DOI: https://doi.org/10.1088/1741-2552/ae8bd9
PMID: https://pubmed.ncbi.nlm.nih.gov/42462767
تاريخ النشر: 2026-07-16
المؤلف: Anna Cetera وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم الدراسة منصة جديدة تعتمد على تخطيط الدماغ الكهربائي (EEG) مصممة للتحقيق في الديناميات العصبية المرتبطة بمهام الإمساك المعتمدة على الرؤية، مع التركيز بشكل خاص على التمييز بين أنواع الإمساك (الدقيق، القوي، وعدم الإمساك). من خلال استخدام تقنية نمط الفضاء المشترك لبنك الفلاتر (FBCSP)، نجح الباحثون في عزل مراحل التخطيط والتنفيذ للإمساك، مما سمح بتحليل مفصل للنشاط العصبي المحدد بالتردد. تشير النتائج إلى أن التذبذبات ذات التردد المنخفض (0.5-8 هرتز) ضرورية لترميز المعلومات المتعلقة بالإمساك خلال مرحلة التخطيط وتستمر إلى مرحلة التنفيذ، محققة دقة تصنيف تتراوح بين 75.3-77.8% للتمييز بين الدقيق والقوي، متفوقة بشكل كبير على طرق الجهد القشري المرتبط بالحركة التقليدية (MRCP).
في المقابل، أظهرت نطاقات التردد الأعلى (12-40 هرتز) أداء تصنيف يعتمد على المرحلة، مع دقة 93.3% في تمييز الإمساك مقابل عدم الإمساك ولكن بدقة أقل (61.2%) للتمييز بين الدقيق والقوي. تسلط الدراسة الضوء على أهمية الشبكات الجبهية الجدارية خلال التخطيط والشبكات الحركية خلال التنفيذ، كاشفة أنه بينما تعتبر التذبذبات ذات التردد المنخفض مفتاحية لفك تشفير نية الإمساك، تلعب الترددات الأعلى دورًا في التكامل الحسي الحركي خلال التلاعب بالأشياء. بشكل عام، تضع هذه الأبحاث الأساس لتطوير استراتيجيات التحكم في واجهة الدماغ والآلة (BMI) المدفوعة بالنية من خلال إظهار فعالية التذبذبات ذات التردد المنخفض في تصنيف نوع الإمساك قبل بدء الحركة.
طرق
تضمنت الإعدادات التجريبية منصة دوارة كهربائية تتحكم بها الحاسوب مقسمة إلى ثلاثة أقسام معزولة، كل منها يقدم ظروفًا مختلفة: قلم للإمساك الدقيق، زجاجة ماء للإمساك القوي، وحالة تحكم فارغة. تم وضع المشاركين على بعد 30 سم من المنصة الدوارة، وتم إدارة رؤيتهم للأشياء باستخدام نظارات ذكية مزودة بفيلم بلوري سائل موزع بالبوليمر (PDLC)، والذي انتقل بين حالات معتمة وشفافة لتقليل التحيز التوقعي. كان الهدف من هذا التصميم هو التقاط النشاط العصبي ذي الصلة بتنفيذ المهمة دون معرفة مسبقة بالتجارب القادمة.
شارك المشاركون في إجمالي 225 تجربة تخطيط للإمساك، مع تخصيص 75 تجربة لكل حالة (قلم، زجاجة، وفارغ). اتبعت التجارب نموذجًا يعتمد على الإشارات الصوتية، حيث بدأت كل تجربة مدتها 6 ثوانٍ بانتقال النظارات الذكية إلى الشفافية لمرحلة ملاحظة مدتها 3 ثوانٍ. أشارت صفارة صوتية مدتها 250 مللي ثانية إلى المشاركين لبدء حركاتهم للوصول إلى الإمساك، والتي تم تنفيذها على مدى فترة 2.75 ثانية. في التجارب الفارغة، راقب المشاركون القسم الفارغ دون أداء أي حركة إمساك. قبل جمع البيانات، خضع المشاركون لجلسات تدريبية للتكيف مع توقيت وإجراءات التجربة، وتم تنظيم جمع البيانات في كتل عشوائية من 3-15 تجربة، كل منها تحتوي على 3 تجارب، متداخلة بفترات راحة لتقليل التعب.
نتائج
في قسم “النتائج”، يقدم المؤلفون نتائج تجارب التصنيف الخاصة بهم. يوضحون مقاييس الأداء لنماذج مختلفة تم تطبيقها على مجموعة البيانات، مع تسليط الضوء على الدقة، والوضوح، والاسترجاع، ودرجة F1 كمؤشرات رئيسية لفعالية التصنيف. تشير النتائج إلى أن النموذج المقترح يتفوق على الطرق الأساسية، محققًا تحسينًا كبيرًا في الدقة، وهو ما تدعمه التحليلات الإحصائية بشكل كمي.
بالإضافة إلى ذلك، يقدم المؤلفون تحليلات مقارنة عبر تكوينات ومعلمات فرعية مختلفة، مما يوضح قوة نهجهم. تمثل التصورات المرئية، مثل مصفوفات الالتباس ومنحنيات ROC، نقاط القوة والضعف للنموذج في تمييز الفئات. بشكل عام، تؤكد النتائج فعالية المنهجية المقترحة في تعزيز مهام التصنيف ضمن المجال المدروس.
مناقشة
في هذه الدراسة، بحث المؤلفون في الآليات العصبية الكامنة وراء تخطيط وتنفيذ الإمساك باستخدام بيانات تخطيط الدماغ الكهربائي (EEG) من 12 مشاركًا. تم إجراء تسجيلات EEG باستخدام 16 قناة نشطة، مع استخدام فلتر تمرير نطاق Butterworth من الدرجة الرابعة لعزل نطاقات التردد ذات الصلة (0.5-40 هرتز). تم معالجة البيانات مسبقًا لإزالة الشوائب وتصنيفها إلى ثلاث فئات: قلم، زجاجة، وفارغ. استخدمت عملية تحليل نطاق التردد نهج نمط الفضاء المشترك لبنك الفلاتر (FBCSP)، الذي استخرج الميزات عبر نطاقات دلتا، ثيتا، ألفا، بيتا، وغاما، كاشفًا أن التذبذبات ثيتا (4-8 هرتز) كانت فعالة بشكل خاص خلال مرحلة التخطيط، محققة دقة تصنيف قصوى تبلغ 75.3% لتمييز أنواع الإمساك.
كما سلطت النتائج الضوء على تحول زمني في أهمية نطاقات التردد من مراحل التخطيط إلى التنفيذ. بينما هيمنت تذبذبات ثيتا خلال التخطيط، أصبحت نطاقات التردد الأعلى (بيتا وغاما) أكثر أهمية خلال تنفيذ الحركة، مع وصول دقة التصنيف إلى 93.3% لتمييز أنواع الإمساك. أظهر تحليل CSP الطوبوغرافي انتقال النشاط العصبي التمييزي من المناطق الجدارية القذالية خلال التخطيط إلى مناطق التنفيذ الحركي خلال الحركة، مما يدعم فكرة التنظيم الهرمي في التحكم الحركي البصري. بشكل عام، تؤكد الدراسة على دور التذبذبات ذات التردد المنخفض في التحكم المعرفي خلال تخطيط الإمساك وظهور التذبذبات ذات التردد الأعلى المرتبطة بالتكامل الحسي الحركي خلال التنفيذ.
القيود
أثبتت الدراسة بنجاح إمكانية فك تشفير أنواع تخطيط الإمساك من إشارات EEG؛ ومع ذلك، هناك عدة قيود تستحق الاعتبار. من الجدير بالذكر أن التحليل ركز على نافذة زمنية مدتها 3 ثوانٍ لعزل وتصنيف إشارات تخطيط الإمساك، والتي لم تشمل تتبعًا حركيًا مفصلًا لحركات الوصول إلى الإمساك. يحد هذا الإغفال من فهم التعقيد الكامل المتضمن في التنفيذ متعدد المراحل للمهام الحركية، والذي يتضمن التخطيط البصري والبروبرسيبتي، يليه التكامل الحسي الحركي في الوقت الحقيقي للتحكم في المسار، وتشكيل اليد، وتعديل القوة. تدعم هذه العمليات النشاط العصبي المنسق عبر المناطق الجدارية، وما قبل الحركية، والحركية، مما قد يظهر في نطاقات تردد مختلفة مع مرور الوقت.
يجب أن تهدف الأبحاث المستقبلية إلى توسيع تغطية الأقطاب لتحقيق خريطة أكثر شمولاً لتخطيط الأوامر الحركية، والتنقيح، والتنفيذ مع مرور الوقت. من خلال دمج بيانات عصبية عالية الدقة مع بيانات حركية وسلوكية، يمكن للباحثين الاستفادة من الأساليب متعددة النماذج لتطوير خوارزميات متقدمة، بما في ذلك نماذج التعلم الآلي المستوحاة من الذكاء الاصطناعي، لتحسين فك تشفير وظائف الشبكة الدماغية. قد يؤدي دمج طرق الذكاء الاصطناعي المستوحاة من الأعصاب التي نمذجة معالجة التيار البطني والظهري المعنية في الشبكات المعتمدة على الرؤية للإمساك إلى تعزيز فهم التحولات من النية إلى الفعل بشكل كبير. قد تمهد هذه التطورات الطريق لاستراتيجيات التحكم في واجهة الدماغ والآلة (BMI) المدفوعة بالنية في الوقت الحقيقي والتي تكون أكثر تكيفًا، وبديهية، وذات صلة وظيفية للأفراد الذين يعانون من إصابات في الحبل الشوكي (SCI).
DOI: https://doi.org/10.1088/1741-2552/ae8bd9
PMID: https://pubmed.ncbi.nlm.nih.gov/42462767
Publication Date: 2026-07-16
Author(s): Anna Cetera et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The study presents a novel electroencephalography (EEG)-based platform designed to investigate the neural dynamics associated with vision-based grasping tasks, specifically focusing on the differentiation between grasp types (precision, power, and no-grasp). By employing the Filter-Bank Common Spatial Pattern (FBCSP) technique, the researchers successfully isolated the planning and execution phases of grasping, allowing for a detailed analysis of frequency-specific neural activity. The results indicate that low-frequency oscillations (0.5-8 Hz) are crucial for encoding grasp-related information during the planning phase and are maintained into the execution phase, achieving classification accuracies of 75.3-77.8% for precision versus power discrimination, significantly outperforming traditional Movement-Related Cortical Potential (MRCP) methods.
In contrast, higher frequency bands (12-40 Hz) displayed phase-dependent classification performance, with 93.3% accuracy for distinguishing grasp versus no-grasp but lower accuracy (61.2%) for precision versus power discrimination. The study highlights the importance of frontoparietal networks during planning and motor networks during execution, revealing that while low-frequency oscillations are key for grasp intention decoding, higher frequencies play a role in the sensorimotor integration during object manipulation. Overall, this research lays the groundwork for developing intention-driven Brain-Machine Interface (BMI) control strategies by demonstrating the efficacy of low-frequency oscillations in grasp-type classification prior to movement onset.
Methods
The experimental setup involved a PC-controlled motorized turntable divided into three isolated sections, each presenting different conditions: a pen for precision grasp, a water bottle for power grasp, and an empty control condition. Participants were positioned 30 cm away from the turntable, and their object viewing was managed using smart glasses equipped with Polymer Dispersed Liquid Crystal (PDLC) film, which switched between opaque and transparent states to mitigate anticipatory bias. This design aimed to capture neural activity relevant to task execution without prior knowledge of upcoming trials.
Participants engaged in a total of 225 plan-to-grasp trials, with 75 trials allocated to each condition (pen, bottle, and empty). The trials followed an audio-cue based paradigm, where each 6-second trial commenced with the smart glasses transitioning to transparency for a 3-second observation phase. A 250-ms auditory beep signaled participants to initiate their reach-to-grasp movements, which were executed over a 2.75-second period. In the empty trials, participants observed the empty section without performing any grasping action. Prior to data collection, participants underwent practice sessions to acclimate to the experimental timing and procedures, with data collection organized into randomized blocks of 3-15 runs, each containing 3 trials, interspersed with rest periods to minimize fatigue.
Results
In the “Results” section, the authors present the outcomes of their classification experiments. They detail the performance metrics of various models applied to the dataset, highlighting accuracy, precision, recall, and F1-score as key indicators of classification efficacy. The results indicate that the proposed model outperforms baseline methods, achieving a significant improvement in accuracy, which is quantitatively supported by statistical analysis.
Additionally, the authors provide comparative analyses across different configurations and hyperparameters, demonstrating the robustness of their approach. Visual representations, such as confusion matrices and ROC curves, further illustrate the model’s strengths and weaknesses in distinguishing between classes. Overall, the findings underscore the effectiveness of the proposed methodology in enhancing classification tasks within the studied domain.
Discussion
In this study, the authors investigated the neural mechanisms underlying grasp planning and execution using electroencephalography (EEG) data from 12 participants. EEG recordings were conducted with 16 active channels, employing a 4th-order Butterworth bandpass filter to isolate relevant frequency bands (0.5-40 Hz). The data were preprocessed to remove artifacts and sorted into three classes: pen, bottle, and empty. The frequency band decomposition utilized the Filter Bank Common Spatial Pattern (FBCSP) approach, which extracted features across delta, theta, alpha, beta, and gamma bands, revealing that theta oscillations (4-8 Hz) were particularly effective during the planning phase, achieving a peak classification accuracy of 75.3% for distinguishing between grasp types.
The findings also highlighted a temporal shift in the importance of frequency bands from planning to execution phases. While theta oscillations dominated during planning, higher frequency bands (beta and gamma) became more significant during movement execution, with classification accuracies reaching 93.3% for distinguishing between grasp types. The CSP topographical analysis illustrated a transition of discriminative neural activity from parieto-occipital regions during planning to motor execution areas during movement, supporting the notion of a hierarchical organization in visuomotor control. Overall, the study underscores the role of low-frequency oscillations in cognitive control during grasp planning and the emergence of higher-frequency oscillations associated with sensorimotor integration during execution.
Limitations
The study successfully demonstrated the feasibility of decoding grasp planning types from EEG signals; however, several limitations warrant consideration. Notably, the analysis focused on a 3-second window for isolating and classifying grasp planning signals, which did not encompass detailed kinematic tracking of reach-to-grasp movements. This omission limits the understanding of the full complexity involved in the multi-phase execution of motor tasks, which includes initial visual and proprioceptive planning, followed by real-time sensorimotor integration for trajectory control, hand shaping, and force modulation. These processes are supported by coordinated neural activity across parietal, premotor, and sensorimotor regions, potentially manifesting in varying frequency bands over time.
Future research should aim to expand electrode coverage to achieve a more comprehensive mapping of motor command planning, refinement, and execution over time. By integrating high-resolution simultaneous neural data with kinematic and behavioral data, researchers can leverage multimodal approaches to develop advanced algorithms, including AI-inspired machine learning models, for improved decoding of brain network functions. Incorporating neuroinspired AI methods that model the ventral and dorsal stream processing involved in vision-based grasping networks could significantly enhance the understanding of intention-to-action transformations. Such advancements may pave the way for real-time, intention-driven brain-machine interface (BMI) control strategies that are more adaptive, intuitive, and functionally relevant for individuals with spinal cord injuries (SCI).