Corticale representatie van multidimensionale handschriftbewegingen en implicaties voor neuroprotheses

Waarom dit belangrijk is voor toekomstige communicatie

Voor mensen die verlamd zijn en hun handen niet kunnen bewegen, kan het vermogen om alleen met hersenactiviteit te “schrijven” een snelle, natuurlijke manier van communiceren herstellen. Deze studie onderzoekt hoe het menselijk brein handschrift veel gedetailleerder aanstuurt dan alleen het pad van de pen op papier. Door de extra verborgen signalen van het brein bloot te leggen — zoals hoe hard we drukken, hoe we in de lucht tussen streken bewegen en hoe spieren worden gerekruteerd — wijst het werk de weg naar hersen–computerinterfaces die denkbeeldig handschrift nauwkeuriger en betrouwbaarder in tekst kunnen omzetten dan voorheen.

Handschrift als venster naar de geest

Handschrift is een van de meest geoefende vaardigheden die mensen verwerven en combineert fijne bewegingscontrole, timing en persoonlijke stijl. Onderzoekers gebruiken handschrift al lang om hersenaandoeningen zoals de ziekte van Parkinson te bestuderen en om computersystemen te bouwen die schrijven herkennen. Meer recent hebben wetenschappers aangetoond dat hersen–computerinterfaces denkbeeldig handschrift kunnen decoderen, waardoor verlamde mensen letters kunnen “schrijven” of trajecten in hun geest kunnen tekenen en die op een scherm als tekst kunnen zien verschijnen. De meeste van deze systemen behandelen handschrift echter als een plat, tweedimensionaal bewegingspatroon over de pagina en negeren het feit dat echt schrijven ook penoptilingen, hoogteveranderingen, grijpkracht en subtiele spieractiviteit bevat.

In het brein kijken tijdens denkbeeldig schrijven

De auteurs registreerden de activiteit van individuele neuronen in het motorische gebied van de hersenen bij een man met een hoge dwarslaesie die zijn ledematen niet meer kon bewegen. Kleine elektrodenarrays werden geïmplanteerd boven het deel van de cortex dat normaal gesproken de hand aanstuurt. Terwijl hij video's bekeek die lieten zien hoe cijfers en Chinese karakters geschreven worden, probeerde hij iedere streek en penoptiling in zijn geest te volgen. De onderzoekers lieten zien dat neuronen nog steeds klassieke regels volgen die bij gezonde beweging zichtbaar zijn: veel cellen hadden voorkeur voor bepaalde bewegingsrichtingen, en die patronen waren sterk genoeg om een computer toe te staan enkelvoudige proefvormen van cijfers te decoderen die herkenbaar waren. Intrigerend genoeg, wanneer ze het hele karakter behandelden als eenvoudige 2D-beweging, was de decodering veel beter voor streken op papier dan voor de bewegingen in de lucht daartussen, wat suggereert dat er iets belangrijks ontbrak in het model.

Diepte, kracht en spieractiviteit toevoegen

Om die ontbrekende informatie aan te vullen, verzamelde het team gedetailleerde handschrifgegevens van zes gezonde proefpersonen die dezelfde karakters schreven. Ze volgden de punt van de pen in drie dimensies, maten hoe stevig de pen werd vastgehouden, hoe hard er op het papier werd gedrukt, en registreerden elektrische activiteit van de onderarmspieren. Deze opnames toonden aan dat penoptilingen niet slechts rechte lijnen door de lucht zijn: ze boog omhoog en overschoten vaak voordat ze weer naar beneden kwamen, en ze gingen gepaard met voortdurende veranderingen in grip en spieractiviteit zelfs wanneer de pen van het papier was. Veel van deze kenmerken waren sterk gestereotypeerd tussen mensen, wat betekent dat een gemiddeld sjabloon kon dienen als representatie van de beweging die de verlamde deelnemer probeerde te imagineren.

Hoe het brein vele bewegingssignalen mengt

Door de multidimensionale handscriftsjablonen van de gezonde vrijwilligers af te stemmen op de neurale activiteit van de verlamde deelnemer, testten de onderzoekers welke kenmerken het beste het vuren van elke neuron verklaarden. Modellen die alleen platte 2D-snelheid omvatten lieten een groot deel van de neurale variatie onbeantwoord. Toen ze penhoogte, verticale snelheid, grijpkracht, druk en spiergerelateerde signalen toevoegden, werden meer neurale patronen begrijpelijk. Verschillende neuronen droegen mengsels van deze ingrediënten: sommige waren het meest gevoelig voor algemene snelheid, andere voor spierachtige signalen of verticale beweging, en velen combineerden twee of drie kenmerken tegelijk. Cruciaal was dat het opnemen van extra dimensies zoals verticale beweging en spieractiviteit verbeterde hoe goed de modellen zowel streken op het papier als penoptilingen in de lucht beschreven.

Rijkere hersensignalen omzetten in duidelijker schrift

Het team onderzocht vervolgens of het decoderen van deze extra dimensies de communicatie daadwerkelijk kon verbeteren. Met een machine-learningmodel probeerden ze twee strategieën: één die alleen 2D-pensnelheid decodeerde, en een andere die een rijkere set decodeerde inclusief verticale beweging, grijpkracht en druk. Om te herkennen welk karakter werd geschreven, vergeleken ze de gedecodeerde patronen met een bibliotheek van referentiekarakters van gezonde schrijvers, met behulp van een tijdvervormingsmethode die sequenties kan uitlijnen ook als ze in verschillende snelheden geschreven zijn. Wanneer alleen platte 2D-beweging werd gebruikt, werkte herkenning soms. Wanneer de volledige multidimensionale informatie werd opgenomen, steeg de nauwkeurigheid aanzienlijk, bijna de helft van de karakters correct geïdentificeerd, ondanks dat de gebruiker volledig verlamd was en alleen de bewegingen imaginaireerde.

Wat dit betekent voor toekomstige neuroprotheses

Dit werk toont aan dat de motorische cortex handschrift niet codeert als simpele lijnen op een pagina. In plaats daarvan vertegenwoordigt hij een rijk, multidimensionaal handelen dat stroken, penoptilingen, diepte, kracht en spierpatronen tegelijk omvat. Voor hersen–computerinterfaces betekent dit dat decoders moeten proberen een volledige, driedimensionale, krachtbewuste versie van handschrift te reconstrueren in plaats van slechts een plat pad na te tekenen. Hoewel het huidige systeem nog niet snel of nauwkeurig genoeg is voor dagelijks gebruik, kan het combineren van zulke multidimensionale decodering met geavanceerde taalmodellen de hersen-naar-tekstcommunicatie sterk verbeteren en ons dichter bij het herstellen van natuurlijke schrijfvaardigheden voor mensen die hun handen niet kunnen bewegen brengen.

Bronvermelding: Wang, Z., Xu, G., Yu, B. et al. Cortical representation of multidimensional handwriting movement and implications for neuroprostheses. Nat Commun 17, 3966 (2026). https://doi.org/10.1038/s41467-026-70536-7

Trefwoorden: handschrift hersen-computerinterface, motorische cortex, neuroprothetische communicatie, multidimensionale beweging, verlamming