Articolo metodologico

Il robot pneumatico morbido modula le metriche della teoria dei grafi della rete cerebrale per la riabilitazione della mano dopo l'ictus

DOI:

10.3791/68588

⸱

10 ottobre 2025

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

In questo articolo

Sommario

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

Questo studio esplora gli effetti di un robot pneumatico morbido configurabile sul miglioramento della topologia della rete dell'intero cervello dopo l'ictus. L'analisi della teoria dei grafi indica miglioramenti significativi nel coefficiente di clustering, nella lunghezza del percorso e nell'efficienza globale. I risultati evidenziano il potenziale dei protocolli robotici programmabili per modulare la neuroplasticità e ottimizzare il recupero funzionale nella riabilitazione dell'ictus.

Abstract

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

Il ripristino funzionale della corteccia cerebrale si basa sulla neuroplasticità dipendente dall'attività dopo l'ictus. Tuttavia, l'ottimizzazione della riabilitazione robotica per il recupero della mano rimane una sfida significativa. Questo studio proof-of-concept indaga la fattibilità di un robot pneumatico morbido configurabile nella modulazione della rete cerebrale tra dieci partecipanti con disabilità motorie della mano dopo l'ictus. L'intervento robotico programmabile è stato somministrato in una sequenza randomizzata per la valutazione dello stato di riposo, la terapia robotica in modalità lenta e veloce, regolando la modalità di lavoro, il tempo di azione e la durata dell'interazione. La spettroscopia funzionale nel vicino infrarosso (fNIRS) è stata impiegata per misurare l'attività corticale e la connettività funzionale. Inoltre, le metriche della teoria dei grafi, tra cui il coefficiente di clustering, la lunghezza media del percorso, l'indice del mondo piccolo, l'efficienza globale, la centralità dei gradi e la centralità degli autovettori, sono state derivate da matrici di connettività funzionale basate su fNIRS. I risultati hanno dimostrato che l'intervento robotico ha migliorato significativamente il coefficiente di clustering (P = 0,034), la lunghezza media del percorso (P = 0,007) e l'efficienza globale (P = 0,001). Mentre l'indice del piccolo mondo, la centralità dei gradi e la centralità degli autovettori hanno mostrato una tendenza all'aumento, queste differenze non hanno raggiunto la significatività statistica. Inoltre, la terapia in modalità veloce ha indotto cambiamenti più sostanziali nel coefficiente di clustering rispetto alla terapia in modalità lenta, suggerendo un effetto potenzialmente più forte sulla riorganizzazione neurale. Questi risultati supportano preliminarmente l'uso della robotica morbida con paradigmi regolabili per migliorare la connettività della rete cerebrale e facilitare la neuroplasticità dopo l'ictus. I miglioramenti osservati nell'efficienza globale e nelle proprietà del piccolo mondo indicano che la terapia robotica ottimizza l'organizzazione corticale, promuovendo il recupero funzionale. Sono necessari ulteriori studi con campioni di dimensioni maggiori e protocolli di intervento personalizzati per confermare questi risultati ed esplorare i loro effetti a lungo termine.

Introduzione

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

L'ictus rimane una delle principali cause di mortalità e disabilità a lungo termine per gli adulti in tutto il mondo1. Tra le sue sequele debilitanti, le menomazioni motorie della mano compromettono significativamente le attività quotidiane essenziali e l'indipendenza funzionale, diminuendo così la partecipazione sociale e la qualità della vita nei sopravvissuti all'ictus 2,3. Mentre la medicina fisica e la riabilitazione sono fondamentali per il recupero motorio, gli approcci terapeutici convenzionali spesso producono risultati incoerenti a causa della complessità e della variabilità interindividuale della riorganizzazione neurale post-ictus4.

Negli ultimi anni, la terapia robotica assistita (RAT) ha guadagnato un'attenzione significativa per la sua capacità di fornire un allenamento ad alta intensità, ripetitivo e specifico per facilitare il recupero motorio5. Per adattare tali interventi in modo più efficace, una migliore comprensione dei biomarcatori neurali è fondamentale per la modulazione diretta da parte di interventi robotici. Questo può in definitiva aiutare a ottimizzare le strategie terapeutiche e promuovere la destrezza della mano. In uno studio precedente, la mappatura dei sintomi della lesione basata su voxel ha indicato che le menomazioni prossimali post-ictus dell'arto superiore potrebbero essere associate a deficit nei tratti discendenti dalle aree corticomotorie e dallo striato. A differenza di ciò, le menomazioni della mano derivano da lesioni isolate alla corteccia cerebrale6. Tuttavia, gli esiti clinici per la funzione della mano rimangono variabili e i meccanismi neurali alla base del recupero motorio non sono ancora completamente chiariti 7,8,9. Inoltre, la maggior parte dell'addestramento robotico commerciale segue protocolli predefiniti con adattabilità limitata. Non riesce a soddisfare le esigenze specifiche del paziente e potenzialmente ne limita l'efficacia clinica10.

Negli ultimi decenni, gli studi di neuroimaging hanno evidenziato il ruolo fondamentale della riorganizzazione della rete cerebrale nel recupero dall'ictus, caratterizzata da alterazioni dell'attività funzionale e della connettività. La spettroscopia funzionale nel vicino infrarosso (fNIRS), una tecnica non invasiva per il monitoraggio dell'emodinamica corticale, è emersa come uno strumento prezioso per valutare le dinamiche neurali e guidare i contesti riabilitativi11. La sua portabilità e robustezza contro gli artefatti del movimento lo rendono particolarmente adatto per il monitoraggio in tempo reale e il trasferimento di informazioni durante la terapia robotica12. Mentre studi precedenti hanno documentato cambiamenti nell'interconnettività corticale dopo l'allenamento motorio, gli effetti del RAT sulla topologia della rete dell'intero cervello rimangono non sufficientemente esplorati13.

La caratterizzazione dei cambiamenti nella topologia della rete cerebrale offre una preziosa finestra sui processi neuroplastici che sono alla base del recupero funzionale dopo lesioni ischemiche o emorragiche cerebrali. Il cervello umano funziona come una rete complessa, in cui la funzione o la riparazione neurologica si basa sia sull'integrità regionale che sulle interazioni dinamiche tra più aree14. In queste circostanze, la teoria dei grafi fornisce un quadro robusto per quantificare l'architettura della rete cerebrale su larga scala, offrendo intuizioni sull'organizzazione corticale a livelli nodali15. Calcolando le metriche chiave della rete come il coefficiente di clustering, la lunghezza media del percorso e l'efficienza globale, i ricercatori possono valutare in che modo il RAT influenza l'elaborazione e la capacità di trasferimento delle informazioni neurali. Come mostrato nella letteratura precedente, le interruzioni dell'integrità della rete indotte dall'ictus si manifestano spesso come alterazioni delle proprietà del piccolo mondo e dell'organizzazione topologica generale16,17. La riabilitazione, in particolare l'allenamento ripetitivo e specifico per il compito, è stata associata alla riorganizzazione corticale. Tuttavia, l'impatto preciso dei vari interventi robotici su queste dinamiche di rete rimane inadeguatamente compreso18.

Questo studio mira a indagare la fattibilità di un robot pneumatico morbido programmabile nella modulazione delle dinamiche della rete cerebrale nelle persone che hanno avuto un ictus. Rispetto all'esercizio di flessione/estensione della mano nei paradigmi robotici esistenti, l'attuale robot pneumatico presenta vantaggi nella personalizzazione della modalità di lavoro, del tempo di azione e della durata dell'interazione per i movimenti desiderati, come afferrare, rilasciare e pizzicare19,20. Queste diverse modalità di interazione uomo-robot possono fornire una stimolazione più mirata alle aree corticali sensomotorie. Un tale paradigma può potenzialmente promuovere la neuroplasticità nelle regioni associate al recupero della funzione della mano13. Inoltre, è stata utilizzata l'analisi della teoria dei grafi basata su fNIRS in diverse condizioni terapeutiche per valutare in che modo le strategie robotiche individualizzate possano ottimizzare il recupero motorio della mano. Inoltre, i meccanismi neurali alla base della riabilitazione robotica morbida potrebbero essere chiariti preliminarmente. La comprensione di questi adattamenti a livello di rete può informare lo sviluppo di protocolli di riabilitazione mirati e guidati dalla neurofisiologia, migliorando in ultima analisi il recupero della mano nei sopravvissuti all'ictus.

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

Protocollo

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

Questo studio è stato approvato dal Comitato Etico dell'Ospedale Tongji, Wuhan, Cina. Tutti i protocolli di ricerca hanno aderito ai principi delineati nella Dichiarazione di Helsinki. Il consenso informato scritto è stato ottenuto da tutti i partecipanti prima della loro inclusione nello studio. Le attrezzature e i software utilizzati sono elencati nella Tabella dei Materiali.

1. Partecipanti

  1. Considerare i seguenti criteri di inclusione:
    1. Età compresa tra i 18 e i 75 anni.
    2. Primo ictus ischemico o emorragico confermato da TC o risonanza magnetica.
    3. Condizione clinicamente stabile.
    4. Firmare il consenso informato di persona o dal proprio rappresentante autorizzato.
  2. Considerare i seguenti criteri di esclusione:
    1. Grave afasia, disturbi cognitivi, disturbi della coscienza o incapacità di collaborare con l'intervento o il protocollo di valutazione.
    2. Incapacità di rimanere seduti per almeno 20 minuti.
    3. Gravi anomalie del tono muscolare (punteggio della scala di Ashworth modificato ≥2).

2. Sistema robotico pneumatico morbido

  1. Collegamento e avviamento dell'apparecchiatura
    1. Collegare il cavo di alimentazione del sistema robotico a una presa elettrica.
    2. Accendi il computer premendo il pulsante situato sulla torre del computer.
    3. Collegare i due cavi di alimentazione della pompa dell'aria alla presa di corrente e al guanto pneumatico morbido.
    4. Premere il pulsante di accensione verde sul retro del sistema robotico per attivare il dispositivo.
  2. Indossare il robot pneumatico morbido
    1. Assistere il partecipante nell'indossare il robot pneumatico morbido sulla mano interessata, garantendo una vestibilità sicura intorno al palmo e alle dita.
    2. Fissare il robot utilizzando la cinghia in velcro, assicurandosi che sia posizionato saldamente dal lato dorsale del pollice all'eminenza tenare sul lato palmare per una stabilità ottimale.
  3. Controllo robotico e selezione della modalità
    1. Premere il pulsante verde Connetti sotto il dispositivo di imaging.
    2. Sull'interfaccia del computer, selezionare la modalità di inalazione robotica.
    3. Configurare la porta di comunicazione (Com 7) per garantire la corretta connettività del dispositivo.
    4. Selezionare la modalità di gonfiaggio-sgonfiaggio appropriata e confermare le impostazioni dei parametri senza causare disagio ai pazienti. Modalità lenta: 2000 ms di tempo di azione (0,5 Hz) con durata dell'interazione del 75%. Modalità veloce: tempo di azione di 200 ms (5 Hz) con durata dell'interazione del 75%21 (Figura 1).

figure-protocol-1
Figura 1: Attrezzatura sperimentale e configurazione. (A) Impostazione sperimentale. (B) Configurazione robotica morbida. (C) Robot pneumatico morbido. (D) configurazione e calibrazione fNIRS. Clicca qui per visualizzare una versione più grande di questa figura.

3. Sistema di spettroscopia funzionale nel vicino infrarosso (fNIRS)

  1. Collegamento e inizializzazione delle apparecchiature
    1. Utilizza il sistema fNIRS a onda continua per registrare i dati di tutti i partecipanti. Il sistema emette luce nel vicino infrarosso a lunghezze d'onda di 690 nm e 830 nm, penetrando 2-3 cm sotto la corteccia cerebrale, con una frequenza di campionamento di 100 Hz.
    2. Accendere la ciabatta per fornire alimentazione a tutti i dispositivi collegati.
    3. Premere il pulsante di accensione sul dispositivo fNIRS e attendere che la spia si accenda.
    4. Garantire una connessione stabile tra il computer e il sistema fNIRS per una trasmissione ininterrotta dei dati.
  2. Avvio del software e inserimento delle informazioni sul paziente
    1. Avvia il sistema fNIRS e verifica la stabilità della connessione Wi-Fi.
    2. Accedi all'interfaccia di gestione dei pazienti per creare un nuovo profilo: clicca su Aggiungi paziente, inserisci le informazioni del partecipante e assegna un numero di identificazione.
  3. Indossare il cappuccio di acquisizione del segnale fNIRS
    1. Selezionare un tappo fNIRS di dimensioni adeguate. Posizionare l'etichetta del numero del sensore leggermente sopra il centro della fronte, assicurando una corretta aderenza del cuoio capelluto. Allineare gli optodi FPZ e CZ del sistema EEG 10-20. Fissare i rilevatori e le fonti di luce utilizzando un archetto flessibile per garantire un contatto ottimale con la pelle.
    2. Durante la raccolta dei dati, istruire il partecipante a rimanere in uno stato tranquillo e rilassato, con la testa ferma e gli occhi aperti.
    3. Prima del processo formale di raccolta dei dati, istruire il partecipante a riposare tranquillamente per 2 minuti senza addormentarsi.
  4. Acquisizione dati
    1. Selezionare il protocollo sperimentale dall'interfaccia software sul computer del sistema fNIRS.
    2. Eseguire la calibrazione del segnale dall'interfaccia software per ridurre al minimo la dispersione di luce, puntando a una potenza del segnale del ≥75% con un rumore minimo.
    3. Se la calibrazione non riesce, regolare il posizionamento del sensore e riprovare. I sensori optodici sono costituiti da diodi emettitori di luce e fotorilevatori. Questi optodi sono progettati per emettere e rilevare la luce del vicino infrarosso a lunghezze d'onda specifiche.
    4. Condurre la registrazione della data della corteccia cerebrale dall'interfaccia del software, istruendo il partecipante a rimanere rilassato ed evitare movimenti della testa.
    5. Assicurarsi di avviare l'attività sperimentale seguendo la sequenza casuale, raccogliendo continuamente i dati. Il sistema fNIRS monitora e registra continuamente i dati sull'ossigenazione cerebrale e sull'emodinamica.
    6. Al termine dell'attività, interrompere l'acquisizione dei dati e salvare in modo sicuro i dati sperimentali.

figure-protocol-2
Figura 2: Configurazione sperimentale del sistema fNIRS e valutazione neurale. (A) Configurazione optode del sistema fNIRS e del protocollo di acquisizione dati. (B) Visualizzazione dell'attivazione cerebrale da prospettive anteriori, posteriori, laterali sinistre, laterali destre e superiori. (C) Analisi della connettività funzionale dell'intero cervello. Clicca qui per visualizzare una versione più grande di questa figura.

4. Analisi dei dati

  1. Pre-elaborazione dei dati fNIRS grezzi
    1. Applica il filtro passa-banda per rimuovere il rumore e gli artefatti dai dati non elaborati. Le frequenze tipiche per i dati fNIRS sono comprese tra 0,01 Hz e 0,2 Hz per catturare i cambiamenti lenti nell'attività cerebrale.
    2. Esegui la correzione degli artefatti da movimento mediante decomposizione wavelet e analisi dei componenti indipendenti (ICA). In particolare, eseguire la decomposizione wavelet sul segnale fNIRS grezzo utilizzando una wavelet Daubechies 4 con un livello di decomposizione di 3.
      1. Applica una soglia morbida ai coefficienti wavelet per ridurre il rumore preservando le caratteristiche del segnale. Ricostruisci il segnale dai coefficienti di soglia. Applicare ICA al segnale ricostruito per identificare e rimuovere i componenti corrispondenti agli artefatti di movimento.
    3. Dividi il segnale fNIRS continuo in epoche corrispondenti a diverse condizioni. In particolare, identificare i punti temporali corrispondenti all'insorgenza e all'offset di ciascuna condizione sperimentale. Segmentare il segnale continuo in epoche in base al disegno sperimentale (Figura 2) e alle loro sequenze randomizzate.
  2. Calcolo della risposta emodinamica
    1. Converti le misure di intensità grezze dal sistema fNIRS in variazioni di densità ottica utilizzando la legge di Beer-Lambert.
    2. Utilizzare la legge di Beer-Lambert modificata per stimare le variazioni delle concentrazioni di ossiemoglobina (HbO) e desossiemoglobina (HbR). Ciò comporta tipicamente la risoluzione di un sistema di equazioni basato sulla geometria della sorgente-rivelatore e sulle lunghezze d'onda utilizzate, 690 nm.
    3. Crea mappe di attivazione cerebrale 3D visualizzando i cambiamenti nella concentrazione di HbO nelle regioni del cervello. In particolare, utilizzare i punti di riferimento anatomici e il sistema internazionale 10-20 per proiettare i canali fNIRS sulle regioni cerebrali corrispondenti.
      1. Stimare le variazioni della concentrazione di HbO su tutta la superficie cerebrale in base ai canali misurati. Proietta le mappe di attivazione su modelli cerebrali standardizzati (modello MNI) per facilitare la visualizzazione.
    4. Utilizza la connettività funzionale per mappare la coattivazione neurale in tutto il cervello calcolando il coefficiente di correlazione di Pearson tra tutte le coppie di canali. Questo coefficiente quantifica la relazione lineare tra le coppie di canali e funge da base per la costruzione della rete di connettività funzionale. Usare lo script R open source (con ggplot2) per visualizzare la rete risultante.
  3. Analisi della teoria dei grafi
    1. Estrai le metriche della teoria dei grafi (tra cui il coefficiente di clustering, la lunghezza media del percorso, l'indice del mondo piccolo, l'efficienza globale, la centralità dei gradi e la centralità degli autovettori) dalle matrici di connettività funzionale derivate da fNIRS16,22.
    2. Calcola il coefficiente di clustering:
      figure-protocol-3
      Dove, ei denota il numero di spigoli tra i vicini del nodo i, N denota il numero totale di nodi nella rete (canali fNIRS) e ki denota il grado di nodo i. Utilizzando il coefficiente di clustering, misurare il grado di clusterizzazione dei nodi in una rete.
      NOTA: In particolare, quantifica la probabilità che due vicini di un nodo siano collegati tra loro. Assicurarsi che un alto coefficiente di clustering rifletta vicini altamente interconnessi, indicando strutture di rete cerebrale localizzate e coese. La neuroplasticità può alterare il coefficiente di clustering formando nuove connessioni o rafforzando quelle esistenti per supportare l'attività neurale localizzata.
    3. Calcola la lunghezza media del percorso:
      figure-protocol-4
      Dove, d(i,j) rappresenta la lunghezza del percorso più breve tra i nodi i e j e N rappresenta il numero totale di nodi nella rete.
      1. Utilizzare la lunghezza media del percorso per misurare il numero medio di passaggi necessari per attraversare tutte le coppie di nodi in una rete. Lunghezze medie del percorso più brevi indicano una trasmissione più efficiente delle informazioni attraverso la rete cerebrale.
        NOTA: La neuroplasticità può ridurre la lunghezza media del percorso creando nuove connessioni che agiscono come scorciatoie tra regioni cerebrali distanti, migliorando la capacità del cervello di integrare le informazioni e migliorando la funzione di controllo motorio complessiva.
    4. Calcola l'indice del mondo piccolo:
      figure-protocol-5
      Dove, Creale e Lreale denotano il coefficiente di clustering e la lunghezza media del percorso della rete reale, e Crand e Lrand denotano quelli di una rete casuale con lo stesso numero di nodi e bordi. Utilizzare l'indice small-world per valutare l'equilibrio tra il clustering locale e l'integrazione globale nella rete.
      NOTA: una rete small-world presenta un clustering elevato e percorsi brevi, consentendo una comunicazione efficiente pur preservando i raggruppamenti locali. La neuroplasticità può migliorare le proprietà del piccolo mondo formando nuove connessioni che aumentano il clustering locale mantenendo lunghezze di percorso brevi, supportando così i cambiamenti neurali adattivi e la destrezza della mano.
    5. Calcola l'efficienza globale:
      figure-protocol-6
      Dove, d(i,j) rappresenta la lunghezza del percorso più breve tra i nodi i e j e N rappresenta il numero totale di nodi nella rete. Utilizzare l'efficienza globale per valutare la capacità della rete di scambiare informazioni a livello globale. Valori più alti indicano una trasmissione più rapida delle informazioni attraverso l'intera rete cerebrale, riflettendo un sistema ben connesso.
      NOTA: La neuroplasticità può migliorare l'efficienza globale ottimizzando la topologia della rete, portando a una migliore integrazione delle informazioni tra le diverse regioni del cervello e supportando funzioni manuali complesse.
    6. Calcola Grado di centralità:
      figure-protocol-7
      Dove, ki denota il grado del nodo . Utilizzare il grado di centralità per quantificare il numero di connessioni dirette che un nodo ha nella rete. I nodi con un alto grado di centralità fungono da hub di comunicazione primari. La neuroplasticità può aumentare il grado di centralità di alcuni nodi formando nuove connessioni, migliorando così il loro ruolo nella rete e supportando la capacità del cervello di adattarsi e riorganizzarsi.
    7. Calcolare la centralità degli autovettori:
      figure-protocol-8
      Dove, A rappresenta la matrice di adiacenza e v rappresenta l'autovettore corrispondente all'autovalore più grande λ. Usa la centralità degli autovettori per valutare l'influenza di un nodo in base alle sue connessioni a nodi ben collegati.
      NOTA: I nodi con un'elevata centralità degli autovettori sono fondamentali per le reti gerarchiche. La neuroplasticità può aumentare la centralità degli autovettori di alcuni nodi formando connessioni con altri nodi altamente connessi, migliorando così il loro ruolo nel sostenere la capacità del cervello di elaborare le informazioni in modo efficiente.
  4. Analisi statistiche
    1. Organizzare i dati in formato lungo nel software statistico, assicurandosi che le metriche della teoria dei grafi, le condizioni sperimentali e gli identificatori dei partecipanti siano strutturati correttamente. Prima di eseguire l'ANOVA, verificare le ipotesi di normalità e omogeneità delle varianze utilizzando il test di Shapiro-Wilk23 per la normalità e il test di Levene per l'omogeneità della varianza24.
    2. Procedere con l'esecuzione dell'ANOVA unidirezionale per valutare se ci sono differenze significative nelle metriche della teoria dei grafi tra le tre condizioni. Se l'ANOVA produce un risultato significativo (P < 0,05), seguire con confronti post-hoc per identificare differenze specifiche tra le condizioni.

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

Risultati

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

Un totale di 10 individui con ictus sono stati arruolati nello studio e sono stati sottoposti a valutazione dello stato di riposo, terapia robotica in modalità lenta e terapia robotica in modalità veloce in ordine randomizzato. I risultati hanno dimostrato la fattibilità dell'individualizzazione della modulazione della neuroplasticità programmando il protocollo robotico e calcolando le metriche della teoria dei grafi della rete cerebrale. Durante la terapia robotica morbida, la valutazio...

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

Discussione

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

Questo studio ha studiato gli effetti neuroplastici di un robot pneumatico morbido configurabile sulla dinamica della rete cerebrale in individui con ictus utilizzando l'analisi della teoria dei grafi basata su fNIRS. I risultati suggeriscono che la terapia robotica morbida modula efficacemente l'organizzazione topologica delle reti cerebrali distribuite, con i partecipanti che dimostrano un'elevata compliance. In particolare, sono stati osservati cambiamenti significativi nel coefficien...

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

Ringraziamenti

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

Questo lavoro è stato sostenuto dal progetto speciale per la scienza e la tecnologia principale della provincia di Hubei (n. 2023BCA002), dal programma di supporto alla ricerca interdisciplinare dell'Università di Scienza e Tecnologia di Huazhong (n. 2024JCYJ067), dalla Fondazione per le scienze naturali della provincia di Hubei, in Cina (n. 2024AFB043) e dal Fondo di ricerca dell'ospedale Tongji (n. 2024B24).

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

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Dispositivo fNIRS a 106 canaliWuhan Znion Technology Co., LTDBS-2000Implementazione del programma
Sistema di riabilitazione articolareNanjing Reseader Medical Technology Co., LTD.RSD RS3Intervento di riabilitazione
Software RFondazione RVersione 4.2.1Analisi statistica
Software SPSSIBMVersione 22.0Analisi statistica

Riferimenti

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

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

Modulazione delle reti cerebralirecupero dall ictusspettroscopia funzionale nel vicino infrarossocoefficiente di clusteringefficienza globaleterapia roboticapotenziamento della neuroplasticit

Articoli correlati