Articolo metodologico

Indici di rete elettroencefalografici come biomarcatori di compromissione dell'arto superiore nell'ictus cronico

DOI:

10.3791/64753

⸱

14 luglio 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

In questo articolo

Sommario

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

Il protocollo sperimentale dimostra il paradigma per l'acquisizione e l'analisi dei segnali elettroencefalografici (EEG) durante il movimento dell'arto superiore in soggetti con ictus. L'alterazione della rete funzionale delle bande di frequenza EEG low-beta è stata osservata durante il movimento dell'arto superiore compromesso ed è stata associata al grado di compromissione motoria.

Abstract

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

L'alterazione dei segnali dell'elettroencefalografia (EEG) durante il movimento specifico dell'arto compromesso è stata segnalata come un potenziale biomarcatore per la gravità della compromissione motoria e per la previsione del recupero motorio nei soggetti con ictus. Quando si implementano esperimenti EEG, sono necessari paradigmi dettagliati e protocolli sperimentali ben organizzati per ottenere risultati robusti e interpretabili. In questo protocollo, illustriamo un paradigma task-specific con il movimento dell'arto superiore e i metodi e le tecniche necessarie per l'acquisizione e l'analisi dei dati EEG. Il paradigma consiste in 1 minuto di riposo seguito da 10 prove che comprendono l'alternanza di 5 e 3 secondi di riposo e di attività (estensione della mano), rispettivamente, in 4 sessioni. I segnali EEG sono stati acquisiti utilizzando 32 elettrodi del cuoio capelluto Ag/AgCl a una frequenza di campionamento di 1.000 Hz. Sono state eseguite analisi delle perturbazioni spettrali correlate agli eventi associate al movimento degli arti e analisi della rete funzionale a livello globale nella banda di frequenza low-beta (12-20 Hz). I risultati rappresentativi hanno mostrato un'alterazione della rete funzionale delle bande di frequenza EEG low-beta durante il movimento dell'arto superiore compromesso e la rete funzionale alterata è stata associata al grado di compromissione motoria nei pazienti con ictus cronico. I risultati dimostrano la fattibilità del paradigma sperimentale nelle misurazioni EEG durante il movimento dell'arto superiore in individui con ictus. Sono necessarie ulteriori ricerche che utilizzino questo paradigma per determinare il valore potenziale dei segnali EEG come biomarcatori di compromissione motoria e recupero.

Introduzione

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

La compromissione motoria dell'arto superiore è una delle conseguenze più comuni dell'ictus ed è correlata a limitazioni nelle attività della vita quotidiana 1,2. È noto che i ritmi delle bande alfa (8-13 Hz) e beta (13-30 Hz) sono strettamente associati ai movimenti. In particolare, gli studi hanno dimostrato che l'alterata attività neurale nelle bande di frequenza alfa e beta inferiore (12-20 Hz) durante il movimento di un arto compromesso è correlata al grado di compromissione motoria nei soggetti con ictus 3,4,5. Sulla base di questi risultati, l'elettroencefalografia (EEG) è emersa come un potenziale biomarcatore che riflette sia la gravità della compromissione motoria che la possibilità di recupero motorio 6,7. Tuttavia, i biomarcatori basati sull'EEG precedentemente sviluppati si sono dimostrati inadeguati per studiare le caratteristiche della compromissione motoria negli individui con ictus, in gran parte a causa della loro dipendenza dai dati EEG in stato di riposo piuttosto che dai dati EEG indotti dal compito 8,9,10. L'elaborazione complessa delle informazioni relative alle compromissioni motorie, come l'interazione tra emisferi ipsilesionali e controlesionali, può essere rivelata solo attraverso i dati EEG indotti dal compito, non attraverso l'EEG in stato di riposo. Pertanto, ulteriori studi sono necessari non solo per esplorare la relazione tra attività neuronali e caratteristiche di compromissione motoria e per chiarire l'utilità dell'EEG generato durante il movimento della parte del corpo compromessa come potenziale biomarcatore per la compromissione motoria nei soggetti con ictus11.

L'implementazione dell'EEG per la valutazione degli effetti comportamentali richiede paradigmi e protocolli specifici per il compito. Ad oggi, sono stati suggeriti vari protocolli EEG12, in cui gli individui con ictus eseguivano movimenti immaginari o reali per indurre attività cerebrali correlate al movimento11,13. Nel caso dei movimenti immaginati, circa il 53,7% dei partecipanti non riusciva a immaginare con certezza un movimento corrispondente (chiamato "analfabetismo") e quindi non riusciva a indurreattività cerebrali legate al movimento. Inoltre, è difficile per le persone con ictus grave muovere l'intero arto superiore e c'è la possibilità di artefatti non necessari durante l'acquisizione dei dati a causa di movimenti instabili. Pertanto, è necessaria una guida basata sul know-how di esperti per acquisire dati EEG di alta qualità relativi al compito e risultati neurofisiologicamente interpretabili. In questo studio, abbiamo progettato in modo completo un paradigma sperimentale per le persone con ictus per eseguire un compito di movimento della mano relativamente semplice e abbiamo fornito una procedura sperimentale con una guida dettagliata.

Delineando in questo articolo il protocollo sperimentale visualizzato, ci si è proposti di illustrare i concetti e le metodiche specifiche utilizzate per l'acquisizione e l'analisi delle attività neuronali legate al movimento dell'arto superiore mediante un sistema EEG. Nel dimostrare la differenza nelle attività neuronali tramite EEG tra gli arti superiori paretici e non paretici nei partecipanti con ictus emiplegico, questo studio mirava a presentare la fattibilità dell'EEG utilizzando il protocollo descritto come potenziale biomarcatore per la gravità della compromissione motoria in individui con ictus in un contesto trasversale.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Tutte le procedure sperimentali sono state esaminate e approvate dall'Institutional Review Board dell'Ospedale Bundang dell'Università Nazionale di Seoul. Per gli esperimenti in questo studio, sono stati reclutati 34 partecipanti con ictus. È stato ottenuto il consenso informato firmato da tutti i partecipanti. Un consenso informato firmato è stato ottenuto da un rappresentante legale se un partecipante soddisfaceva i criteri ma non poteva firmare il modulo di consenso a causa della disabilità.

1. Configurazione sperimentale

  1. Reclutamento dei pazienti
    1. Eseguire il processo di screening utilizzando i seguenti criteri di inclusione:
      Età compresa tra 18 e 85 anni con presenza di compromissione delle funzioni dell'arto superiore;
      Primo ictus ischemico o emorragico confermato dalla tomografia computerizzata cerebrale o dalla risonanza magnetica;
      Capacità del partecipante di seguire le istruzioni per la valutazione clinica e lo studio EEG;
      Assenza di una storia di altre malattie psichiatriche o neurologiche ad eccezione dell'ictus.
    2. Escludi i pazienti in base a quanto segue:
      Malattie pregresse che coinvolgono il sistema nervoso centrale (ad es. trauma cranico, tumore cerebrale, morbo di Parkinson);
      Impossibilità di indossare la cuffia EEG; e
      Incapacità di seguire le istruzioni per la valutazione clinica e lo studio EEG.
      NOTA: I criteri di inclusione ed esclusione sono stati scelti per selezionare i partecipanti in grado di partecipare all'esperimento e per regolare i fattori demografici che potrebbero influenzare i risultati.
    3. Fornire a tutti i partecipanti reclutati informazioni sui dettagli della procedura sperimentale.
  2. Sistema sperimentale: EEG
    1. Utilizzare un sistema EEG composto da 32 elettrodi Ag/AgCl per il cuoio capelluto, una cuffia EEG tessile e un software di registrazione EEG per la registrazione dei dati.
    2. Utilizzare un personal computer (PC) con installato il software di registrazione EEG e collegare il PC al dispositivo EEG tramite Bluetooth.
    3. Utilizzare un altro PC con un software di analisi numerica e programmazione per l'ingegneria (vedi Tabella dei materiali).
    4. Per la presentazione degli stimoli, collegare il PC a una trigger box dedicata (Figura 1).
      NOTA: Le specifiche dettagliate dei due PC sono fornite nell'Indice dei materiali.
  3. Paradigma sperimentale basato su software di programmazione
    NOTA: I partecipanti hanno eseguito un compito di estensione della mano utilizzando le mani interessate e non affette, durante il quale sono stati misurati i dati EEG. La Figura 2 mostra il paradigma sperimentale di questo studio.
    1. Presentare due stimoli visivi, CLOSE e OPEN, per 30 s ciascuno, al centro di un monitor per misurare i dati EEG dello stato di riposo al basale, durante i quali il partecipante chiude e apre gli occhi.
      NOTA: Poiché i dati EEG in stato di riposo sono relativamente meno contaminati da artefatti fisiologici indesiderati, sono utili per verificare la qualità dei dati EEG e identificare le caratteristiche individuali dell'EEG rispetto allo stato di riposo.
    2. Presentare un'immagine in movimento della mano per 3 secondi per istruire il partecipante a fare un movimento di estensione della mano, seguito da un segno di fissazione per 5 secondi per riposare.
      NOTA: Questa procedura è stata considerata come una prova ed è stata ripetuta 10 volte in una singola sessione. Ogni partecipante si è sottoposto a 4 sessioni per ogni mano. Il partecipante ha avuto una pausa ogni volta che voleva dopo aver eseguito ogni sessione per evitare un eccessivo affaticamento.

figure-protocol-1
Figura 1: Schema della configurazione dell'apparecchiatura. Un PC (PC1) che presentava stimoli sperimentali era collegato a una scatola di innesco, e un altro PC (PC2) era collegato a un amplificatore EEG. Gli eventi di stimolazione generati in PC1 sono stati inviati all'amplificatore EEG tramite la trigger box collegata a PC1. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-2
Figura 2: Paradigma sperimentale utilizzato in questo studio. Una singola prova consisteva in un movimento di estensione della mano di 3 secondi seguito da un rilassamento di 5 secondi. Questo schema è stato ripetuto 10 volte in una singola sessione. In totale sono state eseguite otto sessioni; Quattro sessioni hanno coinvolto il movimento della mano interessato, mentre le altre quattro hanno coinvolto il movimento della mano non influenzato. Questa figura è stata adattata da Shim et al.17 con il permesso di Mary Ann Liebert, Inc. Fare clic qui per visualizzare una versione più grande di questa figura.

2. Registrazione dei dati EEG relativi al movimento

  1. Impostazione EEG
    1. Far sedere il partecipante su una comoda poltrona davanti a un monitor.
      NOTA: La distanza tra il partecipante e il monitor deve essere di almeno 60 cm per evitare l'affaticamento degli occhi. Tuttavia, una distanza eccessiva dovrebbe essere evitata (ad esempio, >150 cm) perché potrebbe distrarre la concentrazione del partecipante.
    2. Per indossare con precisione la cuffia per la misurazione EEG, definire la posizione Cz in base al sistema internazionale 10-20 utilizzando l'intersezione della linea longitudinale che collega il nasion e l'inion e la linea trasversale che collega la parte superiore di entrambi i padiglioni auricolari.
      NOTA: A seconda dell'apparecchiatura di misurazione EEG, potrebbe non essere necessaria una cuffia EEG. In tal caso, gli elettrodi EEG sono direttamente attaccati al cuoio capelluto secondo il sistema internazionale 10-2015.
    3. Per una misurazione EEG accurata, utilizzare una cuffia EEG di dimensioni adeguate in base alle dimensioni della testa del partecipante e posizionarla in modo che la posizione dell'elettrodo Cz sia posizionata sulla posizione individuale Cz.
    4. Fissare il sottogola con una tenuta adeguata; Ciò impedirà al partecipante di sentirsi a disagio durante la deglutizione e il battito delle palpebre nell'esperimento. Successivamente, verificare che le posizioni degli elettrodi T9 e T10 del cappuccio EEG si trovino nella regione temporale sopra entrambi i padiglioni auricolari e che la posizione dell'elettrodo Fpz del cappuccio EEG si trovi al centro della fronte.
      NOTA: Se questi elettrodi si trovano fuori dalla posizione designata, prendere in considerazione la possibilità di cambiare il cappuccio. Nel nostro studio sono state utilizzate tre misure di cappuccio EEG (54 cm: piccolo, 56 cm: medio, 58 cm: grande).
    5. Dopo aver posizionato correttamente la cuffia EEG, collegare gli elettrodi per cuoio capelluto 32 Ag/AgCl sul cuoio capelluto secondo il sistema internazionale esteso 10-10, con gli elettrodi di terra e di riferimento rispettivamente a Fpz e FCz16.
      NOTA: La posizione dell'elettrodo di riferimento (FCz) è relativamente meno influenzata da vari artefatti fisiologici, come quelli dell'elettrooculografia, dell'elettromiografia e dell'elettrocardiografia, perché si trova intorno all'area centrale (Cz) del cuoio capelluto.
    6. Regolare il livello di impedenza tra gli elettrodi EEG e il cuoio capelluto utilizzando un gel conduttivo e fissare i capelli con il gel per evitare qualsiasi ostruzione tra gli elettrodi EEG e il cuoio capelluto.
      NOTA: È importante verificare se si crea un ponte tra elettrodi EEG adiacenti a causa di una perdita di gel.
    7. Utilizzare il software per la registrazione EEG.
    8. Accendere il sistema EEG ed eseguire Configurazione > Seleziona amplificatore. Scegli Liveamp > > amplificatore > connettiti. Cercare Liveamp funzione per la connessione wireless (Figura 3).
    9. Eseguire la funzione di controllo dell'impedenza per monitorare il livello di impedenza per ciascun elettrodo.
      NOTA: Si consiglia di condurre l'esperimento con un livello di impedenza di <20 KΩ (Figura 4).
    10. Eseguire la funzione di monitoraggio per confermare se gli EEG di tutti gli elettrodi hanno livelli di ampiezza simili attraverso il monitoraggio del segnale EEG in tempo reale (Figura 5).
      NOTA: L'ampiezza del segnale EEG è generalmente compresa tra 10 μV e 100 μV e la potenza alfa (8-12 Hz) aumenta intorno all'area occipitale quando gli occhi sono chiusi. Pertanto, la qualità dei dati EEG può essere confermata qualitativamente monitorando il livello di ampiezza e le oscillazioni alfa sui canali intorno all'area occipitale mentre gli occhi sono chiusi.
  2. Impostazione del paradigma
    1. Per un'acquisizione stabile dei dati EEG, utilizzare due PC separati per la presentazione di stimoli esterni e la registrazione dei dati EEG (vedere la Figura 1).
    2. Per presentare gli stimoli sperimentali ai partecipanti, creare un programma di stimolazione basato sul paradigma sperimentale utilizzando un software di programmazione (introdotto nel passaggio 1.3).
      NOTA: In questo studio è stato creato un programma di stimolazione basato su software, ma è possibile utilizzare altri software a seconda della loro compatibilità con l'apparecchiatura EEG utilizzata per l'esperimento e della comodità dell'utente. Lo script di stimolo basato su software di programmazione è fornito nel file supplementare 1 (Experimental_stimulus.m). Le informazioni sull'evento, che indicano il punto di insorgenza degli stimoli, vengono generate dal software di programmazione interno, trasmesse all'amplificatore EEG tramite la trigger box e, infine, al software di registrazione EEG (Figura 1).
    3. Eseguire il programma presentando gli stimoli sperimentali in modalità di monitoraggio (fare riferimento al sub step 2.1.10). Successivamente, verificare che le informazioni sull'evento siano contrassegnate correttamente e in modo tempestivo nella parte inferiore del software di registrazione EEG ogni volta che viene presentato uno stimolo, come mostrato nella Figura 6.
      NOTA: Le informazioni sul punto temporale vengono registrate ogni volta che viene presentato un nuovo stimolo e vengono successivamente utilizzate per la segmentazione dei dati. Pertanto, è importante ottenere il più possibile i punti temporali esatti degli eventi sperimentali per evitare una segmentazione imprecisa dei dati, che porterebbe a risultati inaffidabili nell'analisi.
    4. Avviare il software di registrazione EEG, quindi eseguire in modo indipendente il programma di presentazione dello stimolo sviluppato in base al paradigma sperimentale utilizzando un software di programmazione per prevenire l'omissione dei dati.
      NOTA: Per comodità di analisi dei dati, si consiglia di creare nomi di file con una regola coerente per l'archiviazione dei dati (ad esempio, Sub1_Session1).
  3. Registrazione EEG
    1. Misurare l'EEG ad una frequenza di campionamento di 1.000 Hz seguendo il paradigma sperimentale introdotto nella fase 1.3.
      NOTA: La frequenza di campionamento può essere modificata a seconda dell'intervallo di frequenze EEG che il ricercatore desidera indagare. Si consiglia generalmente di utilizzare una frequenza di campionamento di >200 Hz in cui le informazioni EEG possono essere indagate a ≤100 Hz in base al teorema di Nyquist. Questo perché la maggior parte delle informazioni EEG esiste al di sotto dei 100 Hz.
    2. Mantenere il più possibile gli stessi ambienti sperimentali (ad esempio, luogo sperimentale, apparecchiature, temperatura ambiente, ecc.) tra i partecipanti e istruirli a ridurre al minimo i movimenti non necessari durante la misurazione EEG.

figure-protocol-3
Figura 3: Procedura di connessione wireless tra un amplificatore EEG e il PC con il software di registrazione EEG. Seguire i passaggi nell'ordine: (A) selezionare l'amplificatore, (B) collegare l'amplificatore, (C) cercare l'amplificatore collegato per la connessione wireless, (D) connessione completata. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-4
Figura 4: Procedura di controllo dell'impedenza per ogni canale. Tutti i canali devono essere regolati sul colore verde per una misurazione EEG stabile. Si consiglia di condurre l'esperimento con un'impedenza inferiore a 20 KΩ. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-5
Figura 5: Procedura di monitoraggio dei dati in tempo reale per ciascun canale. I segnali provenienti da tutti i canali misurati possono essere monitorati in tempo reale e possono essere ingranditi/rimpiccioliti utilizzando l'opzione (riquadro rosso) sulla barra superiore. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-6
Figura 6: Screenshot per il monitoraggio delle informazioni sugli eventi. Le barre rosse indicano i creatori di eventi che vengono presentati ogni volta che uno stimolo viene fornito da PC1. Fare clic qui per visualizzare una versione più grande di questa figura.

3. Analisi dei dati EEG

NOTA: Questo studio fornisce linee guida precise per replicare il concetto di ricerca. Pertanto, fornisce una breve descrizione del processo di analisi e dei risultati rappresentativi. I processi dettagliati e i relativi risultati sono riportati in uno studio precedente17. Ciò indica che Mary Ann Liebert, Inc. ha concesso l'autorizzazione per l'uso di materiale protetto da copyright.

  1. Preelaborazione
    1. Rimuovere gli artefatti oculari dai dati EEG grezzi utilizzando procedure matematiche basate sull'analisi delle componenti principali implementate nel software di pre-elaborazione dei dati EEG18,19 (vedere la tabella dei materiali).
      NOTA: Se un'epoca mostrava artefatti prominenti (± 100 μV), anche dopo la pre-elaborazione in uno qualsiasi degli elettrodi, veniva esclusa da ulteriori analisi. Il numero medio di epoche rifiutate, inclusa la loro deviazione standard, è stato di 3,69 ± 7,15 per il compito di movimento della mano interessato e di 1,62 ± 3,95 per il compito di movimento della mano non interessato.
    2. Applicare un filtro passa-banda compreso tra 0,1 Hz e 55 Hz. Segmentare i dati EEG pre-elaborati da -1 s a 3,5 s per ogni prova in base all'insorgenza dell'attività per contenere il periodo di riferimento utilizzato per le perturbazioni spettrali correlate agli eventi (ERSP) e le analisi delle reti funzionali.
  2. Analisi ERSP
    NOTA: I dati EEG misurati sono stati convalidati tramite analisi ERSP per una banda di frequenza low-beta (12-20 Hz) associata a movimenti volontari.
    1. Condurre una trasformata di Fourier a breve termine per ogni prova per calcolare le potenze spettrali EEG, per la quale è stata utilizzata la funzione newtimef del toolbox EEGLAB nel software di programmazione 20 (una finestra di Hanning non sovrapposta, dimensione della finestra di250 ms).
    2. Normalizzare lo spettro di potenza di ogni prova sottraendo la potenza media del periodo basale (da -1 a 0 s) per studiare le variazioni dei poteri spettrali tra l'attività di movimento della mano e il periodo di base.
    3. Stimare le mappe ERSP normalizzate al basale per ciascun paziente calcolando la media degli spettri di potenza normalizzati tra gli studi.
  3. Analisi funzionale della rete
    NOTA: È stata condotta un'analisi della rete funzionale per studiare i cambiamenti EEG dal punto di vista della rete cerebrale. Per calcolare gli indici ponderati della rete dell'intero cervello basati sulla teoria dei grafi, la connettività cerebrale tra diverse regioni è stata calcolata prima utilizzando il valore di blocco di fase (PLV). È stata quindi calcolata una matrice di connettività funzionale utilizzando i risultati dell'analisi di connettività basata su PLV, che è stata successivamente utilizzata per calcolare gli indici di rete dell'intero cervello17. Tutte le analisi funzionali della rete sono state eseguite utilizzando il software di programmazione.
    1. Calcolare il valore di blocco di fase (PLV) basato sulla trasformata di Hilbert per una banda di frequenza a basso beta (12-20 Hz) utilizzando una funzione interna21,22. La funzione interna per il calcolo del PLV basato su trasformata di Hilbert è disponibile nel file supplementare 2 (myPLV.m).
    2. Valutare i PLV tra tutte le possibili coppie dei 32 elettrodi EEG in ogni momento durante i periodi di attività (0-3,5 s) e creare una matrice di adiacenza simmetrica (32 x 32, numero di elettrodi = 32) calcolando la media dei PLV nel periodo di attività. Utilizzare la matrice PLV come dati di input per l'analisi della rete17,23.
    3. Valuta quattro indici di rete ponderati a livello globale basati sulla teoria dei grafi utilizzando il Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) forza, (2) coefficiente di clustering, (3) lunghezza del percorso e (4) piccolezza 17,24,25.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

La Figura 7 presenta le mappe topografiche ERD a basso beta di ciascuna attività di movimento della mano. Nell'emisfero controlesionale è stato osservato un ERD a basso beta significativamente forte rispetto all'emisfero ipsilesionale sia per i compiti di movimento della mano affetti che per quelli non affetti.

figure-results-1
Figura...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Questo studio ha introdotto un esperimento EEG per misurare le attività neuronali legate al movimento degli arti superiori in individui con ictus. Il paradigma sperimentale e i metodi di acquisizione e analisi dell'EEG sono stati applicati per determinare i pattern ERD nella corteccia motoria ipsilesionale e controlesionale.

I risultati delle mappe ERSP (Figura 7) hanno dimostrato la differenza nel grado di attivazione neuronale quando si muovono le mani comprome...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

MS, NJP, WSK e HJH hanno un brevetto in attesa di brevetto intitolato "Metodo per fornire informazioni relative alla disabilità motoria e ai dispositivi utilizzati per essa", numero 10-2022-0007841.

Ringraziamenti

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

Questo lavoro è stato sostenuto dalla sovvenzione della National Research Foundation of Korea (NRF) finanziata dal governo coreano (MSIT) (n. NRF-2022R1A2C1006046), dall'Original Technology Research Program for Brain Science attraverso la National Research Foundation of Korea (NRF) finanziata dal Ministero dell'Istruzione, della Scienza e della Tecnologia (2019M3C7A1031995), dalla National Research Foundation of Korea (NRF) sovvenzione finanziata dal governo coreano (MSIT) (No. NRF-2022R1A6A3A13053491) e dal MSIT (Ministero della Scienza e delle TIC), Corea, nell'ambito del programma di supporto ITRC (Information Technology Research Center) (IITP-2023-RS-2023-00258971) supervisionato dall'IITP (Institute for Information & Communications Technology Planning & Evaluation).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
actiCAPEasycap, GmbH Ltd., Herrsching, GermaniaCAC-32-SAMW-56Piattaforma di cappucci EEG in tessuto per ospitare elettrodi EEG
Brain Vision Recorder (Software)Brain Products GmBH Ltd., Monaco di Baviera, Germania-Softwareutilizzato per registrare il segnale EEG
Curry 7 (Software)Compumedics,Australia-Softwareutilizzato nella pre-elaborazione dei dati EEG
MATLAB R2019a (Software)MathWorks Inc., Natick, MA, USA-Softwareutilizzato per eseguire lo stimolo sperimentale e analizzare i dati EEG
Registrazione PCLenovo Group Limited, Hong Kong, CinaModello: X58K
Intel Core i7-7700HQ CPU@2,80 GHz, RAM 8 GB
/Registrazione dati EEG utilizzando il sensore Brain Vision
Recorder & Trigger Extension(STE)Brain Products GmBH Ltd., Monaco di Baviera, GermaniaSTE-055604-0162Aggiunge segnali fisiologici all'amplificatore EEG
Splitter boxBrain Products GmBH Ltd., Monaco di Baviera, GermaniaBP-135-1600Collega gli elettrodi Ag/AgCl all'amplificatore EEG
Stimulation PCHansung Corporation, Seoul, CoreaModello: ThinkPad P71
Intel Core i7-8750H CPU@2,20 GHz, RAM 8 GB
Presentazione dello schermo di stimolazione utilizzando MATLAB
TriggerBoxBrain Products GmBH Ltd., Monaco di Baviera, GermaniaBP-245-1010Riceve il segnale di trigger dal PC e lo trasmette al sistema di registrazione EEG

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Biomarcatori EEGDeficit MotoriEEG Specifico per il TaskAnalisi della Rete FunzionaleERD Beta BassaRecupero MotorioNeurofisiologia dell Ictus

Articoli correlati