Methodenartikel

Elektro-encefalografienetwerkindices als biomarkers van stoornissen van de bovenste ledematen bij chronische beroerte

DOI:

10.3791/64753

⸱

14 juli 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 dit artikel

Samenvatting

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

Het experimentele protocol demonstreert het paradigma voor het verkrijgen en analyseren van elektro-encefalografie (EEG)-signalen tijdens beweging van de bovenste ledematen bij personen met een beroerte. De verandering van het functionele netwerk van EEG-frequentiebanden met een laag bètagehalte werd waargenomen tijdens de beweging van de aangetaste bovenste ledematen en was geassocieerd met de mate van motorische stoornissen.

Samenvatting

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

Verandering van elektro-encefalografie (EEG)-signalen tijdens taakspecifieke beweging van het aangetaste ledemaat is gerapporteerd als een potentiële biomarker voor de ernst van motorische stoornissen en voor de voorspelling van motorisch herstel bij personen met een beroerte. Bij het implementeren van EEG-experimenten zijn gedetailleerde paradigma's en goed georganiseerde experimentprotocollen vereist om robuuste en interpreteerbare resultaten te verkrijgen. In dit protocol illustreren we een taakspecifiek paradigma met bewegingen van de bovenste ledematen en methoden en technieken die nodig zijn voor het verwerven en analyseren van EEG-gegevens. Het paradigma bestaat uit 1 minuut rust, gevolgd door 10 proeven, bestaande uit afwisselend 5 s en 3 s rust- en taaktoestanden (handextensie), respectievelijk gedurende 4 sessies. EEG-signalen werden verkregen met behulp van 32 Ag/AgCl-hoofdhuidelektroden met een bemonsteringsfrequentie van 1.000 Hz. Gebeurtenisgerelateerde spectrale verstoringsanalyse geassocieerd met beweging van ledematen en functionele netwerkanalyses op mondiaal niveau in de lage-bètafrequentieband (12-20 Hz) werden uitgevoerd. Representatieve resultaten toonden een verandering van het functionele netwerk van lage bèta-EEG-frequentiebanden tijdens beweging van de aangetaste bovenste ledematen, en het veranderde functionele netwerk was geassocieerd met de mate van motorische stoornis bij patiënten met een chronische beroerte. De resultaten tonen de haalbaarheid aan van het experimentele paradigma in EEG-metingen tijdens beweging van de bovenste ledematen bij personen met een beroerte. Verder onderzoek met behulp van dit paradigma is nodig om de potentiële waarde van EEG-signalen als biomarkers van motorische stoornissen en herstel te bepalen.

Inleiding

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

Motorische stoornissen van de bovenste ledematen zijn een van de meest voorkomende gevolgen van een beroerte en houden verband met beperkingen in activiteiten van het dagelijks leven 1,2. Het is bekend dat alfa (8-13 Hz) en bèta (13-30 Hz) bandritmes nauw verbonden zijn met bewegingen. In het bijzonder hebben studies aangetoond dat veranderde neurale activiteit in de alfa- en lagere bètafrequentiebanden (12-20 Hz) tijdens beweging van een aangetast ledemaat gecorreleerd is met de mate van motorische stoornis bij personen met een beroerte 3,4,5. Op basis van deze bevindingen is elektro-encefalografie (EEG) naar voren gekomen als een potentiële biomarker die zowel de ernst van de motorische stoornis als de mogelijkheid van motorisch herstel weerspiegelt 6,7. Eerder ontwikkelde EEG-gebaseerde biomarkers zijn echter ontoereikend gebleken voor het onderzoeken van de kenmerken van motorische stoornissen bij personen met een beroerte, grotendeels vanwege hun afhankelijkheid van EEG-gegevens in rusttoestand in plaats van taakgeïnduceerde EEG-gegevens 8,9,10. Complexe informatieverwerking met betrekking tot motorische stoornissen, zoals de interactie tussen ipsilesionale en contralesionale hemisferen, kan alleen worden onthuld door middel van taakgeïnduceerde EEG-gegevens, niet door EEG in rusttoestand. Daarom zijn verdere studies niet alleen nodig om de relatie tussen neuronale activiteiten en motorische stoornissen te onderzoeken en om het nut te verduidelijken van EEG gegenereerd tijdens beweging van het aangetaste lichaamsdeel als een potentiële biomarker voor motorische stoornissen bij personen met een beroerte11.

Het implementeren van EEG voor het beoordelen van gedragseffecten vereist taakspecifieke paradigma's en protocollen. Tot op heden zijn er verschillende EEG-protocollen gesuggereerd12, waarbij personen met een beroerte ingebeelde of daadwerkelijke bewegingen uitvoerden om bewegingsgerelateerde hersenactiviteiten op te wekken11,13. In het geval van ingebeelde bewegingen kon ongeveer 53,7% van de deelnemers zich niet met zekerheid een overeenkomstige beweging voorstellen ('analfabetisme' genoemd) en slaagde er dus niet in om bewegingsgerelateerde hersenactiviteiten op te wekken14. Bovendien is het voor personen met een ernstige beroerte moeilijk om de hele bovenste extremiteit te bewegen en bestaat de mogelijkheid van onnodige artefacten tijdens het verzamelen van gegevens als gevolg van onstabiele bewegingen. Daarom is begeleiding op basis van deskundige knowhow vereist om taakgerelateerde EEG-gegevens van hoge kwaliteit en neurofysiologisch interpreteerbare resultaten te verkrijgen. In deze studie hebben we uitgebreid een experimenteel paradigma ontworpen voor personen met een beroerte om een relatief eenvoudige handbewegingstaak uit te voeren en een experimentele procedure met gedetailleerde begeleiding te bieden.

Door het gevisualiseerde experimentele protocol in dit artikel te schetsen, wilden we de specifieke concepten en methoden illustreren die worden gebruikt voor het verwerven en analyseren van neuronale activiteiten die verband houden met de beweging van de bovenste ledematen met behulp van een EEG-systeem. Bij het aantonen van het verschil in neuronale activiteiten via EEG tussen de paretische en niet-paretische bovenste ledematen bij deelnemers met een hemiplegische beroerte, had deze studie tot doel de haalbaarheid van EEG te presenteren met behulp van het beschreven protocol als een potentiële biomarker voor de ernst van motorische stoornissen bij personen met een beroerte in een cross-sectionele context.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Alle experimentele procedures werden beoordeeld en goedgekeurd door de Institutional Review Board van het Seoul National University Bundang Hospital. Voor de experimenten in deze studie werden 34 deelnemers met een beroerte gerekruteerd. Van alle deelnemers werd ondertekende geïnformeerde toestemming verkregen. Een ondertekende geïnformeerde toestemming werd verkregen van een wettelijke vertegenwoordiger als een deelnemer aan de criteria voldeed, maar het toestemmingsformulier niet kon ondertekenen vanwege een handicap.

1. Experimentele opzet

  1. Werving van patiënten
    1. Voer het screeningsproces uit aan de hand van de volgende inclusiecriteria:
      Leeftijd van 18 tot 85 jaar met de aanwezigheid van verminderde functies van de bovenste ledematen;
      Eerste ischemische of hemorragische beroerte ooit, bevestigd door computertomografie van de hersenen of beeldvorming met magnetische resonantie;
      Het vermogen van de deelnemer om de instructies voor klinische beoordeling en het EEG-onderzoek op te volgen;
      Afwezigheid van een voorgeschiedenis van andere psychiatrische of neurologische aandoeningen behalve beroerte.
    2. Sluit patiënten uit op basis van het volgende:
      Eerdere ziekte waarbij het centrale zenuwstelsel betrokken is (bijv. traumatisch hersenletsel, hersentumor, ziekte van Parkinson);
      Onvermogen om de EEG-dop te dragen; en
      Onvermogen om de instructies voor de klinische beoordeling en het EEG-onderzoek op te volgen.
      OPMERKING: De in- en uitsluitingscriteria zijn gekozen om de deelnemers te selecteren die in staat zijn om deel te nemen aan het experiment en om de demografische factoren te reguleren die de resultaten kunnen beïnvloeden.
    3. Geef alle gerekruteerde deelnemers informatie over de details van de experimentele procedure.
  2. Experimenteel systeem: EEG
    1. Gebruik een EEG-systeem bestaande uit 32 Ag/AgCl-hoofdhuidelektroden, een EEG-dop van textiel en EEG-opnamesoftware voor gegevensregistratie.
    2. Gebruik een pc (pc) waarop EEG-opnamesoftware is geïnstalleerd en verbind de pc via Bluetooth met het EEG-apparaat.
    3. Gebruik een andere pc met een softwaretoepassing voor numerieke analyse en programmering voor engineering (zie Tabel met materialen).
    4. Sluit voor de presentatie van stimuli de pc aan op een speciale triggerbox (Figuur 1).
      OPMERKING: De gedetailleerde specificaties van de twee pc's vindt u in de Materiaaltabel.
  3. Experimenteel paradigma op basis van programmeersoftware
    OPMERKING: De deelnemers voerden een handextensietaak uit met behulp van de aangedane en niet-aangedane handen, waarbij EEG-gegevens werden gemeten. Figuur 2 toont het experimentele paradigma van deze studie.
    1. Presenteer twee visuele stimuli, CLOSE en OPEN, elk gedurende 30 seconden, in het midden van een monitor om de EEG-gegevens in rusttoestand te meten, waarbij de deelnemer de ogen sluit en opent.
      OPMERKING: Omdat EEG-gegevens in rusttoestand relatief minder vervuild zijn door ongewenste fysiologische artefacten, zijn ze nuttig voor het verifiëren van de kwaliteit van EEG-gegevens en het identificeren van individuele EEG-kenmerken met betrekking tot de rusttoestand.
    2. Presenteer een handbewegingsbeeld gedurende 3 s om de deelnemer te instrueren een handextensiebeweging te maken, gevolgd door een fixatiemarkering gedurende 5 s om te rusten.
      OPMERKING: Deze procedure werd beschouwd als een proef en werd 10 keer herhaald in één sessie. Elke deelnemer onderging 4 sessies voor elke hand. De deelnemer had na het uitvoeren van elke sessie een pauze wanneer hij/zij maar wilde om overmatige vermoeidheid te voorkomen.

figure-protocol-1
Figuur 1: Schema van de opstelling van de apparatuur. Een pc (PC1) met experimentele stimuli werd aangesloten op een triggerbox en een andere pc (PC2) werd aangesloten op een EEG-versterker. Stimulatiegebeurtenissen die in PC1 werden gegenereerd, werden aan de EEG-versterker geleverd via de triggerbox die op PC1 was aangesloten. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-2
Figuur 2: Experimenteel paradigma gebruikt in deze studie. Een enkele proef bestond uit een handstrekbeweging van 3 s, gevolgd door een ontspanning van 5 s. Dit patroon werd 10 keer herhaald in één sessie. In totaal werden er acht sessies uitgevoerd; Vier sessies betroffen beïnvloede handbewegingen, terwijl de andere vier onaangetaste handbewegingen betroffen. Deze figuur is een bewerking van Shim et al.17 met toestemming van Mary Ann Liebert, Inc. Klik hier om een grotere versie van deze figuur te bekijken.

2. Registratie van bewegingsgerelateerde EEG-gegevens

  1. EEG-opstelling
    1. Zet de deelnemer in een comfortabele fauteuil voor een monitor.
      NOTITIE: De afstand tussen de deelnemer en de monitor moet minimaal 60 cm zijn om vermoeidheid van de ogen te voorkomen. Een te grote afstand moet echter worden vermeden (bijv. >150 cm) omdat dit de concentratie van de deelnemer zou kunnen afleiden.
    2. Om de dop nauwkeurig te dragen voor EEG-metingen, definieert u de Cz-locatie op basis van het internationale 10-20-systeem met behulp van het snijpunt van de longitudinale lijn die de nasion en inion verbindt en de transversale lijn die het bovenste deel van beide oorschelpen verbindt.
      NOTITIE: Een EEG-dop is mogelijk niet vereist, afhankelijk van de EEG-meetapparatuur. In dat geval worden EEG-elektroden rechtstreeks op de hoofdhuid bevestigd volgens het internationale 10-20-systeem15.
    3. Gebruik voor een nauwkeurige EEG-meting een EEG-dop van de juiste maat volgens de hoofdomvang van de deelnemer en plaats deze zo dat de positie van de Cz-elektrode op de individuele Cz-locatie wordt geplaatst.
    4. Bevestig de kinband met de juiste strakheid; Dit voorkomt dat de deelnemer zich ongemakkelijk voelt tijdens het slikken en knipperen in het experiment. Controleer daarna of de T9- en T10-elektrodeposities van de EEG-dop zich in het temporale gebied boven beide oorschelpen bevinden en dat de Fpz-elektrodepositie van de EEG-dop zich in het midden van het voorhoofd bevindt.
      NOTITIE: Als die elektroden zich buiten de aangewezen locatie bevinden, overweeg dan om de dop te vervangen. In ons onderzoek werden drie EEG-kapmaten gebruikt (54 cm: klein, 56 cm: medium, 58 cm: groot).
    5. Nadat u de EEG-dop correct hebt geplaatst, bevestigt u 32 Ag/AgCl-hoofdhuidelektroden op de hoofdhuid volgens het uitgebreide internationale 10-10-systeem, met de aardings- en referentie-elektroden op respectievelijk Fpz en FCz16.
      OPMERKING: De locatie van de referentie-elektrode (FCz) wordt relatief minder beïnvloed door verschillende fysiologische artefacten, zoals die van elektro-oculografie, elektromyografie en elektrocardiografie, omdat deze zich rond het centrale gebied (Cz) van de hoofdhuid bevindt.
    6. Pas het impedantieniveau tussen de EEG-elektroden en de hoofdhuid aan met behulp van geleidende gel en fixeer het haar met de gel om obstructie tussen de EEG-elektroden en de hoofdhuid te voorkomen.
      OPMERKING: Het is belangrijk om te bevestigen of er een brug ontstaat tussen aangrenzende EEG-elektroden als gevolg van gellekkage.
    7. Gebruik de software voor EEG-opname.
    8. Schakel het EEG-systeem in en voer de configuratie uit > selecteer Amplifier. Kies Liveamp > > versterker > aansluiten. Zoek naar de Liveamp-functie voor de draadloze verbinding (Afbeelding 3).
    9. Voer de impedantiecontrolefunctie uit om het impedantieniveau voor elke elektrode te bewaken.
      OPMERKING: Het wordt aanbevolen om het experiment uit te voeren met een impedantieniveau van <20 KΩ (Figuur 4).
    10. Voer de bewakingsfunctie uit om te bevestigen of de EEG's van alle elektroden vergelijkbare amplitudeniveaus hebben door middel van real-time EEG-signaalbewaking (Figuur 5).
      OPMERKING: De amplitude van het EEG-signaal ligt over het algemeen tussen 10 μV en 100 μV, en het alfavermogen (8-12 Hz) neemt toe rond het occipitale gebied wanneer de ogen gesloten zijn. Daarom kan de kwaliteit van EEG-gegevens kwalitatief worden bevestigd door het amplitudeniveau en alfa-oscillaties op de kanalen rond het occipitale gebied te bewaken terwijl de ogen gesloten zijn.
  2. Paradigma opstelling
    1. Gebruik voor stabiele EEG-gegevensverzameling twee afzonderlijke pc's voor het presenteren van externe stimuli en het registreren van EEG-gegevens (zie figuur 1).
    2. Om experimentele stimuli aan de deelnemers te presenteren, maakt u een stimulatieprogramma op basis van het experimentele paradigma met behulp van programmeersoftware (geïntroduceerd in stap 1.3).
      OPMERKING: In dit onderzoek is een op software gebaseerd stimulatieprogramma gemaakt, maar andere software kan worden gebruikt, afhankelijk van hun compatibiliteit met de EEG-apparatuur die voor het experiment wordt gebruikt, evenals het gebruiksgemak. Het op programmeersoftware gebaseerde stimulusscript is te vinden in Supplementary File 1 (Experimental_stimulus.m). De gebeurtenisinformatie, die het beginpunt van stimuli aangeeft, wordt gegenereerd door de interne programmeersoftware, verzonden naar de EEG-versterker via de triggerbox en uiteindelijk naar de EEG-opnamesoftware (Figuur 1).
    3. Voer het programma uit dat de experimentele stimuli in de bewakingsmodus presenteert (zie substap 2.1.10). Controleer vervolgens of de gebeurtenisinformatie tijdig en correct is gemarkeerd aan de onderkant van de EEG-opnamesoftware telkens wanneer een stimulus wordt gepresenteerd, zoals weergegeven in afbeelding 6.
      OPMERKING: Informatie over het tijdstip wordt geregistreerd wanneer een nieuwe stimulus wordt gepresenteerd en wordt vervolgens gebruikt voor gegevenssegmentatie. Daarom is het belangrijk om zoveel mogelijk de exacte tijdstippen van experimentele gebeurtenissen te verkrijgen om onnauwkeurige gegevenssegmentatie te voorkomen, wat zou leiden tot onbetrouwbare resultaten in de analyse.
    4. Start de EEG-opnamesoftware en voer vervolgens zelfstandig het stimuluspresentatieprogramma uit dat is ontwikkeld op basis van het experimentele paradigma met behulp van programmeersoftware om het weglaten van gegevens te voorkomen.
      OPMERKING: Voor het gemak van gegevensanalyse wordt aanbevolen om bestandsnamen te maken met een consistente regel voor gegevensopslag (bijv. Sub1_Session1).
  3. EEG-opname
    1. Meet EEG met een bemonsteringsfrequentie van 1.000 Hz volgens het experimentele paradigma dat in stap 1.3 is geïntroduceerd.
      OPMERKING: De bemonsteringsfrequentie kan worden gewijzigd afhankelijk van het bereik van EEG-frequenties dat de onderzoeker wil onderzoeken. Over het algemeen wordt aanbevolen om een bemonsteringsfrequentie van >200 Hz te gebruiken, waarbij EEG-informatie kan worden onderzocht bij ≤100 Hz op basis van de stelling van Nyquist. Dit komt omdat de meeste EEG-informatie onder de 100 Hz bestaat.
    2. Handhaaf zoveel mogelijk dezelfde experimentele omgevingen (bijv. experimentele plaats, apparatuur, kamertemperatuur, enz.) tussen de deelnemers en instrueer hen om onnodige bewegingen tijdens de EEG-meting tot een minimum te beperken.

figure-protocol-3
Afbeelding 3: Draadloze verbindingsprocedure tussen een EEG-versterker en pc met de EEG-opnamesoftware. Volg de stappen in volgorde: (A) selecteer versterker, (B) sluit versterker aan, (C) zoek naar de aangesloten versterker voor draadloze verbinding, (D) verbinding voltooid. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-4
Figuur 4: Impedantiecontroleprocedure voor elk kanaal. Alle kanalen moeten worden afgesteld op groene kleur voor een stabiele EEG-meting. Het wordt aanbevolen om het experiment uit te voeren met een impedantie van minder dan 20 KΩ. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-5
Figuur 5: Real-time procedure voor het monitoren van gegevens voor elk kanaal. Signalen van alle kanalen die worden gemeten, kunnen in real-time worden gemonitord en kunnen worden in- en uitgezoomd met behulp van de optie (rood vak) op de bovenste balk. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-6
Afbeelding 6: Screenshot voor het monitoren van gebeurtenisinformatie. De rode balken geven gebeurtenismakers aan die worden gepresenteerd telkens wanneer een stimulus door PC1 wordt gegeven. Klik hier om een grotere versie van deze figuur te bekijken.

3. Analyse van EEG-gegevens

OPMERKING: Deze studie biedt nauwkeurige richtlijnen voor het repliceren van het onderzoeksconcept. Daarom geeft het een korte schets van het analyseproces en representatieve resultaten. De gedetailleerde processen en de bijbehorende resultaten zijn te vinden in een eerdere studie17. Dit dient als een indicatie dat Mary Ann Liebert, Inc. toestemming heeft verleend voor het gebruik van auteursrechtelijk beschermd materiaal.

  1. Preprocessing
    1. Verwijder ooggerelateerde artefacten uit de ruwe EEG-gegevens met behulp van wiskundige procedures op basis van analyse van de hoofdcomponenten die zijn geïmplementeerd in EEG-gegevensvoorverwerkingssoftware18,19 (zie Tabel met materialen).
      OPMERKING: Als een epoche prominente artefacten (± 100 μV) vertoonde, zelfs na voorbewerking in een van de elektroden, werd deze uitgesloten van verdere analyse. Het gemiddelde aantal afgewezen epochs, inclusief hun standaarddeviatie, was 3,69 ± 7,15 voor de betrokken handbewegingstaak en 1,62 ± 3,95 voor de niet-beïnvloede handbewegingstaak.
    2. Pas een banddoorlaatfilter toe tussen 0,1 Hz en 55 Hz. Segmenteer de voorbewerkte EEG-gegevens van -1 s tot 3,5 s voor elke proef op basis van het begin van de taak om de basislijnperiode te bevatten die wordt gebruikt voor gebeurtenisgerelateerde spectrale verstoring (ERSP) en functionele netwerkanalyses.
  2. ERSP-analyse
    OPMERKING: De gemeten EEG-gegevens werden gevalideerd via ERSP-analyse voor een lage bètafrequentieband (12-20 Hz) geassocieerd met vrijwillige bewegingen.
    1. Voer voor elke proef een kortstondige Fouriertransformatie uit om EEG-spectrale vermogens te berekenen, waarvoor de newtimef-functie van de EEGLAB-toolbox in de programmeersoftware werd gebruikt 20 (een niet-overlappend Hanning-venster,250 ms venstergrootte).
    2. Normaliseer het vermogensspectrum van elke proef door het gemiddelde vermogen van de basislijnperiode (-1 tot 0 s) af te trekken om de veranderingen in spectrale vermogens tussen de handbewegingstaak en de basislijnperiode te onderzoeken.
    3. Maak een schatting van baseline-genormaliseerde ERSP-kaarten voor elke patiënt door het gemiddelde te nemen van de genormaliseerde vermogensspectra in verschillende onderzoeken.
  3. Functionele netwerkanalyse
    OPMERKING: Er is een functionele netwerkanalyse uitgevoerd om EEG-veranderingen te onderzoeken vanuit het perspectief van een hersennetwerk. Om gewogen netwerkindices voor het hele brein te berekenen op basis van grafentheorie, werd eerst de hersenconnectiviteit tussen verschillende regio's berekend met behulp van de fasevergrendelingswaarde (PLV). Vervolgens werd een functionele connectiviteitsmatrix berekend met behulp van de resultaten van de op PLV gebaseerde connectiviteitsanalyse, die vervolgens werd gebruikt om netwerkindices voor het hele breinte berekenen 17. Alle functionele netwerkanalyses werden uitgevoerd met behulp van de programmeersoftware.
    1. Bereken de Hilberttransformatie-gebaseerde fasevergrendelingswaarde (PLV) voor een lage bètafrequentieband (12-20 Hz) met behulp van een interne functie21,22. De interne functie voor het berekenen van de op Hilberttransformatie gebaseerde PLV is beschikbaar in Supplementary File 2 (myPLV.m).
    2. Beoordeel de PLV's tussen alle mogelijke paren van de 32 EEG-elektroden op elk tijdstip tijdens de taakperioden (0-3,5 s) en creëer een symmetrische adjacency-matrix (32 x 32, aantal elektroden = 32) door het gemiddelde te nemen van de PLV's over de taakperiode. Gebruik de PLV-matrix als invoergegevens voor netwerkanalyse17,23.
    3. Evalueer vier gewogen netwerkindices op mondiaal niveau op basis van grafentheorie met behulp van de Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) sterkte, (2) clustercoëfficiënt, (3) padlengte en (4) kleinschaligheid 17,24,25.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Figuur 7 toont de topografische low-beta ERD-kaarten van elke handbewegingstaak. Een significant sterke laag-bèta ERD werd waargenomen in de contralesionale hemisfeer in vergelijking met de ipsilesionale hemisfeer voor zowel de aangedane als de niet-aangedane handbewegingstaken.

figure-results-1
Figuur 7: Gemiddelde t...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Deze studie heeft een EEG-experiment geïntroduceerd voor het meten van bewegingsgerelateerde neuronale activiteiten van de bovenste ledematen bij personen met een beroerte. Het experimentele paradigma en de methoden voor het verwerven en analyseren van EEG werden toegepast om de ERD-patronen in de ipsilesionale en contralesionale motorische cortex te bepalen.

De resultaten van de ERSP-kaarten (Figuur 7) toonden het verschil in de mate van neuronale activering bij...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

MS, NJP, WSK en HJH hebben een patent aangevraagd met de titel "Methode voor het verstrekken van informatie met betrekking tot motorische beperkingen en hulpmiddelen die daarvoor worden gebruikt", nummer 10-2022-0007841.

Dankbetuigingen

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

Dit werk werd ondersteund door de subsidie van de National Research Foundation of Korea (NRF), gefinancierd door de Koreaanse regering (MSIT) (nr. NRF-2022R1A2C1006046), door het Original Technology Research Program for Brain Science via de National Research Foundation of Korea (NRF), gefinancierd door het ministerie van Onderwijs, Wetenschap en Technologie (2019M3C7A1031995), door een subsidie van de National Research Foundation of Korea (NRF), gefinancierd door de Koreaanse regering (MSIT) (nr. NRF-2022R1A6A3A13053491), en door het MSIT (Ministerie van Wetenschap en ICT), Korea, in het kader van het ITRC (Information Technology Research Center) ondersteuningsprogramma (IITP-2023-RS-2023-00258971) onder toezicht van het IITP (Institute for Information & Communications Technology Planning & Evaluation).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
actiCAPEasycap, GmbH Ltd., Herrsching, DuitslandCAC-32-SAMW-56Textiele EEG-cap platform om EEG-elektroden te huisvesten
Brain Vision Recorder (Software)Brain Products GmBH Ltd., München, Duitsland-Software gebruikt om EEG-signaal op te nemen
Curry 7 (Software)Compumedics, Australië-Software gebruikt bij de voorverwerking van EEG-gegevens
MATLAB R2019a (Software)MathWorks Inc., Natick, MA, VS-Software gebruikt om het experimentele stimulus uit te voeren en de EEG-gegevens te analyseren
Opname-PCLenovo Group Limited, Hongkong, ChinaModel: X58K
Intel Core i7-7700HQ CPU@2.80 GHz, RAM 8 GB
/EEG-gegevensopname met behulp van Brain Vision Recorder
Sensor&Trigger Extension(STE)Brain Products GmBH Ltd., München, DuitslandSTE-055604-0162Voegt fysiologische signalen toe aan de EEG-versterker
Splitter boxBrain Products GmBH Ltd., München, DuitslandBP-135-1600Verbindt Ag/AgCl-elektroden met de EEG-versterker
Stimulerings-PCHansung Corporation, Seoel, KoreaModel: ThinkPad P71
Intel Core i7-8750H CPU@2.20 GHz, RAM 8 GB
Presentatie van stimuleringsscherm met behulp van MATLAB
TriggerBoxBrain Products GmBH Ltd., München, DuitslandBP-245-1010Ontvangt trigger-signaal van de PC en verzendt deze naar EEG-opnamesysteem

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

EEG biomarkersmotorische beperkingtaakspecifieke EEGfunctionele netwerkanalyselage b ta ERDmotorisch herstelneurofysiologie van beroertes

Gerelateerde artikelen