Artykuł metodologiczny

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

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

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

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

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

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

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

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

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

Wszystkie procedury eksperymentalne zostały sprawdzone i zatwierdzone przez Institutional Review Board of Seoul National University Bundang Hospital. Do eksperymentów w tym badaniu zrekrutowano 34 uczestników z udarem. Od wszystkich uczestników uzyskano podpisaną świadomą zgodę. Podpisaną świadomą zgodę uzyskiwano od przedstawiciela prawnego, jeśli uczestnik spełniał kryteria, ale nie mógł podpisać formularza zgody z powodu niepełnosprawności.

1. Konfiguracja eksperymentalna

  1. Rekrutacja pacjentów
    1. Przeprowadź proces selekcji, stosując następujące kryteria włączenia:
      Wiek od 18 do 85 lat z upośledzonymi funkcjami kończyn górnych;
      Pierwszy w historii udar niedokrwienny lub krwotoczny potwierdzony za pomocą tomografii komputerowej mózgu lub rezonansu magnetycznego;
      Zdolność uczestnika do przestrzegania instrukcji oceny klinicznej i badania EEG;
      Brak historii jakichkolwiek innych chorób psychicznych lub neurologicznych z wyjątkiem udaru.
    2. Wyklucz pacjentów na podstawie następujących kryteriów:
      Przebyta choroba obejmująca ośrodkowy układ nerwowy (np. urazowe uszkodzenie mózgu, guz mózgu, choroba Parkinsona);
      Niemożność noszenia czepka EEG; oraz
      Niemożność zastosowania się do instrukcji oceny klinicznej i badania EEG.
      UWAGA: Kryteria włączenia i wykluczenia zostały dobrane w celu wybrania uczestników zdolnych do udziału w eksperymencie oraz uregulowania czynników demograficznych, które mogą mieć wpływ na wyniki.
    3. Przekaż wszystkim zrekrutowanym uczestnikom informacje o szczegółach procedury eksperymentalnej.
  2. System eksperymentalny: EEG
    1. Do rejestracji danych należy używać systemu EEG składającego się z 32 elektrod do skóry głowy Ag/AgCl, tekstylnego czepka EEG i oprogramowania do rejestracji EEG.
    2. Użyj komputera osobistego (PC) z zainstalowanym oprogramowaniem do rejestracji EEG i podłącz komputer do urządzenia EEG przez Bluetooth.
    3. Użyj innego komputera z aplikacją do analizy numerycznej i programowania dla inżynierii (patrz tabela materiałów).
    4. W celu prezentacji bodźców podłącz komputer do dedykowanej skrzynki spustowej (Rysunek 1).
      UWAGA: Szczegółowe specyfikacje obu komputerów znajdują się w tabeli materiałów.
  3. Paradygmat eksperymentalny oparty na oprogramowaniu do programowania
    UWAGA: Uczestnicy wykonywali zadanie wyprostu ręki przy użyciu rąk dotkniętych chorobą i zdrowych, podczas którego mierzono dane EEG. Rysunek 2 pokazuje eksperymentalny paradygmat tego badania.
    1. Prezentuj dwa bodźce wzrokowe, CLOSE i OPEN, przez 30 s każdy, na środku monitora, aby zmierzyć podstawowe dane EEG w stanie spoczynku, podczas których uczestnik zamyka i otwiera oczy.
      UWAGA: Ponieważ dane EEG w stanie spoczynku są stosunkowo mniej zanieczyszczone niepożądanymi artefaktami fizjologicznymi, są one przydatne do weryfikacji jakości danych EEG i identyfikacji indywidualnych cech EEG w odniesieniu do stanu spoczynku.
    2. Prezentuj obraz ruchu ręki przez 3 sekundy, aby poinstruować uczestnika, aby wykonał ruch wyprostu ręki, a następnie znak fiksacji na 5 s w celu odpoczynku.
      UWAGA: Ta procedura została potraktowana jako próba i została powtórzona 10 razy podczas jednej sesji. Każdy uczestnik przeszedł 4 sesje dla każdej ręki. Uczestnik miał przerwę, kiedy tylko chciał po wykonaniu każdej sesji, aby zapobiec nadmiernemu zmęczeniu.

figure-protocol-1
Rysunek 1: Schemat konfiguracji sprzętu. Komputer (PC1) prezentujący bodźce eksperymentalne był podłączony do skrzynki spustowej, a drugi komputer (PC2) był podłączony do wzmacniacza EEG. Zdarzenia stymulacyjne generowane w PC1 były dostarczane do wzmacniacza EEG za pośrednictwem skrzynki wyzwalającej podłączonej do PC1. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-2
Rysunek 2: Paradygmat eksperymentalny użyty w tym badaniu. Pojedyncza próba składała się z ruchu wyprostu ręki trwającego 3 s, po którym następowało rozluźnienie trwające 5 sekund. Ten schemat powtórzono 10 razy w ciągu jednej sesji. Łącznie wykonano osiem sesji; Cztery sesje obejmowały dotknięty ruch ręki, podczas gdy pozostałe cztery obejmowały niezakłócony ruch ręki. Ten rysunek został zaadaptowany z Shim et al.17 za zgodą Mary Ann Liebert, Inc. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

2. Rejestrowanie danych EEG związanych z ruchem

  1. Konfiguracja EEG
    1. Posadź uczestnika w wygodnym fotelu przed monitorem.
      UWAGA: Odległość między uczestnikiem a monitorem powinna wynosić co najmniej 60 cm, aby zapobiec zmęczeniu oczu. Należy jednak unikać nadmiernego dystansu (np. >150 cm), ponieważ mógłby on rozpraszać koncentrację uczestnika.
    2. Aby dokładnie założyć czepek do pomiaru EEG, należy określić położenie Cz w oparciu o międzynarodowy układ 10-20, wykorzystując przecięcie linii podłużnej łączącej nasiono i inion oraz linii poprzecznej łączącej górną część obu małżowin usznych.
      UWAGA: Czepek EEG może nie być wymagany w zależności od sprzętu do pomiaru EEG. W takim przypadku elektrody EEG są bezpośrednio mocowane do skóry głowy zgodnie z międzynarodowym systemem 10-2015.
    3. Aby uzyskać dokładny pomiar EEG, użyj czepka EEG o odpowiednim rozmiarze zgodnie z rozmiarem głowy uczestnika i umieść go tak, aby pozycja elektrody Cz była umieszczona w indywidualnym miejscu Cz.
    4. Zamocuj pasek podbródkowy z odpowiednią mocą, dzięki czemu uczestnik nie będzie czuł się niekomfortowo podczas połykania i mrugania w eksperymencie. Następnie upewnij się, że pozycje elektrod T9 i T10 czepka EEG znajdują się w okolicy skroniowej nad obiema małżowinami usznymi, a pozycja elektrody Fpz czepka EEG znajduje się na środku czoła.
      UWAGA: Jeśli te elektrody znajdują się poza wyznaczonym miejscem, rozważ wymianę nasadki. W naszym badaniu zastosowano trzy rozmiary czepków EEG (54 cm: mały, 56 cm: średni, 58 cm: duży).
    5. Po prawidłowym umieszczeniu czepka EEG przymocuj 32 elektrody do skóry głowy Ag/AgCl zgodnie z rozszerzonym międzynarodowym systemem 10-10, z elektrodami uziemiającymi i referencyjnymi odpowiednio na Fpz i FCz16.
      UWAGA: Na położenie elektrody referencyjnej (FCz) stosunkowo mniejszy wpływ mają różne artefakty fizjologiczne, takie jak te z elektrookulografii, elektromiografii i elektrokardiografii, ponieważ znajduje się ona wokół centralnej części (Cz) skóry głowy.
    6. Dostosuj poziom impedancji między elektrodami EEG a skórą głowy za pomocą żelu przewodzącego i przymocuj włosy żelem, aby zapobiec niedrożności między elektrodami EEG a skórą głowy.
      UWAGA: Ważne jest, aby potwierdzić, czy z powodu wycieku żelu powstaje mostek między sąsiednimi elektrodami EEG.
    7. Skorzystaj z oprogramowania do rejestracji EEG.
    8. Włącz system EEG i wykonaj konfigurację > wybierz wzmacniacz. Wybierz Liveamp > > amplifier > się podłączyć. Wyszukaj funkcję Liveamp dla połączenia bezprzewodowego (Rysunek 3).
    9. Wykonaj funkcję sprawdzania impedancji, aby monitorować poziom impedancji dla każdej elektrody.
      UWAGA: Zaleca się przeprowadzenie eksperymentu z poziomem impedancji <20 KΩ (Rysunek 4).
    10. Wykonaj funkcję monitorowania, aby potwierdzić, czy EEG wszystkich elektrod ma podobne poziomy amplitudy poprzez monitorowanie sygnału EEG w czasie rzeczywistym (Rysunek 5).
      UWAGA: Amplituda sygnału EEG wynosi na ogół od 10 μV do 100 μV, a moc alfa (8-12 Hz) wzrasta w okolicy potylicznej, gdy oczy są zamknięte. Dlatego jakość danych EEG można jakościowo potwierdzić, monitorując poziom amplitudy i oscylacje alfa na kanałach wokół okolicy potylicznej, gdy oczy są zamknięte.
  2. Konfiguracja paradygmatu
    1. Do stabilnego pozyskiwania danych EEG użyj dwóch oddzielnych komputerów do prezentacji bodźców zewnętrznych i rejestrowania danych EEG (patrz Rysunek 1).
    2. Aby zaprezentować uczestnikom bodźce eksperymentalne, stwórz program stymulacji oparty na paradygmacie eksperymentalnym za pomocą oprogramowania do programowania (przedstawionego w kroku 1.3).
      UWAGA: W tym badaniu stworzono program stymulacji oparty na oprogramowaniu, ale inne oprogramowanie może być używane w zależności od ich kompatybilności ze sprzętem EEG użytym w eksperymencie, a także wygody użytkownika. Skrypt stymulacyjny oparty na oprogramowaniu programistycznym znajduje się w pliku uzupełniającym 1 (Experimental_stimulus.m). Informacje o zdarzeniu, wskazujące punkt początkowy bodźców, są generowane przez wewnętrzne oprogramowanie programistyczne, przesyłane do wzmacniacza EEG za pośrednictwem skrzynki wyzwalającej, a ostatecznie do oprogramowania rejestrującego EEG (Rysunek 1).
    3. Wykonać program prezentujący bodźce eksperymentalne w trybie monitorowania (patrz krok podrzędny 2.1.10). Następnie upewnij się, że informacje o zdarzeniu są prawidłowo oznaczone w odpowiednim czasie na dole oprogramowania do rejestracji EEG za każdym razem, gdy prezentowany jest bodziec, jak pokazano na Rysunek 6.
      UWAGA: Informacje o punkcie czasowym są rejestrowane za każdym razem, gdy prezentowany jest nowy bodziec, a następnie są wykorzystywane do segmentacji danych. Dlatego ważne jest, aby uzyskać dokładne punkty czasowe zdarzeń eksperymentalnych w jak największym stopniu, aby zapobiec niedokładnej segmentacji danych, która doprowadziłaby do niewiarygodnych wyników analizy.
    4. Uruchom oprogramowanie do rejestracji EEG, a następnie samodzielnie uruchom program prezentacji bodźca opracowany w oparciu o paradygmat eksperymentalny za pomocą oprogramowania do programowania, aby zapobiec pominięciu danych.
      UWAGA: Dla wygody analizy danych zaleca się tworzenie nazw plików ze spójną regułą przechowywania danych (np. Sub1_Session1).
  3. Zapis EEG
    1. Pomiar EEG z częstotliwością próbkowania 1,000 Hz zgodnie z paradygmatem eksperymentalnym przedstawionym w kroku 1.3.
      UWAGA: Częstotliwość próbkowania można zmieniać w zależności od zakresu częstotliwości EEG, który badacz chce zbadać. Ogólnie zaleca się stosowanie częstotliwości próbkowania >200 Hz, gdzie informacje EEG mogą być badane przy ≤100 Hz w oparciu o twierdzenie Nyquista. Dzieje się tak, ponieważ większość informacji EEG występuje poniżej 100 Hz.
    2. Utrzymuj te same środowiska eksperymentalne (np. miejsce eksperymentu, sprzęt, temperatura pokojowa itp.) w jak największym stopniu między uczestnikami i poinstruuj ich, aby zminimalizowali niepotrzebne ruchy podczas pomiaru EEG.

figure-protocol-3
Rysunek 3: Procedura bezprzewodowego połączenia między wzmacniaczem EEG a komputerem za pomocą oprogramowania do rejestracji EEG. Postępuj zgodnie z instrukcjami w kolejności: (A) wybierz amplifier, (B) podłącz amplifier, (C) wyszukaj podłączony amplifier do połączenia bezprzewodowego, (D) połączenie zakończone. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-4
Rysunek 4: Procedura sprawdzania impedancji dla każdego kanału. Wszystkie kanały powinny być ustawione na kolor zielony, aby zapewnić stabilny pomiar EEG. Zaleca się przeprowadzenie eksperymentu z impedancją mniejszą niż 20 KΩ. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-5
Rysunek 5: Procedura monitorowania danych w czasie rzeczywistym dla każdego kanału. Sygnały ze wszystkich mierzonych kanałów mogą być monitorowane w czasie rzeczywistym i mogą być powiększane/pomniejszane za pomocą opcji (czerwone pole) na górnym pasku. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-6
Rysunek 6: Zrzut ekranu do monitorowania informacji o zdarzeniu. Czerwone słupki wskazują kreatory zdarzeń, które są prezentowane za każdym razem, gdy bodziec jest dostarczany przez PC1. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

3. Analiza danych EEG

UWAGA: To badanie dostarcza precyzyjnych wytycznych do powielania koncepcji badawczej. W związku z tym przedstawiono w nim krótki zarys procesu analizy i reprezentatywne wyniki. Szczegółowe procesy i związane z nimi wyniki można znaleźć w poprzednim badaniu17. Wskazuje to, że Mary Ann Liebert, Inc. udzieliła pozwolenia na wykorzystanie materiałów chronionych prawem autorskim.

  1. Wstępnego przetwarzania
    1. Usuń artefakty związane z oczami z surowych danych EEG za pomocą procedur matematycznych opartych na analizie głównych składowych zaimplementowanych w oprogramowaniu do wstępnego przetwarzania danych EEG18,19 (patrz Tabela materiałów).
      UWAGA: Jeśli któraś z epok wykazywała wyraźne artefakty (± 100 μV), nawet po wstępnym przetworzeniu w którejkolwiek z elektrod, była ona wyłączana z dalszej analizy. Średnia liczba odrzuconych epok, w tym ich odchylenie standardowe, wynosiła 3,69 ± 7,15 dla zadania dotyczącego ruchu ręki i 1,62 ± 3,95 dla zadania bez wpływu ruchu ręki.
    2. Zastosuj filtr pasmowoprzepustowy w zakresie od 0,1 Hz do 55 Hz. Podziel wstępnie przetworzone dane EEG od -1 s do 3,5 s dla każdej próby w oparciu o początek zadania, aby uwzględnić okres bazowy stosowany do perturbacji widmowych związanych ze zdarzeniami (ERSP) i funkcjonalnych analiz sieciowych.
  2. Analiza ERSP
    UWAGA: Zmierzone dane EEG zostały zweryfikowane za pomocą analizy ERSP dla pasma częstotliwości o niskiej częstotliwości beta (12-20 Hz) związanego z ruchami dobrowolnymi.
    1. Przeprowadź krótkotrwałą transformację Fouriera dla każdej próby, aby obliczyć moc spektralną EEG, do której użyto funkcji newtimef zestawu narzędzi EEGLAB w oprogramowaniu do programowania20 (nienakładające się okno Hanninga, rozmiar okna 250 ms).
    2. Znormalizuj spektrum mocy każdej próby, odejmując średnią moc w okresie podstawowym (od -1 do 0 s), aby zbadać zmiany mocy widmowych między zadaniem ruchu ręki a okresem wyjściowym.
    3. Oszacuj znormalizowane bazowo mapy ERSP dla każdego pacjenta, uśredniając znormalizowane widma mocy w różnych badaniach.
  3. Funkcjonalna analiza sieci
    UWAGA: Przeprowadzono analizę sieci funkcjonalnej w celu zbadania zmian EEG z perspektywy sieci mózgowej. Aby obliczyć ważone wskaźniki sieci całego mózgu w oparciu o teorię grafów, najpierw obliczono łączność mózgu między różnymi regionami przy użyciu wartości blokowania fazy (PLV). Następnie obliczono funkcjonalną macierz łączności przy użyciu wyników analizy połączeń opartej na PLV, która została następnie wykorzystana do obliczenia wskaźników sieci całego mózgu17. Wszystkie funkcjonalne analizy sieci zostały wykonane za pomocą oprogramowania do programowania.
    1. Oblicz wartość blokowania fazy (PLV) opartą na transformacji Hilberta dla pasma częstotliwości o niskiej beta (12-20 Hz) za pomocą wewnętrznej funkcji21,22. Wewnętrzna funkcja obliczania PLV opartej na transformacji Hilberta jest dostępna w pliku uzupełniającym 2 (myPLV.m).
    2. Oceń PLV między wszystkimi możliwymi parami 32 elektrod EEG w każdym punkcie czasowym w okresach zadania (0-3,5 s) i utwórz symetryczną macierz sąsiedztwa (32 x 32, liczba elektrod = 32), uśredniając PLV w okresie zadania. Użyj macierzy PLV jako danych wejściowych do analizy sieci17,23.
    3. Oceń cztery ważone indeksy sieci na poziomie globalnym w oparciu o teorię grafów za pomocą zestawu narzędzi Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) siła, (2) współczynnik grupowania, (3) długość ścieżki i (4) małoświatowość17,24,25.

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

Wyniki

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

Rysunek 7 przedstawia topograficzne mapy ERD o niskiej becie dla każdego zadania ruchu ręki. Istotnie silne ERD o niskiej beta zaobserwowano w półkuli przeciwprądowej w porównaniu z półkulą ipsilesional zarówno dla zadań związanych z ruchami ręki, jak i niedotkniętych chorobą.

figure-results-1
Rysunek 7: Średnie mapy topograf...

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

Dyskusja

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

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

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

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

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

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

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

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Biomarkery EEGzaburzenia motoryczneEEG specyficzne dla zadaniaanaliza sieci funkcjonalnychniska beta ERDpowr t funkcji motorycznychneurofizjologia udaru m zgu

Powiązane artykuły