脑科学研究:对于学习来说,休息可能与练习同样重要...

640?wx_fmt=jpeg

来源:神经科技


近日,在针对健康志愿者的的一项研究中,美国国立卫生研究院(NIH)的研究人员发现,大脑可能会通过短暂的休息来巩固我们几秒钟前刚练习过的新技能的记忆。该研究结果强调了早期休息在学习中可能发挥着至关重要的作用。


研究通讯作者、NIH高级研究员和美国国家神经疾病和中风研究所的Leonardo G.Cohen博士说:“每个人都认为,当学习新事物时,你需要‘练习、练习、再练习’。相反,我们发现,短暂的休息对学习和练习一样重要。我们最终希望这项实验结果能帮助患者从中风和其他神经损伤所造成的瘫痪影响中恢复过来,告知他们用策略“学习”失去的技能。”该研究近日已发表在《Current Biology》上。


640?wx_fmt=jpeg


这项研究是由Cohen博士实验室的博士后研究员、医学博士Marlene Bönstrup领导。像许多科学家一样,她普遍认为我们的大脑需要长时间的休息,比如良好的睡眠,以加强在练习一项新学技能时形成的记忆。但在研究了NIH临床中心健康志愿者在学习和记忆实验中记录到的脑电波后,她开始质疑这一想法。


这些波是从志愿者的右手通过一种叫做脑磁图的高灵敏度扫描技术记录下来的。他们面对电脑屏幕坐在椅子上,并戴着一顶锥形脑部扫描帽。实验开始时,他们在屏幕上看到一系列数字,并被要求用左手尽可能多地键入数字10秒,然后休息10秒,然后再次重复这个试验周期交替练习和休息35次。 这种策略通常用于减少疲劳或其他因素引起的并发症。


正如预期的那样,志愿者正确输入数字的速度在最初的几次试验中大幅提高,然后在第11个周期左右稳定下来。


当Bönstrup博士观察志愿者的脑电波时,发现一些有趣的东西。她说:“我注意到志愿者在休息期间的脑电波变化似乎比打字过程中的变化要大得多。”班斯特鲁普博士说,“这让我产生了一个想法,那就是在学习真正发生时去更仔细地观察,看它是在练习中还是在休息中?”


通过重新分析数据,她的团队得出了两个关键发现。 首先,他们发现参与者的表现主要在短暂的休息期间有所改善,而不是在打字之时。在休息期间所取得的进步加在一起,就是志愿者当天所取得的总体进步。此外,这些收获比志愿者第二天再次尝试后看到的要大得多,这表明早期休息在学习中起着和练习本身一样重要的作用。


其次,通过观察脑电波,Bönstrup博士发现了活动模式,表明志愿者的大脑在休息期间正在巩固或强化记忆。具体而言,他们发现被称为β节律脑电波大小的变化与志愿者在休息期间所做的改进有关。


640?wx_fmt=jpeg

图片来源:《Current Biology》



进一步的分析表明,β节律振幅的变化主要发生在志愿者右脑连接额叶和顶叶的神经网络上,该神经网络被认为有助于控制运动规划。而这些变化只发生在休息期间,也是唯一与表现相关的脑电波模式。


Cohen博士:“我们的研究结果表明,在中风患者实施康复治疗或在正常志愿者中学习弹钢琴时,优化休息间隔的时间和配置可能很重要。这些结果是否适用于其他形式的学习和记忆形成仍是个未知数。”


Cohen博士团队计划下一步将更详细地探索早期休息时期在学习和记忆中的作用。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。


  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”


640?wx_fmt=jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/492188.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Harris 角点检测(Harris corner detection)

在许多应用中,会运用到特征提取。 比如,把下方两张图片缝合成一张图片。哪么从哪些地方开始缝合呢?这些地方可以通过特征提取找到。 1、特征 图片上的特征点应该具有怎样的特性? a. 图片上的特征点不随图片的变化(平…

BoW(词袋Bag of words)

Bag-of-words词袋模型最初被用在信息检索领域。例如检索一篇文档,只需考虑文档中出现单词的频率,而不用考虑语法语序等。在图像领域,如果把一幅图像当作文档,图像中的图像块的特征向量视为文档内的词,BoW在图像领域也可…

欧盟最新《AI网络安全政策发展框架》

来源:学术plus报告主要内容编译如下下载全文报告请参见文末链接一、 概要AI进入主流商用,数据收集是关键在过去几年,人工智能(AI)迅速超越研究和学术范畴,进入主流商用,创新的自主代理利用人工智…

2019上海车展重磅新车前瞻

来源:中信建投分析师:余海坤、陶亦然第十八届上海国际汽车工业展览会将于2019年4月18日至25日在上海国家会展中心举行。本次车展的主题为“共创美好生活”,将展现世界汽车工业的创新发展,将汽车与信息通讯、互联网、大数据、人工智…

HDU 4190 Distributing Ballot Boxes【二分答案】

题意&#xff1a;给出n个城市&#xff0c;n个城市分别的居民&#xff0c;m个盒子&#xff0c;为了让每个人都投上票&#xff0c;问每个盒子应该装多少张票 二分盒子装的票数&#xff0c; 如果mid<m,说明偏大了&#xff0c;r应该向下逼近 &#xff0c;rmid 如果mid>m,说明…

局部特征检测器和描述符

图像匹配有三个步骤&#xff1a;检测特征点&#xff0c;特征描述和匹配 1、检测特征点 好的特征点的位置不随图像亮度变换的改变&#xff0c;只与图像的几何变换有关。 1.1 图像变换 1.1.1 几何变换&#xff1a;旋转和伸缩 1.1.2 亮度变换 1.2 Harris角点检测的性质 角点的…

5G+AI系列研究:5G元年,电子行业迎来新时代​

来源&#xff1a;国泰君安证券摘要&#xff1a;本报告作为【5GAI】系列报告的第一篇&#xff0c;主要包括两部分内容&#xff0c;PART A&#xff1a;5G带来终端射频新机遇&#xff1b;PART B&#xff1a;基站建设启动&#xff0c;产业链爆发在即。附报告部分PPT&#xff1a;未来…

卷积神经网络(CNN:Convolutional Neural Network)

1、感知器&#xff08;perceptron&#xff09; 感知器是卷积神经网络的基本单元&#xff0c;下图展示了其工作原理&#xff0c;为了方便理解&#xff0c;图中只显示了3个输入。 向量w为输入向量x的权重&#xff0c;b为偏差&#xff0c;最后对x的线性组合&#xff08;&#xff…

性能调优:理解Set Statistics Time输出

性能调优&#xff1a;理解Set Statistics Time输出 原文:性能调优&#xff1a;理解Set Statistics Time输出在性能调优&#xff1a;理解Set Statistics IO输出我们讨论了Set Statistics IO&#xff0c;还有如何帮助我们进行性能调优。这篇文章会讨论下Set Statistics Time&…

Nature Communications:实时记录神经系统,解开大脑秘密

来源&#xff1a;神经科技人的大脑中大概有一千亿个神经元&#xff0c;每一个神经元都连接到数以百计的神经元邻居。分析大脑中的神经活动和致此活动的原因&#xff0c;一直是科学家们研究的目标。现在&#xff0c;一组科学家设计出整个神经系统高速映射神经元放电的成像技术&a…

图像变换(Image transformations)

1 图像变换和图像滤波&#xff08;image filtering&#xff09;的区别 1.1 图像滤波 图像滤波改变像素点的灰度值&#xff0c;不改变像素点的坐标&#xff0c;如下图所示。 用函数可表示为&#xff1a; 其中f(x)表示原图&#xff0c;h(x)表示滤波器 1.2 图像变换 图像变换改…

图像对齐(image alignment)

1、图像对齐的步骤 已知图像A和B&#xff0c;图像对齐的步骤&#xff1a; 提取图像A和B的特征匹配图像A和B中的特征求解图像A和B的对齐矩阵2 使用最小二乘求解对齐矩阵的问题 使用最小二乘求解对齐矩阵容易受到outliers的影响, 误差会很大。 3 RANSAC&#xff08;random sa…

巴黎不哭!十亿点数据“重建”巴黎圣母院

来源&#xff1a;大数据文摘摘要&#xff1a;目前&#xff0c;尽管现实中的大教堂已经无法恢复&#xff0c;但被数字化的“巴黎圣母院”仍然精确地留存在人类世界。而通过这一数据留存&#xff0c;重建巴黎圣母院成为可能&#xff0c;后人也仍然可以一览它曾经的雄伟。即使这一…

照相机的成像变换

1 变换过程 照相机的成像变换过程可以分为3步&#xff1a;世界坐标系——>相机坐标系——>图像坐标系——>像素坐标系 2 世界坐标系——>相机坐标系 景物从世界坐标系转换到相机坐标系需要使用到刚体变换&#xff08;物体不发生变形&#xff0c;对一个几何物体做…

我国芯片各细分领域龙头名单

来源&#xff1a;机械前沿芯片的分类&#xff1a;日常生活中&#xff0c;我们可以发现芯片的种类比如有通信芯片、人工智能芯片、LED芯片、电脑芯片等等。芯片的产业链是这样的&#xff1a;根据产业链划分&#xff0c;芯片从设计到出厂的核心环节主要包括 6 个部分&#xff1a;…

求解相机参数Camera Calibration

1 主要思想 使用黑白棋盘格&#xff0c;记录世界坐标系中关键点的坐标&#xff0c;然后使用手机拍照&#xff0c;记录相应点像素点的坐标。 这样就得到了许多3D-2D的配对点 2 详细过程 由 上一篇博客 内容可知&#xff0c; 其中 P‘ 为像素坐标&#xff0c; Pw为世界坐标系的…

超壮观!10只波士顿动力机器狗,拖动大卡车,步伐整齐划一如同仪仗队

来源&#xff1a;量子位整整10只SpotMini机器狗&#xff0c;可以做什么&#xff1f;波士顿动力的答案是&#xff1a;拉卡车。对&#xff0c;不是狗拉雪橇&#xff0c;是狗拉体积大得多、质量重得多的大卡车。画面中&#xff0c;出现了并排走的一对机器狗。后面还有另一对机器狗…

立体视觉(Stereo Vision)-本征矩阵(essential matrix)和基本矩阵(fundamental matrix)

1 物体深度 问题描述&#xff1a;从不同的位置拍摄相同物体的两张图片&#xff0c;恢复其深度 这里假设摄像机的镜头平行 由相似三角形&#xff1a; 由上面第一、二等式可得&#xff1a; 深度与视差成反比 2 如何配对左右图片的点 问题描述&#xff1a;已知两张图像&#xff…

重磅:苹果高通和解!英特尔退出5G基带市场,高通股价暴涨超20%,华为依然淡定...

来源&#xff1a;新浪、量子位等&#xff0c;物联网智库整理摘要&#xff1a;没有永恒的朋友&#xff0c;只有永恒的利益。前一阵子还是“牛夫人”&#xff0c;今天就变成“小甜甜”了。没有永恒的朋友&#xff0c;只有永恒的利益。前一阵子还是“牛夫人”&#xff0c;今天就变…

计算图像的景深

在 上一篇 博客中&#xff0c;景深与视差成反比&#xff0c;其公式为&#xff1a; 为焦距&#xff0c; 为左右相机的距离&#xff0c;分别为两张图像的点距离各自中心点的距离。 对于左图像的每一个像素点 &#xff0c;求图像景深可以分为以下几步&#xff0c; 在右图中&…