DOI: https://doi.org/10.1038/s41598-026-38536-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41667722
تاريخ النشر: 2026-02-11
المؤلف: Sofie De Schrijver وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
يتناول هذا القسم من ورقة البحث إمكانيات القشرة الحركية البطنية (PMv)، وتحديداً المنطقة F5c، كموقع بديل للتحكم في واجهة الدماغ والآلة (BMI)، بالمقارنة مع القشرة الحركية الأولية (M1) والقشرة الحركية الظهرية (PMd) التي تم دراستها تقليدياً. استخدمت الدراسة مصفوفات يوتا المزروعة بشكل مزمن في F5c وPMd وM1 لاثنين من ذكور المكاك لتقييم فعالية التحكم في BMI بناءً على النشاط العصبي من هذه المناطق خلال مهمة التحكم في المؤشر ثنائي الأبعاد ومهمة التحكم في صورة روبوت ثلاثية الأبعاد المحاكية.
تشير النتائج إلى أن فك التشفير من PMv حقق معدلات نجاح قابلة للمقارنة أو تتجاوز تلك من M1 وPMd، خاصة عند الأخذ في الاعتبار عدد القنوات المختارة للحركة المستخدمة من قبل المفكك. ومن الجدير بالذكر أنه خلال كل من مرحلة التدريب (الملاحظة السلبية) ومرحلة فك التشفير عبر الإنترنت، أظهرت الاستجابات العصبية عبر جميع المناطق تشابهاً عالياً، مع ظهور مجموعة صغيرة فقط من الخلايا العصبية التي تظهر تعديل انتقائي في اتجاه الحركة. تقترح هذه النتائج أن المنطقة F5c في القشرة الحركية البطنية قد تكون بديلاً قابلاً للتحكم في BMI الحركي عبر الإنترنت، مما يبرز إمكانياتها في تعزيز تطبيقات BMI.
الطرق
في هذه الدراسة، صمم الباحثون سلسلة من التجارب للتحقيق في التحكم في حركات المؤشر والصورة الرمزية بواسطة القرود باستخدام تقنية واجهة الدماغ والآلة (BMI). في البداية، تم تدريب القرود على مهمة مركز-خارج باستخدام شاشة تعمل باللمس، حيث كان عليهم لمس هدف مركزي يتبعه أحد الأهداف الخارجية الثمانية ضمن إطار زمني محدد للحصول على مكافأة. بمجرد أن أصبحوا بارعين، تم تقديم ثلاث مهام: المهمة المتوازية، حيث يتحرك المؤشر نحو الهدف الخارجي بالتزامن مع يد القرد؛ مهمة المؤشر السلبي، حيث كان القرد يراقب حركة المؤشر بشكل سلبي؛ ومهمة الصورة الرمزية السلبية، التي تضمنت ذراع صورة رمزية ثلاثية الأبعاد تحاكي حركات المؤشر.
تتكون كل مهمة من مرحلة تدريب، حيث كانت الحركات مدفوعة بالكمبيوتر، ومرحلة فك تشفير عبر الإنترنت، حيث كانت الحركات تتحكم بها النشاط العصبي للقرد. استخدم الباحثون منحنيات بيزييه لتوليد مسارات حركة واقعية خلال التدريب، مما يعزز قدرة المفكك على التعميم. تم تعريف النجاح في مرحلة فك التشفير من خلال وصول المؤشر أو الصورة الرمزية إلى الهدف والبقاء ضمن نافذة محددة لفترة زمنية معينة. بالإضافة إلى ذلك، تضمنت مهمة الصورة الرمزية السلبية جهاز توجيه افتراضي تفاعلي (RVGF) للمساعدة في التحكم، حيث تم تطبيق حقل قوة لتحسين الأداء عند الاعتماد فقط على النشاط الدماغي. سمح هذا النهج المتعدد الأوجه بتقييم شامل للتحكم العصبي في الحركات الافتراضية.
النتائج
في هذه الدراسة، فحص الباحثون قدرات المنطقة البطنية الحركية F5c في المكاك في التحكم في واجهة الدماغ والآلة (BMI) وقارنوا أدائها بأداء القشرة الحركية الأولية (M1) والمنطقة الحركية الظهرية (PMd). قاموا بإجراء ثلاث مهام متميزة: مهمة مركز-خارج حيث كان القرد يتحكم في حركات المؤشر باستخدام مفكك BMI تم تدريبه على بيانات عصبية من إحدى المناطق الثلاث (المهمة المتوازية)، ومهمة المؤشر السلبي حيث ظلت اليد ثابتة بينما تم تحريك المؤشر، ومهمة الصورة الرمزية السلبية حيث كان القرد يتحكم في صورة رمزية روبوتية في بيئة افتراضية، إما بالاعتماد فقط على النشاط الدماغي أو بمساعدة خوارزمية (مهمة الصورة الرمزية السلبية المدعومة).
تم فك تشفير سرعات المؤشر والصورة الرمزية عبر الإنترنت في فترات زمنية تبلغ 50 مللي ثانية، حيث كان كل جلسة تسجيل تركز على منطقة دماغية واحدة لتقييم الفروق بين المناطق. أكمل القرد V. 42 و33 و39 و26 جلسة لمهام المتوازية، والمؤشر السلبي، والصورة الرمزية السلبية، والصورة الرمزية السلبية المدعومة، على التوالي، بمتوسط 12 جلسة لكل منطقة. بالمقابل، أكمل القرد L. 48 و39 و21 و21 جلسة لنفس المهام، بمتوسط 11 جلسة لكل منطقة. توفر هذه النتائج رؤى حول المساهمات المختلفة لـ F5c وM1 وPMd في التحكم الحركي من خلال تطبيقات BMI.
المناقشة
في هذا القسم، يصف المؤلفون خط أنابيب فك تشفير عصبي متطور يستخدم امتداد غير خطي لخوارزمية تحديد الفضاء التفضيلي (PSID) لترجمة النشاط العصبي إلى توقعات سرعات المؤشر أو الصورة الرمزية في الوقت الحقيقي. تبدأ العملية باختيار قنوات مختارة للحركة بناءً على ارتباطها بسرعات المؤشر، تليها تطبيق خوارزمية PSID لتحديد الديناميات العصبية الكامنة ذات الصلة بالسلوك. يعزز المؤلفون أداء النموذج من خلال دمج دالة قاعدة شعاعية (RBF) لالتقاط العلاقات غير الخطية في البيانات، مما يمكّن من توقعات أكثر دقة للحركات المقصودة. يتم تدريب خط أنابيب فك التشفير في وضع عدم الاتصال باستخدام التعلم الموجه، مع التركيز على تحسين المعلمات الفائقة لأداء متسق عبر الجلسات.
كما يوضح المؤلفون إجراء إعادة تدريب عبر الإنترنت يتكيف مع التغيرات في الإشارات العصبية أثناء التحكم النشط، مما يضمن استمرار الدقة. يستخدم هذا إعادة التدريب مجموعة تدريب حركية “مبنية على النية”، مما يسمح للمفكك بالتوافق بشكل أقرب مع الحركات المقصودة للقرد. تكشف التحليلات الإحصائية أنه بينما يختلف أداء المفكك عبر مناطق الدماغ المختلفة (PMv وM1 وPMd)، يتم ملاحظة تحسينات كبيرة مع مرور الوقت، خاصة في منطقة PMv، التي تظهر إمكانيات التحكم الفعال عبر الإنترنت بناءً على النشاط العصبي. تبرز الدراسة أهمية الانتقائية العصبية وثبات جودة الإشارة في التأثير على أداء فك التشفير، مع اقتراح النتائج أن خلايا PMv العصبية يمكن أن تتكيف مع انتقائيتها أثناء التحكم النشط، مما يشير إلى دورها في النية الحركية والتنفيذ.
DOI: https://doi.org/10.1038/s41598-026-38536-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41667722
Publication Date: 2026-02-11
Author(s): Sofie De Schrijver et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This section of the research paper discusses the potential of the ventral premotor cortex (PMv), specifically area F5c, as an alternative site for brain-machine interface (BMI) control, in contrast to the traditionally studied primary motor (M1) and dorsal premotor cortex (PMd). The study utilized chronically implanted Utah arrays in F5c, PMd, and M1 of two male macaques to evaluate the efficacy of BMI control based on neural activity from these regions during a 2D cursor control task and a simulated 3D robot avatar control task.
The findings indicate that decoding from the PMv achieved success rates comparable to or exceeding those from M1 and PMd, particularly when accounting for the number of motion-selective channels utilized by the decoder. Notably, during both the training phase (passive observation) and the online decoding phase, neural responses across all areas exhibited high similarity, with only a small subset of neurons showing selective modulation for motion direction. These results suggest that area F5c in the ventral premotor cortex may serve as a viable alternative for online motor BMI control, highlighting its potential in enhancing BMI applications.
Methods
In this study, the researchers designed a series of experiments to investigate the control of cursor and avatar movements by monkeys using brain-machine interface (BMI) technology. Initially, monkeys were trained on a center-out task using a touchscreen, where they had to touch a center target followed by one of eight outer targets within a specified time frame to receive a reward. Once proficient, three tasks were introduced: the Parallel task, where a cursor moved towards the outer target simultaneously with the monkey’s hand; the Passive cursor task, where the monkey passively observed the cursor’s movement; and the Passive avatar task, which involved a 3D-rendered avatar arm mimicking the cursor’s movements.
Each task consisted of a training phase, where movements were computer-driven, and an online decoding phase, where movements were controlled by the monkey’s neural activity. The researchers employed Bézier curves to generate realistic movement trajectories during training, enhancing the decoder’s ability to generalize. Success in the decoding phase was defined by the cursor or avatar reaching the target and remaining within a designated window for a specified duration. Additionally, the Passive avatar task included a Reactive Virtual Guidance Fixture (RVGF) to assist in control, applying a force field to improve performance when relying solely on brain activity. This multifaceted approach allowed for a comprehensive assessment of neural control over virtual movements.
Results
In this study, the researchers examined the capabilities of the macaque ventral premotor area F5c in controlling a brain-machine interface (BMI) and compared its performance to that of the primary motor cortex (M1) and the dorsal premotor area (PMd). They conducted three distinct tasks: a center-out task where the monkey controlled cursor movements using a BMI decoder trained on neural data from one of the three areas (Parallel task), a Passive cursor task where the hand remained still while the cursor was moved, and a Passive avatar task where the monkey controlled a robotic avatar in a virtual environment, either relying solely on brain activity or assisted by an algorithm (Assisted Passive avatar task).
The decoding of cursor and avatar velocities was performed online in 50 ms intervals, with each recording session focusing on a single brain area to assess interareal differences. Monkey V. completed 42, 33, 39, and 26 sessions for the Parallel, Passive cursor, Passive avatar, and Assisted Passive avatar tasks, respectively, averaging 12 sessions per area. In contrast, Monkey L. completed 48, 39, 21, and 21 sessions for the same tasks, averaging 11 sessions per area. These results provide insights into the differential contributions of the F5c, M1, and PMd in motor control through BMI applications.
Discussion
In this section, the authors describe a sophisticated neural decoding pipeline that utilizes a non-linear extension of the Preferential Subspace Identification (PSID) algorithm to translate neural activity into real-time cursor or avatar velocity predictions. The process begins with the selection of motion-selective channels based on their correlation with cursor velocities, followed by the application of the PSID algorithm to identify latent neural dynamics relevant to behavior. The authors enhance the model’s performance by incorporating a Radial Basis Function (RBF) kernel to capture non-linear relationships in the data, enabling more accurate predictions of intended movements. The decoding pipeline is trained offline using supervised learning, with a focus on optimizing hyperparameters for consistent performance across sessions.
The authors also detail an online retraining procedure that adapts the decoder to changes in neural signals during active control, ensuring continued accuracy. This retraining employs an “intention-based” kinematic training set, allowing the decoder to align more closely with the monkey’s intended movements. Statistical analyses reveal that while the performance of the decoder varies across different brain areas (PMv, M1, and PMd), significant improvements are observed over time, particularly in the PMv area, which demonstrates the potential for effective online control based on neural activity. The study highlights the importance of neural selectivity and the stability of signal quality in influencing decoding performance, with findings suggesting that PMv neurons can adapt their selectivity during active control, indicating their role in motor intention and execution.