Методическая статья

Мягкий пневматический робот модулирует метрики сети мозга по теории графов для реабилитации кисти после инсульта

DOI:

10.3791/68588

⸱

10 октября 2025 г.

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

В этой статье

Краткое содержание

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

В этом исследовании изучается влияние конфигурируемого мягкого пневматического робота на улучшение топологии сети всего мозга после инсульта. Анализ теории графов указывает на значительное улучшение коэффициента кластеризации, длины пути и глобальной эффективности. Полученные данные подчеркивают потенциал программируемых роботизированных протоколов для модуляции нейропластичности и оптимизации функционального восстановления при реабилитации после инсульта.

Аннотация

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

Функциональное восстановление коры головного мозга зависит от нейропластичности, зависящей от активности после инсульта. Тем не менее, оптимизация роботизированной реабилитации для восстановления кисти рук остается серьезной проблемой. В этом экспериментальном исследовании изучается возможность использования конфигурируемого мягкого пневматического робота в модуляции сети мозга у десяти участников с нарушениями моторики рук после инсульта. Программируемое роботизированное вмешательство проводилось в рандомизированной последовательности для оценки состояния покоя, медленной и быстрорежимной роботизированной терапии путем регулировки режима работы, времени действия и продолжительности взаимодействия. Функциональная спектроскопия в ближнем инфракрасном диапазоне (fNIRS) была использована для измерения активности коры головного мозга и функциональной связности. Кроме того, метрики теории графов, включая коэффициент кластеризации, среднюю длину пути, индекс малого мира, глобальную эффективность, центральность степени и центральность собственного вектора, были получены из матриц функциональной связности на основе fNIRS. Результаты показали, что роботизированное вмешательство значительно улучшило коэффициент кластеризации (P = 0,034), среднюю длину пути (P = 0,007) и глобальную эффективность (P = 0,001). В то время как индекс малого мира, центральность степени и центральность собственного вектора показали тенденцию к росту, эти различия не достигли статистической значимости. Более того, терапия в быстром режиме вызвала более существенные изменения коэффициента кластеризации по сравнению с терапией в медленном режиме, что свидетельствует о потенциально более сильном влиянии на реорганизацию нейронов. Эти результаты предварительно поддерживают использование мягкой робототехники с регулируемыми парадигмами для улучшения связи сети мозга и облегчения нейропластичности после инсульта. Наблюдаемые улучшения в глобальной эффективности и свойствах ограниченного мира указывают на то, что роботизированная терапия оптимизирует организацию коры головного мозга, способствуя функциональному восстановлению. Необходимы дальнейшие исследования с большими размерами выборки и персонализированными протоколами вмешательства для подтверждения этих результатов и изучения их долгосрочных эффектов.

Введение

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

Инсульт остается основной причиной смертности и долгосрочной инвалидности среди взрослого населения во всем мире1. Среди его изнурительных последствий нарушения моторики рук значительно ставят под угрозу основные повседневные действия и функциональную независимость, тем самым снижая социальное участие и качество жизни у выживших после инсульта 2,3. В то время как физическая медицина и реабилитация имеют решающее значение для восстановления двигательных систем, традиционные терапевтические подходы часто дают противоречивые результаты из-за сложности и межиндивидуальной вариабельности постинсультнойнейронной реорганизации.

В последние годы роботизированная терапия (RAT) привлекла значительное внимание благодаря своей способности обеспечивать высокоинтенсивные, повторяющиеся и специфические для конкретных задач тренировки для облегчения моторного восстановления5. Для более эффективной адаптации таких вмешательств решающее значение имеет лучшее понимание нейронных биомаркеров для прямой модуляции с помощью роботизированных вмешательств. В конечном итоге это может помочь оптимизировать терапевтические стратегии и способствовать ловкости рук. В предыдущем исследовании картирование симптомов поражения на основе вокселей показало, что постинсультные проксимальные нарушения верхней конечности могут быть связаны с дефицитом нисходящих путей от кортикомоторных областей и стриатума. В отличие от этого, нарушения функции кисти возникают в результате изолированных повреждений коры головного мозга6. Тем не менее, клинические исходы функции кисти остаются вариабельными, а нейронные механизмы, лежащие в основе восстановления моторики, еще не полностью выяснены 7,8,9. Более того, большая часть коммерческого роботизированного обучения следует заранее определенным протоколам с ограниченной адаптируемостью. Он не учитывает специфические потребности пациента и потенциально ограничивает их клиническую эффективность10.

За последние десятилетия нейровизуализационные исследования подчеркнули ключевую роль реорганизации сети мозга в восстановлении после инсульта, характеризующегося изменениями функциональной активности и связи. Функциональная спектроскопия в ближнем инфракрасном диапазоне (fNIRS), неинвазивный метод мониторинга корковой гемодинамики, стала ценным инструментом для оценки нейронной динамики и управления реабилитационными условиями11. Его портативность и устойчивость к артефактам движения делают его особенно подходящим для мониторинга в режиме реального времени и передачи информации во время роботизированнойтерапии. В то время как предыдущие исследования документально зафиксировали изменения во взаимосвязности коры головного мозга после моторной тренировки, влияние RAT на топологию сети всего мозга остается недостаточноизученным.

Характеристика изменений в топологии сети мозга открывает ценное окно в нейропластические процессы, лежащие в основе функционального восстановления после ишемических или геморрагических повреждений мозга. Человеческий мозг функционирует как сложная сеть, в которой неврологическая функция или восстановление зависят как от региональной целостности, так и от динамического взаимодействия междунесколькими областями. В этих условиях теория графов обеспечивает надежную основу для количественной оценки крупномасштабной архитектуры сети мозга, предлагая понимание организации коры головного мозга на узловых уровнях15. Вычисляя ключевые сетевые метрики, такие как коэффициент кластеризации, средняя длина пути и глобальная эффективность, исследователи могут оценить, как RAT влияет на обработку и передачу нейронной информации. Как было показано в предыдущей литературе, вызванные инсультом нарушения целостности сети часто проявляются в виде изменений в свойствах тесного мира и общей топологической организации 16,17. Реабилитация, особенно целенаправленная и повторяющаяся тренировка, была связана с реорганизацией коры головного мозга. Тем не менее, точное влияние различных роботизированных вмешательств на эту сетевую динамику остается недостаточноизученным18.

Данное исследование направлено на изучение возможности использования программируемого мягкого пневматического робота в модуляции динамики сети мозга у людей, перенесших инсульт. По сравнению с упражнениями на сгибание/разгибание рук в существующих робототехнических парадигмах, современный пневматический робот имеет преимущества в настройке режима работы, времени действия и продолжительности взаимодействия для желаемых движений, таких как захват, отпускание и сжатие19,20. Эти разнообразные режимы взаимодействия человека и робота могут обеспечить более целенаправленную стимуляцию сенсомоторных областей коры головного мозга. Такая парадигма потенциально может способствовать нейропластичности в областях, связанных с восстановлением функции кисти13. Кроме того, анализ теории графов на основе fNIRS в различных терапевтических условиях был использован для оценки того, как индивидуализированные роботизированные стратегии могут оптимизировать восстановление моторики рук. Более того, нейронные механизмы, лежащие в основе мягкой роботизированной реабилитации, могут быть предварительно выяснены. Понимание этих адаптаций на сетевом уровне может помочь в разработке целевых, основанных на нейрофизиологии протоколов реабилитации, что в конечном итоге улучшит восстановление рук у выживших после инсульта.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Данное исследование было одобрено Комитетом по этике больницы Тунцзи, Ухань, Китай. Все протоколы исследований соответствовали принципам, изложенным в Хельсинкской декларации. Письменное информированное согласие было получено от всех участников до их включения в исследование. Используемое оборудование и программное обеспечение перечислены в Таблице материалов.

1. Участники

  1. Учитывайте следующие критерии включения:
    1. Возраст от 18 до 75 лет.
    2. Первый в истории ишемический или геморрагический инсульт, подтвержденный с помощью КТ или МРТ.
    3. Со медицинской точки зрения стабильное состояние.
    4. Подписать информированное согласие лично или от своего уполномоченного представителя (представителей).
  2. Учитывайте следующие критерии исключения:
    1. Тяжелая афазия, когнитивные нарушения, расстройства сознания или неспособность сотрудничать с протоколом вмешательства или оценки.
    2. Неспособность оставаться в сидячем положении в течение как минимум 20 минут.
    3. Серьезные аномалии мышечного тонуса (модифицированная шкала Эшворта ≥2 балла).

2. Мягкая пневматическая роботизированная система

  1. Подключение и ввод в эксплуатацию оборудования
    1. Подключите кабель питания роботизированной системы к электрической розетке.
    2. Включите компьютер нажатием на кнопку, расположенную на компьютерной башне.
    3. Подсоедините два кабеля питания воздушного насоса к розетке и мягкой пневматической перчатке.
    4. Нажмите зеленую кнопку питания на задней панели роботизированной системы, чтобы активировать устройство.
  2. Ношение мягкого пневматического робота
    1. Помогите участнику надеть мягкий пневматический робот на пораженную руку, обеспечив надежную фиксацию ладони и пальцев.
    2. Закрепите робота с помощью ремня Velcro, обеспечив его надежное положение от тыльной стороны большого пальца до возвышенности тенара на ладонной стороне для оптимальной устойчивости.
  3. Роботизированное управление и выбор режимов
    1. Нажмите зеленую кнопку Connect (Подключить) под устройством обработки изображений.
    2. В интерфейсе компьютера выберите режим роботизированной ингаляции.
    3. Настройте коммуникационный порт (Com 7) для обеспечения правильного подключения устройства.
    4. Выберите подходящий режим надувания-сдувания и подтвердите настройки параметров, не доставляя дискомфорта пациентам. Медленный режим: время действия 2000 мс (0,5 Гц) при длительности взаимодействия 75%. Быстрый режим: время действия 200 мс (5 Гц) при длительности взаимодействия 75%21 (рис. 1).

figure-protocol-1
Рисунок 1: Экспериментальное оборудование и конфигурация. (A) Экспериментальная установка. (Б) Мягкая роботизированная конфигурация. (C) Мягкий пневматический робот. (D) Конфигурация и калибровка fNIRS. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

3. Система функциональной спектроскопии в ближнем инфракрасном диапазоне (fNIRS)

  1. Подключение и инициализация оборудования
    1. Используйте систему непрерывной волны fNIRS для записи данных от всех участников. Система излучает ближний инфракрасный свет с длинами волн 690 нм и 830 нм, проникая на 2-3 см ниже коры головного мозга, с частотой дискретизации 100 Гц.
    2. Включите удлинитель, чтобы подать питание на все подключенные устройства.
    3. Нажмите кнопку питания на устройстве fNIRS и подождите, пока загорится световой индикатор.
    4. Обеспечьте стабильное соединение между компьютером и системой fNIRS для бесперебойной передачи данных.
  2. Запуск программного обеспечения и ввод информации о пациенте
    1. Запустите систему fNIRS и убедитесь в стабильности Wi-Fi-соединения.
    2. Перейдите в интерфейс управления пациентами, чтобы создать новый профиль: нажмите « Добавить пациента», введите информацию об участнике и присвойте ему идентификационный номер.
  3. Ношение колпачка для сбора сигнала fNIRS
    1. Выберите колпачок fNIRS подходящего размера. Расположите этикетку с номером датчика немного выше центра лба, обеспечивая правильное прилегание кожи головы. Совместите оптоды FPZ и CZ системы 10-20 ЭЭГ. Закрепите датчики и источники света с помощью гибкого оголовья, чтобы обеспечить оптимальный контакт с кожей.
    2. Во время сбора данных попросите участника оставаться в спокойном, расслабленном состоянии, с неподвижной головой и открытыми глазами.
    3. Перед формальным процессом сбора данных проинструктируйте участника спокойно отдохнуть в течение 2 минут, не засыпая.
  4. Сбор данных
    1. Выберите протокол эксперимента в программном интерфейсе на компьютере системы fNIRS.
    2. Выполняйте калибровку сигнала из программного интерфейса, чтобы свести к минимуму утечку света, достигая уровня сигнала ≥75% с минимальным уровнем шума.
    3. Если калибровка не удалась, отрегулируйте расположение датчика и повторите попытку. Оптодные датчики состоят из светоизлучающих диодов и фотоприемников. Эти оптоды предназначены для излучения и обнаружения ближнего инфракрасного света на определенных длинах волн.
    4. Проведите запись даты работы коры головного мозга из интерфейса программного обеспечения, инструктируя участника оставаться расслабленным и избегать движений головой.
    5. Убедитесь, что экспериментальное задание запускается в случайной последовательности, непрерывно собирая данные. Система fNIRS непрерывно отслеживает и записывает данные о церебральной оксигенации и гемодинамике.
    6. Выполнив задание, остановите сбор данных и надежно сохраните экспериментальные данные.

figure-protocol-2
Рисунок 2: Экспериментальная установка системы fNIRS и нейронная оценка. (A) Оптодная конфигурация системы fNIRS и протокола сбора данных. (Б) Визуализация активации мозга с передней, задней, левосторонней, правой боковой и верхней точек зрения. (C) Анализ функциональной связности всего мозга. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

4. Анализ данных

  1. Предварительная обработка исходных данных fNIRS
    1. Примените полосовую фильтрацию для удаления шума и артефактов из необработанных данных. Типичные частоты для данных fNIRS находятся в диапазоне от 0,01 Гц до 0,2 Гц для фиксации медленных изменений в активности мозга.
    2. Выполняйте коррекцию артефактов движения с помощью вейвлет-разложения и анализа независимых компонент (ICA). В частности, выполните вейвлет-разложение на необработанном сигнале fNIRS с использованием вейвлета Добеши 4 с уровнем разложения 3.
      1. Применяйте мягкие пороговые значения к вейвлет-коэффициентам, чтобы уменьшить шум при сохранении характеристик сигнала. Восстановите сигнал из пороговых коэффициентов. Применение ICA к восстановленному сигналу для идентификации и удаления компонентов, соответствующих артефактам движения.
    3. Разделите непрерывный сигнал fNIRS на эпохи, соответствующие различным условиям. В частности, определите временные точки, соответствующие началу и смещению каждого экспериментального условия. Сегментируйте непрерывный сигнал на эпохи на основе плана эксперимента (рис. 2) и их рандомизированных последовательностей.
  2. Вычислить гемодинамический ответ
    1. Преобразуйте исходные измерения интенсивности из системы fNIRS в изменения оптической плотности с помощью закона Бера-Ламберта.
    2. Используйте модифицированный закон Бера-Ламберта для оценки изменений концентраций иноксигемоглобина (HbO) и дезоксигемоглобина (HbR). Обычно это включает в себя решение системы уравнений, основанной на геометрии источника-детектора и используемых длинах волн (690 нм).
    3. Создавайте 3D-карты активации мозга, визуализируя изменения концентрации HbO в областях мозга. В частности, используйте анатомические ориентиры и международную систему 10-20 для проецирования каналов fNIRS на соответствующие области мозга.
      1. Оцените изменения концентрации HbO по всей поверхности мозга на основе измеренных каналов. Проецируйте карты активации на стандартизированные шаблоны мозга (шаблоны MNI) для облегчения визуализации.
    4. Используйте функциональную связность для отображения нейронной коактивации в мозге, вычисляя коэффициент корреляции Пирсона между всеми парами каналов. Этот коэффициент количественно определяет линейную зависимость между парами каналов и служит основой для построения сети функциональной связности. Используйте скрипт R с открытым исходным кодом (с ggplot2) для визуализации результирующей сети.
  3. Анализ теории графов
    1. Извлечение метрик теории графов (включая коэффициент кластеризации, среднюю длину пути, индекс малого мира, глобальную эффективность, центральность степени и центральность собственного вектора) из матриц функциональных связностей, полученных с помощью fNIRS16,22.
    2. Вычислите коэффициент кластеризации:
      figure-protocol-3
      Где ei обозначает число ребер между соседями узла i, N обозначает общее количество узлов в сети (каналов fNIRS), а ki обозначает степень узла i. Используя коэффициент кластеризации, измерьте степень, в которой узлы в сети кластеризуются вместе.
      ПРИМЕЧАНИЕ: В частности, количественно оцените вероятность того, что два соседа узла также соединены друг с другом. Убедитесь, что высокий коэффициент кластеризации отражает сильно взаимосвязанные соседи, указывая на локализованные, сплоченные структуры сети мозга. Нейропластичность может изменять коэффициент кластеризации, формируя новые связи или укрепляя существующие для поддержки локализованной нейронной активности.
    3. Вычислите среднюю длину пути:
      figure-protocol-4
      Где, d(i,j) представляет кратчайший путь между узлами i и j, а N представляет общее количество узлов в сети.
      1. Используйте среднюю длину пути для измерения среднего количества шагов, необходимых для обхода всех пар узлов в сети. Более короткая средняя длина пути указывает на более эффективную передачу информации по сети мозга.
        Примечание: Нейропластичность может уменьшить среднюю длину пути за счет создания новых связей, которые действуют как кратчайший путь между отдаленными областями мозга, повышая способность мозга интегрировать информацию и улучшая общую функцию моторного контроля.
    4. Рассчитать индекс тесного мира:
      figure-protocol-5
      Где, Cвещественное и Lвещественное обозначают коэффициент кластеризации и среднюю длину пути вещественной сети, а Crand и Lrand обозначают случайную сеть с одинаковым количеством узлов и ребер. Используйте индекс ограниченного мира для оценки баланса между локальной кластеризацией и глобальной интеграцией в сети.
      ПРИМЕЧАНИЕ: Сеть малого мира демонстрирует высокую кластеризацию и короткую длину пути, что обеспечивает эффективную связь при сохранении локальных группировок. Нейропластичность может улучшать свойства маленького мира за счет формирования новых связей, которые увеличивают локальную кластеризацию при сохранении короткой длины пути, тем самым поддерживая адаптивные нейронные изменения и ловкость рук.
    5. Рассчитать глобальную эффективность:
      figure-protocol-6
      Где, d(i,j) представляет кратчайший путь между узлами i и j, а N представляет общее количество узлов в сети. Используйте глобальную эффективность для оценки способности сети обмениваться информацией по всему миру. Более высокие значения указывают на более быструю передачу информации по всей сети мозга, что отражает хорошо связанную систему.
      Примечание: Нейропластичность может повысить глобальную эффективность за счет оптимизации топологии сети, что приведет к лучшей интеграции информации в различных областях мозга и поддержке сложных функций руки.
    6. Вычислите Степень центральности:
      figure-protocol-7
      Где, ki обозначает степень узла . Используйте степень центральности для количественной оценки количества прямых соединений узла в сети. Узлы с высокой степенью центральности выступают в качестве основных узлов связи. Нейропластичность может повысить степень центральности определенных узлов за счет формирования новых связей, тем самым усиливая их роль в сети и поддерживая способность мозга адаптироваться и реорганизовываться.
    7. Вычислите центральность собственного вектора:
      figure-protocol-8
      Где, A представляет матрицу смежности, а v представляет собственный вектор, соответствующий наибольшему собственному значению λ. Используйте центральность собственного вектора для оценки влияния узла на основе его связей с хорошо связанными узлами.
      Примечание: Узлы с высокой центральностью собственных векторов являются центральными в иерархических сетях. Нейропластичность может увеличивать центральность собственного вектора определенных узлов за счет формирования связей с другими высокосвязанными узлами, тем самым повышая их роль в поддержке способности мозга эффективно обрабатывать информацию.
  4. Статистический анализ
    1. Организуйте данные в длинном формате в статистическом программном обеспечении, гарантируя, что метрики теории графов, условия эксперимента и идентификаторы участников правильно структурированы. Перед выполнением ANOVA проверьте предположения о нормальности и однородности дисперсий с помощью теста Шапиро-Уилка23 для нормальности и теста Левина для однородности вариации24.
    2. Перейдите к выполнению одностороннего анализа ANOVA, чтобы оценить, существуют ли существенные различия в метриках теории графов по трем условиям. Если ANOVA дает значимый результат (P < 0,05), затем проведите постфактум сравнение, чтобы выявить конкретные различия между условиями.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

В общей сложности 10 человек с инсультом были включены в исследование и прошли оценку состояния покоя, медленную роботизированную терапию и быстрорежимную роботизированную терапию в рандомизированном порядке. Результаты продемонстрировали возможность индивидуализации модуляции нейропластичности путем программирования роботизированного протокола и вычисления метрик сети мозга по теории графов. Во время мягкой роботизированной терапии одновременная оценка fNIRS позволила получить данные ка...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В этом исследовании изучалось нейропластическое воздействие конфигурируемого мягкого пневматического робота на динамику сети мозга у людей с инсультом с использованием анализа теории графов на основе fNIRS. Полученные данные свидетельствуют о том, что мягкая роботизированная терапия эффективно модулирует топологическую организацию распределенных сетей мозга, при этом участники демонстрируют высокую податливость. В частности, наблюдались значительные изменения в коэффициенте кластеризации...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Благодарности

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

Эта работа была поддержана Специальным проектом по науке и технике провинции Хубэй (No 2023BCA002), Программой поддержки междисциплинарных исследований Хуачжунского университета науки и технологии (No 2024JCYJ067), Фондом естественных наук провинции Хубэй, Китай (No 2024AFB043) и Исследовательским фондом больницы Тунцзи (No 2024B24).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
106-канальное устройство fNIRSWuhan Znion Technology Co., LTDBS-2000Реализация программы
Система реабилитации суставов ФингераNanjing Reseader Medical Technology Co., LTD.RSD RS3Реабилитационное вмешательство
Программное обеспечение RФонд RВерсия 4.2.1Статистический анализ
Программное обеспечение SPSSIBMВерсия 22.0Статистический анализ

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи