrizes de confusão validadas cruzadas) e nunca de
dados de teste em que o teste estatístico foi realizado, eliminando assim a possibilidade de
análise circular ou double-dipping. Detecções de repetição estatisticamente significativas
foram marcadas para todos os valores de p [ t ] < 0,05. Como era possível que a sobreposição de
X reamostrados [ t ] pudesse resultar em múltiplas detecções do mesmo evento de repetição
putativo, cada conjunto de detecções múltiplas ocorrendo (dentro da mesma duração de
repetição testada) foi substituído por uma única detecção no instante de tempo mediano do
definir. Por fim, pontuamos a taxa de repetição de seqdurante o período de descanso dado
amostra MEG como o número de detecções por duração da amostra em segundos:
(3)
Onde é o número de detecções de seq ao longo da linha do tempo da amostra MEG, e

fs é a taxa de amostragem da amostra MEG (ou seja, –fs / T é o inverso da duração da amostra
em segundos).
Caracterização da rede de repetição

Embora o uso de um kernel não linear tenha otimizado o desempenho dos decodificadores de
estado de pressionamento de tecla, ele impede a avaliação direta das representações espaciais
desses estados (e dinâmica de sequência) dos pesos do decodificador. No entanto, como a saída
do pipeline de detecção de repetição especifica o ponto de tempo em que os eventos de
repetição individuais são iniciados e qual é sua duração, é possível obter informações sobre a
dinâmica da rede de repetição interrogando essas épocas de eventos. Depois de calcular a
média de todas as épocas de evento de repetição direta de 50 ms (ou seja, – 41324), realizamos
a análise de componentes principais (PCA) para extrair redes de baixa dimensão exibindo forte
covariação na potência da fonte durante a repetição. Mapeamos os coeficientes de associação
para regiões corticais no cérebro médio do FreeSurfer e as quatro sub-regiões do hipocampo
em uma representação de superfície separada.
Correlação das taxas de repetição com o comportamento

Realizamos análises de correlação de Pearson das taxas médias de repetição de sequência
treinada para frente e para trás detectadas durante os primeiros onze períodos de descanso de
10 s de vigília com aprendizado micro-offline cumulativo durante o mesmo período. Também
realizamos uma análise de controle avaliando a correlação entre a repetição de uma única
sequência alternativa ( 33433 ) com o aprendizado cumulativo micro-offline durante as
tentativas 1-11. Esta é a única sequência alternativa (1 em 1022) que não compartilha nenhuma
posição ordinal comum ou estrutura de transição com a sequência direta e reversa da
sequência treinada.
Agradecimentos
Esta pesquisa foi apoiada pelo Programa de Pesquisa Intramural do NINDS, NIH .
Agradecemos a Iñaki Ituratte pelos comentários úteis sobre os rascunhos do manuscrito.
Contribuições do autor
ERB concebeu a ideia apresentada. MB e LGC conceberam e projetaram o experimento. MB

realizou o experimento. LC concebeu e desenvolveu o pipeline de análise MEG. A RQ auxiliou
no refinamento do pipeline de análise do MEG. ERB e LC realizaram as análises. ERB, LGC e
LC escreveram o manuscrito. MB e RQ revisaram e editaram o manuscrito.
Declaração de interesses
Os autores declaram não haver interesses conflitantes.
Informação complementar
Baixe todos os arquivos suplementares Ajuda
Download: Baixe o arquivo Acrobat PDF (9MB)
Documento S1. Figuras S1–S4 .
Download: Baixe o arquivo Acrobat PDF (12MB)
Documento S2. Artigo mais informações suplementares .
Artigos recomendados
Referências
Abraão et al., 2014 A. Abraham , F. Pedregosa , M. Eickenberg , P. Gervais , A. Mueller , J.
Kossaifi , A. Gramfort , B. Thirion , G. Varoquaux
Aprendizado de máquina para neuroimagem com scikit-learn
Frente. Neuroinformar. , 8 ( 2014 ) , pág. 14
Visualizar registro no Scopus Google Scholar
Albouy et al., 2015 G. Albouy , S. Fogel , BR King , S. Laventure , H. Benali , A. Karni , J. Carrier
, EM Robertson , J. Doyon
Mantendo vs. aprimorando memórias de sequência motora: papéis respectivos dos
sistemas estriado e hipocampal
Neuroimagem , 108 ( 2015 ) , pp . 423-434
Artigo baixar PDF Visualizar registro no Scopus Google Scholar
Álvarez e Squire, 1994 P. Alvarez , LR Squire

Consolidação da memória e o lobo temporal medial: um modelo de rede simples
Proc. Nacional Acad. Sci. EUA , 91 ( 1994 ) , pp . 7041-7045

Ver PDF CrossRef Visualizar registro no Scopus Google Scholar
Behrens et al., 2018 TEJ Behrens , TH Muller , JCR Whittington , S. Mark , AB Baram , KL
Stachenfeld , Z. Kurth-Nelson
O que é um mapa cognitivo? Organizando o conhecimento para um comportamento
flexível
Neurônio , 100 ( 2018 ) , pp . 490-509
Bönstrup et al., 2019 M. Bönstrup , I. Iturrate , R. Thompson , G. Cruciani , N. Censor , LG

Cohen
Uma forma rápida de consolidação offline no aprendizado de habilidades
atual Biol. , 29 ( 2019 ) , pp. 1346 - 1351.e4
Bönstrup et al., 2020 M. Bönstrup , I. Iturrate , MN Hebart , N. Censor , LG Cohen

Mecanismos de aprendizagem motora offline em uma microescala de segundos em
dados crowdsourced em larga escala
NPJ Sci. Aprender. , 5 ( 2020 ) , pág. 7
Buzsaki e Tingley, 2018 G. Buzsáki , D. Tingley

Espaço e tempo: o hipocampo como gerador de sequências
Tendências Cog. Sci. , 22 ( 2018 ) , págs. 853 - 869
Carr et al., 2011 MF Carr , SP Jadhav , LM Frank

Repetição do hipocampo no estado de vigília: um substrato potencial para
consolidação e recuperação da memória
Nat. Neurociência. , 14 ( 2011 ) , págs. 147 - 153
Censor et al., 2014a N. Censor , E. Dayan , LG Cohen

Circuito neuronal córtico-subcortical associado à reconsolidação de memórias
processuais humanas
Cortex , 58 ( 2014 ) , pp . 281-288
Censor et al., 2014b N. Censor , SG Horovitz , LG Cohen

A interferência com as memórias existentes altera a conectividade cerebral funcional
intrínseca offline
Neurônio , 81 ( 2014 ) , pp . 69-76
Cepeda et al., 2006 NJ Cepeda , H. Pashler , E. Vul , JT Wixted , D. Rohrer

Prática distribuída em tarefas de recordação verbal: uma revisão e síntese quantitativa
Psicol. Touro. , 132 ( 2006 ) , págs. 354 - 380
Davidson et al., 2009 TJ Davidson , F. Kloosterman , MA Wilson

Reprodução hipocampal de experiência estendida
Neuron , 63 ( 2009 ) , pp . 497-507
Dayan e Cohen, 2011 E. Dayan , LG Cohen

Neuroplasticidade auxiliando o aprendizado de habilidades motoras
Neuron , 72 ( 2011 ) , pp . 443-454
de Sousa et al., 2019 AF de Sousa , KK Cowanage , I. Zutshi , LM Cardozo , EJ Yoo , S. Leutgeb ,

M. Mayford
Reativação optogenética de conjuntos de memória no córtex retroesplenial induz a
consolidação de sistemas
Diba e Buzsaki, 2007 K. Diba , G. Buzsáki

Sequências de células de lugar do hipocampo para frente e para trás durante
ondulações
Nat. Neurociência. , 10 ( 2007 ) , págs . 1241-1242
Dragoi e Tonegawa, 2011 G. Dragoi , S. Tonegawa

Pré-reprodução de futuras sequências de células de lugar por montagens celulares do
hipocampo
Natureza , 469 ( 2011 ) , pp . 397-401
Dragoi e Tonegawa, 2013 G. Dragoi , S. Tonegawa

Pré-jogo distinto de múltiplas novas experiências espaciais no rato
Dudai, 2004 Y. Dudai

A neurobiologia das consolidações, ou quão estável é o engrama?
Anu. Rev. Psicol. , 55 ( 2004 ) , págs . 51-86
Ebbinghaus, 2013 H. Ebbinghaus
Memória: uma contribuição para a psicologia experimental

Ana Neurociência. , 20 ( 2013 ) , págs. 155 - 156
Eldar et al., 2020 E. Eldar , G. Lièvre , P. Dayan , RJ Dolan

Os papéis do replay online e offline no planejamento
eLife , 9 ( 2020 ) , p. e56911
Google Scholar
Fan et al., 2016 L. Fan , H. Li , J. Zhuo , Y. Zhang , J. Wang , L. Chen , Z. Yang , C. Chu , S. Xie ,
AR Laird , et al.
The Human Brainnetome Atlas: Um novo atlas cerebral baseado na arquitetura
conexional
Cérebro Cortex , 26 ( 2016 ) , págs . 3508-3526
Farooq et al., 2019 U. Farooq , J. Sibille , K. Liu , G. Dragoi

A coordenação temporal fortalecida em conjuntos de células sequenciais pré-existentes
suporta a repetição da trajetória
Neurônio , 103 ( 2019 ) , pp . 719-733.e7
Fernández-Ruiz et al., 2019 A. Fernández-Ruiz , A. Oliva , E. Fermino de Oliveira , F. Rocha-

Almeida , D. Tingley , G. Buzsáki
Ondas agudas do hipocampo de longa duração melhoram a memória
Ciência , 364 ( 2019 ) , pp . 1082-1086
Fischl, 2012 B. Fischl

FreeSurfer
Neuroimagem , 62 ( 2012 ) , pp . 774-781
Artigo baixar PDF Google Scholar
Foster e Wilson, 2006 DJ Foster , MA Wilson

Reprodução reversa de sequências comportamentais em células do hipocampo durante
o estado de vigília
Natureza , 440 ( 2006 ) , pp . 680-683
Genzel et al., 2020 L. Genzel , G. Dragoi , L. Frank , K. Ganguly , L. de la Prida , B. Pfeiffer , E.

Robertson
Uma declaração de consenso: definindo termos para análise de reativação
Philos. Trans. R. Soc. Londres. B Biol. Sci. , 375 ( 2020 ) , pág. 20200001
Gerbier et al., 2015 E. Gerbier , TC Toppino , O. Koenig

Otimizando a retenção por meio de várias oportunidades de estudo ao longo de dias: o
benefício de um cronograma de repetições em expansão
Memória , 23 ( 2015 ) , págs . 943-954
González Castro et al., 2011 LN Gonzalez Castro , CB Monsen , MA Smith

A ligação da aprendizagem à ação na adaptação motora
Computação PLoS. Biol. , 7 ( 2011 ) , pág. e1002052
Ver PDF CrossRef Google Scholar
Gramfort et al., 2013 A. Gramfort , M. Luessi , E. Larson , DA Engemann , D. Strohmeier , C.

Brodbeck , R. Goj , M. Jas , T. Brooks , L. Parkkonen , M. Hämäläinen
Análise de dados MEG e EEG com MNE-Python
Frente. Neurociência. , 7 ( 2013 ) , pág. 267
Google Scholar
Gramfort et al., 2014 A. Gramfort , M. Luessi , E. Larson , DA Engemann , D. Strohmeier , C.

Brodbeck , L. Parkkonen , MS Hämäläinen
Software MNE para processamento de dados MEG e EEG
Neuroimagem , 86 ( 2014 ) , pp . 446-460
Gupta et al., 2010 AS Gupta , MA van der Meer , DS Touretzky , AD Redish

A repetição do hipocampo não é uma simples função da experiência
Neuron , 65 ( 2010 ) , pp . 695-705
Jacobacci et al., 2020 F. Jacobacci , JL Armony , A. Yeffal , G. Lerner , E. Amaro Jr. , J. Jovicich ,
J. Doyon , V. Della-Maggiore
A plasticidade rápida do hipocampo suporta o aprendizado da sequência motora
Karlsson e Frank, 2009 MP Karlsson , LM Frank

Replay acordado de experiências remotas no hipocampo
Nat. Neurociência. , 12 ( 2009 ) , pág. 913 - 918
Karni, 1995 A. Karni

Quando a prática leva à perfeição
Lancet , 345 ( 1995 ) , p. 395
Karni et al., 1995 A. Karni , G. Meyer , P. Jezzard , MM Adams , R. Turner , LG Ungerleider
Evidência de ressonância magnética funcional para plasticidade do córtex motor

adulto durante o aprendizado de habilidades motoras
Nature , 377 ( 1995 ) , pp . 155-158
Google Scholar
Karni et al., 1998 A. Karni , G. Meyer , C. Rey-Hipolito , P. Jezzard , MM Adams , R. Turner ,

LG Ungerleider
A aquisição de desempenho motor qualificado: mudanças rápidas e lentas orientadas
pela experiência no córtex motor primário
Kornmeier e Sosic-Vasic, 2012 J. Kornmeier , Z. Sosic-Vasic

Paralelos entre os efeitos do espaçamento durante a aprendizagem comportamental e
celular
Frente. Zumbir. Neurociência. , 6 ( 2012 ) , pág. 203
Lemaitre et al., 2017 G. Lemaitre , F. Nogueira , C. Áridas

Aprendizado desequilibrado: uma caixa de ferramentas Python para combater a
maldição dos conjuntos de dados desequilibrados no aprendizado de máquina
J. Mach. Aprender. Res. , 18 ( 2017 ) , págs. 1 - 5
Liu et al., 2019 Y. Liu , RJ Dolan , Z. Kurth-Nelson , TEJ Behrens

O replay humano reorganiza espontaneamente a experiência
Celular , 178 ( 2019 ) , pp . 640-652.e14
Marchesotti et al., 2016 S. Marchesotti , M. Bassolino , A. Serino , H. Bleuler , O. Blanke

Quantificando o papel das imagens motoras nas interfaces cérebro-máquina
Sci. Rep. , 6 ( 2016 ) , p. 24076
Margulies et al., 2009 DS Margulies , JL Vincent , C. Kelly , G. Lohmann , LQ Uddin , BB

Biswal , A. Villringer , FX Castellanos , MP Milham , M. Petrides
Precuneus compartilha arquitetura funcional intrínseca em humanos e macacos
Papaxanthis et al., 2002 C. Papaxanthis , T. Pozzo , X. Skoura , M. Schieppati

A ordem e o tempo na execução de movimentos imaginados e reais afetam o processo
de imaginação motora? A duração da tarefa de caminhar e escrever
Comportamento Res. Cérebro. , 134 ( 2002 ) , págs. 209 - 215
Pedregosa et al., 2011 F. Pedregosa , G. Varoquaux , A. Gramfort , C. Michel , B. Thirion , O.

Grisel , M. Blondel , P. Prettenhofer , R. Weiss , B. Dubourg , et al.
Scikit-learn: aprendizado de máquina em Python
J. Mach. Aprender. Res. , 12 ( 2011 ) , págs . 2825-2830
Google Scholar
Ramanathan et al., 2015 DS Ramanathan , T. Gulati , K. Ganguly

A reativação de conjuntos dependentes do sono no córtex motor promove a
consolidação de habilidades
PLoS Biol. , 13 ( 2015 ) , pág. e1002263
Robertson, 2019 EM Robertson

Memória de habilidade: Cuide da lacuna cada vez menor para processamento offline
atual Biol. , 29 ( 2019 ) , pág. R287 - R289
Cantor e Frank, 2009 AC Singer , LM Frank

Resultados recompensados aumentam a reativação da experiência no hipocampo
Neuron , 64 ( 2009 ) , pp . 910-921
Song e Cohen, 2014 S. Song , LG Cohen

A prática e o sono formam diferentes aspectos da habilidade
Nat. Comum. , 5 ( 2014 ) , pág. 3407
Song e outros, 2012 S. Song , N. Sharma , ER Buch , LG Cohen

Correlatos microestruturais da substância branca de habilidade superior a longo prazo
adquirida implicitamente sob prática randomizada
Cérebro Cortex , 22 ( 2012 ) , pp . 1671-1677
Squire e Zola-Morgan, 1991 LR Squire , S. Zola-Morgan

O sistema de memória do lobo temporal medial
Science , 253 ( 1991 ) , pp . 1380-1386
Toppino et al., 2009 TC Toppino , MS Cohen , ML Davis , AC Moors

Controle metacognitivo sobre a distribuição da prática: quando o espaçamento é
preferido?
J. Exp. Psicol. Aprender. Memória Cognição , 35 ( 2009 ) , págs . 1352-1358
Encontrando PDF... CrossRef Visualizar registro no Scopus Google Scholar
Walker et al., 2003 MP Walker , T. Brakefield , JA Hobson , R. Stickgold
Estágios dissociáveis da consolidação e reconsolidação da memória humana

Nature , 425 ( 2003 ) , pp . 616-620
Whittington et al., 2020 JCR Whittington , TH Muller , S. Mark , G. Chen , C. Barry , N.

Burgess , TEJ Behrens
A máquina de Tolman-Eichenbaum: unificando espaço e memória relacional por meio
da generalização na formação hipocampal
Celular , 183 ( 2020 ) , pp . 1249-1263.e23
Wong e Krakauer, 2019 AL Wong , JW Krakauer

Por que as representações de sequência no córtex motor primário são tão evasivas?
Neurônio , 103 ( 2019 ) , pp . 956-958
Wu et al., 2004 T. Wu , C. Lin , RC Weng

Estimativas de probabilidade para classificação multiclasse por acoplamento pareado
J. Mach. Aprender. Res. , 5 ( 2004 ) , pp. 975 - 1005
Yokoi e Diedrichsen, 2019 A. Yokoi , J. Diedrichsen

Organização neural de representações hierárquicas de sequências motoras no
neocórtex humano
Neurônio , 103 ( 2019 ) , pp . 1178-1190.e7
Citado por (6)
Consolidação dependente do sono do aprendizado da sequência motora grossa com

imagens motoras
2022, Psicologia do Esporte e Exercício
Mostrar resumo
Vazamentos de memória: informações compartilhadas entre sistemas de memória

2022, Tendências em Ciências Cognitivas
Mostrar resumo
O tempo de recompensa é importante na aprendizagem motora

2022, iScience
Mostrar resumo
O tempo é essencial: códigos neurais, sincronias, oscilações, arquiteturas

2022, Fronteiras em Neurociência Computacional
A estimulação pré-frontal antes do aprendizado da sequência motora altera os

padrões multivoxel no corpo estriado e no hipocampo
2021, Relatórios Científicos
Por que ossos para a vida?

2021, Revisão de Voz e Fala
2
Endereço atual: Seção de Neurobiologia do Medo e da Ansiedade, NIMH, NIH, Bethesda, MD, EUA
3
Endereço atual: Lyon Neuroscience Research Center (CRNL), INSERM U1028, CNRS UMR5292, Université Claude
Bernard Lyon 1, Lyon, França
4
Endereço atual: Departamento de Neurologia, Centro Médico da Universidade de Leipzig, Leipzig, Alemanha
5
Esses autores contribuíram igualmente
6
Contato principal
Copyright © 2022 Elsevier BV ou seus licenciadores ou colaboradores.

ScienceDirect® is a registered trademark of Elsevier B.V.

Consolidação Da Habilidade Humana Ligada Ao Despertar Hipocampo-Neocortical Replay

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Consolidação Da Habilidade Humana Ligada Ao Despertar Hipocampo-Neocortical Replay

Enviado por

Direitos autorais:

Formatos disponíveis

08/08/2022 20:18 Consolidação da habilidade humana ligada ao despertar hipocampo-neocortical replay - ScienceDirect

Consolidação da habilidade humana ligada ao despertar

Recebido em 21 de dezembro de 2020, revisado em 10 de março de 2021, aceito em 9 de maio de 2021,

Publicado: 1 de junho de 2021

Contorno Compartilhar Citar

https://doi.org/10.1016/j.celrep.2021.109193 Obtenha direitos e conteúdo

• A repetição é temporariamente comprimida em aproximadamente 20 vezes em

• A atividade de repetição é distribuída pelo hipocampo e neocórtex

• As taxas de repetição se correlacionam com a rápida consolidação de habilidades

Download: Baixar imagem em alta resolução (189 KB)

A aprendizagem de habilidades envolve a formação de novas memórias por meio da ligação,

navegação por meio da ligação relacional de localizações espaciais discretas em trajetórias (

Neste estudo, postulamos uma contribuição do replay neural na consolidação da memória em

Download: Baixar imagem em alta resolução (565 KB)

Figura 1 . Tarefa de aprendizagem de habilidades e desempenho comportamental

(C) A velocidade de digitação da sequência correta instantânea (média do grupo ± SEM

A repetição rápida de sequências de habilidades é proeminente durante o descanso

Figura 2 . Detecções de repetição

A repetição neural da sequência treinada completa foi identificada em todos os períodos de

neural modal da habilidade foi temporariamente comprimida aproximadamente 20 vezes em

A repetição da habilidade aprendida é representada dentro de uma rede sensório-

Download: Baixar imagem de alta resolução (306 KB)

Figura 3 . Recursos espaciais de eventos de repetição detectados

A repetição da sequência treinada se correlaciona com a rápida consolidação de

Download: Baixar imagem de alta resolução (280 KB)

Os gráficos de dispersão representam as taxas de repetição inter-individuais em todos os

aumentam rapidamente após o início da prática, exibem seletividade para a sequência

A presença do descanso acordado intercalado com a prática influencia o sucesso do

A repetição do despertar, exibindo características temporais robustas, foi decodificada durante

Imediatamente após o início da prática, as taxas de repetição durante os períodos de descanso

ausente em roedores) ou à presença de contingências de recompensa em paradigmas

Aprender essa habilidade requer vincular ações individuais de pressionamento de tecla

Concluímos que o replay robusto do hipocampo e do neocortical prediz o aprendizado micro-

Dados MEG Este papel N/D

MATLAB MATLAB https://www.mathworks.com

Pitão Pitão https://www.python.org

E-prime 2 Psychology Software Tools, https://pstnet.com/products/e-prime/

Código e algoritmos Este papel https://github.com/hcps-ninds/Replay

Sistema CTF MEG CTF MEG Serviços https://www.ctf.com

Cedrus LS-LINE Corporação Cedro. São Paulo, https://www.cedrus.com/lumina/

Sistema de scanner GE Saúde. Chicago, IL, EUA https://www.gehealthcare.com/products/magnetic-

Siemens Skyra Siemens Healthineers. https://www.siemens-healthineers.com/magnetic-

Cluster NIH HPC NIH, Bethesda, MD, EUA https://hpc.nih.gov/

Disponibilidade de dados e código

Modelo experimental e detalhes do assunto

Os participantes realizaram uma nova tarefa de sequência de habilidades motoras explícitas,

teste. Pequenos asteriscos apareciam acima de um item de sequência quando um

Ressonância Magnética (RM)

aquisição de ressonância magnética

A ressonância magnética estrutural foi realizada em um scanner de ressonância magnética 3T

Quantificação e análise estatística

Cálculo da medida de habilidade

A velocidade instantânea da sequência correta (medida de habilidade) foi quantificada como o

Determinação do ponto de corte do teste de aprendizagem precoce

onde L(t) representa o estado médio de aprendizagem do grupo na tentativa de prática, t , C 1 e

Cálculo de ganhos micro-online e micro-offline durante o aprendizado inicial

Em seguida, avaliamos as mudanças iniciais de aprendizado no nível de teste individual,

Preparação e pré-processamento de dados MEG

Reconstrução e parcelamento da fonte MEG

Training and evaluation of keypress decoders

um mergulho duplo e, finalmente, a um superajuste. Finalmente, realizamos o mesmo

Estimativa do desempenho do decodificador na detecção de sequência de prática

3 , we calculated the p value for detection of the j-th practiced sequences as

Estágios dissociáveis da consolidação e reconsolidação da memória humana