方法文章

使用功能性近红外光谱技术与机器人辅助下肢多关节指物运动的实验

DOI：

10.3791/66004

⸱

2024年6月7日

 ,  ,  ,  ,  , 
1Center of Mathematics, Computing and Cognition, Universidade Federal do ABC, 2Department of the Physical Therapy, Federal University of Sao Carlos, 3Vivax Ltda, 4Highland Instruments

* These authors contributed equally

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

据估计，全球约有六分之一的人在一生中会发生中风，导致长期残疾，而其康复机制目前仍不甚清楚。本研究提出了一种方案，用于在下肢机器人治疗过程中，通过功能性近红外光谱技术（fNIRS）评估大脑激活情况。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

每年全球约有1700万人遭受中风影响，中风是导致长期残疾的主要原因之一。机器人疗法在帮助中风患者恢复丧失的运动功能方面已显示出潜力。为进一步理解运动功能恢复的机制，一种可能的途径是研究健康个体在接受治疗时所涉及运动过程中的脑部激活情况。功能性近红外光谱成像（fNIRS）作为一种有前景的神经影像技术，可用于探究运动功能的神经基础。本研究旨在探讨健康受试者在执行复杂下肢运动时的fNIRS神经相关性。受试者被要求使用一种用于运动康复的机器人设备，完成持续6分钟的静息与运动交替循环任务。该任务需要协调膝关节和踝关节的运动，以指向计算机屏幕上显示的目标。研究设置了两种实验条件，机器人在不同条件下提供不同程度的运动辅助。结果显示，fNIRS方案能够有效检测到任务过程中与运动控制相关的脑区活动。值得注意的是，所有受试者在无辅助条件下，其对侧前运动区的激活程度均高于有辅助条件。综上所述，fNIRS似乎是检测与下肢多关节指向运动相关的氧合血红蛋白浓度变化的有效方法。本研究可能有助于理解中风后运动功能恢复的机制，并为改善中风患者的康复治疗提供新思路。然而，仍需进一步研究以全面阐明fNIRS在运动功能研究及其临床应用中的潜力。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

流行病学数据显示，全球每年约有1700万例新发中风病例，且中低收入国家的发病率呈上升趋势1。预计到2030年，每年新增病例数将上升至7700万例2。中风导致的运动功能障碍常常影响患者的行动能力以及参与日常活动的能力，从而导致生活质量下降。传统的运动康复包括手法治疗，但在过去几十年中，康复用机器人系统已逐步发展起来。这些系统能够以高强度、大剂量、可量化、可靠、可重复和灵活的方式提供治疗3，并已被证明对急性期和慢性期中风患者均具有作为有效康复治疗手段的潜力4,5,6。除了提供治疗外，康复机器人系统还可作为评估工具，因其可配备传感器以测量患者的运动学/动力学数据7,8。在上肢运动康复中，此类数据不仅已被证实可用于评估机器人治疗所诱发的患者运动功能恢复水平，并作为传统临床评估的补充工具9,10，还有助于加深对中风后运动恢复过程的理解11,12，以及促进对健康个体运动的神经控制机制和运动学习机制的认识3,13,14。这些研究成果为改进康复治疗方案奠定了基础15。

在过去的二十年中，人们提出了多种用于下肢神经康复的机器人设备，其范围从在行走过程中支撑患者体重的外骨骼（例如，在跑步机上行走时使用的Lokomat16），到允许患者在不行走的情况下锻炼踝关节、膝关节或足部的固定式机器人系统（如Rutgers踝关节康复机器人17、高性能踝关节康复机器人18以及韩国光州科学技术院（GIST）踝/足康复机器人19），还包括由患者穿戴以在地面或跑步机上行走的主动式足部矫形器，即驱动型外骨骼（如动力步态矫形器20和MIT Anklebot21）。有关下肢康复机器人的综述可参见文献22,23,4。

针对中风患者下肢康复的机器人设备在临床研究中的结果令人鼓舞，表明这些系统可能根据特定设备和临床方案的不同，改善关节活动范围（ROM）、肌力或步态（参见24,25以获取关于下肢康复机器人疗效的综述）。尽管已有假说认为，机器人辅助治疗可促进神经可塑性变化，从而最终改善运动功能26，但中风后运动功能恢复的确切机制，以及何种机器人训练方案能够优化下肢运动功能的恢复过程，目前仍大多不明确。事实上，康复机器人的研发（无论是由学术研究人员还是商业机构推动）正在迅速增长，而对运动功能恢复背后神经生理机制的理解却相对有限，两者之间存在显著且日益扩大的差距4。通过内置传感器采集的运动学参数或关节力矩数据，已在一定程度上弥补了这一空白，有助于定量描述患者恢复下肢运动能力过程中发生的运动行为变化27,28,29。然而，对这些行为变化背后的神经相关机制的研究仍相对不足。这由多种原因所致。

脑功能成像耗时较长，在临床试验中有时难以完成，而临床试验通常要求尽量减少患者的负担，以最大程度提高患者对研究的依从性。对于中风患者而言，这一问题尤为突出，因为中风后疲劳和肌力减弱经常出现30。此外，基于磁场的成像方式（如功能性磁共振成像（fMRI））要求患者和机器人硬件均具备磁安全性。

在非侵入性成像技术中，功能性近红外光谱成像（fNIRS）是一种特别适用于评估接受机器人治疗的受试者脑部激活区域的成像技术。与fMRI类似，fNIRS可测量大脑中的血液氧合/脱氧状态。然而，与fMRI不同的是，fNIRS与机器人设备完全兼容，且通常具有便携性，甚至可在床旁使用。此外，fNIRS成本较低，对运动伪影的敏感性也更小31,32,33。

尽管功能性近红外光谱成像（fNIRS）自20世纪70年代末首次引入以来，在许多临床环境中具有明确优势并得到广泛应用34，但仅有少数研究利用fNIRS来量化与下肢运动及脑卒中后运动功能恢复相关的脑激活。旨在阐明运动神经控制机制和/或脑卒中后运动功能恢复机制或评估方法的fNIRS研究，主要集中在单关节运动（如背屈、跖屈或膝关节伸展运动35,36,37）、步行38,39,40,41,42,43或骑行44。参见45以获取综述。类似地，关于下肢机器人辅助治疗的fNIRS研究也主要集中于机器人辅助步态康复；参见46以获取综述。少数研究聚焦于将fNIRS作为脑-机接口（BCI）系统的一部分，用于提取控制机器人设备的信号47,48；尽管该研究领域同样依赖于fNIRS信号的处理，但其目标不同，主要集中在解码患者意图（例如，严重运动障碍患者）。

本文介绍的初步研究旨在探索一种用于下肢康复的机器人系统的疗效。该机器人可提供以目标为导向的下肢康复训练，既可进行日常多关节运动训练，也可针对下肢单个关节（如膝关节或踝关节）实施治疗（即实施自下而上的康复方案）。

本研究旨在探讨一种实验方案的可行性，该方案要求在执行下肢多关节指向运动期间采集功能性近红外光谱（fNIRS）数据。本研究的数据采集时长限制为6分钟，短于典型的fNIRS实验方案。这一设计是有意为之，旨在提高本研究的实用性与临床适用性，尤其针对活动能力或肌力受限的患者。此外，研究还关注此类复杂多关节运动对应的fNIRS信号特征，以及机器人辅助如何调节大脑激活模式。为此，对同一组受试者进行了两轮实验：一轮无机器人辅助，另一轮有机器人辅助。最后需要强调的是，本研究聚焦于健康受试者，旨在为未来研究奠定基础，以评估面向机器人治疗所针对运动的脑激活记录方案的可行性。

仪器设备
采用一种设计用于提供下肢康复的便携式机器人（见图1）进行实验。该机器人具有三维可达工作空间，结构紧凑、重量轻，约重35磅，便于运输和安装。

使用脚控控制器进行交互式游戏；虚拟环境交互。
图1：实验装置。（A）用于下肢的机器人系统（安装于地面），图中显示一名志愿者正在使用右脚操作该接口。（B）用于支撑受试者足部的结构，可将其连接至机器人系统。（C）《野餐》游戏的截图。游戏目标是将脚（绿色和白色鞋子）移动至目标位置（黄色圆圈）。请点击此处查看此图的放大版本。

该机器人系统旨在协助患者完成类似于日常活动中进行的下肢运动，例如指点或踢腿动作。系统采用交互式虚拟现实游戏，显示在机器人装置前方的计算机显示器或电视屏幕上（见图1）。机器人末端执行器连接至患者的下肢（例如脚踝），其位置与屏幕上的光标位置相对应。典型的游戏会向患者显示运动目标（例如需要指向的物体或踢球的位置）。

为了完成运动任务，机器人可为患者提供不同程度的辅助，从完全辅助到无辅助均可实现。机器人辅助的级别在每次康复训练开始时根据患者的运动功能障碍程度进行选择。受试者完成的动作将被游戏用于评估患者的表现，并向其提供有关表现的反馈（例如，关节活动范围、动作次数以及机器人辅助级别）。这些游戏旨在具有互动性和趣味性，以维持患者的兴趣和注意力。在本研究中，参与者进行了“野餐游戏”，玩家需要阻止昆虫到达毛巾处并偷走食物（见图1底部面板的截图）。

采用便携式功能性近红外光谱（fNIRS）采集系统进行数据采集，该系统配备两种不同波长的连续波光学探头（760 nm 和 850 nm）、8 个双端发光二极管光源以及 8 个双端有源探测器。信号采集的采样频率为 10.17 Hz。通过 fNIRS 系统创建的 Wi-Fi 网络，使用笔记本电脑进行校准优化和信号记录。

使用一个帽具将光学探头固定在预定位置。光源和探测器根据国际10-10脑电图系统以网格状空间分布放置。每个fNIRS通道由一对光源-探测器定义，其探头间距约为30 mm。光学探头放置于辅助运动区、前运动区和运动区，具体位置如图2所示。通道总数为28个，其中8个为短距离通道，通过光纤适配器将每个光源与单个探测器耦合。由于硬件的多路复用设置，仅使用一个探测器即可从所有光源获取短距离信号信息。

EEG帽电极放置示意图，显示头皮上电极的标签和位置。
图2：使用10-10 EEG系统的导联布局。 字母和数字表示光源/探测器的位置。红点和蓝点分别代表光源和探测器光极。绿线代表fNIRS通道，由光源与探测器配对组成。请点击此处查看该图的放大版本。

实验设计
实验在两种不同的实验条件下进行，两种条件的区别在于机器人对受试者运动提供的辅助程度。在第一种条件下，机器人被设定为不对受试者的运动提供任何辅助；在第二种条件下，机器人控制受试者的足部和腿部运动（机器人辅助运动）。

每项实验均采用区组设计范式，包含交替进行的运动任务阶段（玩游戏，30 秒）和休息阶段（30 秒），如图 3所示。每个阶段（游戏/运动任务或休息）的开始和结束均通过计算机屏幕向受试者进行视觉提示。在休息阶段，屏幕上会显示提示暂停的信息。每个周期（游戏/运动任务 + 休息）持续 60 秒，共重复六次，总时长为 360 秒（6 分钟）。

参与者进行了“野餐游戏”，其目标是防止昆虫到达毛巾并偷走食物。该游戏包含一系列下肢运动，从指定的起始目标（初始位置）开始，延伸至三个外部目标之一，然后返回起始目标。在屏幕上，外部目标以动画形式呈现为移动的昆虫，参与者需要触及并踩踏这些目标。共有三个外部延伸目标，每个目标被随机呈现的次数相等，每次运动均使用同一个起始目标。足部从起始目标移动到外部目标位置所需经过的距离呈弧形，长度约为 26 cm。该运动任务要求执行多关节运动，需要协调膝关节屈伸、跖屈和背屈动作。

通过机器人生成的晶体管-晶体管逻辑（TTL）脉冲，将fNIRS数据记录与游戏向受试者呈现的视觉刺激同步。每个阶段（游戏/操作和休息）开始时均产生脉冲。因此，所有时间控制均由游戏完成，游戏向参与者提供视觉提示（目标）以启动每次动作，同时向fNIRS系统发送TTL信号以标记脑活动记录，并在实验需要时向机器人控制系统发送信号以启动运动辅助。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究获得了UNICEP（保利斯塔大学中心）当地伦理审查委员会的批准。所有参与者均按照涉及人类的科学研究相关的机构指南和联邦规范签署了知情同意书。根据巴西联邦法规的要求，未向参与者提供任何经济补偿。

1. fNIRS 系统

  1. 使用16个光极制备帽：8个光源（760 nm和850 nm）和8个光探测器（见图2；光源位置：FC1、FC2、C3、Cz、C4、CP1、CP2和Pz；探测器位置：FCz、C1、C2、CPz、P1和P3）。将第八个探测器连接至短距离适配器，该适配器与每个光源光极相连。
  2. 打开fNIRS采集软件，并加载包含每个光极位置的蒙太奇图。
  3. 将fNIRS信号的时间采样率设置为10.17 Hz。

2. 参与者

  1. 向参与者简要说明研究的相关性及实验方案。
  2. 若参与者同意参与实验，需确保其在遵守所有机构指南及涉及人类受试者的联邦规范的前提下，签署知情同意书。
  3. 指导参与者坐在机器人前方的扶手椅上，距离计算机显示器约150 cm。
  4. 脱鞋后，使用维可牢（钩环扣带）将参与者的足部牢固地固定在机器人臂上（见图1左上图）。
  5. 将带有光学探头的fNIRS帽戴在参与者头部，并用下巴下方的钩环扣带固定。
  6. 将外层帽戴在光学探头帽上，以减少环境光的干扰。

3. 数据采集

  1. 指导每位受试者避免突然的头部运动，以尽量降低运动伪影的风险。
  2. 校准 fNIRS 系统以获得最佳信号质量。
  3. 确认所有通道的质量均良好，如界面所示。若不符合要求，尝试清除头皮与探头尖端之间的头发。
  4. 向受试者说明如何通过移动与机器人相连的脚来触达屏幕上指示的目标，从而进行游戏。
  5. 向受试者说明实验将包含两种条件：无机器人辅助和有机器人辅助。

4. 机器人系统

  1. 通过将显示器和机器人连接到电源，启动系统。操作系统初始化后，首个游戏界面将出现。
  2. 将机械臂置于标准位置，并等待系统反馈机械臂已正确就位的消息。
  3. 在系统中输入参与者和实验者的描述性信息，以登录机器人游戏界面。
  4. 在游戏选择界面中，将单次会话时间设置为 6 分钟，并配置 30 秒的休息间隔。
  5. 选择参与者将使用的腿部（右侧或左侧）。
  6. 选择野餐游戏，然后点击开始以启动游戏。

5. 数据分析

  1. 使用修正的比尔-朗伯方程将原始信号转换为血流动力学状态（氧合血红蛋白（HbO）和脱氧血红蛋白（HbR））49。
  2. 采用具有稳健估计和自相关估计的广义线性模型（GLM）生成个体激活图，该方法受运动伪影影响较小50。将实验设计（静息 = 0；游戏/执行 = 1）与典型的血流动力学响应函数（HRF）进行卷积后作为自变量，将观测到的HbO或HbR信号作为因变量。
  3. 针对每个通道，提取游戏/执行阶段相对于静息阶段的beta系数（反映该通道激活强度）。
  4. 将三个感兴趣区域（ROI）内的通道合并，并对各ROI内通道的激活系数（GLM beta值）取平均。ROI定义如下（见图2）：（1）左侧半球的前运动区（通道 [FC1-FCz, C1-FC1, C1-Cz, C3-C1]）；（2）左侧半球的躯体运动区（通道 [C3-CP1, CP1-P1, CP1-CPz, P1-Pz]）；（3）辅助运动区（SMA）（通道 [Cz-FCz, CPz-Cz]）。
    注意：根据以往关于类似本研究中所采用运动任务的文献51,52,53 ，且鉴于所有受试者均使用右腿执行运动任务，推测在两种条件下，左侧（对侧）前运动区、躯体运动区以及SMA区域在游戏/执行过程中均会出现激活，且在无辅助条件下激活更强。
  5. 对这些beta值应用非参数Wilcoxon检验。设定I类错误率为5%（单尾分析）。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

所有六名受试者均完成了两项实验。在无辅助条件下，每名受试者平均完成了76.67次试验（标准差10.73）（注：每位受试者的试验次数取决于成功到达目标的次数，因为只有在前一个目标被成功到达后才会显示新目标）。在辅助条件下，受试者的运动完全由机器人辅助，所有受试者均完成了70次试验。所有受试者的fNIRS数据均成功记录。

图4展示了单个受试者在游戏/玩耍与静息阶段之间HbO和HbR的脑激活图谱。对于每位受试者，在无机器人辅助的实验条件下，与HbO变化相关的图谱均显示出具有统计学意义的激活（p < 0.01）；而在有机器人辅助的实验条件下，仅有两名受试者显示出具有统计学意义的激活。关于HbR，在两种实验条件下均有四名受试者表现出具有统计学意义的激活（p < 0.01），但激活的通道数量少于HbO。

图5总结了基于感兴趣区域（ROI）的假设驱动分析中各个受试者的个体结果。在所有被检测的感兴趣区域中，只有左侧前运动皮层在游戏/玩耍相对于静息状态的比较中表现出氧合血红蛋白（HbO）激活的统计学显著增加（p = 0.046），且仅出现在无机器人辅助的条件下。此外，该感兴趣区域在无机器人辅助条件下的激活程度高于有机器人辅助条件（p = 0.016）。其他感兴趣区域或基于脱氧血红蛋白（HbR）的分析中均未发现统计学显著差异，无论是在游戏/玩耍与静息状态的比较中，还是不同条件之间的比较中（p>0.05）。因此，在组水平上，左侧躯体运动皮层、辅助运动区（SMA）或基于HbR的分析中均未发现统计学显著差异。

游戏与休息周期示意图；游戏时间和休息时段的时间间隔。
图3：采用交替的游戏状态与静息状态区块设计的实验。 受试者连续玩“野餐”游戏30秒（游戏时段），随后保持静止30秒（休息时段）。该周期重复6次，总共持续6分钟（注意：图中仅显示了150秒）。 请点击此处查看该图的放大版本。

比较有无机器人辅助下HbO和HbR的6名受试者脑活动热图
图4：单个受试者脑部经阈值化处理的统计激活图。 六名受试者（S1-S6）在两种实验条件下（有和无机器人辅助的运动）HbO和HbR的单个受试者脑部阈值化（通道p值< 0.01）统计激活图。请注意，仅展示具有统计学显著性激活的图像（即，空白位置表示该特定组合未观察到显著激活）。颜色条表示每个fNIRS通道激活系数（GLM beta）的t统计量幅度。请点击此处查看此图的放大版本。

左侧前运动区激活系数图表；比较六名受试者的数据，显著性水平 p=0.016。
图 5：基于 HbO 信号的左侧前运动皮层激活情况。 如步骤 5.2 所述，采用广义线性模型（GLM）估计 beta 系数，并对每位受试者、每种实验条件（无辅助与有辅助运动）以及特定通道量化激活幅度（注：感兴趣区域（ROI）的 beta 值是通过对左侧前运动皮层内的通道取平均值得到的）。该点图直观展示了每位受试者在不同条件下 ROI 的平均 beta 系数，其中红点和绿点分别表示有辅助和无辅助运动。对于每位受试者，无辅助条件下的 ROI beta 系数值均高于有辅助条件，表明前者的激活程度更高。该结果在所有受试者中具有一致性。请点击此处查看该图的高清版本。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

在本项概念验证研究中，探讨了利用健康受试者在使用下肢康复机器人进行不同类型运动时采集的 fNIRS 数据，推断脑激活图谱的可行性。成人典型的 fNIRS 记录时长通常超过 6 分钟54。然而，为了使记录在康复环境中切实可行，必须尽量缩短实验总时长，以避免受试者产生不必要的疲劳和负担。本研究还检验了采用包含 6 个任务重复区组的区组设计实验（每次会话持续 6 分钟）是否足以评估血流动力学反应，并检测辅助与无辅助条件之间的差异。研究结果表明，此类记录具有信息性，fNIRS 可能确实是一种可用于检测与不同水平机器人下肢辅助运动方案相关的 HbO 浓度变化的有效方法。即使样本量较小，在比较任务与静息区组时，HbO 测量结果显示存在显著的对侧前运动区激活；所有受试者在无辅助条件下该脑区的激活程度均高于机器人辅助条件。

在两种不同条件下记录了fNIRS数据，这两种条件对应受试者完成运动任务所需努力程度的不同水平。在第一组实验中，机器人的K值设定为10，对应无机器人辅助状态。在第二组实验中，K值设定为150；在此K值下，受试者的下肢几乎完全由机器人带动运动。如图4所示，所有受试者在无辅助条件下均表现出具有统计学意义的大脑激活；而当K值设定为150时，仅有两名受试者表现出显著的大脑激活。

如图5所示，结果还表明，与辅助运动（较低用力水平）相比，非辅助运动（较高用力水平）相关的HbO浓度变化总体更高。然而，仅在对侧前运动皮层（PMC）观察到显著差异。该发现与此前多项关于人类的神经影像学研究结果一致，这些研究发现神经元激活程度随用力水平的增加而增强55,56。然而，大多数先前的研究集中于上肢，且多数聚焦于静态等长收缩任务，仅有少数研究评估了动态运动57,58,59。

相对较少的研究关注下肢。其中少数研究聚焦于静态运动任务。Alexandre 等人51 研究了健康个体和慢性阻塞性肺疾病患者膝伸肌最大和次最大自主收缩（MVC）的fNIRS相关性。Yoon 等人52 利用fMRI研究了在不同MVC水平下踝背屈肌等长收缩期间皮层激活的变化。其他研究则聚焦于步态60,61,62。Harada 等人60 使用fNIRS研究了健康受试者在三种强度下行走时的皮层激活模式，发现行走速度和步频的增加与更高的皮层激活程度相关。Bonnal 等人62 研究了健康受试者在不同物理辅助水平下外骨骼辅助步态过程中的皮层激活，发现两种无辅助条件（50% 和 100%）下的皮层激活最强，而在有辅助条件下皮层激活差异较小。本研究的结果总体上与这些先前研究的结果一致。

与上肢运动的神经控制相比，与下肢运动神经控制相关的皮层区域的作用目前仍知之甚少，研究也相对较少。尤其在康复领域，深入理解这些区域的功能对于揭示其神经可塑性变化的基础至关重要，这种可塑性可能由神经系统源性的运动障碍、运动训练或衰老等因素引起。如图4所示，在无辅助条件下，所有受试者均在PMC或SMA区域表现出激活。图中呈现的通道特异性结果表明，尽管激活呈双侧分布，但在对侧半球更为显著。总体而言，这些发现与Alexandre等人的研究结果一致51 ，该研究显示在膝关节伸展过程中，对侧初级运动皮层（M1）、初级躯体感觉皮层（S1）、PMC以及前额叶皮层（PFC）区域被激活。此外，这些发现也与Yoon等人的研究结果相符52 ，该研究发现踝关节背屈期间对侧M1、SMA、壳核、苍白球、扣带皮层以及同侧小脑出现激活；同时也与Ciccarelli等人的研究结果一致53 ，该研究发现踝关节运动期间对侧M1和感觉皮层、PMC以及皮层下区域均被激活。

半身运动被认为由大脑皮层的对侧半球控制。然而，已有研究报道在单手上肢运动56,63,64,以及单侧足部运动中存在同侧皮层的参与（另见65 的综述）。与这些研究不同的是，本分析并未在所有受试者中均观察到体感运动皮层的一致性激活，如图4所示；此外，感兴趣区域（ROI）分析的结果也未显示显著激活。该结果可能归因于下肢对应的体感运动皮层相较于上肢更小且位置更深，其位于纵裂沟内66。此外，功能性近红外光谱（fNIRS）信号对非表浅脑区的敏感性较低67。

在比较无辅助与有辅助条件时，仅对侧PMC在两种条件下表现出显著不同的激活。考虑到该运动任务是视觉引导的，因此在无辅助条件下可能需要更多的注意力和运动努力，这一结果并不令人意外。PMC被认为在执行功能中发挥作用，包括运动准备和规划68。此外，最近的研究提示PMC还参与空间注意和工作记忆69。本研究结果与先前研究一致，突出了该脑区在执行功能68 以及上肢70,71,72 和下肢运动准备73中的作用。该结果也与涉及双任务步态研究的结果一致，后者显示了执行任务所需的注意力与PMC激活之间的相关性74,75。

本研究存在若干局限性。首先，样本量较小。未来的研究应在当前工作的基础上扩大样本量，并纳入更多样化的人群，例如女性及其他年龄组，以建立 HbO 和 HbR 的正常参考值（本研究包括 5 名男性和 1 名女性，年龄介于 40 至 62 岁之间）。其次，探头布局基于 10-10 EEG 系统，而感兴趣区域（ROI）分析采用了标准 MNI152 脑模板。未来的研究可采用个体化的结构 MRI、脑导航系统或高密度 fNIRS 技术。此外，记录仅在单次会话中进行，因此未评估受试者内部 fNIRS 记录的变异性。再者，HbO 与 HbR 的分析结果有所不同，尽管这两项指标均与相同的神经生理现象相关（即血流动力学响应函数）。然而，该差异与既往文献一致，表明这两种发色团对其他系统性混杂因素的敏感性不等，且对其解释尚无统一共识34。最后，由于在无辅助条件下每位受试者的游戏速度不同（因为只有在当前目标成功完成后才会开始下一次试验），这可能增加了受试者脑激活的变异性。

根据本项可行性研究的结果，我们计划在巴西圣卡洛斯联邦大学正在进行的一项试点临床研究中，采用与本文所述相似的fNIRS实验方案，旨在评估该机器人对慢性中风患者下肢运动能力的治疗效果。本文所呈现的大脑激活图谱可能为健康个体的大脑激活模式提供参考，有助于研究机器人疗法对下肢功能的影响。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

AMM 是 Vivax Ltda 公司的所有者，该公司开发了 Vivax 辅助康复机器（ARM）。LD 是 Highland Instruments 公司的一名管理人员，这是一家医疗设备公司。她个人或作为公司管理人员拥有与成像、脑刺激、诊断、建模和仿真相关的待批准或已授权专利。其他作者声明不存在利益冲突。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究的观点、假设、结论和建议均为作者个人观点，不一定代表资助机构的意见。JRS 感谢圣保罗研究基金会（FAPESP，资助编号 2021/05332-8、2018/04654-9、 2018/21934-5 和 2023/02538-0）以及 Jackson Cionek 提供的技术支持。AMM 和 Vivax Ltda 感谢 FAPESP（圣保罗研究基金会）和 FINEP（巴西创新署）的支持。本项目由 FAPESP（资助编号 2018/09559-4）和 FINEP（资助编号 2019/09933-6）资助。

材料

本文使用的材料清单
姓名公司目录编号评论
32 英寸智能电视Samsung不适用通过 HDMI 线缆连接至机器人的电视
带双端探头的 8 探测器硅光电二极管（SiPD）光学探头，用于光学检测NIRx Medical Technologies (Glen Head, NY, USA)https://nirx.net/nirsport
带双端探头的 8 光源探头束，用于光学照明NIRx Medical Technologies (Glen Head, NY, USA)https://nirx.net/nirsport
Aurora 数据采集软件NIRx Medical Technologies (Glen Head, NY, USA)https://nirx.net/nirsport
笔记本电脑 Precision XPS 13Dell Technologies (Round Rock, TX, USA)
nirsLAB fNIRS 分析软件NIRx Medical Technologies (Glen Head, NY, USA)https://nirx.net/nirsport
NIRSports2 fNIRS 数据采集系统NIRx Medical Technologies (Glen Head, NY, USA)https://nirx.net/nirsport该系统具有两种不同的连续波光学信号（760 和 850 nm）、8 个双端 LED 光源和 8 个双端有源探测器。
RR-project.org (开源软件)https://www.r-project.org/
标准剪裁帽，黑色，最多可容纳 128 个探头 holderEasycap GmbH (Wörthsee, Germany)https://www.easycap.de/
Vivax 辅助康复机器（ARM） Vivax Ltda (São Paulo, Brazil)https://vivaxbr.com/home/这是一种专为下肢康复设计的便携式机器人。其具有三维可达工作空间，结构紧凑且重量轻，约重 35 磅，便于运输和安装。 

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. GBD 2016 Stroke Collaborators. Global, regional, and national burden of stroke, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet. Neurology. 18 (5), 439-458 (2019).
  2. GBD 2019 Stroke Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet. Neurology. 20 (10), 795-820 (2021).
  3. Huang, V. S., Krakauer, J. W. Robotic neurorehabilitation: a computational motor learning perspective. Journal of NeuroEngineering and Rehabilitation. 6, 5(2009).
  4. Hobbs, B., Artemiadis, P. A Review of Robot-Assisted Lower-Limb Stroke Therapy: Unexplored Paths and Future Directions in Gait Rehabilitation. Frontiers in neurorobotics. 14, 19(2020).
  5. Bertani, R., Melegari, C., De Cola, M. C., Bramanti, A., Bramanti, P., Calabrò, R. S. Effects of robot-assisted upper limb rehabilitation in stroke patients: a systematic review with meta-analysis. Neurological Sciences. 38 (9), 1561-1569 (2017).
  6. Warutkar, V., Dadgal, R., Mangulkar, U. R. Use of robotics in gait rehabilitation following stroke: A review. Cureus. 14 (11), e31075(2022).
  7. Dipietro, L., et al. Changing motor synergies in chronic stroke. Journal of Neurophysiology. 98 (2), 757-768 (2007).
  8. Dipietro, L., et al. Learning, not adaptation, characterizes stroke motor recovery: evidence from kinematic changes induced by robot-assisted therapy in trained and untrained task in the same workspace. IEEE Trans Neural Syst Rehabil Eng. 20 (1), 48-57 (2012).
  9. Bosecker, C., Dipietro, L., Volpe, B., Krebs, H. I. Kinematic robot-based evaluation scales and clinical counterparts to measure upper limb motor performance in patients with chronic stroke. Neurorehabilitation and Neural Repair. 24 (1), 62-69 (2010).
  10. Krebs, H. I., et al. Robotic measurement of arm movements after stroke establishes biomarkers of motor recovery. Stroke. 45 (1), 200-204 (2014).
  11. Volpe, B. T., et al. Robotic devices as therapeutic and diagnostic tools for stroke recovery. Archives of Neurology. 66 (9), 1086-1090 (2009).
  12. Hogan, N., et al. Motions or muscles? Some behavioral factors underlying robotic assistance of motor recovery. Journal of Rehabilitation Research and Development. 43 (5), 605-618 (2006).
  13. Shadmehr, R., Wise, S. P. The Computational Neurobiology of Reaching and Pointing: A Foundation for Motor Learning. , MIT Press. Cambridge, MA. (2005).
  14. Dipietro, L., Poizner, H., Krebs, H. I. Spatiotemporal dynamics of online motor correction processing revealed by high-density electroencephalography. J Cogn Neurosci. 26 (9), 1966-1980 (2014).
  15. Krebs, H., et al. Rehabilitation robotics: Performance-based progressive robot-assisted therapy. Autonomous Robots. 15, 7-20 (2003).
  16. Colombo, G., Joerg, M., Schreier, R., Dietz, V. Treadmill training of paraplegic patients using a robotic orthosis. Journal of Rehabilitation Research and Development. 37 (6), 693-700 (2000).
  17. Girone, M., et al. A Stewart platform-based system for ankle telerehabilitation. Autonomous Robots. 10, 203-212 (2001).
  18. Saglia, J. A., Tsagarakis, N. G., Dai, J. S., Caldwell, D. G. A high-performance redundantly actuated parallel mechanism for ankle rehabilitation. The International Journal of Robotics Research. 28 (9), 1216-1227 (2009).
  19. A novel reconfigurable ankle/foot rehabilitation robot. Yoon, J., Ryu, J. Proceedings of the 2005 IEEE International Conference on Robotics and Automation, Barcelona, Spain, , 2290-2295 (2005).
  20. Ruthenberg, B. J., Wasylewski, N. A., Beard, J. E. An experimental device for investigating the force and power requirements of a powered gait orthosis. Journal of Rehabilitation Research and Development. 34 (2), 203-213 (1997).
  21. Forrester, L. W., et al. Clinical application of a modular ankle robot for stroke rehabilitation. NeuroRehabilitation. 33 (1), 85-97 (2013).
  22. Díaz, I., Gil, J. J., Sánchez, E. Lower-limb robotic rehabilitation: Literature review and challenges. Journal of Robotics. 2011, 759764(2011).
  23. Zhang, X., Yue, Z., Wang, J. Robotics in lower-limb rehabilitation after stroke. Behavioural Neurology. 2017, 3731802(2017).
  24. Zhang, M., Davies, T. C., Xie, S. Effectiveness of robot-assisted therapy on ankle rehabilitation - a systematic review. Journal of NeuroEngineering and Rehabilitation. 10, 30(2013).
  25. Lo, K., Stephenson, M., Lockwood, C. Effectiveness of robotic assisted rehabilitation for mobility and functional ability in adult stroke patients: a systematic review protocol. JBI Database of Systematic Reviews and Implementation Reports. 15 (1), 39-48 (2017).
  26. Belda-Lois, J. M., et al. Rehabilitation of gait after stroke: a review towards a top-down approach. Journal of NeuroEngineering and Rehabilitation. 8, 66(2011).
  27. Bortole, M., et al. The H2 robotic exoskeleton for gait rehabilitation after stroke: early findings from a clinical study. Journal of NeuroEngineering and Rehabilitation. 12, 54(2015).
  28. Banala, S. K., Kim, S. H., Agrawal, S. K., Scholz, J. P. Robot assisted gait training with active leg exoskeleton (ALEX). IEEE Transactions on Neural Systems and Rehabilitation Engineering. 17 (1), 2-8 (2009).
  29. Bartenbach, V., Wyss, D., Seuret, D., Riener, R. A lower limb exoskeleton research platform to investigate human-robot interaction. 2015 IEEE International Conference on Rehabilitation Robotics (ICORR). 2015, 600-605 (2015).
  30. Hinkle, J. L., et al. Poststroke fatigue: Emerging evidence and approaches to management: A scientific statement for healthcare professionals from the American heart association. Stroke. 48 (7), e159-e170 (2017).
  31. Balardin, J. B., Zimeo Morais, G. A., Furucho, R. A., Trambaiolli, L. R., Sato, J. R. Impact of communicative head movements on the quality of functional near-infrared spectroscopy signals: negligible effects for affirmative and negative gestures and consistent artifacts related to raising eyebrows. Journal of Biomedical Optics. 22 (4), 4601(2017).
  32. Nazeer, H., Naseer, N., Mehboob, A., Khan, M. J., Khan, R. A., Khan, U. S., Ayaz, Y. Enhancing classification performance of fNIRS-BCI by identifying cortically active channels using the z-score method. Sensors. 20 (23), 6995(2020).
  33. Ayaz, H., et al. Optical imaging and spectroscopy for the study of the human brain: status report. Neurophotonics. 9, S24001(2022).
  34. Chen, W. L., et al. Functional near-infrared spectroscopy and its clinical application in the field of neuroscience: Advances and future directions. Frontiers in Neuroscience. 14, 724(2020).
  35. Yamamoto, K., Miyata, T., Onozuka, A., Koyama, H., Ohtsu, H., Nagawa, H. Plantar flexion as an alternative to treadmill exercise for evaluating patients with intermittent claudication. European Journal of Vascular and Endovascular Surgery. 33 (3), 325-329 (2007).
  36. Formenti, D., et al. Effects of knee extension with different speeds of movement on muscle and cerebral oxygenation. PeerJ. 6, 5704(2018).
  37. Miyai, I., et al. Cortical mapping of gait in humans: a near-infrared spectroscopic topography study. NeuroImage. 14 (5), 1186-1192 (2001).
  38. Miyai, I., et al. Premotor cortex is involved in restoration of gait in stroke. Annals of Neurology. 52 (2), 188-194 (2002).
  39. Mihara, M., et al. Sustained prefrontal activation during ataxic gait: a compensatory mechanism for ataxic stroke? NeuroImage. 37 (4), 1338-1345 (2007).
  40. Rea, M., et al. Lower limb movement preparation in chronic stroke: A pilot study toward an fNIRS-BCI for gait rehabilitation. Neurorehabilitation and Neural Repair. 28 (6), 564-575 (2014).
  41. Holtzer, R., Verghese, J., Allali, G., Izzetoglu, M., Wang, C., Mahoney, J. R. Neurological gait abnormalities moderate the functional brain signature of the posture first hypothesis. Brain Topography. 29 (2), 334-343 (2016).
  42. Kim, H. Y., Yang, S. P., Park, G. L., Kim, E. J., You, J. S. Best facilitated cortical activation during different stepping, treadmill, and robot-assisted walking training paradigms and speeds: A functional near-infrared spectroscopy neuroimaging study. NeuroRehabilitation. 38 (2), 171-178 (2016).
  43. Khan, H., Nazeer, H., Engell, H., Naseer, N., Korostynska, O., Mirtaheri, P. Prefrontal cortex activation measured during different footwear and ground conditions using fNIRS-A case study. 2021 IEEE International Conference on Artificial Intelligence and Mechatronics Systems (AIMS). , Bandung, Indonesia. 1-6 (2021).
  44. Lin, P. Y., Chen, J. J., Lin, S. I. The cortical control of cycling exercise in stroke patients: an fNIRS study). Human Brain Mapping. 34 (10), 2381-2390 (2013).
  45. Yang, M., Yang, Z., Yuan, T., Feng, W., Wang, P. A systemic review of functional near-infrared spectroscopy for stroke: Current application and future directions. Frontiers in Neurology. 10, 58(2019).
  46. Berger, A., Horst, F., Müller, S., Steinberg, F., Doppelmayr, M. Current state and future prospects of EEG and fNIRS in robot-assisted gait rehabilitation: A brief review. Frontiers in Human Neuroscience. 13, 172(2019).
  47. Khan, R. A., Naseer, N., Qureshi, N. K., et al. fNIRS-based Neurorobotic Interface for gait rehabilitation. J NeuroEngineering Rehabil. 15 (1), 7(2018).
  48. Khan, H., Naseer, N., Yazidi, A., Eide, P. K., Hassan, H. W., Mirtaheri, P. Analysis of Human Gait Using Hybrid EEG-fNIRS-Based BCI System: A Review. Front. Hum. Neurosci. 14, (2020).
  49. Delpy, D. T., Cope, M. Quantification in tissue near-infrared spectroscopy. Philosophical Transactions of the Royal Society B: Biological Sciences. 352 (1354), 649-659 (1997).
  50. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3, 010401(2016).
  51. Alexandre, F., Heraud, N., Oliver, N., Varray, A. Cortical implication in lower voluntary muscle force production in non-hypoxemic COPD patients. PLoS One. 9 (6), 100961(2014).
  52. Yoon, T., Vanden Noven, M. L., Nielson, K. A., Hunter, S. K. Brain areas associated with force steadiness and intensity during isometric ankle dorsiflexion in men and women. Experimental Brain Research. 232 (10), 3133-3145 (2014).
  53. Ciccarelli, O., et al. Identifying brain regions for integrative sensorimotor processing with ankle movements. Experimental Brain Research. 166 (1), 31-42 (2005).
  54. Udina, C., et al. Functional near-infrared spectroscopy to study cerebral hemodynamics in older adults during cognitive and motor tasks: A review. Frontiers in Aging Neuroscience. 11, 367(2020).
  55. Thickbroom, G. W., Phillips, B. A., Morris, I., Byrnes, M. L., Mastaglia, F. L. Isometric force-related activity in sensorimotor cortex measured with functional MRI. Experimental Brain Research. 121 (1), 59-64 (1998).
  56. Derosière, G., Alexandre, F., Bourdillon, N., Mandrick, K., Ward, T. E., Perrey, S. Similar scaling of contralateral and ipsilateral cortical responses during graded unimanual force generation. NeuroImage. 85 (1), 471-477 (2014).
  57. Shi, P., Li, A., Yu, H. Response of the cerebral cortex to resistance and non-resistance exercise under different trajectories: A functional near-infrared spectroscopy study. Frontiers in Neuroscience. 15, 685920(2021).
  58. Dettmers, C., et al. Relation between cerebral activity and force in the motor areas of the human brain. Journal of Neurophysiology. 74 (2), 802-815 (1995).
  59. Keisker, B., Hepp-Reymond, M. C., Blickenstorfer, A., Kollias, S. S. Differential representation of dynamic and static power grip force in the sensorimotor network. The European Journal of Neuroscience. 31 (8), 1483-1491 (2010).
  60. Harada, T., Miyai, I., Suzuki, M., Kubota, K. Gait capacity affects cortical activation patterns related to speed control in the elderly. Experimental Brain Research. 193 (3), 445-454 (2009).
  61. Saleh, S., et al. The role of premotor areas in dual tasking in healthy controls and persons with multiple sclerosis: An fNIRS imaging study. Frontiers in Behavioral Neuroscience. 12, 296(2018).
  62. Bonnal, J., et al. Relation between cortical activation and effort during robot-mediated walking in healthy people: A functional near-infrared spectroscopy neuroimaging study (fNIRS). Sensors. 22 (15), Basel, Switzerland. 5542(2022).
  63. Shibuya, K., Sadamoto, T., Sato, K., Moriyama, M., Iwadate, M. Quantification of delayed oxygenation in ipsilateral primary motor cortex compared with contralateral side during a unimanual dominant-hand motor task using near-infrared spectroscopy. Brain Research. 1210, 142-147 (2008).
  64. Dai, T. H., Liu, J. Z., Sahgal, V., Brown, R. W., Yue, G. W. Relationship between muscle output and functional MRI-measured brain activation. Experimental brain research. 140 (3), 290-300 (2001).
  65. Cabibel, V., Hordacre, B., Perrey, S. Implication of the ipsilateral motor network in unilateral voluntary muscle contraction: the cross-activation phenomenon. Journal of Neurophysiology. 123 (5), 2090-2098 (2020).
  66. Akselrod, M., Martuzzi, R., Serino, A., vander Zwaag, W., Gassert, R., Blanke, O. Anatomical and functional properties of the foot and leg representation in areas 3b, 1 and 2 of primary somatosensory cortex in humans: A 7T fMRI study. NeuroImage. 159, 473-487 (2017).
  67. Brigadoi, S., Cooper, R. J. How short is short? Optimum source-detector distance for short-separation channels in functional near-infrared spectroscopy. Neurophotonics. 2 (2), 025005(2015).
  68. Funahashi, S. Prefrontal contribution to decision-making under free-choice conditions. Frontiers in Neuroscience. 11, 431(2017).
  69. Simon, S. R., Meunier, M., Piettre, L., Berardi, A. M., Segebarth, C. M., Boussaoud, D. Spatial attention and memory versus motor preparation: premotor cortex involvement as revealed by fMRI. Journal of Neurophysiology. 88 (4), 2047-2057 (2002).
  70. Desmurget, M., Sirigu, A. A parietal-premotor network for movement intention and motor awareness. Trends in Cognitive Sciences. 13 (10), 411-419 (2009).
  71. Nachev, P., Kennard, C., Husain, M. Functional role of the supplementary and pre-supplementary motor areas. Nature reviews. Neuroscience. 9 (11), 856-869 (2008).
  72. Thoenissen, D., Zilles, K., Toni, I. Differential involvement of parietal and precentral regions in movement preparation and motor intention. The Journal of neuroscience: the official journal of the Society for Neuroscience. 22 (20), 9024-9034 (2002).
  73. Al-Quraishi, M. S., Elamvazuthi, I., Tang, T. B., Al-Qurishi, M., Adil, S. H., Ebrahim, M. Bimodal data fusion of simultaneous measurements of EEG and fNIRS during lower limb movements. Brain Sciences. 11 (6), 713(2021).
  74. Bishnoi, A., Holtzer, R., Hernandez, M. E. Brain Activation Changes While Walking in Adults with and without Neurological Disease: Systematic Review and Meta-Analysis of Functional Near-Infrared Spectroscopy Studies. Brain sciences. 11 (3), 291(2021).
  75. Oh, S., Song, M., Kim, J. Validating attentive locomotion training using interactive treadmill: an fNIRS study. Journal of NeuroEngineering and Rehabilitation. 15 (1), 122(2018).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章