DOI: https://doi.org/10.22266/ijies2026.0430.54
تاريخ النشر: 2026-03-23
المؤلف: Nashwa Mosaad وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الدراسة نظامًا منخفض التكلفة يعتمد على تخطيط الدماغ الكهربائي (EEG) مصمم لاكتشاف نوايا فتح وإغلاق اليدين لدى الأفراد الذين يعانون من إصابة في الحبل الشوكي (SCI)، بهدف تعزيز تطبيقات التحكم في إعادة التأهيل. يستخدم الإطار إعدادًا مخصصًا لجمع EEG يتضمن ميزات طيفية وإحصائية وديناميكية مصممة، إلى جانب نماذج تجميعية تعتمد على الأشجار تم تحسينها لحساسية التكلفة. يستخدم النظام ثمانية حساسات EEG موضوعة فوق المناطق الحركية، مع تضخيم الإشارة عبر مكبرات الصوت AD620 وجمع رقمي من خلال محول تناظري إلى رقمي ADS-1115 بدقة 16 بت. أظهرت النتائج التجريبية من متطوعين أصحاء دقة تصنيف عالية بلغت 97.78% ودورة قرار من طرف إلى طرف تبلغ حوالي 520 مللي ثانية على منصة Raspberry Pi 5.
تؤكد النتائج الجدوى التقنية للنظام المقترح، مما يظهر أداءً مستقرًا ودقيقًا في اكتشاف الحركات الطوعية لليد. تسلط الدراسة الضوء على الإمكانية لدمج فك تشفير EEG مع التحفيز الحركي الخارجي، مما يمهد الطريق لأبحاث مستقبلية تركز على التحقق المستقل عن الموضوع والتقييمات السريرية لدى الأفراد الذين يعانون من SCI. بشكل عام، تمثل هذه العمل خطوة أولية هامة نحو تطوير تقنيات إعادة تأهيل فعالة لتعزيز الاستقلالية الوظيفية لدى المرضى الذين يعانون من إصابات في الحبل الشوكي.
مقدمة
تتناول مقدمة هذه الورقة البحثية التأثير الكبير لإصابة الحبل الشوكي (SCI) على الوظيفة الحركية وجودة الحياة، مما يؤثر على أكثر من سبعة وعشرين مليون فرد حول العالم. غالبًا ما تؤدي طرق إعادة التأهيل التقليدية، بما في ذلك العلاج الطبيعي والأجهزة المساعدة، إلى استعادة وظيفية محدودة. تبرز الورقة إمكانيات تقنية واجهة الدماغ-الكمبيوتر (BCI)، وخاصة من خلال تخطيط الدماغ الكهربائي (EEG)، لفك تشفير الإشارات العصبية واستعادة التحكم الطوعي في الحركة. على الرغم من وعد واجهات BCI المعتمدة على EEG، لا تزال التحديات مثل التكاليف العالية، وتعقيد الأجهزة، والصعوبات في فك تشفير نوايا حركة اليد بدقة من إشارات EEG بسبب انخفاض نسبة الإشارة إلى الضوضاء وتباين الأفراد تشكل حواجز كبيرة.
تتوسع المقدمة أكثر في الجوانب الفسيولوجية لإصابة الحبل الشوكي، مشيرة إلى أنه بينما قد تتعطل المسارات الحركية، فإن المناطق القشرية المسؤولة عن التخطيط الحركي غالبًا ما تبقى سليمة، مما يجعلها أهدافًا قابلة للتطبيق لإعادة التأهيل العصبي. تصنف أنماط تذبذب EEG إلى نطاقات تردد مختلفة، كل منها مرتبط بحالات معرفية مختلفة، يمكن استغلالها لاكتشاف تخيلات الحركة والجهود المرتبطة بالحركة. توضح الورقة العواقب الوظيفية المتنوعة لإصابة الحبل الشوكي بناءً على مستوى وشدة الإصابة، مع التأكيد على العلاقة بين مستوى الفقرات المتأثرة ومدى العجز الحركي والذاتي. تم هيكلة الأقسام التالية من الورقة لتقديم بيان المشكلة، والإطار المنهجي، واستراتيجيات معالجة الإشارات، وتصميم النظام، وبروتوكولات التجارب، والنتائج، مما يضع العمل في النهاية كإطار موجه نحو الجدوى لتطبيقات إعادة التأهيل العصبي المساعدة.
طرق
في هذا القسم، يتم تفصيل المنهجية لتقييم نظام تحفيز حركي يعتمد على EEG. تم اختبار النظام تحت ظروف مختبرية خاضعة للرقابة مع التركيز على اكتشاف النشاط القشري المرتبط بالحركة قبل التنفيذ الميكانيكي. تم تعيين عتبة الاحتمال المحسّنة للإبلاغ عن مقاييس الأداء الإحصائي عند 0.4265، بينما تم استخدام عتبة أعلى تبلغ 0.72 فقط لمعايرة الأجهزة. تم إجراء التقييم بطريقة تعتمد على الموضوع، باستخدام بيانات EEG من نفس المشاركين للتدريب والاختبار، والتي تهدف إلى تقييم الجدوى التقنية للنظام واستقراره بدلاً من تعميمه عبر مواضيع مختلفة.
شملت دراسة أولية مشاركين صحيين اثنين، حيث تم استخدام إشارات EEG لمشارك واحد لتحفيز عضلة المشارك الثاني، محاكاة سيناريو مشابه لإصابة الحبل الشوكي. ارتدى المشارك الأول قبعة EEG لتسجيل أنشطة الجهاز العصبي المرتبطة بالحركات الطوعية لليد، بينما كان المشارك الثاني مزودًا بدائرة تحفيز عضلي وأقطاب كهربائية EMG على يده. ضمنت إعدادات التجربة عدم قدرة المشاركين على ملاحظة حركات بعضهم البعض، مما حافظ على السلامة طوال التجربة. أظهرت النتائج قدرة النظام على فك تشفير النوايا الحركية من إشارات EEG وترجمتها إلى تحفيز عضلي قابل للتنفيذ، مما يدل على جدوى واجهة الدماغ-العضلة. التزمت التجارب بالنطاقات المقبولة طبيًا للتحفيز وأكدت الأداء المستقر تحت الظروف الخاضعة للرقابة التي تم اختبارها.
مناقشة
تتناول قسم المناقشة في الورقة البحثية التحديات والتقدم في فك تشفير نوايا حركة اليد الطوعية من إشارات EEG، خاصةً للأفراد الذين يعانون من إصابات في الحبل الشوكي (SCI). تبرز الفقدان الكبير للاستقلالية وجودة الحياة بسبب الانفصال بين نشاط الدماغ والمسارات الحركية. على الرغم من التقدم في أبحاث واجهة الدماغ-الكمبيوتر (BCI)، لا يزال ترجمة إشارات EEG إلى إجراءات مساعدة في الوقت الحقيقي مهمة معقدة، خاصةً في التمييز بين نوايا اليد المفتوحة والمغلقة وسط الضوضاء والتباين الفطري لبيانات EEG. يتم التأكيد على اختيار عتبة قرار مناسبة كعنصر حاسم لتقليل الإيجابيات الكاذبة والسلبية الكاذبة، والتي يمكن أن تؤدي إلى تنفيذ أوامر حركية غير مقصودة أو مفقودة.
يهدف الإطار المقترح للتعلم الآلي إلى فك تشفير هذه النوايا باستخدام إعداد EEG متعدد القنوات، مع تضمين المعالجة المسبقة، واستخراج الميزات، وتدريب النموذج المحسن للتطبيقات في الوقت الحقيقي. يدمج النظام وحدة جمع EEG مخصصة مع نماذج تعلم آلي متقدمة لتصنيف مهام تخيل الحركة بفعالية. تستخدم الدراسة خط أنابيب شامل لاستخراج الميزات، مما ينتج عنه متجه ميزات بُعده 28 يوازن بين التعبير والكفاءة الحاسوبية. لمعالجة عدم التوازن في بيانات التدريب، يتم استخدام تقنيات مثل تقنية زيادة العينات الأقلية الاصطناعية (SMOTE) والتعلم الحساس للتكلفة. يظهر النموذج النهائي، المحسن لمقاييس الأداء مثل الدقة ودرجة F1، الإمكانية للتطبيقات العملية في التكنولوجيا العصبية المساعدة، مما يوفر حلاً منخفض التكلفة وسهل الاستخدام لإعدادات إعادة التأهيل.
القيود
القيود الرئيسية لهذه الدراسة هي اعتمادها على مجموعة بيانات تجريبية تتكون فقط من مشاركين أصحاء، مما يحد من إمكانية تعميم النتائج. بالإضافة إلى ذلك، تم إجراء التقييم بطريقة تعتمد على الموضوع، مما يبرز الحاجة إلى الحذر في تفسير النتائج. وبالتالي، يجب أن تُعتبر النتائج أولية، مما يبرز جدوى النهج بدلاً من استنتاجات نهائية قابلة للتطبيق على مجموعات سكانية أوسع. يجب أن تهدف الأعمال المستقبلية إلى تضمين مجموعات متنوعة من المشاركين، وخاصة أولئك الذين يعانون من حالات صحية متنوعة، لتعزيز قوة وملاءمة النتائج.
DOI: https://doi.org/10.22266/ijies2026.0430.54
Publication Date: 2026-03-23
Author(s): Nashwa Mosaad et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study investigates a low-cost, EEG-based system designed to detect hand opening and closing intentions in individuals with spinal cord injury (SCI), aiming to enhance rehabilitation control applications. The framework utilizes a custom EEG acquisition setup that incorporates engineered spectral, statistical, and dynamic features, alongside tree-based ensemble models optimized for cost sensitivity. The system employs eight EEG sensors positioned over motor areas, with signal amplification via AD620 instrumentation amplifiers and digital acquisition through a 16-bit ADS-1115 analog-to-digital converter. Experimental results from healthy volunteers indicated a high classification accuracy of 97.78% and an end-to-end decision cycle of approximately 520 ms on a Raspberry Pi 5 platform.
The findings underscore the technical feasibility of the proposed system, demonstrating stable and accurate performance in detecting voluntary hand movements. The study highlights the potential for integrating EEG decoding with external motor stimulation, paving the way for future research focused on subject-independent validation and clinical assessments in individuals with SCI. Overall, this work represents a significant preliminary step toward developing effective rehabilitation technologies for enhancing functional independence in patients with spinal cord injuries.
Introduction
The introduction of this research paper addresses the significant impact of spinal cord injury (SCI) on motor function and quality of life, affecting over twenty-seven million individuals worldwide. Traditional rehabilitation methods, including physiotherapy and assistive devices, often yield limited functional recovery. The paper highlights the potential of brain-computer interface (BCI) technology, particularly through electroencephalography (EEG), to decode neural signals and restore voluntary motor control. Despite the promise of EEG-based BCIs, challenges such as high costs, complexity of devices, and difficulties in accurately decoding hand movement intentions from EEG signals due to low signal-to-noise ratios and individual variability remain significant barriers.
The introduction further elaborates on the physiological aspects of SCI, noting that while motor pathways may be disrupted, the cortical regions responsible for motor planning often remain intact, making them viable targets for neurorehabilitation. It categorizes EEG oscillatory patterns into various frequency bands, each associated with different cognitive states, which can be leveraged for detecting motor imagery and movement-related potentials. The paper outlines the varying functional consequences of SCI based on the level and severity of the injury, emphasizing the correlation between the affected vertebral level and the extent of motor and autonomic deficits. The subsequent sections of the paper are structured to present the problem statement, methodological framework, signal processing strategies, system design, experimental protocols, and results, ultimately positioning the work as a feasibility-oriented framework for assistive neurorehabilitation applications.
Methods
In this section, the methodology for evaluating an EEG-based motor stimulation system is detailed. The system was tested under controlled laboratory conditions with a focus on detecting movement-related cortical activity prior to mechanical execution. The optimized probability threshold for reporting statistical performance metrics was set at 0.4265, while a higher threshold of 0.72 was used solely for hardware calibration. The evaluation was conducted in a subject-dependent manner, utilizing EEG data from the same participants for both training and testing, which aimed to assess the system’s technical feasibility and stability rather than its generalization across different subjects.
A preliminary study involved two healthy participants, where one participant’s EEG signals were used to stimulate the muscle of the second participant, simulating a scenario akin to spinal cord injury. The first participant wore an EEG cap to register nervous system activities associated with voluntary hand movements, while the second participant was equipped with a muscle stimulation circuit and EMG electrodes on their hand. The experimental setup ensured that the participants could not observe each other’s movements, maintaining safety throughout the experiment. The results demonstrated the system’s capability to decode motor intentions from EEG signals and translate them into actionable muscle stimulation, indicating the feasibility of brain-to-muscle interfacing. The experiments adhered to medically accepted stimulation ranges and confirmed stable performance under the controlled conditions tested.
Discussion
The discussion section of the research paper addresses the challenges and advancements in decoding voluntary hand movement intentions from EEG signals, particularly for individuals with spinal cord injuries (SCI). It highlights the significant loss of autonomy and quality of life due to the disconnection between brain activity and motor pathways. Despite progress in brain-computer interface (BCI) research, accurately translating EEG signals into real-time assistive actions remains a complex task, especially in distinguishing between open-hand and closed-hand intentions amidst the inherent noise and variability of EEG data. The selection of an appropriate decision threshold is emphasized as critical for minimizing false positives and negatives, which can lead to unintended or missed motor command executions.
The proposed machine-learning framework aims to decode these intentions using a multi-channel EEG setup, incorporating preprocessing, feature extraction, and model training optimized for real-time applications. The system integrates a custom EEG acquisition unit with advanced machine learning models to classify motor imagery tasks effectively. The study employs a comprehensive feature extraction pipeline, yielding a 28-dimensional feature vector that balances expressiveness and computational efficiency. To address class imbalance in the training data, techniques such as Synthetic Minority Oversampling Technique (SMOTE) and cost-sensitive learning are utilized. The final model, optimized for performance metrics like accuracy and F1-score, demonstrates the potential for practical applications in assistive neurotechnology, providing a low-cost and user-friendly solution for rehabilitation settings.
Limitations
The primary limitation of this study is its reliance on an experimental dataset composed solely of healthy participants, which restricts the generalizability of the findings. Additionally, the evaluation was conducted in a subject-dependent manner, further emphasizing the need for caution in interpreting the results. Consequently, the outcomes should be viewed as preliminary, highlighting the feasibility of the approach rather than definitive conclusions applicable to broader populations. Future work should aim to include diverse participant groups, particularly those with varying health conditions, to enhance the robustness and applicability of the findings.