Abstract Neurons coordinate their activity to produce an astonishing variety of motor behaviors. Our present understanding of motor control has grown rapidly thanks to new methods for recording and analyzing populations of many individual neurons over time. In contrast, current methods for recording the nervous system’s actual motor output – the activation of muscle fibers by motor neurons – typically cannot detect the individual electrical events produced by muscle fibers during natural behaviors and scale poorly across species and muscle groups. Here we present a novel class of electrode devices (“Myomatrix arrays”) that record muscle activity at unprecedented resolution across muscles and behaviors. High-density, flexible electrode arrays allow for stable recordings from the muscle fibers activated by a single motor neuron, called a “motor unit”, during natural behaviors in many species, including mice, rats, primates, songbirds, frogs, and insects. This technology therefore allows the nervous system’s motor output to be monitored in unprecedented detail during complex behaviors across species and muscle morphologies. We anticipate that this technology will allow rapid advances in understanding the neural control of behavior and in identifying pathologies of the motor system.

Abstract Although it is well established that motivational factors such as earning more money for performing well improve motor performance, how the motor system implements this improvement remains unclear. For instance, feedback-based control, which uses sensory feedback from the body to correct for errors in movement, improves with greater reward. But feedback control encompasses many feedback loops with diverse characteristics such as the brain regions involved and their response time. Which specific loops drive these performance improvements with reward is unknown, even though their diversity makes it unlikely that they are contributing uniformly. We systematically tested the effect of reward on the latency (how long for a corrective response to arise?) and gain (how large is the corrective response?) of seven distinct sensorimotor feedback loops in humans. Only the fastest feedback loops were insensitive to reward, and the earliest reward-driven changes were consistently an increase in feedback gains, not a reduction in latency. Rather, a reduction of response latencies only tended to occur in slower feedback loops. These observations were similar across sensory modalities (vision and proprioception). Our results may have implications regarding feedback control performance in athletic coaching. For instance, coaching methodologies that rely on reinforcement or “reward shaping” may need to specifically target aspects of movement that rely on reward-sensitive feedback responses.

Abstract Artificial neural networks (ANNs) are a powerful class of computational models for unravelling neural mechanisms of brain function. However, for neural control of movement, they currently must be integrated with software simulating biomechanical effectors, leading to limiting impracticalities: (1) researchers must rely on two different platforms and (2) biomechanical effectors are not generally differentiable, constraining researchers to reinforcement learning algorithms despite the existence and potential biological relevance of faster training methods. To address these limitations, we developed MotorNet, an open-source Python toolbox for creating arbitrarily complex, differentiable, and biomechanically realistic effectors that can be trained on user-defined motor tasks using ANNs. MotorNet is designed to meet several goals: ease of installation, ease of use, a high-level user-friendly API, and a modular architecture to allow for flexibility in model building. MotorNet requires no dependencies outside Python, making it easy to get started with. For instance, it allows training ANNs on typically used motor control models such as a two joint, six muscle, planar arm within minutes on a typical desktop computer. MotorNet is built on TensorFlow and therefore can implement any network architecture that is possible using the TensorFlow framework. Consequently, it will immediately benefit from advances in artificial intelligence through TensorFlow updates. Finally, it is open source, enabling users to create and share their own improvements, such as new effector and network architectures or custom task designs. MotorNet’s focus on higher order model and task design will alleviate overhead cost to initiate computational projects for new researchers by providing a standalone, ready-to-go framework, and speed up efforts of established computational teams by enabling a focus on concepts and ideas over implementation.

Abstract When performing movements in rapid succession, the brain needs to coordinate preparation of an upcoming action with ongoing execution. Here we identify the processes and brain areas involved in this ability. Human participants performed pairs of single-finger presses or three-finger chords in settings where they had to prepare the second movement before or after the first response. Despite matched perceptual and movement requirements, 7T functional MRI revealed increased brain activity in regions along the intra-parietal sulcus and ventral visual stream when actions overlapped. Multivariate analyses suggested that these areas were involved in stimulus identification and action selection. In contrast, the dorsal premotor cortex, known to be involved in planning upcoming movements, showed no discernible signs of heightened activity. This observation suggests that the bottleneck during simultaneous action control and preparation arises at the level of stimulus identification and action selection, whereas movement planning in the premotor cortex can unfold concurrently with execution without interference between the two processes. Summary The brain’s ability to prepare for upcoming actions while controlling ongoing movements is a crucial evolutionary adaptation of the action system. However, the neural basis of online action preparation remains largely unknown. We found that superior-parietal and occipito-temporal areas exhibited heightened activation during online preparation. Surprisingly, the dorsal premotor cortex, known to be a crucial structure in motor planning, did not display additional activation for overlapping actions. These findings imply that while motor planning within the premotor cortex can occur in parallel with the execution of ongoing movement, the parallel stimulus identification and action selection in the posterior parietal cortex requires additional neural processes. Highlights Individuals prepare upcoming actions while simultaneously controlling ongoing movement When these two processes overlap, superior-parietal and occipito-temporal areas show increased activation Multivariate analysis suggests that increased activation arises to resolve simultaneous stimulus identification and action selection The premotor cortex, known to be involved in motor planning, coordinates simultaneous planning and execution without extra neural engagement

Abstract Real world actions often comprise a series of movements that cannot be entirely planned before initiation. When these actions are executed rapidly, planning of future movements needs to occur simultaneously with ongoing execution. However, it remains unknown how the human brain solves this task and whether planning processes of subsequent movements interact. Here we introduce a new sequential reaching paradigm in humans (N=10, 7 sessions each) with a horizon manipulation that allows us to study this interaction by controlling the timing and the overlap of the planning processes for individual movements embedded in the sequence. We show that at least two future reaches are planned simultaneously with the ongoing reach. Two results indicate that these planning processes are not independent of one another. First, correcting an ongoing reach is slower when future movements are planned. Second, the curvature of the current reach is modified based on the next reach only when the planning processes of the two reaches overlap sufficiently. The interactions between future planning processes may enable smooth production of sequential actions.