Arm movements in our daily lives have to be adjusted for several factors in response to the demands of the environment, for example, speed, direction or distance. Previous research has shown that arm movement kinematics is optimally tuned to take advantage of gravity effects and minimize muscle effort in various pointing directions and gravity contexts. Here we build upon these results and focus on muscular adjustments. We used Machine Learning to analyze the ensemble activities of multiple muscles recorded during pointing in various directions. The advantage of such a technique would be the observation of patterns in collective muscular activity that may not be noticed using univariate statistics. By providing an index of multimuscle activity, the Machine Learning (ML) analysis brought to light several features of tuning for pointing direction. In attempting to trace tuning curves, all comparisons were done with respects to pointing in the horizontal, gravity free plane. We demonstrated that tuning for direction does not take place in a uniform fashion but in a modular manner in which some muscle groups play a primary role. The antigravity muscles were more finely tuned to pointing direction than the gravity muscles. Of note, was their tuning during the first half of downward pointing. As the antigravity muscles were deactivated during this phase, it supported the idea that deactivation is not an on-off function but is tuned to pointing direction. Further support for the tuning of the negative portions of the phasic EMG was provided by the observation of progressively improving classification accuracies with increasing angular distance from the horizontal. We also demonstrated that the durations of these negative phases, without information on their amplitudes, is tuned to pointing directions. Overall, these results show that the motor system tunes muscle commands to exploit gravity effects and reduce muscular effort. It quantitatively demonstrates that phasic EMG negativity is an essential feature of muscle control. The ML analysis was done using Linear Discriminant analysis (LDA) and Support Vector Machines (SVM). The two led to the same conclusions concerning the movements being investigated, hence showing that the former, computationally inexpensive technique is a viable tool for regular investigation of motor control.

As the global population ages, it is crucial to understand sensorimotor compensation mechanisms that allow older adults to remain in good physical health, i.e. underlying successful aging. Although age-related compensation has long been conceptualized and despite important research effort in varied gerontological subfields, behavioral compensatory processes and their underlying neural mechanisms remain essentially chimeras. This study investigates age-related compensation at the behavioral level. It tests the basic hypothesis that age-related compensatory processes may correspond to an adaption process that changes movement strategy. More specifically, we focused on the ability of younger (n = 20; mean age = 23.6 years) and older adults (n = 24; mean age = 72 years) to generate movements that are energetically efficient in the gravitational environment. Previous results, from separate studies, suggest that aging differently alters energy efficiency in arm movement and whole-body movement tasks. With aging, energy efficiency seems to remain highly functional in arm movements but was shown to decrease in whole-body movements. Here we built on recent theoretical and experimental results demonstrating a behavioral process that optimally adapts human arm movements to the gravitational environment. Analyzing phasic muscle activation patterns, previous studies provided electromyographic measurements that quantified the output of an optimal strategy using gravity effects to discount muscle effort. Using these measurements, we probed the effort-minimization process in younger and older adults during arm movement and whole-body movement tasks. The key finding demonstrates that aging differently alters motor strategies for arm movements vs whole-body movements. Older adults used gravity effects to a similar extent as younger ones when performing arm movements, but to a lesser extent when performing whole body movements. These results provide clear experimental support for an adaptation strategy that down-regulates effort minimization in older adults.

Abstract Arm movements in our daily lives have to be adjusted for several factors in response to the demands of the environment, for example, speed, direction or distance. Previously, we had shown that arm movement kinematics is optimally tuned to take advantage of gravity effects and minimize muscle effort in various pointing directions and gravity contexts ( Gaveau et al., 2016 ). Here we build upon these results and focus on muscular adjustments. We used Machine Learning to analyze the ensemble activities of multiple muscles recorded during pointing in various directions. The advantage of such a technique would be the observation of patterns in collective muscular activity that may not be noticed using univariate statistics. By providing an index of multimuscle activity, the Machine Learning analysis brought to light several features of tuning for pointing direction. In attempting to trace tuning curves, all comparisons were done with respects to pointing in the horizontal, gravity free plane. We demonstrated that tuning for direction does not take place in a uniform fashion but in a modular manner in which some muscle groups play a primary role. The antigravity muscles were more finely tuned to pointing direction than the gravity muscles. Of note, was their tuning during the first half of downward pointing. As the antigravity muscles were deactivated during this phase, it supported the idea that deactivation is not an on-off function but is tuned to pointing direction. Further support for the tuning of the portions of the phasic EMG containing only negative activity was provided by progressively improving classification accuracies with increasing angular distance from the horizontal. Overall, these results show that the motor system tunes muscle commands to exploit gravity effects and reduce muscular effort. It quantitatively demonstrates that phasic EMG negativity is an essential feature of muscle control.

There is experimental evidence of varying correlation among the elements of the neuromuscular system over the course of the reach-and-grasp task. Several neuromuscular disorders are accompanied by anomalies in muscular coupling during the task. The aim of this study was to investigate if modifications in correlations and clustering can be detected in the Local Field Potential (LFP) recordings of the motor cortex during the task. To this end, we analyzed the LFP recordings from a previously published study on monkeys which performed a reach-and-grasp task for targets with a vertical or horizontal orientation. LFP signals were recorded from the motor and premotor cortex of macaque monkeys as they performed the task. We found very robust changes in the correlations of the multielectrode LFP recordings which corresponded to task epochs. Mean LFP correlation increased significantly during reaching and then decreased during grasp. This pattern was very robust for both left and right arm reaches irrespective of target orientation. A hierarchical cluster analysis supported the same conclusion – a decreased number of clusters during reach followed by an increase for grasp. As most previous LFP studies have focused on the question of LFP amplitude, our study has contributed to the understanding of this signal and its relationship to movement by focusing on correlations. A sliding window computation of the number of clusters was performed to probe the capacities of these LFP clusters for detecting upcoming task events. For a very high percentage of trials (97.89%), there was a downturn in cluster number following the Pellet Drop (GO signal) which reached a minimum preceding the Start of grasp, hence indicating that cluster analyses of LFP signals could add to signaling the increased probability of the Start of grasp. Significance Statement The creation of muscular groups also called synergies for accomplishing an action is a well known feature of motor control. Since the motor cortex plays an important role in creating motor commands, it is only to be expected that such features might also be seen in this brain area. This study is among the first to show that alterations in local field potential (LFP) correlations as a function of task phase can be observed during the reach-and-grasp task by macaque monkeys. The LFPs recorded using multielectrode arrays in the motor cortex, showed increased correlations during reach, followed by decreased correlations at the start of grasp. This pattern was robust and held irrespective of which arm was employed or hand orientation.

There is experimental evidence of varying correlation among the elements of the neuromuscular system over the course of the reach-and-grasp task. Several neuromuscular disorders are accompanied by anomalies in muscular coupling during the task. The aim of this study was to investigate if modifications in correlations and clustering can be detected in the Local Field Potential (LFP) recordings of the motor cortex during the task. To this end, we analyzed the LFP recordings from a previously published study on monkeys which performed a reach-and-grasp task for targets with a vertical or horizontal orientation. LFP signals were recorded from the motor and premotor cortex of macaque monkeys as they performed the task. We found very robust changes in the correlations of the multielectrode LFP recordings which corresponded to task epochs. Mean LFP correlation increased significantly during reaching and then decreased during grasp. This pattern was very robust for both left and right arm reaches irrespective of target orientation. A hierarchical cluster analysis supported the same conclusion - a decreased number of clusters during reach followed by an increase for grasp. A sliding window computation of the number of clusters was performed to probe the predictive capacities of these LFP clusters for upcoming task events. For a very high percentage of trials (95.3%), there was a downturn in cluster number following the Pellet Drop (GO signal) which reached a minimum shortly preceding the Start of grasp, hence indicating that cluster analyses of LFP signals could provide online indications of Start of grasp.