Evidence suggests that the nervous system controls motor tasks using a low-dimensional modular organization of muscle activation. However, it is not clear if such an organization applies to coordination of human walking, nor how nervous system injury may alter the organization of motor modules and their biomechanical outputs. We first tested the hypothesis that muscle activation patterns during walking are produced through the variable activation of a small set of motor modules. In 20 healthy control subjects, EMG signals from eight leg muscles were measured across a range of walking speeds. Four motor modules identified through nonnegative matrix factorization were sufficient to account for variability of muscle activation from step to step and across speeds. Next, consistent with the clinical notion of abnormal limb flexion-extension synergies post-stroke, we tested the hypothesis that subjects with post-stroke hemiparesis would have altered motor modules, leading to impaired walking performance. In post-stroke subjects ( n = 55), a less complex coordination pattern was shown. Fewer modules were needed to account for muscle activation during walking at preferred speed compared with controls. Fewer modules resulted from merging of the modules observed in healthy controls, suggesting reduced independence of neural control signals. The number of modules was correlated to preferred walking speed, speed modulation, step length asymmetry, and propulsive asymmetry. Our results suggest a common modular organization of muscle coordination underlying walking in both healthy and post-stroke subjects. Identification of motor modules may lead to new insight into impaired locomotor coordination and the underlying neural systems.

Recently developed computational techniques have been used to reduce muscle activation patterns of high complexity to a simple synergy organization and to bring new insights to the long-standing degrees of freedom problem in motor control. We used a nonnegative factorization approach to identify muscle synergies during postural responses in the cat and to examine the functional significance of such synergies for natural behaviors. We hypothesized that the simplification of neural control afforded by muscle synergies must be matched by a similar reduction in degrees of freedom at the biomechanical level. Electromyographic data were recorded from 8–15 hindlimb muscles of cats exposed to 16 directions of support surface translation. Results showed that as few as four synergies could account for >95% of the automatic postural response across all muscles and all directions. Each synergy was activated for a specific set of perturbation directions, and moreover, each was correlated with a unique vector of endpoint force under the limb. We suggest that, within the context of active balance control, postural synergies reflect a neural command signal that specifies endpoint force of a limb.

Postural control is a natural behavior that requires the spatial and temporal coordination of multiple muscles. Complex muscle activation patterns characterizing postural responses suggest the need for independent muscle control. However, our previous work shows that postural responses in cats can be robustly reproduced by the activation of a few muscle synergies. We now investigate whether a similar neural strategy is used for human postural control. We hypothesized that a few muscle synergies could account for the intertrial variability in automatic postural responses from different perturbation directions, as well as different postural strategies. Postural responses to multidirectional support-surface translations in 16 muscles of the lower back and leg were analyzed in nine healthy subjects. Six or fewer muscle synergies were required to reproduce the postural responses of each subject. The composition and temporal activation of several muscle synergies identified across all subjects were consistent with the previously identified "ankle" and "hip" strategies in human postural responses. Moreover, intertrial variability in muscle activation patterns was successfully reproduced by modulating the activity of the various muscle synergies. This suggests that trial-to-trial variations in the activation of individual muscles are correlated and, moreover, represent variations in the amplitude of descending neural commands that activate individual muscle synergies. Finally, composition and temporal activation of most of the muscle synergies were similar across subjects. These results suggest that muscle synergies represent a general neural strategy underlying muscle coordination in postural tasks.

We recently showed that four muscle synergies can reproduce multiple muscle activation patterns in cats during postural responses to support surface translations. We now test the robustness of functional muscle synergies, which specify muscle groupings and the active force vectors produced during postural responses under several biomechanically distinct conditions. We aimed to determine whether such synergies represent a generalized control strategy for postural control or if they are merely specific to each postural task. Postural responses to multidirectional translations at different fore-hind paw distances and to multidirectional rotations at the preferred stance distance were analyzed. Five synergies were required to adequately reconstruct responses to translation at the preferred stance distance—four were similar to our previous analysis of translation, whereas the fifth accounted for the newly added background activity during quiet stance. These five control synergies could account for >80% total variability or r 2 > 0.6 of the electromyographic and force tuning curves for all other experimental conditions. Forces were successfully reconstructed but only when they were referenced to a coordinate system that rotated with the limb axis as stance distance changed. Finally, most of the functional muscle synergies were similar across all of the six cats in terms of muscle synergy number, synergy activation patterns, and synergy force vectors. The robustness of synergy organization across perturbation types, postures, and animals suggests that muscle synergies controlling task-variables are a general construct used by the CNS for balance control.

Abstract Locomotion results from the interactions of highly nonlinear neural and biomechanical dynamics. Accordingly, understanding gait dynamics across behavioral conditions and individuals based on detailed modeling of the underlying neuromechanical system has proven difficult. Here, we develop a data-driven and generative modeling approach that recapitulates the dynamical features of gait behaviors to enable more holistic and interpretable characterizations and comparisons of gait dynamics. Specifically, gait dynamics of multiple individuals are predicted by a dynamical model that defines a common, low-dimensional, latent space to compare group and individual differences. We find that highly individualized dynamics – i.e., gait signatures – for healthy older adults and stroke survivors during treadmill walking are conserved across gait speed. Gait signatures further reveal individual differences in gait dynamics, even in individuals with similar functional deficits. Moreover, components of gait signatures can be biomechanically interpreted and manipulated to reveal their relationships to observed spatiotemporal joint coordination patterns. Lastly, the gait dynamics model can predict the time evolution of joint coordination based on an initial static posture. Our gait signatures framework thus provides a generalizable, holistic method for characterizing and predicting cyclic, dynamical motor behavior that may generalize across species, pathologies, and gait perturbations. Author Summary In this manuscript, we introduce a novel, machine learning-based framework for quantifying, characterizing, and modifying the underlying neuromechanical dynamics that drive unique gait patterns. Standard methods for evaluating movement typically focus on extracting discrete gait variables ignoring the complex inter-limb and inter-joint spatiotemporal dependencies that occur during gait. Popular physiologically realistic modeling approaches encode these spatiotemporal dependencies but are too complex to characterize individual differences in the factors driving unique gait patterns or disorders. To circumvent these modeling complications, we develop a phenomenological model of gait that enables more holistic and interpretable characterizations of gait, encoding these complex spatiotemporal dependencies between humans’ joint angles arising from joint neural and biomechanical constraints. Our coined ‘gait signature’ framework provides a path towards understanding the neuromechanics of locomotion. This framework has potential utility for clinical researchers prescribing individualized therapies for pathologies or biomechanists interested in animal locomotion or other periodic movements assessed across different pathologies, neural perturbations, and or conditions.

ABSTRACT Mechanisms underlying associations between balance and cognitive impairments in older adults with and without Parkinson’s disease are poorly understood. Balance disturbances evoke a cortical N1 response that is associated with both balance and cognitive abilities in unimpaired populations. We hypothesized that the N1 response reflects neural mechanisms that are shared between balance and cognitive function, and would therefore be associated with both balance and cognitive impairments in Parkinson’s disease. Although N1 responses did not differ at the group level, they showed different associations with balance and cognitive function in the Parkinson’s disease vs. control groups. In the control group, higher N1 amplitudes were correlated with lower cognitive set shifting ability and lower balance confidence. However, in Parkinson’s disease, narrower N1 widths (i.e., shorter durations) were associated with greater parkinsonian motor symptom severity, lower balance ability and confidence, lower mobility, and lower overall cognitive function. Despite different relationships across populations, the present results suggest the N1 response reflects neural processes related to both balance and cognitive function. A better understanding of neural mechanisms linking balance and cognitive function could provide insight into associations between balance and cognitive decline in aging populations.

I. Abstract Cortical beta oscillations (13-30 Hz) reflect sensorimotor cortical activity, but have not been fully investigated in balance recovery behavior. We hypothesized that more challenging balance conditions would lead to greater recruitment of cortical sensorimotor brain regions for balance recovery. We predicted that beta power would be enhanced when balance recovery is more challenging, either due to more difficult perturbations or due to lower intrinsic balance ability. In 19 young adults, we measured beta power evoked over motor cortical areas (Cz electrode) during 3 magnitudes of backward support-surface translational perturbations using electroencephalography. Peak beta power was measured during early (50-150 ms), late (150-250 ms), and overall (0-400 ms) time bins, and wavelet-based analyses quantified the time course of evoked beta power and agonist and antagonist ankle muscle activity. We further assessed the relationship between individual balance ability measured in a challenging beam walking task and perturbation-evoked beta power within each time bin. In balance perturbations, cortical beta power increased ∼50 ms after perturbation onset, demonstrating greater increases with increasing perturbation magnitude. Balance ability was negatively associated with peak beta power in only the late (150-250 ms) time bin, with higher beta power in individuals who performed worse in the beam walking task. Additionally, the time course of cortical beta power followed a similar waveform as the evoked muscle activity, suggesting these evoked responses may be initially evoked by shared underlying mechanisms. These findings support the active role of sensorimotor cortex in balance recovery behavior, with greater recruitment of cortical resources under more challenging balance conditions. Cortical beta power may therefore provide a biomarker for engagement of sensorimotor cortical resources during reactive balance recovery and reflect the individual level of balance challenge.

Abstract The error-related negativity (ERN) is a neural correlate of error monitoring often used to investigate individual differences in developmental, mental health, and adaptive contexts. However, limited experimental control over errors presents several confounds to its measurement. An experimentally controlled disturbance to standing balance evokes the balance N1, which we previously suggested may share underlying mechanisms with the ERN based on a number of shared features and factors. We now measure whether the balance N1 and ERN are correlated across individuals within two small groups (N=21 young adults and N=20 older adults). ERNs were measured in arrow flanker tasks using hand and foot response modalities (ERN-hand and ERN-foot). The balance N1 was evoked by sudden slip-like movements of the floor while standing. The ERNs and the balance N1 showed good and excellent internal consistency, respectively, and were correlated in amplitude in both groups. One principal component strongly loaded on all three evoked potentials, suggesting that the majority of individual differences are shared across the three ERPs. However, there remains a significant component of variance shared between the ERN-hand and ERN-foot beyond what they share with the balance N1. It is unclear whether this component of variance is specific to the arrow flanker task, or something fundamentally related to error processing that is not evoked by a sudden balance disturbance. If the balance N1 were to reflect error processing mechanisms indexed by the ERN, balance paradigms offer several advantages in terms of experimental control over errors.

Abstract Heightened reliance on the cerebral cortex for postural stability with aging is well-known, yet the cortical dynamics of balance control, particularly in relationship to balance function, is unclear. Here we aimed to investigate motor cortical activity in relationship to the level of balance challenge presented during reactive balance recovery, and identify circuit-specific interactions between motor cortex and prefrontal or somatosensory regions to metrics of balance function that predict fall risk. Using electroencephalography, we assessed motor cortical beta power, and beta coherence during balance reactions to perturbations in older adults. We found that individuals with greater somatosensory-motor beta coherence at baseline and lower beta power evoked over motor regions following perturbations demonstrated higher general clinical balance function. At the group-level, beta coherence between prefrontal-motor regions reduced during balance reactions. Older adults with the highest post-perturbation prefrontal-motor coherence showed greater cognitive dual-task interference and elicited stepping reactions at lower perturbation magnitudes. Our results support motor cortical beta activity as a potential biomarker for individual level of balance challenge and implicate prefrontal-and somatosensory-motor cortical networks in different aspects of balance control in older adults. Cortical network activity during balance may provide a neural target for precision-medicine efforts aimed at fall-prevention with aging.

Abstract Understanding individuals’ distinct movement patterns is crucial for health, rehabilitation, and sports. Recently, we developed a machine learning-based framework to show that “gait signatures” describing the neuromechanical dynamics governing able-bodied and post-stroke gait kinematics remain individual-specific across speeds. However, we only evaluated gait signatures within a limited speed range and number of participants, using only sagittal plane (i.e., 2D) joint angles. Here we characterized changes in gait signatures across a wide range of speeds, from very slow (0.3 m/s) to exceptionally fast (above the walk-to-run transition speed) in 17 able-bodied young adults. We further assessed whether 3D kinematic and/or kinetic (ground reaction forces, joint moments, and powers) data would improve the discrimination of gait signatures. Our study showed that gait signatures remained individual-specific across walking speeds: Notably, 3D kinematic signatures achieved exceptional accuracy (99.8%, confidence interval (CI): 99.1-100%) in classifying individuals, surpassing both 2D kinematics and 3D kinetics. Moreover, participants exhibited consistent, predictable linear changes in their gait signatures across the entire speed range. These changes were associated with participants’ preferred walking speeds, balance ability, cadence, and step length. These findings support gait signatures as a tool to characterize individual differences in gait and predict speed-induced changes in gait dynamics.