Diese Arbeit wurde durch Förderung der Doctoral Studies (PODS) unterstützt I und II Auszeichnungen der Stiftung für Physiotherapie und eine Adopt-A-Doc Stipendium der Bildungsabteilung der American Physical Therapy Association, um Barbara Sargent.

Das Institutional Review Board an der University of Southern California genehmigt diese Studie. 1. Systemvorbereitungs <ol><li> Richten Sie die Motion-Capture-System. Bitte beachten Sie: diese Schritte für jede Motion-Capture-System sind. <ol><li> Richten Sie die Koordinatensysteme der beiden Motion-Capture-Sensoren der von einem Sensor, indem Sie auf &quot;Perform New Registration&quot; in der Motion-Capture-Programm, die Eingabe einer Sammlung von 30 sec, klicken Sie auf &quot;Registrieren&quot; und Bewegen des Registrierungsobjekt innerhalb des Fangvolumen für 30 sek. Wenn die Registrierung erfolgreich abgeschlossen ist, beobachten ein quadratischer Mittelwert (RMS) Registrierungsfehler auf dem Computerbildschirm. </li><li> Richten Sie das globale Koordinatensystem für die Prüfung Tabelle mit dem Anmeldeobjekt, indem Sie auf &quot;Perform New Alignment&quot; in der Motion-Capture-Programm. <ol><li> Definieren Sie den Ursprung, indem Sie den Registrierungs object auf der oberen rechten Ecke des Testtabelle und auf &quot;Digitalisieren&quot; in der Motion-Capture-Programm. Definieren Sie die Z-Achse, indem Sie den Registrierungs Objekt auf einem Feld und auf &quot;Digitalisieren&quot;; die Z-Achse senkrecht zu dem Tisch. </li><li> Definieren Sie die Z / Y + Ebene, indem Sie den Registrierungs Objekt auf dem Feld entlang der Länge der Tabelle und klicken Sie auf &quot;Digitalisieren&quot;; die Y-Achse ist parallel zu der Länge des Tisches und der X-Achse ist parallel zu der Breite des Tisches. </li></ol></li><li> Stecken Sie die LEDs in die zwei Strobe-Ports und geben Sie die Anzahl der LEDs pro Port Strobe im Motion-Capture-System-Programm (24 für Strobe-Port 1 und 20 für Strobe-Port 2). Beziehen sich auf die Anzahl und die Position jeder LED Figur 3. Wählen fehlenden Daten im Hinblick auf die Bereitstellung eines Streifendiagramm-like Anzeige der LEDs in Echtzeit verfolgt werden. <img alt="Figur 3" src="/files/ftp_upload/52841/52841fig3.jpg" /><strong&gt; Abbildung 3. Platzierung von LEDs. Strobe 1 besteht aus den starren Körpern (4 LEDs an jedem starren Körper) für den rechten und linken Oberschenkel, Schaft und Fuß. Strobe 2 besteht aus der starren Körper für die rechte und linke Hüfte, des Sternums Marker und die einzelnen LEDs. </li></ol></li><li> Einrichten des Kinder mobilen Computerprogramm. <ol><li> Geben Sie die Anzahl der Minuten für jede Bedingung. Für Tag 1, Eingang 2 für Phase 1 (2 min Grundlinie, Nicht-Verstärkungszustand), 6 für die Phase 2 (6 min Akquisition Verstärkungszustand), und 0 für die Phase 3 (0 min Aussterben, Nichtverstärkungszustand). </li><li> Für Tag 2, Eingang 2 für Phase 1 (Baseline), 6 für die Phase 2 (Erwerb), 2 für die Phase 3 (Extinktion), und überprüfen Sie &quot;Use Zmin als Default&quot;, so dass die Schwelle während der Baseline von Tag 1 berechnet wird der Schwellenwert für den Erwerb Zustand Tag 2 verwendet. </li><li> Wählen Sie &quot;StreamframesAllFrames&quot; und klicken Sie auf &quot;Senden&quot;, um das FreigabeHandy-Programm, um Daten von der Motion-Capture-System zu verwenden, um das Kind Handy basierend auf festgelegten Kriterien zu aktivieren. </li></ol></li><li> Einrichten der Videokameras. <ol><li> Initiieren Sie die Video-Computerprogramm für die drei synchronisierten Videos (rechts lateral, links lateral, Overhead-Blick). </li><li> Starten Sie das zusätzliche Videokamera über den Kopf des Kindes auf Mimik und Blick aufzeichnen. </li></ol></li></ol> 2. Infant Vorbereitung <ol><li> Beschreiben Sie das Experiment, um den Eltern und informieren Sie sie, um so wenig wie möglich mit ihrem Säugling zu interagieren. HINWEIS: Bitte geben Sie den Eltern, dass, wenn das Kind nicht wählerisch geworden während des Experiments, die Eltern sollten neben dem Säugling außerhalb ihrer Sicht jedoch zu sitzen, wenn der Säugling wird pingelig gibt es ein Fortschreiten der Interaktion mit dem Kind. <ol><li> Zuerst fragen die Eltern zu sagen: &quot;Es ist alles in Ordnung, ich bin hier&quot;, in einem beruhigenden Ton. </li><li> Zweitens stellendie Mutterangesichts des Kindes stehen, während beruhigend das Kind. </li><li> Drittens stellen die Eltern entweder halten eine Hand des Kindes oder geben dem Säugling einen Schnuller. HINWEIS: Die geringste Menge an Mutter Interaktion notwendig, um das Kind ruhig und wach zu halten ist gegeben und wird so schnell wie möglich beendet. </li></ol></li><li> Undress den Säugling, legen Sie das Kleinkind unter den Säugling Handy, und sichern Sie den Säugling an den Tisch mit einem Klettband auf den Kofferraum gelegt. </li><li> Nachdem das Kind an den Tisch befestigt ist, legen Sie die Brustbein und Becken-Marker, Schenkel, Schaft und Fuß starrer Körper auf den Säugling. </li></ol> 3. Infant Mobile Learning Task- <ol><li> Jeder Tag, initiieren die mobile Lernaufgabe durch synchrones Starten der Motion-Capture-System, mobile Computer-Programm, und Videokameras. <ol><li> An beiden Tagen von 0 bis 2 min, der Ausgangszustand, beobachten das Kind spontan treten. </li><li> Am Tag 1 während des 2 min Ausgangszustand, zu beobachten, wie der Säugling Mobil Programm berechnet kontinuierlich die Schwelle für mobile Aktivierung auf der Basis der z-Daten von einer der LEDs auf dem starren Körper jedes Fußes. Beispiel 9 Markierung auf dem rechten Fuß und Marker 21 auf dem linken Fuß. Markierung 9 ist die mittlere LED auf dem rechten Fuß starren Körper in gelb in 1 eingekreist. Markierung 21 ist die mittlere LED auf dem linken Fuß starren Körper. </li><li> Am Ende der 2 min Grundlinie wird das mobile Programm die Schwelle in einer Höhe von einer Standardabweichung (SD) oberhalb der mittleren Höhe beider Füße während des 2 Minuten in den Ausgangszustand gesetzt. </li><li> An beiden Tagen von min 2 bis 8, der Übernahme erhalten, zu beobachten, wie der Säugling Handy dreht und spielt Musik, wenn die LED auf jeder Fuß über die Schwelle gesetzt während der 2 min Ausgangszustand von Tag 1 berechnet. HINWEIS: Mobil Aktivierung solange der Fuß über der virtuellen Schwellen maximal 3 s fortgesetzt. Nach 3 sec, die moGalle wird erst wieder aktivieren, wenn das Kind bewegt den Fuß unterhalb der virtuellen Schwelle, und dann bewegt sich der Fuß senkrecht und wieder über die Schwelle. Dieses &quot;3 sec Regel&quot; fördert aktive Abschnitt explorativen Bewegungen gegenüber, der die Füße über dem Schwellenwert. </li><li> An Tag 2 von 8-10 min, das Aussterben Zustand, zu beobachten, wie der Säugling schlägt spontan ohne Handy Verstärkung. </li></ol></li><li> Nachdem das Kind interagiert mit dem mobilen, sammelt eine statische Abdrehprobe um ein lokales Koordinatensystem für jede Beinsegment definieren und eine Referenzkonfiguration für jedes Körpersegment im Raum. <ol><li> Fix zehn einzelnen LEDs auf bilateraler Ebene an der Haut des Säuglings mit doppelseitigem EKG Kragen an den folgenden Stellen: seitlichen Mittellinie des Rumpfes unterhalb der zehnten Rippe, Trochanter major der Hüfte, seitlichen Kniegelenkslinie, Knöchel Außenknöchel und distale Ende des 5. Mittelfußknochen. </li><li> Halten unteren Extremität des Kindes ineine erweiterte, anatomischen Position für 5 Sekunden. Alle Gelenkwinkel in diesem Kalibrierungsposition als 0 ° definiert. </li></ol></li><li> Am Tag 2 sammeln anthropometrischen Daten. <ol><li> Wiegen Sie jedes Kleinkind auf einer digitalen elektrischen Skala. </li><li> Nehmen Sie die folgenden Maße: Gesamtlänge des Kindes; Umfang im mittleren Segment der Oberschenkel, Unterschenkel und Fuß; Breite des Knies (am Kniegelenk Linie), Knöchel (am Knöchel) und Fuß (an den Mittelfußköpfchen); und die Länge des Oberschenkels (Trochanter major zum Kniegelenk Linie), Schaft (Kniegelenkslinie Außenknöchel) und Fuß (Innenknöchel zum Großzehengrundgelenk). </li></ol></li></ol> 4. Datenanalyse <ol><li> Analysieren Sie die Leistung und Lernen durch die Berechnung des% RLA während jeder 2 min Intervall des Versuchs unter Verwendung eines Sprachprogramm kundenspezifische Rechen wie Matlab. Berechnen der Zeitdauer, eine oder beide der LEDs an jedem Fuß, der die Mobil waren oberhalb der Schwelle aktiviert. Dadas Mobiltelefon nicht nach einem Intervall von 3 Sekunden zu aktivieren, Subtrahieren der Zeitdauer, in der eine oder beide LEDs waren oberhalb der Schwelle für mehr als 3 Sekunden-Intervall. <ol><li> Messen Sie die Leistung der Gruppe jeden Tag durch statistische Analyse, ob die% RLA bei einem der drei Erfassungsintervalle, 2 min die 2 min Grundlinienintervall 3,4,7,9,10 deutlich übertrifft. </li><li> Kategorisieren einzelnen Säuglingen als er die Aufgabe erfüllt, wenn die täglich% RLA während 2 min einem Erfassungsintervall gleich oder größer als das 1,5fache der RLA% im 2 Minuten Grundlinienintervall 3,4,6,9,10 ist. </li><li> Messen Lernen der Gruppe über Tage durch die Bestimmung, ob die statistisch% RLA während der gesamten 6 min Erfassungsbedingung Tag 2% des RLA im Ausgangszustand Tag 1 3,6 übersteigt. </li><li> Kategorisieren Sie einzelne Säuglingen als Lernende, wenn die% RLA während der gesamten 6 min Erwerb Zustand Tag 2 gleich oder GRE istater als das 1,5-fache der Ausgangszustand von Tag 1 3,6,11. </li></ol></li><li> Analysieren Erregung und Aufmerksamkeit durch Codieren Videobändern während jedes 2 min Intervall des Experiments. Schläfrig = 1, wachsam und aktiv = 2, wach und aktiv = 3, wählerisch = 4 und weinen = 5 3,8,11: Die Erregung Skala ist wie folgt definiert. Die Aufmerksamkeit Skala ist wie folgt definiert: 0 = keine, die das Mobile, 1 =, die das Mobile 3,8. </li><li> Prozesspositionsdaten und Extrakt Kicks mit benutzerdefinierten Matlab-Programme. <ol><li> Lastpositionsdaten-Dateien von der Motion-Capture-Systems in einem benutzerdefinierten Matlab-Programm ausgegeben werden, um fehlende Positionsdaten (maximal 20 aufeinanderfolgende Rahmen) mit einem kubischen Spline-Interpolation. </li><li> Laden Sie die interpolierte Dateien in einem benutzerdefinierten Matlab Programm (a) Filterpositionsdaten mit Hilfe eines vierter Ordnung Butterworth mit einer Grenzfrequenz von 5 Hz ab Leistungsspektrum Analyse bestimmt, und (b) Berechnen Sie die folgenden Gelenkwinkel: Hüftbeugung / Erweiterung, Hüftabduktion/ Adduktion, hip externe / interne Rotation, Knie Flexion / Extension, Sprunggelenk Inversion / Eversion, Dorsalextension / Plantarflexion wie in 12 beschrieben. </li><li> Laden Sie die Winkel-Dateien in einem benutzerdefinierten Matlab Programm Kicks zu extrahieren. Definieren Sie den Anfang eines Kick als den Beginn einer kontinuierlichen Beinbewegung, in der die Hüfte oder Knie Gelenkwinkeländerung überschritten 11,5 ° (0,2 Radiant) entweder in Flexion oder Extension 3,9,13-15. Definieren Sie das Ende des Kick wie der Rahmen des Spitzenverlängerung nach einer Beugebewegung oder Spitzen Flexion nach einer Extensionsbewegung 3,9,14. </li></ol></li><li> Für alle Kicks, berechnen kinematischen Parameter mit benutzerdefinierten Matlab-Programme. <ol><li> Compute Position Varianz in der z-Richtung (vertikal, aufgabenspezifische Richtung) der LED an jedem Fuß, die das mobile 3 aktiviert. </li><li> Berechne Hüfte Flexion / Extension und Knie-Flexion / Extension Gelenk Korrelationen mit Pearson Korrelationskoeffizienten (r) bei Null lagzwischen Hüft- und Kniegelenkswinkel Ausflüge. Korrelationen (r) bei Säuglingen zu vergleichen, wandeln Hip-Kniegelenkwinkel Korrelationen zu Fisher Z Partituren 3,9,15. </li><li> Zeit-Normalisierung der Gelenkwinkeldaten, dann berechnen Hüfte Flexion / Extension und Knie-Flexion / Extension kontinuierliche relative Phase (CRP) von der Winkelstellung / Geschwindigkeitsdaten 16,17. Analysieren Sie die Ergebnisse der CRP Berechnung bei den folgenden fünf Zeitpunkte: (a) Beginn der Kick, (b) Spitzengeschwindigkeit des ersten Segments, (c) gemeinsame Umkehr, (d) Spitzengeschwindigkeit des zweiten Segments, und (e ) Ende kick 3. </li></ol></li><li> Für alle Kicks, identifizieren berührungslosen Kicks, indem Sie die synchrone Videodaten. Berechne kinetischen Parameter für die berührungslose Kicks mit benutzerdefinierten Matlab-Programme. <ol><li> Berechnen Sie die Segment Masse und Punkts aus den Gleichungen für Kleinkinder ab Hatze die anthropometrische Modell für Erwachsene 18 modifiziert. Berechnen Sie die 3D-Trägheitsmomentedie Oberschenkel, Schaft und Fuß Segmente aus den Gleichungen für Kleinkinder ab Jensens anthropometrische Modell für Erwachsene 19 modifiziert. </li><li> Berechnen Sie die Bedingungen der folgenden Bewegungsgleichung mit der Schraube Theorie der räumlichen Manipulationen 20. <img alt="Gleichung 1" src="/files/ftp_upload/52841/52841equation1.jpg" /> wird unter Verwendung der Lagrange-Ansatz, bei dem M (θ) ist der Trägheitsmatrix abgeleitet wird, <img alt="theta1" src="/files/ftp_upload/52841/theta1.jpg" /> die Coriolis und Kreiselmoment Matrix N (θ) die Gravitations (GRA) Drehmomente und T der Muskel (MUS) Drehmomente. </li><li> Berechne Gelenkmomente mit Hilfe der 3D kinematische Daten der Nicht-Kontakt Kicks, Körper-Segment Trägheitsparameter und der biomechanischen Bewegungsgleichung. </li><li> Partitionieren Sie das Netz (NET) Drehmoment an jedem Gelenk in Bewegung abhängige (MDT), GRA und MUS Drehmomentbeiträge 21. Nettodrehmoment direkt proportional zu den Beschleunigungen an jeder Verbindung.MDT Drehmoment auf die passive Drehmomente mit mechanischer Wechselwirkungen zwischen den bewegten verbundenen Segmenten des Gliedes relevanten. GRA Drehmoment auf die passive Gravitationskraft wirkt nach unten auf die Schenkel zusammen. MUS Drehmoment umfasst Kräfte von aktiven Muskelkontraktionen und passive Verformungen von Muskeln, Sehnen, Bänder und andere periartikulären Gewebe. </li><li> Für die Hüfte und Knie separat berechnen Drehmomentimpuls wie der Größe der Beitrag jedes partitioniert Drehmoment (MUS, GRA, MDT) zur NET Drehmoment. Berechne den positiven oder negativen Drehmomentimpuls (Drehmoment * Zeit) während der Intervalle, in denen die Knie MUS Drehmoment in der gleichen oder entgegengesetzten Richtung beaufschlagt, verglichen mit dem Knie Nettodrehmoment. Führen Sie diese gleiche Berechnung mit Knie GRA und MDT Drehmomente und Hüfte MUS, GRA und MDT Drehmomente. Für die Hüfte und Knie getrennt, summieren alle positiven und negativen Impulsen für jede Momentkomponente um ein Maß für die Größe der Beitrag jedes partitioniert Drehmoment impuls ergebene (MUS, GRA, MDT) zur NET Drehmomentimpuls. </li></ol></li></ol>

<ol>
	<li>Gibson, E. J., Pick, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> An Ecological Approach to Perception, Learning and Development. , (2000).</li><li>Thelen, E., Smith, L. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> A Dynamic Systems Approach to the Development of Cognition and Action. , (1994).</li><li>Sargent, B., Schweighofer, N., Kubo, M., Fetters, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Infant+exploratory+learning:+influence+on+leg+joint+coordination.">Infant exploratory learning: influence on leg joint coordination.</a> PLoS One. 9 (3), e91500 (2014).</li><li>Rovee-Collier, C. K., Gekoski, M. J., Reese, H. W., Lipsitt, L. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+economics+of+infancy:+A+review+of+conjugate+reinforcement.">The economics of infancy: A review of conjugate reinforcement.</a> Adv Child Dev Behav. 13, 195-255 (1979).</li><li>Heathcock, J. C., Bhat, A. N., Lobo, M. A., Galloway, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+performance+of+infants+born+preterm+and+full-term+in+the+mobile+paradigm:+learning+and+memory.">The performance of infants born preterm and full-term in the mobile paradigm: learning and memory.</a> Phys. Ther. 84 (9), 808-821 (2004).</li><li>Haley, D. W., Weinberg, J., Grunau, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cortisol,+contingency+learning,+and+memory+in+preterm+and+full-term+infants.">Cortisol, contingency learning, and memory in preterm and full-term infants.</a> Psychoneuroendocrinology. 31 (1), 108-117 (2006).</li><li>Angulo-Kinzler, R., Ulrich, B. D., Thelen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Three-month-old+infants+can+select+specific+leg+motor+solutions.">Three-month-old infants can select specific leg motor solutions.</a> Motor Control. 6 (1), 52-68 (2002).</li><li>Tiernan, C. W., Angulo-Barroso, R. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Constrained+motor-perceptual+task+in+infancy:+effects+of+sensory+modality.">Constrained motor-perceptual task in infancy: effects of sensory modality.</a> J. Mot. Behav. 40 (2), 133-142 (2008).</li><li>Chen, Y., Fetters, L., Holt, K., Saltzman, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Making+the+mobile+move:+constraining+task+and+environment.">Making the mobile move: constraining task and environment.</a> Infant Behav. Dev. 25 (2), 195-220 (2002).</li><li>Ohr, P. S., Fagen, J. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Conditioning+and+long-term+memory+in+three-month-old+infants+with+Down+syndrome.">Conditioning and long-term memory in three-month-old infants with Down syndrome.</a> Am. J. Ment. Retard. 96 (2), 151-162 (1991).</li><li>Thelen, E., Hidden Ulrich, B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=skills:+A+dynamical+system+analysis+of+treadmill+stepping+in+the+first+year.">skills: A dynamical system analysis of treadmill stepping in the first year.</a> Monogr Soc Res Child Dev. 56 (1), 1-98 (1991).</li><li>Soderkvist, I., Wedin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Determining+the+movements+of+the+skeleton+using+well-configured+markers.">Determining the movements of the skeleton using well-configured markers.</a> J. Biomech. 26 (12), 1473-1477 (1993).</li><li>Schneider, K., Zernicke, R. F., Ulrich, B. D., Jensen, J. L., Thelen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Understanding+movement+control+in+infants+through+the+analysis+of+limb+intersegmental+dynamics.">Understanding movement control in infants through the analysis of limb intersegmental dynamics.</a> J. Mot. Behav. 22 (4), 493-520 (1990).</li><li>Jensen, J. L., Schneider, K., Ulrich, B. D., Zernicke, R. F., Thelen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+dynamics+of+the+leg+movement+patterns+of+human+infants:+I.+the+effects+of+posture+on+spontaneous+kicking.">Adaptive dynamics of the leg movement patterns of human infants: I. the effects of posture on spontaneous kicking.</a> J. Mot. Behav. 26 (4), 303-312 (1994).</li><li>Fetters, L., Sapir, I., Chen, Y. P., Kubo, M., Tronick, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spontaneous+kicking+in+full-term+and+preterm+infants+with+and+without+white+matter+disorder.">Spontaneous kicking in full-term and preterm infants with and without white matter disorder.</a> Dev. Psychobiol. 52 (6), 524-536 (2010).</li><li>Emmerick, R., Wagenaar, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effects+of+walking+velocity+on+relative+phase+dynamics+in+the+trunk+in+human+walking.">Effects of walking velocity on relative phase dynamics in the trunk in human walking.</a> J. Biomech. 29 (9), 1175-1184 (1996).</li><li>Kelso, J. A., Scholz, J. P., Schoner, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonequilibrium+phase+transitions+in+coordinated+biological+motion:+critical+fluctuations.">Nonequilibrium phase transitions in coordinated biological motion: critical fluctuations.</a> Physics Letters A. 134 (6), 8-12 (1986).</li><li>Schneider, K., Zernicke, R. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mass,+center+of+mass,+and+moment+of+inertia+estimates+for+infant+limb+segments.">Mass, center of mass, and moment of inertia estimates for infant limb segments.</a> J. Biomech. 25 (2), 145-148 (1992).</li><li>Sun, H., Jensen, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Body+segment+growth+during+infancy.">Body segment growth during infancy.</a> J. Biomech. 27 (3), 265-275 (1994).</li><li>Murray, R. M., Li, Z., Sastry, S. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> A Mathematical Introduction to Robotic Manipulation. , (1994).</li><li>Galloway, J. C., Koshland, G. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=General+coordination+of+shoulder,+elbow+and+wrist+dynamics+during+multijoint+arm+movements.">General coordination of shoulder, elbow and wrist dynamics during multijoint arm movements.</a> Exp. Brain Res. 142 (2), 163-180 (2002).</li><li>Angulo-Kinzler, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Exploration+and+selection+of+intralimb+coordination+patterns+in+3-month+old+infants.">Exploration and selection of intralimb coordination patterns in 3-month old infants.</a> J. Mot. Behav. 33, 363-376 (2001).</li><li>Fetters, L., Chen, Y. P., Jonsdottir, J., Tronick, E. Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Kicking+coordination+captures+differences+between+full-term+and+premature+infants+with+white+matter+disorder.">Kicking coordination captures differences between full-term and premature infants with white matter disorder.</a> Hum. Mov. Sci. 22, 729-748 (2004).</li><li>Jeng, S., Chen, L., Yau, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Kinematic+analysis+of+kicking+movements+in+preterm+infants+with+very+low+birth+weight+and+full-term+infants.">Kinematic analysis of kicking movements in preterm infants with very low birth weight and full-term infants.</a> Phys. Ther. 82, 148-159 (2002).</li><li>Jensen, J. L., Thelen, E., Ulrich, B. D., Schneider, K., Zernicke, R. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+dynamics+of+the+leg+movement+patterns+of+human+infants:+III.+age-related+differences+in+limb+control.">Adaptive dynamics of the leg movement patterns of human infants: III. age-related differences in limb control.</a> J. Mot. Behav. 27, 366-374 (1995).</li><li>Piek, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+quantitative+analysis+of+spontaneous+kicking+in+two-month-old+infants.">A quantitative analysis of spontaneous kicking in two-month-old infants.</a> Hum. Mov. Sci. 15, 707-726 (1996).</li><li>Thelen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Developmental+origins+of+motor+coordination:+Leg+movements+in+human+infants.">Developmental origins of motor coordination: Leg movements in human infants.</a> Dev. Psychobiol. 18, 1-22 (1985).</li><li>Vaal, J., van Soest, A. J., Hopkins, B., Sie, L. T. L., van der Knaap, M. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+of+spontaneous+leg+movements+in+infants+with+and+without+periventricular+leukomalacia.">Development of spontaneous leg movements in infants with and without periventricular leukomalacia.</a> Exp. Brain Res. 135, 94-105 (2000).</li></ol>

Keine Interessenskonflikte erklärt.

Design Entdeckungs-Lernaufgaben für Kleinkinder Discovery-Learning-Aufgaben für junge Kleinkinder müssen mit Bedacht gestaltet werden, um sicherzustellen, dass Kinder unabhängig Entdeckung der Kontingenz. In mehreren mobilen Paradigmen zu Beginn der Erfassungsbedingung, werden Säuglingen entweder gezeigt, dass das mobile aktiviert durch eine nicht-bedingten Aktivierung des Mobil 7,22 oder der Schenkel jedes Säugling passiv durch den Prüfer bewegt, um den Säugling auf die E...

Aufgabenspezifische Maßnahmen ergeben sich aus spontanen Bewegungen während der Kindheit. Es wurde vorgeschlagen, dass aufgabenspezifische Aktionen entstehen durch eine Entdeckung-Lern-Prozess 1,2. Aufgaben werden von Kleinkindern entdeckt, als sie sich spontan bewegen und erkunden Sie neue Aktionen, die Auswirkungen auf die Umwelt zu erzeugen. Aufgabenspezifische Aktionen hervorgehen, wie Kleinkinder nutzen die Verbindungen zwischen ihren Handlungen und ihre Auswirkungen auf die Welt um sie herum. Allerdings ist nur wenig über die genauen Prozesse, die Kleinkinder zu erkunden und zu nutzen lernen, ihre spontanen Bewegungen zu modifizieren, um aufgabenspezifische Aktionen ausführen bekannt. Hier wird ein Verfahren beschrieben, in dem 3-4 Monate alten Säuglingen Lösen einer Aufgabe durch Entdeckung und ihre Beinbewegungen erfasst werden, um den Lernprozess zu quantifizieren. <img alt="Abbildung 1" src="/files/ftp_upload/52841/52841fig1.jpg" /> Abbildung 1: Infant kicking-aktivierte Mobil Aufgabe. </strong&gt; Das Zentrum Leuchtdiode (LED) auf dem starren Körper jedes Fußes (gelber Kreis) angebracht aktiviert den mobilen als es kreuzt die virtuellen Schwelle (rot gestrichelte Linie). Re-gedruckt mit Genehmigung von Sargent et al. 3 Diese Entdeckung-Learning-Task verwendet einen Säugling aktivierten Mobil, der sich dreht und spielt Musik basierend auf der angegebenen Beinaktion von Säuglingen 3. Kleinkinder auf dem Rücken unter der Mobil platziert aktivieren Sie es, indem Sie die Beine vertikal über einem virtuellen Schwelle (Abbildung 1). Dieses Paradigma ist einzigartig, als Säuglinge unabhängig entdecken, dass ihr Bein Aktionen aktivieren das Handy, die Säuglinge &quot;Beinbewegungen werden mit einem Motion-Capture-System ermöglicht für die Quantifizierung des Lernprozesses verfolgt. Das experimentelle Protokoll umfasst zwei Tagen der Datenerhebung. Tag 1 besteht aus einer 2 min Ausgangszustand, in dem ein Kind schlägt spontan, aber sein Bein Aktionenkann das Kind Mobile, gefolgt von einer 6 min Erwerb Zustand, in dem Bein Aktionen des Säuglings aktivieren Sie die Säuglings Handy, wenn das Kind bewegt seine Füße vertikal, um eine virtuelle Schwelle nicht zu aktivieren. Dieses Protokoll ermöglicht für die Quantifizierung von spontanen Aktionen Bein Kleinkinder sowie die Quantifizierung der verschiedenen Aspekte der Bewegungen als Kleinkinder erforschen die Beziehung zwischen ihrem Bein Aktionen und Aktivierung des Säuglings Handy. Am 2. Tag, zusätzlich zu den 2 min Ausgangszustand und 6 min Erfassungsbedingung wird eine 2 min Aussterben Zustand aufgenommen, in dem Bein Aktionen des Kindes nicht den Säugling Handy zu aktivieren. Dies ermöglicht die Quantifizierung, wie Säuglinge ändern ihre Beinaktionen, wenn ein bereits gelernt Umwelt Reaktion abgebrochen. In früheren Kindermobil Paradigmen, die Häufigkeit der Beinbewegung 4-6, spezifische Hüft- und Kniewinkel 7,8 oder Treten eines Feld 9 haben reinforc gewesenmit mobilen Bewegung ed. Performance jeden Tag wurde als ein Anstieg dieser Bein Aktionen bei der Erfassung oder Aussterben Zustand im Vergleich zum Ausgangszustand 4-9 definiert. Lernen über Tage wurde als ein Anstieg dieser Bein Aktionen während der Baseline oder Übernahme Zustand Tage 2 oder 3 und der Ausgangszustand von Tag 1 5,6 definiert. Diese früheren mobilen Paradigmen zeigen, dass Säuglinge erhöhen die Frequenz der Bein Aktionen, die mit mobilen Aktivierung verstärkt werden, jedoch bieten sie keine Informationen über die Bewegungsoptionen Kleinkinder beim Lernen die Aufgabe haben, die ihnen. Zum Beispiel, wenn treten Rate wird verstärkt, Säuglinge zeigen, Leistung und Lernen, wenn ihre Tritte Zinserhöhungen sowohl bei der Interaktion mit dem Handy oder wenn das Mobil nicht mehr aktiviert. Dies zeigt, dass Säuglinge können ihre Tritte Rate zu suchen, aber es ist nicht bekannt, ob Säuglinge können ihre Beinkoordination Muster oder Drehmomenterzeugung zu verfeinern, um Generate Bein Maßnahmen, die nicht im Rahmen ihrer bevorzugten Bewegungsrepertoire sind. Diese mobile Paradigma ist in diesem einzigartigen Säuglinge sind erforderlich, um mehr verfeinert Beinaktion, um die mobile als in früheren mobilen Paradigmen aktivieren demonstrieren. In diesem Mobil Paradigma ist die Höhe jedes Fußes oberhalb des Tisches während der 2 Minuten in den Ausgangszustand unter Verwendung von Positionsdaten aus einer Leuchtdiode (LED) auf jedem Fuß befestigt berechnet. Eine virtuelle Schwelle wird dann parallel zur Tisch in einer Höhe, die im oberen Bereich der Höhe der beiden Füßen in der Ausgangszustand ist eingestellt. Während der Erwerb, die mobilen dreht und spielt Musik, wenn entweder zu Fuß über die Schwelle. Nach 3 sec, die mobilen Stationen und reaktiviert, wenn das Kind bewegt den Fuß unterhalb der Schwelle, und dann bewegt sich der Fuß senkrecht und wieder über die Schwelle. Zu der mobilen für die größte Menge an Zeit zu aktivieren, müssen Kleinkinder, einen Fuß über dem Schwellenwert bewegen und pflegen sie gegen gravkeit für 3 Sekunden, dann schnell bewegen Sie den Fuß unterhalb der Schwelle und wieder bewegen sie über dem Schwellenwert und halten Sie ihn dort für 3 sec, etc. Dies erfordert mehr verfeinert Beinaktion als einfache Erhöhung Treten Rate. <img alt="Figur 2" src="/files/ftp_upload/52841/52841fig2.jpg" /> Abbildung 2: Ungefilterte Positionsdaten von Werkzeugen (Fuß) von einem Vertreter Säugling Unfiltered Positionsdaten von Tag 2 eines 3 Monate alten Säugling, der das Lernen anhand demonstrierten auf den individuellen Lernkriterien.. Die rote Linie Positionsdaten der Z-Koordinate der Leuchtdiode (LED) auf dem rechten Fuß platziert. Die blaue Linie ist die Positionsdaten von der LED auf dem linken Fuß. Dicke schwarze Linie ist die Tabelle. Gepunktete Linie ist der virtuelle Grenzwert 14 cm über dem Tisch angeordnet, wie bestimmt für jeden Säugling basierend auf der Höhe ihrer treten während der BaselineZustand 1. Tag X-Achse ist die Zeit von 2 min Intervallen markiert. Beachten Sie, wie das Kind bewegt seine Füße während der Baseline, wenn das Mobil nicht aktivieren und während der ersten 30 Sekunden des Erwerbs 1, dann ist er konsequent hält beide Füße vom Tisch und bewegt seine Füße gleich um die Schwelle für die nächsten 5 ½ min, bis das Mobil nicht mehr aktiviert, während der vom Aussterben Zustand. Die zweite Besonderheit dieses Mobil Paradigma ist, dass Beinaktion jeder Säugling wird mit state-of-the-Art-Motion-Capture-Techniken zu quantifizieren, wie Kleinkinder nutzen ihre Bewegungsmöglichkeiten, um die Aufgabe zu lernen verfolgt. Ungefiltert Positionsdaten der LED an jedem Fuß, die das mobile von einem Vertreter Säugling aktiviert ist in Abbildung 2 enthalten. Beachten Sie, wie das Kind bewegt seine Füße in verschiedenen Höhen über dem Tisch während der Baseline und den ersten Teil der Akquisition, sondern bewegt sich dann beide Füße direkt um die Schwelle während der Rest der Erfassungs bedingungention, bis das Mobil nicht mehr aktiviert, während der Löschung. Dies ist eines von vielen möglichen Bewegungsstrategien, um die Entdeckung lern Aufgabe. Die Strategien können durch Berechnung dreidimensionaler Kinematik und Kinetik mit der Motion-Capture-System erfassten Positionsdaten quantifiziert werden. Insbesondere wird der Lernprozess in Bezug auf den Anteil der verstärkten Beinaktion (% RLA), die gleich der Dauer mobiler Aktivierung Position Varianz der Endeffektoren (Fuß), die die mobilen, Hip-Knie Koordinationsmuster zu aktivieren ist quantifiziert und Hüft- und Kniegelenksmomente.

<table><tbody><tr><td>Optotrak Certus Position Sensor, Far Focus, with stand</td><td>Northern Digital Inc</td><td>8800852</td><td></td></tr><tr><td>Optotrak Data Acquisition Unit II (ODAU II)</td><td>Northern Digital Inc</td><td>8800767</td><td></td></tr><tr><td>Optotrak Vinten Stand, Certus with Quick Fix Adapter</td><td>Northern Digital Inc</td><td>8800855.002</td><td></td></tr><tr><td>Certus S-Type, Standard Configuration</td><td>Northern Digital Inc</td><td>8800761</td><td></td></tr><tr><td>Marker (7 mm) pair, c/w RJII connector and 8 ft cable</td><td>Northern Digital Inc</td><td>8001029.001</td><td></td></tr><tr><td>AC Line Cord, Medical Grade, North America</td><td>Northern Digital Inc</td><td>7500010</td><td></td></tr><tr><td>Cubic Reference Emitter Kit - Certus</td><td>Northern Digital Inc</td><td>8800768</td><td></td></tr><tr><td>3 Pylon IEEE 1394 cameras</td><td>Basler</td><td>A6021c</td><td></td></tr><tr><td>Vixia HG10 camcorder</td><td>Canon</td><td>2183B001</td><td></td></tr><tr><td>Adhesive Disks</td><td>MVAP Medical Supplies</td><td>E401-500</td><td></td></tr><tr><td>Reversible head support</td><td>Eddie Bauer</td><td>52556</td><td></td></tr><tr><td>Softstrap Strap</td><td>Sammons Preston</td><td>A34960</td><td></td></tr><tr><td>Digital Pediatric Scale</td><td>Healthometer</td><td>Model 524KL</td><td></td></tr></tbody></table>

quantifying learning in young infants: tracking leg actions during a discovery-learning task

Aufgabenspezifische Maßnahmen ergeben sich aus spontanen Bewegung während der Kindheit. Es wurde vorgeschlagen, dass aufgabenspezifische Aktionen entstehen durch eine Entdeckung-Lern-Prozess. Hier wird ein Verfahren beschrieben, in dem 3-4 Monate alten Säuglingen Lösen einer Aufgabe durch Entdeckung und ihre Beinbewegungen erfasst werden, um den Lernprozess zu quantifizieren. Diese Entdeckung-Learning-Task verwendet einen Säugling aktivierten Mobil, die auf Basis von festgelegten Beinaktion von Säuglingen dreht und spielt Musik. Rücken Säuglinge aktivieren Sie die mobilen, indem sie ihre Füße vertikal über einem virtuellen Schwelle. Dieses Paradigma ist einzigartig, als Säuglinge unabhängig entdecken, dass ihr Bein Aktionen aktivieren das Handy, die Säuglinge &quot;Beinbewegungen werden mit einem Motion-Capture-System ermöglicht für die Quantifizierung des Lernprozesses verfolgt. Genauer gesagt, wird das Lernen in Bezug auf die Dauer der mobilen Aktivierung quantifiziert, die Position Varianz der Endeffektoren (Fuß), die das mobile aktivieren, Veränderungen in der Hip-Knie-Koordinationtion Muster und Veränderungen in der Hüfte und Knie Muskel Drehmoment. Diese Informationen beschreiben Säugling Erforschung und Ausbeutung im Zusammenspiel von Mensch und Umweltauflagen, die aufgabenspezifische Maßnahmen zu unterstützen. Nachfolgende Forschung mit dieser Methode kann, wie bestimmte Wertminderungen von verschiedenen Populationen von Kleinkindern gefährdet untersuchen für Bewegungsstörungen beeinflussen die Entdeckung und Lernprozess für aufgabenspezifische Maßnahmen.

Der Lernprozess der jungen Säuglingen kann im Hinblick auf die% RLA quantifiziert werden, Stellung Varianz der Endeffektoren (Fuß), Hip-Kniewinkelkorrelationskoeffizienten und Hüft- und Kniegelenksmomente. Jede Ebene der Analyse liefert eindeutige Informationen darüber, wie Kleinkinder erforschen die Beziehung zwischen ihrem Bein Aktionen und Aktivierung des Säuglings Handy während der Entdeckung-Lern-Prozess. Für die statistische Analyse von% RLA und Hip-Kniewinkelkorrelationskoeffiz...

Watch this Scientific Journal Video about Quantifying Learning in Young Infants: Tracking Leg Actions During a Discovery-learning Task at JoVE.com

Quantifying Learning in Young Infants: Tracking Leg Actions During a Discovery-learning Task

A method is described in which 3-4 month old infants learn a task by discovery and their leg movements are captured to quantify the learning process.

Quantifizierung Lernen bei jungen Säuglingen: Tracking-Leg Aktionen während eines Ermittlungs-Learning-Task-

Task-specific actions emerge from spontaneous movement during infancy. It has been proposed that task-specific actions emerge through a discovery-learning ...

quantifying-learning-young-infants-tracking-leg-actions-during

Universidad San Sebastian

Research

JoVE Journal

Behavior

10.6K Aufrufe.  University of Southern California. A method is described in which 3-4 month old infants learn a task by discovery and their leg movements are captured to quantify the learning process.

Serie: Quantifying Learning in Young Infants: Tracking Leg Actions During a Discovery-learning Task

A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants

Understanding typical and atypical development remains one of the fundamental questions in developmental human neuroscience. Traditionally, experimental paradigms and analysis tools have been limited to constrained laboratory tasks and contexts due to technical limitations imposed by the available set of measuring and analysis techniques and the age of the subjects. These limitations severely limit the study of developmental neural dynamics and associated neural networks engaged in cognition, perception and action in infants performing &#8220;in action and in context&#8221;. This protocol presents a novel approach to study infants and young children as they freely organize their own behavior, and its consequences in a complex, partly unpredictable and highly dynamic environment. The proposed methodology integrates synchronized high-density active scalp electroencephalography (EEG), inertial measurement units (IMUs), video recording and behavioral analysis to capture brain activity and movement non-invasively in freely-behaving infants. This setup allows for the study of neural network dynamics in the developing brain, in action and context, as these networks are recruited during goal-oriented, exploration and social interaction tasks.

This protocol presents a novel methodology for the neural decoding of intent from freely-behaving infants during unscripted social interaction with an actor. Neural activity is acquired using non-invasive high-density active scalp electroencephalography (EEG). Kinematic data is collected with inertial measurement units and supplemented with synchronized video recording.

A Novel experimentellen und analytischen Ansatz zur multimodalen Neural Decoding of Intent Während Soziale Interaktion in Frei-verhalten menschliche Säuglinge

Understanding typical and atypical development remains one of the fundamental questions in developmental human neuroscience. Traditionally, experimental ...

Forschung

Verhalten

A Method to Quantify Visual Information Processing in Children Using Eye Tracking

Visual problems that occur early in life can have major impact on a child's development. Without verbal communication and only based on observational methods, it is difficult to make a quantitative assessment of a child's visual problems. This limits accurate diagnostics in children under the age of 4 years and in children with intellectual disabilities. Here we describe a quantitative method that overcomes these problems. The method uses a remote eye tracker and a four choice preferential looking paradigm to measure eye movement responses to different visual stimuli. The child sits without head support in front of a monitor with integrated infrared cameras. In one of four monitor quadrants a visual stimulus is presented. Each stimulus has a specific visual modality with respect to the background, e.g., form, motion, contrast or color. From the reflexive eye movement responses to these specific visual modalities, output parameters such as reaction times, fixation accuracy and fixation duration are calculated to quantify a child's viewing behavior. With this approach, the quality of visual information processing can be assessed without the use of communication. By comparing results with reference values obtained in typically developing children from 0-12 years, the method provides a characterization of visual information processing in visually impaired children. The quantitative information provided by this method can be advantageous for the field of clinical visual assessment and rehabilitation in multiple ways. The parameter values provide a good basis to: (i) characterize early visual capacities and consequently to enable early interventions; (ii) compare risk groups and follow visual development over time; and (iii), construct an individual visual profile for each child.

A method is described to quantify the quality of visual information processing based on reflexive eye movements in response to specific visual modalities. Reaction times and fixation output parameters are used to characterize visual performance in children with and without visual impairments from 6 months of age.

Eine Methode zur Quantifizierung von Visual Information Processing bei Kindern Eye-Tracking

Visual problems that occur early in life can have major impact on a child's development. Without verbal communication and only based on observational ...

The "Motor" in Implicit Motor Sequence Learning: A Foot-stepping Serial Reaction Time Task

This protocol describes a modified serial reaction time (SRT) task used to study implicit motor sequence learning. Unlike the classic SRT task that involves finger-pressing movements while sitting, the modified SRT task requires participants to step with both feet while maintaining a standing posture. This stepping task necessitates whole body actions that impose postural challenges. The foot-stepping task complements the classic SRT task in several ways. The foot-stepping SRT task is a better proxy for the daily activities that require ongoing postural control, and thus may help us better understand sequence learning in real-life situations. In addition, response time serves as an indicator of sequence learning in the classic SRT task, but it is unclear whether response time, reaction time (RT) representing mental process, or movement time (MT) reflecting the movement itself, is a key player in motor sequence learning. The foot-stepping SRT task allows researchers to disentangle response time into RT and MT, which may clarify how motor planning and movement execution are involved in sequence learning. Lastly, postural control and cognition are interactively related, but little is known about how postural control interacts with learning motor sequences. With a motion capture system, the movement of the whole body (e.g., the center of mass (COM)) can be recorded. Such measures allow us to reveal the dynamic processes underlying discrete responses measured by RT and MT, and may aid in elucidating the relationship between postural control and the explicit and implicit processes involved in sequence learning. Details of the experimental set-up, procedure, and data processing are described. The representative data are adopted from one of our previous studies. Results are related to response time, RT, and MT, as well as the relationship between the anticipatory postural response and the explicit processes involved in implicit motor sequence learning.

We introduce the foot-stepping serial reaction time (SRT) task. This modified SRT task, complementing the classic SRT task that involves only finger-pressing movement, better approximates daily sequenced activities and allows researchers to study the dynamic processes underlying discrete response measures and disentangle the explicit process operating in implicit sequence learning.

Der "Motor" in der Kfz-implizite Reihenfolge lernen: ein Fuß-stepping serielle Reaktionszeit Aufgabe

This protocol describes a modified serial reaction time (SRT) task used to study implicit motor sequence learning. Unlike the classic SRT task that ...

Gaze in Action: Head-mounted Eye Tracking of Children's Dynamic Visual Attention During Naturalistic Behavior

Young children's visual environments are dynamic, changing moment-by-moment as children physically and visually explore spaces and objects and interact with people around them. Head-mounted eye tracking offers a unique opportunity to capture children's dynamic egocentric views and how they allocate visual attention within those views. This protocol provides guiding principles and practical recommendations for researchers using head-mounted eye trackers in both laboratory and more naturalistic settings. Head-mounted eye tracking complements other experimental methods by enhancing opportunities for data collection in more ecologically valid contexts through increased portability and freedom of head and body movements compared to screen-based eye tracking. This protocol can also be integrated with other technologies, such as motion tracking and heart-rate monitoring, to provide a high-density multimodal dataset for examining natural behavior, learning, and development than previously possible. This paper illustrates the types of data generated from head-mounted eye tracking in a study designed to investigate visual attention in one natural context for toddlers: free-flowing toy play with a parent. Successful use of this protocol will allow researchers to collect data that can be used to answer questions not only about visual attention, but also about a broad range of other perceptual, cognitive, and social skills and their development.

Young children do not passively observe the world, but rather actively explore and engage with their environment. This protocol provides guiding principles and practical recommendations for using head-mounted eye trackers to record infants' and toddlers' dynamic visual environments and visual attention in the context of natural behavior.

Blick in Aktion: Head-mounted Eyetracking Kinder-dynamische visuelle Aufmerksamkeit während der naturalistischen Verhalten

Young children's visual environments are dynamic, changing moment-by-moment as children physically and visually explore spaces and objects and interact ...

Defining the Role Of Language in Infants' Object Categorization with Eye-tracking Paradigms

Assessing infant category learning is a challenging but vital aspect of studying infant cognition. By employing a familiarization-test paradigm, we straightforwardly measure infants&#8217; success in learning a novel category while relying only on their looking behavior. Moreover, the paradigm can directly measure the impact of different auditory signals on the infant categorization across a range of ages. For instance, we assessed how 2-year-olds learn categories in a variety of labeling environments: in our task, 2-year-olds successfully learned categories when all exemplars were labeled&#160;or the first two exemplars were labeled, but they failed to categorize when no exemplars were labeled or only the final two exemplars were labeled. To determine infants&#8217; success in such tasks, researchers can examine both the overall preference displayed by infants in each condition and infants&#8217; pattern of looking over the course of the test phase, using an eye-tracker to provide fine-grained time-course data. Thus, we present a powerful paradigm for identifying the role of language, or any auditory signal, in infants&#8217; object category learning.

Here we present a protocol for familiarization-test paradigms which provide a direct test of infant categorization and help to define the role of language in early category learning.

Bestimmung der Rolle der Sprache bei Säuglingen Objekt Kategorisierung mit Eyetracking-Paradigmen

Assessing infant category learning is a challenging but vital aspect of studying infant cognition. By employing a familiarization-test paradigm, we ...

Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first language development. While many studies of statistical learning are conducted within a single domain or modality, recent evidence suggests that this skill may differ based on the context in which the stimuli are presented. In addition, few studies investigate learning as it unfolds in real-time, rather focusing on the outcome of learning. In this protocol, we describe an approach for identifying the cognitive and neural basis of statistical learning, within an individual, across domains (linguistic vs. non-linguistic) and sensory modalities (visual and auditory). The tasks are designed to cast as little cognitive demand as possible on participants, making it ideal for young school-aged children and special populations. The web-based nature of the behavioral tasks offers a unique opportunity for us to reach more representative populations nationwide, to estimate effect sizes with greater precision, and to contribute to open and reproducible research. The neural measures provided by the functional magnetic resonance imaging (fMRI) task can inform researchers about the neural mechanisms engaged during statistical learning, and how these may differ across individuals on the basis of domain or modality. Finally, both tasks allow for the measurement of real-time learning, as changes in reaction time to a target stimulus is tracked across the exposure period. The main limitation of using this protocol relates to the hour-long duration of the experiment. Children might need to complete all four statistical learning tasks in multiple sittings. Therefore, the web-based platform is designed with this limitation in mind so that tasks may be disseminated individually. This methodology will allow users to investigate how the process of statistical learning unfolds across and within domains and modalities in children from different developmental backgrounds.

Presented here is a protocol introducing a set of child-friendly statistical learning tasks geared towards examining children&#8217;s learning of temporal statistical patterns across domains and sensory modalities. The developed tasks collect behavioral data using the web-based platform and task-based functional magnetic resonance imaging (fMRI) data for examining neural engagement during statistical learning.

Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first ...

Neurowissenschaften

Automatisierte Bewertung der feinmotorischen Leistung von Mäusen anhand der Erasmus-Leiter

Monitoring Fine and Associative Motor Learning in Mice Using the Erasmus Ladder

Behavior is shaped by actions, and actions necessitate motor skills such as strength, coordination, and learning. None of the behaviors essential for sustaining life would be possible without the ability to transition from one position to another. Unfortunately, motor skills can be compromised in a wide array of diseases. Therefore, investigating the mechanisms of motor functions at the cellular, molecular, and circuit levels, as well as understanding the symptoms, causes, and progression of motor disorders, is crucial for developing effective treatments. Mouse models are frequently employed for this purpose.
This article describes a protocol that allows the monitoring of various aspects of motor performance and learning in mice using an automated tool called the Erasmus Ladder. The assay involves two phases: an initial phase where mice are trained to navigate a horizontal ladder built of irregular rungs (&#34;fine motor learning&#34;), and a second phase where an obstacle is presented in the path of the moving animal. The perturbation can be unexpected (&#34;challenged motor learning&#34;) or preceded by an auditory tone (&#34;associative motor learning&#34;). The task is easy to conduct and is fully supported by automated software.
This report shows how different readouts from the test, when analyzed with sensitive statistical methods, allow fine monitoring of mouse motor skills using a small cohort of mice. We propose that the method will be highly sensitive to evaluate motor adaptations driven by environmental modifications as well as early-stage subtle motor deficits in mutant mice with compromised motor functions.

Autor im Rampenlicht: Enthüllung neuronaler Mechanismen durch automatisierte Auswertung von Studien zum motorischen Lernen und zur Myelinplastizität anhand der Erasmus-Leiter 

This article presents a protocol that allows a non-invasive and automated assessment of fine motor performance, as well as adaptive and associative motor learning upon challenges, using a device called the Erasmus Ladder. Task difficulty can be titrated to detect motor impairment ranging from major to subtle degrees.

Überwachung des feinmotorischen und assoziativen Lernens bei Mäusen mit Hilfe der Erasmus-Leiter

Behavior is shaped by actions, and actions necessitate motor skills such as strength, coordination, and learning. None of the behaviors essential for ...

Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable

Developing objective and quantitative methods of early gross motor assessment is essential to better understand neurodevelopment and to support early therapeutic interventions. Here, we&#160;present&#160;a method to quantify gross motor performance using a multisensor wearable, MAIJU (Motility Assessment of Infants with a JUmpsuit), which offers an automated, scalable,&#160;quantitative, and objective assessment using&#160;a fully automated cloud-based pipeline. This wearable suit is equipped with four movement sensors that record synchronized data to a mobile phone utilizing a low-energy Bluetooth connection. An offline analysis in the cloud server generates fully analyzed results within minutes for each recording. These results include a graphical report of the recording session and a detailed result matrix that gives second-by-second classifications for posture, movement, infant carrying, and free playtime. Our recent results show the virtue of such&#160;quantified motor assessment&#160;providing&#160;a potentially&#160;effective method for distinguishing variations in the infant&#39;s gross motor development.

This paper outlines the assessment of infants' gross motor performance with a multisensor wearable and its fully automated deep learning-based analysis pipeline. The method quantifies the posture and movement patterns of infants from lying supine until they master walking independently.

Quantifizierte Bewertung der grobmotorischen Fähigkeiten von Säuglingen mit einem Multisensor-Wearable

Developing objective and quantitative methods of early gross motor assessment is essential to better understand neurodevelopment and to support early ...

Quantifizierung Lernen bei jungen Säuglingen: Tracking-Leg Aktionen während eines Ermittlungs-Learning-Task-

Zusammenfassung

Weitere Videos entdecken

Kapitel in diesem Video

A Novel experimentellen und analytischen Ansatz zur multimodalen Neural Decoding of Intent Während Soziale Interaktion in Frei-verhalten menschliche Säuglinge

Eine Methode zur Quantifizierung von Visual Information Processing bei Kindern Eye-Tracking

Der "Motor" in der Kfz-implizite Reihenfolge lernen: ein Fuß-stepping serielle Reaktionszeit Aufgabe

Blick in Aktion: Head-mounted Eyetracking Kinder-dynamische visuelle Aufmerksamkeit während der naturalistischen Verhalten

Bestimmung der Rolle der Sprache bei Säuglingen Objekt Kategorisierung mit Eyetracking-Paradigmen

Messung des statistischen Lernens über Modalitäten und Domänen in Kindern im schulalterten Alter über eine Online-Plattform und Neuroimaging-Techniken

Überwachung des feinmotorischen und assoziativen Lernens bei Mäusen mit Hilfe der Erasmus-Leiter

Überwachung des feinmotorischen und assoziativen Lernens bei Mäusen mit Hilfe der Erasmus-Leiter

Überwachung des feinmotorischen und assoziativen Lernens bei Mäusen mit Hilfe der Erasmus-Leiter

Quantifizierte Bewertung der grobmotorischen Fähigkeiten von Säuglingen mit einem Multisensor-Wearable