Summary
يوضح البروتوكول التجريبي نموذج اكتساب وتحليل إشارات تخطيط كهربية الدماغ (EEG) أثناء حركة الأطراف العلوية لدى الأفراد المصابين بالسكتة الدماغية. لوحظ تغيير الشبكة الوظيفية لنطاقات تردد EEG منخفضة بيتا أثناء حركة الطرف العلوي الضعيف وارتبط بدرجة الضعف الحركي.
Abstract
تم الإبلاغ عن تغيير إشارات تخطيط كهربية الدماغ (EEG) أثناء الحركة الخاصة بالمهمة للطرف الضعيف كعلامة حيوية محتملة لشدة الضعف الحركي وللتنبؤ بالتعافي الحركي لدى الأفراد المصابين بالسكتة الدماغية. عند تنفيذ تجارب EEG ، يلزم وجود نماذج مفصلة وبروتوكولات تجربة جيدة التنظيم للحصول على نتائج قوية وقابلة للتفسير. في هذا البروتوكول ، نوضح نموذجا خاصا بالمهمة مع حركة الطرف العلوي والأساليب والتقنيات اللازمة للحصول على بيانات EEG وتحليلها. يتكون النموذج من 1 دقيقة من الراحة تليها 10 تجارب تتكون بالتناوب 5 ثوان و 3 ثوان من حالات الراحة والمهمة (تمديد اليد) ، على التوالي ، على مدار 4 جلسات. تم الحصول على إشارات EEG باستخدام 32 قطبا كهربائيا لفروة الرأس Ag / AgCl بمعدل أخذ عينات قدره 1000 هرتز. تم إجراء تحليل الاضطراب الطيفي المرتبط بالحدث المرتبط بحركة الأطراف وتحليلات الشبكة الوظيفية على المستوى العالمي في نطاق التردد المنخفض بيتا (12-20 هرتز). أظهرت النتائج التمثيلية تغييرا في الشبكة الوظيفية لنطاقات تردد EEG منخفضة بيتا أثناء حركة الطرف العلوي الضعيف ، وارتبطت الشبكة الوظيفية المتغيرة بدرجة الضعف الحركي لدى مرضى السكتة الدماغية المزمنة. توضح النتائج جدوى النموذج التجريبي في قياسات EEG أثناء حركة الأطراف العلوية لدى الأفراد المصابين بالسكتة الدماغية. هناك حاجة إلى مزيد من البحث باستخدام هذا النموذج لتحديد القيمة المحتملة لإشارات EEG كمؤشرات حيوية للضعف الحركي والتعافي.
Introduction
يعد ضعف الحركة في الطرف العلوي أحد أكثر عواقب السكتة الدماغية شيوعا ويرتبط بالقيود المفروضة على أنشطة الحياة اليومية 1,2. من المعروف أن إيقاعات النطاق ألفا (8-13 هرتز) وبيتا (13-30 هرتز) ترتبط ارتباطا وثيقا بالحركات. على وجه الخصوص ، أظهرت الدراسات أن النشاط العصبي المتغير في نطاقات تردد ألفا وبيتا السفلى (12-20 هرتز) أثناء حركة الطرف الضعيف يرتبط بدرجة الضعف الحركي لدى الأفراد المصابين بالسكتة الدماغية3،4،5. بناء على هذه النتائج ، ظهر تخطيط كهربية الدماغ (EEG) كعلامة حيوية محتملة تعكس شدة ضعف الحركة وإمكانية التعافي الحركي 6,7. ومع ذلك ، فقد أثبتت المؤشرات الحيوية القائمة على EEG التي تم تطويرها سابقا أنها غير كافية للتحقيق في خصائص الضعف الحركي لدى الأفراد المصابين بالسكتة الدماغية ، ويرجع ذلك إلى حد كبير إلى اعتمادهم على بيانات EEG في حالة الراحة بدلا من بيانات EEG التي تسببها المهام8،9،10. لا يمكن الكشف عن معالجة المعلومات المعقدة المتعلقة بالإعاقات الحركية ، مثل التفاعل بين نصفي الكرة المخية ipsilesional و contralesional ، إلا من خلال بيانات EEG التي تسببها المهمة ، وليس EEG في حالة الراحة. لذلك ، لا يلزم إجراء مزيد من الدراسات فقط لاستكشاف العلاقة بين الأنشطة العصبية وخصائص الضعف الحركي وتوضيح فائدة EEG المتولدة أثناء حركة جزء الجسم الضعيف كعلامة حيوية محتملة للضعف الحركي لدى الأفراد المصابينبالسكتة الدماغية 11.
يتطلب تنفيذ EEG لتقييم الآثار السلوكية نماذج وبروتوكولات خاصة بالمهمة. حتى الآن ، تم اقتراح بروتوكولات EEG مختلفة12 ، حيث قام الأفراد المصابون بالسكتة الدماغية بحركات متخيلة أو فعلية للحث على أنشطة الدماغ المرتبطة بالحركة11,13. في حالة الحركات المتخيلة ، لم يتمكن حوالي 53.7٪ من المشاركين من تخيل حركة مقابلة (تسمى "الأمية") وبالتالي فشلوا في تحفيز أنشطة الدماغ المرتبطة بالحركة14. علاوة على ذلك ، يصعب على الأفراد المصابين بسكتة دماغية شديدة تحريك الطرف العلوي بالكامل ، وهناك احتمال حدوث قطع أثرية غير ضرورية أثناء الحصول على البيانات بسبب الحركات غير المستقرة. لذلك ، هناك حاجة إلى إرشادات تستند إلى معرفة الخبراء للحصول على بيانات EEG عالية الجودة المتعلقة بالمهام والنتائج القابلة للتفسير من الناحية الفسيولوجية العصبية. في هذه الدراسة ، قمنا بتصميم نموذج تجريبي شامل للأفراد المصابين بالسكتة الدماغية لأداء مهمة حركة يد بسيطة نسبيا وقدمنا إجراء تجريبيا مع إرشادات مفصلة.
من خلال تحديد البروتوكول التجريبي المرئي في هذه المقالة ، كنا نهدف إلى توضيح المفاهيم والأساليب المحددة المستخدمة لاكتساب وتحليل الأنشطة العصبية المتعلقة بحركة الطرف العلوي باستخدام نظام EEG. في إظهار الفرق في الأنشطة العصبية عبر EEG بين الأطراف العلوية paretic وغير paretic في المشاركين الذين يعانون من السكتة الدماغية النصفية ، تهدف هذه الدراسة إلى تقديم جدوى EEG باستخدام البروتوكول الموصوف كعلامة حيوية محتملة لشدة الضعف الحركي لدى الأفراد المصابين بالسكتة الدماغية في سياق مستعرض.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
تمت مراجعة جميع الإجراءات التجريبية والموافقة عليها من قبل مجلس المراجعة المؤسسية لمستشفى بوندانغ بجامعة سيول الوطنية. بالنسبة للتجارب في هذه الدراسة ، تم تجنيد 34 مشاركا مصابا بالسكتة الدماغية. تم الحصول على موافقة مستنيرة موقعة من جميع المشاركين. تم الحصول على موافقة مستنيرة موقعة من ممثل قانوني إذا استوفى أحد المشاركين المعايير ولكن لم يتمكن من التوقيع على نموذج الموافقة بسبب الإعاقة.
1. الإعداد التجريبي
- توظيف المرضى
- قم بإجراء عملية الفرز باستخدام معايير التضمين التالية:
تتراوح أعمارهم بين 18 و 85 سنة مع وجود وظائف الطرف العلوي ضعيفة ؛
أول سكتة دماغية إقفارية أو نزفية يتم تأكيدها عن طريق التصوير المقطعي المحوسب للدماغ أو التصوير بالرنين المغناطيسي ؛
قدرة المشارك على اتباع تعليمات التقييم السريري ودراسة EEG ؛
عدم وجود تاريخ من أي أمراض نفسية أو عصبية أخرى باستثناء السكتة الدماغية. - استبعاد المرضى بناء على ما يلي:
مرض سابق يشمل الجهاز العصبي المركزي (على سبيل المثال ، إصابات الدماغ الرضحية ، ورم المخ ، مرض باركنسون) ؛
عدم القدرة على ارتداء قبعة EEG ؛ و
عدم القدرة على اتباع تعليمات التقييم السريري ودراسة تخطيط كهربية الدماغ.
ملاحظة: تم اختيار معايير التضمين والاستبعاد لاختيار المشاركين القادرين على المشاركة في التجربة وتنظيم العوامل الديموغرافية التي يمكن أن تؤثر على النتائج. - تزويد جميع المشاركين المعينين بمعلومات حول تفاصيل الإجراء التجريبي.
- قم بإجراء عملية الفرز باستخدام معايير التضمين التالية:
- النظام التجريبي: EEG
- استخدم نظام EEG يتكون من 32 قطبا كهربائيا لفروة الرأس Ag / AgCl ، وغطاء EEG نسيجي ، وبرنامج تسجيل EEG لتسجيل البيانات.
- استخدم جهاز كمبيوتر شخصي (PC) مثبتا عليه برنامج تسجيل EEG وقم بتوصيل الكمبيوتر بجهاز EEG عبر Bluetooth.
- استخدم جهاز كمبيوتر آخر مع تطبيق برنامج التحليل العددي والبرمجة للهندسة (انظر جدول المواد).
- لعرض المحفزات ، قم بتوصيل الكمبيوتر بصندوق تشغيل مخصص (الشكل 1).
ملاحظة: المواصفات التفصيلية للجهازين مذكورة في جدول المواد.
- نموذج تجريبي يعتمد على برامج البرمجة
ملاحظة: قام المشاركون بمهمة تمديد اليد باستخدام الأيدي المتأثرة وغير المتأثرة ، والتي تم خلالها قياس بيانات EEG. يوضح الشكل 2 النموذج التجريبي لهذه الدراسة.- قدم اثنين من المحفزات البصرية ، CLOSE و OPEN ، لمدة 30 ثانية لكل منهما ، على وسط الشاشة لقياس بيانات EEG في حالة الراحة الأساسية ، حيث يغلق المشارك ويفتح العينين.
ملاحظة: نظرا لأن بيانات تخطيط كهربية الدماغ في حالة الراحة أقل تلوثا نسبيا بالتحف الفسيولوجية غير المرغوب فيها ، فهي مفيدة للتحقق من جودة بيانات EEG وتحديد خصائص EEG الفردية فيما يتعلق بحالة الراحة. - قدم صورة متحركة لليد لمدة 3 ثوان لإرشاد المشارك للقيام بحركة تمديد اليد ، متبوعة بعلامة تثبيت لمدة 5 ثوان للراحة.
ملاحظة: اعتبر هذا الإجراء بمثابة محاكمة وتكرر 10 مرات في جلسة واحدة. خضع كل مشارك ل 4 جلسات لكل يد. حصل المشارك على استراحة متى أراد بعد أداء كل جلسة لمنع التعب المفرط.
- قدم اثنين من المحفزات البصرية ، CLOSE و OPEN ، لمدة 30 ثانية لكل منهما ، على وسط الشاشة لقياس بيانات EEG في حالة الراحة الأساسية ، حيث يغلق المشارك ويفتح العينين.
الشكل 1: رسم تخطيطي لإعداد المعدات. تم توصيل جهاز كمبيوتر (PC1) يقدم محفزات تجريبية بصندوق تشغيل ، وتم توصيل جهاز كمبيوتر آخر (PC2) بمكبر للصوت EEG. تم تسليم أحداث التحفيز الناتجة في PC1 إلى مضخم EEG عبر صندوق الزناد المتصل ب PC1. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 2: النموذج التجريبي المستخدم في هذه الدراسة. تألفت تجربة واحدة من حركة تمديد اليد من 3 ثوان تليها استرخاء من 5 ثوان. تم تكرار هذا النمط 10 مرات في جلسة واحدة. تم إجراء ما مجموعه ثماني جلسات. تضمنت أربع جلسات حركة اليد المتأثرة ، بينما تضمنت الجلسات الأربع الأخرى حركة اليد غير المتأثرة. تم اقتباس هذا الرقم من Shim et al.17 بإذن من Mary Ann Liebert، Inc. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.
2. تسجيل بيانات EEG المتعلقة بالحركة
- إعداد تخطيط كهربية الدماغ
- اجلس المشارك على كرسي مريح بذراعين أمام الشاشة.
ملاحظة: يجب ألا تقل المسافة بين المشارك والشاشة عن 60 سم لمنع إجهاد العين. ومع ذلك ، يجب تجنب المسافة الزائدة (على سبيل المثال ، >150 سم) لأنها قد تشتت تركيز المشارك. - لارتداء الغطاء بدقة لقياس EEG ، حدد موقع Cz بناء على النظام الدولي 10-20 باستخدام تقاطع الخط الطولي الذي يربط بين nasion و inion والخط المستعرض الذي يربط الجزء العلوي من كلا الأذنين.
ملاحظة: قد لا يكون غطاء EEG مطلوبا اعتمادا على معدات قياس EEG. في مثل هذه الحالة ، يتم توصيل أقطاب EEG مباشرة بفروة الرأس وفقا لنظام 10-20 الدولي15. - للحصول على قياس دقيق لمخطط كهربية الدماغ ، استخدم غطاء EEG بحجم مناسب وفقا لحجم رأس المشارك وضعه بحيث يتم وضع موضع القطب Cz على موقع Cz الفردي.
- إصلاح حزام الذقن مع ضيق مناسب. سيمنع هذا المشارك من الشعور بعدم الارتياح أثناء البلع والوميض في التجربة. بعد ذلك ، تأكد من أن مواضع القطب T9 و T10 لغطاء EEG موجودة في المنطقة الزمنية فوق كلا الأذنين ، ويقع موضع القطب Fpz لغطاء EEG في منتصف الجبهة.
ملاحظة: إذا كانت هذه الأقطاب الكهربائية خارج الموقع المحدد ، ففكر في تغيير الغطاء. تم استخدام ثلاثة أحجام لغطاء EEG في دراستنا (54 سم: صغير ، 56 سم: متوسط ، 58 سم: كبير). - بعد وضع غطاء EEG بشكل صحيح ، قم بتوصيل 32 قطبا كهربائيا لفروة الرأس Ag / AgCl على فروة الرأس وفقا لنظام 10-10 الدولي الممتد ، مع الأقطاب الكهربائية الأرضية والمرجعية في Fpz و FCz ، على التوالي16.
ملاحظة: موقع القطب المرجعي (FCz) أقل تأثرا نسبيا بالقطع الأثرية الفسيولوجية المختلفة ، مثل تلك الموجودة في تخطيط كهربية العين ، وتخطيط كهربية العضل ، وتخطيط كهربية القلب ، لأنه يقع حول المنطقة المركزية (Cz) من فروة الرأس. - اضبط مستوى المقاومة بين أقطاب EEG وفروة الرأس باستخدام الجل الموصل ، وقم بتثبيت الشعر بالجل لمنع أي انسداد بين أقطاب EEG وفروة الرأس.
ملاحظة: من المهم تأكيد ما إذا كان يتم إنشاء أي جسر بين أقطاب EEG المجاورة بسبب تسرب الهلام. - استخدم البرنامج لتسجيل EEG.
- قم بتشغيل نظام EEG وتنفيذ التكوين > تحديد مكبر للصوت. اختر Liveamp > > مكبر للصوت > الاتصال. ابحث عن وظيفة Liveamp للاتصال اللاسلكي (الشكل 3).
- قم بتنفيذ وظيفة فحص المعاوقة لمراقبة مستوى المقاومة لكل قطب كهربائي.
ملاحظة: يوصى بإجراء التجربة بمستوى مقاومة <20 KΩ (الشكل 4). - قم بتنفيذ وظيفة المراقبة لتأكيد ما إذا كانت EEGs لجميع الأقطاب الكهربائية لها مستويات سعة مماثلة من خلال مراقبة إشارة EEG في الوقت الفعلي (الشكل 5).
ملاحظة: تتراوح سعة إشارة EEG بشكل عام بين 10 μV و 100 μV ، وتزداد قوة ألفا (8-12 هرتز) حول المنطقة القذالية عندما تكون العينان مغلقتين. لذلك ، يمكن تأكيد جودة بيانات EEG نوعيا من خلال مراقبة مستوى السعة وتذبذبات ألفا على القنوات حول المنطقة القذالية أثناء إغلاق العينين.
- اجلس المشارك على كرسي مريح بذراعين أمام الشاشة.
- إعداد النموذج
- للحصول على بيانات EEG بشكل مستقر ، استخدم جهازي كمبيوتر منفصلين لتقديم المحفزات الخارجية وتسجيل بيانات EEG (انظر الشكل 1).
- لتقديم المحفزات التجريبية للمشاركين ، قم بإنشاء برنامج تحفيز يعتمد على النموذج التجريبي باستخدام برنامج البرمجة (تم تقديمه في الخطوة 1.3).
ملاحظة: تم إنشاء برنامج تحفيز قائم على البرامج في هذه الدراسة ، ولكن يمكن استخدام برامج أخرى اعتمادا على توافقها مع معدات EEG المستخدمة في التجربة بالإضافة إلى راحة المستخدم. ويرد نص التحفيز القائم على برامج البرمجة في الملف التكميلي 1 (Experimental_stimulus.m). يتم إنشاء معلومات الحدث ، التي تشير إلى نقطة بداية المحفزات ، بواسطة برنامج البرمجة الداخلي ، ويتم إرسالها إلى مضخم EEG عبر صندوق التشغيل ، وفي النهاية إلى برنامج تسجيل EEG (الشكل 1). - قم بتنفيذ البرنامج الذي يقدم المحفزات التجريبية في وضع المراقبة (راجع الخطوة الفرعية 2.1.10). بعد ذلك ، تأكد من أن معلومات الحدث قد تم تمييزها بشكل صحيح في الوقت المناسب في الجزء السفلي من برنامج تسجيل EEG في كل مرة يتم فيها تقديم حافز ، كما هو موضح في الشكل 6.
ملاحظة: يتم تسجيل المعلومات المتعلقة بالنقطة الزمنية كلما تم تقديم حافز جديد ويتم استخدامها لاحقا لتجزئة البيانات. لذلك ، من المهم الحصول على النقاط الزمنية الدقيقة للأحداث التجريبية قدر الإمكان لمنع تجزئة البيانات غير الدقيقة ، مما قد يؤدي إلى نتائج غير موثوقة في التحليل. - ابدأ برنامج تسجيل EEG ، ثم قم بتشغيل برنامج عرض التحفيز الذي تم تطويره بشكل مستقل بناء على النموذج التجريبي باستخدام برنامج البرمجة لمنع إغفال البيانات.
ملاحظة: لتسهيل تحليل البيانات ، يوصى بإنشاء أسماء ملفات بقاعدة متسقة لتخزين البيانات (على سبيل المثال ، Sub1_Session1).
- تسجيل تخطيط كهربية الدماغ
- قم بقياس EEG بمعدل أخذ عينات يبلغ 1000 هرتز باتباع النموذج التجريبي المقدم في الخطوة 1.3.
ملاحظة: يمكن تغيير معدل أخذ العينات اعتمادا على نطاق ترددات EEG التي يريد الباحث التحقيق فيها. يوصى عموما باستخدام معدل أخذ عينات يبلغ >200 هرتز حيث يمكن التحقق من معلومات EEG عند ≤100 هرتز بناء على نظرية Nyquist. وذلك لأن معظم معلومات EEG موجودة أقل من 100 هرتز. - حافظ على نفس البيئات التجريبية (على سبيل المثال ، المكان التجريبي ، والمعدات ، ودرجة حرارة الغرفة ، وما إلى ذلك) قدر الإمكان بين المشاركين واطلب منهم تقليل الحركات غير الضرورية أثناء قياس EEG.
- قم بقياس EEG بمعدل أخذ عينات يبلغ 1000 هرتز باتباع النموذج التجريبي المقدم في الخطوة 1.3.
الشكل 3: إجراء الاتصال اللاسلكي بين مضخم EEG والكمبيوتر الشخصي باستخدام برنامج تسجيل EEG. اتبع الخطوات بالترتيب: (A) حدد مكبر للصوت ، (B) توصيل مكبر الصوت ، (C) ابحث عن مكبر الصوت المتصل للاتصال اللاسلكي ، (D) اكتمل الاتصال. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 4: إجراء فحص المعاوقة لكل قناة. يجب ضبط جميع القنوات على اللون الأخضر لقياس EEG مستقر. يوصى بإجراء التجربة بمقاومة أقل من 20 KΩ. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 5: إجراء مراقبة البيانات في الوقت الفعلي لكل قناة. يمكن مراقبة الإشارات من جميع القنوات التي يتم قياسها في الوقت الفعلي ويمكن تكبيرها / تصغيرها باستخدام الخيار (المربع الأحمر) في الشريط العلوي. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 6: لقطة شاشة لمراقبة معلومات الحدث. تشير الأشرطة الحمراء إلى صانعي الأحداث الذين يتم تقديمهم في كل مرة يتم فيها توفير حافز بواسطة PC1. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
3. تحليل بيانات EEG
ملاحظة: توفر هذه الدراسة إرشادات دقيقة لتكرار مفهوم البحث. لذلك ، فإنه يوفر مخططا موجزا لعملية التحليل والنتائج التمثيلية. يمكن العثور على العمليات التفصيلية والنتائج المرتبطة بها في دراسة سابقة17. هذا بمثابة مؤشر على أن شركة Mary Ann Liebert، Inc. قد منحت الإذن باستخدام المواد المحمية بحقوق الطبع والنشر.
- تجهيزها
- قم بإزالة القطع الأثرية المتعلقة بالعين من بيانات EEG الخام باستخدام الإجراءات الرياضية بناء على تحليل المكون الرئيسي المطبق في برنامج المعالجة المسبقة لبيانات EEG18,19 (انظر جدول المواد).
ملاحظة: إذا عرضت أي حقبة قطعا أثرية بارزة (± 100 μV) ، حتى بعد المعالجة المسبقة في أي من الأقطاب الكهربائية ، فقد تم استبعادها من التحليل الإضافي. كان متوسط عدد الحقب المرفوضة ، بما في ذلك انحرافها المعياري ، 3.69 ± 7.15 لمهمة حركة اليد المتأثرة و 1.62 ± 3.95 لمهمة حركة اليد غير المتأثرة. - قم بتطبيق مرشح تمرير النطاق بين 0.1 هرتز و 55 هرتز. قسم بيانات EEG المعالجة مسبقا من -1 ثانية إلى 3.5 ثانية لكل تجربة بناء على بداية المهمة لاحتواء فترة خط الأساس المستخدمة للاضطراب الطيفي المرتبط بالحدث (ERSP) وتحليلات الشبكة الوظيفية.
- قم بإزالة القطع الأثرية المتعلقة بالعين من بيانات EEG الخام باستخدام الإجراءات الرياضية بناء على تحليل المكون الرئيسي المطبق في برنامج المعالجة المسبقة لبيانات EEG18,19 (انظر جدول المواد).
- تحليل ERSP
ملاحظة: تم التحقق من صحة بيانات تخطيط كهربية الدماغ المقاسة من خلال تحليل ERSP لنطاق تردد بيتا منخفض (12-20 هرتز) مرتبط بالحركات الإرادية.- قم بإجراء تحويل فورييه قصير الوقت لكل تجربة لحساب القوى الطيفية EEG ، والتي تم استخدام وظيفة newtimef لصندوق أدوات EEGLAB في برنامج البرمجة 20 (نافذة Hanning غير متداخلة ، حجم نافذة250 مللي ثانية).
- تطبيع طيف القدرة لكل تجربة عن طريق طرح متوسط القدرة لفترة خط الأساس (-1 إلى 0 ثانية) للتحقيق في التغيرات في القوى الطيفية بين مهمة حركة اليد وفترة خط الأساس.
- تقدير خرائط ERSP الطبيعية الأساسية لكل مريض عن طريق حساب متوسط أطياف الطاقة الطبيعية عبر التجارب.
- تحليل الشبكة الوظيفية
ملاحظة: تم إجراء تحليل وظيفي للشبكة للتحقيق في تغيرات EEG من منظور شبكة الدماغ. لحساب مؤشرات شبكة الدماغ الكامل المرجحة بناء على نظرية الرسم البياني ، تم حساب اتصال الدماغ بين المناطق المختلفة أولا باستخدام قيمة قفل الطور (PLV). ثم تم حساب مصفوفة اتصال وظيفية باستخدام نتائج تحليل الاتصال القائم على PLV ، والذي تم استخدامه لاحقا لحساب مؤشرات شبكة الدماغ الكامل17. تم إجراء جميع تحليلات الشبكة الوظيفية باستخدام برنامج البرمجة.- احسب قيمة قفل الطور القائم على التحويل من هيلبرت (PLV) لنطاق تردد بيتا منخفض (12-20 هرتز) باستخدام دالة داخلية21,22. يتم توفير الوظيفة الداخلية لحساب PLV القائم على تحويل هيلبرت في الملف التكميلي 2 (myPLV.m).
- قم بتقييم PLVs بين جميع الأزواج الممكنة من 32 قطبا كهربائيا EEG في كل نقطة زمنية خلال فترات المهمة (0-3.5 ثانية) وقم بإنشاء مصفوفة مجاورة متماثلة (32 × 32 ، عدد الأقطاب الكهربائية = 32) عن طريق حساب متوسط PLVs خلال فترة المهمة. استخدم مصفوفة PLV كبيانات إدخال لتحليل الشبكة17,23.
- قم بتقييم أربعة مؤشرات شبكة مرجحة على المستوى العالمي بناء على نظرية الرسم البياني باستخدام Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) القوة ، (2) معامل التجميع ، (3) طول المسار ، و (4) العالم الصغير17،24،25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
يعرض الشكل 7 خرائط ERD الطبوغرافية منخفضة بيتا لكل مهمة حركة يدوية. لوحظ وجود ERD منخفض بيتا قوي بشكل ملحوظ في نصف الكرة المخية المعاكس مقارنة بنصف الكرة المخية المماثل لكل من مهام حركة اليد المتأثرة وغير المتأثرة.
الشكل 7: متوسط الخرائط الطبوغرافية لجميع المرضى الذين يؤدون مهام حركة اليد المتأثرة وغير المتأثرة ، على التوالي. تم الحصول على الخرائط الطبوغرافية المتكاملة عن طريق عكس خرائط ERD لمجموعة الشلل النصفي الأيمن. يمثل اللون الأزرق الداكن ERD أقوى ، مما يشير إلى أن مناطق الدماغ المقابلة كانت أكثر تنشيطا من المناطق الأخرى. يشير CON إلى نصف الكرة المتناقض السليم ، ويشير IPSI إلى نصف الكرة المماثل التالف. تم اقتباس هذا الرقم من Shim et al.17 بإذن من Mary Ann Liebert، Inc. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.
ويبين الجدول 1 النتائج الكمية لخصائص الشبكات العالمية المرجحة الأربعة. لوحظت تغيرات في مؤشرات الشبكة أثناء مهمة حركة اليد المصابة مقارنة بمهمة حركة اليد غير المتأثرة. تم تقليل كل من مؤشرات القوة ومعامل التجميع بشكل ملحوظ أثناء مهمة حركة اليد المتأثرة مقارنة بمهمة حركة اليد غير المتأثرة. على العكس من ذلك ، زاد طول المسار بشكل ملحوظ أثناء مهمة حركة اليد المتأثرة. لم يكن هناك فرق كبير في العالم الصغير بين المهمتين.
قمنا أيضا بتقييم العلاقة بين مؤشرات الشبكة الوظيفية ودرجة الضعف الحركي باستخدام تقييم Fugl-Meyer (FMA). أظهرت قوة شبكة ipsilesional لنطاق ألفا (rho = 0.340 ، p = 0.049) ، ومعامل التجميع (rho = 0.342 ، p = 0.048) ، والعالم الصغير (rho = 0.444 ، p = 0.008) ارتباطا إيجابيا مع درجة FMA ، بينما كان طول المسار (rho = -0.350 ، p = 0.042) مرتبطا سلبا بدرجات FMA. (الشكل 8). أظهر الارتباط بين مؤشرات شبكة ipsilesional منخفضة بيتا ارتباطا ذا دلالة هامشية مع درجة FMA (قوة rho = 0.328 ، p = 0.058 ، معامل التجميع rho = 0.338 ، p = 0.051 ، طول المسار rho = -0.340 ، p = 0.049 على التوالي).
الشكل 8: الارتباطات بين مؤشرات الشبكة الوظيفية المماثلة ألفا (القوة ، معامل التجميع ، طول المسار ، والعالم الصغير) ودرجات تقييم Fugl-Meyer. تم اقتباس هذا الرقم من Shim et al.17 بإذن من Mary Ann Liebert، Inc. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.
| حركة اليد المتأثرة | حركة اليد غير المتأثرة | p | |
| شدة | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| معامل التجميع | 0.342 ± 0.056 | 0.356 ± 0.057 | 0.014* |
| طول المسار | 3.249 ± 0.483 | 3.147 ± 0.456 | 0.021* |
| عالم صغير | 0.897 ± 0.032 | 0.894 ± 0.030 | 0.405 |
الجدول 1: قيم المتوسط والانحراف المعياري لمؤشرات شبكة الدماغ الكاملة في نطاق بيتا المنخفض. لا يتم استخدام وحدة محددة لمقاييس الشبكة (* p < 0.05). تم تكييف هذا الجدول من Shim et al.17 بإذن من Mary Ann Liebert، Inc.
الملف التكميلي 1: Experimental_stimulus صباحا البرنامج النصي للتحفيز القائم على برامج البرمجة. الرجاء الضغط هنا لتنزيل هذا الملف.
الملف التكميلي 2: myPLV.m. الوظيفة الداخلية لحساب PLV القائم على تحويل هيلبرت. الرجاء الضغط هنا لتنزيل هذا الملف.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
قدمت هذه الدراسة تجربة EEG لقياس الأنشطة العصبية المرتبطة بحركة الأطراف العلوية لدى الأفراد المصابين بالسكتة الدماغية. تم تطبيق النموذج التجريبي وطرق اكتساب وتحليل EEG لتحديد أنماط ERD في القشرة الحركية ipsilesional و contralesional.
أظهرت نتائج خرائط ERSP (الشكل 7) الفرق في درجة تنشيط الخلايا العصبية عند تحريك اليدين المعاقتين وغير المتأثرتين. كانت النتائج متوافقة مع نتائج المقالات السابقة26،27 وأظهرت أن الإعداد التجريبي هو طريقة مجدية يمكن تنفيذها في إعدادات البحث السريري.
استخدمت الدراسات السابقة في المقام الأول بيانات تخطيط كهربية الدماغ في حالة الراحة للتحقيق في النشاط العصبي المتغير لدى الأفراد المصابين بالسكتة الدماغية. ومع ذلك ، استخدمت هذه الدراسة بيانات EEG الخاصة بالمهمة التي تم قياسها أثناء حركة اليد ، والتي تظهر واعدة كعلامة حيوية للتنبؤ باستعادة المحرك17.
يجب ذكر بعض الاعتبارات المهمة لتسجيلات EEG من منظور عام. على وجه الخصوص ، يعد إجراء التحقق من معلومات الحدث الموضحة في الخطوة 2.2.3 أمرا بالغ الأهمية للحصول على التوقيت الدقيق للأحداث التجريبية. هذا يمنع تجزئة البيانات غير الدقيقة ، مما قد يؤدي إلى نتائج غير موثوقة. علاوة على ذلك ، عندما تشمل التجارب المرضى ، يلزم وجود تصميمات تجريبية واضحة وموجزة لمنع التعب وتقليل التركيز. في هذه الدراسة ، قارن المؤلفون بشكل مستقل أنماط EEG التي لوحظت خلال حركات اليد المتأثرة وغير المتأثرة داخل كل مشارك ، والذين تراوحت أعمارهم بين 18 و 80 عاما. في حين أنه قد يكون هناك بعض آثار الشيخوخة على نمط EEG بين المشاركين من مختلف الأعمار ، فمن المحتمل أن تكون النتائج قد نشأت في المقام الأول من حالتين مختلفتين: حركات اليد المتأثرة أو غير المتأثرة. ومع ذلك ، بالنظر إلى التأثير المحتمل للعمر على أنماط EEG ، يوصى بفئة عمرية أوسع لإجراء تحليل أكثر شمولا.
تضمن النموذج المستخدم في هذه الدراسة تناوب مهام تمديد اليد والاسترخاء خلال فترة قصيرة نسبيا (5 ثوان و 3 ثوان ، على التوالي) عدة مرات. كافح المشاركون الذين يعانون من إعاقات إدراكية لفهم التعليمات وأداء المهمة في غضون المهلة الزمنية. وبالتالي ، قبل تسجيل EEG باستخدام هذا النموذج ، يجب على الباحثين توجيه المشارك بدقة ، وإذا أمكن ، إظهار المهمة لضمان فهم المشارك الكامل للنموذج والمهمة. لذلك ، فإن أحد القيود المحتملة لهذا النموذج هو استبعاد المرضى الذين يعانون من إعاقات إدراكية والذين لا يستطيعون فهم النموذج التجريبي أو المرضى المحبوسين بشدة الذين لا يستطيعون تنفيذ مهمة الحركة. في كثير من الأحيان ، يصاحب الضعف الإدراكي ضعف حركي شديد لدى الأفراد المصابينبالسكتة الدماغية 28. نتيجة لذلك ، فإن قابلية تطبيق النموذج في الأفراد المصابين بالسكتة الدماغية أضيق مقارنة بنموذج EEG في حالة الراحة 8,29. بالنسبة للمرضى المحبوسين بشدة والذين يعانون من إدراك سليم ، يمكن تطبيق النموذج عن طريق تكرار الحركة بخيال الحركة (الصور الحركية) ، والتي يمكن أن تنتج أيضا نشاط الدماغ المرتبط بالحركة30,31.
علاوة على ذلك ، هناك نقطتان مهمتان يجب مراعاتهما عند إجراء تجربة بناء على جهاز EEG المذكور أعلاه. أولا ، لضمان تسجيل البيانات بشكل مستقر ، يوصى بشدة بفحص مقاومة القطب قبل كل جلسة اكتساب وفقا للإجراء الوارد في الخطوة 2.1.9. إذا لم تنعكس معلومات المعاوقة بشكل صحيح ، فقد تحدث أخطاء عند تحويل تنسيق الملف الأولي (.vhdr) إلى تنسيق الملف المطلوب (على سبيل المثال ، ".mat" ، ".py" ، إلخ). ثانيا ، في هذه الدراسة ، تم توصيل مضخم EEG بجهاز كمبيوتر تسجيل عبر كابل USB. للحصول على اتصالات مستقرة بين كمبيوتر التسجيل وكابل USB ، يوصى بشدة باستخدام منفذ USB 2.0 ؛ قد تنشأ مشكلات فنية تتعلق باتصال مضخم EEG إذا تم استخدام منفذ USB 3.0.
يسمح البروتوكول التجريبي المقترح بمراقبة أنماط EEG المستنبطة أثناء الحركات في المرضى الذين يعانون من ضعف في الوظائف الحركية. هناك حاجة إلى مزيد من التحقيقات باستخدام هذا النموذج لتأكيد قيمته كأداة تقييم نوعية لتقييم مدى تعافي الوظيفة الحركية لدى الأفراد المصابين بالسكتة الدماغية الذين يخضعون لإعادة التأهيل الحركي.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
لدى MS و NJP و WSK و HJH براءة اختراع معلقة بعنوان "طريقة توفير المعلومات المتعلقة بضعف الحركة والأجهزة المستخدمة فيها" ، رقم 10-2022-0007841.
Acknowledgments
تم دعم هذا العمل من خلال منحة المؤسسة الوطنية للبحوث الكورية (NRF) بتمويل من الحكومة الكورية (MSIT) (No. NRF-2022R1A2C1006046) ، من خلال برنامج أبحاث التكنولوجيا الأصلية لعلوم الدماغ من خلال المؤسسة الوطنية للبحوث الكورية (NRF) بتمويل من وزارة التعليم والعلوم والتكنولوجيا (2019M3C7A1031995) ، من خلال منحة المؤسسة الوطنية للبحوث الكورية (NRF) الممولة من الحكومة الكورية (MSIT) (No. NRF-2022R1A6A3A13053491) ، ومن قبل MSIT (وزارة العلوم وتكنولوجيا المعلومات والاتصالات) ، كوريا ، في إطار برنامج دعم ITRC (مركز أبحاث تكنولوجيا المعلومات) (IITP-2023-RS-2023-00258971) تحت إشراف IITP (معهد تخطيط وتقييم تكنولوجيا المعلومات والاتصالات).
Materials
| Name | Company | Catalog Number | Comments |
| actiCAP | Easycap, GmbH Ltd., Herrsching, Germany | CAC-32-SAMW-56 | Textile EEG cap platform to accommodate EEG electrodes |
| Brain Vision Recorder (Software) | Brain Products GmBH Ltd., Munich, Germany | - | Software used to record EEG signal |
| Curry 7 (Software) | Compumedics, Australia | - | Software used in preprocessing of EEG data |
| MATLAB R2019a (Software) | MathWorks Inc., Natick, MA, USA | - | Software used to run the experimental stimulus and analyze the EEG data |
| Recording PC | Lenovo Group Limited, Hong Kong, China | Model: X58K | Intel Core i7-7700HQ CPU@2.80 GHz, RAM 8 GB /EEG data recording using Brain Vision Recorder |
| Sensor&Trigger Extension(STE) | Brain Products GmBH Ltd., Munich, Germany | STE-055604-0162 | Adds physioloigcal signals to the EEG amplifier |
| Splitter box | Brain Products GmBH Ltd., Munich, Germany | BP-135-1600 | Connects Ag/AgCl electrodes to the EEG amplifier |
| Stimulation PC | Hansung Corporation, Seoul, Korea | Model: ThinkPad P71 | Intel Core i7-8750H CPU@2.20 GHz, RAM 8 GB Presenting stimulation screen using MATLAB |
| TriggerBox | Brain Products GmBH Ltd., Munich, Germany | BP-245-1010 | Receives trigger signal from PC and relay it to EEG recording system |
References
- Faria-Fortini, I., Michaelsen, S. M., Cassiano, J. G., Teixeira-Salmela, L. F. Upper extremity function in stroke subjects: Relationships between the international classification of functioning, disability, and health domains. Journal of Hand Therapy. 24 (3), 257-265 (2011).
- Veerbeek, J. M., Kwakkel, G., van Wegen, E. E., Ket, J. C., Heymans, M. W. Early prediction of outcome of activities of daily living after stroke: a systematic review. Stroke. 42 (5), 1482-1488 (2011).
- Babiloni, C., et al. Human movement-related potentials vs desynchronization of EEG alpha rhythm: a high-resolution EEG study. Neuroimage. 10 (6), 658-665 (1999).
- Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
- Bartur, G., Pratt, H., Soroker, N. Changes in mu and beta amplitude of the EEG during upper limb movement correlate with motor impairment and structural damage in subacute stroke. Clinical Neurophysiology. 130 (9), 1644-1651 (2019).
- Boyd, L. A., et al. Biomarkers of stroke recovery: Consensus-based core recommendations from the Stroke Recovery and Rehabilitation Roundtable. International Journal of Stroke. 12 (5), 480-493 (2017).
- Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187 (2017).
- Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
- Saes, M., et al. Is Resting-state EEG longitudinally associated with recovery of clinical neurological impairments early poststroke? A prospective cohort study. Neurorehabilitation and Neural Repair. 34 (5), 389-402 (2020).
- Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. International Journal of Psychophysiology. 146, 133-138 (2019).
- Ang, K. K., et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke. Clinical EEG and Neuroscience. 46 (4), 310-320 (2015).
- Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., Zhao, X. A comprehensive review of EEG-based brain-computer interface paradigms. Journal of Neural Engineering. 16 (1), 011001 (2019).
- Antelis, J. M., Montesano, L., Ramos-Murguialday, A., Birbaumer, N., Minguez, J. Decoding upper limb movement attempt from EEG measurements of the contralesional motor cortex in chronic stroke patients. IEEE Transactions on Biomedical Engineering. 64 (1), 99-111 (2017).
- Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002 (2019).
- Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
- Chatrian, G. E., Lettich, E., Nelson, P. L. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activities. American Journal of EEG technology. 25 (2), 83-92 (1985).
- Shim, M., et al. Altered functional networks of alpha and low-beta bands during upper limb movement and association with motor impairment in chronic stroke. Brain Connectivity. , (2021).
- Semlitsch, H. V., Anderer, P., Schuster, P., Presslich, O. A solution for reliable and valid reduction of ocular artifacts, applied to the P300 ERP. Psychophysiology. 23 (6), 695-703 (1986).
- Kim, Y. W., et al. Riemannian classifier enhances the accuracy of machine-learning-based diagnosis of PTSD using resting EEG. Progress in Neuropsychopharmacology & Biological Psychiatry. 102, 109960 (2020).
- Griffin, D., Lim, J. Signal estimation from modified short-time Fourier transform. IEEE Transactions on Acoustics, Speech, and Signal Processing. 32 (2), 236-243 (1984).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J.
- Shim, M., Kim, D. W., Lee, S. H., Im, C. H. Disruptions in small-world cortical functional connectivity network during an auditory oddball paradigm task in patients with schizophrenia. Schizophrenia Research. 156 (2-3), 197-203 (2014).
- Shim, M., Hwang, H. J., Lee, S. H. Impaired functional cortical networks in the theta frequency band of patients with post-traumatic stress disorder during auditory-cognitive processing. Frontiers in Psychiatry. 13, 811766 (2022).
- Bassett, D. S., Bullmore, E.
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Shiner, C. T., Tang, H., Johnson, B. W., McNulty, P. A. Cortical beta oscillations and motor thresholds differ across the spectrum of post-stroke motor impairment, a preliminary MEG and TMS study. Brain Research. 1629, 26-37 (2015).
- López-Larraz, E., Sarasola-Sanz, A., Irastorza-Landa, N., Birbaumer, N., Ramos-Murguialday, A. Brain-machine interfaces for rehabilitation in stroke: A review. NeuroRehabilitation. 43 (1), 77-97 (2018).
- Fong, K. N., Chan, C. C., Au, D. K. Relationship of motor and cognitive abilities to functional performance in stroke rehabilitation. Brain Injury. 15 (5), 443-453 (2001).
- Vecchio, F., et al. Acute cerebellar stroke and middle cerebral artery stroke exert distinctive modifications on functional cortical connectivity: A comparative study via EEG graph theory. Clinical Neurophysiology. 130 (6), 997-1007 (2019).
- Hwang, H. J., Kwon, K., Im, C. H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). Journal of Neuroscience Methods. 179 (1), 150-156 (2009).
- Park, S. A., et al. Evaluation of feature extraction methods for EEG-based brain-computer interfaces in terms of robustness to slight changes in electrode locations. Medical & Biological Engineering & Computing. 51 (5), 571-579 (2013).
