Artigo de método

Robô pneumático macio modula métricas da teoria dos grafos da rede cerebral para reabilitação das mãos após acidente vascular cerebral

DOI:

10.3791/68588

⸱

10 de outubro de 2025

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

Neste artigo

Resumo

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

Este estudo explora os efeitos de um robô pneumático macio configurável no aprimoramento da topologia da rede de todo o cérebro pós-AVC. A análise da teoria dos grafos indica melhorias significativas no coeficiente de agrupamento, comprimento do caminho e eficiência global. Os resultados destacam o potencial dos protocolos robóticos programáveis para modular a neuroplasticidade e otimizar a recuperação funcional na reabilitação do AVC.

Resumo

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

A restauração funcional do córtex cerebral depende da neuroplasticidade dependente da atividade após o AVC. No entanto, otimizar a reabilitação robótica para recuperação das mãos continua sendo um desafio significativo. Este estudo de prova de conceito investiga a viabilidade de um robô pneumático macio configurável na modulação da rede cerebral entre dez participantes com deficiências motoras da mão após o AVC. A intervenção robótica programável foi administrada em uma sequência aleatória para avaliação do estado de repouso, terapia robótica de modo lento e modo rápido, ajustando o modo de trabalho, o tempo de ação e a duração da interação. A espectroscopia funcional de infravermelho próximo (fNIRS) foi empregada para medir a atividade cortical e a conectividade funcional. Além disso, as métricas da teoria dos grafos, incluindo coeficiente de agrupamento, comprimento médio do caminho, índice de mundo pequeno, eficiência global, centralidade de grau e centralidade de autovetor, foram derivadas de matrizes de conectividade funcional baseadas em fNIRS. Os resultados demonstraram que a intervenção robótica melhorou significativamente o coeficiente de agrupamento (P = 0,034), o comprimento médio do caminho (P = 0,007) e a eficiência global (P = 0,001). Embora o índice de mundo pequeno, a centralidade de grau e a centralidade do autovetor tenham mostrado uma tendência crescente, essas diferenças não alcançaram significância estatística. Além disso, a terapia de modo rápido induziu mudanças mais substanciais no coeficiente de agrupamento em comparação com a terapia de modo lento, sugerindo um efeito potencialmente mais forte na reorganização neural. Essas descobertas apóiam preliminarmente o uso de robótica leve com paradigmas ajustáveis para melhorar a conectividade da rede cerebral e facilitar a neuroplasticidade após o AVC. As melhorias observadas na eficiência global e nas propriedades do mundo pequeno indicam que a terapia robótica otimiza a organização cortical, promovendo a recuperação funcional. Mais estudos com amostras maiores e protocolos de intervenção personalizados são necessários para confirmar esses resultados e explorar seus efeitos a longo prazo.

Introdução

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

O AVC continua sendo uma das principais causas de mortalidade e incapacidade a longo prazo para adultos em todo o mundo1. Dentre suas sequelas debilitantes, as deficiências motoras da mão comprometem significativamente as atividades diárias essenciais e a independência funcional, diminuindo a participação social e a qualidade de vida em sobreviventes de AVC 2,3. Embora a medicina física e a reabilitação sejam críticas para a recuperação motora, as abordagens terapêuticas convencionais geralmente produzem resultados inconsistentes devido à complexidade e variabilidade interindividual da reorganização neural pós-AVC4.

Nos últimos anos, a terapia assistida por robótica (RAT) ganhou atenção significativa por sua capacidade de fornecer treinamento de alta intensidade, repetitivo e específico para facilitar a recuperação motora5. Para adaptar essas intervenções de forma mais eficaz, uma melhor compreensão dos biomarcadores neurais é crucial para a modulação direta por intervenções robóticas. Isso pode ajudar a otimizar as estratégias terapêuticas e promover a destreza das mãos. Em um estudo anterior, o mapeamento de sintomas de lesão baseado em voxels indicou que os comprometimentos proximais do membro superior pós-AVC podem estar associados a déficits nos tratos descendentes das áreas corticomotoras e estriado. Diferente disso, as deficiências nas mãos resultam de lesões isoladas no córtex cerebral6. No entanto, os resultados clínicos para a função da mão permanecem variáveis, e os mecanismos neurais subjacentes à recuperação motora ainda não estão totalmente elucidados 7,8,9. Além disso, a maioria dos treinamentos robóticos comerciais segue protocolos predefinidos com adaptabilidade limitada. Ele não atende às necessidades específicas do paciente e potencialmente restringe sua eficácia clínica10.

Nas últimas décadas, estudos de neuroimagem destacaram o papel fundamental da reorganização da rede cerebral na recuperação do AVC, caracterizada por alterações na atividade funcional e conectividade. A espectroscopia funcional de infravermelho próximo (fNIRS), uma técnica não invasiva para monitorar a hemodinâmica cortical, surgiu como uma ferramenta valiosa para avaliar a dinâmica neural e orientar os cenários de reabilitação11. Sua portabilidade e robustez contra artefatos de movimento o tornam particularmente adequado para monitoramento em tempo real e transferência de informações durante a terapia robótica12. Embora estudos anteriores tenham documentado mudanças na interconectividade cortical após o treinamento motor, os efeitos do RAT na topologia da rede cerebral total permanecem insuficientemente explorados13.

A caracterização de mudanças na topologia da rede cerebral oferece uma janela valiosa para os processos neuroplásticos subjacentes à recuperação funcional após lesões cerebrais isquêmicas ou hemorrágicas. O cérebro humano opera como uma rede complexa, onde a função ou reparo neurológico depende tanto da integridade regional quanto das interações dinâmicas entre várias áreas14. Nessas circunstâncias, a teoria dos grafos fornece uma estrutura robusta para quantificar a arquitetura de redes cerebrais em larga escala, oferecendo insights sobre a organização cortical em níveis nodais15. Ao calcular as principais métricas de rede, como coeficiente de agrupamento, comprimento médio do caminho e eficiência global, os pesquisadores podem avaliar como o RAT influencia o processamento de informações neurais e a capacidade de transferência. Como mostrado na literatura anterior, as interrupções induzidas por AVC na integridade da rede geralmente se manifestam como alterações nas propriedades do mundo pequeno e na organização topológica geral16,17. A reabilitação, particularmente o treinamento específico e repetitivo da tarefa, tem sido associada à reorganização cortical. No entanto, o impacto preciso de várias intervenções robóticas nessas dinâmicas de rede permanece inadequadamente compreendido18.

Este estudo tem como objetivo investigar a viabilidade de um robô pneumático macio programável na modulação da dinâmica da rede cerebral em pessoas que tiveram um acidente vascular cerebral. Comparado com o exercício de flexão/extensão da mão nos paradigmas robóticos existentes, o robô pneumático atual tem vantagens na personalização do modo de trabalho, tempo de ação e duração da interação para os movimentos desejados, como agarrar, soltar e beliscar19,20. Esses diversos modos de interação humano-robô podem fornecer estimulação mais direcionada às áreas corticais sensório-motoras. Tal paradigma pode potencialmente promover a neuroplasticidade em regiões associadas à recuperação da função da mão13. Além disso, a análise da teoria dos grafos baseada em fNIRS em diversas condições terapêuticas foi utilizada para avaliar como as estratégias robóticas individualizadas podem otimizar a recuperação motora da mão. Além disso, os mecanismos neurais subjacentes à reabilitação robótica leve podem ser elucidados preliminarmente. Compreender essas adaptações em nível de rede pode informar o desenvolvimento de protocolos de reabilitação direcionados e orientados para a neurofisiologia, melhorando a recuperação das mãos em sobreviventes de AVC.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

Este estudo foi aprovado pelo Comitê de Ética do Hospital Tongji, Wuhan, China. Todos os protocolos de pesquisa aderiram aos princípios descritos na Declaração de Helsinque. O consentimento informado por escrito foi obtido de todos os participantes antes de sua inclusão no estudo. O equipamento e o software utilizados estão listados na Tabela de Materiais.

1. Participantes

  1. Considere os seguintes critérios de inclusão:
    1. Idade entre 18 e 75 anos.
    2. Primeiro AVC isquêmico ou hemorrágico confirmado por TC ou RNM.
    3. Condição clinicamente estável.
    4. Assine o consentimento informado pessoalmente ou de seu(s) representante(s) autorizado(s).
  2. Considere os seguintes critérios de exclusão:
    1. Afasia grave, deficiências cognitivas, distúrbios de consciência ou incapacidade de cooperar com o protocolo de intervenção ou avaliação.
    2. Incapacidade de permanecer sentado por pelo menos 20 min.
    3. Anormalidades graves do tônus muscular (pontuação da Escala de Ashworth Modificada ≥2).

2. Sistema robótico pneumático macio

  1. Conexão e inicialização do equipamento
    1. Conecte o cabo de alimentação do sistema robótico a uma tomada elétrica.
    2. Ligue o computador pressionando o botão localizado na torre do computador.
    3. Conecte os dois cabos de alimentação da bomba de ar à tomada e à luva pneumática macia.
    4. Pressione o botão liga/desliga verde na parte traseira do sistema robótico para ativar o dispositivo.
  2. Usando o robô pneumático macio
    1. Ajude o participante a usar o robô pneumático macio na mão afetada, garantindo um ajuste seguro ao redor da palma da mão e dos dedos.
    2. Prenda o robô usando a tira de Velcro, certificando-se de que esteja firmemente posicionado do lado dorsal do polegar até a eminência tenar no lado palmar para uma estabilidade ideal.
  3. Controle robótico e seleção de modo
    1. Pressione o botão verde Conectar abaixo do dispositivo de imagem.
    2. Na interface do computador, selecione o Modo de Inalação Robótica.
    3. Configure a porta de comunicação (Com 7) para garantir a conectividade adequada do dispositivo.
    4. Selecione o modo de inflação-deflação apropriado e confirme as configurações dos parâmetros sem causar desconforto aos pacientes. Modo lento: tempo de ação de 2000 ms (0,5 Hz) com 75% de duração de interação. Modo Rápido: tempo de ação de 200 ms (5Hz) com 75% de duração de interação21 (Figura 1).

figure-protocol-1
Figura 1: Equipamento experimental e configuração. (A) Configuração experimental. (B) Configuração robótica suave. (C) Robô pneumático macio. (D) configuração e calibração do fNIRS. Clique aqui para ver uma versão maior desta figura.

3. Sistema de Espectroscopia Funcional de Infravermelho Próximo (fNIRS)

  1. Conexão e inicialização do equipamento
    1. Use o sistema fNIRS de onda contínua para registrar dados de todos os participantes. O sistema emite luz infravermelha próxima em comprimentos de onda de 690 nm e 830 nm, penetrando 2-3 cm abaixo do córtex cerebral, com uma frequência de amostragem de 100 Hz.
    2. Ligue o filtro de linha para fornecer energia a todos os dispositivos conectados.
    3. Pressione o botão liga/desliga no dispositivo fNIRS e aguarde a luz indicadora acender.
    4. Garanta uma conexão estável entre o computador e o sistema fNIRS para transmissão ininterrupta de dados.
  2. Inicialização do software e entrada de informações do paciente
    1. Inicie o sistema fNIRS e verifique a estabilidade da conexão Wi-Fi.
    2. Navegue até a interface de gerenciamento de pacientes para criar um novo perfil: clique em Adicionar paciente, insira as informações do participante e atribua um número de identificação.
  3. Usando a tampa de aquisição de sinal fNIRS
    1. Selecione uma tampa fNIRS de tamanho apropriado. Posicione a etiqueta do número do sensor ligeiramente acima do centro da testa, garantindo a aderência adequada do couro cabeludo. Alinhe os optódios FPZ e CZ do sistema 10-20 EEG. Prenda os detectores e fontes de luz usando uma faixa de cabeça flexível para garantir o contato ideal com a pele.
    2. Durante a coleta de dados, instrua o participante a permanecer em um estado quieto e relaxado, com a cabeça imóvel e os olhos abertos.
    3. Antes do processo formal de coleta de dados, instrua o participante a descansar tranquilamente por 2 min sem adormecer.
  4. Aquisição de dados
    1. Selecione o protocolo experimental na interface do software no computador do sistema fNIRS.
    2. Execute a calibração do sinal na interface do software para minimizar o vazamento de luz, visando uma intensidade de sinal de ≥75% com ruído mínimo.
    3. Se a calibração falhar, ajuste o posicionamento do sensor e tente novamente. Os sensores optodos consistem em diodos emissores de luz e fotodetectores. Esses optódios são projetados para emitir e detectar luz infravermelha próxima em comprimentos de onda específicos.
    4. Realize o registro de data do córtex cerebral a partir da interface do software, instruindo o participante a permanecer relaxado e evitar movimentos da cabeça.
    5. Certifique-se de iniciar a tarefa experimental seguindo a sequência aleatória, coletando dados continuamente. O sistema fNIRS monitora e registra continuamente dados sobre oxigenação cerebral e hemodinâmica.
    6. Ao concluir a tarefa, interrompa a aquisição de dados e salve os dados experimentais com segurança.

figure-protocol-2
Figura 2: Configuração experimental do sistema fNIRS e avaliação neural. (A) Configuração optode do sistema fNIRS e do protocolo de aquisição de dados. (B) Visualização da ativação cerebral das perspectivas anterior, posterior, lateral esquerda, lateral direita e superior. (C) Análise da conectividade funcional de todo o cérebro. Clique aqui para ver uma versão maior desta figura.

4. Análise dos dados

  1. Pré-processamento dos dados brutos do fNIRS
    1. Aplique filtragem passa-banda para remover ruídos e artefatos dos dados brutos. As frequências típicas para dados fNIRS estão entre 0,01 Hz e 0,2 Hz para capturar mudanças lentas na atividade cerebral.
    2. Execute a correção de artefatos de movimento por decomposição wavelet e análise de componentes independentes (ICA). Especificamente, execute a decomposição wavelet no sinal fNIRS bruto usando uma wavelet Daubechies 4 com um nível de decomposição de 3.
      1. Aplique um limite suave aos coeficientes de wavelet para reduzir o ruído e preservar os recursos do sinal. Reconstrua o sinal a partir dos coeficientes do limiar. Aplique ICA ao sinal reconstruído para identificar e remover componentes correspondentes a artefatos de movimento.
    3. Divida o sinal fNIRS contínuo em épocas correspondentes a diferentes condições. Especificamente, identifique os pontos de tempo correspondentes ao início e deslocamento de cada condição experimental. Segmente o sinal contínuo em épocas com base no desenho experimental (Figura 2) e suas sequências aleatórias.
  2. Calcule a resposta hemodinâmica
    1. Converta as medições de intensidade bruta do sistema fNIRS em mudanças de densidade óptica usando a lei de Beer-Lambert.
    2. Use a lei de Beer-Lambert modificada para estimar as alterações nas concentrações de oxihemoglobina (HbO) e desoxihemoglobina (HbR). Isso normalmente envolve a resolução de um sistema de equações com base na geometria do detector de fonte e nos comprimentos de onda usados, 690 nm.
    3. Crie mapas de ativação cerebral 3D visualizando as mudanças na concentração de HbO nas regiões do cérebro. Especificamente, use pontos de referência anatômicos e o sistema internacional 10-20 para projetar os canais fNIRS nas regiões cerebrais correspondentes.
      1. Estime as mudanças na concentração de HbO em toda a superfície cerebral com base nos canais medidos. Projete os mapas de ativação em modelos cerebrais padronizados (modelo MNI) para facilitar a visualização.
    4. Use a conectividade funcional para mapear a coativação neural no cérebro, calculando o coeficiente de correlação de Pearson entre todos os pares de canais. Esse coeficiente quantifica a relação linear entre os pares de canais e serve como base para a construção da rede de conectividade funcional. Use o script R de software livre (com ggplot2) para visualizar a rede resultante.
  3. Análise da teoria dos grafos
    1. Extraia métricas da teoria dos grafos (incluindo coeficiente de agrupamento, comprimento médio do caminho, índice de mundo pequeno, eficiência global, centralidade de grau e centralidade de autovetor) de matrizes de conectividade funcional derivadas de fNIRS16,22.
    2. Calcule o coeficiente de agrupamento:
      figure-protocol-3
      Onde, ei denota o número de arestas entre vizinhos do nó i, N denota o número total de nós na rede (canais fNIRS) e ki denota o grau do nó i. Usando o coeficiente de clustering, meça o grau em que os nós em um cluster de rede se unem.
      NOTA: Especificamente, quantifique a probabilidade de que dois vizinhos de um nó também estejam conectados um ao outro. Certifique-se de que um alto coeficiente de agrupamento reflita vizinhos altamente interconectados, indicando estruturas de rede cerebral localizadas e coesas. A neuroplasticidade pode alterar o coeficiente de agrupamento formando novas conexões ou fortalecendo as existentes para apoiar a atividade neural localizada.
    3. Calcule o comprimento médio do caminho:
      figure-protocol-4
      Onde, d(i,j) representa o comprimento de caminho mais curto entre os nós i e j, e N representa o número total de nós na rede.
      1. Use o comprimento médio do caminho para medir o número médio de etapas necessárias para percorrer todos os pares de nós em uma rede. Comprimentos médios de caminho mais curtos indicam transmissão de informações mais eficiente pela rede cerebral.
        NOTA: A neuroplasticidade pode reduzir o comprimento médio do caminho, criando novas conexões que atuam como atalhos entre regiões cerebrais distantes, aumentando a capacidade do cérebro de integrar informações e melhorando a função geral de controle motor.
    4. Calcular Índice de mundo pequeno:
      figure-protocol-5
      Onde, Creal e Lreal denota o coeficiente de agrupamento e o comprimento médio do caminho da rede real, e Crand e Lrand denotam os de uma rede aleatória com o mesmo número de nós e arestas. Use o índice de mundo pequeno para avaliar o equilíbrio entre clustering local e integração global na rede.
      NOTA: Uma rede de mundo pequeno exibe alto agrupamento e comprimentos de caminho curtos, permitindo uma comunicação eficiente e preservando os agrupamentos locais. A neuroplasticidade pode melhorar as propriedades do mundo pequeno, formando novas conexões que aumentam o agrupamento local, mantendo comprimentos de caminho curtos, suportando assim mudanças neurais adaptativas e destreza manual.
    5. Calcule a eficiência global:
      figure-protocol-6
      Onde, d(i,j) representa o comprimento de caminho mais curto entre os nós i e j, e N representa o número total de nós na rede. Use a eficiência global para avaliar a capacidade da rede de trocar informações globalmente. Valores mais altos indicam transmissão de informações mais rápida em toda a rede cerebral, refletindo um sistema bem conectado.
      NOTA: A neuroplasticidade pode aumentar a eficiência global, otimizando a topologia da rede, levando a uma melhor integração de informações em diferentes regiões do cérebro e suportando funções complexas da mão.
    6. Calcule a centralidade do grau:
      figure-protocol-7
      Onde, ki denota o grau do nó . Use a centralidade de grau para quantificar o número de conexões diretas que um nó tem na rede. Os nós com alto grau de centralidade atuam como hubs de comunicação primários. A neuroplasticidade pode aumentar o grau de centralidade de certos nódulos, formando novas conexões, aumentando assim seu papel na rede e apoiando a capacidade do cérebro de se adaptar e se reorganizar.
    7. Calcule a centralidade do autovetor:
      figure-protocol-8
      Onde, A representa a matriz de adjacência e v representa o autovetor correspondente ao maior autovalor λ. Use a centralidade de autovetor para avaliar a influência de um nó com base em suas conexões com nós bem conectados.
      NOTA: Os nós com alta centralidade de autovetor são centrais para redes hierárquicas. A neuroplasticidade pode aumentar a centralidade do autovetor de certos nós, formando conexões com outros nós altamente conectados, aumentando assim seu papel no apoio à capacidade do cérebro de processar informações com eficiência.
  4. Análises estatísticas
    1. Organize os dados em formato longo no software estatístico, garantindo que as métricas da teoria dos grafos, as condições experimentais e os identificadores dos participantes estejam devidamente estruturados. Antes de realizar a ANOVA, verificar os pressupostos de normalidade e homogeneidade das variâncias utilizando o teste de Shapiro-Wilk23 para normalidade e o teste de Levene para homogeneidade de variância24.
    2. Prossiga com a execução da ANOVA unidirecional para avaliar se há diferenças significativas nas métricas da teoria dos grafos entre as três condições. Se a ANOVA produzir um resultado significativo (P < 0,05), faça comparações post-hoc para identificar diferenças específicas entre as condições.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

Um total de 10 indivíduos com AVC foram incluídos no estudo e foram submetidos a avaliação em estado de repouso, terapia robótica de modo lento e terapia robótica de modo rápido em ordem aleatória. Os resultados demonstraram a viabilidade de individualizar a modulação da neuroplasticidade programando o protocolo robótico e calculando as métricas da teoria dos grafos da rede cerebral. Durante a terapia robótica leve, a avaliação simultânea do fNIRS permitiu a aquisição de dados de ativaçã...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Este estudo investigou os efeitos neuroplásticos de um robô pneumático macio configurável na dinâmica da rede cerebral em indivíduos com acidente vascular cerebral usando a análise da teoria dos grafos baseada em fNIRS. Os resultados sugerem que a terapia robótica leve modula efetivamente a organização topológica de redes cerebrais distribuídas, com os participantes demonstrando alta conformidade. Especificamente, mudanças significativas foram observadas no coeficiente de agrupamento, co...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Agradecimentos

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

Este trabalho foi apoiado pelo Projeto Especial de Ciência e Tecnologia da Província de Hubei (nº 2023BCA002), Programa de Apoio à Pesquisa Interdisciplinar da Universidade de Ciência e Tecnologia de Huazhong (nº 2024JCYJ067), Fundação de Ciências Naturais da Província de Hubei, China (nº 2024AFB043) e Fundo de Pesquisa do Hospital de Tongji (nº 2024B24).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Dispositivo fNIRS de 106 canaisWuhan Znion Technology Co., LTDBS-2000Implementação do programa
Sistema de reabilitação articular fingerNanjing Reseader Medical Technology Co., LTD.RSD RS3Intervenção de reabilitação
Software RFundação RVersão 4.2.1Análise estatística
Software SPSSIBMVersão 22.0Análise estatística

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Modula o de Rede CerebralRecupera o de Acidente Vascular CerebralEspectroscopia Funcional de Infravermelho Pr ximoCoeficiente de AgrupamentoEfici ncia GlobalTerapia Rob ticaPotencializa o da Neuroplasticidade

Artigos relacionados