EEG

Introduction This simulation-based computational study develops a non-linear state-space framework for stress-related negative cognitive bias and multivariate EEG/ERP observations. Methods A three-state model represents negative bias, cognitive control, and arousal, while symptom load and normalized model stress input reshape a quartic bias potential. N2, P3, late positive potential, frontal theta, frontal alpha asymmetry (FAA), and frontoparietal phase locking provide complementary observation channels. Additional checks distinguish the non-linear benchmark from additive and interaction-only competing generators, examine equilibria of the full coupled system, and perturb the observation model. Results We establish bounded stochastic dynamics, a conditional scalar multistability boundary, stable-branch stress sensitivity, and a sufficient local state-observability condition. A seeded benchmark with 180 simulated participants yields model-implied stress-by-symptom slopes of 66.83 ms for response time, 1.12 μV for LPP, 0.775 dB for frontal theta, 0.133 for FAA, and 0.0769 for frontoparietal PLV. Under a non-linear generating process, mean held-out RMSE was 0.060 for the pre-specified quartic candidate vs. 0.436 for the interaction-only candidate. State-reconstruction RMSE increased from 0.152 under the nominal loading matrix to 0.232 under 15% loading perturbations. Discussion These results demonstrate implementation consistency and characterize model sensitivity; they are not clinical effect estimates or evidence of empirical parameter identifiability.

Introduction The Tibetan Buddhist tradition distinguishes between two broad categories of meditation: Sutra and Tantra, which differ in the methods and mental faculties they employ. The main neurophysiological studies of Tibetan Buddhist meditation have been conducted mostly on Sutra practices; while Tantric meditation remains less studied. Methods This publication presents a dual comparative study, using both between-groups and within-subjects design, of the neurophysiological (EEG) correlates characterizing Sutra and Tantra meditative practices, examining both the meditative states and the meditative traits. The study was carried out within the natural environment of Tibetan Buddhist monasteries in India, maintaining the socio-cultural context. Two groups of long-term practitioners (Buddhist monks of Gelug lineage), one experienced in the Tantra tradition (T-group, n = 21) and the other in the Sutra tradition (S-group, n = 20) participated in the study. Results A between-group cluster permutation test revealed that the groups differed in EEG alpha power during meditation, as well as in baseline resting conditions before and after meditation. Specifically, T-group demonstrated consistently lower alpha power compared to the S-group, regardless of the conditions. Thus, the observed differences are stable characteristics of the groups. The within-subjects analysis demonstrated that the conditions (meditation, and baseline resting states before and after meditation) differed only in the T-group: during meditation, an increase in individual alpha peak frequency (iAPF) was observed in the occipital leads, followed by a decrease in iAPF after meditation. Discussion We suggest that reported between-group differences represent enduring meditative traits developed through years of training in meditative techniques in the Sutra and Tantra traditions. Nevertheless, we cannot entirely exclude the possibility that these variations may also stem from certain cohort-specific characteristics unrelated to meditation. An examination of individual power spectra revealed that the absence of significant differences in EEG spectral power between conditions can be primarily attributed to the inter-individual variability in both groups. This variability, in turn, may stem from extensive expertise of highly experienced practitioners, who over years of training, develop individualized cognitive strategies for maintaining the meditative state. Our future research will focus on a more detailed quantitative analysis of inter-individual variability during meditations and on identifying additional between-group differences among practitioners in different traditions.

Sleep and circadian disturbances in Alzheimer’s disease (AD) affect patients and caregivers, but clinical action depends on the syndrome, measurement, and outcome under consideration. This narrative review links sleep assessment to indication-based care while distinguishing symptomatic benefit, physiological target engagement, and disease modification. A purposive literature search was supplemented by targeted checks of PubMed-indexed and original publisher records through 4 October 2026. Selected studies are described by population, AD ascertainment, comparator, and measured endpoint rather than assigned formal evidence-certainty grades. Actigraphy characterizes behavioral rest–activity patterns; melatonin timing and temperature rhythms address endogenous circadian physiology under controlled conditions. Polysomnography and quantitative electroencephalography characterize respiratory events, sleep architecture, and oscillatory activity. These measurements inform different questions and do not independently assign AD etiology or cognitive-functional stage. Clinical priorities include confirmed obstructive sleep apnea, cognition-adapted insomnia care, irregular sleep timing, medication-related effects, parasomnias, limb symptoms, and excessive daytime sleepiness. Interpretation incorporates hypoxemia, treatment exposure, comorbidity, caregiver support, and competing diagnoses. Randomized sleep benefits remain distinct from observational cognitive associations or exploratory imaging and cerebrospinal fluid changes. Human and animal studies of arousal circuits, protein dynamics, inflammation, and fluid transport provide mechanistic context, with conflicting results interpreted according to the actual experimental endpoint. The review provides a clinically organized account of selected evidence, not a comprehensive treatment ranking. Sleep care and cognitive-etiologic assessment should proceed in parallel, with follow-up matched to patient function, safety, and the specific treatment goal.

Introduction Food craving is a ubiquitous experience, often shaped by cultural familiarity. Although craving may be considered a culture-bound construct, its neural and behavioral underpinnings across food cultures remain limited. Here, we examined the effects of multisensory food exposure on craving in an Indian population, comparing Indian and Western foods across sweet and savory categories. Methods In Experiment 1 (Indian Food Craving; IFC), participants viewed Indian sweet and savory food images before and after multisensory exposure, reporting desire and willingness-to-pay (bid) ratings along with Food Craving Questionnaire-State (FCQ-S) scores. EEG was recorded using a 64-channel system. In Experiment 2 (Western Food Craving; WFC), participants completed a similar paradigm using Western food items. Results Multisensory exposure significantly increased FCQ-S scores in both experiments, indicating successful craving induction. Behaviorally, desire and bid ratings increased for both sweet and savory Indian foods, whereas for Western foods, increases were observed only for sweet items. ERP analyses revealed increased P200 and N200 amplitudes following exposure to Indian sweet foods, while LPP amplitudes increased for savory foods across both Indian and Western food categories. Complementary MVPA revealed enhanced pre- vs. post-exposure classification for sweet foods during the early (0–300 ms) window for both Indian and Western foods, whereas both sweet and savory foods showed significant classification during the later(300–600 ms) window. Discussion Together, these findings suggest that multisensory exposure modulates food-cue processing in a stimulus- and time-dependent manner, with possible contributions from attentional processes. Overall, the findings highlight the influence of food type and cultural context on craving-related neural and behavioral responses.

Background: Individuals with complex trauma may continue to experience emotional distress, rumination, and maladaptive response patterns despite pharmacological treatment. Integrative interventions addressing affective responses, maladaptive patterns, and adaptive functioning warrant further clinical investigation. Case presentation: This report describes a 23-year-old woman diagnosed with complex trauma who her psychiatrist referred because she was not responding adequately to prescribed antidepressant and anti-anxiety medication. She received an eight-session intervention delivered in three phases: one session of Wiring Affect with ReAttach (W.A.R.A.®) on Day 1; one session of Brain-Switch 2.0® on Day 2 to address maladaptive brain patterns; and six subsequent ReAttach® sessions, emphasizing Cognitive Bias Modification (CBM) 3, followed by CBM 1 and CBM 2. Clinical observations: Following the Day 1 W.A.R.A.® session, the client reported a quieter mind, reduced rumination, greater calmness, and sleeping that night without sleeping medication. Brain-Switch 2.0® was administered on Day 2, which further enhanced her self-agency. Subsequent ReAttach® sessions integrated her sense of identity and improved boundary setting with her parents. At one-month post-therapy follow-up, the client reported improved management of rumination, greater emotional regulation, anxiety within normal ranges, preserved cognitive functioning despite ongoing family difficulties, and greater satisfaction with herself. Pre–post quantitative electroencephalography (qEEG) data showed changes in several recorded measures. The qEEG data indicated the absence of previous mental sluggishness, a clinically significant improvement in the trauma-related marker and emotional regulation within the normative range, and the absence of a depression-related marker.

Students with low academic achievement tend to display more maladaptive behaviours in interactions with peers and teachers. Empathy plays a key mediating role in these interactions and is also linked to academic performance. In particular, facial emotion recognition is one component of socioemotional processing that may contribute to empathic responding. To explore the relationship between empathy, emotion recognition, and academic achievement, a comparative study was conducted with 40 students aged 14–17, divided into two groups: one with low academic achievement enrolled in a school support programme, and a control group with adequate academic performance. A multimethod approach was applied, including the Basic Empathy Scale, a facial expression recognition test, and electroencephalographic (EEG) recordings. Results showed significantly lower cognitive empathy in the low-achieving group in the primary between-group analysis. The overall between-group difference in facial emotion recognition accuracy was not statistically significant. EEG analyses identified exploratory between-group differences in source-level oscillatory activity estimates during facial-expression processing. These electrophysiological findings provide complementary information about task-related activity patterns but should not be interpreted as specific neural markers of empathy or as confirmation of a behavioural facial emotion recognition deficit. Overall, the multimethod approach offers complementary perspectives on socioemotional functioning in low-achieving adolescents, although the exploratory EEG findings require cautious interpretation and replication in larger, independent samples.

Esports research increasingly recognizes that multiplayer online battle arena (MOBA) games contain differentiated team roles, yet it remains unclear whether these role differences correspond to cognitive and learning-related profiles beyond immediate gameplay. This exploratory secondary analysis examined whether naturally emerging predominant roles were associated with post-intervention transfer-related outcomes among novice League of Legends players. Here, transfer-related refers to outcomes assessed beyond immediate gameplay and does not imply causal demonstration of transfer. Data came from the experimental arm of an eight-week quasi-experimental intervention requiring at least 18 hours of gameplay. Of 42 experimental participants, one predominantly played jungle and was excluded because this created a single-participant category. The final sample comprised 41 undergraduates classified as top lane (n = 5), mid lane (n = 15), marksman/ADC (n = 12), or support (n = 9). Outcomes included EEG-based attention-related engagement, working-memory-related theta activity, and theta/alpha-based cognitive load recorded during a standardized dual n-back task, together with 21st-century learner skills and content-specific learning performance. After z-standardization, Euclidean distances were analyzed using PERMANOVA with 9,999 permutations, principal coordinates analysis, and a multivariate dispersion diagnostic. The omnibus PERMANOVA did not detect statistically significant role-based differentiation, pseudo-F(3, 37) = 0.941, p = .526, R² = .071. PCoA showed substantial overlap, no statistically detectable dispersion differences were found, and the baseline sensitivity analysis was non-significant. These findings suggest that functional role differentiation within MOBA gameplay should not be assumed to produce corresponding differentiation in transfer-related outcomes among novice players with relatively short role exposure.

پژوهش‌های ورزش‌های الکترونیکی به طور فزاینده‌ای اذعان دارند که بازی‌های چندنفره آنلاین میدان نبرد (MOBA) دارای نقش‌های تیمی متمایزی هستند، اما هنوز مشخص نیست که آیا این تفاوت‌های نقش با ویژگی‌های شناختی و مرتبط با یادگیری فراتر از بازی بلافاصله مرتبط هستند یا خیر. این تحلیل ثانویه اکتشافی بررسی کرد که آیا نقش‌های غالب به طور طبیعی پدیدآمده با پیامدهای انتقالی پس از مداخله در میان بازیکنان مبتدی League of Legends ارتباط دارند یا خیر. در اینجا، انتقالی به پیامدهایی اشاره دارد که فراتر از بازی بلافاصله ارزیابی شده‌اند و دلالت بر اثبات علی انتقال ندارد. داده‌ها از بازوی تجربی یک مداخله شبه‌آزمایشی هشت‌هفته‌ای که حداقل ۱۸ ساعت بازی را الزامی می‌کرد، به دست آمد. از میان ۴۲ شرکت‌کننده گروه تجربی، یک نفر عمدتاً نقش جنگل را بازی می‌کرد و به دلیل ایجاد یک دسته تک‌شرکت‌کننده‌ای حذف شد. نمونه نهایی شامل ۴۱ دانشجوی کارشناسی بود که به صورت تاپ‌لاین (n = 5)، مید‌لاین (n = 15)، مارکسمن/ADC (n = 12)، یا ساپورت (n = 9) طبقه‌بندی شدند. پیامدها شامل درگیری مبتنی بر توجه با استفاده از EEG، فعالیت تتا مرتبط با حافظه کاری، و بار شناختی مبتنی بر تتا/آلفا که در طول یک تکلیف استاندارد دوگانه n-back ثبت شد، به همراه مهارت‌های یادگیرنده قرن بیست‌ویکم و عملکرد یادگیری محتوامحور بودند. پس از استانداردسازی z، فاصله‌های اقلیدسی با استفاده از PERMANOVA با ۹٬۹۹۹ جایگشت، تحلیل مختصات اصلی و تشخیص پراکندگی چندمتغیره تحلیل شدند. آزمون کلی PERMANOVA تمایز معنادار آماری مبتنی بر نقش را شناسایی نکرد، pseudo-F(3, 37) = 0.941, p = .526, R² = .071. تحلیل مختصات اصلی همپوشانی قابل توجهی را نشان داد، تفاوت پراکندگی آماری معناداری یافت نشد و تحلیل حساسیت پایه نیز غیرمعنادار بود. این یافته‌ها نشان می‌دهد که تمایز نقش عملکردی در بازی MOBA نباید به طور پیش‌فرض منجر به تمایز متناظر در پیامدهای انتقالی در میان بازیکنان مبتدی با مواجهه نسبتاً کوتاه با نقش‌ها تلقی شود.

Accurate driver behavior recognition is important for driver monitoring systems and intelligent transportation applications. Although EEG-based approaches can provide useful neural information, their practical use is often limited by sensing complexity, preparation burden, and sensitivity to motion artifacts. This study proposes a physiology-guided multimodal learning framework for EEG-free driver behavior recognition using peripheral biosignals. A publicly available multimodal driving physiology dataset was used, including recordings from 35 participants performing five driving behaviors: smooth driving, acceleration, deceleration, lane change, and turning. Three peripheral physiological signals, namely ECG, EMG, and GSR, were used as model inputs. The proposed framework incorporates physiological knowledge into multimodal representation learning through modality-aware encoders tailored to the distinct characteristics of ECG, EMG, and GSR. A physiology-guided fusion mechanism is further introduced to model complementary cross-modal interactions among the three biosignals. Experimental results showed that the proposed ECG+EMG+GSR model achieved an average accuracy of 0.782 and a macro-F1 score of 0.783 under a five-fold evaluation protocol with separated training, validation, and test sets, with MCC and Cohen’s kappa reaching 0.711 and 0.711, respectively. Compared with EEG-only and full-modality baselines reported in the original dataset study, the proposed framework demonstrated the feasibility of EEG-free driver behavior recognition using only peripheral biosignals. Under the matched ECG+EMG+GSR input setting, the proposed framework outperformed the strongest baseline across all four evaluation metrics. In addition, sensing-configuration analysis showed that ECG+EMG+GSR provided a favorable balance between recognition performance and sensing burden. These results indicate that physiology-guided multimodal learning can effectively exploit heterogeneous peripheral biosignals for accurate and interpretable EEG-free driver behavior recognition.

شناسایی دقیق رفتار راننده برای سامانه‌های پایش راننده و کاربردهای حمل‌ونقل هوشمند اهمیت زیادی دارد. اگرچه رویکردهای مبتنی بر EEG می‌توانند اطلاعات عصبی مفیدی ارائه دهند، اما کاربرد عملی آن‌ها اغلب به دلیل پیچیدگی سنجش، دشواری آماده‌سازی و حساسیت به آرتیفکت‌های حرکتی محدود می‌شود. این مطالعه یک چارچوب یادگیری چندوجهی مبتنی بر فیزیولوژی را برای شناسایی رفتار راننده بدون استفاده از EEG و با بهره‌گیری از سیگنال‌های زیستی محیطی پیشنهاد می‌کند. از یک پایگاه داده فیزیولوژی رانندگی چندوجهی که به‌صورت عمومی در دسترس است، استفاده شد که شامل ثبت داده‌های ۳۵ شرکت‌کننده در حال انجام پنج رفتار رانندگی (رانندگی نرم، شتاب‌گیری، کاهش سرعت، تغییر خط و پیچیدن) بود. سه سیگنال فیزیولوژیکی محیطی شامل ECG، EMG و GSR به‌عنوان ورودی مدل به کار گرفته شدند. چارچوب پیشنهادی، دانش فیزیولوژیکی را از طریق رمزگذارهای آگاه از نوع مدالیته که متناسب با ویژگی‌های متمایز ECG، EMG و GSR طراحی شده‌اند، در یادگیری بازنمایی چندوجهی ادغام می‌کند. همچنین، یک سازوکار همجوشی هدایت‌شده با فیزیولوژی برای مدل‌سازی تعاملات مکمل بین‌مدالیته‌ای میان این سه سیگنال زیستی معرفی شده است. نتایج تجربی نشان داد که مدل ECG+EMG+GSR پیشنهادی به دقت میانگین ۰.۷۸۲ و امتیاز macro-F1 برابر با ۰.۷۸۳ تحت پروتکل ارزیابی پنج‌گانه با مجموعه‌های آموزشی، اعتبارسنجی و آزمون جداگانه دست یافت و مقادیر MCC و کاپای Cohen به ترتیب ۰.۷۱۱ و ۰.۷۱۱ بود. در مقایسه با خطوط پایه مبتنی بر EEG و مدالیته کامل که در مطالعه اصلی پایگاه داده گزارش شده بود، چارچوب پیشنهادی امکان‌پذیری شناسایی رفتار راننده بدون EEG و صرفاً با سیگنال‌های زیستی محیطی را نشان داد. در شرایط ورودی منطبق ECG+EMG+GSR، چارچوب پیشنهادی در هر چهار معیار ارزیابی از قوی‌ترین خط پایه عملکرد بهتری داشت. علاوه بر این، تحلیل پیکربندی سنجش نشان داد که ترکیب ECG+EMG+GSR تعادل مطلوبی میان عملکرد شناسایی و بار سنجش فراهم می‌کند. این نتایج بیانگر آن است که یادگیری چندوجهی هدایت‌شده با فیزیولوژی می‌تواند به‌طور مؤثر از سیگنال‌های زیستی محیطی ناهمگن برای شناسایی دقیق و قابل تفسیر رفتار راننده بدون EEG بهره‌برداری کند.

OBJECTIVE: Multi-view electroencephalography (EEG) emotion recognition must decide how the spectral graph sets of different connectivity views correspond and how their graph propagation operators interact. We present CSTO-Net, a cross-view spectral-transport and topology-operator network for EEG-based emotion recognition. Approach: CSTO-Net integrates three window-wise views: dynamic differential entropy (DDE) as node attributes, amplitude-envelope Pearson correlation coefficient (PCC) graphs, and phase-locking value (PLV) graphs. Cross-View Spectral Transport Routing (CSTR) formulates PCC-PLV spectral correspondence as an entropy-regularized optimal-transport problem with explicit marginal constraints, deliberately separating correspondence estimation from band-importance estimation. Directional Cross-Topology Modulation (DCTM) performs ordered composition of the two routed propagation operators on shared node features and encodes order-dependent propagation discrepancy via a provably skew-symmetric graph-operator commutator with signed decomposition. Main results: On the Database for Emotion Analysis using Physiological Signals (DEAP) dataset, CSTO-Net achieves 93.95 ± 2.50% valence and 94.97 ± 2.72% arousal accuracy under the subject-dependent setting, and 93.73% and 94.54% under participant-wise five-fold subject-independent cross-validation across 32 participants. On the SJTU Emotion EEG Dataset (SEED), it achieves 93.12% under the standard subject-dependent split, 91.36% under 15-fold leave-one-subject-out evaluation across 15 participants, and 98.05 ± 2.32% under subject-dependent five-fold cross-validation. Ablation studies confirm that both CSTR and DCTM contribute substantially to recognition accuracy. Significance: These results demonstrate that explicit cross-view spectral correspondence and topology-operator-level interaction provide complementary benefits for EEG emotion recognition, offering an interpretable route for modeling order-sensitive interactions between functional connectivity views.

هدف: شناسایی هیجان مبتنی بر الکتروانسفالوگرافی چندنما (EEG) باید تعیین کند که مجموعه‌های گراف طیفی نماهای مختلف ارتباطی چگونه با یکدیگر متناظر می‌شوند و عملگرهای انتشار گراف آن‌ها چگونه با هم تعامل دارند. ما CSTO-Net را ارائه می‌دهیم؛ شبکه‌ای برای انتقال طیفی بین‌نما و عملگر توپولوژی جهت شناسایی هیجان مبتنی بر EEG. روش: CSTO-Net سه نمای مبتنی بر پنجره را ادغام می‌کند: آنتروپی تفاضلی پویا (DDE) به عنوان ویژگی‌های گره، گراف‌های ضریب همبستگی پیرسون پوش‌آمپلیتیود (PCC) و گراف‌های مقدار قفل‌شدگی فاز (PLV). مسیریابی انتقال طیفی بین‌نما (CSTR) متناظر بودن طیفی PCC-PLV را به صورت یک مسئله انتقال بهینه با قید حاشیه‌ای صریح و منظم‌سازی آنتروپی مدل‌سازی می‌کند و به طور هدفمند برآورد متناظری را از برآورد اهمیت باند جدا می‌سازد. مدولاسیون متقاطع توپولوژی جهت‌دار (DCTM) ترکیب مرتب دو عملگر انتشار مسیریابی‌شده را بر ویژگی‌های گره مشترک انجام می‌دهد و اختلاف انتشار وابسته به ترتیب را از طریق یک جابجایی عملگر گراف با تجزیه علامت‌دار و اثباتاً پادمتقارن رمزگذاری می‌کند. نتایج اصلی: بر روی پایگاه داده تحلیل هیجان با استفاده از سیگنال‌های فیزیولوژیک (DEAP)، CSTO-Net به دقت 93.95 ± 2.50٪ برای والانس و 94.97 ± 2.72٪ برای برانگیختگی در شرایط وابسته به آزمودنی دست می‌یابد و در اعتبارسنجی متقاطع پنج‌تایی مستقل از آزمودنی به ترتیب 93.73٪ و 94.54٪ در میان 32 آزمودنی کسب می‌کند. بر روی پایگاه داده EEG هیجان دانشگاه SJTU (SEED)، به دقت 93.12٪ در تقسیم‌بندی استاندارد وابسته به آزمودنی، 91.36٪ در ارزیابی leave-one-subject-out پانزده‌تایی در میان 15 آزمودنی و 98.05 ± 2.32٪ در اعتبارسنجی متقاطع پنج‌تایی وابسته به آزمودنی دست می‌یابد. مطالعات حذف مؤلفه نشان می‌دهد که هر دو مؤلفه CSTR و DCTM سهم قابل توجهی در دقت شناسایی دارند. اهمیت: این نتایج نشان می‌دهد که متناظر‌سازی طیفی بین‌نما و تعامل در سطح عملگر توپولوژی، مزایای مکملی برای شناسایی هیجان مبتنی بر EEG فراهم می‌آورد و مسیر قابل تفسیر برای مدل‌سازی تعاملات حساس به ترتیب بین نماهای ارتباط عملکردی ارائه می‌دهد.

Abstract Currently, machine learning technology has been widely used in electroencephalogram (EEG) automatic emotion recognition tasks. However, the non-stationarity, individual differences, and high annotation costs in EEG signals seriously affect the generalization ability of the model. To solve these problems, we propose a new unsupervised domain adaptation framework named EEG-UDAF for EEG emotion recognition. First, we design a dual-view frequency domain feature fusion module that can extract rich EEG signals frequency domain features from two perspectives, differential entropy and power spectral density, and fuse them based on the self-attention mechanism. Second, we propose a spatio-temporal feature extraction module based on graph convolutional network and bidirectional long short-term memory. It can comprehensively consider the spatial topological structure of the brain and the dynamic characteristics of temporal changes between EEG channels to extract complex spatio-temporal features. Third, we use the unsupervised domain adaptation strategy to solve the non-stationarity and individual differences in EEG signals without manual annotation, and introduce a semantic correction mechanism to prevent incorrect class alignment. Experiments based on intra-subject and inter-subject paradigms show that EEG-UDAF can effectively alleviate non-stationarity and individual differences. Moreover, these transferable EEG representations also provide a potential foundation for LLM-augmented multimodal data fusion in large-scale affective computing.

در حال حاضر، فناوری یادگیری ماشین به طور گسترده‌ای در وظایف شناسایی خودکار احساسات مبتنی بر الکتروانسفالوگرام (EEG) مورد استفاده قرار گرفته‌است. با این حال، غیرایستایی، تفاوت‌های فردی و هزینه‌های بالای برچسب‌گذاری در سیگنال‌های EEG به طور جدی توانایی تعمیم مدل را تحت تأثیر قرار می‌دهد. برای حل این مشکلات، چارچوب جدیدی با نام EEG-UDAF برای شناسایی احساسات مبتنی بر EEG پیشنهاد می‌کنیم. نخست، یک ماژول همجوشی ویژگی‌های حوزه فرکانس با دو نما طراحی کرده‌ایم که می‌تواند ویژگی‌های غنی حوزه فرکانسی سیگنال‌های EEG را از دو منظر، آنتروپی تفاضلی و چگالی طیفی توان، استخراج کرده و آن‌ها را بر اساس سازوکار خودتوجهی ادغام کند. دوم، یک ماژول استخراج ویژگی‌های فضایی-زمانی مبتنی بر شبکه عصبی کانولوشنی گراف و حافظه کوتاه‌مدت دوطرفه پیشنهاد می‌کنیم. این ماژول می‌تواند ساختار توپولوژیکی فضایی مغز و ویژگی‌های پویای تغییرات زمانی بین کانال‌های EEG را به طور جامع در نظر گرفته و ویژگی‌های پیچیده فضایی-زمانی را استخراج کند. سوم، از راهبرد تطبیق حوزه بدون نظارت برای حل غیرایستایی و تفاوت‌های فردی در سیگنال‌های EEG بدون نیاز به برچسب‌گذاری دستی استفاده کرده و سازوکار اصلاح معنایی را برای جلوگیری از هم‌ترازی نادرست کلاس‌ها معرفی می‌کنیم. آزمایش‌های مبتنی بر پارادایم‌های درون‌فردی و بین‌فردی نشان می‌دهد که EEG-UDAF می‌تواند به طور مؤثری غیرایستایی و تفاوت‌های فردی را کاهش دهد. افزون بر این، این بازنمایی‌های قابل انتقال EEG همچنین بنیانی بالقوه برای همجوشی داده‌های چندوجهی تقویت‌شده با LLM در محاسبات عاطفی در مقیاس بزرگ فراهم می‌کند.

Immersive virtual reality (VR) and neurofeedback (NF) are increasingly promoted to enhance mindfulness meditation, yet it remains unknown whether these externally engaging technologies confer lasting benefits for trait mindfulness over sustained practice. This longitudinal randomized controlled trial compared three conditions over a 4-week program (eight sessions) with a three-month follow-up: screen-based audio-guided mindfulness (Non-VR), mindfulness in an immersive VR environment (VR), and mindfulness in VR with real-time EEG neurofeedback (VR-NF). Ninety-four meditation-naïve participants completed the study. Trait mindfulness (Five Facet Mindfulness Questionnaire, FFMQ) was assessed at six time points, EEG signal was recorded during all sessions, and subjective presence (Igroup Presence Questionnaire, IPQ) in VR was measured. Linear mixed models and Bayesian analysis revealed comparable FFMQ increases across all three groups, indicating that VR and VR-NF did not confer added behavioral benefit for trait mindfulness development. Higher IPQ presence scores showed a modest negative correlation with long-term FFMQ gains at three-month follow-up. Exploratory EEG analyses described a numerically steeper theta trajectory in the Non-VR group relative to the VR and VR-NF groups, whereas alpha trajectories were comparable across groups. However, because the two EEG systems were not equivalent across conditions and recordings were obtained from frontopolar sites, these patterns are descriptive only and cannot be interpreted as evidence of group differences. Taken together, these findings suggest that VR and VR-NF did not confer added benefit for trait mindfulness in long-term mindfulness training.

واقعیت مجازی فراگیر (VR) و نوروفیدبک (NF) به طور فزاینده‌ای برای ارتقای مدیتیشن ذهن‌آگاهی تبلیغ می‌شوند، اما هنوز مشخص نیست که آیا این فناوری‌های برانگیزاننده‌ی بیرونی، منافع پایداری برای ذهن‌آگاهی صفتی در طول تمرین مستمر فراهم می‌کنند یا خیر. این کارآزمایی تصادفی‌شده‌ی کنترل‌شده‌ی طولی سه وضعیت را در طول یک برنامه‌ی ۴ هفته‌ای (هشت جلسه) با پیگیری سه‌ماهه مقایسه کرد: ذهن‌آگاهی مبتنی بر صفحه‌نمایش با راهنمایی صوتی (Non-VR)، ذهن‌آگاهی در محیط واقعیت مجازی فراگیر (VR)، و ذهن‌آگاهی در واقعیت مجازی با نوروفیدبک EEG زمان واقعی (VR-NF). نود و چهار شرکت‌کننده بدون سابقه مدیتیشن مطالعه را به پایان رساندند. ذهن‌آگاهی صفتی (پرسشنامه ذهن‌آگاهی پنج‌وجهی، FFMQ) در شش نقطه زمانی ارزیابی شد، سیگنال EEG در تمام جلسات ثبت گردید و حضور ذهنی ذهنی (پرسشنامه حضور Igroup، IPQ) در واقعیت مجازی اندازه‌گیری شد. مدل‌های خطی آمیخته و تحلیل بیزی افزایش‌های FFMQ مشابهی را در هر سه گروه نشان دادند که بیانگر آن است که VR و VR-NF سود رفتاری افزوده‌ای برای توسعه ذهن‌آگاهی صفتی ایجاد نکردند. نمرات بالاتر حضور IPQ همبستگی منفی اندکی با افزایش‌های بلندمدت FFMQ در پیگیری سه‌ماهه نشان داد. تحلیل‌های اکتشافی EEG، شیب تتا عددی تندتری را در گروه Non-VR نسبت به گروه‌های VR و VR-NF توصیف کردند، در حالی که شیب‌های آلفا در میان گروه‌ها مشابه بود. با این حال، از آنجا که دو سیستم EEG در شرایط مختلف معادل نبودند و ثبت‌ها از نواحی فرونتوپولار انجام شد، این الگوها صرفاً توصیفی بوده و نمی‌توان آن‌ها را به عنوان شواهدی از تفاوت گروهی تفسیر کرد. در مجموع، این یافته‌ها نشان می‌دهند که VR و VR-NF سود افزوده‌ای برای ذهن‌آگاهی صفتی در آموزش طولی ذهن‌آگاهی ایجاد نکردند.

Emotion recognition from EEG signals has become a central task in affective computing, offering non-invasive insight into human emotional states. Due to the nonlinear and nonstationary nature of EEG, entropy-based features have gained prominence as reliable indicators of brain complexity. However, traditional entropy metrics—such as Shannon entropy (ShanEn) and its variants—often lack sensitivity to transient dynamics and multiscale irregularities in the brain’s electrical activity. This study introduces a novel application of Entropy of Entropy (EoE) to EEG phase series (EoE – phase), aiming to enhance the detection of emotional states by capturing second-order variability in signal complexity. Unlike conventional measures, EoE quantifies not just signal unpredictability, but also the fluctuation of that unpredictability over time, offering a more dynamic representation of neural information flow. Using the GAMEEMO dataset, which includes EEG recordings from 28 participants during four emotion-evoking game scenarios (funny, boring, horror, calm), we computed and compared four feature sets: Phase Entropy, EoE – phase, ShanEn, and EoE applied to EEG amplitude time series. These features were classified using six machine learning models, including AdaBoost, SVM, and Random Forest. Our results demonstrate that EoE applied to phase dynamics significantly outperforms other entropy-based features, achieving a classification accuracy of 71.7% and AUC of 0.869 using the RF classifier with mixed PhaseEn and EoE-phase features, while traditional Shannon-based features reached only ~59% accuracy. This study provides the first systematic evaluation of EoE on EEG phase signals for emotion recognition, revealing its strong discriminative power and potential for integration into next-generation brain-computer interfaces.

شناسایی احساسات از سیگنال‌های EEG به یکی از وظایف محوری در رایانش عاطفی تبدیل شده است و بینشی غیرتهاجمی نسبت به وضعیت‌های عاطفی انسان ارائه می‌دهد. به دلیل ماهیت غیرخطی و غیرایستا بودن EEG، ویژگی‌های مبتنی بر آنتروپی به عنوان شاخص‌های قابل اعتماد پیچیدگی مغز مورد توجه قرار گرفته‌اند. با این حال، معیارهای سنتی آنتروپی—مانند آنتروپی شانون (ShanEn) و انواع آن—اغلب نسبت به پویایی‌های گذرا و بی‌نظمی‌های چندمقیاسی در فعالیت الکتریکی مغز حساسیت کافی ندارند. این مطالعه کاربرد نوینی از آنتروپیِ آنتروپی (EoE) را بر سری‌های فاز EEG (EoE – phase) معرفی می‌کند که هدف آن ارتقاء شناسایی وضعیت‌های عاطفی از طریق ثبت تغییرپذیری مرتبه دوم در پیچیدگی سیگنال است. برخلاف سنجه‌های متعارف، EoE نه تنها غیرقابل پیش‌بینی بودن سیگنال، بلکه نوسان این غیرقابل پیش‌بینی بودن را در طول زمان کمی‌سازی می‌کند و بازنمایی پویاتری از جریان اطلاعات عصبی ارائه می‌دهد. با استفاده از پایگاه داده GAMEEMO که شامل ثبت‌های EEG از ۲۸ شرکت‌کننده در چهار سناریوی بازی برانگیزاننده احساس (خنده‌دار، کسل‌کننده، ترسناک، آرام) است، چهار مجموعه ویژگی شامل آنتروپی فاز، EoE – phase، ShanEn و EoE اعمال‌شده بر سری زمانی دامنه EEG محاسبه و مقایسه شد. این ویژگی‌ها با استفاده از شش مدل یادگیری ماشین از جمله AdaBoost، SVM و Random Forest طبقه‌بندی شدند. نتایج ما نشان می‌دهد که EoE اعمال‌شده بر پویایی فاز به طور معناداری عملکرد بهتری نسبت به سایر ویژگی‌های مبتنی بر آنتروپی دارد و با استفاده از طبقه‌بند RF و ترکیب ویژگی‌های PhaseEn و EoE-phase، دقت طبقه‌بندی ۷۱.۷٪ و AUC معادل ۰.۸۶۹ را به دست می‌آورد، در حالی که ویژگی‌های مبتنی بر شانون تنها به دقت حدود ۵۹٪ می‌رسند. این مطالعه نخستین ارزیابی نظام‌مند EoE بر سیگنال‌های فاز EEG برای شناسایی احساسات را ارائه می‌دهد و قدرت تمایزبخشی بالای آن و پتانسیل ادغام در رابط‌های مغز-رایانه نسل آینده را آشکار می‌سازد.

Background This study focused on internal aspects, including cognitive states and motivational engagement, that may be overlooked by external indicators of participation in collaborative learning, such as utterance counts or observable behaviors. This proof-of-concept feasibility study explored whether neurophysiological responses related to auditory attention could provide information relevant to interpreting conventional behavioral indicators of participation. Using electroencephalogram (EEG) indices (N1 and P2 components), associations with self-regulated learning and interest during collaborative learning were explored. Methods EEG data were collected during real, discussion-based collaborative learning activities conducted in a university classroom setting. EEG data were recorded using wearable devices from nine Japanese university students enrolled in the course. Utterances were categorized as surface- or deep-level regulation utterances according to definitions from a prior study. Using a multivariate temporal response function approach, the N1 and P2 amplitudes elicited by each type of utterance were estimated. The degree of self-regulated learning was indexed by the number of deep-level regulation utterances, and interest in learning was evaluated using subjective rating scores. The relationships between these indices and the N1 and P2 amplitudes were analyzed using linear mixed-effects models. Results The number of deep-level regulation utterances was significantly associated with the N1 amplitude, irrespective of whether the utterances were categorized as deep or surface regulation. In contrast, subjective interest ratings were significantly associated with the N1 amplitude, particularly in response to deep-level-regulation utterances. Conclusion The N1 component, which is related to auditory attention, showed exploratory associations with self-regulatory behavior and learners’ interest.

زمینه: این مطالعه بر جنبه‌های درونی، از جمله حالات شناختی و درگیری انگیزشی، که ممکن است توسط شاخص‌های بیرونی مشارکت در یادگیری مشارکتی مانند شمارش جملات یا رفتارهای قابل مشاهده نادیده گرفته شوند، تمرکز داشت. این مطالعه اثبات مفهوم و امکان‌سنجی بررسی کرد که آیا پاسخ‌های نوروفیزیولوژیک مرتبط با توجه شنیداری می‌تواند اطلاعاتی مرتبط با تفسیر شاخص‌های رفتاری متداول مشارکت فراهم کند یا خیر. با استفاده از شاخص‌های الکتروانسفالوگرام (EEG) (مولفه‌های N1 و P2)، ارتباط این شاخص‌ها با یادگیری خودتنظیمی و علاقه در طول یادگیری مشارکتی بررسی شد. روش‌ها: داده‌های EEG در طول فعالیت‌های واقعی یادگیری مشارکتی مبتنی بر بحث که در محیط کلاس دانشگاه برگزار شد، جمع‌آوری گردید. داده‌های EEG با استفاده از دستگاه‌های پوشیدنی از نه دانشجوی دانشگاه ژاپنی که در این دوره ثبت‌نام کرده بودند، ثبت شد. جملات بر اساس تعاریف یک مطالعه پیشین به عنوان جملات تنظیم سطحی یا عمیق دسته‌بندی شدند. با استفاده از رویکرد تابع پاسخ زمانی چندمتغیره، دامنه‌های N1 و P2 القا شده توسط هر نوع جمله برآورد گردید. میزان یادگیری خودتنظیمی با تعداد جملات تنظیم عمیق سنجیده شد و علاقه به یادگیری با امتیازات ارزیابی ذهنی مورد ارزیابی قرار گرفت. روابط بین این شاخص‌ها و دامنه‌های N1 و P2 با استفاده از مدل‌های خطی اثرات آمیخته تحلیل شد. نتایج: تعداد جملات تنظیم عمیق به طور معناداری با دامنه N1 مرتبط بود، صرف‌نظر از این که جملات به عنوان تنظیم عمیق یا سطحی دسته‌بندی شده بودند. در مقابل، امتیازات علاقه ذهنی به طور معناداری با دامنه N1، به ویژه در پاسخ به جملات تنظیم عمیق، مرتبط بود. نتیجه‌گیری: مولفه N1 که با توجه شنیداری مرتبط است، ارتباطات اکتشافی با رفتار خودتنظیمی و علاقه یادگیرندگان نشان داد.

This study examined the association between concentration performance and electroencephalographic (EEG) responses according to the learning tools, specifically paper-based and tablet PC-based learning.Thirty healthy college students (10 males and 20 females) completed various concentration tasks using both learning tools in a within-subject design, and EEG data were also collected from a subset of 10 participants as a pilot analysis.The EEG signals were recorded using 15 electrodes placed according to the international 10-20 system, and a sensorimotor rhythm (SMR) was selected as the primary EEG indicator because of its association with sustained attention.The behavioral concentration test scores did not differ significantly between the two learning conditions.On the other hand, exploratory EEG analysis revealed a significant difference in SMR frequency between learning conditions, with tablet PC-based learning associated with higher mean SMR frequency compared to paper-based learning.These findings suggest that different learning tools may be associated with differences in neurophysiological concentration states, even when the short-term behavioral performance is comparable.Nevertheless, the results should be interpreted cautiously given the limited EEG sample size.This study provides preliminary evidence supporting further investigation of learning media effects using larger samples and more ecologically valid learning tasks.

این مطالعه به بررسی ارتباط بین عملکرد تمرکز و پاسخ‌های الکتروانسفالوگرافی (EEG) بر اساس ابزارهای یادگیری، به‌ویژه یادگیری مبتنی بر کاغذ و یادگیری مبتنی بر رایانه لوحی (Tablet PC)، پرداخت. سی دانشجوی سالم دانشگاه (۱۰ مرد و ۲۰ زن) در یک طرح درون‌گروهی، وظایف مختلف تمرکز را با استفاده از هر دو ابزار یادگیری انجام دادند و داده‌های EEG نیز از زیرمجموعه‌ای متشکل از ۱۰ شرکت‌کننده به عنوان تحلیل مقدماتی جمع‌آوری شد. سیگنال‌های EEG با استفاده از ۱۵ الکترود که بر اساس سیستم بین‌المللی ۲۰-۱۰ قرار داده شده بودند، ثبت گردید و ریتم حسی‌حرکتی (SMR) به عنوان شاخص اصلی EEG انتخاب شد، زیرا با توجه پایدار مرتبط است. نمرات آزمون رفتاری تمرکز بین دو شرایط یادگیری تفاوت معناداری نشان نداد. از سوی دیگر، تحلیل اکتشافی EEG تفاوت معناداری را در فرکانس SMR بین شرایط یادگیری نشان داد، به‌طوری که یادگیری مبتنی بر رایانه لوحی با میانگین فرکانس SMR بالاتری نسبت به یادگیری مبتنی بر کاغذ همراه بود. این یافته‌ها نشان می‌دهد که ابزارهای مختلف یادگیری ممکن است با تفاوت‌هایی در وضعیت‌های نوروفیزیولوژیک تمرکز مرتبط باشند، حتی زمانی که عملکرد رفتاری کوتاه‌مدت مشابه است. با این حال، با توجه به حجم نمونه محدود EEG، نتایج باید با احتیاط تفسیر شود. این مطالعه شواهد مقدماتی را برای حمایت از تحقیقات بیشتر درباره اثرات رسانه‌های یادگیری با استفاده از نمونه‌های بزرگ‌تر و وظایف یادگیری با اعتبار بوم‌شناختی بیشتر فراهم می‌کند.

Stress is a highly individualized and dynamic psychophysiological response, making reliable continuous monitoring challenging.Existing artificial intelligence approaches to stress detection have demonstrated the usefulness of physiological and neural signals, including electrodermal activity (EDA), heart rate variability (HRV), and electroencephalography (EEG).However, many existing approaches rely on population-level models or limited personalization, while longitudinal validation and adaptive modeling remain comparatively underexplored.This research proposes an adaptive, personalized AI framework for longitudinal stress monitoring by integrating complementary neural and physiological signals from EEG, HRV, and EDA.The proposed framework will initially establish an individual's baseline characteristics and subsequently identify deviations from their personal baseline rather than relying solely on generalized stress patterns across individuals.Machine learning techniques will be investigated for multimodal feature fusion and adaptive model updating as additional individual data becomes available.The study will compare the performance of conventional population-level models with personalized and progressively adaptive models using appropriate evaluation metrics.The research aims to determine whether incorporating individual baseline characteristics and continuous adaptation can improve the reliability and generalizability of stress monitoring.The proposed framework is intended as a foundation for future noninvasive, personalized, and wearable AI-based stressmonitoring systems, while addressing current challenges associated with inter-individual variability, multimodal integration, and longitudinal assessment.

استرس یک پاسخ روان‌فیزیولوژیک بسیار فردی و پویا است که پایش پیوسته و پایا را دشوار می‌سازد. رویکردهای هوش مصنوعی موجود در شناسایی استرس، سودمندی سیگنال‌های فیزیولوژیک و عصبی از جمله فعالیت الکترودرمال (EDA)، تغییرپذیری ضربان قلب (HRV) و الکتروانسفالوگرافی (EEG) را نشان داده‌اند. با این حال، بسیاری از رویکردهای موجود بر مدل‌های مبتنی بر جمعیت یا شخصی‌سازی محدود تکیه دارند، در حالی که اعتبارسنجی طولی و مدل‌سازی تطبیقی نسبتاً کمتر مورد بررسی قرار گرفته‌اند. این پژوهش یک چارچوب هوش مصنوعی تطبیقی و شخصی‌ساز برای پایش طولی استرس با ادغام سیگنال‌های عصبی و فیزیولوژیک مکمل از EEG، HRV و EDA پیشنهاد می‌کند. چارچوب پیشنهادی در ابتدا ویژگی‌های پایه هر فرد را تعیین کرده و سپس انحرافات از خط پایه شخصی را شناسایی می‌کند، به جای آنکه صرفاً بر الگوهای استرس تعمیم‌یافته میان افراد تکیه کند. تکنیک‌های یادگیری ماشین برای همجوشی ویژگی‌های چندوجهی و به‌روزرسانی تطبیقی مدل با در دسترس قرار گرفتن داده‌های فردی بیشتر مورد بررسی قرار خواهند گرفت. این مطالعه عملکرد مدل‌های متداول مبتنی بر جمعیت را با مدل‌های شخصی‌ساز و تدریجاً تطبیقی با استفاده از معیارهای ارزیابی مناسب مقایسه خواهد کرد. هدف پژوهش تعیین این است که آیا گنجاندن ویژگی‌های خط پایه فردی و تطبیق پیوسته می‌تواند پایایی و تعمیم‌پذیری پایش استرس را بهبود بخشد یا خیر. چارچوب پیشنهادی به عنوان بنیانی برای سامانه‌های آینده پایش استرس مبتنی بر هوش مصنوعی، غیرتهاجمی، شخصی‌ساز و پوشیدنی در نظر گرفته شده است، در حالی که به چالش‌های فعلی مرتبط با تفاوت‌های بین‌فردی، ادغام چندوجهی و ارزیابی طولی می‌پردازد.

The key to affective computing is emotion recognition based on multimodal physiological and behavioral responses and aids in intelligent systems to monitor mental health, adapt human-computer interaction, and predict the intent of affectivity. Although the existing deep models show remarkable advances, most of them process modalities in isolation and do not consider causal, temporal, and individual specific mechanisms underlying the expression of emotions. This paper presents PhysioGraph-Transformer which is a dynamic interaction-aware graph-based Transformer that encapsulates time-varying directed interactions among multimodal physiological channels with personality-sensitive adaptation. All the modalities of the AFFEC dataset, such as EEG, electrodermal activity (EDA), facial dynamics, eye gaze, pupil response, and cursor motion, are modeled as a time-varying interaction graph, which is learned with self-attention. A layer of Neural Ordinary Differential Equation (Neural-ODE) trains continuously changing latent embeddings to be able to smoothly model changes of emotion. Personality-conditioned cross-modes attention incorporates heterogeneous information into a common affective portrayal, making it give a meaningful and individual inference. Experimental analyses on the AFFEC indicate that PhysioGraph-Transformer achieves 84.6% accuracy and 80.8% macro-F1 which outperforms CNN, RNN, GCN and Transformer baselines and has strong resiliency to partial modality loss. The attention interaction maps illustrate distinguishable relationships between personality factors and modality inputs that offer neuroscientific information on the formation of emotions. These results make PhysioGraph-Transformer a interaction-aware, decipherable and personality conscious model of multi-modal physiological emotion recognition.

کلید محاسبات عاطفی، شناسایی احساسات مبتنی بر پاسخ‌های فیزیولوژیکی و رفتاری چندوجهی است و به سیستم‌های هوشمند در پایش سلامت روان، سازگاری تعامل انسان و رایانه و پیش‌بینی قصد عاطفی کمک می‌کند. اگرچه مدل‌های عمیق موجود پیشرفت‌های قابل توجهی نشان داده‌اند، اما اکثر آن‌ها شیوه‌های چندوجهی را به صورت مجزا پردازش می‌کنند و مکانیسم‌های علّی، زمانی و فردی خاصِ زیربنای بروز احساسات را در نظر نمی‌گیرند. این مقاله فیزیوگراف-ترنسفورمر را معرفی می‌کند که یک ترنسفورمر مبتنی بر گراف و آگاه از تعامل پویا است و تعاملات جهت‌دار متغیر با زمان میان کانال‌های فیزیولوژیکی چندوجهی را با سازگاری حساس به شخصیت دربرمی‌گیرد. تمامی شیوه‌های داده مجموعه AFFEC، مانند EEG، فعالیت الکترودرمال (EDA)، پویایی‌های چهره، نگاه چشم، پاسخ مردمک و حرکت نشانگر، به صورت یک گراف تعامل متغیر با زمان مدل‌سازی شده‌اند که با مکانیزم خودتوجهی یاد گرفته می‌شود. یک لایه معادلات دیفرانسیل معمولی عصبی (Neural-ODE) تعبیه‌های نهفته در حال تغییر پیوسته را آموزش می‌دهد تا بتواند تغییرات احساسات را به طور هموار مدل‌سازی کند. توجه متقاطع شرطی‌شده بر شخصیت، اطلاعات ناهمگن را در یک بازنمایی عاطفی مشترک ادغام می‌کند و استنباطی معنادار و فردمحور ارائه می‌دهد. تحلیل‌های تجربی بر روی مجموعه AFFEC نشان می‌دهد که فیزیوگراف-ترنسفورمر به دقت ۸۴.۶٪ و ماکرو-F1 برابر با ۸۰.۸٪ دست یافته است که از مدل‌های پایه CNN، RNN، GCN و ترنسفورمر عملکرد بهتری دارد و در برابر از دست رفتن جزئی شیوه‌های داده مقاوم است. نقشه‌های تعامل توجه، روابط متمایزی میان عوامل شخصیتی و ورودی‌های شیوه‌های داده نشان می‌دهد که اطلاعات علوم اعصاب درباره شکل‌گیری احساسات ارائه می‌کند. این نتایج، فیزیوگراف-ترنسفورمر را به مدلی آگاه از تعامل، قابل تفسیر و حساس به شخصیت برای شناسایی احساسات فیزیولوژیکی چندوجهی تبدیل می‌کند.

OBJECTIVE: The combination of action observation and motor imagery (AO+MI) has emerged as a promising neurorehabilitation strategy to promote sensorimotor plasticity without real movement, making it particularly valuable for individuals whose motor capacity is limited or absent. Improving AO+MI protocols requires understanding whether different observation stimuli engage the sensorimotor system to varying degrees, as the quality of cortical activation during each training trial may directly influence cumulative neuroplastic outcomes. The present study aimed to determine how the observation modality influences the activation of the sensorimotor cortex during synchronous AO+MI. APPROACH: Here, we investigated the effects of three observation modalities: immersive virtual reality (iVR), two-dimensional video and real-world observation of a robotic agent, on sensorimotor cortical engagement, using Event-Related Desynchronization (ERD) as a neurophysiological marker. Electroencephalographic (EEG) signals were recorded from fifteen healthy participants across three sessions, one per modality, while they observed a humanoid robot performing arm elevation movements and simultaneously engaged in motor imagery of the same movements. ERD was computed for alpha and beta frequency bands over eight electrodes covering frontocentral, central, and centroparietal regions. MAIN RESULTS: Statistical analyses revealed significant modality-dependent differences in sensorimotor cortical engagement across multiple frequency bands, electrode locations, and movement types. Immersive virtual reality consistently elicited the strongest desynchronization, with robust effects in the beta band over frontocentral and right centroparietal regions, and in the alpha band over the right central motor cortex. SIGNIFICANCE: These results demonstrate that the modality of action observation significantly shapes sensorimotor cortical engagement during AO+MI. Our findings also support the integration of immersive virtual reality as a neurophysiological grounded tool for optimizing AO+MI-based neurorehabilitation protocols and brain-computer interface applications.

هدف: ترکیب مشاهده عمل و تصویرسازی حرکتی (AO+MI) به‌عنوان یک راهبرد نویدبخش در نوروهیبیلیتیشن برای ارتقای پلاستیسیتی حسی‌حرکتی بدون حرکت واقعی مطرح شده است و به‌ویژه برای افرادی که ظرفیت حرکتی آن‌ها محدود یا غایب است، ارزشمند می‌باشد. بهبود پروتکل‌های AO+MI مستلزم درک این موضوع است که آیا محرک‌های مشاهده‌ای مختلف، سیستم حسی‌حرکتی را به درجات متفاوتی درگیر می‌کنند یا خیر، چرا که کیفیت فعال‌سازی قشری در هر نوبت تمرین ممکن است به‌طور مستقیم بر پیامدهای تجمعی نورولاستیک تأثیر بگذارد. مطالعه حاضر با هدف تعیین چگونگی تأثیر شیوه مشاهده بر فعال‌سازی قشر حسی‌حرکتی در حین AO+MI همزمان انجام شد. روش: در این پژوهش، اثرات سه شیوه مشاهده شامل واقعیت مجازی فراگیر (iVR)، ویدئوی دوبعدی و مشاهده دنیای واقعی یک عامل رباتیک بر درگیری قشری حسی‌حرکتی با استفاده از شاخص غیربسامدسازی وابسته به رویداد (ERD) به‌عنوان نشانگر نوروفیزیولوژیک بررسی شد. سیگنال‌های الکتروانسفالوگرافی (EEG) از پانزده شرکت‌کننده سالم در سه جلسه (هر جلسه یک شیوه) ثبت شد، در حالی که آن‌ها حرکات بالا بردن بازوی یک ربات انسان‌نما را مشاهده می‌کردند و به‌طور همزمان به تصویرسازی حرکتی همان حرکات می‌پرداختند. ERD برای باندهای فرکانسی آلفا و بتا بر روی هشت الکترود پوشش‌دهنده نواحی فرونتو‌سنتـرال، سنتـرال و سنتروپریتال محاسبه شد. نتایج اصلی: تحلیل‌های آماری تفاوت‌های معنادار وابسته به شیوه مشاهده را در درگیری قشری حسی‌حرکتی در چندین باند فرکانسی، محل الکترود و نوع حرکت نشان داد. واقعیت مجازی فراگیر به‌طور پیوسته قوی‌ترین غیربسامدسازی را ایجاد کرد، با اثرات بارز در باند بتا بر نواحی فرونتو‌سنتـرال و سنتروپریتال راست، و در باند آلفا بر قشر حرکتی مرکزی راست. اهمیت: این نتایج نشان می‌دهد که شیوه مشاهده عمل به‌طور معناداری الگوی درگیری قشری حسی‌حرکتی را در حین AO+MI شکل می‌دهد. یافته‌های ما همچنین از ادغام واقعیت مجازی فراگیر به‌عنوان ابزاری مبتنی بر شواهد نوروفیزیولوژیک برای بهینه‌سازی پروتکل‌های نوروهیبیلیتیشن مبتنی بر AO+MI و کاربردهای رابط مغز و رایانه حمایت می‌کند.