Brain state flexibility accompanies motor-skill acquisition

یادگیری نیاز به گذار از دولت ذاتا متمایز شناختی برای ایجاد سازگاری رفتاری دارد. با این حال، ابزارهایی که به صراحت این حالت ها را با تصویربرداری غیر تهاجمی اندازه گیری می کنند - و ارزیابی پویایی آنها در طول یادگیری - محدود می شود. در اینجا، ما یک رویکرد مبتنی بر کاربرد متمایز از نظریه گراف را در نظر می گیریم که در آن نقاط زمان توسط گره های شبکه نشان داده می شوند، و شباهت ها در حالت های مغز بین دو نقطه زمان متفاوت به صورت لبه های شبکه نشان داده شده است. ما از یک روش خوشه بندی مبتنی بر گراف برای شناسایی خوشه هایی از نقاط زمان که نشان دهنده وضعیت مغز کانونی است استفاده می کنیم و برای ارزیابی نحوه حرکت مغز از یک حالت به حالت دیگر به عنوان پیشرفت یادگیری استفاده می کنیم. ما مشاهده دو حالت ابتدایی را که با فعال شدن بالا در قشر سنسوری یا فعال سازی بالا در سیستم پیشانی-زیر-کورتیکی مشخص شده است مشاهده می کنیم. سوئیچینگ انعطاف پذیر در میان این حالت های اولیه و سایر کشورهای کمتر رایج، به عنوان پیشرفت های یادگیری شایع تر می شود و با تفاوت های فردی در میزان یادگیری همبستگی معکوس دارد. این نتایج با این مفهوم سازگار است که توسعه اتوماتیک با آزادی بیشتر برای استفاده از منابع شناختی برای سایر فرآیندها ارتباط دارد. در کنار هم، کار ما بینش جدیدی را در زمینه طبیعت محدود و کمینه دینامیک مغز، مشخصه یادگیری زودهنگام، ارائه می دهد که در نهایت به یادگیری پویایی کمتری و دشوار می انجامد.