Article de méthode

Indices de réseau d’électroencéphalographie en tant que biomarqueurs de l’atteinte des membres supérieurs dans les accidents vasculaires cérébraux chroniques

DOI :

10.3791/64753

⸱

14 juillet 2023

 ,  ,  ,  ,  ,  ,  , 
1Department of Electronics and Information Engineering, Korea University, 2Department of Rehabilitation Medicine, Seoul National University College of Medicine, Seoul National University Bundang Hospital, 3Interdisciplinary Graduate Program for Artificial Intelligence Smart Convergence Technology, Korea University

* These authors contributed equally

Dans cet article

Résumé

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

Le protocole expérimental démontre le paradigme d’acquisition et d’analyse des signaux d’électroencéphalographie (EEG) lors du mouvement des membres supérieurs chez les personnes ayant subi un AVC. L’altération du réseau fonctionnel des bandes de fréquences EEG à faible bêta a été observée lors du mouvement du membre supérieur altéré et a été associée au degré de déficience motrice.

Résumé

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

L’altération des signaux d’électroencéphalographie (EEG) lors d’un mouvement spécifique à la tâche du membre handicapé a été signalée comme un biomarqueur potentiel de la gravité de la déficience motrice et de la prédiction de la récupération motrice chez les personnes ayant subi un AVC. Lors de la mise en œuvre d’expériences EEG, des paradigmes détaillés et des protocoles d’expérience bien organisés sont nécessaires pour obtenir des résultats robustes et interprétables. Dans ce protocole, nous illustrons un paradigme spécifique à la tâche avec le mouvement des membres supérieurs et les méthodes et techniques nécessaires à l’acquisition et à l’analyse des données EEG. Le paradigme consiste en 1 min de repos suivi de 10 essais comprenant une alternance de 5 s et 3 s d’états de repos et de tâche (extension de la main), respectivement, sur 4 séances. Les signaux EEG ont été acquis à l’aide de 32 électrodes de cuir chevelu Ag/AgCl à une fréquence d’échantillonnage de 1 000 Hz. Une analyse des perturbations spectrales liées aux événements associés au mouvement des membres et des analyses de réseaux fonctionnels au niveau global dans la bande de fréquences à faible bêta (12-20 Hz) ont été effectuées. Des résultats représentatifs ont montré une altération du réseau fonctionnel des bandes de fréquences EEG à faible bêta pendant le mouvement du membre supérieur altéré, et l’altération du réseau fonctionnel a été associée au degré de déficience motrice chez les patients ayant subi un AVC chronique. Les résultats démontrent la faisabilité du paradigme expérimental dans les mesures EEG lors du mouvement des membres supérieurs chez les personnes ayant subi un AVC. D’autres recherches utilisant ce paradigme sont nécessaires pour déterminer la valeur potentielle des signaux EEG en tant que biomarqueurs de la déficience motrice et de la récupération.

Introduction

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

La déficience motrice des membres supérieurs est l’une des conséquences les plus courantes de l’AVC et est liée à des limitations dans les activités de la vie quotidienne 1,2. Les rythmes alpha (8-13 Hz) et bêta (13-30 Hz) sont connus pour être étroitement associés aux mouvements. En particulier, des études ont montré que l’altération de l’activité neuronale dans les bandes de fréquences alpha et bêta inférieure (12-20 Hz) pendant le mouvement d’un membre handicapé est corrélée au degré de déficience motrice chez les personnes ayant subi un AVC 3,4,5. Sur la base de ces résultats, l’électroencéphalographie (EEG) est apparue comme un biomarqueur potentiel qui reflète à la fois la gravité de la déficience motrice et la possibilité de récupération motrice 6,7. Cependant, les biomarqueurs basés sur l’EEG précédemment développés se sont avérés inadéquats pour étudier les caractéristiques de la déficience motrice chez les personnes ayant subi un AVC, en grande partie en raison de leur dépendance aux données EEG à l’état de repos plutôt qu’aux données EEG induites par la tâche 8,9,10. Le traitement complexe de l’information lié aux déficiences motrices, telles que l’interaction entre les hémisphères ipsilésion et contralésionnel, ne peut être révélé que par des données EEG induites par la tâche, et non par un EEG à l’état de repos. Par conséquent, d’autres études ne sont pas seulement nécessaires pour explorer la relation entre les activités neuronales et les caractéristiques de la déficience motrice et pour clarifier l’utilité de l’EEG généré pendant le mouvement de la partie du corps altérée en tant que biomarqueur potentiel de la déficience motrice chez les personnes ayant subi un AVC11.

La mise en œuvre de l’EEG pour évaluer les effets comportementaux nécessite des paradigmes et des protocoles spécifiques à la tâche. À ce jour, divers protocoles EEG ont été suggérés12, dans lesquels des personnes ayant subi un AVC ont effectué des mouvements imaginaires ou réels pour induire des activités cérébrales liées au mouvement11,13. Dans le cas des mouvements imaginés, environ 53,7 % des participants ne pouvaient pas imaginer avec certitude un mouvement correspondant (appelé « analphabétisme ») et n’ont donc pas réussi à induire des activités cérébrales liées au mouvement14. De plus, il est difficile pour les personnes ayant subi un AVC grave de bouger tout le membre supérieur, et il existe une possibilité d’artefacts inutiles lors de l’acquisition des données en raison de mouvements instables. Par conséquent, des conseils basés sur le savoir-faire d’experts sont nécessaires pour acquérir des données EEG de haute qualité liées à la tâche et des résultats interprétables neurophysiologiquement. Dans cette étude, nous avons conçu de manière exhaustive un paradigme expérimental permettant aux personnes ayant subi un AVC d’effectuer une tâche relativement simple de mouvement de la main et nous avons fourni une procédure expérimentale avec des conseils détaillés.

En décrivant le protocole expérimental visualisé dans cet article, nous avons cherché à illustrer les concepts et méthodes spécifiques utilisés pour l’acquisition et l’analyse des activités neuronales liées au mouvement du membre supérieur à l’aide d’un système EEG. En démontrant la différence dans les activités neuronales via l’EEG entre les membres supérieurs parétiques et non parétiques chez les participants ayant subi un AVC hémiplégique, cette étude visait à présenter la faisabilité de l’EEG en utilisant le protocole décrit comme biomarqueur potentiel de la sévérité de la déficience motrice chez les personnes ayant subi un AVC dans un contexte transversal.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Toutes les procédures expérimentales ont été examinées et approuvées par le Comité d’examen institutionnel de l’hôpital Bundang de l’Université nationale de Séoul. Pour les expériences de cette étude, 34 participants ayant subi un AVC ont été recrutés. Le consentement éclairé signé de tous les participants a été obtenu. Un consentement éclairé signé a été obtenu d’un représentant légal si un participant répondait aux critères, mais ne pouvait pas signer le formulaire de consentement en raison d’un handicap.

1. Dispositif expérimental

  1. Recrutement de patients
    1. Effectuez le processus de sélection en utilisant les critères d’inclusion suivants :
      Âgés de 18 à 85 ans avec présence d’une altération des fonctions des membres supérieurs ;
      Premier AVC ischémique ou hémorragique confirmé par tomodensitométrie cérébrale ou imagerie par résonance magnétique ;
      La capacité du participant à suivre les instructions pour l’évaluation clinique et l’étude EEG ;
      Absence d’antécédents d’autres maladies psychiatriques ou neurologiques, à l’exception des accidents vasculaires cérébraux.
    2. Exclure des patients en fonction des critères suivants :
      Maladie antérieure impliquant le système nerveux central (p. ex., traumatisme crânien, tumeur cérébrale, maladie de Parkinson) ;
      Incapacité à porter le casque EEG ; et
      Incapacité à suivre les instructions pour l’évaluation clinique et l’étude EEG.
      NOTE : Les critères d’inclusion et d’exclusion ont été choisis pour sélectionner les participants capables de participer à l’expérience et pour réguler les facteurs démographiques susceptibles d’influencer les résultats.
    3. Fournir à tous les participants recrutés des informations sur les détails de la procédure expérimentale.
  2. Système expérimental : EEG
    1. Utilisez un système EEG composé de 32 électrodes de cuir chevelu Ag/AgCl, d’un bonnet EEG textile et d’un logiciel d’enregistrement EEG pour l’enregistrement des données.
    2. Utilisez un ordinateur personnel (PC) sur lequel un logiciel d’enregistrement EEG est installé et connectez le PC à l’appareil EEG via Bluetooth.
    3. Utilisez un autre PC équipé d’un logiciel d’analyse numérique et de programmation pour l’ingénierie (voir le tableau des matériaux).
    4. Pour la présentation des stimuli, connectez le PC à un boîtier de déclenchement dédié (Figure 1).
      REMARQUE : Les spécifications détaillées des deux PC sont fournies dans le tableau des matériaux.
  3. Paradigme expérimental basé sur un logiciel de programmation
    REMARQUE : Les participants ont effectué une tâche d’extension de la main en utilisant les mains affectées et non affectées, au cours de laquelle les données EEG ont été mesurées. La figure 2 montre le paradigme expérimental de cette étude.
    1. Présentez deux stimuli visuels, CLOSE et OPEN, pendant 30 s chacun, au centre d’un moniteur pour mesurer les données EEG de l’état de repos de base, au cours desquelles le participant ferme et ouvre les yeux.
      REMARQUE : Étant donné que les données EEG à l’état de repos sont relativement moins contaminées par des artefacts physiologiques indésirables, elles sont utiles pour vérifier la qualité des données EEG et identifier les caractéristiques EEG individuelles par rapport à l’état de repos.
    2. Présentez une image de mouvement de la main pendant 3 s pour demander au participant de faire un mouvement d’extension de la main, suivie d’une marque de fixation pendant 5 s pour le repos.
      REMARQUE : Cette procédure a été considérée comme un essai et a été répétée 10 fois au cours d’une seule séance. Chaque participant a subi 4 séances pour chaque main. Le participant a fait une pause quand il le souhaitait après chaque séance pour éviter une fatigue excessive.

figure-protocol-1
Figure 1 : Schéma de configuration de l’équipement. Un PC (PC1) présentant des stimuli expérimentaux a été connecté à un boîtier de déclenchement, et un autre PC (PC2) a été connecté à un amplificateur EEG. Les événements de stimulation générés dans PC1 ont été transmis à l’amplificateur EEG via le boîtier de déclenchement connecté à PC1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-2
Figure 2 : Paradigme expérimental utilisé dans cette étude. Un seul essai consistait en un mouvement d’extension de la main de 3 s suivi d’un relâchement de 5 s. Ce schéma a été répété 10 fois en une seule séance. Au total, huit séances ont été réalisées ; Quatre séances impliquaient des mouvements affectés de la main, tandis que les quatre autres impliquaient des mouvements de la main non affectés. Cette figure a été adaptée de Shim et al.17 avec la permission de Mary Ann Liebert, Inc. Veuillez cliquer ici pour voir une version agrandie de cette figure.

2. Enregistrement des données EEG liées au mouvement

  1. Configuration de l’EEG
    1. Asseyez le participant dans un fauteuil confortable devant un moniteur.
      REMARQUE : La distance entre le participant et le moniteur doit être d’au moins 60 cm pour éviter la fatigue oculaire. Cependant, une distance excessive doit être évitée (par exemple, >150 cm) car elle pourrait distraire la concentration du participant.
    2. Pour porter avec précision le capuchon pour la mesure EEG, définissez l’emplacement de Cz en fonction du système international 10-20 en utilisant l’intersection de la ligne longitudinale reliant le nasion et l’inion et de la ligne transversale reliant la partie supérieure des deux oreillettes.
      REMARQUE : Un casque EEG peut ne pas être nécessaire en fonction de l’équipement de mesure EEG. Dans ce cas, les électrodes EEG sont directement fixées sur le cuir chevelu selon le système international 10-2015.
    3. Pour une mesure EEG précise, utilisez un casque EEG de taille appropriée en fonction de la taille de la tête du participant et placez-le de manière à ce que la position de l’électrode Cz soit placée sur l’emplacement individuel de Cz.
    4. Fixez la mentonnière avec une serrage appropriée ; Cela évitera au participant d’être mal à l’aise lors de la déglutition et du clignement des yeux dans l’expérience. Après cela, confirmez que les positions des électrodes T9 et T10 du casque EEG se trouvent dans la région temporale au-dessus des deux oreillettes et que la position de l’électrode Fpz du casque EEG est située au milieu du front.
      REMARQUE : Si ces électrodes sont hors de l’emplacement désigné, envisagez de changer le capuchon. Trois tailles de casques EEG ont été utilisées dans notre étude (54 cm : petit, 56 cm : moyen, 58 cm : grand).
    5. Après avoir correctement placé le capuchon EEG, fixez 32 électrodes de cuir chevelu Ag/AgCl sur le cuir chevelu selon le système international étendu 10-10, avec les électrodes de masse et de référence à Fpz et FCz, respectivement16.
      REMARQUE : L’emplacement de l’électrode de référence (FCz) est relativement moins influencé par divers artefacts physiologiques, tels que ceux de l’électrooculographie, de l’électromyographie et de l’électrocardiographie, car il est situé autour de la zone centrale (Cz) du cuir chevelu.
    6. Ajustez le niveau d’impédance entre les électrodes EEG et le cuir chevelu à l’aide d’un gel conducteur, et fixez les cheveux avec le gel pour éviter toute obstruction entre les électrodes EEG et le cuir chevelu.
      REMARQUE : Il est important de confirmer si un pont entre les électrodes EEG adjacentes est créé en raison d’une fuite de gel.
    7. Utilisez le logiciel pour l’enregistrement EEG.
    8. Mettez le système EEG sous tension et exécutez la configuration > sélectionnez l’amplificateur. Choisissez Liveamp > > amplificateur > connectez-vous. Recherchez la fonction Liveamp pour la connexion sans fil (Figure 3).
    9. Exécutez la fonction de vérification d’impédance pour surveiller le niveau d’impédance de chaque électrode.
      REMARQUE : Il est recommandé de réaliser l’expérience avec un niveau d’impédance de <20 KΩ (Figure 4).
    10. Exécutez la fonction de surveillance pour confirmer si les EEG de toutes les électrodes ont des niveaux d’amplitude similaires grâce à la surveillance du signal EEG en temps réel (Figure 5).
      REMARQUE : L’amplitude du signal EEG est généralement comprise entre 10 μV et 100 μV, et la puissance alpha (8-12 Hz) augmente autour de la zone occipitale lorsque les yeux sont fermés. Par conséquent, la qualité des données EEG peut être confirmée qualitativement en surveillant le niveau d’amplitude et les oscillations alpha sur les canaux autour de la zone occipitale lorsque les yeux sont fermés.
  2. Mise en place du paradigme
    1. Pour une acquisition stable des données EEG, utilisez deux PC séparés pour présenter des stimuli externes et enregistrer les données EEG (voir Figure 1).
    2. Pour présenter des stimuli expérimentaux aux participants, créez un programme de stimulation basé sur le paradigme expérimental à l’aide d’un logiciel de programmation (présenté à l’étape 1.3).
      REMARQUE : Un programme de stimulation basé sur un logiciel a été créé dans cette étude, mais d’autres logiciels peuvent être utilisés en fonction de leur compatibilité avec l’équipement EEG utilisé pour l’expérience ainsi que de la commodité de l’utilisateur. Le script de stimulation basé sur un logiciel de programmation est fourni dans le fichier supplémentaire 1 (Experimental_stimulus.m.). Les informations sur l’événement, indiquant le point d’apparition des stimuli, sont générées par le logiciel de programmation interne, transmises à l’amplificateur EEG via le boîtier de déclenchement, et finalement au logiciel d’enregistrement EEG (Figure 1).
    3. Exécuter le programme présentant les stimuli expérimentaux en mode surveillance (voir sous-étape 2.1.10). Par la suite, vérifiez que les informations sur l’événement sont correctement marquées en temps opportun au bas du logiciel d’enregistrement EEG chaque fois qu’un stimulus est présenté, comme le montre la figure 6.
      REMARQUE : Les informations sur le point temporel sont enregistrées chaque fois qu’un nouveau stimulus est présenté et sont ensuite utilisées pour la segmentation des données. Par conséquent, il est important d’obtenir autant que possible les points de temps exacts des événements expérimentaux afin d’éviter une segmentation inexacte des données, ce qui conduirait à des résultats peu fiables dans l’analyse.
    4. Lancez le logiciel d’enregistrement EEG, puis exécutez indépendamment le programme de présentation du stimulus développé sur la base du paradigme expérimental à l’aide d’un logiciel de programmation pour éviter l’omission des données.
      REMARQUE : Pour faciliter l’analyse des données, il est recommandé de créer des noms de fichiers avec une règle cohérente pour le stockage des données (par exemple, Sub1_Session1).
  3. Enregistrement EEG
    1. Mesurer l’EEG à une fréquence d’échantillonnage de 1 000 Hz en suivant le paradigme expérimental introduit à l’étape 1.3.
      REMARQUE : La fréquence d’échantillonnage peut être modifiée en fonction de la gamme de fréquences EEG que le chercheur souhaite étudier. Il est généralement recommandé d’utiliser une fréquence d’échantillonnage de >200 Hz lorsque les informations EEG peuvent être étudiées à ≤100 Hz sur la base du théorème de Nyquist. En effet, la plupart des informations EEG existent en dessous de 100 Hz.
    2. Maintenez autant que possible les mêmes environnements expérimentaux (p. ex., lieu d’expérimentation, équipement, température ambiante, etc.) entre les participants et demandez-leur de minimiser les mouvements inutiles pendant la mesure de l’EEG.

figure-protocol-3
Figure 3 : Procédure de connexion sans fil entre un amplificateur EEG et un PC avec le logiciel d’enregistrement EEG. Suivez les étapes dans l’ordre : (A) sélectionnez l’amplificateur, (B) connectez l’amplificateur, (C) recherchez l’amplificateur connecté pour la connexion sans fil, (D) connexion terminée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-4
Figure 4 : Procédure de vérification de l’impédance pour chaque canal. Tous les canaux doivent être réglés en vert pour une mesure EEG stable. Il est recommandé de réaliser l’expérience avec une impédance inférieure à 20 KΩ. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-5
Figure 5 : Procédure de surveillance des données en temps réel pour chaque canal. Les signaux de tous les canaux mesurés peuvent être surveillés en temps réel et peuvent être zoomés/dézoomés à l’aide de l’option (encadré rouge) dans la barre supérieure. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-6
Figure 6 : Capture d’écran pour la surveillance des informations sur les événements. Les barres rouges indiquent les organisateurs d’événements qui sont présentés chaque fois qu’un stimulus est fourni par PC1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

3. Analyse des données EEG

REMARQUE : Cette étude fournit des lignes directrices précises pour reproduire le concept de recherche. Par conséquent, il fournit un bref aperçu du processus d’analyse et des résultats représentatifs. Les processus détaillés et les résultats associés peuvent être trouvés dans une étude antérieure17. Cela indique que Mary Ann Liebert, Inc. a accordé l’autorisation d’utiliser du matériel protégé par le droit d’auteur.

  1. Prétraitement
    1. Éliminer les artefacts liés aux yeux des données EEG brutes à l’aide de procédures mathématiques basées sur l’analyse en composantes principales mise en œuvre dans le logiciel de prétraitement des données EEG18,19 (voir le tableau des matériaux).
      NOTE : Si une époque présentait des artefacts proéminents (± 100 μV), même après un prétraitement dans l’une des électrodes, elle était exclue d’une analyse ultérieure. Le nombre moyen d’époques rejetées, y compris leur écart-type, était de 3,69 ± 7,15 pour la tâche affectée de mouvement de la main et de 1,62 ± 3,95 pour la tâche de mouvement de la main non affectée.
    2. Appliquez un filtre passe-bande entre 0,1 Hz et 55 Hz. Segmentez les données EEG prétraitées de -1 s à 3,5 s pour chaque essai en fonction du début de la tâche afin de contenir la période de référence utilisée pour les analyses de perturbation spectrale liée aux événements (ERSP) et de réseaux fonctionnels.
  2. Analyse de l’ERSP
    NOTE : Les données EEG mesurées ont été validées par l’analyse ERSP pour une bande de fréquences à faible bêta (12-20 Hz) associée à des mouvements volontaires.
    1. Effectuer une transformée de Fourier en temps court pour chaque essai afin de calculer les puissances spectrales de l’EEG, pour lequel la fonction newtimef de la boîte à outils EEGLAB du logiciel de programmation a été utilisée 20 (une fenêtre de Hanning qui ne se chevauche pas, une taille de fenêtre de250 ms).
    2. Normalisez le spectre de puissance de chaque essai en soustrayant la puissance moyenne de la période de référence (-1 à 0 s) pour étudier les changements de puissances spectrales entre la tâche de mouvement de la main et la période de référence.
    3. Estimez les cartes ERSP normalisées de base pour chaque patient en faisant la moyenne des spectres de puissance normalisés entre les essais.
  3. Analyse fonctionnelle du réseau
    REMARQUE : Une analyse fonctionnelle du réseau a été effectuée pour étudier les changements de l’EEG du point de vue du réseau cérébral. Pour calculer des indices pondérés de réseau de cerveau entier basés sur la théorie des graphes, la connectivité cérébrale entre différentes régions a d’abord été calculée à l’aide de la valeur de verrouillage de phase (PLV). Une matrice de connectivité fonctionnelle a ensuite été calculée à l’aide des résultats de l’analyse de connectivité basée sur la PLV, qui a ensuite été utilisée pour calculer les indices de réseau du cerveau entier17. Toutes les analyses fonctionnelles du réseau ont été effectuées à l’aide du logiciel de programmation.
    1. Calculer la valeur de verrouillage de phase (PLV) basée sur la transformée de Hilbert pour une bande de fréquences à faible bêta (12-20 Hz) à l’aide d’une fonction interne21,22. La fonction interne de calcul de la PLV basée sur la transformée de Hilbert est fournie dans le fichier supplémentaire 2 (myPLV.m).
    2. Évaluez les PLV entre toutes les paires possibles des 32 électrodes EEG à chaque point de temps pendant les périodes de tâche (0-3,5 s) et créez une matrice d’adjacence symétrique (32 x 32, nombre d’électrodes = 32) en faisant la moyenne des PLV sur la période de tâche. Utiliser la matrice PLV comme données d’entrée pour l’analyse du réseau17,23.
    3. Évaluez quatre indices de réseau pondérés au niveau mondial basés sur la théorie des graphes à l’aide de la Brain Connectivity Toolbox (https://sites.google.com/site/bctnet) : (1) la force, (2) le coefficient de clustering, (3) la longueur du chemin et (4) la petitesse du monde 17,24,25.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

La figure 7 présente les cartes topographiques de l’ERD à faible bêta de chaque tâche de mouvement de la main. Un ERD à faible bêta significativement fort a été observé dans l’hémisphère contralésionnel par rapport à l’hémisphère ipsilésion pour les tâches affectées et non affectées par le mouvement de la main.

figure-results-1
Figure...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Cette étude a introduit une expérience EEG pour mesurer les activités neuronales liées au mouvement des membres supérieurs chez les personnes ayant subi un AVC. Le paradigme expérimental et les méthodes d’acquisition et d’analyse de l’EEG ont été appliqués pour déterminer les modèles ERD dans le cortex moteur ipsilésion et contralésionnel.

Les résultats des cartes ERSP (Figure 7) ont démontré la différence dans le degré d’activation neuronale lors du mouvement de...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

MS, NJP, WSK et HJH ont déposé un brevet intitulé « Méthode de fourniture d’informations relatives à la déficience motrice et aux dispositifs utilisés à cet effet », numéro 10-2022-0007841.

Remerciements

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

Ces travaux ont été financés par une subvention de la National Research Foundation of Korea (NRF) financée par le gouvernement coréen (MSIT) (No. NRF-2022R1A2C1006046), par le Programme de recherche technologique originale pour les sciences du cerveau par l’intermédiaire de la Fondation nationale de recherche de Corée (NRF) financé par le ministère de l’Éducation, des Sciences et de la Technologie (2019M3C7A1031995), par la subvention de la Fondation nationale de recherche de Corée (NRF) financée par le gouvernement coréen (MSIT) (No. NRF-2022R1A6A3A13053491), et par le MSIT (Ministère de la Science et des TIC), Corée, dans le cadre du programme de soutien de l’ITRC (Centre de recherche sur les technologies de l’information) (IITP-2023-RS-2023-00258971) supervisé par l’IITP (Institut de planification et d’évaluation des technologies de l’information et de la communication).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
actiCAPEasycap, GmbH Ltd., Herrsching, AllemagneCAC-32-SAMW-56Plate-forme de casque EEG textile pour accueillir des électrodes EEG
Brain Vision Recorder (Logiciel)Brain Products GmBH Ltd., Munich,Allemagne-Logicielutilisé pour enregistrer le signal EEG
Curry 7 (Logiciel)Compumedics,Australie-Logicielutilisé pour le prétraitement des données EEG
MATLAB R2019a (Logiciel)MathWorks Inc., Natick, MA,États-Unis-Logicielutilisé pour exécuter le stimulus expérimental et analyser les données EEG
PC d’enregistrement LenovoGroup Limited, Hong Kong, ChineModèle : X58K
Intel Core i7-7700HQ CPU@2.80 GHz, RAM 8 GB
/Enregistrement de données EEG à l’aide du capteur Brain Vision
Recorder Trigger Extension(STE)Brain Products GmBH Ltd., Munich, AllemagneSTE-055604-0162Ajoute des signaux physiologiques à l’amplificateur EEG
Boîtier de séparationBrain Products GmBH Ltd., Munich, AllemagneBP-135-1600Connecte les électrodes Ag/AgCl à l’amplificateur EEG
Stimulation PCHansung Corporation, Séoul, CoréeModèle : ThinkPad P71
Intel Core i7-8750H CPU@2,20 GHz, RAM 8 GB
Présentation de l’écran de stimulation à l’aide de MATLAB
TriggerBoxBrain Products GmBH Ltd., Munich, AllemagneBP-245-1010Reçoit le signal de déclenchement du PC et le transmet au système d’enregistrement EEG

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Faria-Fortini, I., Michaelsen, S. M., Cassiano, J. G., Teixeira-Salmela, L. F. Upper extremity function in stroke subjects: Relationships between the international classification of functioning, disability, and health domains. Journal of Hand Therapy. 24 (3), 257-265 (2011).
  2. Veerbeek, J. M., Kwakkel, G., van Wegen, E. E., Ket, J. C., Heymans, M. W. Early prediction of outcome of activities of daily living after stroke: a systematic review. Stroke. 42 (5), 1482-1488 (2011).
  3. Babiloni, C., et al. Human movement-related potentials vs desynchronization of EEG alpha rhythm: a high-resolution EEG study. Neuroimage. 10 (6), 658-665 (1999).
  4. Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
  5. Bartur, G., Pratt, H., Soroker, N. Changes in mu and beta amplitude of the EEG during upper limb movement correlate with motor impairment and structural damage in subacute stroke. Clinical Neurophysiology. 130 (9), 1644-1651 (2019).
  6. Boyd, L. A., et al. Biomarkers of stroke recovery: Consensus-based core recommendations from the Stroke Recovery and Rehabilitation Roundtable. International Journal of Stroke. 12 (5), 480-493 (2017).
  7. Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187(2017).
  8. Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
  9. Saes, M., et al. Is Resting-state EEG longitudinally associated with recovery of clinical neurological impairments early poststroke? A prospective cohort study. Neurorehabilitation and Neural Repair. 34 (5), 389-402 (2020).
  10. Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. International Journal of Psychophysiology. 146, 133-138 (2019).
  11. Ang, K. K., et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke. Clinical EEG and Neuroscience. 46 (4), 310-320 (2015).
  12. Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., Zhao, X. A comprehensive review of EEG-based brain-computer interface paradigms. Journal of Neural Engineering. 16 (1), 011001(2019).
  13. Antelis, J. M., Montesano, L., Ramos-Murguialday, A., Birbaumer, N., Minguez, J. Decoding upper limb movement attempt from EEG measurements of the contralesional motor cortex in chronic stroke patients. IEEE Transactions on Biomedical Engineering. 64 (1), 99-111 (2017).
  14. Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002(2019).
  15. Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
  16. Chatrian, G. E., Lettich, E., Nelson, P. L. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activities. American Journal of EEG technology. 25 (2), 83-92 (1985).
  17. Shim, M., et al. Altered functional networks of alpha and low-beta bands during upper limb movement and association with motor impairment in chronic stroke. Brain Connectivity. , (2021).
  18. Semlitsch, H. V., Anderer, P., Schuster, P., Presslich, O. A solution for reliable and valid reduction of ocular artifacts, applied to the P300 ERP. Psychophysiology. 23 (6), 695-703 (1986).
  19. Kim, Y. W., et al. Riemannian classifier enhances the accuracy of machine-learning-based diagnosis of PTSD using resting EEG. Progress in Neuropsychopharmacology & Biological Psychiatry. 102, 109960(2020).
  20. Griffin, D., Lim, J. Signal estimation from modified short-time Fourier transform. IEEE Transactions on Acoustics, Speech, and Signal Processing. 32 (2), 236-243 (1984).
  21. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  22. Shim, M., Kim, D. W., Lee, S. H., Im, C. H. Disruptions in small-world cortical functional connectivity network during an auditory oddball paradigm task in patients with schizophrenia. Schizophrenia Research. 156 (2-3), 197-203 (2014).
  23. Shim, M., Hwang, H. J., Lee, S. H. Impaired functional cortical networks in the theta frequency band of patients with post-traumatic stress disorder during auditory-cognitive processing. Frontiers in Psychiatry. 13, 811766(2022).
  24. Bassett, D. S., Bullmore, E. Small-world brain networks. Neuroscientist. 12 (6), 512-523 (2006).
  25. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  26. Shiner, C. T., Tang, H., Johnson, B. W., McNulty, P. A. Cortical beta oscillations and motor thresholds differ across the spectrum of post-stroke motor impairment, a preliminary MEG and TMS study. Brain Research. 1629, 26-37 (2015).
  27. López-Larraz, E., Sarasola-Sanz, A., Irastorza-Landa, N., Birbaumer, N., Ramos-Murguialday, A. Brain-machine interfaces for rehabilitation in stroke: A review. NeuroRehabilitation. 43 (1), 77-97 (2018).
  28. Fong, K. N., Chan, C. C., Au, D. K. Relationship of motor and cognitive abilities to functional performance in stroke rehabilitation. Brain Injury. 15 (5), 443-453 (2001).
  29. Vecchio, F., et al. Acute cerebellar stroke and middle cerebral artery stroke exert distinctive modifications on functional cortical connectivity: A comparative study via EEG graph theory. Clinical Neurophysiology. 130 (6), 997-1007 (2019).
  30. Hwang, H. J., Kwon, K., Im, C. H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). Journal of Neuroscience Methods. 179 (1), 150-156 (2009).
  31. Park, S. A., et al. Evaluation of feature extraction methods for EEG-based brain-computer interfaces in terms of robustness to slight changes in electrode locations. Medical & Biological Engineering & Computing. 51 (5), 571-579 (2013).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Biomarqueurs EEGD ficience motriceEEG sp cifique la t cheAnalyse de r seau fonctionnelERD b ta basR cup ration motriceNeurophysiologie de l AVC

Articles connexes