在验证了**组的研究结果后，我们测试了静脉和安慰剂刺激在每个不同年龄组中的效果。年轻人的总学习量没有显着差异（t20= 0.90， d=0.53，P=0.37） 或中年 （t20=0.77， d=0.44， P=0.44） 组。然而，在较老的组中，我们发现verum组的总学习量更高（t24=2.76，d=1.53，P=0.01）相对于安慰剂。在随访课程中，我们发现年轻和中年参与者的verum和安慰剂刺激之间的评分没有显着差异。与第5天相比，年轻组在第60天的表现没有变化，但在中年（t148= 3.19， d = 0.59， P = 0.004） 及更早的组 （t182= 2.57， d = 0.43， P = 0.02）。然而，接受静脉刺激的老年组的得分继续明显高于接受安慰剂刺激的组（t21= 2.38， d = 1.49， P = 0.02）。在第60天（即在**个块之后）检索运动记忆后，分数与第5天的分数没有显着差异，没有提供技能损失的证据，但即使在训练后2个月也能维持所获得的技能。

在测试所有培训日时，我们没有发现在线或离线学习的刺激显着影响。当测试快速在线学习作为学习的一个单独组成部分（29）时，我们发现与安慰剂相比，接受verum刺激的老年组的改善率更高（t21= 2.68， d = 1.14， P = 0.01）。我们在图4B的第二行中说明了这种差异（以及其他组中缺乏这种差异），显示了在verum组（外环）中学习的不同组成部分与总学习的比例。这些比例与年轻3522集团的新网站中年人安慰剂组的比例相似。在较老的组中，快速在线学习占总学习的比例3522集团的新网站于安慰剂组。

图4C显示了第二个实验中速度和精度的动态变化。在三个年龄组中，Verum组和安慰剂组之间在速度上没有显着差异。在准确性方面，到训练结束时，接受静脉刺激的年轻组明显低于安慰剂组（t23= 2.16， d = 0.97， P = 0.04）。接受静脉刺激的中年组在**次（t21= 3.39， d = 1.67， P = 0.002） 和第二 （t21= 2.45， d = 1.21， P = 0.02） 天。在较老的组中，除第三天外，verum组在所有日子中始终比安慰剂组更准确（请参阅补充材料以查找比较结果），尽管我们没有发现**个块的准确性有显着差异（F1= 0.038， P = 0.84）。与**个实验一样，接受安慰剂刺激的老年组在一周内逐渐达到其**准确性。相比之下，接受静脉刺激的老年组在**天显示出急剧增加，并迅速达到其平台，其动力学让人想起在**个实验中观察到的年轻组（请参阅图1C，实线）。总而言之，verum atDCS导致年龄较大的参与者在培训结束时得分更高。然而，它似乎对任务的执行速度没有任何影响。我们的结果表明，verum atDCS导致老年人在**天迅速提高准确性，就像年轻人在**个实验中所做的那样。

分块和刺激

在分析的**部分中，我们提出准确性的差异至少部分来自年龄组之间训练期间运动块的整合和部署的差异。我们将用来自未刺激队列的数据训练的相同分类器应用于从接受verum和安慰剂刺激的参与者中提取的分块模式（SVC以前从未见过数据）。图5A显示，在培训的**天，该模型正确地对大多数年轻参与者进行了分类，而将大多数中年参与者分类为年轻人;这与从未刺激的队列中获得的结果相匹配。该模型还正确地分类了接受安慰剂刺激的老年参与者。相比之下，该模型将近一半接受静脉刺激的老年参与者归类为年轻。在培训结束时，大多数参与者执行的分块模式与年轻人的模式更相似，与我们之前的发现相匹配。图5B显示了所有组中分块模式的逐渐演变，年轻人以一致的方式执行模式。中年人开始时的模式与年轻人的模式更相似，在训练周的过程中变得更加相似。老年人从老年样模式漂移到年轻模式，如**个实验所示，这种转变在verum组中发生得更快。

图 5.实验2中运动技能获取过程中分块模式的演变。

（A）对于接受verum（V）或安慰剂（P）刺激的每个组，在训练的**天和最后一天以及最后一次随访会议（即第60天）生成的模式的分块距离。如图 3 所示，红色虚线表示旧类（距离，>0）和年轻（距离，<0）类之间的边界。请注意，所有组都呈现出与**个实验（图3A）相似的距离，除了接受静脉刺激的老年组，其中一半的参与者产生类似于在训练**天在年轻人中看到的分块模式。（B）每个组每天的平均分块距离及其相应的SE。请注意，与安慰剂组相比，在接受静脉刺激的老年组中，年轻样块状模式的早期出现。

为了测试这些分块差异是否转化为老年组任务的不同表现，我们确定了**天被归类为年轻人的verum组中的参与者，并将其分数与组中的其他参与者分开绘制，以及速度和准确性。图6A显示了所有老年参与者的得分，verum组中的年轻样参与者的得分明显高于verum组中的老年参与者（t27= 6.17， d = 3.27， P < 0.0001）。在训练的**天产生类似年轻模式的老年人在**个训练块上明显更快（t12= 2.61， d = 1.41， P = 0.02） 和整体在**个训练日 （尽管这种差异只是一个趋势;吨12= 1.94， d = 1.71， P = 0.07），相比他们的同龄人在 verum 条件下，但不像年轻在训练的**天进行分块。从第二天开始，像年轻人一样的老年人一直比同龄人快得多。与没有速度的老年人相比，**天产生类似年轻分块模式的老年人（即斜率）的改善率明显更高（t80= 2.85， d = 0.29， P = 0.005）。至于准确性，即使在基于生成的分块模式进行细分之后，所有接受静脉刺激的老年人在**个训练日都得到了显着改善，而接受安慰剂刺激的老年人在训练中逐渐改善。在**个训练日（无论是在verum组还是在安慰剂组中）没有像年轻人那样的分块的老年人需要更广泛的练习来产生类似年轻人的分块模式，这是他们在不同的训练时间点根据自己的速度达到的成就[请参阅图6（C和D）]，支持“分块促进快速执行的趋势”的概念， 以及快速执行的需要诱导分块“（43）。

图 6.实验2的主要结果仅适用于年龄较大的组，接受静脉刺激的组根据**个训练日产生的分块模式进行分层。

（A）与在verum组和安慰剂（P）组中产生老年样模式的参与者相比，在**天产生年轻样模式的老年参与者表现出增强的性能。请注意，较老的 verum 组的性能急剧增加，产生了类似年轻分块的模式，这让人想起年轻组参与者的增加。（B）安慰剂组和verum组的老年人从相当的准确性水平开始训练。虽然安慰剂组在训练过程中逐渐提高了准确性，但verum组的年轻和老年成员在**次训练中以与**次实验的年轻人相当的速度大幅提高了准确性。（C）**天产生类似年轻人的块状模式的verum组中的老年人最初比同龄人更快，并且以更陡峭的速度增加速度。（D）该图描述了每个参与者在产生类似年轻人的分块模式之前所经历的练习量（即生成的序列的累积数量）以及他们这样做的那一天。Verum组中的年轻老年人比同龄人需要更少的练习，需要相似数量的练习（约140个序列）来产生类似年轻人的模式。请注意，当与每组的速度[即（C）]一起考虑时，这表明在较低的速度下（即在旧式胫骨和安慰剂组中看到的那些），所需的练习量高于在较高速度下。（A 到 C） 中的误差线描述了每个训练块上平均分数的 SE。

块状、刺激和神经生理学

我们使用已建立的TMS方案来测量第二个实验中所有参与者的皮质内抑制。我们在**次训练之前和之后应用了完善的双脉冲TMS范式[即短间隔皮质内抑制（SICI）]（21，44，45），以量化M1内的神经元间GABA能抑制，其直接参与运动序列的学习和执行。我们在参与者休息时应用了SICI范式。在安慰剂组中，我们发现在**次训练之前或之后或整个训练周之后的抑制没有显着差异。同样，我们没有发现任何年龄组的verum和安慰剂之间存在显着差异，从而证实了以前的报告，即当atDCS与运动训练一起应用时，SICI不会显着变化（46）。

讨论

在这里，我们研究了序列敲击任务的获取中与年龄相关的差异，并将atDCS应用于寻求提高性能的运动训练。我们分离了这项任务固有的运动技能获取的不同组成部分，并在整个训练期间和训练后长达2个月跟踪它们的演变。我们对比了年轻人的运动技能习得的动态，假设他们能够以**方式获得任务，而老年人的运动技能获得动力学，描绘了这项任务的表现普遍较低。我们的结果表明，掌握这种运动任务依赖于运动序列的早期内化，然后是其执行的实践依赖性优化，在行为水平上观察为运动块。

**个实验的结果表明，序列敲击任务的一般表现随着年龄的增长而降低，年龄组之间的分数差异主要来自**个训练日存在的改进动态。我们的研究结果表明，速度随着年龄的增长而降低，年龄组之间的相对差异如预期的那样，自然肌肉退化（47）和皮质区域的萎缩以及健康衰老期间发生的胼胝体（19）。另一方面，准确性最初在三组之间相当，但在年轻人的**个训练日急剧提高并达到平台，而老年人在训练过程中逐渐提高。这些结果表明，年轻人首先通过**限度地减少执行错误并专注于提高速度来提高这项任务的表现，这种行为让人想起Hikosaka及其同事提出的模型（39）。

指示个体快速连续地产生连续运动导致称为运动块（6，7）的时间模式的自发出现。我们对所有参与者产生的分块模式的分析表明，老年人在**个训练日并没有像年轻人那样产生分块模式，而是在更广泛的练习之后才产生。先前关于电机分块的研究假设块是从在时间接近的单个命令的重复顺序执行中产生的（9）。在我们的**个实验中，年轻人的速度更快，所以人们可以推断出，这种更高的速度允许在训练的**天进行更密集的练习，这导致他们更快地产生分块模式。

第二项实验显示，atDCS仅在老年人中具有显着影响，在verum条件下的老年人得分显着高于对照组的同龄人。对**个实验的数据进行的相同分析显示，在训练期间接受verum atDCS的老年人在**个训练日大幅减少了他们的误差，就像**个实验的年轻人一样。此外，他们产生了类似于年轻人在训练早期阶段看到的分块模式，其中许多人在训练的**天就这样做了。乍一看，这些结果表明，并非所有老年人对atDCS的反应都达到相同的程度。然而，老年人在verrum条件下的速度和准确性，根据他们是否在训练的**天产生类似年轻人的分块模式进行分组，表明atDCS通过促进序列在记忆中的编码和存储来作用于所有老年人，从而导致**次训练的准确性大幅提高。另一方面，具有类似年轻人的块状模式的老年人最初更快，这除了在**个训练日实现的优化精度外，还导致运动块的较早合并。

因此，在verrum条件下，老年人按照与年轻人相似的模式改善了他们的表现，首先优化错误，然后改善执行，尽管根据他们的执行速度，以不同的速度提高。如前所述，加速会导致块形成，而块形成允许进一步提高速度，这得到了更快，像年轻人一样的老年人更早地切块并更陡峭地增加速度的支持。

序列敲击任务的运动和认知成分

最近的研究表明，运动块在M1内不代表，而是在运动前皮质和纹状体中心形成（48），其模式在顶叶皮层以及背侧和腹侧运动前皮质中表示（13）。随后的块选择发生在纹状体（48）和双侧壳膜（49）以及背侧运动前和辅助运动区域（50，51），块执行最终发生在M1（14）。Krakauer及其同事（15）认为，M1中缺乏运动块的表示表明这些结构不是选择性的运动，而是独立于运动执行的认知元素，其功能**于存储顺序元素的顺序以进行有效的检索。如果是这样的话，那么记住这些模式出现的顺序就足够了，在本研究的情况下，优化其执行并**限度地减少错误。在现实世界中，这将转化为钢琴家能够通过研究乐谱来掌握一首乐曲，但事实似乎并非如此（52）。

我们的方法捕获了速度、准确性和生成的分块模式方面的行为差异。考虑到所有组中的速度持续增加而不降低精度，观察到的改进是由于速度 - 精度权衡的变化（4，53）。准确性的提高可能反映了序列元素在内存中的存储，这是由于从高不确定性状态（即对序列的无知）过渡到低不确定性状态（即知道序列）引起的。该信息构成了特定于训练序列的空间特征集（51），并且可能通过提高执行本身的动机和信心来提高速度（不牺牲准确性）（54）。这个过程确实独立于运动练习，并将捕获这项任务的认知维度。

我们的方法检测到的分块模式反映了一组不同的特征。由于本方法使用互键间隔（IKI）来识别块，因此它描绘了执行的节奏，这构成了时间特征集。特定的时间模式可以在外部鼓励[例如，参考这个实验范式（55）]，就像分区决定了音乐演奏的节奏一样。所教授的模式可能是次优的，需要在紧密的时间接近中执行相对困难的过渡，但在没有外部时间线索的情况下，更容易的过渡通常被组合在一起（56）。这些模式通过实践进行了优化，其结构受到计算成本和电

机效率之间平衡的约束（41）。

Kornysheva和Diedrichsen（55）发现编码空间和时间特征的神经活动在外侧和双侧内侧运动前皮层中独立代表。这些发现表明，运动块的出现，正如我们的方法捕获的那些，是由于在运动网络中M1上游的高等大脑区域中存储空间和时间特征，这种机制在老年人中似乎被削弱了。我们的结果表明，提高该任务性能的最有效方法是首先存储空间分量（即序列顺序），然后存储和迭代优化时态特征（即分块模式）。这种顺序可能特定于当前任务，因为没有提供外部时间线索;当序列顺序和时间模式都明确可用时，两者可以并行合并。

剖析运动技能的获得

关于运动块是否纯粹是认知元素的讨论正在进行中（15）。在目前讨论的分析中，我们认为年轻人能够**地获得运动技能（在人类神经运动系统固有的约束范围内）。因此，我们认为它们体现了系统对获取序列分路任务的要求。在年轻人中，准确性在训练的早期阶段达到平台，表明序列已存储在记忆中。另一方面，分块模式也会在**个训练日出现，并且在其余的训练中保持相对不变。这种对准确性和分块模式的早期优化可以被解释为分块模式是将序列存储在内存中的直接后果。然而，我们在老年人中观察到的过程表明情况并非如此。在老年人中，在记忆中存储序列的机制似乎被削弱了，因为它们的准确性在训练周的过程中逐渐增加。然而，atDCS似乎在训练的早期恢复了这种机制，类似于重新激活大脑的休眠能力，导致空间特征的早期巩固，并在**次训练中优化准确性，如年轻人所见。分块模式出现在训练的不同阶段，这似乎取决于练习量，间接取决于执行速度。图6A显示老年人更快地分块，这将支持在训练早期增加练习量的概念，从而更早地合并块。这并没有得到其他老年人的支持，因为他们中的大多数人需要类似数量的练习来产生类似年轻人的分块模式，而不管速度的差异如何;请注意，在训练后期出现的模式，但需要类似的练习量意味着执行速度较慢。似乎相对较高的速度（例如，像在年轻和中年人中看到的速度）将素数放在序列的**执行上，导致块状模式的加速形成，而以较低的速度执行序列（例如，verum下的老年老年3522集团的新网站安慰剂下的所有老年人）导致块的合并速度较慢， 需要更广泛的实践。

这些结果支持序列挖掘任务固有的至关重要的认知成分的概念（15）。然而，在行为水平上检测为运动块的模式的结构取决于按键之间机械转换的难易程度（56），并通过实践进行优化（这一过程在较慢的老年人中发生得更为缓慢）。这也许可以解释为什么钢琴家在记住音乐作品很久之后需要大量的练习来完善它。

atDCS对空间坐标存储的影响

我们的研究结果表明，当阳极放置在M1的对侧手旋钮表示上时，atDCS通过促进序列顺序在记忆中的存储来促进老年人运动块的巩固（尽管值得注意的是刺激的空间分辨率是有限的）。鉴于该技术的非焦点性（57），我们不能放弃对其他大脑区域（例如运动前皮层）进行生理相关刺激的可能性，因为序列的空间和时间分量分别在这些区域中单侧和双侧编码（55）。因此，阳极不仅可以在受训练手的M1对侧皮质内中间神经元（59）中诱导长期增强的可塑性（58），还可以在腹侧和背侧运动前区域（即PMv和PMd）中诱导长期增强的可塑性（58），从而促进这些区域中空间坐标的存储。

为了寻找atDCS选择性作用背后的可能原因，似乎是老年人独有的，我们量化了M1中的皮质内（GABA能）抑制，因为以前的研究表明，效率较低的SICI与执行快速交替的双指敲击的灵活性较低有关（20，21).然而，我们没有发现任何年龄组的verum和安慰剂之间存在显着差异，证实了以前的报告，即当atDCS与运动训练一起应用时，SICI不会显着改变（46）。这进一步支持了这样一种观点，即atDCS在行为水平上对老年人的影响并不直接作用于序列本身的执行，而可能作用于运动网络上游的较高大脑区域。

如果我们将块形成的过程设想为在执行运动序列时从高不确定性到低不确定性的过渡，那么我们可以考虑每个信息源都有助于这种状态的变化。在最近的一项研究中，Cross及其同事（60）发现了初级运动皮层是躯体感觉和视觉反馈收敛的枢纽的证据。这些信息可能被整合到较高的大脑区域，例如运动前（61）和顶叶皮层（16），这是减少执行任务时出错的重要过程。感觉运动整合随着年龄的增长而减少（62岁），因此atDCS可以补偿老年人的这一过程。

在运动序列学习中使用 atDCS 的意义

在训练的**天，年轻人优化了他们的准确性，并专注于提高速度，在训练的早期经历速度与准确性权衡的转变。空间坐标的合并允许快速优化时态特征，从而早期合并分块模式。在随后的4天训练中，这些模式没有太大变化，这表明它们达到了优化的策略。因此，这些策略将构成这项任务的灵巧技能的上限。我们的研究结果表明，atDCS影响准确性，但不影响速度，因为我们没有发现任何年龄组与刺激相关的速度存在显着差异。然而，似乎只有不平衡的神经系统才能从刺激中受益。神经反应性随着健康的衰老而降低，这就是为什么atDCS诱导的增强可塑性（58）可能有益于老年人（3）。Greeley及其同事（63）报告了与应用于年轻人M1的atDCS相关的运动块形成的改善。不幸的是，我们无法将我们的结果与他们的结果进行比较，因为他们使用的指标是块的数量，这并没有提供太多关于如何分割序列的信息。此外，他们认为更少的块以反映更大的改进，这是基于最终完全串联块的概念，由于相关的计算成本，可能无法实现（41）。另一方面，他们没有发现速度和准确性的差异，这与我们自己的发现相匹配。

应用于增强运动性能的atDCS具有低局灶性（57），这限制了对刺激如何如何恢复老年人的运动和认知功能的解释，即主要涉及运动网络的哪些大脑区域。此外，在所有受试者中都无法实现电生理学评估（即TMS）这一事实限制了本研究中SICI与学习和atDCS相关的零发现。关于统计分析，我们理解将数据居中定为一定的含义，但是由于我们使用这些比较只是为了为讨论运动技能获取3522集团的新网站显差异背后的机制的实际分析奠定基础，因此我们认为校正和相应的统计测试是合理的。

序列学习是必不可少的，并且始终存在于日常生活的许多活动的执行中。对年轻3522集团的新网站老年人之间技能习得的不同组成部分进行了对比，他们获得新技能的能力存在但减弱，这表明掌握运动序列任务取决于序列元素在记忆中的早期存储（即空间成分的巩固），导致时间模式（即运动块）的实践依赖性出现。这里应用的无创脑刺激可能会支持并加速这一过程，在不能达到**水平的系统中，例如在健康的老年人中。

方法

实验方案（图 7)

图 7.实验方案。

（A）实验1在3组中测试了5天训练的行为结果：年轻，中年和老年健康人。（B）实验2测试了在六个不同组中将atDCS输送到运动皮层的5天训练的行为和电生理结果：年轻，中年和老年健康成年人在双盲平行设计中接受静脉或安慰剂刺激。（C）运动训练包括根据计算机屏幕上显示的明确顺序，尽可能快速准确地按下与左手不可对立的手指相对应的四个按钮，标记为2至5（食指为2，小指为5）。

实验1和2的参与者都进行了七次访问。实验1的参与者从运动训练开始，而实验2的参与者在**天开始进行一组电生理学研究：识别和神经元导航注册FDI热点坐标，识别静息运动阈值（RMT）和1-mV强度，以及24个单TMS和24个双TMS脉冲的电池。在这些测量之后，参与者执行下面描述的运动训练，并伴随atDCS20分钟。我们在**次和第五次训练以及第60天的对照会议之后重复了电生理学调查。对于这些研究中的每一项，我们调整了测试TMS脉冲的强度，以保持单脉冲电机诱发电位（MEP）的1mV幅度。我们将我们的研究注册为临床试验（SNCTP000003872 |BASEC2017-00301）和其他公开信息可以使用以下链接找到：//kofam.ch/de/studienportal/nach-klinischen-versuchen-suchen/147028/studie/50668。

参与者

我们根据我们小组先前两项研究的效应大小进行样本量计算，特别是（3）（标准化均数差，1.33）和（20）（标准化均数差，0.53），并针对两者的平均值（0.93）。共有113名受试者自愿参加我们的研究，被归类为年轻人（18至30岁;n = 41， 27 女性;年龄μ=24.5岁），中年（50~65岁;n = 34， 20 女性;年龄μ = 57.7岁），岁及以上（>65岁;n = 38， 21 女性;年龄μ = 72.3岁）健康参与者。所有参与者都是右撇子，由爱丁堡利手性清单（64）确定。受试者报告既往没有严重疾病史（一般健康问卷）或经颅直流电刺激（tDCS）和TMS的禁忌症[基于这些技术安全性建议的问卷（65）]。我们对所有50岁以上的参与者进行了神经学检查，以确保参与者健康，并进行了迷你精神状态检查（66），以确保所有参与者至少获得30分中的26分。根据《赫尔辛基宣言》，参与者根据瑞士沃州伦理委员会（项目号2017-00301）和德国汉堡伦理委员会（PV 3770）批准的协议指南给予了知情同意。所有参与者都完成了所需的全部培训，但我们从分析中排除了一名中年女性参与者，她们因患有关节炎而无法正确执行序列敲击任务。

运动任务

我们使用了一个完善的手指点击任务（2，3），要求参与者使用一个四按钮框尽可能快，尽可能准确地复制屏幕上显示的九位数数字序列，该框的按钮标记为“2”到“5”（食指为2，小指为5）。屏幕上的数字下方显示一个白点，表示接下来要按下的按钮。按下某个键后，该点将立即移动到下一个数字，而不管是否正确按下该键。在开始**次培训课程之前，我们要求所有参与者执行一个90秒的熟悉模块，以用作一般初始技能水平的参考（有关我们如何使用此序列的详细信息，请参阅补充材料）。训练在此块之后立即开始。参与者每天训练左手20分钟，连续五天。每天的训练由七个90秒的块组成，间隔着90秒的休息时间。每天的六个区块包含相同的序列（即训练序列）。第七个区块由每天训练中途呈现的捕获块组成，其中包含与训练序列不同的序列。每天的训练都有一个具有不同顺序的捕获块。我们使用捕获块来测试观察到的改进是特定于训练序列还是可推广到任何序列。我们在每天训练课的不同阶段展示了捕获块，在第三，第四和第五个块之间交替，以避免干扰学习的一夜之间巩固和对其外观的预期（2）。参与者在训练开始后的第10天和第60天返回进行随访，在此期间他们执行了训练序列的三个部分;我们使用这些访问来测试与干预相关的长期保留。我们在任何时候都没有就参与者的表现提供任何形式的反馈。在每个块之前和之后，我们使用VAS询问参与者的注意力和疲劳状态，该VAS由一条未分级的线组成，范围从注意力情况下的“完全注意”（0）到“完全不集中”（10），以及疲劳情况下的“清醒”（0）到“疲倦”（10）。

M1内变化的电生理学探索

我们使用TMS鉴定左手FDI肌肉的代表，并量化神经元间γ-氨基丁酸A型（GABA）一个）在右M1内受体介导的抑制网络。TMS 随附一个 70 毫米的八字形线圈，该线圈与 Magstim BiStim 相连2/Magstim Bistim机器（Magstim Ltd.，Whitland，UK），我们记录了来自FDI肌肉的肌电图（EMG）信号。我们首先根据经验将皮质靶标确定为头皮上的斑点，在左侧FDI中引起EMG控制下**的MEP。然后，我们将RMT确定为最小单脉冲强度，以在50%的时间内唤起50μV MEPs，并将单脉冲强度确定为唤起1 mV MEPs（测试强度）。SICI使用完善的配对脉冲范式进行量化，使用以80%RMT强度传递的预处理脉冲，然后在3 ms后以测试强度（21，44，45，67，68）传递测试脉冲。我们在**次训练之前和之后，在训练的第五天之后，以及在长期保留测试后的第60天评估了RMT，1mV测试强度和SICI。

训练期间对M1进行电刺激

当应用atDCS时，阳极放置在FDI热点上，阴极使用方形电极（25 cm）放置在左侧眶上区域（3）上2），覆盖在浸泡在盐水溶液（0.9%NaCl）中的海绵中，连接到神经Conn DC-STIMULATOR（德国记录）或DC-STIMULATOR PLUS（瑞士记录）（neuroConn GmbH，Ilmenau，德国）。刺激以双盲，安慰剂控制，平行设计应用，所有参与采集和/或结果分析的实验人员都盲法，直到采集结束。我们研究小组的一名成员没有以任何方式参与研究，为第二个实验的每个小组创建了一个编码列表，指定了以快速方式分配给每个代码的刺激类型（即verum或安慰剂），但确保了每种刺激类型的组的平衡。我们在所有参与者注册时按顺序将代码分配给他们。Verum刺激包括20分钟的刺激，1-mA直流电（斜坡上升/下降时间为8 s）。安慰剂刺激包括在训练开始时提供的40秒刺激（8-s爬坡和5-s斜坡下降时间，如neuroConn所定义），以模拟在当前强度变化期间使用该技术时经常报告的头皮上的刺痛感（69）。

分块策略提取

我们提取了一个单一的分块模式，以表征每个参与者训练的每一天的训练序列的执行。为此，我们应用了Song和Cohen（70）提出的聚类方法，并将每个序列的连续IKI标记为“快速”（即“1”）或“慢”（即“0”），考虑到间隔标记为快速的相邻键属于同一块。请参阅补充材料，详细了解我们赞成使用这种方法的论点。每个序列有九个 IKI，**个 IKI 反映了前一个序列的最后一次按键和当前序列的**次按键之间的间隔。从每个块中删除不正确的序列后，我们将每个序列中的IKI规范化为序列的总持续时间（即，将每个IKI除以其序列持续时间），以解释训练期间速度的逐渐增加。归一化后，我们应用了 K 均值聚类算法 （Sklearn;//scikit-learn.org/）到每个块的序列，通过根据每个序列中的IKI与它们的接近程度来标记它们，从而强制执行存在两个簇的概念（即快速和慢速）。此步骤的结果是每个单独序列的分块模式。为了确定描述每天策略的单一模式，我们定义了一系列可能的标准：

1） **分配。此标准查看参与者生成的最常重复的区块大小，并排除区块大小与这些模式不同的模式。它还假设参与者将所有击键分配给至少一个块。这两个约束导致每天选择一个主导模式。

2） 重聚。此条件对每天的所有分块模式求和，并使用 K 均值聚类重新聚类，输出一整天的单个模式。

3）重新聚集顶部。此标准类似于前面提到的聚类方法，不同之处在于它仅重聚最频繁重复模式的百分比。在本例中，我们将此百分比固定为 15%。

4）“经常是非”。此标准使用在一天上生成的所有分块模式，并生成一个新序列，该序列包含 1，每个 IKI 在该天超过 50% 的序列3522集团的新网站记为 1，否则为零。

5）最高频率。此标准采用每天重复次数最多的模式。

对于一些参与者来说，发现表征他们在给定日期的执行的模式因所使用的标准而异。出于这个原因，我们使用了所有五个标准，并通过对这五种模式执行多数投票来生成单个分块模式。换句话说，我们每天为每个参与者获得五种分块模式。然后，我们对五个分块模式的每个位（即每个IKI标签）进行了多数投票，并获得了当天表征分块的单一模式。有关此过程的更多信息，请参阅补充材料。

分块模式分类器

我们安装了一个SVC（Sklearn;//scikit-learn.org/）到**个实验的年轻和年长参与者在**天生成的分块模式（即，在没有刺激的情况下训练）。我们使用 80% 的分块模式作为训练集，其余 20% 作为测试集。我们没有保留任何这些数据作为验证集，因为我们打算使用在实验2中接受安慰剂刺激的年轻3522集团的新网站老年人产生的模式（即刺激训练）作为验证集。为了对模型进行微调，我们对不同的参数（即正则化参数（C）和模型核）进行了网格搜索交叉验证，并在交叉验证和测试中选择了F得分最高的模型。我们重复此过程 10 次，改变用作训练和测试数据集的样本。在此步骤之后，我们获得了10个模型，其参数针对每次使用的训练集进行了优化。在这10个模型中，我们选择了F得分最高的模型，**参数为C = 0.1，线性核，其中训练F得分为0.88，测试得分为1。我们选择此模型作为最终模型，并用它来对**个实验中第二天生成的分块模式和第二个实验中的所有天进行分类。如前所述，我们用实验2中接受安慰剂的年轻3522集团的新网站老年人组产生的分块模式验证了该模型，分类准确率为88.88%（即F评分为0.8888）。

我们使用最终模型的决策边界，将年轻和旧的类分开，来量化从每个个体到每个类的分块模式的相似性。具体来说，我们获得了从每个九维数据点（对应于九个 IKI）到分隔两个类的九维超平面的距离，并用这个量来评估训练期间分块策略的变化。

统计分析

我们在R（71）中进行了所有统计分析。我们使用Bates及其同事（72）的lme4包将LME模型与我们的数据拟合，并使用emmeans工具箱（73）进行事后测试。对于效应大小，我们使用在emmeans中实现的计算，该计算查看成对差异并将其除以SD，并使用置信区间来解释估计效应和估计SD的不确定性。我们使用限制的**似然法对所有模型进行拟合。我们使用Satterthwaite方法通过分析模型上的方差类型III来测试固定效应的意义，并使用lmerTest包（74）获得P值。我们对显著的固定效应进行了事后测试，并使用Tukey的事后方法（75）对多重比较进行了校正。我们对拟合模型中估计的边际均值（即最小二乘均值）进行了双尾事后检验，并使用肯沃德-罗杰方法估计自由度（76）。除少数例外情况外，本文仅讨论了显著结果（P <0.05 的统计显著性的临界值）。请参阅补充材料，了解应用于两个实验数据的所有统计测试的结果。