Summary
实验方案展示了在中风患者上肢运动期间获取和分析脑电图（EEG）信号的范式。在受损的上肢运动过程中观察到低β脑电图频段功能网络的改变，并与运动障碍的程度有关。
Abstract
据报道，在受损肢体的特定任务运动期间脑电图 （EEG） 信号的改变是运动障碍严重程度和预测卒中患者运动恢复的潜在生物标志物。在实施脑电图实验时，需要详细的范式和组织良好的实验方案，以获得稳健且可解释的结果。在该协议中，我们说明了一种特定于任务的范式，其中包含上肢运动以及获取和分析脑电图数据所需的方法和技术。该范式包括 1 分钟的休息，然后是 10 次试验，分别在 4 个疗程中交替进行 5 秒和 3 秒的休息和任务（手伸展）状态。使用 32 个 Ag/AgCl 头皮电极以 1,000 Hz 的采样率采集脑电图信号，在低 β （12-20 Hz） 频段进行与肢体运动相关的事件相关频谱扰动分析和全局水平的功能网络分析。代表性结果显示，在受损的上肢运动过程中，低β脑电图频段的功能网络发生了改变，并且功能网络的改变与慢性脑卒中患者的运动障碍程度有关。结果证明了中风患者上肢运动期间脑电图测量实验范式的可行性。需要使用这种范式进行进一步研究，以确定脑电图信号作为运动损伤和恢复的生物标志物的潜在价值。
Introduction
上肢运动障碍是卒中最常见的后果之一，与日常生活活动受限有关1,2。已知 Alpha （8-13 Hz） 和 beta （13-30 Hz） 波段节律与运动密切相关。特别是，研究表明，在肢体受损运动期间，α 和下 β （12-20 Hz） 频段的神经活动改变与中风患者的运动障碍程度相关 3,4,5。基于这些发现，脑电图 （EEG） 已成为一种潜在的生物标志物，它反映了运动障碍的严重程度和运动恢复的可能性 6,7。然而，先前开发的基于脑电图的生物标志物已被证明不足以研究卒中患者的运动障碍特征，这主要是因为它们依赖于静息态脑电图数据而不是任务诱导的脑电图数据8,9,10。与运动障碍相关的复杂信息处理，例如同侧半球和对侧半球之间的相互作用，只能通过任务诱导的脑电图数据来揭示，而不是静息态脑电图。因此，不仅需要进一步的研究来探索神经元活动与运动障碍特征之间的关系，还需要阐明在受损身体部位运动过程中产生的脑电图作为中风患者运动障碍的潜在生物标志物的有用性11.
实施脑电图以评估行为影响需要特定于任务的范式和协议。迄今为止，已经提出了各种脑电图方案12，其中卒中患者进行想象或实际的运动以诱导与运动相关的大脑活动11,13。在想象运动的情况下，大约53.7%的参与者无法明确地想象相应的运动（称为“文盲”），因此未能诱导与运动相关的大脑活动14。此外，严重中风患者很难移动整个上肢，并且由于运动不稳定，在数据采集过程中可能会产生不必要的伪影。因此，需要基于专家专业知识的指导，以获得与任务相关的高质量脑电图数据和神经生理学可解释的结果。在这项研究中，我们为脑卒中患者全面设计了一个实验范式，以执行相对简单的手部运动任务，并提供了具有详细指导的实验程序。
通过概述本文中的可视化实验方案，我们旨在说明使用脑电图系统获取和分析与上肢运动相关的神经元活动的具体概念和方法。为了证明偏瘫性中风参与者的麻痹性和非麻痹性上肢之间通过脑电图进行神经元活动的差异，本研究旨在介绍使用所述方案作为脑电图作为横断面背景下中风患者运动障碍严重程度的潜在生物标志物的可行性。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
所有实验程序均由首尔大学盆唐医院机构审查委员会审查和批准。在这项研究的实验中，招募了 34 名中风参与者。已获得所有参与者签署的知情同意书。如果参与者符合标准但由于残疾而无法签署同意书，则从法定代表处获得签署的知情同意书。
1. 实验装置
- 患者招募
- 使用以下纳入标准执行筛选过程：
年龄在 18 至 85 岁之间，存在上肢功能受损;
首次通过脑部计算机断层扫描或磁共振成像证实的缺血性或出血性卒中;
参与者遵循临床评估和脑电图研究说明的能力;
除中风外，没有任何其他精神或神经系统疾病的病史。 - 根据以下情况排除患者：
既往涉及中枢神经系统的疾病（例如，创伤性脑损伤、脑肿瘤、帕金森病）;
无法佩戴脑电图帽;和
无法遵循临床评估和脑电图研究的说明。
注意：选择纳入和排除标准是为了选择能够参与实验的参与者，并调节可能影响结果的人口统计学因素。 - 向所有招募的参与者提供有关实验程序细节的信息。
- 使用以下纳入标准执行筛选过程：
- 实验系统：脑电图
- 使用由 32 个 Ag/AgCl 头皮电极、纺织脑电图帽和脑电图记录软件组成的脑电图系统进行数据记录。
- 使用安装了脑电图记录软件的个人电脑 （PC），并通过蓝牙将 PC 连接到脑电图设备。
- 使用另一台装有数值分析和编程软件应用程序的 PC 进行工程设计（参见 材料表）。
- 对于刺激呈现，将 PC 连接到专用触发盒（图 1）。
注意： 两台 PC 的详细规格见 材料表。
- 基于编程软件的实验范式
注：参与者使用受影响的和未受影响的手执行手部伸展任务，在此期间测量脑电图数据。 图 2 显示了本研究的实验范式。- 在监视器的中心呈现两个视觉刺激， CLOSE 和 OPEN，每个 30 秒，以测量基线静息态脑电图数据，在此期间参与者闭上和睁开眼睛。
注意：由于静息态脑电图数据受不需要的生理伪影的污染相对较少，因此它们可用于验证脑电图数据的质量并识别与静息状态相关的个体脑电图特征。 - 展示手部运动图像 3 秒以指示参与者进行手部伸展运动，然后是固定标记 5 秒以进行休息。
注意：此程序被视为试验，并在一次会议中重复 10 次。每个参与者每只手都经历了 4 个疗程。参与者在每次训练后随时休息，以防止过度疲劳。
- 在监视器的中心呈现两个视觉刺激， CLOSE 和 OPEN，每个 30 秒，以测量基线静息态脑电图数据，在此期间参与者闭上和睁开眼睛。
图 1：设备设置示意图。 将呈现实验刺激的 PC （PC1） 连接到触发盒，将另一台 PC （PC2） 连接到脑电图放大器。PC1 中产生的刺激事件通过连接到 PC1 的触发盒传递到 EEG 放大器。 请点击这里查看此图的较大版本.
图2：本研究中使用的实验范式。 单次试验包括 3 秒的手伸展运动，然后放松 5 秒。此模式在一次会话中重复 10 次。共进行了八次会议;四个疗程涉及受影响的手部运动，而其他四个疗程涉及未受影响的手部运动。本图改编自 Shim et al.17 经 Mary Ann Liebert， Inc. 许可。
2. 记录与运动相关的脑电图数据
- 脑电图设置
- 让参与者坐在显示器前的舒适扶手椅上。
注意： 参与者与显示器之间的距离应至少为 60 厘米，以防止眼睛疲劳。但是，应避免过长的距离（例如，>150 厘米），因为它可能会分散参与者的注意力。 - 为了准确佩戴帽进行脑电图测量，请使用连接鼻孔和鼻孔的纵线与连接两个耳廓上部的横线的交点，根据国际 10-20 系统定义 Cz 位置。
注意： 根据 EEG 测量设备的不同，可能不需要 EEG 帽。在这种情况下，根据国际10-20系统15，脑电图电极直接连接到头皮上。 - 为了进行准确的脑电图测量，请根据参与者的头部尺寸使用适当尺寸的脑电图帽，并将其放置在Cz电极位置上，以便将Cz电极位置放置在单个Cz位置上。
- 将下颌带固定得适当松紧;这将防止参与者在实验中吞咽和眨眼时感到不舒服。之后，确认脑电帽的T9和T10电极位置在两个耳廓上方的颞区，脑电帽的Fpz电极位置位于前额中间。
注意： 如果这些电极不在指定位置，请考虑更换盖子。我们的研究使用了三种脑电图帽尺寸（54 厘米：小，56 厘米：中，58 厘米：大）。 - 正确放置脑电图帽后，根据扩展的国际10-10系统，在头皮上安装32个Ag / AgCl头皮电极，接地电极和参比电极分别位于Fpz和FCz，分别为16。
注意：参比电极 （FCz） 的位置受各种生理伪影的影响相对较小，例如来自眼电图、肌电图和心电图的伪影，因为它位于头皮的中心区域 （Cz） 周围。 - 使用导电凝胶调整脑电图电极和头皮之间的阻抗水平，并用凝胶固定头发，以防止脑电图电极和头皮之间有任何阻塞。
注意：重要的是要确认相邻的脑电图电极之间是否由于凝胶泄漏而产生了任何桥。 - 使用软件进行脑电图记录。
- 打开脑电图系统并执行 配置 > 选择 Amp扩音器。选择 Liveamp > > amp 放大器>连接。 搜索 Liveamp 无线连接功能（图 3）。
- 执行阻抗检查功能以监控每个电极的 阻抗 水平。
注意：建议在 <20 KΩ 的阻抗水平下进行实验（图 4）。 - 执行监测功能，通过实时脑电信号 监测 ，确认所有电极的脑电图是否具有相似的振幅水平（图5）。
注意：脑电信号的幅度通常在 10 μV 和 100 μV 之间，闭上眼睛时枕部周围的 alpha （8-12 Hz） 功率增加。因此，通过闭眼时监测枕部周围通道的振幅水平和α振荡，可以定性地确认脑电图数据的质量。
- 让参与者坐在显示器前的舒适扶手椅上。
- 范式设置
- 为了获得稳定的脑电图数据，使用两台独立的PC来呈现外部刺激和记录脑电图数据（见 图1）。
- 为了向参与者展示实验刺激，使用编程软件（在步骤 1.3 中介绍）基于实验范式创建刺激程序。
注意：本研究创建了一个基于软件的刺激程序，但可以使用其他软件，具体取决于它们与用于实验的脑电图设备的兼容性以及用户的便利性。基于编程软件的激励脚本在 补充文件 1 （Experimental_stimulus.m） 中提供。指示刺激起始点的事件信息由内部编程软件生成，通过触发盒传输到脑电图放大器，并最终传输到脑电图记录软件（图 1）。 - 在监测模式下执行呈现实验刺激的程序（参见子步骤 2.1.10）。随后，确认每次出现刺激时，事件信息都及时在脑电图记录软件底部正确标记，如图 6 所示。
注意：每当出现新的刺激时，都会记录有关时间点的信息，并随后用于数据分割。因此，尽可能获取实验事件的确切时间点非常重要，以防止数据分割不准确，从而导致分析结果不可靠。 - 启动脑电记录软件，然后使用编程软件独立运行基于实验范式开发的刺激呈现程序，防止数据遗漏。
注意：为了方便数据分析，建议使用一致的数据存储规则（例如，Sub1_Session1）创建文件名。
- 脑电图记录
- 按照步骤 1.3 中介绍的实验范式，以 1,000 Hz 的采样率测量脑电图。
注意：采样率可以根据研究人员想要研究的脑电图频率范围而改变。通常建议使用 >200 Hz 的采样率，其中基于奈奎斯特定理可以在 ≤100 Hz 下研究脑电图信息。这是因为大多数脑电图信息存在于 100 Hz 以下。 - 参与者之间尽可能保持相同的实验环境（例如，实验场所、设备、室温等），并指导他们在脑电图测量过程中尽量减少不必要的运动。
- 按照步骤 1.3 中介绍的实验范式，以 1,000 Hz 的采样率测量脑电图。
图 3：EEG 放大器和带有 EEG 记录软件的 PC 之间的无线连接程序。 按顺序按照以下步骤操作：（A） 选择 amp扩音器，（B） 连接 amp扩音器，（C） 搜索连接的升压器进行无线连接，（D） 连接完成。请点击这里查看此图的较大版本.
图 4：每个通道的阻抗检查程序。 所有通道都应调整为绿色，以实现稳定的脑电图测量。建议在阻抗小于 20 KΩ 的情况下进行实验。 请点击这里查看此图的较大版本.
图 5：每个通道的实时数据监控程序。 可以实时监控来自所有被测通道的信号，并可以使用顶部栏上的选项（红框）进行放大/缩小。 请点击这里查看此图的较大版本.
图 6：监控事件信息的屏幕截图。 红色条表示每次由 PC1 提供刺激时显示的事件制造者。 请点击这里查看此图的较大版本.
3. 脑电数据分析
注：本研究为复制研究概念提供了精确的指导。因此，它简要概述了分析过程和代表性结果。详细的过程和相关结果可以在以前的研究中找到17.这表明 Mary Ann Liebert， Inc. 已授予使用受版权保护材料的许可。
- 预处理
- 使用基于脑电图数据预处理软件18,19中实现的主成分分析的数学程序，从原始脑电图数据中删除与眼睛相关的伪影（参见材料表）。
注：如果任何纪元显示出明显的伪影（± 100 μV），即使在任何电极中进行预处理后，也被排除在进一步分析之外。被拒绝的周期数（包括其标准差）的平均数目（包括其标准差）为3.69±受影响的手部运动任务为7.15个，未受影响的手部运动任务为1.62个±3.95个。 - 应用0.1 Hz至55 Hz之间的带通滤波器。 根据任务开始，将每次试验的预处理脑电图数据从-1秒分割到3.5秒，以包含用于事件相关频谱扰动（ERSP）和功能网络分析的基线期。
- 使用基于脑电图数据预处理软件18,19中实现的主成分分析的数学程序，从原始脑电图数据中删除与眼睛相关的伪影（参见材料表）。
- ERSP分析
注：测量的脑电图数据通过与自主运动相关的低 β 频段 （12-20 Hz） 的 ERSP 分析进行验证。- 对每次试验进行短时傅里叶变换以计算脑电图谱功率，为此使用编程软件中EEGLAB工具箱的 newtimef 函数20（非重叠Hanning窗口，250 ms窗口大小）。
- 通过减去基线周期（-1 至 0 秒）的平均功率来规范化每个试验的功率谱，以研究手部运动任务和基线周期之间的频谱功率变化。
- 通过对试验中的归一化功率谱求平均值来估计每位患者的基线归一化 ERSP 图。
- 功能网络分析
注：进行了功能网络分析，从脑网络的角度研究脑电图的变化。为了计算基于图论的加权全脑网络指数，首先使用锁相值（PLV）计算不同区域之间的大脑连接性。然后使用基于 PLV 的连接分析的结果计算功能连接矩阵，随后用于计算全脑网络指数17。所有功能网络分析均使用编程软件进行。- 使用内部函数 21,22 计算低 β 频带 （12-20 Hz） 的基于希尔伯特变换的锁相值 （PLV）。用于计算基于希尔伯特变换的 PLV 的内部函数在补充文件 2 （myPLV.m） 中提供。
- 在任务期间（0-3.5 秒）的每个时间点评估所有可能的 32 个 EEG 电极对之间的 PLV，并通过平均任务期间的 PLV 来创建对称邻接矩阵（32 x 32，电极数 = 32）。使用 PLV 矩阵作为网络分析的输入数据17,23。
- 使用大脑连接工具箱 （https://sites.google.com/site/bctnet） 基于图论评估四个加权全球网络指数：（1） 强度、（2） 聚类系数、（3） 路径长度和 （4） 小世界性 17,24,25。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
图 7 显示了每个手部运动任务的地形低 beta ERD 图。与同侧半球相比，在受影响和未受影响的手部运动任务中，在对半球观察到显着强的低 β ERD。
图 7：分别执行受影响和未受影响手部运动任务的所有患者的平均地形图。 通过反演右偏瘫组的ERD图得到综合地形图。较深的蓝色代表较强的ERD，表明相应的大脑区域比其他区域更活跃。CON表示完整的对侧半球，IPSI表示受损的同侧半球。本图改编自 Shim et al.17 经 Mary Ann Liebert， Inc. 许可。
表 1 显示了四个加权全局级网络特征的定量结果。与未患手的运动任务相比，在患手的运动任务期间观察到网络指数的变化。与未受影响的手部运动任务相比，受影响手部运动任务期间的强度和聚类系数指数均显著降低。相反，在受影响的手部运动任务期间，路径长度显着增加。两项任务在小世界性上没有显著差异。
我们还使用 Fugl-Meyer 评估 （FMA） 评估了功能网络指数与运动障碍程度之间的相关性。α波段同源网络强度（rho = 0.340，p = 0.049）、聚类系数（rho = 0.342，p = 0.048）和小世界性（rho = 0.444，p = 0.008）与FMA评分呈正相关，而路径长度（rho = -0.350，p = 0.042）与FMA评分呈负相关。（图 8）。低β同源网络指数与FMA评分的相关性差异显著（强度rho = 0.328，p = 0.058，聚类系数rho = 0.338，p = 0.051，路径长度rho = -0.340，p = 0.049）。
图 8：α 同侧功能网络指数（强度、聚类系数、路径长度和小世界性）与 Fugl-Meyer 评估分数之间的相关性。 本图改编自 Shim et al.17 经 Mary Ann Liebert， Inc. 许可。
| 受影响的手部运动 | 不受影响的手部运动 | p | |
| 强度 | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| 聚类系数 | 0.342 ± 0.056 | 0.356 ± 0.057 | 0.014* |
| 路径长度 | 3.249 ± 0.483 | 3.147 ± 0.456 | 0.021* |
| 小世界性 | 0.897 ± 0.032 | 0.894 ± 0.030 | 0.405 |
表1：低β波段全脑网络指数的平均值和标准差值。 网络测量没有使用特定单位 （*p < 0.05）。此表改编自 Shim 等人 17 ，经 Mary Ann Liebert， Inc. 许可。
补充文件1：Experimental_stimulus.m. 基于编程软件的激励脚本。 请点击这里下载此文件。
补充文件2：myPLV.m。 用于计算基于希尔伯特变换的 PLV 的内部函数。 请点击这里下载此文件。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
本研究引入了一项脑电图实验，用于测量中风患者上肢运动相关的神经元活动。应用脑电图采集和分析的实验范式和方法确定同病和对位运动皮层的ERD模式。
ERSP图的结果（图7）表明，当移动受损和未受影响的手时，神经元激活程度的差异。结果与先前文章26,27的结果一致，并表明实验设置是一种可行的方法，可以在临床研究环境中实施。
过去的研究主要使用静息态脑电图数据来研究中风患者神经元活动的改变。然而，这项研究采用了在手部运动期间测量的特定任务脑电图数据，这显示出有望作为预测运动恢复的生物标志物17。
从一般的角度来看，必须提及脑电图记录的某些重要考虑因素。特别是，验证步骤2.2.3中概述的事件信息的程序对于获取实验事件的精确时间至关重要。这样可以防止不准确的数据分割，这可能导致不可靠的结果。此外，当涉及患者的实验时，需要清晰简洁的实验设计，以防止疲劳和注意力下降。在这项研究中，作者独立比较了每个参与者（年龄从18岁到80岁）在受影响和未受影响的手部运动中观察到的脑电图模式。虽然不同年龄的参与者可能会对脑电图模式产生一些衰老影响，但结果可能主要源于两种不同的情况：受影响的或未受影响的手部运动。然而，考虑到年龄对脑电图模式的潜在影响，建议使用更广泛的年龄组进行更全面的分析。
本研究中使用的范式涉及在相对较短的时间内（分别为 5 秒和 3 秒）多次交替进行手部伸展和放松任务。有认知障碍的参与者难以理解指令并在时限内执行任务。因此，在使用这种范式记录脑电图之前，研究人员必须彻底指导参与者，并在可能的情况下演示任务，以确保参与者完全理解范式和任务。因此，这种范式的一个可能的局限性是排除了无法理解实验范式的认知障碍患者或无法执行运动任务的严重锁定患者。通常，认知障碍伴随着中风患者的严重运动障碍28.因此，与静息态脑电图范式相比，该范式在卒中个体中的适用性更窄 8,29。对于认知能力完好的严重锁定患者，可以通过用运动想象（运动意象）复制运动来应用该范式，这也可以产生与运动相关的大脑活动30,31。
此外，在基于上述脑电图设备进行实验时，需要考虑两个要点。首先，为确保稳定的数据记录，强烈建议在每次采集前按照步骤2.1.9中的步骤检查电极阻抗。如果阻抗信息未正确反映，则在将初始文件格式（.vhdr）转换为所需的文件格式（例如“.mat”，“.py”等）时可能会发生错误。其次，在这项研究中，脑电图放大器通过USB电缆连接到记录PC。为了在录制 PC 和 USB 电缆之间建立稳定连接，强烈建议使用 USB 2.0 端口;如果使用 USB 3.0 端口，可能会出现与 EEG 放大器连接相关的技术问题。
所提出的实验方案允许观察运动功能障碍患者运动期间引发的脑电图模式。需要使用这种范式进行进一步研究，以确认其作为定性评估工具的价值，用于评估接受运动康复的中风患者运动功能恢复的程度。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS、NJP、WSK 和 HJH 拥有一项正在申请的专利，标题为“提供与运动障碍相关的信息及其使用的设备的方法”，编号为 10-2022-0007841。
Acknowledgments
这项工作得到了韩国政府（MSIT）资助的韩国国家研究基金会（NRF）资助（No.NRF-2022R1A2C1006046），由韩国文部科学部资助的韩国国家研究基金会（NRF）脑科学原创技术研究计划（2019M3C7A1031995），由韩国政府资助的韩国国家研究基金会（NRF）（No.NRF-2022R1A6A3A13053491）和韩国MSIT（科学与信息通信技术部）根据ITRC（信息技术研究中心）支持计划（IITP-2023-RS-2023-00258971）由IITP（信息与通信技术规划与评估研究所）监督。
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).
