Abstract
I det här experimentet demonstrerar vi en serie hybrid-hjärndatorgränssnitt (BCI) -baserade paradigmer som är utformade för två applikationer: bedömning av medvetenheten hos personer som inte kan tillhandahålla motorrespons och i ett andra steg etablera en kommunikationskanal För dessa människor som gör att de kan svara på frågor med antingen "ja" eller "nej". Paradigmsviten är utformad för att testa grundläggande svar i det första steget och fortsätta att göra mer omfattande uppgifter om de första testerna är framgångsrika. De senare uppgifterna kräver mer kognitiva funktioner, men de kan ge kommunikation, vilket inte är möjligt med grundtesterna. Alla bedömningstest producerar noggrannhetsdiagram som visar om algoritmerna kunde detektera patientens hjärnans svar på de angivna uppgifterna. Om noggrannhetsnivån ligger utanför signifikansnivån antar vi att ämnet förstod uppgiften och kunde följa kommandonordningen pResented via hörlurar till ämnet. Uppgifterna kräver att användarna koncentrerar sig på vissa stimuli eller föreställer sig om att flytta antingen vänster eller höger hand. Alla uppgifter är utformade utifrån antagandet om att användaren inte kan använda den visuella modaliteten, och all stimuli som presenteras för användaren (inklusive instruktioner, ledtrådar och feedback) är alltså auditiva eller taktila.
Introduction
Diagnosen av patienter i vegetativ stat (VS) eller Minimal Conscious State (MCS) är svår, och felklassificeringar uppträder ofta. En studie 2009 jämförde noggrannheten hos diagnosen mellan den kliniska konsensusen mot en neurobehavioral bedömning 1 . Av 44 patienter som diagnostiserades med VS baserat på medicinsk grupps kliniska samtycke visade sig 18 (41%) vara i MCS efter en standardiserad bedömning med Coma Recovery Scale-Revised (CRS-R). Detta resultat stämmer överens med tidigare studier, vilket visade att 37-43% av patienterna diagnostiserade med VS visade tecken på medvetenhet 2 , 3 . Klassificeringskalor baseras på beteendeobservationer eller på bedömningar av hörsel, visuell, verbal och motorisk funktion samt kommunikations- och upphetsningsnivåer. Ny teknik som kan lägga till uppgifter om hjärnaktivitet är ett perfekt verktyg för att övervinna de restriktioner som beha åstadkommerVioral betygsskalor. Patienter kan kunna modulera sina hjärnresponser trots att de inte kan producera de beteendeförändringar som krävs för betygsskalan. Monti et al. 4 visade att funktionell magnetisk resonansbildning (fMRI) kunde detektera frivilliga förändringar i blodsyresättningssubstansberoende svar, som är relaterade till imaginerade motorrörelser eller rumsliga bilduppgifter, hos 5/54 patienter som diagnostiserats med en medvetenhetskänsla (DOC). Fyra av dem hade tidigare klassificerats för att vara i MCS. I en mindre mängd fall har patienter som uppfyller beteendeskriterierna för ett vegetativt tillstånd återstående kognitiv funktion och till och med medveten medvetenhet.
Elektroencefalografi (EEG) -baserade BCI kan också upptäcka hjärnaktivitet som härrör från fantasi eller försök mot motorrörelser. Det finns också andra BCI-paradigmer som kan avgöra om en person kan visa medvetenhet genom att frivilligt följa en fördefinierad task. EEG-baserade BCI har andra fördelar jämfört med fMRI-baserade bedömningar. EEG-system är till exempel mycket mer kostnadseffektiva och bärbara, och de kan enkelt användas vid patientens säng. De huvudsakliga icke-invasiva BCI-tillvägagångssätten innefattar långsamma kortiska potentialer (SCPs), P300s, steady state visuella potentialer (SSVEPs) och motor Imagery (MI). SCP har tillhandahållit låga informationsöverföringshastigheter och kräver omfattande utbildning (se Wolpaw et al. ) 5 , medan SSVEPs kräver visuell uppmärksamhet. Båda metoderna används därför inte i detta protokoll. Med en P300 speller, Ortner et al. 5 nått en precision på 70% för funktionshindrade personer. Detta nummer kan så småningom ökas. Till exempel Turnip et al. 7 förbättrade P300-klassificeringsnoggrannheten genom att använda en adaptiv neuralt nätverksklassificerare. För detta protokoll valde vi taktila och auditiva P300-tillvägagångssätt utöver MI, eftersom både oDe kan användas utan syn och varje har unika fördelar. MI kan ge snabbare kommunikation än en icke-visuell P300 BCI, medan P300 BCI kräver mycket liten utbildning. Därför kan detta hybrid BCI-protokoll genomföra en hel serie EEG-baserade BCI-metoder för DOC-patienter. Eftersom uppgifterna är relativt snabba och lätta att repetera kan olika metoder undersökas upprepade gånger med varje patient att minska antalet felaktiga klassificeringar av DOC-patienter.
Fyra olika BCI-metoder undersöktes: (i) auditiv P300, (ii) vibrotaktil P300 med två stimulatorer, (iii) vibrotaktil P300 med tre stimulatorer och (iv) MI.
Paradigmet i den auditiva P300-metoden använder ett auditivt oddballparadigm, där avvikande stimuli (1000 Hz pip) slumpmässigt fördelas inom ett tåg av mer troliga standardstimuli (500 Hz pip). I paradigm II levereras stimuli via vibrotaktila stimulatorer thVid placeras på vänster och höger handled. Taktorn på vänstra handleden levererar standard stimuli, och taktorn på höger handled levererar avvikande (mål) stimuli. För paradigm iii placeras en ytterligare stimulator på ämnets högra fotled eller på en annan plats, som i mitten av ryggen. Denna stimulator levererar ett tåg av standard stimuli, medan de två stimulatorerna på vänster och höger handled både levererar avvikande stimuli. För att bedöma medvetandet med de två vibrotaktila paradigmerna, är ämnet berättat via hörlurar för att tyst räkna varje stimulans till en handled medan man ignorerar andra stimuli. En slumpmekanism bestämmer huruvida man väljer vänster eller höger handled och varje körning har fyra uppsättningar av 30 försök vardera, med en ny målhand för varje försök.
Följande signalbehandling görs för paradigmerna i, ii och iii: åtta EEG-kanaler förvärvas med en samplingsfrekvens på 256 Hz. Sannolikheten för en avvikande stimulans är 1/8; hencE, det kommer att finnas sju standard stimuli för varje avvikande stimulans. Varje körning har 480 totala stimuli. En serie paradigm tar jag 7 min 20 s, medan varje körning av paradigmerna ii och iii tar 2 min 30 s. Om patienten tyst räknar varje avvikande stimulans framkallar dessa stimuli flera händelserelaterade potential (ERP), inklusive P300, en positiv topp cirka 300 ms efter stimulanspåverkan. Varje pip hör 100 ms. För varje stimulusförsök lagras ett fönster på 100 ms före och 600 ms efter pipen för signalbehandling. Data nedmonteras sedan med en faktor 12, vilket resulterar i 12 prover för 60 ms efter-stimulusintervallet. Slutligen matas alla provtidskanalsfunktioner in i en linjär diskriminantanalys 8 , vilket resulterar i 12 x 8 = 96 egenskaper. För att beräkna noggrannhetsdiagrammet ( Figur 1 och 2 ) upprepas följande procedur tio gånger, och resultaten är medelvärde i en enda plot. De avvikande och standardprovernaÄr slumpmässigt tilldelade i två lika stora pooler. En pool används för att träna en klassificerare, och den andra poolen används för att testa klassificeringsenheten. Klassificeringsenheten testas med ett ökande antal medelvärden från testpoolen. Först testas den på endast en avvikande och sju standardstimuli. Om klassificatorn upptäckte avvikande stimulans korrekt är den resulterande noggrannheten 100% och den är 0% annars. Detsamma görs för 2 genomsnittliga avvikande stimuli och 14 genomsnittliga standard stimuli, för 3 avvikande stimuli och 21 standard stimuli, och så vidare tills hela testpoolen används. Detta ger en plot med 30 enskilda värden (för 30 avvikande stimuli i testpoolen), vardera endera antingen 100% eller 0%. Medelvärdet av 10 enkla tomter resulterar i värden som sträcker sig från 0% till 100%. Öka antalet medeltal stimuli ökar noggrannheten om ämnet kan följa uppgiften, eftersom medelvärdet av stimuli minskar slumpmässigt brus i data. En noggrannhet avsevärt bortom chansnivå (12.5%) visar att ett P300-svar kan upptas i patienten och att ett svar i patientens hjärna framkom. Parametrarna i och ii kan endast användas för att bedöma medvetandet. Om den noggrannhet som uppnåddes under bedömningen är högre än 40%, kan man fortsätta vidare för att använda paradigm iii eller iv.
I kommunikationsuppgiften för paradigm iii väljer ämnet att koncentrera sig på stimuli på vänster sida om han / hon vill svara "JA" eller på höger sida för att svara "NEJ". Klassificeringen detekterar vilken hand användaren koncentrerade sig på och presenterar svaret.
Paradigm IV registrerar 120 försök, varav vardera 8 s, åtskilda av 1 s raster. Detta resulterar i 10 sx 120 = 18 min av den totala sessionstiden. Paradigm iv använder 16 EEG-kanaler fördelade över den sensorimotoriska cortexen. Samplingsfrekvensen är 256 Hz. Varje försök börjar med en signal som presenteras via hörlurar, som instruerar ämnetAtt föreställa sig att flytta antingen vänster eller höger hand. Sekvensen av vänstra och högra instruktioner är randomiserad. För signalförbehandling används metoden för gemensamma rumsliga mönster (CSP) 10 , 12 , 13 . Denna metod ger en uppsättning rumsfilter som är utformade för att minimera variansen i en klass samtidigt som man maximerar variansen för den andra klassen. Detta resulterar i fyra egenskaper som klassificeras av den linjära diskrimineringsanalysen 8 . Hela klassificeringsförfarandet beskrivs i detalj i en nyligen publicerad publikation, som visar en stor genomsnittlig klassificeringsnoggrannhet på 80,7% efter bara 60 min träning hos friska användare 13 . Beräkning av noggrannhet görs via kryssvalidering. Detta hänför sig till partitionering av ett urval av data till kompletterande delsatser, utföra analysen på en delmängd (träningspool) och validering av analysen på den andra delmängden (tesTing pool). Innan separeringen av data i poolerna avvisas försök som innehåller artefakter. En prövning anses innehålla artefakter om det absoluta värdet av amplituden överstiger 100 μV när som helst under försöket. Noggrannheten beräknas för alla rörelser i testpoolen inom en tidsram på 1,5 s efter uppmärksamhetsljudet tills provets slut, i steg om 0,5 s. För varje steg och varje försök är klassificeringsresultatet antingen 100 eller 0%. Noggrannheten för alla försök i testpoolen beräknas sedan för varje enskilt steg, vilket resulterar i noggrannighetsnivåer som sträcker sig mellan 0% och 100%. Slutligen visas medeltalet av tio repetitioner av korrigeringsresultatet i noggrannhetsdiagrammet. Exempel kan ses i figurerna 3 och 4 . Tomterna är separerade för bildbehandling rörelse i vänster hand (gul), höger hand (blå) och alla rörelser tillsammans (grön). Den horisontella linjen i magenta representerar konfidensgränsen, vilken depenDs på antalet försök som användes för analysen. Detta är antalet totala försök minus antalet avvisade försök. Det visar 95% konfidensintervallet med Clopper Pearson-metoden 9 . En noggrannhetsnivå över den linjen innebär att resultatet är statistiskt signifikant (alfa <0,05).
Protocol
Alla steg inom detta protokoll är enligt principerna i Helsingfors deklaration.
1. Systeminställning
- Anslut förstärkaren till datorn med mjukvaran och sätt på förstärkaren med en USB-kabel.
- Anslut maskinvaru dongeln till en ledig USB-platsplats i datorn.
OBS! Detta är nödvändigt för att köra programvaran. - Sätt det antistatiska handleden på individens handled och anslut den till en fri strömkontakt.
OBS! Det här bandet är utformat för att underlätta motivet mot jorden för att minska bruset som kan påverka EEG-kvaliteten. - Anslut förarboxen med USB-kabeln till en ledig plats på datorn.
- Anslut utlösningskabeln till förarboxen enligt följande:
- Anslut "g.STIMbox OUT 5" -märkt anslutning till "OUT 5" på förarboxen.
- Anslut "g.STIMbox OUT 6" -märkt anslutning till "OUT 6" på drivrutinen boxe.
- Anslut "g.STIMbox OUT 7" -märkt anslutning till "OUT 7" på förarboxen.
- Anslut "g.USBamp DIO 1" -märkt anslutning till "DIG I / O 1" -uttaget på g.USBamp.
- Anslut de tre taktorerna till OUT 1, OUT 2 och OUT 3 i förarboxen.
- Anslut den "TRIG OUT" -märkta kontakten till "TRIG OUT" -uttaget i ljudutlösningsadaptern.
- Ta tejp och fixa en taktor på vänster handled, en annan på höger handled och en tredje på höger fotled.
- Anslut en kabel för manlig / manlig ljudkabel till datorns ljudutgång och till uttaget i ljudutlösningsadaptern som är märkt "AUDIO IN". Slå på ljudutlösningsadaptern och kontrollera om batteristatuslampan är grön.
- Starta programvaran, följ ett fönster som heter "Lägg till läkare". Skriv in titeln, namnet, institutionen och avdelningen i de tomma fälten. ClicK på "Lägg till" för att öppna ett annat fönster.
- Ange patientens namn, stad, land, födelsedatum och incheckningsdatum i fönstret.
- Klicka på den gröna knappen "+" under den blå pilen längst ned till höger i programmet. Skriv texten "Första test" i fältet "Namn" och "Bekanta dig med programvaran" till det tomma fältet "Detaljer".
OBS! Det är nödvändigt att ange information i alla tomma fält för att kunna fortsätta med programmet. - Slutligen klickar du på knappen "Välj denna patient".
- Fäst 16 EEG-kanaler på motivets huvud med hjälp av en elektrodkåpa. Använd positionerna: FC3, FCz, FC4, C5, C3, C1, Cz, C2, C4, C6, CP3, CP1, CPz, CP2, CP4 och Pz enligt det utökade internationella 10-20-systemet 14 . Placera en referenselektrod på höger hörsel och en jordelektrod på pannan.
- För att placera locket ordentligt på motivets huvud,Använd ett måttband för att mäta avståndet mellan nasion och inion, samt avståndet mellan vänster och höger preaurikulära punkter. Kontrollera att elektroden i vertexpositionen, Cz, ligger i mitten av dessa två avstånd. Sätt på elektrodlocket och rikta upp det här uppmätta läget med elektrodlocket Cz. Elektrodlocket är nu i rätt läge.
- Anslut elektroderna till elektrodanslutningslådan, följ den inställning som beskrivs i steg 1.12. Anslut elektrodanslutningslådan till biosignalförstärkaren och se till att förstärkaren och anslutningsboxen är påslagen.
- Injicera tillräckligt med elektrodgel i elektroderna för att skapa en anslutning mellan huden och elektroderna.
2. Granskning av P300
- När du har skrivit in patientens information klickar du på knappen "Auditory P300" på skärmens vänstra sida. Klicka på knappen "Assessment" på botten riFör att starta utvärderingen.
- Kontrollera EEG-signalkvaliteten. Bilden med hjärnan på skärmens högra sida ger en färgkodad guide till signalkvaliteten hos varje elektrod, med röd för dålig signalkvalitet, gul för acceptabel signalkvalitet och grön för god signalkvalitet.
- Öppna inställningsmenyn via inställningsknappen och bekräfta att ljudsignaler hörs. Presentera dessa piper med två olika frekvenser till motivet och förklara uppgiften, vilken är att räkna vart och ett av de högfrekventa piperna.
- Sätt hörlurarna i användarens öron och klicka på startknappen.
- Efter utvärderingen avslutas, kontrollera resultatsidan och noggrannhetsdiagrammet ( figurerna 1 och 2 ). Om precisionsnivån är under 40%, upprepa körningen.
OBS! Om ämnets noggrannhet är under 40% är det inte troligt att tillförlitlig kommunikation är åtminstone med det paradigmet och inspelningssessionen. Ändå bedömningar med andraTillvägagångssätt och / eller vid olika tidpunkter kan ge olika resultat.
3. Vibrotaktil P300-bedömning med 2 stimulatorer
- Klicka på knappen "Vibrotactile 2 Tactor " på vänster sida av skärmen. Klicka sedan på knappen "Bedömning" längst ner till höger för att starta utvärderingen. Upprepa steg 2.2.
- Öppna inställningsmenyn via inställningsknappen för att bekräfta att vibrationerna hos taktorerna kan kännas. Instruera ämnet att han / hon kommer att känna vibrationer på vänster och höger handled. Uppgiften är att räkna antalet vibrationstimuli på vänster handled. Klicka på startknappen efter anvisningarna.
- När utvärderingen har slutförts, kontrollera resultatsidan och noggrannhetsdiagrammet. Om precisionsnivån är under 40%, upprepa körningen.
OBS! Om ämnets noggrannhet är under 40% är det inte troligt att tillförlitlig kommunikation är åtminstone med det paradigmet och inspelningssessionen. Likväl, assesSatser med andra tillvägagångssätt och / eller vid olika tidpunkter kan ge olika resultat.
4. Vibrotaktil P300-bedömning med 3 stimulatorer
- Klicka på knappen "Vibrotactile 3 Tactor" på vänster sida av skärmen och klicka sedan på "Assessment" knappen längst ner till höger för att starta utvärderingen.
- Upprepa steg 2.2. Öppna inställningsmenyn via inställningsknappen för att bekräfta att vibrationerna hos taktorerna kan kännas.
- Instruera ämnet att han / hon kommer att känna vibrationer i vänster och höger handled och på högra vristen och kommer att höra kommandot "VÄNSTER" eller "RÄTT" via hörlurarna. Fråga motivet att räkna stimuli på vald hand tills nästa kommando visas eller körningen är över.
OBS: "VÄNSTER" betyder att ämnet ska räkna vibrationsstimulerna på vänster sida, medan "RIGHT" instruerar motivet att räkna stimuli på höger handled. Anslut hörlurarna till motivets öron och klicka på startknappen. - Efter att ha slutfört utvärderingsperioden, kontrollera resultatsidan och noggrannhetsdiagrammet. Om precisionsnivån är under 40%, upprepa körningen.
OBS! Om ämnets noggrannhet är under 40% är det inte troligt att tillförlitlig kommunikation är åtminstone med det paradigmet och inspelningssessionen. Likväl kan bedömningar med andra tillvägagångssätt och / eller vid olika tillfällen ge olika resultat.
5. Vibrotactil P300 kommunikation med 3 stimulatorer
- Klicka på knappen "Vibrotactile 3 Tactor" på vänster sida av skärmen. Klicka på "Kommunikation" -knappen längst ner för att starta kommunikationsrutan.
- Upprepa steg 2.2. Öppna inställningsmenyn via inställningsknappen och bekräfta att vibrationerna hos taktorerna kan kännas. På inställningsmenyn, välj klassificeringsenheten med högsta noggrannhetsnivå. Detta är vanligtvis klassificeraren medHögsta noggrannhetsnivå som bestäms av systemet.
- Instruera ämnet att han / hon kommer att känna vibrationer på vänster och höger handled och på högra fotleden. Instruera ämnet att han / hon kommer att höra en fråga och ska svara antingen "JA" eller "NEJ". För att svara "JA", fråga ämnet att räkna stimuli på vänster sida; Att svara "NEJ", fråga ämnet att räkna stimuli på höger sida.
- Fråga patienten en fråga som kan besvaras med antingen "JA" eller "NEJ". Därefter klickar du på knappen "Starta ny fråga" .
OBS! När sekvensen är klar presenterar mjukvaran svaret. Det kan vara "JA", "NEJ" eller inget svar (om programvaran inte kunde korrekt identifiera hjärnmönstret).
6. MI-bedömning
- Klicka på knappen "Motor Imagery" på skärmens vänstra sida. Klicka på knappen "Assessment" påNederst till höger för att starta utvärderingen.
- Upprepa steg 2.2. Öppna inställningsmenyn via inställningsknappen och bekräfta att ljudkommandon kan höras via hörlurarna.
- Instruera ämnet att han / hon kommer höra ett pip, följt av ett kommando som säger antingen "VÄNSTER" eller "RIGHT". Instruera ämnet att försöka klämma en boll med vänstra handen efter kommandot "VÄNSTER" och klämma en boll med höger hand efter kommandot "RIGHT." Fråga ämnet att sluta föreställa sig klämningen så snart ämnet hörs kommandot "RELAX."
OBS! Totalt kommer 60 kommandon i slumpmässig ordning att spelas. - Håll köra senast i 8 min. Klicka pausknappen efter ca 4 min, vänta i ca 1 min och fortsätt körningen.
OBS! Pausen är utformad för att hjälpa motivet att behålla koncentrationen under hela körningen. - Efter bedömningen, kontrollera resultatsidan och noggrannhetsdiagrammet (figurerna 3 och 4).
INTEE: Om noggrannhetsnivån är under signifikansnivån, upprepa körningen. Om noggrannheten ligger under denna signifikansnivå, är det inte troligt att tillförlitlig kommunikation är åtminstone med det paradigmet och inspelningssessionen. Likväl kan bedömningar med andra tillvägagångssätt och / eller vid olika tillfällen ge olika resultat.
7. MI Kommunikation
- Klicka på knappen "Motor Imagery" på skärmens vänstra sida. Klicka på "Kommunikation" -knappen längst ned till vänster för att starta kommunikationsfältet. Upprepa steg 2.2.
- Öppna inställningsmenyn med inställningsknappen och välj klassificeringsenheten med högsta klassificeringsnoggrannhet.
- Instruera ämnet att jag säger att efter bippet kan han / hon svara på den fråga som ställdes tidigare. För att säga "JA", be patienten att tänka sig klämma en boll med vänstra handen. För att säga "NEJ", skulle patienten tänka sig klämma en boll med höger hoch.
- Fråga patienten en fråga som kan besvaras med antingen "JA" eller "NEJ". Därefter klickar du på knappen "Starta ny fråga" .
OBS! När sekvensen är klar presenterar mjukvaran svaret ( Figur 5 ). Det kan vara antingen "JA" eller "NEJ".
Representative Results
Figurerna 1 och 2 visar resultat från två P300-bedömningsledningar (paradigmerna i, ii och iii). I figur 1 nådde noggrannheten 100%; Således indikerar ämnets hjärna tydligt en lyckad uppgift. I figur 2 fluktuerar noggrannheten runt chansnivån på 12,5%. Inget tillförlitligt hjärnansvar på uppgiften kunde detekteras. När noggrannheten är dålig rekommenderar vi att du kontrollerar EEG-signalkvaliteten tvärs över alla elektroder och kontakter. Ett resultat med en noggrannhet på 12,5% skulle också ses om man inte förvärvar EEG utan bara vitt brus. Om nivånivån ökar med antalet försök men inte blir högre än 40%, hittades endast ett svagt hjärnans svar. I det här fallet rekommenderar vi att du undersöker artefakter i signalen med hjälp av det råa datafältet. Vi rekommenderar också att du upprepar proceduren på en annan dag, vid en annan tidpunkt. Patienten kunde varaMer responsiva vid en annan tid och generera bättre resultat.
Figurerna 3 och 4 visar representativa resultat av paradigmet iv. Signifikansnivån är markerad med den magenta färgade linjen. Den röda vertikala linjen markerar tiden för kommandotrycket. Innan kommandot visas (röd vertikal linje) är noggrannheten ungefär 50% för båda delarna. Vid denna tidpunkt vet patienten inte om kommandot kommer att vara "VÄNSTER" eller "RÄTT" och kan således inte utföra den rätta motoriska fantasi. I figur 3 ökar noggrannheten efter kommandopresentationen till mer än 90%. Det innebär att personen var medveten om att han kunde följa de slumpmässiga kommandona. I figur 4 fluktuerar klassificeringsnoggrannheten cirka 50%. Detta innebär att systemet inte kunde detektera MI efter de presenterade kommandona. MI paradigmer kan vara utmanande i BCI rEsearch, eftersom inte alla användare kan styra en MI BCI utan träning, och en minoritet kan inte nå kontroll även vid träning 11 . I detta fall kan dålig noggrannhet helt enkelt medföra att patienten inte kan kontrollera BCI via MI, åtminstone utan träning. Vidare rekommenderar vi att du kontrollerar signalkvaliteten efter ett dåligt resultat, som beskrivits ovan.
Figur 5 visar resultatet av en kommunikationslöpning som kan göras med paradigmerna iii och iv. Linsen markerar det detekterade svaret, vilket är "JA" i det här exemplet. Om svaret var nej skulle linsen flytta till "NEJ". Om systemet inte kunde detektera ett svar, skulle linsen vara mitt i de två möjliga svaren. Om linsen stannar mitt i svaren kunde en dålig klassificerare ha valts. Vi rekommenderar att du försöker en annan klassificering i installationsfönstret.
Figur 1. Noggrannhetsplan för paradigmer i, ii och iii.
En bra prestanda resulterar i en noggrannhet och når 100%. Vänligen klicka här för att se en större version av denna figur.
Figur 2. En annan noggrannhetsplan för paradigmer i, ii och iii.
Den här gången, ingen bh Som svar kan detekteras av systemet. Därför varierar noggrannheten runt chansnivåen på 12,5%. Vänligen klicka här för att se en större version av denna figur.
Figur 3. Noggrannhet Plot för Paradigm iv (MI).
Noggrannheten når över 90% i detta exempel. Vänligen klicka här för att se en större version av denna figur.
Figur 4. Noggrannhet Plot för Paradigm iv (MI).
Inget hjärnrespons kunde detekteras av systemet. Därför varierar noggrannheten runt chansnivåen på 50%.Ttp: //ecsource.jove.com/files/ftp_upload/53639/53639fig4large.jpg "target =" _ blank "> Vänligen klicka här för att se en större version av denna figur.
Figur 5. Resultat av en kommunikationsuppgift.
Linsen markerar det detekterade svaret, "YES". Vänligen klicka här för att se en större version av denna figur.
Discussion
Tidigare forskning från många grupper har visat att vissa DOC-patienter kan uppvisa medveten medvetenhet genom fMRI- eller EEG-baserade bedömningar, även om bedömningar utifrån beteende föreslår något annat. Således finns det ett tydligt behov av nya system och paradigmer som mer korrekt kan bedöma medveten medvetenhet och till och med ge kommunikation. Idealt sett bör dessa system vara billigt, bärbart, robust för buller i verkliga inställningar och lätt att använda (för både patienten och systemoperatören).
De protokoll och system som presenteras här tjänar två syften: Att bidra till att utvärdera medvetenhetsnivå hos personer med DOC och att skapa en ny kommunikationskanal för personer som inte kan kommunicera via tal, ögonaktivitet eller andra uppgifter som kräver muskelkontroll. Paradigmerna inom protokollet är utformade för att testa grundläggande svar i de första stegen. Om de förväntade grundläggande hjärnreaktionerna detekteras är det möjligt att gå vidare och tRy de mer komplexa paradigmerna, som är den vibrotactile P300 med tre taktorer och MI. Dessa två paradigmer kan också användas för att upprätta en kommunikationskanal. EEG-signalkvalitet är kritisk i alla dessa protokoll. Ibland kan EEG-data inte särskiljas från ljud; Någon erfarenhet av EEG-analys behövs för att känna igen och hantera bullriga data.
Nuvarande standardbedömningsmetoder, förutom att de är opålitliga, är också tidskrävande och kräver ett team av experter. Därför utvärderas patienter ofta en gång, även om patientens medvetna medvetenhet kan fluktuera dramatiskt vid olika tidpunkter. Protokollet som presenteras här kan enkelt upprepas flera gånger. Patienter som inte uppvisar medveten medvetenhet kan producera olika resultat vid en annan tidpunkt. Dessutom kan en enda utvärdering genomföras innan varje kommunikationsförsök bekräftar att ämnet är närvarande i ett medvetet tillstånd.
anothDet finns anledning till att genomföra olika paradigmer i protokollet eftersom vissa människor kan fungera dåligt med ett paradigm, men fungerar mycket bra med en annan. På samma sätt kan folk föredra ett paradigm eftersom det verkar lättare för dem. Efter att ha utforskat olika alternativ med olika paradigmer kunde patienter välja den inställning de föredrar. Detta överensstämmer med "hybrid" BCI-tillvägagångssättet, vilket stöder att tillhandahålla flera kommunikationsalternativ för att förbättra kommunikationseffektivitet och användarnöjdhet.
Noggrannhetskalkylerna, i kombination med procentsatsnivån av korrekta klassificeringar, ger ett objektivt resultat som speglar hur bra mönsterkänningsalgoritmen kan diskriminera de olika hjärnstaterna under uppgiften. Därför är ingen subjektiv tolkning av hjärnmönster eller genomsnittliga svar nödvändiga.
Den vibrotactile kommunikationen med tre taktorer testades på en grupp av sex kroniska inlåsta patienTs 15 De nådde en genomsnittlig noggrannhet under kommunikationen på 55,3%, och alla var över chansnivån på 12,5%. MI-kommunikationsuppgiften testades på en grupp av tjugo friska användare 13 , vilket visade en genomsnittlig noggrannhet på ca 80%. Endast en av de tjugo personerna hade kontrollnoggrannhet under chansnivå.
Det är viktigt att nämna att en körning eller till och med en komplett session med dålig noggrannhet inte bevisligt visar att det inte finns något hjärnrespons eller inget medvetande inom ämnet. Det betyder bara att systemet inte kunde upptäcka frivilliga hjärnresponser. Detta kan uppstå på grund av dålig signalkvalitet, svårighet att höra eller förstå uppgiftsinstruktioner, eller helt enkelt för att en minoritet av ämnen inte kan producera den önskade EEG-aktiviteten trots att uppgiften utförs.
I överensstämmelse med tidigare arbete från vår grupp och andra visar det presenterade arbetet att det är lämpligt att bedömaMedvetenhetsnivån hos patienter som lider av DOC med hjärnbilder. FMRI är också en användbar teknik för att spåra patientens nuvarande hjärnaktivitet. Det visades att oddballparadigmer som framkallar framkallade potentialer, såväl som motorbilder och andra uppgifter, kan ge hemodynamiska svar som kan spåras av fMRI 17 , 18 . Jämfört med fMRI har EEG betydande fördelar: EEG-baserade verktyg kan appliceras vid sängen, utan utrustning som är dyr och icke-bärbar och kräver stor kompetens. Att transportera patienten till skannern och ljudet från skannern kan båda vara stressiga för patienten. Nära infraröd spektroskopi (NIRS) är bärbar och kan ha lite bättre rumsupplösning än EEG, men det har sämre tidsmässig upplösning 19 . NIRS är lämplig att övervaka MI 20 , 21 , men inte för framkallad potentials. Exempelvis visade Naseer och Hong 22 högklassningsnoggrannhet för MI-BCI med användning av fNIRS. Med försök som varade 50 s uppnådde de 77,35% för vänster MI och 83% för höger MI. Med EEG-baserade BCIs, Guger et al. 23 fann att cirka 20% av 99 sessioner nådde en noggrannhet över 80% och ytterligare 70% av de 99 sessionerna nådde en noggrannhet över 60%. Ortner et al. Visade en genomsnittlig toppnoggrannhet på ca 80% med användning av CSP-metoden. Denna metod behöver mer EEG elektroder än de som används från Guger och kollegor, men det resulterar i högre noggrannhet. Med hjälp av CSP-metoden, Ramoser et al. 23 visade att en ökning av elektroder från 18-56 inte signifikant förbättrar prestandan; Vi drar därför slutsatsen att det valda antalet 16 elektroder i vår metod är tillräckligt. Nyligen har Coyle et al . Används CSP för att klassificera och träna MI i DOC patieNts 16 . Alla fyra ämnena visade signifikant och lämplig hjärnaktivering under bedömningen.
Bedömning av MI genom en hybrid NIRS-EEG BCI kan resultera i hög klassifikationsnoggrannhet, som Khan et al. 20 visade. Detta kan vara en lovande framtida riktning, även om ett ytterligare neuroimagingverktyg ökar komplexiteten och kostnaderna för enheten.
Protokollet som presenteras här ger ett relativt enkelt verktyg för att bedöma hjärnansvar inom EEG-signalen hos DOC-patienter. Att tolka dessa klassificeringsresultat och genomföra ändringar i medicinering, terapi eller andra medicinska behandlingar kräver fortfarande medicinska experter. Framtida riktningar av denna metod kan vara mer avancerade stimuleringstekniker med ett högre antal grader av frihet. Till exempel, istället för att erbjuda verktyg för att bara säga "JA" eller "NEJ" kan framtida enheter tillåta mer möjlig answeRs till en fråga. I ett ytterligare steg kan man också använda kontextbaserade svar. Om patienten exempelvis har en musikspelare som körs kan man erbjuda möjligheten att styra ljudnivån eller växla till nästa låt. Dessutom måste MI-paradigmet testas i DOC-patienter.
Materials
| Name | Company | Catalog Number | Comments |
| g.USBamp | g.tec medical engineering GmbH | 1 | Biosignal amplifier |
| Power supply | GlobTek Inc. | 1 | Medical mains power supply for the g.USBamp |
| USB cable | g.tec medical engineering GmbH | 1 | Connects the g.USBamp to the computer |
| EEG electrodes gSCARABEO | g.tec medical engineering GmbH | 16 | Active EEG electrodes |
| EEG electrode gSCARABEOgnd | g.tec medical engineering GmbH | 1 | passive ground electrode |
| EEG electrode g.GAMMAearclip | g.tec medical engineering GmbH | 1 | active reference electrode |
| g.GAMMAbox | g.tec medical engineering GmbH | 1 | Connects the amplifier to the EEG electrodes |
| g.USBampGAMMAconnector | g.tec medical engineering GmbH | 1 | Connects the g.GAMMAbox to the g.USBamp |
| EEG cap | g.tec medical engineering GmbH | 1 | To position electrodes |
| Computer | Hewlett-Packard | 1 | To run the software. Alternatively computers from other manufacturers could be used. |
| g.VIBROstim | g.tec medical engineering GmbH | 3 | Tactors for sensory stimulation |
| Audio trigger adapter box | g.tec medical engineering GmbH | 1 | To split up the audio signal into audio commands for the headphones and trigger signals. This box connects to the amplifier. |
| Anti static wrist band | g.tec medical engineering GmbH | 1 | To suppress noise in the EEG |
| Trigger cable | g.tec medical engineering GmbH | 1 | To connect the audio trigger adapter box and the g.STIMbox to the g.USBamp |
| Audio connector cable | g.tec medical engineering GmbH | 1 | Audio cable to connect the audio trigger adapter box to the computer |
| Hardlock | g.tec medical engineering GmbH | 1 | To run the software |
| SE215-K | Shure Europe GmbH | 1 | Noise suppressing earphones. Alternatively other earphones could be used. |
| g.STIMbox | g.tec medical engineering GmbH | 1 | Driver box for tactile stimulators |
| mindBEAGLE software | g.tec medical engineering GmbH | 1 | software package |
| g.GAMMAgel | g.tec medical engineering GmbH | 1 | conductive electrode gel |
References
- Schnakers, C., Vanhaudenhuyse, A., et al. Diagnostic accuracy of the vegetative and minimally conscious state: Clinical consensus versus standardized neurobehavioral assessment. BMC Neurol. 9, (2009).
- Childs, N. L., Mercer, W. N., Childs, H. W. Accuracy of diagnosis of persistent vegetative state. Neurol. 43 (8), 1465-1465 (1993).
- Andrews, K., Murphy, L., Munday, R., Littlewood, C. Misdiagnosis of the vegetative state: retrospective study in a rehabilitation unit. Bmj. 313 (7048), 13-16 (1996).
- Monti, M. M., Vanhaudenhuyse, A., et al. Willful modulation of brain activity in disorders of consciousness. New England Journal of Medicine. 362 (7), 579-589 (2010).
- Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. Brain-computer interfaces for communication and control. Clinical Neurophysiology. 113, 767-791 (2002).
- Ortner, R., Aloise, F., et al. Accuracy of a P300 Speller for People with Motor Impairments: a Comparison. Clinical EEG and Neuroscience. 42 (4), 214-218 (2011).
- Turnip, A., Hong, K. -S. Classifying mental activities from EEG-P300 signals using adaptive neural network. Int. J. Innov. Comp. Inf. Control. 8 (9), 6429-6443 (2012).
- Lugger, K., Flotzinger, D., Schlögl, A., Pregenzer, M., Pfurtscheller, G. Feature extraction for on-line EEG classification using principal components and linear discriminants. Med. Biol. Eng. Comput. 36 (3), 309-314 (1998).
- Johnson, N. L., Kemp, A. W., Kotz, S. Univariate discrete distributions. 444, John Wiley & Sons. (2005).
- Guger, C., Ramoser, H., Pfurtscheller, G. Real-Time EEG Analysis with Subject-Specific Spatial Patterns for a Brain-Computer Interface (BCI). IEEE Trans. Rehab. Eng. 8, 447-456 (2000).
- Vidaurre, C., Blankertz, B. Towards a Cure for BCI Illiteracy. Brain Topography. 23 (2), 194-198 (2010).
- Blankertz, B., Tomioka, R., Lemm, S., Kawanabe, M., Müller, K. -R. Optimizing Spatial Filters for Robust EEG Single-Trial Analysis. IEEE Signal Process. Mag. 25 (1), 41-56 (2008).
- Ortner, R., Scharinger, J., Lechner, A., Guger, C. How many people can control a motor imagery based BCI using common spatial patterns. Proceedings of the 7th Annual International IEEE EMBS Conference on Neural Engineering. , (2015).
- Chatrian, G. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activity. Am J Electroencephalogr Technol. 25, 83-92 (1985).
- Lugo, Z. R., Rodriguez, J., et al. A vibrotactile p300-based brain-computer interface for consciousness detection and communication. Clin. EEG Neurosci. 45 (1), 14-21 (2014).
- Coyle, D., Stow, J., McCreadie, K., McElligott, J., Carroll, Á Sensorimotor Modulation Assessment and Brain-Computer Interface Training in Disorders of Consciousness. Archives of Physical Medicine and Rehabilitation. 96 (3), 62-70 (2015).
- Kiehl, K. A., Laurens, K. R., Duty, T. L., Forster, B. B., Liddle, P. F. Neural sources involved in auditory target detection and novelty processing: an event-related fMRI study. Psychophysiology. 38 (1), 133-142 (2001).
- Opitz, B., Mecklinger, A., Cramon, D., Kruggel, F. Combining electrophysiological and hemodynamic measures of the auditory oddball. Psychophysiology. 36 (1), 142-147 (1999).
- Min, B. -K., Marzelli, M. J., Yoo, S. -S.
- Khan, M. J., Hong, M. J., Hong, K. -S. Decoding of four movement directions using hybrid NIRS-EEG brain-computer interface. Frontiers in Human Neuroscience. 8, (2014).
- Naseer, N., Hong, K. -S. fNIRS-based brain-computer interfaces: a review. Frontiers in Human Neuroscience. 9, (2015).
- Naseer, N., Hong, K. -S. Classification of functional near-infrared spectroscopy signals corresponding to the right- and left-wrist motor imagery for development of a brain-computer interface. Neuroscience Letters. 553, 84-89 (2013).
- Guger, C., Edlinger, G., Harkam, W., Niedermayer, I., Pfurtscheller, G. How many people are able to operate an EEG-based brain-computer interface (BCI)? Neural Systems and Rehabilitation Engineering, IEEE Transactions on. 11 (2), 145-147 (2003).
- Ramoser, H., Mueller-Gerking, J., Pfurtscheller, G. Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Transactions on Rehabilitation Engineering. 8 (4), 441-446 (2000).
