Methodenartikel

Zachte pneumatische robot moduleert grafentheoriemetrieken van hersennetwerk voor handrevalidatie na een beroerte

DOI:

10.3791/68588

⸱

10 oktober 2025

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

In dit artikel

Samenvatting

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

Deze studie onderzoekt de effecten van een configureerbare zachte pneumatische robot op het verbeteren van de netwerktopologie van het hele brein na een beroerte. Analyse van de grafentheorie wijst op significante verbeteringen in clusteringscoëfficiënt, padlengte en globale efficiëntie. Bevindingen benadrukken het potentieel van programmeerbare robotprotocollen om neuroplasticiteit te moduleren en functioneel herstel bij revalidatie na een beroerte te optimaliseren.

Samenvatting

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

Functioneel herstel van de hersenschors is afhankelijk van activiteitsafhankelijke neuroplasticiteit na een beroerte. Het optimaliseren van robotrevalidatie voor handherstel blijft echter een grote uitdaging. Deze proof-of-concept studie onderzoekt de haalbaarheid van een configureerbare zachte pneumatische robot bij het moduleren van het hersennetwerk bij tien deelnemers met handmotorische stoornissen na een beroerte. De programmeerbare robotinterventie werd in een gerandomiseerde volgorde toegediend voor beoordeling van de rusttoestand, slow-mode en fast-mode robottherapie door de werkmodus, actietijd en interactieduur aan te passen. Functionele nabij-infraroodspectroscopie (fNIRS) werd gebruikt om corticale activiteit en functionele connectiviteit te meten. Bovendien werden de metrieken van de grafentheorie, waaronder de clusteringscoëfficiënt, de gemiddelde padlengte, de kleine-wereldindex, de globale efficiëntie, de gradencentraliteit en de eigenvectorcentraliteit, afgeleid van op fNIRS gebaseerde functionele connectiviteitsmatrices. De resultaten toonden aan dat robotinterventie de clusteringcoëfficiënt (P = 0,034), de gemiddelde padlengte (P = 0,007) en de globale efficiëntie (P = 0,001) aanzienlijk verbeterde. Hoewel de kleine wereldindex, de graadcentraliteit en de eigenvectorcentraliteit een stijgende trend vertoonden, bereikten deze verschillen geen statistische significantie. Bovendien induceerde fast-mode therapie meer substantiële veranderingen in clusteringcoëfficiënt in vergelijking met slow-mode therapie, wat wijst op een potentieel sterker effect op neurale reorganisatie. Deze bevindingen ondersteunen voorlopig het gebruik van zachte robotica met aanpasbare paradigma's om de connectiviteit van het hersennetwerk te verbeteren en neuroplasticiteit na een beroerte te vergemakkelijken. De waargenomen verbeteringen in globale efficiëntie en eigenschappen van een kleine wereld geven aan dat robottherapie de corticale organisatie optimaliseert en functioneel herstel bevordert. Verdere studies met grotere steekproeven en gepersonaliseerde interventieprotocollen zijn nodig om deze resultaten te bevestigen en hun langetermijneffecten te onderzoeken.

Inleiding

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

Beroerte blijft wereldwijd een belangrijke oorzaak van sterfte en langdurige invaliditeit voor volwassenen1. Onder de slopende gevolgen brengen handmotorische stoornissen essentiële dagelijkse activiteiten en functionele onafhankelijkheid aanzienlijk in gevaar, waardoor de sociale participatie en levenskwaliteit bij overlevenden van een beroerte afnemen 2,3. Hoewel fysische geneeskunde en revalidatie van cruciaal belang zijn voor motorisch herstel, leveren conventionele therapeutische benaderingen vaak inconsistente resultaten op vanwege de complexiteit en interindividuele variabiliteit van neurale reorganisatie na een beroerte4.

In de afgelopen jaren heeft robotgeassisteerde therapie (RAT) veel aandacht gekregen vanwege het vermogen om intensieve, repetitieve en taakspecifieke training te geven om motorisch herstel te vergemakkelijken5. Om dergelijke interventies effectiever op maat te maken, is een beter begrip van de neurale biomarkers cruciaal voor directe modulatie door robotinterventies. Dit kan uiteindelijk helpen bij het optimaliseren van therapeutische strategieën en het bevorderen van handvaardigheid. In een eerdere studie heeft het in kaart brengen van op voxel gebaseerde laesiesymptomen aangetoond dat proximale stoornissen van de bovenste ledematen na een beroerte in verband kunnen worden gebracht met tekorten in dalende kanalen van corticomotorische gebieden en striatum. Los hiervan zijn handstoornissen het gevolg van geïsoleerde verwondingen aan de hersencortex6. De klinische resultaten voor de handfunctie blijven echter variabel en de neurale mechanismen die ten grondslag liggen aan motorisch herstel zijn nog niet volledig opgehelderd 7,8,9. Bovendien volgen de meeste commerciële robottrainingen vooraf gedefinieerde protocollen met een beperkt aanpassingsvermogen. Het komt niet tegemoet aan patiëntspecifieke behoeften en beperkt mogelijk hun klinische effectiviteit10.

In de afgelopen decennia hebben neuroimaging-studies de cruciale rol van de reorganisatie van het hersennetwerk bij het herstel van een beroerte benadrukt, gekenmerkt door veranderingen in functionele activiteit en connectiviteit. Functionele nabij-infraroodspectroscopie (fNIRS), een niet-invasieve techniek voor het monitoren van corticale hemodynamica, is naar voren gekomen als een waardevol hulpmiddel voor het beoordelen van neurale dynamiek en het begeleiden van revalidatie-instellingen11. Zijn draagbaarheid en robuustheid tegen bewegingsartefacten maken het bijzonder geschikt voor real-time monitoring en informatieoverdracht tijdens robottherapie12. Hoewel eerdere studies veranderingen in corticale interconnectiviteit na motorische training hebben gedocumenteerd, blijven de effecten van RAT op de topologie van het hele hersennetwerk onvoldoende onderzocht13.

Het karakteriseren van veranderingen in de topologie van het hersennetwerk biedt een waardevol venster op de neuroplastische processen die ten grondslag liggen aan functioneel herstel na ischemische of hemorragische verwondingen van de hersenen. Het menselijk brein werkt als een complex netwerk, waar de neurologische functie of het herstel afhankelijk is van zowel regionale integriteit als de dynamische interacties tussen meerdere gebieden14. Onder deze omstandigheden biedt grafentheorie een robuust raamwerk voor het kwantificeren van grootschalige hersennetwerkarchitectuur, en biedt het inzicht in corticale organisatie op knooppuntniveaus15. Door belangrijke netwerkstatistieken te berekenen, zoals clusteringscoëfficiënt, gemiddelde padlengte en wereldwijde efficiëntie, kunnen onderzoekers evalueren hoe RAT de neurale informatieverwerking en overdrachtscapaciteit beïnvloedt. Zoals aangetoond in eerdere literatuur, manifesteren door een beroerte veroorzaakte verstoringen van de netwerkintegriteit zich vaak als veranderingen in de eigenschappen van de kleine wereld en de algehele topologische organisatie16,17. Revalidatie, met name taakspecifieke en repetitieve training, is in verband gebracht met corticale reorganisatie. De precieze impact van gevarieerde robotinterventies op deze netwerkdynamiek blijft echter onvoldoende begrepen18.

Deze studie heeft tot doel de haalbaarheid te onderzoeken van een programmeerbare zachte pneumatische robot bij het moduleren van de dynamiek van het hersennetwerk bij mensen die een beroerte hebben gehad. Vergeleken met handflexie-/extensieoefeningen in bestaande robotparadigma's, heeft de huidige pneumatische robot voordelen bij het aanpassen van de werkmodus, actietijd en interactieduur voor de gewenste bewegingen, zoals vastpakken, loslaten en knijpen19,20. Deze verschillende vormen van interactie tussen mens en robot kunnen zorgen voor een meer gerichte stimulatie van de sensomotorische corticale gebieden. Een dergelijk paradigma kan mogelijk neuroplasticiteit bevorderen in regio's die verband houden met het herstel van de handfunctie13. Bovendien werd op fNIRS gebaseerde grafentheorie-analyse voor verschillende therapeutische aandoeningen gebruikt om te beoordelen hoe geïndividualiseerde robotstrategieën het herstel van handmotoren kunnen optimaliseren. Bovendien kunnen de neurale mechanismen die ten grondslag liggen aan zachte robotrevalidatie voorlopig worden opgehelderd. Inzicht in deze aanpassingen op netwerkniveau kan leiden tot de ontwikkeling van gerichte, neurofysiologie-gestuurde revalidatieprotocollen, die uiteindelijk het handherstel bij overlevenden van een beroerte verbeteren.

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

Protocol

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

Deze studie werd goedgekeurd door de ethische commissie van het Tongji Hospital, Wuhan, China. Alle onderzoeksprotocollen hielden zich aan de principes die zijn uiteengezet in de Verklaring van Helsinki. Schriftelijke geïnformeerde toestemming werd verkregen van alle deelnemers voordat ze in het onderzoek werden opgenomen. De gebruikte apparatuur en software staan vermeld in de Materiaaltabel.

1. Deelnemers

  1. Houd rekening met de volgende inclusiecriteria:
    1. Leeftijd tussen 18 en 75 jaar.
    2. Eerste ischemische of hemorragische beroerte ooit bevestigd door CT of MRI.
    3. Medisch stabiele toestand.
    4. Onderteken de geïnformeerde toestemming persoonlijk of van hun gemachtigde vertegenwoordiger(s).
  2. Houd rekening met de volgende uitsluitingscriteria:
    1. Ernstige afasie, cognitieve stoornissen, bewustzijnsstoornissen of onvermogen om mee te werken aan de interventie of het beoordelingsprotocol.
    2. Onvermogen om minimaal 20 minuten te blijven zitten.
    3. Ernstige afwijkingen in de spierspanning (Modified Ashworth Scale-score ≥2).

2. Zacht pneumatisch robotsysteem

  1. Apparatuur aansluiten en opstarten
    1. Steek de stroomkabel van het robotsysteem in een stopcontact.
    2. Schakel de computer in door op de knop op de computertoren te drukken.
    3. Sluit de twee stroomkabels van de luchtpomp aan op het stopcontact en de zachte pneumatische handschoen.
    4. Druk op de groene aan/uit-knop aan de achterkant van het robotsysteem om het apparaat te activeren.
  2. Het dragen van de zachte pneumatische robot
    1. Help de deelnemer bij het dragen van de zachte pneumatische robot op de aangedane hand, zodat deze stevig om de handpalm en vingers zit.
    2. Maak de robot vast met behulp van het klittenband en zorg ervoor dat hij stevig gepositioneerd is van de dorsale kant van de duim tot de thenar eminentie aan de handpalmzijde voor optimale stabiliteit.
  3. Robotbesturing en modusselectie
    1. Druk op de groene knop Verbinden onder het beeldapparaat.
    2. Selecteer op de computerinterface de robotinhalatiemodus.
    3. Configureer de communicatiepoort (Com 7) om een goede verbinding met het apparaat te garanderen.
    4. Selecteer de juiste opblaas-deflatiemodus en bevestig de parameterinstellingen zonder ongemak voor patiënten te veroorzaken. Langzame modus: actietijd van 2000 ms (0,5 Hz) met een interactieduur van 75%. Snelle modus: actietijd van 200 ms (5 Hz) met 75% interactieduur21 (Afbeelding 1).

figure-protocol-1
Figuur 1: Experimentele apparatuur en configuratie. (A) Experimentele opstelling. (B) Zachte robotconfiguratie. (C) Zachte pneumatische robot. (D) fNIRS-configuratie en kalibratie. Klik hier om een grotere versie van deze figuur te bekijken.

3. Functioneel nabij-infraroodspectroscopie (fNIRS) -systeem

  1. Aansluiting en initialisatie van apparatuur
    1. Gebruik het continuous wave fNIRS-systeem om gegevens van alle deelnemers vast te leggen. Het systeem zendt nabij-infrarood licht uit op golflengten van 690 nm en 830 nm en dringt 2-3 cm onder de hersenschors door, met een bemonsteringsfrequentie van 100 Hz.
    2. Schakel de stekkerdoos in om alle aangesloten apparaten van stroom te voorzien.
    3. Druk op de aan/uit-knop op het fNIRS-apparaat en wacht tot het indicatielampje gaat branden.
    4. Zorg voor een stabiele verbinding tussen de computer en het fNIRS-systeem voor ononderbroken gegevensoverdracht.
  2. Opstarten van software en invoer van patiëntgegevens
    1. Start het fNIRS-systeem en controleer de stabiliteit van de Wi-Fi-verbinding.
    2. Navigeer naar de interface voor patiëntenbeheer om een nieuw profiel aan te maken: klik op Patiënt toevoegen, voer de gegevens van de deelnemer in en wijs een identificatienummer toe.
  3. Het dragen van de fNIRS-signaalacquisitiepet
    1. Selecteer een fNIRS-dop met de juiste maat. Plaats het sensornummerlabel iets boven het midden van het voorhoofd en zorg ervoor dat de hoofdhuid goed vastzit. Lijn de FPZ- en CZ-optoden van het 10-20 EEG-systeem op elkaar af. Zet de detectoren en lichtbronnen vast met een flexibele hoofdband voor een optimaal contact met de huid.
    2. Instrueer de deelnemer tijdens het verzamelen van gegevens om in een rustige, ontspannen toestand te blijven, met het hoofd stil en de ogen open.
    3. Instrueer de deelnemer vóór het formele proces van gegevensverzameling om 2 minuten rustig te rusten zonder in slaap te vallen.
  4. Data-acquisitie
    1. Selecteer het experimentele protocol in de software-interface op de computer van het fNIRS-systeem.
    2. Voer signaalkalibratie uit vanuit de software-interface om lichtlekkage te minimaliseren, gericht op een signaalsterkte van ≥75% met minimale ruis.
    3. Als de kalibratie mislukt, past u de plaatsing van de sensor aan en probeert u het opnieuw. De optodesensoren bestaan uit lichtgevende diodes en fotodetectoren. Deze optoden zijn ontworpen om nabij-infrarood licht op specifieke golflengten uit te zenden en te detecteren.
    4. Voer de datumregistratie van de hersenschors uit vanuit de software-interface en instrueer de deelnemer om ontspannen te blijven en hoofdbewegingen te vermijden.
    5. Zorg ervoor dat u de experimentele taak start volgens de willekeurige volgorde en continu gegevens verzamelt. Het fNIRS-systeem bewaakt en registreert continu gegevens over cerebrale oxygenatie en hemodynamica.
    6. Stop na voltooiing van de taak de gegevensverzameling en sla de experimentele gegevens veilig op.

figure-protocol-2
Figuur 2: Experimentele opzet van het fNIRS-systeem en neurale beoordeling. (A) Optodeconfiguratie van het fNIRS-systeem en het protocol voor gegevensverzameling. (B) Visualisatie van hersenactivatie vanuit anterieure, posterieure, linker laterale, rechter laterale en superieure perspectieven. (C) Functionele connectiviteitsanalyse van het hele brein. Klik hier om een grotere versie van deze figuur te bekijken.

4. Gegevensanalyse

  1. Voorverwerking van de ruwe fNIRS-gegevens
    1. Pas banddoorlaatfiltering toe om ruis en artefacten uit de onbewerkte gegevens te verwijderen. Typische frequenties voor fNIRS-gegevens liggen tussen 0,01 Hz en 0,2 Hz om langzame veranderingen in hersenactiviteit vast te leggen.
    2. Voer correctie van bewegingsartefacten uit door wavelet-decompositie en onafhankelijke componentenanalyse (ICA). Concreet moet de waveletdecompositie op het ruwe fNIRS-signaal worden uitgevoerd met behulp van een Daubechies 4-wavelet met een decompositieniveau van 3.
      1. Pas zachte drempels toe op de wavelet-coëfficiënten om ruis te verminderen met behoud van signaalkenmerken. Reconstrueer het signaal uit de drempelcoëfficiënten. Pas ICA toe op het gereconstrueerde signaal om componenten te identificeren en te verwijderen die overeenkomen met bewegingsartefacten.
    3. Verdeel het continue fNIRS-signaal in tijdperken die overeenkomen met verschillende omstandigheden. Identificeer in het bijzonder de tijdstippen die overeenkomen met het begin en het verloop van elke experimentele toestand. Segmenteer het continue signaal in tijdperken op basis van het experimentele ontwerp (Figuur 2) en hun gerandomiseerde sequenties.
  2. Bereken hemodynamische respons
    1. Zet de ruwe intensiteitsmetingen van het fNIRS-systeem om in optische dichtheidsveranderingen met behulp van de wet van Beer-Lambert.
    2. Gebruik de gewijzigde wet van Beer-Lambert om veranderingen in de concentraties van inoxyhemoglobine (HbO) en deoxyhemoglobine (HbR) te schatten. Dit omvat meestal het oplossen van een systeem van vergelijkingen op basis van de geometrie van de brondetector en de gebruikte golflengten, 690 nm.
    3. Maak 3D-hersenactiveringskaarten door de veranderingen in HbO-concentratie in de hersengebieden te visualiseren. Gebruik in het bijzonder anatomische oriëntatiepunten en het internationale 10-20-systeem om de fNIRS-kanalen op de overeenkomstige hersengebieden te projecteren.
      1. Schat veranderingen in de HbO-concentratie over het hele hersenoppervlak op basis van de gemeten kanalen. Projecteer de activeringskaarten op gestandaardiseerde hersensjablonen (MNI-sjabloon) om visualisatie te vergemakkelijken.
    4. Gebruik functionele connectiviteit om neurale coactivering in de hersenen in kaart te brengen door de Pearson-correlatiecoëfficiënt tussen alle paren kanalen te berekenen. Deze coëfficiënt kwantificeert de lineaire relatie tussen kanaalparen en dient als basis voor de opbouw van het functionele connectiviteitsnetwerk. Gebruik het open-source R-script (met ggplot2) om het resulterende netwerk te visualiseren.
  3. Analyse van de grafentheorie
    1. Extraheer grafentheoriemetrieken (inclusief clusteringscoëfficiënt, gemiddelde padlengte, kleine-wereldindex, globale efficiëntie, graadcentraliteit en eigenvectorcentraliteit) uit fNIRS-afgeleide functionele connectiviteitsmatrices16,22.
    2. Bereken de clusteringscoëfficiënt:
      figure-protocol-3
      Waarbij ei het randnummer tussen de buren van knooppunt i aangeeft, N het totale aantal knooppunten in het netwerk (fNIRS-kanalen) en ki de mate van knooppunt i aangeeft. Meet aan de hand van de clusteringscoëfficiënt de mate waarin knooppunten in een netwerk samenclusteren.
      OPMERKING: Kwantificeer in het bijzonder de waarschijnlijkheid dat twee buren van een knooppunt ook met elkaar zijn verbonden. Zorg ervoor dat een hoge clusteringscoëfficiënt sterk onderling verbonden buren weerspiegelt, wat wijst op gelokaliseerde, samenhangende hersennetwerkstructuren. Neuroplasticiteit kan de clusteringscoëfficiënt veranderen door nieuwe verbindingen te vormen of bestaande verbindingen te versterken om gelokaliseerde neurale activiteit te ondersteunen.
    3. Bereken de gemiddelde padlengte:
      figure-protocol-4
      Waarbij d(i,j) staat voor de kortste padlengte tussen knooppunten i en j, en N voor het totale aantal knooppunten in het netwerk.
      1. Gebruik de gemiddelde padlengte om het gemiddelde aantal stappen te meten dat nodig is om alle paren knooppunten in een netwerk te doorkruisen. Kortere gemiddelde padlengtes duiden op een efficiëntere informatieoverdracht over het hersennetwerk.
        OPMERKING: Neuroplasticiteit kan de gemiddelde padlengte verminderen door nieuwe verbindingen te creëren die fungeren als snelkoppelingen tussen verre hersengebieden, waardoor het vermogen van de hersenen om informatie te integreren wordt verbeterd en de algehele motorische controlefunctie wordt verbeterd.
    4. Bereken de index van de kleine wereld:
      figure-protocol-5
      Waarbij Creëel en Lreëel de clusteringscoëfficiënt en de gemiddelde padlengte van het reële netwerk aangeven, en Crand en Lrand die van een willekeurig netwerk met hetzelfde aantal knooppunten en randen aangeven. Gebruik de small-world index om de balans tussen lokale clustering en wereldwijde integratie in het netwerk te evalueren.
      OPMERKING: Een netwerk in een kleine wereld vertoont een hoge clustering en korte padlengtes, waardoor efficiënte communicatie mogelijk is met behoud van lokale groeperingen. Neuroplasticiteit kan de eigenschappen van de kleine wereld verbeteren door nieuwe verbindingen te vormen die de lokale clustering vergroten met behoud van korte padlengtes, waardoor adaptieve neurale veranderingen en handvaardigheid worden ondersteund.
    5. Bereken de wereldwijde efficiëntie:
      figure-protocol-6
      Waarbij d(i,j) staat voor de kortste padlengte tussen knooppunten i en j, en N voor het totale aantal knooppunten in het netwerk. Gebruik wereldwijde efficiëntie om het vermogen van het netwerk om wereldwijd informatie uit te wisselen te beoordelen. Hogere waarden duiden op een snellere informatieoverdracht over het hele hersennetwerk, wat een weerspiegeling is van een goed verbonden systeem.
      OPMERKING: Neuroplasticiteit kan de wereldwijde efficiëntie verbeteren door de topologie van het netwerk te optimaliseren, wat leidt tot een betere integratie van informatie in verschillende hersengebieden en ter ondersteuning van complexe handfuncties.
    6. Bereken de mate van centraliteit:
      figure-protocol-7
      Waarbij ki de graad van de knoop aangeeft. Gebruik degree centrality om het aantal directe verbindingen te kwantificeren dat een node in het netwerk heeft. Knooppunten met een hoge mate van centraliteit fungeren als primaire communicatiehubs. Neuroplasticiteit kan de mate van centraliteit van bepaalde knooppunten vergroten door nieuwe verbindingen te vormen, waardoor hun rol in het netwerk wordt versterkt en het vermogen van de hersenen om zich aan te passen en te reorganiseren wordt ondersteund.
    7. Bereken de Eigenvector centraliteit:
      figure-protocol-8
      Waarbij A de adjacency-matrix voorstelt, en v de eigenvector vertegenwoordigt die overeenkomt met de grootste eigenwaarde λ. Gebruik eigenvectorcentraliteit om de invloed van een knooppunt te evalueren op basis van de verbindingen met goed verbonden knooppunten.
      OPMERKING: Knooppunten met een hoge eigenvectorcentraliteit staan centraal in hiërarchische netwerken. Neuroplasticiteit kan de eigenvectorcentraliteit van bepaalde knooppunten vergroten door verbindingen te vormen met andere sterk verbonden knooppunten, waardoor hun rol bij het ondersteunen van het vermogen van de hersenen om informatie efficiënt te verwerken wordt versterkt.
  4. Statistische analyses
    1. Organiseer de gegevens in lang formaat in de statistische software en zorg ervoor dat de metriek van de grafentheorie, de experimentele omstandigheden en de deelnemers-ID's goed gestructureerd zijn. Voorafgaand aan het uitvoeren van de ANOVA, verifieert u de aannames van normaliteit en homogeniteit van varianties door de Shapiro-Wilk-test23 voor normaliteit en Levene's test voor variantiehomogeniteit24 te gebruiken.
    2. Ga verder met het uitvoeren van de eenrichtings-ANOVA om te evalueren of er significante verschillen zijn in de grafentheoriemetriek tussen de drie omstandigheden. Als de ANOVA een significant resultaat oplevert (P < 0,05), vervolg dan met post-hoc vergelijkingen om specifieke verschillen tussen de omstandigheden te identificeren.

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

Resultaten

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

In totaal werden 10 personen met een beroerte opgenomen in de studie en ondergingen ze een beoordeling van de rusttoestand, slow-mode robottherapie en fast-mode robottherapie in een gerandomiseerde volgorde. De resultaten toonden de haalbaarheid aan van het individualiseren van neuroplasticiteitsmodulatie door het robotprotocol te programmeren en de grafentheoriemetriek van het hersennetwerk te berekenen. Tijdens zachte robottherapie maakte gelijktijdige fNIRS-beoordeling het mogelijk om...

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

Discussie

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

Deze studie onderzocht de neuroplastische effecten van een configureerbare zachte pneumatische robot op de dynamiek van het hersennetwerk bij personen met een beroerte met behulp van op fNIRS gebaseerde grafentheorie-analyse. De bevindingen suggereren dat zachte robottherapie de topologische organisatie van gedistribueerde hersennetwerken effectief moduleert, waarbij deelnemers een hoge therapietrouw vertonen. Er werden met name significante veranderingen waargenomen in de clusteringscoë...

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

Dankbetuigingen

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

Dit werk werd ondersteund door het Hubei Provincial Major Science and Technology Special Project (nr. 2023BCA002), het interdisciplinaire onderzoeksondersteuningsprogramma van de Huazhong University of Science and Technology (nr. 2024JCYJ067), de Natural Science Foundation van de provincie Hubei, China (nr. 2024AFB043) en het Research Fund van het Tongji-ziekenhuis (nr. 2024B24).

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

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
106-kanaals fNIRS-apparaatWuhan Znion Technology Co., LTDBS-2000Programma-implementatie
VingergewrichtrevalidatiesysteemNanjing Reseader Medical Technology Co., LTD.RSD RS3Revalidatie-interventie
R-softwareR FoundationVersie 4.2.1Statistische analyse
SPSS-softwareIBMVersie 22.0Statistische analyse

Referenties

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

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

Modulatie van het hersennetwerkherstel na beroertefunctionele nabij infraroodspectroscopieclusteringco ffici ntglobale effici ntierobottherapieverbetering van neuroplasticiteit

Gerelateerde artikelen