En EEG-databas för avkodning av handskriftsföreställningar: kinesiska teckenstreck och Pinyin-enkla vokaler

Att föreställa sig att skriva utan att röra en muskel

För personer som förlorat förmågan att skriva efter en stroke eller skada kan den enkla handlingen att anteckna bli omöjlig. Hjärn‑datorgränssnitt syftar till att överbrygga denna klyfta genom att förvandla tankar direkt till text eller rörelse. Hittills har de mest framgångsrika systemen förlitat sig på hjärnimplantat—kraftfulla men invasiva lösningar. Denna studie tar ett viktigt steg mot ett säkrare alternativ genom att publicera den första öppna samlingen av hjärnvågsinspelningar från personer som föreställer sig att skriva kinesiska teckenstreck och Pinyin-vokaler, vilket banar väg för framtida icke‑invasiva "tanke‑till‑text"‑verktyg.

Varför hjärnsignaler för skrivande spelar roll

Handskrift är ett förvånansvärt effektivt sätt att kommunicera: det är snabbt, kompakt och bekant för nästan alla. Många insatser inom hjärn‑datorgränssnitt har fokuserat på stora, enkla rörelser som att sträcka sig eller gripa, eller på stavning genom att välja bokstäver en och en med en mental "pekare." Imponerande arbete med implanterade elektroder har redan visat att avkodning av föreställd handskrift är möjlig i hastigheter som närmar sig vardagligt skrivande. Men hjärnkirurgi är inte ett realistiskt alternativ för de flesta patienter och implantatens långsiktiga stabilitet är fortfarande en oro. En icke‑invasiv metod som använder skalpelektroder för att spela in hjärnvågor skulle kunna användas i stor skala i kliniker, hem och rehabiliteringscenter—om forskare kan läsa de svaga, brusiga signalerna som hör ihop med föreställda pennstreck på ett tillförlitligt sätt.

Att skapa ett rikt bibliotek av hjärnvågor

För att möta denna utmaning rekryterade forskarna 21 friska högerhänta vuxna och spelade in deras hjärnaktivitet med en mössa försedd med 32 sensorer. Varje person deltog i två sessioner hållna minst en dag ifrån varandra, vilket gav ett sätt att testa hur stabila signalerna är över tid. Teamet använde två noggrant planerade mentala uppgifter. I den första föreställde sig försökspersonerna att skriva fem grundläggande streck som används för att bygga kinesiska tecken—enkla linjer och kurvor som i kombination kan bilda nästan vilket tecken som helst. I den andra föreställde de sig att skriva sex enkla vokaler från Hanyu Pinyin, vilka representerar välbekanta rundade och haklika bokstavsliknande former. Varje försök inleddes med en kort visuell animation av strecket eller vokalen för att påminna deltagarna om rörelsen, följt av en period då skärmen blev svart och de tyst föreställde sig att de en gång i sinnet följde formen.

Från råa hjärnvågor till avkodningsbara mönster

Över båda uppgifterna och sessionerna genererade studien 18 480 fyrasekunders föreställningsförsök—en stor och standardiserad datamängd i dagens hjärn‑datorfält. Signalerna spelades in i mycket hög hastighet och organiserades sedan noggrant enligt en internationell standard för hjärndata så att andra forskare lätt kan analysera dem. Även om de delade filerna bevarar de råa inspelningarna beskrev och publicerade författarna också exempel på bearbetningskod. I sina egna tester filtrerade de signalerna, korrigerade felaktiga elektroder, minskade datastorleken och normaliserade kanalerna innan de tränade en kompakt djupinlärningsmodell kallad EEGNet. Denna modell är utformad för att upptäcka både var i hjärnan och när i tiden viktiga mönster uppstår, vilket gör den väl lämpad för de korta utbrott av aktivitet som följer föreställda pennrörelser.

Hur väl kan tankar om skrivande läsas?

Med EEGNet undersökte teamet hur exakt en dator kunde avgöra vilket streck eller vilken vokal en person föreställde sig. När träning och testning gjordes inom samma inspelningssession låg medelprecisionerna väl över slumpnivån: över 70 % för fem‑strecksuppgiften och cirka 67 % för sex‑vokaluppgiften, med vissa individer över 80 %. Viktigare för verklig användning, presterade modeller som tränats en dag och testats den andra fortfarande starkt—cirka 63 % för streck och 60 % för vokaler—vilket visar att hjärnans mönster för dessa mentala handlingar är relativt stabila över tid. Personer med tidigare erfarenhet av hjärn‑datorgränssnitt tenderade att uppnå högre precision, vilket antyder att användare kan lära sig att framkalla tydligare, mer konsekventa hjärnsignaler. Forskarna fann också att högpresterande deltagare visade mer fokuserad aktivitet i hjärnregioner kopplade till handkontroll och rumslig planering, medan lågt presterande hade mer utspridda mönster—vilket föreslår potentiella mål för träning eller återkoppling.

Vad detta betyder för framtida kommunikationshjälpmedel

I stället för att presentera en färdig apparat erbjuder detta arbete en noggrant uppbyggd grund: en öppet tillgänglig, rikt annoterad samling av hjärnspelningar från föreställd handskrift på kinesiska. Genom att fokusera både på byggstenarna i tecken (streck) och de flytande formerna hos vokaler fångar datasatsen olika sidor av finmotorisk kontroll och planering. Resultaten visar att även med icke‑invasiva skalpinspelningar kan datorer tillförlitligt skilja mellan flera föreställda skrivrörelser och upprätthålla den prestandan över dagar. För patienter som inte kan röra sig eller tala kan framtida system byggda på denna resurs så småningom göra det möjligt för dem att "skriva" meningar genom att helt enkelt föreställa sig strecken och formerna av bokstäver i sitt sinne.

Citering: Wang, F., Chen, Y., Wang, P. et al. An EEG dataset for handwriting imagery decoding of Chinese character strokes and Pinyin single vowels. Sci Data 13, 332 (2026). https://doi.org/10.1038/s41597-026-06708-3

Nyckelord: hjärn-datorgränssnitt, elektroencefalografi, föreställd handskrift, kinesiska tecken, Pinyin-vokaler