人間の運動と運動前の皮質における指の動きと力の表現

オブジェクトを把握して操作する能力には、指の動きの運動学と等尺性力の両方を迅速に連続して制御する必要があります。以前の研究では、これらの行動モードが個別に制御されていることが示唆されていますが、大脳皮質が異なることを表すかどうかは不明です。ここでは、同じ指で連続して実行されたときに、動きと力がどのように皮質的に表現されたかについての質問をしました。運動モータータスクを実行している7人の人間の被験者の運動および運動前の皮質から高密度の電気酸素グラフィー（ECOG）を記録しました。指の動き[0.7±0.3分散（FVAF）を考慮した分数分散）と力（0.7±0.2 FVAF）を高精度で解読しましたが、異なる空間表現が見つかりました。さらに、最先端の深い学習方法を使用して、運動中のタスク中にECOG状態空間を介して滑らかで繰り返し可能な軌跡を明らかにしました。また、新しいメトリックである神経ベクター角（NVA）を開発することにより、試験および参加者全体のECOGを要約しました。したがって、状態空間技術は、広範な皮質ネットワークの調査に役立ちます。最後に、高精度（90±6％）で神経信号から行動モードを分類することができました。したがって、指の動きと力は、運動/運動前の皮質に明確な表現を持っているように見えます。これらの結果は、脳マシン界面（BMI）をつかむことの設計と同様に、運動の神経制御の理解についての理解を知らせます。

The ability to grasp and manipulate objects requires controlling both finger movement kinematics and isometric force in rapid succession. Previous work suggests that these behavioral modes are controlled separately, but it is unknown whether the cerebral cortex represents them differently. Here, we asked the question of how movement and force were represented cortically, when executed sequentially with the same finger. We recorded high-density electrocorticography (ECoG) from the motor and premotor cortices of seven human subjects performing a movement-force motor task. We decoded finger movement [0.7 ± 0.3 fractional variance accounted for (FVAF)] and force (0.7 ± 0.2 FVAF) with high accuracy, yet found different spatial representations. In addition, we used a state-of-the-art deep learning method to uncover smooth, repeatable trajectories through ECoG state space during the movement-force task. We also summarized ECoG across trials and participants by developing a new metric, the neural vector angle (NVA). Thus, state-space techniques can help to investigate broad cortical networks. Finally, we were able to classify the behavioral mode from neural signals with high accuracy (90 ± 6%). Thus, finger movement and force appear to have distinct representations in motor/premotor cortices. These results inform our understanding of the neural control of movement, as well as the design of grasp brain-machine interfaces (BMIs).