Locomotor adaptation can persistently reorganize stride-to-stride regulation of centre of mass error dynamics

Resumo Técnico: Adaptação Locomotora e Dinâmica de Erro de Passo a Passo do CoM

Definição do Problema
Embora os seres humanos possam adaptar sua marcha a novos ambientes (ex: esteiras de correia dividida/split-belt), a compreensão atual desse processo é limitada. Estudos tradicionais dependem de métricas escalares, como a assimetria do comprimento do passo ou a Margem de Estabilidade (MoS), que fornecem instantâneos imediatos dos resultados da marcha. Essas métricas falham em capturar as regras latentes que regem como a estabilidade é regulada de um passo para o outro. Além disso, permanece incerto se a adaptação locomotora envolve meramente a redução dos erros de estabilidade ou uma reorganização fundamental da estrutura dinâmica subjacente que controla esses erros. Adicionalmente, a extensão em que essas adaptações relacionadas à estabilidade são retidas e rapidamente relembradas (savings) após a reexposição a uma perturbação não é bem compreendida.

Metodologia
Os autores empregaram uma abordagem de sistemas dinâmicos multidimensionais para modelar a dinâmica de erro do Centro de Massa (CoM) durante a marcha em esteira de correia dividida.

• Estrutura do Modelo: Utilizaram um modelo simples de pêndulo invertido 3D para definir um mapa linear de passo a passo dos estados de erro do CoM no meio da fase de apoio (midstance). O vetor de estado inclui posição mediolateral ($\delta x$), velocidade mediolateral ($\delta \dot{x}$) e velocidade anteroposterior ($\delta \dot{y}$). O sistema é modelado como $\delta \mathbf{x}(n+1) = A \delta \mathbf{x}(n)$, onde a matriz $A$ representa a dinâmica de regulação de erro de passo a passo.
• Dados Experimentais: O estudo analisou dados de 14 participantes submetidos a um protocolo de correia dividida consistindo em blocos de linha de base (esteira unificada/tied-belt), aprendizado (split-belt), lavagem (washout/tied-belt) e economia/relembrança (savings/reexposição ao split-belt).
• Análise:
  1. Validação Escalar: Uma ANOVA de medidas repetidas foi usada para confirmar a redução da magnitude do erro do CoM durante o aprendizado e a lavagem.
  2. Ajuste do Modelo: Mapas lineares ($A_{block}$) foram ajustados aos dados de estado estacionário para cada bloco e perna. A validade do modelo foi avaliada via Erro Quadrático Médio Normalizado (NRMSE) e "pontuações de habilidade" comparando o modelo contra benchmarks de persistência e de preditor de média.
  3. Análise de Autoestrutura: Para testar a reorganização estrutural (Hipótese H2), os autores compararam os autovalores e autovetores das matrizes $A$ entre os blocos. Eles analisaram especificamente a similaridade dos autovetores dominantes entre as condições de aprendizado, economia e linha de base usando bootstrapping para determinar se os clusters de dinâmica de aprendizado e economia se agrupam de forma distinta da linha de base.
  4. Análise de Relembrança (Recall): Para testar a relembrança estrutural (Hipótese H3), eles compararam quão bem o modelo de aprendizado de estado estacionário ($A_L$) versus o modelo de lavagem ($A_W$) previu as trajetórias de erro do bloco de economia (savings) nos primeiros 30 passos.

Principais Resultados

• Redução de Erro (H1): Os participantes reduziram significativamente a magnitude do erro do CoM nas direções mediolateral e anteroposterior durante os blocos de aprendizado e lavagem, confirmando o erro do CoM como um sinal de aprendizado válido.
• Reorganização Estrutural (H2): As dinâmicas de erro lineares diferiram significativamente entre as condições de correia unificada (linha de base/lavagem) e correia dividida (aprendizado/economia). Especificamente, os autovetores dominantes (que representam a direção do decaimento de erro mais lento) rotacionaram significativamente. Na marcha com correia unificada, a persistência do erro era dominada pela velocidade mediolateral. Na marcha com correia dividida, a direção dominante deslocou-se para longe da velocidade mediolateral, alinhando-se mais proximamente com a velocidade anteroposterior. Isso indica uma reorganização das prioridades de controle.
• Relembrança Estrutural (H3): A dinâmica de estado estacionário aprendida durante a exposição inicial à correia dividida ($A_L$) previu as trajetórias de erro do início do bloco de economia significativamente melhor do que a dinâmica de lavagem ($A_W$). Crucialmente, $A_L$ também previu o início da economia melhor do que previu o início do aprendizado, sugerindo que a similaridade não é meramente um resultado das restrições mecânicas da correia dividida, mas reflete a rápida relembrança de uma estrutura dinâmica previamente aprendida.
• Assimetria de Pernas: Essas mudanças estruturais foram observadas principalmente na perna lenta, consistente com achados anteriores de que a cinética da perna lenta impulsiona as medidas de assimetria.

Significância e Alegações
O artigo afirma que a adaptação locomotora envolve mais do que apenas a redução escalar do erro; inclui uma reorganização persistente da estrutura geométrica da regulação do movimento do CoM de passo a passo.

• Além das Métricas Escalares: O estudo demonstra que métricas escalares como MoS ou assimetria do comprimento do passo são insuficientes para detectar essas mudanças fundamentais na estratégia de controle. A reorganização é revelada apenas através da análise da autoestrutura da dinâmica de erro.
• Relembrança Rápida: Os achados sugerem que o sistema nervoso aprende uma nova estrutura dinâmica para regular a estabilidade em ambientes novos, a qual não é imediatamente sobrescrita durante a lavagem e pode ser rapidamente relembrada após a reexposição.
• Insight Mecanístico: Ao mudar o foco da redução do resultado para a geometria da regulação do erro, os autores fornecem uma explicação mecanística de como a estabilidade é priorizada de forma diferente na marcha com correia dividida versus correia unificada (ex: despriorizando o erro de velocidade anteroposterior em favor do erro de velocidade mediolateral).

Os autores concluem que sua abordagem de sistemas dinâmicos oferece uma parametrização inovadora para investigar o aprendizado e a relembrança locomotora, revelando que as adaptações relevantes para a estabilidade são estruturais e persistentes, em vez de ajustes transientes de magnitude de erro.