Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Wskaźniki sieci elektroencefalograficznej jako biomarkery upośledzenia kończyny górnej w przewlekłym udarze mózgu

1.8K wyświetleń

⸱

DOI:

10.3791/64753

⸱

14 lipca 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

W tym artykule

Podsumowanie

Protokół eksperymentalny demonstruje paradygmat pozyskiwania i analizowania sygnałów elektroencefalografii (EEG) podczas ruchu kończyn górnych u osób po udarze. Zmianę funkcjonalnej sieci pasm częstotliwości EEG o niskiej wartości beta obserwowano podczas ruchu upośledzonej kończyny górnej i wiązało się to ze stopniem upośledzenia ruchowego.

Streszczenie

Zmiana sygnałów elektroencefalografii (EEG) podczas specyficznego dla zadania ruchu kończyny została zgłoszona jako potencjalny biomarker dla nasilenia upośledzenia motorycznego i przewidywania powrotu motorycznego u osób po udarze. Podczas wdrażania eksperymentów EEG wymagane są szczegółowe paradygmaty i dobrze zorganizowane protokoły eksperymentów, aby uzyskać solidne i możliwe do zinterpretowania wyniki. W tym protokole ilustrujemy paradygmat specyficzny dla zadania z ruchami kończyn górnych oraz metodami i technikami potrzebnymi do pozyskiwania i analizy danych EEG. Paradygmat składa się z 1 minuty odpoczynku, po której następuje 10 prób składających się na przemian 5 s i 3 s stanów spoczynku i zadania (wyprostowania ręki) w ciągu 4 sesji. Sygnały EEG uzyskano przy użyciu 32 elektrod skalpowych Ag/AgCl z częstotliwością próbkowania 1000 Hz. Przeprowadzono analizę perturbacji spektralnych związanych ze zdarzeniami związanymi z ruchem kończyn oraz analizy sieci funkcjonalnych na poziomie globalnym w paśmie częstotliwości o niskiej beta (12-20 Hz). Reprezentatywne wyniki wykazały zmianę funkcjonalnej sieci pasm częstotliwości EEG o niskiej wartości beta podczas ruchu upośledzonej kończyny górnej, a zmieniona sieć funkcjonalna była związana ze stopniem upośledzenia ruchowego u pacjentów z przewlekłym udarem mózgu. Uzyskane wyniki wskazują na wykonalność eksperymentalnego paradygmatu pomiarów EEG podczas ruchu kończyn górnych u osób po udarze mózgu. Potrzebne są dalsze badania z wykorzystaniem tego paradygmatu, aby określić potencjalną wartość sygnałów EEG jako biomarkerów upośledzenia motorycznego i powrotu do zdrowia.

Wprowadzenie

Upośledzenie motoryczne kończyn górnych jest jedną z najczęstszych konsekwencji udaru mózgu i jest związane z ograniczeniami w czynnościach życia codziennego1,2. Wiadomo, że rytmy pasm alfa (8-13 Hz) i beta (13-30 Hz) są ściśle związane z ruchami. W szczególności badania wykazały, że zmieniona aktywność neuronalna w pasmach częstotliwości alfa i dolna beta (12-20 Hz) podczas ruchu upośledzonej kończyny jest skorelowana ze stopniem upośledzenia motorycznego u osób z udarem mózgu3,4,5. Na podstawie tych ustaleń elektroencefalografia (EEG) stała się potencjalnym biomarkerem, który odzwierciedla zarówno stopień upośledzenia motorycznego, jak i możliwość powrotu do sprawności motorycznej6,7. Jednak wcześniej opracowane biomarkery oparte na EEG okazały się niewystarczające do badania cech upośledzenia motorycznego u osób po udarze, głównie ze względu na ich zależność od danych EEG w stanie spoczynku, a nie danych EEG wywołanych zadaniem8,9,10. Złożone przetwarzanie informacji związanych z zaburzeniami motorycznymi, takie jak interakcja między półkulami mięśniowymi i przeciwstawnymi, można ujawnić tylko za pomocą danych EEG wywołanych zadaniem, a nie EEG w stanie spoczynku. W związku z tym potrzebne są dalsze badania nie tylko w celu zbadania związku między aktywnością neuronalną a charakterystyką upośledzenia motorycznego oraz wyjaśnienia przydatności EEG generowanego podczas ruchu upośledzonej części ciała jako potencjalnego biomarkera upośledzenia motorycznego u osób z udarem11.

Implementacja EEG do oceny efektów behawioralnych wymaga specyficznych dla zadania paradygmatów i protokołów. Do tej pory sugerowano różne protokoły EEG12, gdzie osoby po udarze wykonywały wyobrażone lub rzeczywiste ruchy, aby wywołać aktywność mózgu związaną z ruchem11,13. W przypadku ruchów wyobrażonych, około 53,7% uczestników nie było w stanie zdecydowanie wyobrazić sobie odpowiadającego im ruchu (tzw. "analfabetyzm"), a tym samym nie udało im się wywołać aktywności mózgu związanej z ruchem14. Co więcej, osobom z ciężkim udarem trudno jest poruszać całą kończyną górną, a także istnieje możliwość wystąpienia niepotrzebnych artefaktów podczas pozyskiwania danych z powodu niestabilnych ruchów. W związku z tym potrzebne są wskazówki oparte na wiedzy eksperckiej, aby uzyskać wysokiej jakości dane EEG związane z zadaniem i wyniki możliwe do interpretacji neurofizjologicznej. W tym badaniu kompleksowo zaprojektowaliśmy eksperymentalny paradygmat dla osób z udarem, aby wykonać stosunkowo proste zadanie ruchowe ręki i zapewniliśmy eksperymentalną procedurę ze szczegółowymi wskazówkami.

Przedstawiając w tym artykule wizualizację protokołu eksperymentalnego, chcieliśmy zilustrować konkretne koncepcje i metody używane do akwizycji i analizy aktywności neuronalnej związanej z ruchem kończyny górnej za pomocą systemu EEG. Wykazując różnicę w aktywności neuronalnej za pomocą EEG między kończynami górnymi z niedowładem i bez niedowładu u uczestników z udarem połowiczym, badanie to miało na celu przedstawienie wykonalności EEG przy użyciu opisanego protokołu jako potencjalnego biomarkera nasilenia upośledzenia motorycznego u osób z udarem w kontekście przekrojowym.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Wszystkie procedury eksperymentalne zostały przeanalizowane i zatwierdzone przez Instytucjonalną Radę Recenzyjną (Institutional Review Board) Szpitala Bundang Uniwersytetu Narodowego w Seulu. Do eksperymentów w niniejszym badaniu zakwalifikowano 34 uczestników po udarze mózgu. Od wszystkich uczestników uzyskano pisemną zgodę na udział w badaniu. W przypadku, gdy uczestnik spełniał kryteria, ale nie mógł podpisać formularza zgody z powodu niepełnosprawności, pisemna zgoda została uzyskana od przedstawiciela ustawowego.

1. Układ eksperymentalny

  1. Rekrutacja pacjentów
    1. Przeprowadzić proces przesiewowy zgodnie z następującymi kryteriami włączenia:
      Wiek od 18 do 85 lat z obecnością zaburzeń funkcji kończyn górnych;
      Pierwszy w życiu udar niedokrwienny lub krwotoczny potwierdzony w tomografii komputerowej mózgu lub rezonansie magnetycznym;
      Zdolność uczestnika do postępowania zgodnie z instrukcjami dotyczącymi oceny klinicznej oraz badania EEG;
      Brak historii innych chorób psychiatrycznych lub neurologicznych poza udarem.
    2. Wykluczyć pacjentów na podstawie następujących kryteriów:
      Wcześniejsze schorzenia obejmujące ośrodkowy układ nerwowy (np. urazowe uszkodzenie mózgu, guz mózgu, choroba Parkinsona);
      Brak możliwości noszenia czepka EEG; oraz
      Brak zdolności do postępowania zgodnie z instrukcjami dotyczącymi oceny klinicznej oraz badania EEG.
      UWAGA: Kryteria włączenia i wyłączenia zostały dobrane w celu wyboru uczestników zdolnych do udziału w eksperymencie oraz uregulowania czynników demograficznych, które mogłyby wpłynąć na wyniki.
    3. Przekazać wszystkim zrekrutowanym uczestnikom szczegółowe informacje na temat procedury eksperymentalnej.
  2. System eksperymentalny: EEG
    1. Użyć systemu EEG składającego się z 32 elektrod skalpowych Ag/AgCl, tekstylnego czepka EEG oraz oprogramowania do zapisu EEG w celu rejestracji danych.
    2. Użyć komputera osobistego (PC) z zainstalowanym oprogramowaniem do zapisu EEG i połączyć PC z urządzeniem EEG za pomocą Bluetooth.
    3. Użyć drugiego komputera PC z aplikacją oprogramowania do programowania i analizy numerycznej dla inżynierii (patrz Tabela materiałów).
    4. Do prezentacji bodźców połączyć PC z dedykowanym modułem triggerów (Rysunek 1).
      UWAGA: Szczegółowe specyfikacje obu komputerów PC znajdują się w Tabeli materiałów.
  3. Paradygmat eksperymentalny oparty na oprogramowaniu programistycznym
    ​UWAGA: Uczestnicy wykonywali zadanie prostowania ręki przy użyciu kończyny objętej dysfunkcją oraz kończyny zdrowej, podczas którego mierzono dane EEG. Rysunek 2 przedstawia paradygmat eksperymentalny niniejszego badania.
    1. Zaprezentować dwa bodźce wizualne, CLOSE (zamknij) i OPEN (otwórz), przez 30 s każdy, na środku monitora w celu pomiaru bazowych danych EEG w stanie spoczynku, podczas których uczestnik zamyka i otwiera oczy.
      UWAGA: Ponieważ dane EEG w stanie spoczynku są w stosunkowo mniejszym stopniu zanieczyszczone niepożądanymi artefaktami fizjologicznymi, są one przydatne do weryfikacji jakości danych EEG oraz identyfikacji indywidualnych charakterystyk EEG w odniesieniu do stanu spoczynku.
    2. Zaprezentować obraz ruchu ręki przez 3 s, aby polecić uczestnikowi wykonanie ruchu prostowania ręki, a następnie znak fiksacyjny przez 5 s w celu odpoczynku.
      ​UWAGA: Procedura ta była traktowana jako jedna próba i była powtarzana 10 razy w jednej sesji. Każdy uczestnik przeszedł 4 sesje dla każdej ręki. Uczestnik mógł zrobić przerwę w dowolnym momencie po wykonaniu każdej sesji, aby zapobiec nadmiernemu zmęczeniu.

Schemat konfiguracji EEG; prezentacja bodźców, moduł wyzwalający, wzmacniacz EEG, rejestracja danych przez Bluetooth.
Rysunek 1: Schemat konfiguracji sprzętu. Komputer (PC1) służący do prezentacji bodźców eksperymentalnych był połączony z modułem wyzwalającym (trigger box), a drugi komputer (PC2) był połączony ze wzmacniaczem EEG. Zdarzenia stymulacyjne generowane w PC1 były przesyłane do wzmacniacza EEG za pośrednictwem modułu wyzwalającego podłączonego do PC1. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat protokołu czasowego zadania ruchowego; gest dłoni; 10 prób, 4 sesje; analiza zadania powtarzalnego.
Rycina 2: Paradygmat eksperymentalny zastosowany w niniejszym badaniu. Pojedyncza próba składała się z ruchu wyprostu dłoni trwającego 3 s, po którym następowała relaksacja trwająca 5 s. Wzór ten był powtarzany 10 razy w ciągu jednej sesji. Wykonano łącznie osiem sesji; cztery sesje obejmowały ruchy dłoni niedominującej (dotkniętej), a pozostałe cztery ruchy dłoni dominującej (zdrowej). Rycina została zaadaptowana z pracy Shim i wsp.17 za zgodą Mary Ann Liebert, Inc. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

2. Rejestracja danych EEG związanych z ruchem

  1. Konfiguracja EEG
    1. Osadź uczestnika w wygodnym fotelu przed monitorem.
      UWAGA: Odległość między uczestnikiem a monitorem powinna wynosić co najmniej 60 cm, aby zapobiec zmęczeniu wzroku. Należy jednak unikać nadmiernej odległości (np. >150 cm), ponieważ mogłoby to rozproszyć koncentrację uczestnika.
    2. Aby prawidłowo założyć czepek do pomiaru EEG, wyznacz lokalizację Cz na podstawie międzynarodowego systemu 10-20, wykorzystując przecięcie linii podłużnej łączącej nasion z inion oraz linii poprzecznej łączącej górne części obu małżowin usznych.
      UWAGA: Czepek EEG może nie być wymagany w zależności od sprzętu do pomiaru EEG. W takim przypadku elektrody EEG są mocowane bezpośrednio do skóry głowy zgodnie z międzynarodowym systemem 10-2015.
    3. W celu dokładnego pomiaru EEG użyj czepka EEG o odpowiednim rozmiarze, dopasowanego do obwodu głowy uczestnika, i załóż go tak, aby pozycja elektrody Cz pokrywała się z indywidualną lokalizacją Cz.
    4. Zaciśnij pasek podbródkowy z odpowiednią siłą; zapobiegnie to dyskomfortowi uczestnika podczas połykania i mrugania w trakcie eksperymentu. Następnie potwierdź, że pozycje elektrod T9 i T10 czepka EEG znajdują się w obszarze skroniowym nad obiema małżowinami usznymi, a pozycja elektrody Fpz czepka EEG znajduje się na środku czoła.
      UWAGA: Jeśli elektrody te znajdują się poza wyznaczonymi miejscami, rozważ zmianę czepka. W naszym badaniu użyto trzech rozmiarów czepków EEG (54 cm: mały, 56 cm: średni, 58 cm: duży).
    5. Po prawidłowym założeniu czepka EEG przymocuj 32 elektrody skalpowe Ag/AgCl do skóry głowy zgodnie z rozszerzonym międzynarodowym systemem 10-10, z elektrodą uziemiającą w Fpz i referencyjną w FCz16.
      UWAGA: Lokalizacja elektrody referencyjnej (FCz) jest w stosunkowo mniejszym stopniu podatna na wpływ różnych artefaktów fizjologicznych, takich jak te z elektrookulografii, elektromiografii i elektrokardiografii, ponieważ znajduje się wokół centralnego obszaru (Cz) skóry głowy.
    6. Dostosuj poziom impedancji między elektrodami EEG a skórą głowy za pomocą żelu przewodzącego i utrwal włosy żelem, aby zapobiec wszelkim przeszkodom między elektrodami EEG a skórą głowy.
      ​UWAGA: Ważne jest sprawdzenie, czy w wyniku wycieku żelu nie powstał mostek między sąsiednimi elektrodami EEG.
    7. Użyj oprogramowania do rejestracji EEG.
    8. Włącz system EEG i wykonaj Configuration > Select Amplifier. Wybierz Liveamp > > amplifier > connect. Wyszukaj funkcję Liveamp dla połączenia bezprzewodowego (Rysunek 3).
    9. Uruchom funkcję Impedance check, aby monitorować poziom impedancji dla każdej elektrody.
      UWAGA: Zaleca się przeprowadzanie eksperymentu przy poziomie impedancji <20 KΩ (Rysunek 4).
    10. Uruchom funkcję monitoring , aby potwierdzić, czy sygnały EEG wszystkich elektrod mają podobne poziomy amplitudy poprzez monitorowanie sygnału EEG w czasie rzeczywistym (Rysunek 5).
      UWAGA: Amplituda sygnału EEG zazwyczaj mieści się w zakresie od 10 µV do 100 µV, a moc fal alfa (8-12 Hz) wzrasta w obszarze potylicznym przy zamkniętych oczach. Zatem jakość danych EEG można potwierdzić jakościowo, monitorując poziom amplitudy i oscylacje alfa na kanałach w okolicy potylicznej przy zamkniętych oczach.
  2. Konfiguracja paradygmatu
    1. Dla stabilnego pozyskiwania danych EEG użyj dwóch oddzielnych komputerów PC: jednego do prezentacji bodźców zewnętrznych, a drugiego do rejestracji danych EEG (patrz. Rysunek 1).
    2. Aby zaprezentować bodźce eksperymentalne uczestnikom, stwórz program stymulacji w oparciu o paradygmat eksperymentalny, korzystając z oprogramowania programistycznego (wprowadzonego w kroku 1.3).
      UWAGA: W niniejszym badaniu stworzono program stymulacji oparty na oprogramowaniu, ale można użyć innych programów, zależnie od ich kompatybilności ze sprzętem EEG używanym w eksperymencie oraz wygody użytkownika. Skrypt bodźców oparty na oprogramowaniu programistycznym znajduje się w Pliku Uzupełniającym 1 (Experimental_stimulus.m). Informacje o zdarzeniach, wskazujące punkt rozpoczęcia bodźców, są generowane przez wewnętrzne oprogramowanie programistyczne, przesyłane do wzmacniacza EEG poprzez skrzynkę triggerową, a ostatecznie do oprogramowania do rejestracji EEG (Rysunek 1).
    3. Uruchom program prezentujący bodźce eksperymentalne w trybie monitorowania (patrz. podpunkt 2.1.10). Następnie potwierdź, czy informacje o zdarzeniach są prawidłowo i terminowo zaznaczane na dole oprogramowania do rejestracji EEG przy każdej prezentacji bodźca, jak pokazano na Rysunku 6.
      UWAGA: Informacje o punkcie czasowym są zapisywane przy każdej prezentacji nowego bodźca i są następnie wykorzystywane do segmentacji danych. Dlatego ważne jest uzyskanie jak najdokładniejszych punktów czasowych zdarzeń eksperymentalnych, aby zapobiec niedokładnej segmentacji danych, co prowadziłoby do niewiarygodnych wyników w analizie.
    4. Uruchom oprogramowanie do rejestracji EEG, a następnie niezależnie uruchom program prezentacji bodźców opracowany na podstawie paradygmatu eksperymentalnego, aby zapobiec pominięciu danych.
      ​UWAGA: Dla wygody analizy danych zaleca się tworzenie nazw plików według spójnej zasady przechowywania danych (np. Sub1_Session1).
  3. Rejestracja EEG
    1. Zmierz EEG z częstotliwością próbkowania 1 000 Hz zgodnie z paradygmatem eksperymentalnym przedstawionym w kroku 1.3.
      UWAGA: Częstotliwość próbkowania może być zmieniona w zależności od zakresu częstotliwości EEG, które badacz chce zbadać. Zgodnie z twierdzeniem Nyquista zazwyczaj zaleca się stosowanie częstotliwości próbkowania >200 Hz, gdzie informacje EEG mogą być badane przy ≤100 Hz. Wynika to z faktu, że większość informacji EEG znajduje się poniżej 100 Hz.
    2. Utrzymuj w możliwie największym stopniu takie same warunki eksperymentalne (np. miejsce eksperymentu, sprzęt, temperatura w pomieszczeniu itp.) dla wszystkich uczestników i poinstruuj ich, aby minimalizowali niepotrzebne ruchy podczas pomiaru EEG.

Konfiguracja interfejsu oprogramowania dla pomiaru impedancji: schemat procesu konfiguracji w czterech krokach.
Rysunek 3: Procedura połączenia bezprzewodowego między wzmacniaczem EEG a komputerem z oprogramowaniem do rejestracji EEG. Należy wykonać poniższe kroki w podanej kolejności: (A) wybór wzmacniacza, (B) połączenie wzmacniacza, (C) wyszukiwanie podłączonego wzmacniacza w celu nawiązania połączenia bezprzewodowego, (D) połączenie zakończone. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Układ akwizycji danych EEG; schemat kontroli impedancji pokazujący łączność elektrod i wyświetlacz stanu.
Rysunek 4: Procedura kontroli impedancji dla każdego kanału. Wszystkie kanały powinny zostać dostrojone do koloru zielonego, aby zapewnić stabilny pomiar EEG. Zaleca się przeprowadzanie eksperymentu przy impedancji poniżej 20 KΩ. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat interfejsu monitorowania sygnałów, funkcja powiększania danych EEG, narzędzie do analizy wizualizacji sygnałów.
Rycina 5: Procedura monitorowania danych w czasie rzeczywistym dla każdego kanału. Sygnały ze wszystkich mierzonych kanałów mogą być monitorowane w czasie rzeczywistym, a ich skala może być zmieniana (powiększanie/pomniejszanie) za pomocą opcji (czerwona ramka) na górnym pasku. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres analizy danych EEG przedstawiający wzorce fal mózgowych, przetwarzanie sygnałów oraz wyniki eksperymentalne.
Rycina 6Zrzut ekranu służący do monitorowania informacji o zdarzeniu. Czerwone słupki wskazują znaczniki zdarzeń, które pojawiają się za każdym razem, gdy PC1 podaje bodziec. Krok tutaj, aby wyświetlić powiększoną wersję tej ryciny.

3. Analiza danych EEG

UWAGA: Niniejsze opracowanie dostarcza precyzyjnych wytycznych w celu powtórzenia koncepcji badawczej. W związku z tym przedstawia ono zwięzły opis procesu analizy oraz reprezentatywne wyniki. Szczegółowe procedury i powiązane z nimi wyniki można znaleźć w poprzednim badaniu17. Stanowi to potwierdzenie, że Mary Ann Liebert, Inc. udzieliło zgody na wykorzystanie materiałów chronionych prawem autorskim.

  1. Przetwarzanie wstępne
    1. Usuń artefakty związane z ruchem gałek ocznych z surowych danych EEG, stosując procedury matematyczne oparte na analizie głównych komponentów zaimplementowane w oprogramowaniu do przetwarzania wstępnego danych EEG18,19 (patrz: Tabela materiałów).
      UWAGA: Jeśli jakakolwiek epoka wykazywała wyraźne artefakty (± 100 µV) w dowolnej z elektrod, nawet po przetwarzaniu wstępnym, została ona wykluczona z dalszej analizy. Średnia liczba odrzuconych epok, wraz z odchyleniem standardowym, wynosiła 3,69 ± 7,15 dla zadania ruchu ręki objętej dysfunkcją oraz 1,62 ± 3,95 dla zadania ruchu ręki zdrowej.
    2. Zastosuj filtr pasmowo-przepustowy w zakresie od 0,1 Hz do 55 Hz. Segmentuj przetworzone wstępnie dane EEG od -1 s do 3,5 s dla każdej próby, bazując na początku zadania, aby objąć okres bazowy wykorzystywany do analizy perturbacji spektralnych powiązanych z danym zdarzeniem (ERSP) oraz analiz sieci funkcjonalnych.
  2. Analiza ERSP
    ​UWAGA: Pomiarowe dane EEG zostały zwalidowane za pomocą analizy ERSP dla pasma częstotliwości niskiego beta (12-20 Hz) powiązanego z ruchami dowolnymi.
    1. Przeprowadź krótkoczasową transformatę Fouriera dla każdej próby w celu obliczenia mocy spektralnej EEG, do czego wykorzystano funkcję newtimef z zestawu narzędzi EEGLAB w oprogramowaniu programistycznym20 (niezachodzące na siebie okno Hanninga o rozmiarze 250 ms).
    2. Znormalizuj widmo mocy każdej próby poprzez odjęcie średniej mocy z okresu bazowego (-1 do 0 s), aby zbadać zmiany mocy spektralnej pomiędzy zadaniem ruchu ręki a okresem bazowym.
    3. Oszacuj znormalizowane względem bazy mapy ERSP dla każdego pacjenta, uśredniając znormalizowane widma mocy dla wszystkich prób.
  3. Analiza sieci funkcjonalnych
    ​UWAGA: Przeprowadzono analizę sieci funkcjonalnych, aby zbadać zmiany w EEG z perspektywy sieci mózgowej. Aby obliczyć ważone wskaźniki sieci całego mózgu w oparciu o teorię grafów, najpierw obliczono łączność mózgową między różnymi obszarami, wykorzystując wartość blokowania fazy (PLV). Następnie, na podstawie wyników analizy łączności opartej na PLV, stworzono macierz łączności funkcjonalnej, która posłużyła do obliczenia wskaźników sieci całego mózgu17. Wszystkie analizy sieci funkcjonalnych wykonano przy użyciu oprogramowania programistycznego.
    1. Oblicz wartość blokowania fazy (PLV) opartą na transformacie Hilberta dla pasma częstotliwości niskiego beta (12-20 Hz), korzystając z funkcji wewnętrznej21,22. Funkcja wewnętrzna do obliczania PLV opartego na transformacie Hilberta znajduje się w Pliku uzupełniającym 2 (myPLV.m).
    2. Oceń PLV pomiędzy wszystkimi możliwymi parami 32 elektrod EEG w każdym punkcie czasowym podczas okresów wykonywania zadania (0-3,5 s) i stwórz symetryczną macierz sąsiedztwa (32 x 32, liczba elektrod = 32), uśredniając wartości PLV w okresie trwania zadania. Wykorzystaj macierz PLV jako dane wejściowe do analizy sieci17,23.
    3. Oceń cztery ważone wskaźniki sieci na poziomie globalnym w oparciu o teorię grafów, korzystając z Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) siła (strength), (2) współczynnik grupowania (clustering coefficient), (3) długość ścieżki (path length) oraz (4) cecha małego świata (small-worldness)17,24,25.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Rysunek 7 przedstawia topograficzne mapy ERD dla niskiego pasma beta podczas każdego z zadań ruchowych dłoni. Znacząco silniejsza ERD w niskim paśmie beta została zaobserwowana w półkuli kontralateralnej w porównaniu z półkulą ipsilateralną zarówno w przypadku zadań wykonywanych dłonią chorą, jak i zdrową.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W badaniu tym wprowadzono eksperyment EEG do pomiaru aktywności neuronalnej związanej z ruchem kończyn górnych u osób po udarze. Eksperymentalny paradygmat oraz metody akwizycji i analizy EEG zastosowano w celu określenia wzorców ERD w korze ruchowej ipsilesional i contralesional.

Wyniki map ERSP (ryc. 7) wykazały różnicę w stopniu aktywacji neuronów podczas poruszania rękami z upośledzonymi i zdrowymi zaburzeniami. Wyniki były zgodne z ustaleniami poprzednich ar...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

MS, NJP, WSK i HJH posiadają zgłoszony do opatentowania patent zatytułowany "Metoda dostarczania informacji związanych z upośledzeniem ruchowym i urządzeniami do tego służącymi", o numerze 10-2022-0007841.

Podziękowania

Ta praca była wspierana przez grant Narodowej Fundacji Badawczej Korei (NRF) ufundowany przez rząd Korei (MSIT) (Nie. NRF-2022R1A2C1006046), przez Original Technology Research Program for Brain Science za pośrednictwem National Research Foundation of Korea (NRF) finansowany przez Ministerstwo Edukacji, Nauki i Technologii (2019M3C7A1031995), przez National Research Foundation of Korea (NRF) grant finansowany przez rząd Korei (MSIT) (No. NRF-2022R1A6A3A13053491) oraz przez MSIT (Ministerstwo Nauki i ICT), Korea, w ramach programu wsparcia ITRC (Centrum Badań nad Technologiami Informacyjnymi) (IITP-2023-RS-2023-00258971) nadzorowanego przez IITP (Institute for Information & Communications Technology Planning & Evaluation).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
actiCAPEasycap, GmbH Ltd., Herrsching, NiemcyCAC-32-SAMW-56Tekstylna platforma czepka EEG do mocowania elektrod EEG
Rejestrator widzenia mózgu (oprogramowanie)Brain Products GmBH Ltd., Monachium,Niemcy-Oprogramowanieużywane do nagrywania sygnału EEG
Curry 7 (Oprogramowanie)Compumedics,Australia-Oprogramowanieużywane do wstępnego przetwarzania danych EEG
MATLAB R2019a (Oprogramowanie)MathWorks Inc., Natick, MA, USA-Oprogramowanieużywane do uruchamiania eksperymentalnego bodźca i analizy danych EEG
Nagrywanie PCLenovo Group Limited, Hongkong, ChinyModel: X58K
Intel Core i7-7700HQ CPU@2,80 GHz, pamięć RAM 8 GB
/EEG zapis danych za pomocą czujnika Brain Vision Recorder
Trigger Extension(STE)Brain Products GmBH Ltd., Monachium, NiemcySTE-055604-0162Dodaje sygnały fizjologiczne do wzmacniacza EEG
Skrzynka rozdzielaczaBrain Products GmBH Ltd., Monachium, NiemcyBP-135-1600Łączy elektrody Ag/AgCl ze wzmacniaczem EEG
Stymulacja PCHansung Corporation, Seul, KoreaModel: ThinkPad P71
Intel Core i7-8750H CPU@2,20 GHz, pamięć RAM 8 GB
Prezentacja ekranu stymulacji za pomocą MATLAB
TriggerBoxBrain Products GmBH Ltd., Monachium, NiemcyBP-245-1010Odbiera sygnał wyzwalający z komputera i przekazuje go do systemu rejestracji EEG
i

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Przeglądaj więcej artykułów

Biomarkery EEGzaburzenia motoryczneEEG specyficzne dla zadaniaanaliza sieci funkcjonalnychniska beta ERDpowrót funkcji motorycznychneurofizjologia udaru mózgu
Wskaźniki sieci elektroencefalograficznej jako biomarkery upośledzenia kończyny górnej w przewlekłym udarze mózgu
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.