June 1st, 2015
生後3-4ヶ月の乳児が発見によって課題を学習し、その学習過程を定量化するために彼らの脚の動きを捕捉する方法が説明されています。
次の実験の目標は、乳児が特定の課題を学習するときの脚の動きの出現と発達を調査することです。これは、最初に乳児用携帯電話の下に乳児を置き、乳児の脚にカメラで見えるマーカーを取り付けることによって達成されます。次に、乳児の足の動きを追跡しながら、モバイルを回転させて音楽を再生する発見学習タスクに参加します。
乳児が仮想の閾値を超えてどちらかの足を垂直に動かすたびに、乳児の脚の動きが分析され、乳児が自分の脚の動きが可動器を活性化したことを乳児が学習したかどうか、および実験の過程で乳児が脚の動きをどのように変化させたかが判断されます。最終的に、この新しい発見学習パラダイムは、乳児がタスク固有のアクションを実行するために自発的な動きを変更することを学ぶときに探索し、活用するプロセスに関する情報を提供します。このパラダイムは、乳児が独立して、モバイルを活性化するのは足の動きであることを発見するという点で独特です。
彼らの脚の動きは、モーションキャプチャシステムを使用して追跡されます。以前のパラダイムにはこれらの特徴の1つがあったかもしれませんが、幼児の学習プロセスを定量化するには両方が必要です。この方法は、乳児が周囲の世界を探索してどのように学ぶかなど、フィールドの主要な質問のいくつかに答えるのに役立ちます。
まず、2 つのモーション キャプチャ センサーの座標系を参照センサーの座標系に位置合わせして、モーション キャプチャ システムを設定します。最初にクリックすると、モーションキャプチャプログラムで新しい登録を実行します。次に、収集時間を 30 秒に入力し、[登録] をクリックします。
レジスタをクリックしたら、システムのキャプチャボリューム内で登録オブジェクトを30秒間移動します。登録が完了すると、二乗登録の平方根がコンピューターの画面に表示されます。次に、モーションキャプチャプログラムの「新規アライメントを実行」をクリックして、レジストレーションオブジェクトを使用してグローバル座標系をテストテーブルにアライメントし、レジストレーションオブジェクトをテストテーブルの右上隅に配置して原点を定義し、モーションキャプチャプログラムでデジタイズをクリックします。
次に、レジストレーションオブジェクトをブックの上に配置してクリックすることでZ軸を定義し、Z軸がテーブルに対して垂直になるようにデジタイズします。次に、ブック上のレジストレーションオブジェクトをテーブルの長さに沿って移動し、[デジタイズ]をクリックして、ZY正の平面を定義します。Y 軸はテーブルの長さに平行で、X 軸はテーブルの幅に平行です。
LEDを2つのストロークポートに接続し、モーションキャプチャシステムプログラム内のストロボポートあたりのLEDの数を入力します。ここに示す図 3 を参照してください。各LEDの数と位置については、欠落しているデータビューを選択して、リアルタイムで追跡されているLEDのストリップチャートのような表示を提供します乳児用モバイルプログラムを設定します。
まず、1日目の各条件の分数を入力し、2を入力します。フェーズ 1 では、非補強条件です。フェーズ 2 は 6 で、2 日目は強化条件とフェーズ 3 が 0、フェーズ 1 は 2 つ、フェーズ 2 は 6 つ、フェーズ 3 は 2 を入力します。
また、チェックボックスをオンにします。1 日目のベースライン中に計算されたしきい値が 2 日目の取得条件に使用されるしきい値になるように、既定値として xin を使用します。最後に、ストリームフレーム、すべてのフレームを選択し、[送信]をクリックして、モバイルプログラムがモーションキャプチャシステムのデータを使用して、指定された基準に基づいて乳児用モバイルをアクティブにできるようにします。
次に、モバイル セットアップの周囲に 3 台のカメラを配置します (1 台は右側、1 台は左側、もう 1 台は頭上)。そして、それらをコンピューターシステムに接続します。ビデオコンピュータプログラムを開始して、3つの入力を同期します。
さらに、乳児の頭の上に4台目のカメラを置いて、顔の表情を記録し、目の視線を追跡します。まず、親に実験を説明し、乳児との交流をできるだけ少なくするように伝えます。次に、乳児の服を脱ぎ、乳児をモビールの下に置きます。
トランクを横切って配置されたベルクロバンドを使用して、乳児をテーブルに固定します。所定の位置に固定されたら、胸骨マーカーを取り付け、続いて乳児の足、すね、太もも、骨盤の硬体を取り付けます。各テスト日の初めに、モーションキャプチャシステム、モバイルコンピュータプログラム、およびビデオカメラを同期して開始することにより、モバイル学習タスクを開始します最初の2分間のベースライン期間中に自発的に蹴る乳児を観察します。
この期間中、乳児モバイルプログラムは、2 分間のベースライン期間の終了時に、各足の剛体にある LED の 1 つからの Z データに基づいて、モバイルアクティベーションのしきい値を継続的に計算します。モバイル・プログラムが、ベースライン期間中の両足の平均身長より 1 標準偏差高い高さにしきい値を設定するのを観察します。次に、取得条件中に、いずれかの足に配置されたLEDが、絶滅期のテスト初日から2分間のベースライン条件で計算されたしきい値を超えたときに、乳児用携帯電話が回転して音楽を再生するのを観察します。
テストの2日目に、乳児が可動補強なしで自発的にキックするのを観察します 可動固定具との乳児の相互作用に続いて、ここに示すように両面心電図カラーを使用して乳児の皮膚に両側に10個の個々のLEDを置き、乳児の下肢を伸ばした解剖学的位置に5秒間保持します。このキャリブレーション位置のジョイント角度を 0 度として定義します。
テストの2日目の後、デジタル電気スケールで乳児の体重を量ります。次に、乳児の長さ、大腿部の中央部分での周囲、すね、足を測定します。次に、膝関節線で膝の幅を測定します。
マリア線での足首の幅と、中足骨の頭での足の幅があります。最後に、大トロカンターから膝関節線までの大腿部の長さ、膝関節線から外側マルまでのシャンクの長さ、内側モリーから最初の中足骨指節関節までの足の長さを測定します。付属のテキストプロトコルで説明されているように、強化された脚のアクションの割合を計算することにより、乳児のパフォーマンスと学習を分析します。
脚の動きを解析するには、モーション キャプチャ システムから出力された位置データ ファイルをカスタム MATLAB プログラムに読み込み、3 次スプラインを使用して最大 20 の連続フレームの欠落位置データを補間します。次に、補間されたファイルをカスタム MATLAB プログラムに読み込み、最初にカットオフ周波数が 5 ヘルツの 4 次バターワースを使用して位置データをフィルター処理し、次に soderquist と wedin で記述されたジョイント角度を計算します。このグラフは、学習者として分類された乳児と非学習者として分類された乳児の行動結果の違いを示しています。
乳児は、2日目の全習得条件における強化された脚の行動が、1日目のベースライン条件の強化された脚の行動の1.5倍以上である場合、学習者として分類されました。1日目の習得条件の最初の2分間で、学習者のRLAの割合が最初に減少していることに注意してください。この課題を学習した乳児は、乳児のモバイルが活性化し始めたとき、おそらく最初は指向性反応として、次に自分の行動がモバイルの活性化と関連しているかどうかを判断するための戦略として、全体的な行動を減らしました。表示。
ここでは、学習者と非学習者に分類された乳児の股関節膝関節の協調性の違いを示します。非学習者ではなく、学習者は、2日目の獲得条件と1日目のベースライン条件との間の股関節膝角相関係数を大幅に減少させました。ここでは、股関節と膝の筋トルクインパルスの違いを、学習者として分類された乳児のグループで分析しました。
堅牢な発見は、他の条件と比較して、絶滅条件中の股関節と膝の筋肉のトルクインパルスの増加でした。この課題を学習した乳児は、消滅状態の間に、携帯電話を再活性化しようとして、大きな股関節と膝の筋肉のトルクを生成しているようです。この実験的パラダイムは、運動機能障害のリスクがある乳児に拡張できます。
これは、乳児の異なる集団の障害が発見学習プロセスとタスク固有の脚の行動を実行する能力にどのように影響するかを調査するために使用できます。
View the full transcript and gain access to thousands of scientific videos
この研究は、3-4ヶ月の乳児がどのように発見を通じてタスクを学習するか、特に足の動きに焦点を当てて調査します。この研究はこれらの動きを捉え分析することで、学習プロセスを理解します。
This infant discovery-learning paradigm provides a quantitative framework for studying how spontaneous motor behaviors are shaped by environmental feedback, offering insights into early sensorimotor integration. By measuring changes in movement patterns, coordination, and torque in response to contingent reinforcement, the method enables mechanistic de-risking of neurodevelopmental hypotheses. It supports target validation in preclinical models by linking behavioral output to neuromuscular control systems relevant to movement disorder risk assessment.
The method fits within the discovery continuum from hypothesis testing in early biology to lead identification via phenotypic screening of neuromuscular modulators, particularly when supported by source-described outputs.