تتجه الأبحاث الحالية نحو كيفية تحسين واجهات الدماغ والآلة (BMIs) لمساعدة الأفراد الذين لديهم حركات محدودة، مثل الناجين من السكتات الدماغية أو بتر الأطراف. في هذا السياق، يُعتبر فك شفرة الحركات الحركية بدقة واحدة من التحديات الرئيسية.

قدمت الدراسة الجديدة ثلاثة نماذج انحدار (regression models) لمواجهة هذه المشكلة: نموذج الانحدار باستخدام أسلوب المربعات الصغرى الجزئية (Partial Least Squares Regressor)، والشبكة العصبية متعددة الطبقات (Multilayered Perceptron)، ونموذج الانحدار القائم على الانتباه (Attention Based Regressor). تم تقييم هذه النماذج على مجموعة بيانات EEG المعروفة باسم WAY EEG GAL، مع التركيز على أدائها في ظروف تختلف فيها المستخدمين: نموذج واحد لجميع الحركات ونموذجان منفصلان لكل حركة.

أظهرت النتائج أن نموذج الانحدار القائم على الانتباه حقق الأداء الأفضل، حيث سجل معامل تحديد (R^2) يقدر بـ 0.8 وزمن استجابة قدره 29.2 ملي ثانية، مما يوضح تحسينًا كبيرًا في فك الشفرة المتزامن لعدة معلمات حركية. ومع ذلك، لوحظت تراجعات في أداء النموذج عند فك شفرة معلمة واحدة فقط.

بينما أظهر نموذج الشبكة العصبية متعددة الطبقات دقة متسقة ولكنها أقل عبر كلا النوعين من فك الشفرات مع (R^2 = 0.49). تبرز هذه النتائج الإمكانيات الكبيرة للنماذج المعتمدة على الانتباه في تطوير أنظمة واجهات الدماغ والآلة التي تتطلب تحكمًا متعدد الأوامر بشكل فوري، مما يعزز من قدرة الأجهزة على توفير تحكم أكثر بديهية لكافة المستخدمين.