Artykuł metodologiczny

Miękki robot pneumatyczny moduluje metryki teorii grafów sieci mózgowej w celu rehabilitacji rąk po udarze

DOI:

10.3791/68588

⸱

10 października 2025

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

W tym artykule

Podsumowanie

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

Niniejsze badanie analizuje wpływ konfigurowalnego miękkiego robota pneumatycznego na poprawę topologii sieci całego mózgu po udarze. Analiza teorii grafów wskazuje na istotne ulepszenia współczynnika klastrowania, długości ścieżki oraz globalnej efektywności. Wyniki podkreślają potencjał programowalnych protokołów robotycznych do modulowania neuroplastyczności i optymalizacji funkcjonalnej regeneracji w rehabilitacji po udarze.

Streszczenie

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

Funkcjonalna odbudowa kory mózgowej opiera się na neuroplastyczności zależnej od aktywności po udarze. Jednak optymalizacja rehabilitacji robotycznej w celu rekonwalescencji dłoni pozostaje poważnym wyzwaniem. To badanie potwierdzające koncepcję analizuje wykonalność konfigurowalnego miękkiego robota pneumatycznego do modulacji sieci mózgowej u dziesięciu uczestników z zaburzeniami ruchów ręki po udarze. Programowalna interwencja robotyczna była przeprowadzana w losowej sekwencji dla oceny stanu spoczynku, terapii robotycznej w trybie wolnym i szybkim, poprzez dostosowanie trybu pracy, czasu działania oraz czasu trwania interakcji. Funkcjonalna spektroskopia bliska podczerwieni (fNIRS) została zastosowana do pomiaru aktywności kory i funkcjonalnej łączności. Dodatkowo metryki teorii grafów, w tym współczynnik klastrowania, średnia długość ścieżki, indeks małych światów, globalna efektywność, centralność stopni oraz centralność wektorów własnych, zostały wyprowadzone z macierzy funkcjonalnej łączności opartych na fNIRS. Wyniki wykazały, że interwencja robotyczna znacząco poprawiła współczynnik klastrowania (P = 0,034), średnią długość ścieżki (P = 0,007) oraz globalną efektywność (P = 0,001). Chociaż indeks małych światów, centralność stopni i centralność wektorów własnych wykazywały rosnący trend, różnice te nie osiągnęły istotności statystycznej. Ponadto terapia w trybie szybkim wywołała większe zmiany współczynnika skupiania w porównaniu z terapią w trybie wolnym, co sugeruje potencjalnie silniejszy wpływ na reorganizację neuronów. Te odkrycia wstępnie wspierają wykorzystanie miękkiej robotyki z regulowanymi paradygmatami, aby poprawić łączność sieci mózgowych i ułatwić neuroplastyczność po udarze. Zaobserwowane poprawy globalnej efektywności i właściwości w małych światach wskazują, że terapia robotyczna optymalizuje organizację kory, sprzyjając funkcjonalnemu odzyskiwaniu zdrowia. Potrzebne są dalsze badania z większą próbą oraz spersonalizowane protokoły interwencji, aby potwierdzić te wyniki i zbadać ich długoterminowe skutki.

Wprowadzenie

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

Udar pozostaje główną przyczyną śmiertelności i długotrwałej niepełnosprawności wśród dorosłych na całym świecie1. Wśród wyniszczających konsekwencji, zaburzenia ruchowe dłoni znacząco ograniczają niezbędne codzienne czynności i funkcjonalną niezależność, co osłabia udział społeczny i jakość życia u osób po udarze 2,3. Chociaż medycyna fizykalna i rehabilitacja są kluczowe dla regeneracji motorycznej, konwencjonalne podejścia terapeutyczne często prowadzą do niespójnych rezultatów ze względu na złożoność i zmienność międzyindywidualną reorganizacji neuronów po udarze4.

W ostatnich latach terapia wspomagana robotycznie (RAT) zyskała znaczną uwagę ze względu na swoją zdolność do dostarczania intensywnych, powtarzalnych i zadaniowych treningów, co ułatwia regenerację motoryczną5. Aby lepiej dostosować takie interwencje, lepsze zrozumienie biomarkerów nerwowych jest kluczowe dla bezpośredniej modulacji za pomocą interwencji robotów. To ostatecznie pomaga zoptymalizować strategie terapeutyczne i wspierać zręczność rąk. W poprzednim badaniu mapowanie objawów zmian na podstawie wokseli wskazało, że po-udarowe uszkodzenia bliższe kończyny górnej mogą być powiązane z deficytami w drogach zstępujących od obszarów korowo-ruchowych i prążkowia. W przeciwieństwie do tego, uszkodzenia dłoni wynikają z pojedynczych urazów kory mózgowej6. Jednak wyniki kliniczne dotyczące funkcji ręki pozostają zmienne, a mechanizmy nerwowe leżące u podstaw powrotu do zdrowia ruchowego nie zostały jeszcze w pełni wyjaśnione 7,8,9. Co więcej, większość komercyjnych szkoleń robotycznych przebiega według wcześniej określonych protokołów i z ograniczoną elastycznością. Nie odpowiada na specyficzne potrzeby pacjenta i potencjalnie ogranicza ich skuteczność kliniczną10.

W ciągu ostatnich dekad badania neuroobrazowe uwypukliły kluczową rolę reorganizacji sieci mózgowej w rekonwalescencji po udarze, charakteryzującą się zmianami w aktywności funkcjonalnej i łączności. Funkcjonalna spektroskopia bliska podczerwieni (fNIRS), nieinwazyjna technika monitorowania hemodynamiki korowej, stała się cennym narzędziem do oceny dynamiki neuronalnej i prowadzenia warunków rehabilitacyjnych11. Jego przenośność i odporność na artefakty ruchu sprawiają, że jest szczególnie dobrze przystosowany do monitorowania w czasie rzeczywistym i przesyłania informacji podczas terapii robotyczną12. Chociaż wcześniejsze badania dokumentowały zmiany w współłączeniu korowym po treningu motorycznym, wpływ RAT na topologię sieci całej mózgu pozostaje niewystarczająco zbadany13.

Charakterystyka zmian w topologii sieci mózgowej daje cenny wgląd w procesy neuroplastyczne, które leżą u podstaw funkcjonalnej regeneracji po uszkodzeniach niedokrwiennych lub krwotocznych mózgu. Ludzki mózg działa jako złożona sieć, w której funkcja lub naprawa neurologiczna zależy zarówno od integralności regionalnej, jak i dynamicznych interakcji między wieloma obszarami14. W tych okolicznościach teoria grafów stanowi solidne ramy do ilościowego określenia architektury sieci mózgowych na dużą skalę, oferując wgląd w organizację kory na poziomachwęzłowych 15. Obliczając kluczowe metryki sieciowe, takie jak współczynnik klastrowania, średnia długość ścieżki i globalna efektywność, naukowcy mogą ocenić, jak RAT wpływa na przetwarzanie informacji neuronowych i ich zdolność transferową. Jak wykazano w wcześniejszej literaturze, zakłócenia integralności sieci wywołane udarem często objawiają się zmianami w właściwościach małych światów oraz ogólnej organizacji topologicznej16,17. Rehabilitacja, szczególnie trening specyficzny dla zadań i powtarzalny, wiąże się z reorganizacją kory. Jednak dokładny wpływ różnorodnych interwencji robotycznych na te dynamiki sieci pozostaje niewystarczająco zrozumiany18.

Celem tego badania jest zbadanie wykonalności programowalnego miękkiego robota pneumatycznego w modulowaniu dynamiki sieci mózgowej u osób po udarze. W porównaniu z ćwiczeniami zginania/wyprostowania dłoni w istniejących paradygmatach robotycznych, obecny robot pneumatyczny ma zalety w dostosowywaniu trybu pracy, czasu działania oraz czasu interakcji do pożądanych ruchów, takich jak chwyt, zwolnienie i szczypanie19,20. Te różnorodne tryby interakcji człowiek-robot mogą zapewnić bardziej ukierunkowaną stymulację obszarów kory sensoryczno-ruchowej. Taki paradygmat może potencjalnie promować neuroplastyczność w obszarach związanych z odzyskiwaniem funkcji dłoni13. Ponadto wykorzystano analizę grafów opartą na fNIRS w różnych warunkach terapeutycznych do oceny, jak indywidualne strategie robotyczne mogą optymalizować regenerację ruchów dłoni. Ponadto można wstępnie wyjaśnić mechanizmy nerwowe leżące u podstaw rehabilitacji miękkiego robota. Zrozumienie tych adaptacji na poziomie sieciowym może pomóc w opracowaniu ukierunkowanych, opartych na neurofizjologii protokołów rehabilitacji, co ostatecznie poprawia powrót do zdrowia dłoni u osób po udarze.

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

Protokół

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

Badanie to zostało zatwierdzone przez Komisję Etyczną Szpitala Tongji w Wuhan, Chiny. Wszystkie protokoły badawcze były zgodne z zasadami określonymi w Deklaracji Helsińskiej. Przed włączeniem do badania wszyscy uczestnicy uzyskali pisemną świadomą zgodę. Używany sprzęt i oprogramowanie są wymienione w Tabeli Materiałów.

1. Uczestnicy

  1. Weźmy pod uwagę następujące kryteria włączenia:
    1. Wiek od 18 do 75 lat.
    2. Pierwszy w historii udar niedokrwienny lub krwotoczny potwierdzony za pomocą tomografii komputerowej lub rezonansu magnetycznego.
    3. Stan stabilny medycznie.
    4. Podpisz świadomą zgodę osobiście lub od ich upoważnionego przedstawiciela.
  2. Weźmy pod uwagę następujące kryteria wykluczenia:
    1. Ciężka afazja, zaburzenia poznawcze, zaburzenia świadomości lub brak możliwości współpracy z protokołem interwencji lub oceny.
    2. Niemożność utrzymania się na siedzącym przez co najmniej 20 minut.
    3. Poważne nieprawidłowości napięcia mięśniowego (zmodyfikowany wynik skali Ashwortha ≥2).

2. Miękki pneumatyczny system robotyczny

  1. Podłączenie sprzętu i uruchomienie
    1. Podłącz kabel zasilający systemu robotycznego do gniazdka elektrycznego.
    2. Włącz komputer, naciskając przycisk znajdujący się na wieży komputerowej.
    3. Podłącz dwa kable zasilające pompy powietrza do gniazdka i miękkiej rękawicy pneumatycznej.
    4. Naciśnij zielony przycisk zasilania z tyłu systemu robotycznego, aby aktywować urządzenie.
  2. Nosząc miękkiego robota pneumatycznego
    1. Pomóż uczestnikowi nosić miękkiego robota pneumatycznego na dotkniętej dłoni, zapewniając bezpieczne dopasowanie wokół dłoni i palców.
    2. Robot należy przypiąć za pomocą paska na rzepy, zapewniając jego stabilność od grzbietowej strony kciuka do wyniosłości tenaru po stronie dłoni, dla optymalnej stabilności.
  3. Sterowanie robotyczne i wybór trybów
    1. Naciśnij zielony przycisk Connect poniżej urządzenia obrazującego.
    2. Na interfejsie komputera wybierz Tryb Wdechu Robotycznego.
    3. Konfiguruj port komunikacyjny (Com 7), aby zapewnić prawidłową łączność z urządzeniem.
    4. Wybierz odpowiedni tryb inflacji-deflacji i potwierdź ustawienia parametrów bez powodowania dyskomfortu u pacjentów. Tryb wolny: 2000 ms czasu akcji (0,5 Hz) przy 75% czasu interakcji. Tryb szybki: 200 ms czasu akcji (5Hz) przy 75% czasu interakcji21 (Rysunek 1).

figure-protocol-1
Rysunek 1: Sprzęt eksperymentalny i konfiguracja. (A) Układ eksperymentalny. (B) Miękka konfiguracja robotyczną. (C) Miękki robot pneumatyczny. (D) konfiguracja i kalibracja fNIRS. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

3. System funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)

  1. Podłączenie i inicjalizacja sprzętu
    1. Korzystaj z systemu fNIRS z ciągłą falą do rejestrowania danych od wszystkich uczestników. System emituje światło bliskiej podczerwieni o falach 690 nm i 830 nm, przenikając 2-3 cm pod korą mózgową, z częstotliwością próbkowania 100 Hz.
    2. Włącz listwę zasilającą, aby zasilać wszystkie podłączone urządzenia.
    3. Naciśnij przycisk zasilania na urządzeniu fNIRS i poczekaj, aż zapali się kontrolka.
    4. Zapewnienie stabilnego połączenia między komputerem a systemem fNIRS dla nieprzerwanej transmisji danych.
  2. Startowanie oprogramowania i wprowadzanie informacji o pacjencie
    1. Uruchom system fNIRS i sprawdź stabilność połączenia Wi-Fi.
    2. Przejdź do interfejsu zarządzania pacjentem, aby utworzyć nowy profil: kliknij Dodaj pacjenta, wpisz dane uczestnika i przypisz numer identyfikacyjny.
  3. Noszenie czapki sygnału fNIRS
    1. Wybierz odpowiednio dopasowaną czapkę fNIRS. Umieść etykietę z numerem czujnika nieco powyżej środka czoła, dbając o prawidłowe przyleganie skóry głowy. Wyrównaj optody FPZ i CZ systemu EEG 10-20. Zabezpiecz detektory i źródła światła za pomocą elastycznej opaski, aby zapewnić optymalny kontakt ze skórą.
    2. Podczas zbierania danych polec uczestnikowi pozostawać w cichym, zrelaksowanym stanie, z nieruchomą głową i otwartymi oczami.
    3. Przed formalnym procesem zbierania danych polec uczestnikowi spokojnie odpocząć przez 2 minuty, nie zasypiając.
  4. Pozyskiwanie danych
    1. Wybierz protokół eksperymentalny z interfejsu oprogramowania na komputerze systemu fNIRS.
    2. Wykonaj kalibrację sygnału z interfejsu oprogramowania, aby zminimalizować wycieki światła, celując w siłę sygnału ≥75% przy minimalnym szumie.
    3. Jeśli kalibracja się nie powiedzie, dostosuj położenie czujnika i spróbuj ponownie. Czujniki optode składają się z diod światłoemienturowych i fotodetektorów. Optody te są zaprojektowane tak, aby emitować i wykrywać światło bliskiej podczerwieni na określonych długościach fal.
    4. Wykonaj rejestrowanie daty kory mózgowej za pomocą interfejsu oprogramowania, instruując uczestnika, by pozostawał rozluźniony i unikał ruchów głową.
    5. Upewnij się, że zadanie eksperymentalne rozpoczyna się zgodnie z losową sekwencją, nieustannie zbierając dane. System fNIRS nieustannie monitoruje i rejestruje dane dotyczące natleniania mózgu oraz hemodynamiki.
    6. Po zakończeniu zadania zatrzymaj akwizycję danych i bezpiecznie zapisz dane eksperymentalne.

figure-protocol-2
Rysunek 2: Eksperymentalne przygotowanie systemu fNIRS i ocena neuronalna. (A) Konfiguracja optode systemu fNIRS oraz protokół akwizycji danych. (B) Wizualizacja aktywacji mózgu z perspektywy przedniej, tylnej, lewej bocznej, prawej bocznej i górnej. (C) Analiza funkcjonalnej łączności całego mózgu. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

4. Analiza danych

  1. Wstępne przetwarzanie surowych danych fNIRS
    1. Zastosuj filtrowanie pasmowe, aby usunąć szumy i artefakty z surowych danych. Typowe częstotliwości danych fNIRS to od 0,01 Hz do 0,2 Hz, aby uchwycić powolne zmiany aktywności mózgu.
    2. Wykonaj korekcję artefaktów ruchu poprzez rozkład falkowy i niezależną analizę składowych (ICA). Konkretnie, przeprowadź rozkład falkowy na surowym sygnale fNIRS za pomocą falki Daubechiesa 4 z poziomem rozkładu 3.
      1. Zastosuj miękkie progi do współczynników falkowych, aby zmniejszyć szum, zachowując cechy sygnału. Odtworz sygnał na podstawie współczynników thresholdera. Zastosuj ICA do zrekonstruowanego sygnału, aby zidentyfikować i usunąć komponenty odpowiadające artefaktom ruchu.
    3. Podziel ciągły sygnał fNIRS na epoki odpowiadające różnym warunkom. Konkretnie, należy określić punkty czasowe odpowiadające początkowi i przesunięciu każdego warunku eksperymentalnego. Podziel sygnał ciągły na epoki na podstawie projektu eksperymentalnego (Rysunek 2) i ich losowych sekwencji.
  2. Oblicz odpowiedź hemodynamiczną
    1. Przełóż surowe pomiary intensywności z systemu fNIRS na zmiany gęstości optycznej, stosując prawo Beera-Lamberta.
    2. Do oszacowania zmian stężeń inoksyhemoglobiny (HbO) i deoksyhemoglobiny (HbR) wykorzystaj zmodyfikowane prawo Beer-Lamberta. Zazwyczaj polega to na rozwiązywaniu układu równań opartego na geometrii źródło-detektor oraz użytych długościach fal, 690 nm.
    3. Twórz trójwymiarowe mapy aktywacji mózgu, wizualizując zmiany stężenia HbO w różnych obszarach mózgu. Konkretnie, wykorzystaj punkty anatomiczne oraz międzynarodowy system 10-20 do rzutowania kanałów fNIRS na odpowiadające im obszary mózgu.
      1. Oszacuj, że stężenie HbO zmienia się na całej powierzchni mózgu na podstawie zmierzonych kanałów. Rzutowanie map aktywacji na ustandaryzowane szablony mózgu (szablon MNI), aby ułatwić wizualizację.
    4. Wykorzystaj łączność funkcjonalną do mapowania koaktywacji neuronalnej w całym mózgu, obliczając współczynnik korelacji Pearsona między wszystkimi parami kanałów. Ten współczynnik ilościowo określa liniowe zależności między parami kanałów i stanowi podstawę do konstrukcji funkcjonalnej sieci łączności. Użyj otwartoźródłowego skryptu R (z ggplot2) do wizualizacji powstałej sieci.
  3. Analiza teorii grafów
    1. Wyodrębniaj metryki teorii grafów (w tym współczynnik klasteryzacji, średnią długość ścieżki, indeks małego świata, globalną efektywność, centralność stopni oraz centralność wektorów własnych) z macierzy funkcjonalnej łączności wyprowadzonej z fNIRS16,22.
    2. Oblicz współczynnik klastrowania:
      figure-protocol-3
      Gdzie, ei oznacza liczbę krawędzi między sąsiadami węzła i, N oznacza łączną liczbę węzłów w sieci (kanały fNIRS), a ki oznacza stopień węzła i. Korzystając z współczynnika klastrowania, zmierz stopień, w jakim węzły w sieci grupują się razem.
      UWAGA: Konkretnie, określ prawdopodobieństwo, że dwaj sąsiedzi węzła są ze sobą również połączeni. Upewnij się, że wysoki współczynnik klasteryzacji odzwierciedla silnie powiązanych sąsiadów, wskazując na zlokalizowane, spójne struktury sieci mózgowej. Neuroplastyczność może zmieniać współczynnik klastrowania poprzez tworzenie nowych połączeń lub wzmacnianie istniejących, aby wspierać lokalną aktywność neuronową.
    3. Oblicz średnią długość ścieżki:
      figure-protocol-4
      Gdzie d(i,j) oznacza najkrótszą długość ścieżki między węzłami i i j, a N oznacza łączną liczbę węzłów w sieci.
      1. Użyj średniej długości ścieżki, aby zmierzyć średnią liczbę kroków potrzebnych do przejścia przez wszystkie pary węzłów w sieci. Krótsze średnie długości ścieżek wskazują na bardziej efektywną transmisję informacji w sieci mózgowej.
        UWAGA: Neuroplastyczność może skrócić średnią długość ścieżki poprzez tworzenie nowych połączeń, które działają jak skróty między odległymi obszarami mózgu, zwiększając zdolność mózgu do integracji informacji i poprawiając ogólną funkcję kontroli ruchowej.
    4. Oblicz Indeks Małego Świata:
      figure-protocol-5
      Gdzie Crzeczywista i Lrzeczywiste oznaczają współczynnik skupienia i średnią długość ścieżki sieci rzeczywistej, a Crand i Lrand oznaczają współczynniki losowej sieci o tej samej liczbie węzłów i krawędzi. Użyj indeksu małych światów, aby ocenić równowagę między lokalnym klastrowaniem a globalną integracją w sieci.
      UWAGA: Sieć małego świata charakteryzuje się wysokim klastrowaniem i krótkimi ścieżkami, co umożliwia efektywną komunikację przy jednoczesnym zachowaniu lokalnych grup. Neuroplastyczność może wzmacniać właściwości małych światów poprzez tworzenie nowych połączeń, które zwiększają lokalne skupienia, jednocześnie zachowując krótkie długości ścieżek, wspierając tym samym adaptacyjne zmiany nerwowe i zręczność dłoni.
    5. Oblicz globalną efektywność:
      figure-protocol-6
      Gdzie d(i,j) oznacza najkrótszą długość ścieżki między węzłami i i j, a N oznacza łączną liczbę węzłów w sieci. Wykorzystaj globalną efektywność do oceny zdolności sieci do wymiany informacji na całym świecie. Wyższe wartości wskazują na szybszy przekaz informacji w całej sieci mózgowej, co odzwierciedla dobrze połączony system.
      UWAGA: Neuroplastyczność może zwiększyć globalną efektywność poprzez optymalizację topologii sieci, co prowadzi do lepszej integracji informacji między różnymi obszarami mózgu i wspiera złożone funkcje rąk.
    6. Oblicz centralność stopni:
      figure-protocol-7
      Gdzie ki oznacza stopień węzła . Wykorzystaj centralność stopni, aby określić liczbę bezpośrednich połączeń węzła w sieci. Węzły o wysokim stopniu centralności pełnią rolę głównych węzłów komunikacyjnych. Neuroplastyczność może zwiększyć centralność niektórych węzłów poprzez tworzenie nowych połączeń, co wzmacnia ich rolę w sieci i wspiera zdolność mózgu do adaptacji i reorganizacji.
    7. Oblicz centralność wektora własnego:
      figure-protocol-8
      Gdzie A oznacza macierz sąsiedztwa, a v to wektor własny odpowiadający największej wartości własnej λ. Wykorzystaj centralność wektora własnego do oceny wpływu węzła na podstawie jego połączeń z dobrze połączonymi węzłami.
      UWAGA: Węzły o wysokiej centralności wektorów własnych są centralne dla sieci hierarchicznych. Neuroplastyczność może zwiększyć centralność wektorów własnych niektórych węzłów poprzez tworzenie połączeń z innymi silnie połączonymi węzłami, co zwiększa ich rolę we wspieraniu zdolności mózgu do efektywnego przetwarzania informacji.
  4. Analizy statystyczne
    1. Zorganizuj dane w formacie długim w oprogramowaniu statystycznym, dbając o prawidłową strukturę metryk teorii grafów, warunków eksperymentalnych i identyfikatorów uczestników. Przed wykonaniem ANOVA zweryfikować założenia normalności i jednorodności wariancji, używając testu Shapiro-Wilka23 dla normalności oraz testu Levena dla jednorodności wariancji24.
    2. Przekonuj wykonanie jednokierunkowej ANOVA, aby ocenić, czy istnieją istotne różnice w metrykach teorii grafów pomiędzy tymi trzema warunkami. Jeśli ANOVA da istotny wynik (P < 0,05), należy wykonać porównania post-hoc, aby zidentyfikować konkretne różnice między warunkami.

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

Wyniki

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

Łącznie 10 osób z udarem zostało objętych badaniem i przeszło ocenę stanu spoczynku, terapię robotyczną w trybie spowolnionym oraz szybką terapię robotyczną w losowej kolejności. Wyniki wykazały wykonalność indywidualizacji modulacji neuroplastyczności poprzez programowanie protokołu robotycznego i obliczanie metryk teorii grafów sieci mózgowej. Podczas terapii miękkiej robotycznej jednoczesna ocena fNIRS umożliwiła pozyskiwanie zarówno danych o aktywacji mózgu, jak i funkcjonalnej łączności.

...

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

Dyskusja

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

Badanie to badało neuroplastyczne wpływy konfigurowalnego miękkiego robota pneumatycznego na dynamikę sieci mózgowych u osób po udarze, wykorzystując analizę grafów opartą na fNIRS. Wyniki sugerują, że miękka terapia robotyczna skutecznie moduluje topologiczną organizację rozproszonych sieci mózgowych, a uczestnicy wykazują wysoką zgodność. Konkretnie zaobserwowano istotne zmiany w współczynniku skupienia, średniej długości ścieżki oraz globalnej efektywności. Chociaż indeks małych światów, centralność stopni i wektorów ...

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

Podziękowania

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

Prace te zostały wsparte przez Specjalny Specjalny Projekt Nauki i Technologii Prowincji Hubei (nr 2023BCA002), Interdyscyplinarny Program Wsparcia Badawczego Uniwersytetu Nauki i Technologii Huazhong (nr 2024JCYJ067), Fundację Nauk Przyrodniczych prowincji Hubei w Chinach (nr 2024AFB043) oraz Fundusz Badawczy Szpitala Tongji (nr 2024B24).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Urządzenie fNIRS z 106 kanałamiWuhan Znion Technology Co., LTDBS-2000Implementacja programu
System rehabilitacji stawów FingeraNanjing Reseader Medical Technology Co., LTD.RSD RS3Interwencja rehabilitacyjna
Oprogramowanie RFundacja RWersja 4.2.1Analiza statystyczna
Oprogramowanie SPSSIBMWersja 22.0Analiza statystyczna

Bibliografia

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

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

Modulacja sieci m zgowejrekonwalescencja po udarzefunkcjonalna spektroskopia bliskiej podczerwieniwsp czynnik grupowaniaefektywno globalnaterapia robotycznazwi kszanie neuroplastyczno ci

Powiązane artykuły