Methodenartikel

Weicher pneumatischer Roboter moduliert die Metriken der Graphentheorie des Gehirnnetzwerks für die Rehabilitation der Hand nach einem Schlaganfall

DOI:

10.3791/68588

⸱

10. Oktober 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Rehabilitation Medicine, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, 2College of Sports Medicine, Wuhan Sports University

In diesem Artikel

Zusammenfassung

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

Diese Studie untersucht die Auswirkungen eines konfigurierbaren weichen pneumatischen Roboters auf die Verbesserung der Netzwerktopologie des gesamten Gehirns nach einem Schlaganfall. Die Analyse der Graphentheorie zeigt signifikante Verbesserungen des Clustering-Koeffizienten, der Pfadlänge und der globalen Effizienz. Die Ergebnisse unterstreichen das Potenzial programmierbarer robotischer Protokolle zur Modulation der Neuroplastizität und zur Optimierung der funktionellen Wiederherstellung in der Schlaganfallrehabilitation.

Zusammenfassung

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

Die funktionelle Wiederherstellung der Großhirnrinde beruht auf der aktivitätsabhängigen Neuroplastizität nach einem Schlaganfall. Die Optimierung der robotergestützten Rehabilitation für die Handregeneration bleibt jedoch eine große Herausforderung. Diese Proof-of-Concept-Studie untersucht die Machbarkeit eines konfigurierbaren weichen pneumatischen Roboters bei der Modulation des Gehirnnetzwerks bei zehn Teilnehmern mit handmotorischen Beeinträchtigungen nach einem Schlaganfall. Die programmierbare robotische Intervention wurde in einer randomisierten Sequenz zur Beurteilung des Ruhezustands, des langsamen Modus und der schnellen Robotertherapie verabreicht, indem der Arbeitsmodus, die Aktionszeit und die Interaktionsdauer angepasst wurden. Die funktionelle Nahinfrarotspektroskopie (fNIRS) wurde eingesetzt, um die kortikale Aktivität und funktionelle Konnektivität zu messen. Darüber hinaus wurden graphentheoretische Metriken, einschließlich des Clustering-Koeffizienten, der durchschnittlichen Pfadlänge, des Small-World-Index, der globalen Effizienz, der Gradzentralität und der Eigenvektorzentralität, aus fNIRS-basierten funktionalen Konnektivitätsmatrizen abgeleitet. Die Ergebnisse zeigten, dass robotische Eingriffe den Clustering-Koeffizienten (P = 0,034), die durchschnittliche Weglänge (P = 0,007) und die globale Effizienz (P = 0,001) signifikant verbesserten. Während der Small-World-Index, die Gradzentralität und die Eigenvektorzentralität einen zunehmenden Trend zeigten, erreichten diese Unterschiede keine statistische Signifikanz. Darüber hinaus induzierte die Fast-Mode-Therapie im Vergleich zur Slow-Mode-Therapie stärkere Veränderungen des Clustering-Koeffizienten, was auf einen potenziell stärkeren Effekt auf die neuronale Reorganisation hindeutet. Diese Ergebnisse unterstützen vorläufig den Einsatz von weicher Robotik mit anpassbaren Paradigmen, um die Konnektivität des Gehirnnetzwerks zu verbessern und die Neuroplastizität nach einem Schlaganfall zu erleichtern. Die beobachteten Verbesserungen der globalen Effizienz und der Small-World-Eigenschaften deuten darauf hin, dass die Robotertherapie die kortikale Organisation optimiert und die funktionelle Wiederherstellung fördert. Weitere Studien mit größeren Stichprobengrößen und personalisierten Interventionsprotokollen sind erforderlich, um diese Ergebnisse zu bestätigen und ihre langfristigen Auswirkungen zu untersuchen.

Einleitung

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

Schlaganfall ist nach wie vor eine der Hauptursachen für Todesfälle und langfristige Behinderungen bei Erwachsenen weltweit1. Zu den lähmenden Folgen gehören die beeinträchtigungen der Handmotorik, die wesentliche tägliche Aktivitäten und die funktionelle Unabhängigkeit erheblich beeinträchtigen, wodurch die soziale Teilhabe und die Lebensqualität von Schlaganfallüberlebenden verringertwerden 2,3. Während physikalische Medizin und Rehabilitation für die motorische Genesung von entscheidender Bedeutung sind, führen konventionelle therapeutische Ansätze aufgrund der Komplexität und interindividuellen Variabilität der neuronalen Reorganisation nach einem Schlaganfall oft zu inkonsistenten Ergebnissen4.

In den letzten Jahren hat die robotergestützte Therapie (RAT) aufgrund ihrer Fähigkeit, hochintensives, repetitives und aufgabenspezifisches Training zur Erleichterung der motorischen Regeneration zu ermöglichen, große Aufmerksamkeit erregt5. Um solche Interventionen effektiver anpassen zu können, ist ein besseres Verständnis der neuronalen Biomarker entscheidend für die direkte Modulation durch robotische Interventionen. Dies kann letztendlich dazu beitragen, therapeutische Strategien zu optimieren und die Geschicklichkeit der Hände zu fördern. In einer früheren Studie hat die voxelbasierte Kartierung von Läsionssymptomen gezeigt, dass proximale Beeinträchtigungen der oberen Extremität nach einem Schlaganfall mit Defiziten in absteigenden Trakten aus kortikomotorischen Bereichen und Striatum verbunden sein könnten. Im Unterschied dazu resultieren Beeinträchtigungen der Hand aus isolierten Verletzungen der Hirnrinde6. Die klinischen Ergebnisse für die Handfunktion bleiben jedoch variabel, und die neuronalen Mechanismen, die der motorischen Erholung zugrunde liegen, sind noch nicht vollständig geklärt 7,8,9. Darüber hinaus folgen die meisten kommerziellen Roboterschulungen vordefinierten Protokollen mit begrenzter Anpassungsfähigkeit. Sie geht nicht auf patientenspezifische Bedürfnisse ein und schränkt möglicherweise deren klinische Wirksamkeit ein10.

In den letzten Jahrzehnten haben Neuroimaging-Studien die zentrale Rolle der Reorganisation des Gehirnnetzwerks bei der Genesung von Schlaganfällen hervorgehoben, die durch Veränderungen der funktionellen Aktivität und Konnektivität gekennzeichnet ist. Die funktionelle Nahinfrarotspektroskopie (fNIRS), eine nicht-invasive Technik zur Überwachung der kortikalen Hämodynamik, hat sich als wertvolles Werkzeug zur Beurteilung der neuronalen Dynamik und zur Steuerung von Rehabilitationseinstellungen erwiesen11. Aufgrund seiner Tragbarkeit und Robustheit gegenüber Bewegungsartefakten eignet er sich besonders gut für die Echtzeitüberwachung und Informationsübertragung während der Robotertherapie12. Während frühere Studien Veränderungen der kortikalen Interkonnektivität nach motorischem Training dokumentiert haben, sind die Auswirkungen von RAT auf die Netzwerktopologie des gesamten Gehirns noch unzureichend erforscht13.

Die Charakterisierung von Veränderungen in der Topologie des Gehirnnetzwerks bietet einen wertvollen Einblick in die neuroplastischen Prozesse, die der funktionellen Erholung nach ischämischen oder hämorrhagischen Verletzungen des Gehirns zugrunde liegen. Das menschliche Gehirn funktioniert als komplexes Netzwerk, in dem die neurologische Funktion oder Reparatur sowohl von der regionalen Integrität als auch von den dynamischen Wechselwirkungen zwischen mehreren Bereichen abhängt14. Unter diesen Umständen bietet die Graphentheorie einen robusten Rahmen für die Quantifizierung der Architektur großräumiger Gehirnnetzwerke und bietet Einblicke in die kortikale Organisation auf den Knotenebenen15. Durch die Berechnung wichtiger Netzwerkmetriken wie Clustering-Koeffizient, durchschnittliche Pfadlänge und globale Effizienz können Forscher bewerten, wie RAT die neuronale Informationsverarbeitung und Übertragungskapazität beeinflusst. Wie in der bisherigen Literatur gezeigt, manifestieren sich schlaganfallinduzierte Störungen der Netzwerkintegrität häufig als Veränderungen der Eigenschaften der kleinen Welt und der topologischen Gesamtorganisation16,17. Rehabilitation, insbesondere aufgabenspezifisches und repetitives Training, wurde mit kortikaler Reorganisation in Verbindung gebracht. Der genaue Einfluss verschiedener robotischer Eingriffe auf diese Netzwerkdynamik ist jedoch noch unzureichend verstanden18.

Ziel dieser Studie ist es, die Machbarkeit eines programmierbaren weichen pneumatischen Roboters bei der Modulation der Netzwerkdynamik des Gehirns bei Menschen zu untersuchen, die einen Schlaganfall erlitten haben. Im Vergleich zu Handbeuge-/Streckübungen in bestehenden Roboterparadigmen hat der aktuelle pneumatische Roboter Vorteile bei der Anpassung des Arbeitsmodus, der Aktionszeit und der Interaktionsdauer für die gewünschten Bewegungen, wie z. B. Greifen, Loslassen und Kneifen19,20. Diese verschiedenen Arten der Mensch-Roboter-Interaktion können eine gezieltere Stimulation der sensomotorischen kortikalen Bereiche ermöglichen. Ein solches Paradigma kann möglicherweise die Neuroplastizität in Regionen fördern, die mit der Wiederherstellung der Handfunktion verbunden sind13. Darüber hinaus wurde eine fNIRS-basierte Analyse der Graphentheorie für verschiedene therapeutische Bedingungen verwendet, um zu beurteilen, wie individualisierte Roboterstrategien die motorische Erholung der Hand optimieren können. Darüber hinaus konnten die neuronalen Mechanismen, die der sanften robotischen Rehabilitation zugrunde liegen, vorab aufgeklärt werden. Das Verständnis dieser Anpassungen auf Netzwerkebene kann die Entwicklung gezielter, neurophysiologisch gesteuerter Rehabilitationsprotokolle beeinflussen und letztendlich die Genesung der Hände bei Schlaganfallüberlebenden verbessern.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Diese Studie wurde von der Ethikkommission des Tongji-Krankenhauses, Wuhan, China, genehmigt. Alle Forschungsprotokolle hielten sich an die in der Deklaration von Helsinki dargelegten Prinzipien. Vor ihrer Aufnahme in die Studie wurde von allen Teilnehmern eine schriftliche Einverständniserklärung eingeholt. Die verwendeten Geräte und Software sind in der Materialtabelle aufgeführt.

1. Teilnehmer

  1. Berücksichtigen Sie die folgenden Einschlusskriterien:
    1. Alter zwischen 18 und 75 Jahren.
    2. Erster ischämischer oder hämorrhagischer Schlaganfall, der durch CT oder MRT bestätigt wurde.
    3. Medizinisch stabiler Zustand.
    4. Unterschreiben Sie die Einverständniserklärung persönlich oder von ihrem/ihren Bevollmächtigten.
  2. Berücksichtigen Sie die folgenden Ausschlusskriterien:
    1. Schwere Aphasie, kognitive Beeinträchtigungen, Bewusstseinsstörungen oder Unfähigkeit, mit dem Interventions- oder Bewertungsprotokoll zusammenzuarbeiten.
    2. Unfähigkeit, mindestens 20 Minuten sitzen zu bleiben.
    3. Schwere Anomalien des Muskeltonus (modifizierter Ashworth-Skala-Score ≥2).

2. Weiches pneumatisches Robotersystem

  1. Geräteanschluss und Inbetriebnahme
    1. Stecken Sie das Netzkabel des Robotersystems in eine Steckdose.
    2. Schalten Sie den Computer ein, indem Sie die Taste am Computerturm drücken.
    3. Schließen Sie die beiden Stromkabel der Luftpumpe an die Steckdose und den weichen pneumatischen Handschuh an.
    4. Drücken Sie den grünen Netzschalter auf der Rückseite des Robotersystems, um das Gerät zu aktivieren.
  2. Tragen des weichen pneumatischen Roboters
    1. Unterstützen Sie den Teilnehmer beim Tragen des weichen pneumatischen Roboters an der betroffenen Hand und sorgen Sie für einen sicheren Sitz um die Handfläche und die Finger.
    2. Befestigen Sie den Roboter mit dem Velcro-Gurt und stellen Sie sicher, dass er sicher von der dorsalen Seite des Daumens bis zur Thenar-Eminenz auf der Handflächenseite positioniert ist, um eine optimale Stabilität zu gewährleisten.
  3. Robotersteuerung und Modusauswahl
    1. Drücken Sie die grüne Taste "Verbinden" unterhalb des Bildgebungsgeräts.
    2. Wählen Sie auf der Computeroberfläche den Roboter-Inhalationsmodus aus.
    3. Konfigurieren Sie den Kommunikationsanschluss (Com 7), um eine ordnungsgemäße Gerätekonnektivität sicherzustellen.
    4. Wählen Sie den geeigneten Aufblas-Entleerungsmodus und bestätigen Sie die Parametereinstellungen, ohne den Patienten Unbehagen zu bereiten. Langsamer Modus: 2000 ms Aktionszeit (0,5 Hz) mit 75 % Interaktionsdauer. Schneller Modus: 200 ms Aktionszeit (5 Hz) mit 75 % Interaktionsdauer21 (Abbildung 1).

figure-protocol-1
Abbildung 1: Versuchsausrüstung und Konfiguration. (A) Versuchsaufbau. (B) Weiche Roboterkonfiguration. (C) Weicher pneumatischer Roboter. (D) fNIRS-Konfiguration und -Kalibrierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

3. Funktionelle Nahinfrarotspektroskopie (fNIRS)

  1. Geräteanschluss und Initialisierung
    1. Nutzen Sie das kontinuierliche fNIRS-System, um die Daten aller Teilnehmer aufzuzeichnen. Das System emittiert Nahinfrarotlicht mit Wellenlängen von 690 nm und 830 nm, das 2-3 cm unter die Großhirnrinde dringt, mit einer Abtastfrequenz von 100 Hz.
    2. Schalten Sie die Steckdosenleiste ein, um alle angeschlossenen Geräte mit Strom zu versorgen.
    3. Drücken Sie die Ein-/Aus-Taste am fNIRS-Gerät und warten Sie, bis die Kontrollleuchte aufleuchtet.
    4. Sorgen Sie für eine stabile Verbindung zwischen dem Computer und dem fNIRS-System für eine unterbrechungsfreie Datenübertragung.
  2. Software-Start und Eingabe von Patienteninformationen
    1. Starten Sie das fNIRS-System und überprüfen Sie die Stabilität der WLAN-Verbindung.
    2. Navigieren Sie zur Patientenverwaltung, um ein neues Profil zu erstellen: Klicken Sie auf Patient hinzufügen, geben Sie die Informationen des Teilnehmers ein und vergeben Sie eine Identifikationsnummer.
  3. Tragen der fNIRS-Signalerfassungskappe
    1. Wählen Sie eine fNIRS-Kappe in geeigneter Größe. Positionieren Sie das Etikett mit der Sensornummer leicht über der Mitte der Stirn, um sicherzustellen, dass die Kopfhaut richtig haftet. Richten Sie die FPZ- und CZ-Optoden des 10-20 EEG-Systems aus. Sichern Sie die Detektoren und Lichtquellen mit einem flexiblen Kopfband, um einen optimalen Kontakt mit der Haut zu gewährleisten.
    2. Weisen Sie den Teilnehmer während der Datenerfassung an, in einem ruhigen, entspannten Zustand zu bleiben, mit ruhigem Kopf und offenen Augen.
    3. Weisen Sie den Teilnehmer vor dem formellen Prozess der Datenerfassung an, sich 2 Minuten lang ruhig auszuruhen, ohne einzuschlafen.
  4. Datenerfassung
    1. Wählen Sie das Versuchsprotokoll über die Softwareschnittstelle auf dem Rechner des fNIRS-Systems aus.
    2. Führen Sie die Signalkalibrierung über die Softwareschnittstelle durch, um Lichtverluste zu minimieren und eine Signalstärke von ≥75 % bei minimalem Rauschen zu erreichen.
    3. Wenn die Kalibrierung fehlschlägt, passen Sie die Sensorplatzierung an und wiederholen Sie den Vorgang. Die Optodensensoren bestehen aus Leuchtdioden und Photodetektoren. Diese Optoden sind so konzipiert, dass sie Nahinfrarotlicht bei bestimmten Wellenlängen emittieren und detektieren können.
    4. Führen Sie eine Datumsaufzeichnung der Großhirnrinde über die Softwareschnittstelle durch und weisen Sie den Teilnehmer an, entspannt zu bleiben und Kopfbewegungen zu vermeiden.
    5. Stellen Sie sicher, dass Sie die experimentelle Aufgabe nach der Zufallssequenz initiieren und kontinuierlich Daten sammeln. Das fNIRS-System überwacht und zeichnet kontinuierlich Daten zur zerebralen Sauerstoffversorgung und Hämodynamik auf.
    6. Beenden Sie nach Abschluss der Aufgabe die Datenerfassung, und speichern Sie die experimentellen Daten sicher.

figure-protocol-2
Abbildung 2: Experimenteller Aufbau des fNIRS-Systems und neuronale Bewertung. (A) Optodenkonfiguration des fNIRS-Systems und des Datenerfassungsprotokolls. (B) Visualisierung der Gehirnaktivierung aus der anterioren, posterioren, linken lateralen, rechten lateralen und oberen Perspektive. (C) Analyse der funktionellen Konnektivität des gesamten Gehirns. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

4. Datenanalyse

  1. Vorverarbeitung der fNIRS-Rohdaten
    1. Wenden Sie Bandpass-Filterung an, um Rauschen und Artefakte aus den Rohdaten zu entfernen. Typische Frequenzen für fNIRS-Daten liegen zwischen 0,01 Hz und 0,2 Hz, um langsame Veränderungen der Gehirnaktivität zu erfassen.
    2. Korrektur von Bewegungsartefakten durch Wavelet-Zerlegung und unabhängige Komponentenanalyse (ICA). Führen Sie insbesondere eine Wavelet-Zerlegung des fNIRS-Rohsignals mit einem Daubechies 4-Wavelet mit einem Zerlegungsgrad von 3 durch.
      1. Wenden Sie weiche Schwellenwerte auf die Wavelet-Koeffizienten an, um das Rauschen zu reduzieren und gleichzeitig die Signalmerkmale beizubehalten. Rekonstruieren Sie das Signal aus den Schwellwertkoeffizienten. Wenden Sie ICA auf das rekonstruierte Signal an, um Komponenten zu identifizieren und zu entfernen, die Bewegungsartefakten entsprechen.
    3. Unterteilen Sie das kontinuierliche fNIRS-Signal in Epochen, die unterschiedlichen Bedingungen entsprechen. Identifizieren Sie insbesondere die Zeitpunkte, die dem Beginn und Offset der einzelnen Versuchsbedingungen entsprechen. Segmentieren Sie das kontinuierliche Signal in Epochen, basierend auf dem Versuchsdesign (Abbildung 2) und ihren zufälligen Sequenzen.
  2. Berechnen der hämodynamischen Reaktion
    1. Wandeln Sie die Rohintensitätsmessungen aus dem fNIRS-System in optische Dichteänderungen nach dem Beer-Lambert-Gesetz um.
    2. Verwenden Sie das modifizierte Beer-Lambert-Gesetz, um Änderungen der Konzentrationen von Inoxyhämoglobin (HbO) und Desoxyhämoglobin (HbR) abzuschätzen. Dabei geht es in der Regel darum, ein Gleichungssystem zu lösen, das auf der Quellen-Detektor-Geometrie und den verwendeten Wellenlängen von 690 nm basiert.
    3. Erstellen Sie 3D-Karten zur Aktivierung des Gehirns, indem Sie die Veränderungen der HbO-Konzentration in den Gehirnregionen visualisieren. Verwenden Sie insbesondere anatomische Orientierungspunkte und das internationale 10-20-System, um die fNIRS-Kanäle auf die entsprechenden Hirnregionen zu projizieren.
      1. Schätzen Sie die Änderungen der HbO-Konzentration über die gesamte Gehirnoberfläche basierend auf den gemessenen Kanälen. Projizieren Sie die Aktivierungskarten auf standardisierte Gehirnvorlagen (MNI-Vorlagen), um die Visualisierung zu erleichtern.
    4. Nutzen Sie die funktionelle Konnektivität, um die neuronale Koaktivierung im gesamten Gehirn abzubilden, indem Sie den Pearson-Korrelationskoeffizienten zwischen allen Kanalpaaren berechnen. Dieser Koeffizient quantifiziert die lineare Beziehung zwischen Kanalpaaren und dient als Grundlage für den Aufbau des funktionalen Konnektivitätsnetzwerks. Verwenden Sie das Open-Source-Skript R (mit ggplot2), um das resultierende Netzwerk zu visualisieren.
  3. Analyse der Graphentheorie
    1. Extrahieren Sie graphentheoretische Metriken (einschließlich Clustering-Koeffizient, durchschnittliche Pfadlänge, Small-World-Index, globale Effizienz, Gradzentralität und Eigenvektorzentralität) aus fNIRS-abgeleiteten funktionalen Konnektivitätsmatrizen16,22.
    2. Berechnen Sie den Clustering-Koeffizienten:
      figure-protocol-3
      Dabei bezeichnet ei die Kantenzahl zwischen den Nachbarn des Knotens i, N die Gesamtzahl der Knoten im Netzwerk (fNIRS-Kanäle) und ki den Grad des Knotens i. Messen Sie mithilfe des Clustering-Koeffizienten den Grad, in dem Knoten in einem Netzwerk-Cluster zusammenwachsen.
      HINWEIS: Quantifizieren Sie insbesondere die Wahrscheinlichkeit, dass zwei Nachbarn eines Knotens ebenfalls miteinander verbunden sind. Stellen Sie sicher, dass ein hoher Clustering-Koeffizient stark miteinander verbundene Nachbarn widerspiegelt, was auf lokalisierte, zusammenhängende Netzwerkstrukturen des Gehirns hinweist. Neuroplastizität kann den Clustering-Koeffizienten verändern, indem sie neue Verbindungen bildet oder bestehende verstärkt, um die lokalisierte neuronale Aktivität zu unterstützen.
    3. Berechnen Sie die durchschnittliche Weglänge:
      figure-protocol-4
      Dabei steht d(i,j) für die kürzeste Pfadlänge zwischen den Knoten i und j und N für die Gesamtzahl der Knoten im Netzwerk.
      1. Verwenden Sie die durchschnittliche Pfadlänge, um die durchschnittliche Anzahl der Schritte zu messen, die erforderlich sind, um alle Knotenpaare in einem Netzwerk zu durchlaufen. Kürzere durchschnittliche Weglängen deuten auf eine effizientere Informationsübertragung über das Gehirnnetzwerk hin.
        HINWEIS: Neuroplastizität kann die durchschnittliche Weglänge reduzieren, indem sie neue Verbindungen schafft, die als Abkürzungen zwischen entfernten Gehirnregionen fungieren, die Fähigkeit des Gehirns zur Integration von Informationen verbessern und die allgemeine motorische Kontrollfunktion verbessern.
    4. Small-World-Index berechnen:
      figure-protocol-5
      Dabei bezeichnen Creal und Lreal den Clustering-Koeffizienten und die durchschnittliche Pfadlänge des realen Netzwerks, und Crand und Lrand bezeichnen die eines zufälligen Netzwerks mit der gleichen Anzahl von Knoten und Kanten. Verwenden Sie den Small-World-Index, um das Gleichgewicht zwischen lokalem Clustering und globaler Integration im Netzwerk zu bewerten.
      HINWEIS: Ein Small-World-Netzwerk weist eine hohe Cluster-Bildung und kurze Pfadlängen auf, die eine effiziente Kommunikation ermöglichen, während lokale Gruppierungen erhalten bleiben. Neuroplastizität kann die Eigenschaften der kleinen Welt verbessern, indem sie neue Verbindungen bildet, die die lokale Clusterbildung bei gleichzeitiger Beibehaltung kurzer Weglängen erhöhen und so adaptive neuronale Veränderungen und Handgeschicklichkeit unterstützen.
    5. Berechnen Sie den globalen Wirkungsgrad:
      figure-protocol-6
      Dabei steht d(i,j) für die kürzeste Pfadlänge zwischen den Knoten i und j und N für die Gesamtzahl der Knoten im Netzwerk. Nutzen Sie die globale Effizienz, um die Fähigkeit des Netzwerks zum globalen Informationsaustausch zu bewerten. Höhere Werte deuten auf eine schnellere Informationsübertragung über das gesamte Gehirnnetzwerk hin, was ein gut vernetztes System widerspiegelt.
      HINWEIS: Neuroplastizität kann die globale Effizienz steigern, indem sie die Topologie des Netzwerks optimiert, was zu einer besseren Integration von Informationen über verschiedene Gehirnregionen hinweg führt und komplexe Handfunktionen unterstützt.
    6. Berechnen Sie die Gradzentralität:
      figure-protocol-7
      Dabei bezeichnet ki den Grad des Knotens . Verwenden Sie die Gradzentralität, um die Anzahl der direkten Verbindungen eines Knotens im Netzwerk zu quantifizieren. Knoten mit einem hohen Grad an Zentralität fungieren als primäre Kommunikationsknotenpunkte. Neuroplastizität kann den Grad der Zentralität bestimmter Knoten erhöhen, indem sie neue Verbindungen bildet, wodurch ihre Rolle im Netzwerk verbessert und die Fähigkeit des Gehirns zur Anpassung und Reorganisation unterstützt wird.
    7. Berechnen Sie Eigenvektorzentralität:
      figure-protocol-8
      Dabei steht A für die Adjazenzmatrix und v für den Eigenvektor, der dem größten Eigenwert λ entspricht. Verwenden Sie die Eigenvektorzentralität, um den Einfluss eines Knotens basierend auf seinen Verbindungen zu gut verbundenen Knoten zu bewerten.
      HINWEIS: Knoten mit hoher Eigenvektorzentralität sind für hierarchische Netzwerke von zentraler Bedeutung. Neuroplastizität kann die Eigenvektorzentralität bestimmter Knoten erhöhen, indem sie Verbindungen mit anderen hochgradig verbundenen Knoten herstellt und so deren Rolle bei der Unterstützung der Fähigkeit des Gehirns, Informationen effizient zu verarbeiten, verbessert.
  4. Statistische Auswertungen
    1. Organisieren Sie die Daten im Langformat in der Statistiksoftware und stellen Sie sicher, dass die Metriken der Graphentheorie, die Versuchsbedingungen und die Teilnehmerkennungen richtig strukturiert sind. Vor der Durchführung der ANOVA sind die Annahmen der Normalität und Homogenität der Varianzen zu überprüfen, indem der Shapiro-Wilk-Test23 für die Normalität und der Levene-Test für die Varianzhomogenität24 verwendet werden.
    2. Fahren Sie mit der Durchführung der unidirektionalen ANOVA fort, um zu bewerten, ob es signifikante Unterschiede in den Metriken der Graphtheorie zwischen den drei Bedingungen gibt. Wenn die ANOVA ein signifikantes Ergebnis liefert (P < 0,05), führen Sie anschließend Post-hoc-Vergleiche durch, um spezifische Unterschiede zwischen den Bedingungen zu identifizieren.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Insgesamt 10 Personen mit Schlaganfall wurden in die Studie aufgenommen und in randomisierter Reihenfolge einer Ruhezustandsbewertung, einer Slow-Mode-Robotertherapie und einer Fast-Mode-Robotertherapie unterzogen. Die Ergebnisse zeigten die Machbarkeit der Individualisierung der Neuroplastizitätsmodulation durch Programmierung des robotischen Protokolls und Berechnung der graphentheoretischen Metriken des Gehirnnetzwerks. Während der Soft-Robotik-Therapie ermöglichte die gleichzeitige f...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Diese Studie untersuchte die neuroplastischen Auswirkungen eines konfigurierbaren weichen pneumatischen Roboters auf die Dynamik des Gehirnnetzwerks bei Personen mit Schlaganfall unter Verwendung einer fNIRS-basierten Graphentheorieanalyse. Die Ergebnisse deuten darauf hin, dass die Soft-Robotik-Therapie die topologische Organisation verteilter Gehirnnetzwerke effektiv moduliert, wobei die Teilnehmer eine hohe Compliance zeigten. Insbesondere wurden signifikante Veränderungen des Cluster...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Danksagungen

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

Diese Arbeit wurde unterstützt durch das Hubei Provincial Major Science and Technology Special Project (Nr. 2023BCA002), das interdisziplinäre Forschungsunterstützungsprogramm der Huazhong University of Science and Technology (Nr. 2024JCYJ067), die Natural Science Foundation der Provinz Hubei, China (Nr. 2024AFB043) und den Forschungsfonds des Tongji-Krankenhauses (Nr. 2024B24).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
106-Kanal-fNIRS-GerätWuhan Znion Technology Co., LTDBS-2000Programmumsetzung
Fenger-GelenkrehabilitationssystemNanjing Reseader Medical Technology Co., LTD.RSD RS3Rehabilitationsintervention
R-SoftwareR-StiftungVersion 4.2.1Statistische Analyse
SPSS-SoftwareIBMVersion 22.0Statistische Analyse

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. He, Q., et al. Global, regional, and national burden of stroke, 1990-2021: A systematic analysis for global burden of disease 2021. Stroke. 55 (12), 2815-2824 (2024).
  2. Houwink, A., Nijland, R. H., Geurts, A. C., Kwakkel, G. Functional recovery of the paretic upper limb after stroke: Who regains hand capacity. Arch Phys Med Rehabil. 94 (5), 839-844 (2013).
  3. Hirayama, K., Matsuda, M., Teruya, M., Fuchigami, T., Morioka, S. Trends in amount of use to upper limb function in patients with subacute stroke: A cross-sectional study using segmental regression analysis. BMC Neurol. 23 (1), 429(2023).
  4. Feigin, V. L., Owolabi, M. O. Pragmatic solutions to reduce the global burden of stroke: A world stroke organization-lancet neurology commission. Lancet Neurol. 22 (12), 1160-1206 (2023).
  5. Chen, Z. J., et al. Exoskeleton-assisted anthropomorphic movement training for the upper limb after stroke: The eamt randomized trial. Stroke. 54 (6), 1464-1473 (2023).
  6. Lin, D. J., et al. Distinguishing distinct neural systems for proximal vs distal upper extremity motor control after acute stroke. Neurology. 101 (4), e347-e357 (2023).
  7. Rizor, E., et al. Brain-hand function relationships based on level of grasp function in chronic left-hemisphere stroke. Neurorehabil Neural Repair. 38 (10), 752-763 (2024).
  8. Chong, B., Wang, A., Stinear, C. M. Proportional recovery after stroke: Addressing concerns regarding mathematical coupling and ceiling effects. Neurorehabil Neural Repair. 37 (7), 488-498 (2023).
  9. Gao, Z., et al. Restoring after central nervous system injuries: Neural mechanisms and translational applications of motor recovery. Neurosci Bull. 38 (12), 1569-1587 (2022).
  10. Micera, S., Caleo, M., Chisari, C., Hummel, F. C., Pedrocchi, A. Advanced neurotechnologies for the restoration of motor function. Neuron. 105 (4), 604-620 (2020).
  11. Ricardo Sato, J., et al. An experiment using functional near-infrared spectroscopy and robot-assisted multi-joint pointing movements of the lower limb. J Vis Exp. (208), e66004(2024).
  12. Kim, J., Kim, E., Lee, S. H., Lee, G., Kim, Y. H. Use of cortical hemodynamic responses in digital therapeutics for upper limb rehabilitation in patients with stroke. J Neuroeng Rehabil. 21 (1), 115(2024).
  13. Liu, P., et al. Brain activation pattern caused by soft rehabilitation glove and virtual reality scenes: A pilot fNIRS study. IEEE Trans Neural Syst Rehabil Eng. 32, 3848-3857 (2024).
  14. Wang, J., He, Y. Toward individualized connectomes of brain morphology. Trends Neurosci. 47 (2), 106-119 (2024).
  15. Vecchio, F., Miraglia, F., Pappalettera, C., Rossini, P. M. Brain network modulation in response to directional and non-directional cues: Insights from EEG connectivity and graph theory. Clin Neurophysiol. 171, 146-153 (2025).
  16. Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabil Neural Repair. 31 (1), 81-94 (2017).
  17. Li, Y., Yu, Z., Wu, P., Chen, J. The disrupted topological properties of structural networks showed recovery in ischemic stroke patients: A longitudinal design study. BMC Neurosci. 22 (1), 47(2021).
  18. Pavan, A., et al. Implementation of a robot-mediated upper limb rehabilitation protocol for a customized treatment after stroke: A retrospective analysis. NeuroRehabilitation. 54 (3), 411-420 (2024).
  19. Yurkewich, A., Kozak, I. J., Hebert, D., Wang, R. H., Mihailidis, A. Hand extension robot orthosis (hero) grip glove: Enabling independence amongst persons with severe hand impairments after stroke. J Neuroeng Rehabil. 17 (1), 33(2020).
  20. Syringas, P., et al. Exploring new tools in upper limb rehabilitation after stroke using an exoskeletal aid: A pilot randomized control study. Healthcare (Basel). 13 (1), 91(2025).
  21. Nurmi, T., Henriksson, L., Piitulainen, H. Optimization of proprioceptive stimulation frequency and movement range for fMRI. Front Hum Neurosci. 12, 477(2018).
  22. Akila, V., Johnvictor, A. C. Functional near infrared spectroscopy for brain functional connectivity analysis: A graph theoretic approach. Heliyon. 9 (4), e15002(2023).
  23. Chen, Z., et al. Action observation treatment-based exoskeleton (aot-exo) for upper extremity after stroke: Study protocol for a randomized controlled trial. Trials. 22 (1), 222(2021).
  24. Li, X., et al. Association of type 2 diabetes mellitus and glycemic control with intracranial plaque characteristics in patients with acute ischemic stroke. J Magn Reson Imaging. 54 (2), 655-666 (2021).
  25. Park, J. M., et al. Effects of robot-assisted therapy for upper limb rehabilitation after stroke: An umbrella review of systematic reviews. Stroke. , (2025).
  26. Singh, N., Saini, M., Kumar, N., Srivastava, M. V. P., Mehndiratta, A. Evidence of neuroplasticity with robotic hand exoskeleton for post-stroke rehabilitation: A randomized controlled trial. J Neuroeng Rehabil. 18 (1), 76(2021).
  27. Ti, C. E., Hu, C., Yuan, K., Chu, W. C., Tong, R. K. Uncovering the neural mechanisms of inter-hemispheric balance restoration in chronic stroke through EMG-driven robot hand training: Insights from dynamic causal modeling. IEEE Trans Neural Syst Rehabil Eng. 32, 1-11 (2024).
  28. Jia, T., et al. Tailoring brain-machine interface rehabilitation training based on neural reorganization: Towards personalized treatment for stroke patients. Cereb Cortex. 33 (6), 3043-3052 (2023).
  29. Liu, X., et al. Effects of motor imagery-based brain-computer interface on upper limb function and attention in stroke patients with hemiplegia: A randomized controlled trial. BMC Neurol. 23 (1), 136(2023).
  30. Li, W., et al. Bioinspired smart triboelectric soft pneumatic actuator-enabled hand rehabilitation robot. Adv Mater. 37 (9), e2419059(2025).
  31. Herbet, G., Duffau, H. Revisiting the functional anatomy of the human brain: Toward a meta-networking theory of cerebral functions. Physiol Rev. 100 (3), 1181-1228 (2020).
  32. Tang, Z., et al. Evidence that robot-assisted gait training modulates neuroplasticity after stroke: An fMRI pilot study based on graph theory analysis. Brain Res. 1842, 149113(2024).
  33. Wang, J., et al. Test-retest reliability of functional connectivity networks during naturalistic fMRI paradigms. Hum Brain Mapp. 38 (4), 2226-2241 (2017).
  34. Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. Int J Psychophysiol. 146, 133-138 (2019).
  35. Nemati, P. R., et al. Brain network topology early after stroke relates to recovery. Brain Commun. 4 (2), fcac049(2022).
  36. Shi, X., et al. An interactive soft robotic hand-task training system with wireless task boards and daily objects on post-stroke rehabilitation. Wearable Technol. 6, e4(2025).
  37. Zhou, Y., et al. Predicting upper limb motor recovery in subacute stroke patients via FNIRS-measured cerebral functional responses induced by robotic training. J Neuroeng Rehabil. 21 (1), 226(2024).
  38. Senadheera, I., et al. AI applications in adult stroke recovery and rehabilitation: A scoping review using AI. Sensors (Basel). 24 (20), 6568(2024).
  39. Chen, S., et al. Brain-computer interfaces in 2023-2024. Brain-X. 3 (1), e70024(2025).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Modulation von GehirnetzwerkenSchlaganfallrehabilitationfunktionelle NaherinfrarotspektroskopieClustering Koeffizientglobale Effizienzrobotergest tzte TherapieSteigerung der Neuroplastizit t

Verwandte Artikel