الهدف: يُعد فك تشفير حركات الأصابع الفردية بدقة أمرًا حيويًا لتحسين التحكم في الأطراف الاصطناعية المتقدمة. في هذه الدراسة، نقدّم استخدام ميزات فضاء ريمان (Riemannian-space features) وديناميات الزمن في إشارات الكهربية التصويرية القشرية (ECoG)، مع دمجها مع أدوات التعلم الآلي الحديثة (ML)، بهدف تحسين دقة فك التشفير الحركي على مستوى الأصابع الفردية.المنهجية: قمنا باختيار مجموعة من المؤشرات الحيوية المفيدة التي ترتبط بحركات الأصابع، وقيّمنا أداء خوارزميات التعلم الآلي الرائدة في بيانات مسابقة واجهة الدماغ-الحاسوب (BCI Competition IV) الخاصة بالإشارات ECoG (ثلاثة أشخاص)، بالإضافة إلى مجموعة بيانات ECoG ثانية تتبع نموذج تسجيل مشابه (من جامعة ستانفورد، تسع أشخاص). كما استكشفنا تجميع الميزات عبر الزمن لالتقاط التاريخ الديناميكي لإشارات ECoG، مما أدى إلى تحسين ملحوظ مقارنة بفك التشفير للفترة الواحدة في كل من مهام التصنيف (p < 0.01) والانحدار (p < 0.01).النتائج الرئيسية: باستخدام تجميع الميزات وخوارزمية الأشجار المُعززة بالانحدار (Gradient Boosted Trees)، والتي تمثل النموذج الأفضل أداءً، حققنا دقة تصنيف بلغت 77.0% في اكتشاف حركات الأصابع الفردية (مهمة ذات ست فئات، تشمل الحالة الراكدة)، ما يُعد تحسنًا بنسبة 11.7% مقارنة بخوارزمية الحقول العشوائية الشرطية (Conditional Random Fields) الأفضل في مجالها على عينة مسابقة BCI الثلاثة. وفي فك التشفير المستمر لمسار الحركة، بلغ المتوسط العام لمعامل الارتباط بيرسون (Pearson's correlation coefficient) r = 0.537 عبر الأشخاص والأصابع، متفوقًا على الفائز في مسابقة BCI وعلى الأسلوب الأفضل في المجال المُعلن عنه على نفس البيانات (CNN + LSTM). علاوةً على ذلك، يتميز الأسلوب المقترح بتعقيد زمني منخفض، حيث يتطلب أقل من 17.2 ثانية لتدريب النموذج، وأقل من 50 مللي ثانية لاستنتاج النتائج. هذا يُتيح تسريعًا يصل إلى 250 مرة في عملية التدريب مقارنة بالأساليب العميقة المُبلغ عنها سابقًا ذات الأداء الأفضل.الأهمية: تتيح التقنيات المقترحة التحكم السريع والموثوق والفعال في الأطراف الاصطناعية من خلال إشارات قشرية طفيفة التدخل.