مقالة منهجية

أداء الصور الحركية من خلال التوائم الرقمية المجسدة في بيئة واجهة الدماغ والحاسوب التي تدعم الواقع الافتراضي

DOI:

10.3791/66859

⸱

مايو 10, 2024

 ,  ,  ,  ,  ,  ,  , 
1Department of Sensors and Biomedical Tech, School of Electronics Engineering, Vellore Institute of Technology, 2Department of Orthopaedic Surgery, University of Arizona, 3Jindal Institute of Behavioural Sciences, O. P. Jindal Global University, 4Soft Tissue Biomechanics Laboratory, Med-X Research Institute, School of Biomedical Engineering, Shanghai Jiao Tong University, 5Department of Occupational Science & Technology, University of Wisconsin-Milwaukee, 6Electrical Engineering, Collège Ahuntsic, 7Department of Mechanical Engineering, BioRobotics Lab, University of Wisconsin-Milwaukee

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الصور الحركية في بيئة الواقع الافتراضي لها تطبيقات واسعة في أنظمة واجهة الدماغ والحاسوب. توضح هذه المخطوطة استخدام الصور الرمزية الرقمية المخصصة التي تشبه المشاركين الذين يؤدون حركات يتخيلها المشارك في بيئة الواقع الافتراضي لتعزيز الانغماس والشعور بملكية الجسم.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة إطارا مبتكرا لإعادة التأهيل العصبي من خلال دمج واجهات الدماغ الحاسوبية (BCI) وتقنيات الواقع الافتراضي (VR) مع تخصيص الصور الرمزية ثلاثية الأبعاد (3D). غالبا ما تفشل الأساليب التقليدية لإعادة التأهيل في إشراك المرضى بشكل كامل ، ويرجع ذلك أساسا إلى عدم قدرتهم على توفير تجربة غامرة وتفاعلية للغاية. يسعى هذا البحث إلى سد هذه الفجوة من خلال استخدام تقنيات الصور الحركية (MI) ، حيث يتصور المشاركون الحركات الجسدية دون تنفيذ فعلي. تستفيد هذه الطريقة من الآليات العصبية للدماغ ، وتنشط المناطق المشاركة في تنفيذ الحركة عند تخيل الحركات ، وبالتالي تسهيل عملية التعافي. يشكل دمج القدرات الغامرة للواقع الافتراضي مع دقة تخطيط كهربية الدماغ (EEG) لالتقاط وتفسير نشاط الدماغ المرتبط بالحركات المتخيلة جوهر هذا النظام. يتم استخدام التوائم الرقمية في شكل صور رمزية 3D مخصصة لتعزيز الشعور بالانغماس في البيئة الافتراضية بشكل كبير. هذا الشعور المتزايد بالتجسيد أمر بالغ الأهمية لإعادة التأهيل الفعال ، بهدف تعزيز العلاقة بين المريض ونظيره الافتراضي. من خلال القيام بذلك ، لا يهدف النظام إلى تحسين أداء الصور الحركية فحسب ، بل يسعى أيضا إلى توفير تجربة إعادة تأهيل أكثر جاذبية وفعالية. من خلال تطبيق BCI في الوقت الفعلي ، يسمح النظام بالترجمة المباشرة للحركات المتخيلة إلى إجراءات افتراضية تقوم بها الصورة الرمزية 3D ، مما يوفر ملاحظات فورية للمستخدم. تعد حلقة التغذية الراجعة هذه ضرورية لتعزيز المسارات العصبية المشاركة في التحكم الحركي والتعافي. الهدف النهائي للنظام المطور هو تعزيز فعالية تمارين الصور الحركية بشكل كبير من خلال جعلها أكثر تفاعلية واستجابة للعمليات المعرفية للمستخدم ، وبالتالي تمهيد مسار جديد في مجال إعادة التأهيل العصبي.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشهد نماذج إعادة التأهيل للمرضى الذين يعانون من إعاقات عصبية تحولا تحويليا مع دمج التقنيات المتقدمة مثل واجهات الدماغ الحاسوبية (BCI) والواقع الافتراضي الغامر (VR) ، مما يوفر طريقة أكثر دقة وفعالية لتعزيز التعافي. تتضمن الصور الحركية (MI) ، وهي التقنية الموجودة في قلب إعادة التأهيل القائم على BCI ، البروفة العقلية للحركات الجسدية دون تنفيذ حركي فعلي1. يستغل MI آلية عصبية حيث يؤدي تخيل الحركة إلى نمط من نشاط الدماغ يعكس عن كثب نشاط أداء الفعل البدني نفسه2،3،4. على وجه التحديد ، يؤدي الانخراط في MI إلى ظاهرة تعرف باسم عدم التزامن المرتبط بالحدث (ERD) في نطاقات تردد ألفا (8-13 هرتز) وبيتا (13-25 هرتز) للنشاط الكهربائي للدماغ5،6،7. يشير ERD إلى قمع إيقاعات الدماغ الأساسية ، وهو نمط لوحظ أيضا أثناء الحركة الفعلية ، مما يوفر ركيزة عصبية لاستخدام MI ضمن أطر إعادة التأهيل بمساعدة BCI7. يشير هذا التشابه في التنشيط القشري بين MI والحركة الجسدية إلى أن MI يمكن أن يحفز بشكل فعال الشبكات العصبية المشاركة في التحكم الحركي ، مما يجعله أداة قيمة للمرضى الذين يعانون من عجز حركي8. وعلاوة على ذلك، امتدت ممارسة MI إلى ما هو أبعد من مجرد البروفة الذهنية لتشمل استراتيجيات مراقبة العمل9. يمكن أن تؤدي مراقبة حركة أجزاء الجسم أو الإجراءات المتعلقة بالمهام في الآخرين إلى تنشيط شبكة الخلايا العصبية المرآتية (MNN) ، وهي مجموعة من الخلايا العصبية التي تستجيب لكل من مراقبة العمل والتنفيذ9. ثبت أن تنشيط MNN من خلال الملاحظة يحفز اللدونة القشرية ، كما يتضح من طرق التصوير العصبي المختلفة ، بما في ذلك التصوير بالرنين المغناطيسي الوظيفي10 ، والتصوير المقطعي بالإصدار البوزيتروني11 ، والتحفيز المغناطيسي عبر الجمجمة12. تدعم الأدلة فكرة أن تدريب MI ، المعزز بمراقبة العمل ، يمكن أن يؤدي إلى تكيف عصبي كبير واستعادة لدى الأفراد المصابين.

أحدثت تقنية الواقع الافتراضي ثورة في مجال إعادة التأهيل القائم على MI من خلال توفير بيئة غامرة تعزز الشعور بملكية الجسم وتطمس الفروق بين العالمين الحقيقي والافتراضي13،14،15. إن الجودة الغامرة للواقع الافتراضي تجعله أداة فعالة لمراقبة الحركة وممارسة الصور الحركية ، حيث يسمح للمشاركين بإدراك البيئة الافتراضية على أنهاحقيقية 15. أظهرت الأبحاث أن أجهزة الواقع الافتراضي لها تأثير أكثر وضوحا على تدريب MI مقارنة بشاشات العرض ثنائية الأبعاد التقليدية15,16. تتجلى هذه النتائج من خلال النشاط العصبي المعزز ، مثل زيادة نسب سعة ERD في القشرة الحسية الحركية ، مما يسلط الضوء على فوائد مستويات الانغماس الأعلى في تحفيز نشاط الدماغ أثناء تمارين MI الموجهة بصريا16. يساعد النظام في تحسين أداء MI للمهام التي تنطوي على حركات الذراع أو الأطراف من خلال توفير التغذية الراجعة المباشرة ، وبالتالي تعزيز عملية إعادة التأهيل16,17. يؤكد التآزر بين MI و VR على دمج الأنشطة الحسية والإدراكية والمعرفية والحركية18,19. كان هذا المزيج مفيدا بشكل خاص للناجين من السكتة الدماغية 20,21 وقدامى المحاربين22 ، حيث أظهرت الدراسات أن دمج الواقع الافتراضي في بروتوكولات إعادة التأهيل القائمة على MI يمكن أن يقلل بشكل كبير من وقت إعادة التأهيل ويحسن نتائج التعافي. تكمن الميزة الفريدة للواقع الافتراضي في إعادة التأهيل في قدرته على خلق شعور بالوجود داخل بيئة افتراضية مصممة خصيصا ، مما يعزز تجربة إعادة التأهيل التي يتم تعزيزها بشكل أكبر من خلال تضمين الصور الرمزية الافتراضية التي تمثل جسم المستخدم ، والتي تم استخدامها بشكل متزايد في دراسات إعادة التأهيل الحركي23. تقدم هذه الصور الرمزية تمثيلا واقعيا ثلاثي الأبعاد لحركات الأطراف ، مما يساعد في MI ويؤثر بشكل كبير على تنشيط القشرة الحركية. من خلال السماح للمشاركين بتصور ذواتهم الافتراضية وهم يؤدون مهام محددة ، لا يثري الواقع الافتراضي تجربة MI فحسب ، بل يعزز أيضا عملية إعادة تنظيم واستعادة عصبية أكثر سرعة وفعالية24. يؤكد تنفيذ الصور الرمزية الافتراضية والبيئات المحاكاة في تدريب MI على الاستخدام الطبيعي والمتكامل للأجسام الافتراضية داخل عوالم افتراضية غامرة.

على الرغم من المزايا الرائعة للتحكم القائم على BCI في الصور الرمزية 3D في MI لإعادة التأهيل ، لا يزال هناك قيود كبيرة في الاستخدام السائد للمنهجيات غير المتصلة بالإنترنت. حاليا ، تتضمن معظم تطبيقات BCI التقاط بيانات تخطيط كهربية الدماغ (EEG) المسجلة مسبقا والتي يتم استخدامها لاحقا لمعالجة الصورة الرمزية24,25. حتى في السيناريوهات التي يتم فيها التحكم في الصورة الرمزية في الوقت الفعلي ، غالبا ما تكون هذه الصور الرمزية عامة ولا تشبه المشاركين الذين يمثلونهم23. هذا النهج العام يضيع فرصة حاسمة لتعميق الانغماس والشعور بملكية الجسم ، وهو أمر بالغ الأهمية لإعادة التأهيل الفعال24. يمكن أن يؤدي إنشاء صورة رمزية ثلاثية الأبعاد تعكس التشابه الدقيق للموضوع إلى تعزيز التجربة الغامرة للتجربة16 بشكل كبير. من خلال تصور أنفسهم في العالم الافتراضي ، يمكن للمشاركين تعزيز اتصال أقوى بين حركاتهم المتخيلة والفعلية ، مما قد يؤدي إلى أنماط ERD أكثر وضوحا ، وبالتالي ، تكيف عصبي أكثر فعالية والتعافي16. من خلال التقدم نحو التحكم في الوقت الفعلي في الصور الرمزية 3D الشخصية ، يمكن لمجال BCI و VR تحسين نماذج إعادة التأهيل بشكل كبير ، مما يوفر طريقة أكثر دقة وجاذبية وفعالية لتعافي المريض.

تعرض المخطوطة الحالية الإنشاء والتصميم والجوانب التكنولوجية لكل من الأجهزة والبرامج الخاصة بالتحكم في BCI في الوقت الفعلي القائم على الواقع الافتراضي للصور الرمزية 3D ، مع تسليط الضوء على نتائجها المبتكرة التي تدعم دمجها في إعدادات إعادة التأهيل الحركي. سيستخدم النظام المقترح تخطيط كهربية الدماغ (EEG) لالتقاط إشارات الصور الحركية الناتجة عن الموضوع ، والتي سيتم استخدامها بعد ذلك للتحكم في حركات وأفعال الصورة الرمزية في الوقت الفعلي. سيجمع النهج الحالي بين القدرات المتقدمة لتقنية الواقع الافتراضي ودقة EEG في التعرف على نشاط الدماغ المرتبط بالحركات المتخيلة وتفسيره ، بهدف إنشاء واجهة أكثر جاذبية وفعالية للمستخدمين للتفاعل مع البيئات الرقمية من خلال قوة أفكارهم.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تهدف الدراسة الحالية إلى التحقيق في جدوى التحكم في الصورة الرمزية 3D في الوقت الفعلي داخل بيئة VR باستخدام إشارات MI المسجلة عبر EEG. تركز الدراسة على تعزيز الانغماس والشعور بملكية الجسم من خلال تخصيص الصورة الرمزية لتشبه الموضوع بشكل وثيق. حصل البروتوكول على موافقة من مجلس مراجعة معهد فيلور للتكنولوجيا. قدم المشاركون موافقة خطية مستنيرة بعد مراجعة الغرض من الدراسة وإجراءاتها والمخاطر المحتملة.

1. الإعداد التجريبي

ملاحظة: تأكد من أن النظام يتضمن جميع المكونات كما هو موضح في الرسم التخطيطي للإعداد التجريبي في الشكل 1 (انظر جدول المواد للمعدات المستخدمة).

  1. تطوير الصورة الرمزية 3D
    1. نمذجة الصورة الرمزية
      1. في اليوم السابق لجمع البيانات ، اجمع صورا متعددة للوجه من زوايا مختلفة وقياسات دقيقة للجسم من كل مشارك.
      2. انقر فوق برنامج النمذجة لفتحه. مباشرة بعد الفتح ، ابحث عن شريط التمرير للجنس. اضبط شريط التمرير هذا ليطابق جنس النموذج الذي يهدف إلى إنشاء.
      3. انتقل إلى علامة التبويب النمذجة في الجزء العلوي من الشاشة وانقر فوق علامة التبويب للوصول إلى خيارات تخصيص الجسم.
      4. استخدم أشرطة التمرير تحت أقسام مختلفة ، مثل الجذع والذراعين والساقين وما إلى ذلك ، لنمذجة الجسم. ركز على القياسات الأساسية التالية: الطول والصدر / الصدر والخصر والوركين وطول الساق وطول الذراع.
      5. انقر فوق علامة التبويب Pose / Animate وحدد الهيكل العظمي الافتراضي للرسوم المتحركة الأساسية. انتقل إلى قائمة الملفات في الجزء العلوي ، وحدد تصدير ، ثم اختر. تنسيق MHX2 للتوافق مع برنامج الرسوم المتحركة. تأكد من تحديد خيار التصدير باستخدام Rig لتضمين الهيكل العظمي. اختر مجلد وجهة، وقم بتسمية الملف، وانقر فوق تصدير.
      6. افتح برنامج الرسوم المتحركة. انتقل إلى ملف > استيراد وحدد .mhx2 أو التنسيق المتوقع. انتقل إلى الملف المحفوظ وحدده وقم باستيراده إلى البرنامج.
      7. انتقل إلى قائمة التحرير ، وحدد التفضيلات > الوظائف الإضافية ، وتأكد من تمكين المكون الإضافي المناسب لبناء الوجوه.
      8. في إطار العرض 3D ، قم بالتبديل إلى الإعداد المسبق للتخطيط الذي يوفره المكون الإضافي أو انتقل إلى لوحة المكون الإضافي ، الموجودة عادة على رف الأدوات على الجانب الأيسر.
      9. انقر فوق إنشاء رأس جديد في لوحة البرنامج المساعد لبدء نموذج الرأس. استخدم الزر إضافة صورة لاستيراد صور المشارك. استخدم ملفات التعريف الأمامية والجانبية للنمذجة الدقيقة.
      10. اتبع المطالبات لمحاذاة النقاط على الصور مع النقاط المقابلة على نموذج 3D. سيقوم المكون الإضافي بعد ذلك بضبط نموذج الرأس لمطابقة ميزات المشارك. بمجرد الرضا عن التشابه ، قم بوضع اللمسات الأخيرة على نموذج الرأس.
      11. ضع نموذج الرأس يدويا ليتماشى مع رقبة نموذج الجسم. اضبط مقياس الرأس ودورانه لملاءمة سلسة.
      12. استخدم أداة Snap (Shift + Tab) لمحاذاة رؤوس الرقبة على الرأس بدقة مع تلك الموجودة على الجسم.
      13. بمجرد المحاذاة، قم بربط الرأس والجسم عن طريق تحديد كلا الشبكتين، والضغط على Ctrl+J لضمهما في كائن واحد.
      14. قم باستيراد أو تصميم زوج من البونجو ووضعه أمام النموذج على ارتفاع مناسب.
    2. تحريك الصورة الرمزية
      1. قم بالتبديل إلى وضع الوضع للطراز المزور. في الإطار 1 ، حدد جميع العظام وأدخل إطارا مفتاحيا (استخدم المفتاح I) ل LocRotScale لتسجيل مواضعها الأولية.
      2. حرك المخطط الزمني للأمام إلى الإطار 30 لوضع اليد اليسرى لضرب البونغو.
      3. حرك وتدوير حديد التسليح اليسرى لمحاكاة ضرب البونغو. أدخل إطارا رئيسيا لهذه العظام. كرر هذه العملية لإعادة اليد إلى موضع البداية عند الإطار 60، مع إدخال إطار مفتاحي آخر لإكمال العملية.
      4. حرك المخطط الزمني إلى الإطار 90 ، حيث تبدأ اليد اليمنى عملها. على غرار اليد اليسرى ، اضبط موضع اليد اليمنى وتدويرها لمحاكاة ضرب البونغو الآخر وإدراج إطار رئيسي.
      5. أعد اليد إلى موضع البداية وأدخل إطارا مفتاحيا لإنهاء الحركة عند الإطار 150.
      6. قم بالتمرير عبر المخطط الزمني لمراجعة الرسوم المتحركة. اضبط حسب الحاجة لحركة أكثر سلاسة أو توقيت أفضل بين ضربات البونغو. احفظ الملف.
  2. إعداد المعدات
    1. قم بتجميع نظام الحصول على بيانات EEG المكون من 16 قناة عن طريق إرفاق وحدة Daisy ب 8 قنوات EEG أعلى اللوحة مع 8 قنوات EEG.
    2. قم بتوصيل القطب المرجعي عبر كابل Y-Splitter بالدبوس المرجعي السفلي على لوحة Daisy والدبوس المرجعي السفلي للوحة في الأسفل ، وكلاهما يحمل علامة SRB.
    3. قم بتوصيل القطب الأرضي بدبوس BIAS على اللوحة السفلية.
    4. قم بتوصيل 16 قطبا كهربائيا لمخطط كهربية الدماغ بدبابيس اللوحة السفلية المسماة N1P-N8P والمسامير السفلية التعاقبية المسماة N1P-N8P.
    5. أدخل الأقطاب الكهربائية على الغطاء الخالي من الهلام في المواقع المصنفة الملتصقة بنظام 10-20 الدولي لوضع القطب الكهربائي مع أقطاب كهربائية تحمل علامة FP1 و FP2 و C3 و C4 و CZ و P3 و P4 و PZ و O1 و O2 و F7 و F8 و F3 و F4 و T3 و T4.
    6. انقع 18 إسفنجة مقدمة لأقطاب EEG في محلول ملحي مع 5 جم من كلوريد الصوديوم الممزوج في 200 مل من ماء الصنبور لمدة 15 دقيقة.
    7. أدخل الإسفنج المنقوع على الجانب السفلي من كل قطب كهربائي لإنشاء اتصال بين فروة الرأس والقطب.
    8. اجعل المشاركين يجلسون بشكل مريح في غرفة هادئة. ضع غطاء EEG الخالي من الجل على فروة رأس المشارك ، مع التأكد من محاذاة الغطاء بشكل صحيح ليناسب أذني المشارك.
    9. قم بتوصيل دونجل USB بالكمبيوتر المحمول. افتح واجهة المستخدم الرسومية EEG ، وانقر فوق نظام EEG ، وضمن خيار مصدر البيانات ، حدد تسلسلي (من Dongle) ، و 16 قناة ، و AUTO-CONNECT.
    10. داخل شاشة الحصول على البيانات ، حدد أداة الإشارة للتحقق من جودة إشارة الأقطاب الكهربائية المتصلة عن طريق التحقق من مستوى مقاومة مثالي يبلغ <10 kΩ في كل موقع قطب كهربائي26.
    11. إذا كانت المقاومة أعلى من 10 kΩ ، فقم بإضافة بضع قطرات من المحلول الملحي إلى الإسفنجة الموجودة أسفل القطب. بعد فحص المعاوقة ، أغلق واجهة المستخدم الرسومية.
    12. افتح برنامج خادم الاستحواذ ، وحدد لوحة EEG المناسبة ضمن برنامج التشغيل وانقر فوق Connect > Play لإنشاء اتصال بنظام EEG.
    13. قم بإعداد سماعة الواقع الافتراضي عن طريق تعقيمها بالمناديل ووضعها على رأس المشارك فوق غطاء EEG لتسهيل تفاعل غامر أثناء التقاط بيانات EEG.
  3. إعداد اللعبة
    ملاحظة: توضح الإرشادات التالية إعداد سيناريوهين لمحرك اللعبة باستخدام التحكم في الصوت المفتوح (OSC): أحدهما للتدريب على الصور الحركية (feedforward) والآخر لاختبار الصور الحركية (التغذية الراجعة). يقوم سيناريو التغذية الأمامية بتدريب المستخدمين على الصور الحركية من خلال الرسوم المتحركة المرصودة التي يتم تشغيلها بواسطة رسائل OSC. يختبر سيناريو التغذية الراجعة فعالية الصور الحركية من خلال تحريك الحركات التي يتخيلها المستخدم بناء على مدخلات OSC.
    1. افتح برنامج محرك اللعبة وحدد مشروع تدريب الصور الحركية. تمكين دعم الواقع الافتراضي: انتقل إلى تحرير إعدادات المشروع > > إعدادات > المشغل XR ، وتحقق من دعم الواقع الافتراضي ، وتأكد من إدراج سماعة رأس الواقع الافتراضي ضمن حزم SDK للواقع الافتراضي.
    2. احذف الكاميرا الافتراضية واسحب كاميرا الواقع الافتراضي إلى المشهد من حزمة تكامل الواقع الافتراضي.
    3. ضع ملف الرسوم المتحركة المستورد في المشهد. اضبط المقياس والاتجاه حسب الحاجة. تأكد من تعيين OSCListener GameObject مع البرامج النصية المكتوبة مسبقا لتشغيل الرسوم المتحركة النموذجية للحركات اليسرى واليمنى بناء على رسائل OSC ، ومحاكاة حركة ضرب البونغو للتدريب على الصور الحركية.
    4. افتح إعدادات إنشاء > الملفات في برنامج محرك اللعبة. حدد الكمبيوتر الشخصي و Mac و Linux المستقل ، واستهدف Windows ، ثم انقر فوق إنشاء وتشغيل.
    5. بالنسبة لمشروع اختبار الصور الحركية ، قم بتنفيذ خطوات مماثلة لمشروع التدريب على الصور الحركية. استخدم OSCListener GameObject الذي تم تكوينه بنصوص مصممة لاستقبال إشارات OSC التي تشير إلى حركات اليد المتخيلة للمشارك ، مما يؤدي إلى تشغيل الرسوم المتحركة المقابلة لمشروع الاختبار.

figure-protocol-1
الشكل 1: إعداد VR-BCI. يظهر إعداد VR-BCI بالكامل المشارك الذي يرتدي سماعة رأس الواقع الافتراضي وغطاء EEG. شاهد المشاركون الصورة الرمزية 3D الشخصية في البيئة الافتراضية وسيطروا على عملها باستخدام إشارات الدماغ المرسلة إلى الكمبيوتر لاسلكيا. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

2. التصميم التجريبي

  1. مرحلة التحقق من الإشارة
    1. افتح أداة البرنامج لتصميم سيناريوهات صور المحرك وتشغيلها، وانتقل إلى ملف وقم بتحميل سيناريوهات Motor-Imagery-BCI الستة المسماة التحقق من الإشارة، والاستحواذ، والتدريب على CSP، وتدريب المصنف، والاختبار، ومصفوفة الارتباك.
    2. انتقل إلى سيناريو التحقق من الإشارة. قم بتطبيق مرشح تمرير النطاق بين 1 إلى 40 هرتز بترتيب مرشح 4 على الإشارات الأولية باستخدام الصناديق المصممة لمعالجة الإشارات الأمثل.
  2. مرحلة التدريب
    1. توجيه وتوجيه المشاركين للخضوع لمهام التصوير الحركي ، وتخيل حركات اليد استجابة للإشارات البصرية.
    2. افتح الملف للتدريب على الصور الحركية واعرض الصورة الرمزية 3D المعدة التي تقف فوق مجموعة من bongos من خلال سماعة الرأس VR.
    3. انتقل إلى سيناريو الاستحواذ وانقر نقرا مزدوجا فوق محفز صور Graz Motor لتكوين المربع.
    4. قم بتكوين تجارب 50 ، 5 ثوان (جديلة 1.25 ثانية و MI-3.75 ثانية) لكل من حركات اليد اليسرى واليمنى ، مع دمج فترة خط الأساس 20 ثانية متبوعة بفترات راحة مدتها 10 ثوان بعد كل 10 تجارب لتجنب التعب العقلي.
    5. قم بتكوين التجارب اليسرى واليمنى لتكون عشوائية ولديك إشارة قبل التجربة تشير إلى اليد المراد تخيلها.
    6. قم بتوصيل صندوق OSC بعنوان IP والمنفذ لنقل إشارة اليد التي سيتم تخيلها إلى برنامج محرك لعبة تدريب الصور الحركية.
    7. توجيه المشاركين لتخيل تنفيذ حركة أيديهم جنبا إلى جنب مع الصورة الرمزية 3D باتباع نفس وتيرة الصورة الرمزية لأنها تضرب بونغو باليد المقابلة ، بعد إشارة نصية تعرض اليد التي يجب تخيلها.
  3. تدريب CSP و LDA
    1. بعد الاستحواذ، قم بتشغيل سيناريو تدريب CSP لتحليل بيانات EEG من مرحلة الاستحواذ وحساب الأنماط المكانية الشائعة (CSP)، وإنشاء عوامل تصفية للتمييز بين الصور اليمنى واليسرى.
    2. بعد تدريب CSP ، انتقل إلى سيناريو تدريب المصنف وقم بتشغيله لاستخدام التحليل التمييزي الخطي (LDA) باستخدام مرشحات CSP لتصنيف المهام بكفاءة ، وإعداد النظام للتحكم في الصورة الرمزية في الوقت الفعلي.
  4. مرحلة الاختبار
    1. انتقل إلى سيناريو الاختبار للمشاركين للتحكم في الصور الرمزية 3D الخاصة بهم في الوقت الفعلي باستخدام تقنية واجهة الدماغ والحاسوب (BCI).
    2. قم بتحميل المصنفات التي تم تدريبها خلال السيناريو السابق على بيانات EEG التي تم التقاطها في المربعات المناسبة بينما تخيل المشاركون حركات اليد لتفسير هذه الإجراءات المتخيلة في الوقت الفعلي.
    3. تأكد من تشغيل نظام تخطيط كهربية الدماغ وإعداد الواقع الافتراضي وتكوينهما بشكل صحيح وفقا لإعدادات مرحلة التدريب.
    4. إطلاع المشاركين على إجراء الاختبار ، مع التأكيد على الحاجة إلى تخيل حركات اليد بوضوح (ضرب بونغو باستخدام اليد اليسرى أو اليمنى) كما هو مطلوب من الإشارات النصية.
    5. على غرار مرحلة التدريب ، قم بإجراء 20 تجربة لكل مشارك ، مقسمة بالتساوي بين تخيل حركات اليد اليسرى واليمنى والعشوائية.
    6. قم بتوصيل وتكوين مربع OSC لنقل معلومات جديلة ليتم عرضها كنص يشير إلى اليد التي سيتم تصويرها في برنامج محرك اللعبة.
    7. اتصل بمربع OSC آخر لنقل القيمة المتوقعة للحركات اليسرى واليمنى لبرنامج محرك اللعبة لتشغيل الرسوم المتحركة المقابلة بناء على اليد التي يتخيلها المشارك.
    8. قم بتشغيل سيناريو الاختبار. قم بتشغيل برنامج محرك لعبة اختبار الصور الحركية.

3. جمع البيانات وتحليلها

  1. تسجيل بيانات EEG ومخرجات المصنف باستمرار أثناء مراحل الاستحواذ والاختبار للتجربة ، مع أخذ عينات من البيانات عند 125 هرتز.
  2. انتقل إلى سيناريو مصفوفة الارتباك وقم بتحميل ملف EEG المكتسب في المربع المسمى قارئ دفق عام لكل مشارك ولكل من مرحلتي الاستحواذ والتدريب.
  3. قم بتشغيل السيناريو للحصول على مصفوفة الارتباك لتقييم مدى دقة تفسير نظام BCI لإشارات الصور الحركية.
  4. اجمع التعليقات من المشاركين فيما يتعلق بتجربتهم مع سهولة استخدام الصورة الرمزية وقدرات التحكم ومستوى الانغماس والراحة أثناء ارتداء غطاء EEG وسماعة رأس الواقع الافتراضي.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النتائج المعروضة هي من 5 أفراد اتبعوا البروتوكول الموصوف أعلاه. شارك في الدراسة ما مجموعه 5 بالغين أصحاء (3 إناث) تتراوح أعمارهم بين 21 و 38 عاما.

يظهر أداء التصنيف الفردي لكل مشارك في ظل كل من التدريب على الصور الحركية وظروف الاختبار في الشكل 2. تم حساب متوسط مصفوفة الارتباك لجميع الموضوعات لتقييم دقة المصنف في التمييز بين إشارات MI اليسرى واليمنى خلال كل من جلسات التدريب والاختبار (انظر الشكل 3).

تم إسقاط أوزان CSP المحسوبة للصور الحركية اليسرى واليمنى خلال جلسة التدريب كنمط طبوغرافي لمشارك تمثيلي في الشكل 4A. علاوة على ذلك ، تم إجراء تحليل للتردد الزمني لنفس المشارك على بيانات EEG التي تم جمعها من القطب C4 ، والتي تم وضعها فوق المنطقة الحسية الحركية اليمنى المقابلة لليد اليسرى ، والقطب C3 ، الموجود فوق المنطقة الحسية الحركية اليسرى لليد اليمنى. تظهر مخططات التردد الزمني لتحديد الاضطرابات الطيفية المرتبطة بالحدث (ERSP) ، والتي تكشف كيف تتغير سعة الترددات التي تتراوح من 8 إلى 30 هرتز ديناميكيا بمرور الوقت خلال حقبة ما ، في الشكل 4B تحت جلسة تدريب الصور الحركية. مع التركيز على نطاقي ألفا (8-12 هرتز) وبيتا (13-30 هرتز) ، تم تسوية ERSPs لكل حقبة بتقسيمها على أطياف خط الأساس الخاصة بها ، وتم حساب متوسط ERSP من هذه القيم الطبيعية.

علاوة على ذلك ، كانت ردود الفعل من المشاركين إيجابية إلى حد كبير حول راحة وسهولة استخدام غطاء EEG وسماعة رأس الواقع الافتراضي. كان المشاركون متحمسين بشكل خاص للتحكم في الوقت الفعلي في الصور الرمزية 3D الخاصة بهم. ومع ذلك ، شعر المشاركون أن حركة ضرب البونغو يمكن أن تكون مصحوبة بردود فعل سليمة من أجل انغماس أفضل.

figure-results-1
الشكل 2: نسب الدقة لكل مشارك أثناء جلسات التدريب والاختبار على الصور الحركية. يظهر المعدل الإيجابي الحقيقي (TP) نسبة إشارات الصور الحركية (MI) التي حددها نموذج المصنف بشكل صحيح على أنها إشارات MI. يشير معدل الإيجابية الخاطئة (FP) إلى عدد المرات التي تم فيها تصنيف إشارات MI اليسرى عن طريق الخطأ على أنها إشارات MI اليمنى. يكشف المعدل السلبي الخاطئ (FN) عن نسبة إشارات MI اليسرى الفعلية التي فشل النموذج في اكتشافها. أخيرا ، يشير المعدل السلبي الحقيقي (TN) إلى نسبة إشارات MI الصحيحة التي يتعرف عليها النموذج بدقة على هذا النحو. تشير S1 و S2 و S3 و S4 و S5 إلى المشاركين الخمسة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 3: متوسط مصفوفات الارتباك لأداء التصنيف أثناء جلسات التدريب والاختبار على التصوير الحركي. يعكس متوسط الدقة الإجمالي قدرة النموذج على تصنيف إشارات MI اليمنى واليسرى بشكل صحيح. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 4: مرشح CSP ونمطه ومخططات التردد الزمني لكلتا اليدين أثناء جلسة تدريب الصور الحركية لمشارك تمثيلي. (أ) يعرض الشكل مرشحات CSP ل S1 التي تميز إلى أقصى حد بين الفئتين (اليسار واليمين) بناء على التباين. (ب) مخطط التردد الزمني ل S1. تظهر المناطق الزرقاء إلغاء التزامن المرتبط بالحدث. عند 0 مللي ثانية ، تم عرض إشارة لتخيل اليد اليسرى أو اليمنى لمدة 1250 مللي ثانية. بعد الإشارة ، تخيل المشارك حركة البونغو باليد المقابلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يوفر تطبيق MI جنبا إلى جنب مع تقنية الواقع الافتراضي وسيلة واعدة لإعادة التأهيل من خلال الاستفادة من الآليات الطبيعية للدماغ للتخطيط الحركي والتنفيذ. توفر قدرة MI على تحفيز عدم التزامن المرتبط بالحدث في نطاقات تردد دماغية محددة ، تعكس النشاط العصبي للحركة الجسدية2،3،4 ، إطارا قويا لإشراك وتقوية الشبكات العصبية المشاركة في التحكم الحركي8. يتم تعزيز هذه العملية بشكل أكبر من خلال الجودة الغامرة للواقع الافتراضي ، والتي لا تضخم الشعور بالوجود وملكية الجسم فحسب ، بل تسهل أيضا تصور الحركات ، وبالتالي إثراء تجربة MI16.

يمثل تطوير الصور الرمزية ثلاثية الأبعاد المخصصة التي تشبه إلى حد كبير الموضوعات التي تمثلها ابتكارا ملحوظا في هذا المجال13،14،15. يتماشى النهج من الناحية المفاهيمية مع عمل Skola et al.27 على تدريب MI-BCI التكيفي المشترك باستخدام المهام المحببة في إعداد الواقع الافتراضي. ومع ذلك ، يقدم هذا البروتوكول تمايزا كبيرا من خلال استخدام صورة رمزية 3D كاملة ، تعكس عن كثب مظهر المشارك ، على عكس منظور وجهة النظر الذي يركز على الأيدي التي يستخدمها Skola et al. من خلال توفير تمثيل مرئي لحركات المستخدم المتخيلة في الوقت الفعلي ، تعمق هذه الصور الرمزية الانغماس وتعزز العلاقة بين الحركات المتخيلة والفعلية18. من المتوقع أن يعزز النهج المفصل في هذه المخطوطة أنماط ERD أكثر وضوحا ، مما يؤدي إلى تكيف عصبي واستعادة أكثر فعالية.

ومع ذلك ، فإن الانتقال من منهجيات BCI غير المتصلة بالإنترنت إلى التحكم في الوقت الفعلي في الصور الرمزية يمثل تحديات ، لا سيما في ضمان دقة واستجابة النظام لحركات المستخدم المتخيلة. يضمن النظام الحوسبة في الوقت الفعلي من خلال إعداد يتضمن نظام الحصول على بيانات EEG المتصل بجهاز كمبيوتر محمول ، والذي يتفاعل بعد ذلك مع سماعة رأس Oculus Rift-S VR. يسمح هذا الإعداد بالتكامل السلس لالتقاط بيانات EEG مع الانغماس في الواقع الافتراضي ، والذي يسهله خادم الاستحواذ ومحرك الألعاب للحصول على ردود الفعل المرئية والتفاعل من خلال الصورة الرمزية 3D المطورة خصيصا.

يمكن تقليل زمن الوصول الإجمالي للنظام بكفاءة في سيناريو تكامل BCI-VR من خلال الاستفادة من كمبيوتر محمول للألعاب مزود ببطاقة رسومات متطورة واستخدام رسائل خفيفة الوزن عبر OSC للإشارات وقيم التنبؤ اليدوي. يضمن استخدام كمبيوتر محمول للألعاب معالجة سريعة لبيانات EEG التي تم الحصول عليها من خلال لوحة EEG ، مع الحفاظ على الرقمنة الأولية وزمن انتقال الإرسال أقل من 5 مللي ثانية. من المتوقع أن تساهم معالجة الإشارات وتصنيفها لاحقا في زمن انتقال إضافي يتراوح بين 20 و 40 مللي ثانية تقريبا ، مع مراعاة كل من تصفية الإشارات وتنفيذ خوارزميات مثل CSP لاستخراج الميزات. تم تصميم الاتصال بين مصمم السيناريو ومحرك اللعبة ، الذي يسهله OSC ، والذي ينقل إشارات رقمية بسيطة للحركات اليسرى واليمنى ، للحد الأدنى من الحمل ، ومن المحتمل ألا يضيف أكثر من 5-10 مللي ثانية من زمن الوصول. ستكون معالجة محرك اللعبة لهذه الأوامر ، بفضل الكفاءة الحسابية لبطاقة الرسومات ، سريعة ، مما يساهم في تأخير آخر دون 10 مللي ثانية قبل تقديم التعليقات المرئية في بيئة الواقع الافتراضي التي توفرها سماعة الواقع الافتراضي ، والتي تهدف إلى الحفاظ على زمن الوصول أقل من 20 مللي ثانية. بشكل جماعي ، تتآزر هذه المكونات للحفاظ على زمن الوصول الكلي للنظام ضمن نطاق مرغوب فيه يتراوح بين 45 و 75 مللي ثانية ، مما يضمن استجابة في الوقت الفعلي ضرورية لتجارب الواقع الافتراضي الغامرة وتطبيقات BCI الفعالة.

علاوة على ذلك ، تم إعطاء المشاركين تجارب تدريبية كافية كشكل من أشكال الوحدة التعليمية للتعرف على إعداد الواقع الافتراضي ووتيرة الصورة الرمزية خلال مرحلة التدريب واستخدام أفكارهم للتحكم في الصورة الرمزية 3D في مرحلة الاختبار. يعد التركيز على التحقق من جودة الإشارة ، واستخدام CSP و LDA لتصنيف المهام ، ومرحلة الاختبار التفصيلية أمرا بالغ الأهمية لنجاح التحكم في الصورة الرمزية في الوقت الفعلي.

من المتوقع أن تساهم نتائج هذه الدراسة في هذا المجال من خلال إظهار جدوى وفعالية استخدام التحكم في BCI في الوقت الفعلي للصور الرمزية 3D الشخصية لإعادة التأهيل. من خلال مقارنة دقة اكتشاف النية الحركية بين مرحلة التدريب على الصور الحركية والاختبار في الوقت الفعلي ، ستوفر الدراسة رؤى قيمة حول إمكانات هذه التكنولوجيا لتحسين نتائج إعادة التأهيل. علاوة على ذلك ، فإن ملاحظات المشاركين حول سهولة التحكم ومستوى الانغماس من ذوي الخبرة ستفيد التطورات المستقبلية في تقنيات BCI و VR ، بهدف إنشاء واجهات إعادة تأهيل أكثر جاذبية وفعالية.

تفتح التطورات في تقنيات BCI و VR إمكانيات جديدة لبروتوكولات إعادة التأهيل الأكثر تخصيصا وجاذبية وفعالية. يجب أن تركز الأبحاث المستقبلية على تحسين التكنولوجيا للتحكم في الوقت الفعلي في الصور الرمزية ، واستكشاف استخدام خوارزميات التعلم الآلي الأكثر تطورا لتصنيف الإشارات ، وتوسيع تطبيق هذا النهج على مجموعة أوسع من الحالات العصبية. بالإضافة إلى ذلك ، هناك حاجة إلى دراسات طولية لتقييم التأثير طويل المدى لطريقة إعادة التأهيل هذه على التعافي الوظيفي ونوعية الحياة للأفراد الذين يعانون من إعاقات عصبية.

في حين أن دمج MI مع تقنية الواقع الافتراضي في إعادة التأهيل يظهر وعدا كبيرا ، فإن العديد من القيود تستدعي الاهتمام. هناك نطاق كبير في قدرة الأفراد على توليد إشارات MI واضحة واستجاباتهم العصبية لتدخلات MI و VR. هذا التباين يعني أن فعالية عملية إعادة التأهيل يمكن أن تختلف اختلافا كبيرا بين المرضى ، مما يجعل تخصيص العلاج ليناسب الفروق الفردية تحديا كبيرا. علاوة على ذلك ، فإن تحقيق دقة عالية واستجابة في التحكم في الوقت الفعلي للصور الرمزية يعد مسعى معقدا. يمكن أن تؤدي التأخيرات أو الأخطاء في تفسير إشارات MI إلى مقاطعة التجربة الغامرة ، مما قد يقلل من فعالية عملية إعادة التأهيل. في حين أن تقنية الواقع الافتراضي يمكن أن تعزز الانغماس والمشاركة ، إلا أنها قد تؤدي أيضا إلى عدم الراحة أو دوار الحركة لبعض المستخدمين ، مما يؤثر على قدرتهم على الانخراط في جلسات طويلة ، وبالتالي ، النجاح العام للعلاج.

في الختام ، يمثل دمج BCI و VR ، الذي يتجسد في التحكم في الوقت الفعلي في الصور الرمزية 3D الشخصية باستخدام إشارات MI ، نهجا متطورا لإعادة التأهيل العصبي. لا يؤكد البروتوكول الحالي على الجدوى التقنية لمثل هذا التكامل فحسب ، بل يمهد الطريق أيضا لعصر جديد من إعادة التأهيل حيث تتلاقى التكنولوجيا وعلم الأعصاب لإطلاق الإمكانات الكاملة لقدرة الدماغ البشري على التعافي والتكيف.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي تضارب في المصالح للكشف عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يود المؤلفون أن يشكروا جميع المشاركين على وقتهم ومشاركتهم.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
كمبيوتر محمول من Alienware كمبيوترللألعاب منمزود ببطاقة رسومات GTX1070 سماعة
Oculus Rift-S VRسماعةOpenBCI
Cyton Daisyنظام EEGOpenBCI
غطاء OpenBCI خال من الهلامOpenBCIخال من الجل لوضع أقطاب مخطط كهربية الدماغ على فروة رأس المشارك
محمول متطور Dell رأس رأس Meta VR سماعة رأس OpenBCI غطاء

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Andrade, J., Cecílio, J., Simões, M., Sales, F., Castelo-Branco, M. Separability of motor imagery of the self from interpretation of motor intentions of others at the single trial level: An eeg study. J. NeuroEng. Rehabil. 14 (1), 1-13 (2017).
  2. Lorey, B., et al. Neural simulation of actions: Effector-versus action-specific motor maps within the human premotor and posterior parietal area. Hum. Brain Mapp. 35 (4), 1212-1225 (2014).
  3. Ehrsson, H. H., Geyer, S., Naito, E. Imagery of voluntary movement of fingers, toes, and tongue activates corresponding body-part-specific motor representations. J Neurophysiol. 90 (5), 3304-3316 (2003).
  4. Sauvage, C., Jissendi, P., Seignan, S., Manto, M., Habas, C. Brain areas involved in the control of speed during a motor sequence of the foot: Real movement versus mental imagery. J Neuroradiol. 40 (4), 267-280 (2013).
  5. Pfurtscheller, G., Neuper, C. Motor imagery activates primary sensorimotor area in humans. Neurosci Lett. 239 (2-3), 65-68 (1997).
  6. Jeon, Y., Nam, C. S., Kim, Y. J., Whang, M. C. Event-related (de)synchronization (erd/ers) during motor imagery tasks: Implications for brain-computer interfaces. Int. J. Ind. Ergon. 41 (5), 428-436 (2011).
  7. Mcfarland, D. J., Miner, L. A., Vaughan, T. M., Wolpaw, J. R. Mu and beta rhythm topographies during motor imagery and actual movements. Brain Topogr. 12 (3), 177-186 (2000).
  8. Di Pellegrino, G., Fadiga, L., Fogassi, L., Gallese, V., Rizzolatti, G. Understanding motor events: A neurophysiological study. Exp Brain Res. 91 (1), 176-180 (1992).
  9. Rizzolatti, G. The mirror neuron system and its function in humans. Anat Embryol (Berl). 210 (5-6), 419-421 (2005).
  10. Jackson, P. L., Lafleur, M. F., Malouin, F., Richards, C. L., Doyon, J. Functional cerebral reorganization following motor sequence learning through mental practice with motor imagery. Neuroimage. 20 (2), 1171-1180 (2003).
  11. Cramer, S. C., et al. Harnessing neuroplasticity for clinical applications. Brain. 134, Pt 6 1591-1609 (2011).
  12. Nojima, I., et al. Human motor plasticity induced by mirror visual feedback). J Neurosci. 32 (4), 1293-1300 (2012).
  13. Slater, M. Implicit learning through embodiment in immersive virtual reality. , Springer. (2017).
  14. Tham, J., et al. Understanding virtual reality: Presence, embodiment, and professional practice. IEEE Trans. Prof. Commun. 61 (2), 178-195 (2018).
  15. Choi, J. W., Kim, B. H., Huh, S., Jo, S. Observing actions through immersive virtual reality enhances motor imagery training. IEEE Trans. Neural Syst. Rehabil. Eng. 28 (7), 1614-1622 (2020).
  16. Lakshminarayanan, K., et al. The effect of combining action observation in virtual reality with kinesthetic motor imagery on cortical activity. Front Neurosci. 17, 1201865(2023).
  17. Juliano, J. M., et al. Embodiment is related to better performance on a brain-computer interface in immersive virtual reality: A pilot study. Sensors. 20 (4), 1204(2020).
  18. Lakshminarayanan, K., Shah, R., Yao, Y., Madathil, D. The effects of subthreshold vibratory noise on cortical activity during motor imagery. Motor Control. 27 (3), 559-572 (2023).
  19. Cole, S. W., Yoo, D. J., Knutson, B. Interactivity and reward-related neural activation during a serious videogame. PLoS One. 7 (3), e33909(2012).
  20. Cameirao, M. S., Badia, S. B., Duarte, E., Frisoli, A., Verschure, P. F. The combined impact of virtual reality neurorehabilitation and its interfaces on upper extremity functional recovery in patients with chronic stroke. Stroke. 43 (10), 2720-2728 (2012).
  21. Turolla, A., et al. Virtual reality for the rehabilitation of the upper limb motor function after stroke: A prospective controlled trial. J Neuroeng Rehabil. 10, 85(2013).
  22. Isaacson, B. M., Swanson, T. M., Pasquina, P. F. The use of a computer-assisted rehabilitation environment (caren) for enhancing wounded warrior rehabilitation regimens. J Spinal Cord Med. 36 (4), 296-299 (2013).
  23. Alchalabi, B., Faubert, J., Labbe, D. R. EEG can be used to measure embodiment when controlling a walking self-avatar. IEEE Conf. on Virtual Reality and 3D User Interfaces (VR). , 776-783 (2019).
  24. Luu, T. P., Nakagome, S., He, Y., Contreras-Vidal, J. L. Real-time eeg-based brain-computer interface to a virtual avatar enhances cortical involvement in human treadmill walking. Sci Rep. 7 (1), 8895(2017).
  25. Longo, B. B., Benevides, A. B., Castillo, J., Bastos-Filho, T. Using brain-computer interface to control an avatar in a virtual reality environment. 5th ISSNIP-IEEE Biosignals and Biorobotics Conf. (BRC). , 1-4 (2014).
  26. Hinrichs, H., et al. Comparison between a wireless dry electrode eeg system with a conventional wired wet electrode eeg system for clinical applications. Scientific reports. 10 (1), 5218(2020).
  27. Škola, F., Tinková, S., Liarokapis, F. Progressive training for motor imagery brain-computer interfaces using gamification and virtual reality embodiment. Front Human Neurosci. 13, 329(2019).

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة