Η παρούσα εργασία εξετάζει τη δικτυακή οργάνωση του εγκεφάλου κατά τη νοερή και την πραγματική κίνηση, αξιοποιώντας δεδομένα ηλεκτροεγκεφαλογραφήματος (EEG) και μετρικές της θεωρίας γράφων (Rubinov & Sporns, 2010). Η νοερή κίνηση (motor imagery), δηλαδή η νοητική αναπαράσταση μιας κίνησης χωρίς μυϊκή δραστηριότητα, αποτελεί μια διαδικασία με σημαντικές εφαρμογές στη νευροαποκατάσταση και στα συστήματα διεπαφής εγκεφάλου-υπολογιστή (BCI) (Padfield, 2022· Stefano Filho et al., 2017). Παρά το γεγονός ότι η motor imagery ενεργοποιεί παρόμοιες εγκεφαλικές περιοχές με την πραγματική εκτέλεση (motor execution), η ακριβής τοπολογία των αντίστοιχων εγκεφαλικών δικτύων δεν έχει μελετηθεί εκτενώς σε δείγματα μεγάλης κλίμακας (Vigasina et al., 2023).

Η μεθοδολογία περιέλαβε την ανάλυση δεδομένων από 105 συμμετέχοντες του PhysioNet dataset (Goldberger et al., 2000· Schalk et al., 2004). Πραγματοποιήθηκε υπολογισμός της λειτουργικής συνδεσιμότητας μέσω του συντελεστή συσχέτισης Pearson και κατασκευή δυαδικών γράφων για τις συχνοτικές ζώνες μ (8-13 Hz) και β (13-30 Hz) (Rubinov & Sporns, 2010· Stefano Filho et al., 2018).

Τα αποτελέσματα ανέδειξαν μία μοναδική στατιστικά σημαντική διαφορά στον συντελεστή ομαδοποίησης (Clustering Coefficient) στη ζώνη μ (p=0.041, r=0.230), με την motor execution να παρουσιάζει ελαφρώς υψηλότερη τοπική οργάνωση σε σχέση με τη motor imagery (Rubinov & Sporns, 2010· Stefano Filho et al., 2018). Η συνολική τοπολογική ομοιότητα των δικτύων επιβεβαιώνει ποσοτικά τη "Θεωρία της Προσομοίωσης" (Simulation Theory). Αυτό το γεγονός υποδηλώνει ότι η νοερή κίνηση αποτελεί μια εσωτερική νευρωνική προσομοίωση που μοιράζεται την ίδια λειτουργική αρχιτεκτονική με την πραγματική εκτέλεση (Jeannerod, 2001· Pfurtscheller & Neuper, 1997).

This thesis investigates the network organization of the human brain during motor imagery and motor execution, utilizing electroencephalography (EEG) data and graph-theoretical metrics (Rubinov & Sporns, 2010). Motor imagery, defined as the mental representation of a movement without overt muscular activity, is a process with significant applications in neurorehabilitation and brain-computer interface (BCI) systems (Padfield, 2022; Stefano Filho et al., 2017). Although it is established that motor imagery activates similar neural structures to those involved in actual movement, the detailed topology of the corresponding brain networks has not been extensively examined in large-scale samples (Vigasina et al., 2023).

The methodology involved the analysis of EEG recordings from 105 participants of the PhysioNet Motor Movement/Imagery dataset (Goldberger et al., 2000; Schalk et al., 2004). Functional connectivity was calculated using the Pearson correlation coefficient, followed by the construction of binary brain network graphs for the mu (8-13 Hz) and beta (13-30 Hz) frequency bands (Rubinov & Sporns, 2010; Stefano Filho et al., 2018).

The results revealed a single statistically significant difference in the Clustering Coefficient within the mu band (p=0.041,r=0.230), with motor execution exhibiting slightly higher local organization compared to motor imagery (Rubinov & Sporns, 2010; Stefano Filho et al., 2018). The overall topological similarity between the two conditions provide quantitative support for the "Simulation Theory", suggesting that motor imagery constitutes an internal neural simulation that shares the same functional architecture as actual execution (Jeannerod, 2001; Pfurtscheller & Neuper, 1997)