Summary
Den eksperimentelle protokol demonstrerer paradigmet for erhvervelse og analyse af elektroencefalografi (EEG) signaler under bevægelse af overekstremiteter hos personer med slagtilfælde. Ændringen af det funktionelle netværk af EEG-frekvensbånd med lav beta blev observeret under bevægelsen af den svækkede øvre lem og var forbundet med graden af motorisk svækkelse.
Abstract
Ændring af elektroencefalografi (EEG) signaler under opgavespecifik bevægelse af det svækkede lem er blevet rapporteret som en potentiel biomarkør for sværhedsgraden af motorisk svækkelse og til forudsigelse af motorisk genopretning hos personer med slagtilfælde. Ved implementering af EEG-eksperimenter kræves detaljerede paradigmer og velorganiserede eksperimentprotokoller for at opnå robuste og fortolkelige resultater. I denne protokol illustrerer vi et opgavespecifikt paradigme med overekstremitetsbevægelse og metoder og teknikker, der er nødvendige for erhvervelse og analyse af EEG-data. Paradigmet består af 1 minuts hvile efterfulgt af 10 forsøg bestående af skiftevis 5 s og 3 s hvile og opgave (håndforlængelse) -tilstande over 4 sessioner. EEG-signaler blev erhvervet ved hjælp af 32 Ag / AgCl hovedbundselektroder med en samplinghastighed på 1.000 Hz. Begivenhedsrelateret spektral forstyrrelsesanalyse forbundet med lemmernes bevægelse og funktionelle netværksanalyser på globalt plan i lav-beta (12-20 Hz) frekvensbåndet blev udført. Repræsentative resultater viste en ændring af det funktionelle netværk af EEG-frekvensbånd med lav beta under bevægelse af den svækkede øvre ekstremitet, og det ændrede funktionelle netværk var forbundet med graden af motorisk svækkelse hos patienter med kronisk slagtilfælde. Resultaterne demonstrerer gennemførligheden af det eksperimentelle paradigme i EEG-målinger under bevægelse af overekstremiteter hos personer med slagtilfælde. Yderligere forskning ved hjælp af dette paradigme er nødvendig for at bestemme den potentielle værdi af EEG-signaler som biomarkører for motorisk svækkelse og genopretning.
Introduction
Motorisk svækkelse af overekstremiteter er en af de mest almindelige konsekvenser af slagtilfælde og er relateret til begrænsninger i dagligdagens aktiviteter 1,2. Alfa (8-13 Hz) og beta (13-30 Hz) båndrytmer er kendt for at være tæt forbundet med bevægelser. Især har undersøgelser vist, at ændret neural aktivitet i alfa- og nedre beta-frekvensbåndet (12-20 Hz) under bevægelse af et nedsat lem er korreleret med graden af motorisk svækkelse hos personer med slagtilfælde 3,4,5. Baseret på disse fund er elektroencefalografi (EEG) opstået som en potentiel biomarkør, der afspejler både sværhedsgraden af motorisk svækkelse og muligheden for motorisk genopretning 6,7. Tidligere udviklede EEG-baserede biomarkører har imidlertid vist sig utilstrækkelige til at undersøge karakteristika ved motorisk svækkelse hos personer med slagtilfælde, hovedsageligt på grund af deres afhængighed af hviletilstands-EEG-data snarere end opgaveinducerede EEG-data 8,9,10. Kompleks informationsbehandling relateret til motoriske svækkelser, såsom interaktionen mellem ipsilesional og contralesional halvkugle, kan kun afsløres gennem opgaveinducerede EEG-data, ikke hviletilstands-EEG. Derfor er yderligere undersøgelser ikke kun nødvendige for at undersøge forholdet mellem neuronale aktiviteter og motoriske svækkelseskarakteristika og for at klarlægge nytten af EEG genereret under bevægelse af den svækkede kropsdel som en potentiel biomarkør for motorisk svækkelse hos personer med slagtilfælde11.
Implementering af EEG til vurdering af adfærdsmæssige effekter kræver opgavespecifikke paradigmer og protokoller. Til dato er forskellige EEG-protokoller blevet foreslået12, hvor personer med slagtilfælde udførte forestillede eller faktiske bevægelser for at fremkalde bevægelsesrelaterede hjerneaktiviteter11,13. I tilfælde af forestillede bevægelser kunne omkring 53,7% af deltagerne ikke helt sikkert forestille sig en tilsvarende bevægelse (kaldet "analfabetisme") og undlod således at fremkalde bevægelsesrelaterede hjerneaktiviteter14. Desuden er det vanskeligt for personer med alvorligt slagtilfælde at bevæge hele den øvre ekstremitet, og der er mulighed for unødvendige artefakter under dataindsamling på grund af ustabile bevægelser. Derfor er der behov for vejledning baseret på ekspertviden for at opnå opgaverelaterede EEG-data af høj kvalitet og neurofysiologisk fortolkelige resultater. I denne undersøgelse designede vi omfattende et eksperimentelt paradigme for personer med slagtilfælde til at udføre en relativt simpel håndbevægelsesopgave og leverede en eksperimentel procedure med detaljeret vejledning.
Ved at skitsere den visualiserede eksperimentelle protokol i denne artikel havde vi til formål at illustrere de specifikke begreber og metoder, der anvendes til erhvervelse og analyse af neuronale aktiviteter relateret til bevægelsen af overekstremiteten ved hjælp af et EEG-system. Ved at demonstrere forskellen i neuronale aktiviteter via EEG mellem de paretiske og ikke-paretiske øvre lemmer hos deltagere med hemiplegisk slagtilfælde havde denne undersøgelse til formål at præsentere gennemførligheden af EEG ved hjælp af den beskrevne protokol som en potentiel biomarkør for sværhedsgraden af motorisk svækkelse hos personer med slagtilfælde i en tværsnitssammenhæng.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle eksperimentelle procedurer blev gennemgået og godkendt af Institutional Review Board of Seoul National University Bundang Hospital. Til eksperimenterne i denne undersøgelse blev 34 deltagere med slagtilfælde rekrutteret. Der blev indhentet underskrevet informeret samtykke fra alle deltagere. Et underskrevet informeret samtykke blev indhentet fra en juridisk repræsentant, hvis en deltager opfyldte kriterierne, men ikke kunne underskrive samtykkeerklæringen på grund af handicap.
1. Eksperimentel opsætning
- Rekruttering af patienter
- Udfør screeningsprocessen ved hjælp af følgende inklusionskriterier:
I alderen 18 til 85 år med tilstedeværelse af nedsatte funktioner i overekstremiteterne;
Første iskæmisk eller hæmoragisk slagtilfælde nogensinde bekræftet af hjernecomputertomografi eller magnetisk resonansbilleddannelse;
Deltagerens evne til at følge instruktionerne for klinisk vurdering og EEG-undersøgelsen;
Fravær af en historie af andre psykiatriske eller neurologiske sygdomme undtagen slagtilfælde. - Ekskluder patienter baseret på følgende:
Tidligere sygdom, der involverer centralnervesystemet (fx traumatisk hjerneskade, hjernetumor, Parkinsons sygdom);
Manglende evne til at bære EEG-hætten; og
Manglende evne til at følge instruktionerne for den kliniske vurdering og EEG-undersøgelsen.
BEMÆRK: Inklusions- og eksklusionskriterierne blev valgt for at vælge de deltagere, der var i stand til at deltage i eksperimentet, og for at regulere de demografiske faktorer, der kunne påvirke resultaterne. - Giv alle rekrutterede deltagere oplysninger om detaljerne i den eksperimentelle procedure.
- Udfør screeningsprocessen ved hjælp af følgende inklusionskriterier:
- Eksperimentelt system: EEG
- Brug et EEG-system bestående af 32 Ag/AgCl hovedbundselektroder, en EEG-hætte i tekstil og EEG-optagelsessoftware til dataoptagelse.
- Brug en personlig computer (pc) med EEG-optagelsessoftware installeret, og tilslut pc'en til EEG-enheden via Bluetooth.
- Brug en anden pc med et numerisk analyse- og programmeringsprogram til teknik (se materialetabel).
- For stimulipræsentation skal du slutte pc'en til en dedikeret udløserboks (figur 1).
BEMÆRK: De detaljerede specifikationer for de to pc'er findes i materialetabellen.
- Eksperimentelt paradigme baseret på programmeringssoftware
BEMÆRK: Deltagerne udførte en håndforlængelsesopgave ved hjælp af de berørte og upåvirkede hænder, hvor EEG-data blev målt. Figur 2 viser det eksperimentelle paradigme for denne undersøgelse.- Præsenter to visuelle stimuli, CLOSE og OPEN, i 30 s hver, på midten af en skærm for at måle baseline hviletilstand EEG-data, hvor deltageren lukker og åbner øjnene.
BEMÆRK: Da hviletilstands-EEG-data er relativt mindre forurenet af uønskede fysiologiske artefakter, er de nyttige til at verificere kvaliteten af EEG-data og identificere individuelle EEG-egenskaber med hensyn til hviletilstanden. - Præsenter et håndbevægelsesbillede i 3 sekunder for at instruere deltageren i at lave en håndforlængelsesbevægelse efterfulgt af et fikseringsmærke i 5 sekunder til hvile.
BEMÆRK: Denne procedure blev betragtet som et forsøg og blev gentaget 10 gange i en enkelt session. Hver deltager gennemgik 4 sessioner for hver hånd. Deltageren havde en pause, når han / hun ønskede efter at have udført hver session for at forhindre overdreven træthed.
- Præsenter to visuelle stimuli, CLOSE og OPEN, i 30 s hver, på midten af en skærm for at måle baseline hviletilstand EEG-data, hvor deltageren lukker og åbner øjnene.
Figur 1: Skematisk oversigt over udstyrsopsætningen. En PC (PC1), der præsenterede eksperimentelle stimuli, blev forbundet til en triggerboks, og en anden PC (PC2) blev forbundet til en EEG-forstærker. Stimuleringshændelser genereret i PC1 blev leveret til EEG-forstærkeren via udløserboksen, der var tilsluttet PC1. Klik her for at se en større version af denne figur.
Figur 2: Eksperimentelt paradigme anvendt i denne undersøgelse. Et enkelt forsøg bestod af en håndforlængelsesbevægelse på 3 s efterfulgt af en lempelse på 5 s. Dette mønster blev gentaget 10 gange i en enkelt session. I alt otte sessioner blev udført; Fire sessioner involverede påvirket håndbevægelse, mens de andre fire involverede upåvirket håndbevægelse. Denne figur blev tilpasset fra Shim et al.17 med tilladelse fra Mary Ann Liebert, Inc. Klik her for at se en større version af denne figur.
2. Registrering af bevægelsesrelaterede EEG-data
- EEG opsætning
- Sæt deltageren i en behagelig lænestol foran en skærm.
BEMÆRK: Afstanden mellem deltageren og skærmen skal være mindst 60 cm for at forhindre øjentræthed. En for stor afstand bør dog undgås (f.eks. >150 cm), fordi det kan distrahere deltagerens koncentration. - For nøjagtigt at bære hætten til EEG-måling skal du definere Cz-placeringen baseret på det internationale 10-20-system ved hjælp af skæringspunktet mellem længdelinjen, der forbinder nasion og inion og tværlinjen, der forbinder den øverste del af begge aurikler.
BEMÆRK: Et EEG-loft er muligvis ikke påkrævet afhængigt af EEG-måleudstyret. I sådanne tilfælde er EEG-elektroder direkte fastgjort til hovedbunden i henhold til det internationale 10-20 system15. - For en nøjagtig EEG-måling skal du bruge en EEG-hætte i passende størrelse i henhold til deltagerens hovedstørrelse og placere den, så Cz-elektrodepositionen placeres på den enkelte Cz-placering.
- Fastgør hageremmen med passende tæthed; Dette forhindrer deltageren i at være ubehagelig under indtagelse og blink i eksperimentet. Derefter skal du bekræfte, at EEG-hættens T9- og T10-elektrodepositioner er i det tidsmæssige område over begge aurikler, og Fpz-elektrodepositionen på EEG-hætten er placeret midt i panden.
BEMÆRK: Hvis disse elektroder er uden for det angivne sted, skal du overveje at skifte hætten. Der blev anvendt tre EEG-hættestørrelser i vores undersøgelse (54 cm: lille, 56 cm: medium, 58 cm: stor). - Når EEG-hætten er placeret korrekt, fastgøres 32 Ag/AgCl-hovedbundselektroder i hovedbunden i henhold til det udvidede internationale 10-10-system med jord- og referenceelektroderne ved henholdsvis Fpz og FCz16.
BEMÆRK: Placeringen af referenceelektroden (FCz) er relativt mindre påvirket af forskellige fysiologiske artefakter, såsom dem fra elektrookulografi, elektromyografi og elektrokardiografi, fordi den er placeret omkring hovedbundens centrale område (Cz). - Juster impedansniveauet mellem EEG-elektroderne og hovedbunden ved hjælp af ledende gel, og fastgør håret med gelen for at forhindre enhver hindring mellem EEG-elektroderne og hovedbunden.
BEMÆRK: Det er vigtigt at bekræfte, om der er skabt en bro mellem tilstødende EEG-elektroder på grund af gellækage. - Brug softwaren til EEG-optagelse.
- Tænd for EEG-systemet, og udfør konfiguration > Vælg forstærker. Vælg Liveamp > > forstærker > tilslutte. Søg efter Liveamp-funktionen til den trådløse forbindelse (Figur 3).
- Udfør impedanskontrolfunktionen for at overvåge impedansniveauet for hver elektrode.
BEMÆRK: Det anbefales at udføre eksperimentet med et impedansniveau på <20 KΩ (figur 4). - Udfør overvågningsfunktionen for at bekræfte, om EEG'erne for alle elektroder har lignende amplitudeniveauer gennem EEG-signalovervågning i realtid (figur 5).
BEMÆRK: EEG-signalets amplitude er generelt mellem 10 μV og 100 μV, og alfaeffekten (8-12 Hz) øges omkring det occipitale område, når øjnene lukkes. Derfor kan kvaliteten af EEG-data kvalitativt bekræftes ved at overvåge amplitudeniveauet og alfa-oscillationerne på kanalerne omkring det occipitale område, mens øjnene er lukkede.
- Sæt deltageren i en behagelig lænestol foran en skærm.
- Opsætning af paradigme
- For stabil EEG-dataindsamling skal du bruge to separate pc'er til præsentation af eksterne stimuli og registrering af EEG-data (se figur 1).
- For at præsentere eksperimentelle stimuli for deltagerne skal du oprette et stimuleringsprogram baseret på det eksperimentelle paradigme ved hjælp af programmeringssoftware (introduceret i trin 1.3).
BEMÆRK: Et softwarebaseret stimuleringsprogram blev oprettet i denne undersøgelse, men anden software kan bruges afhængigt af deres kompatibilitet med EEG-udstyret, der blev brugt til eksperimentet, samt brugervenlighed. Det programmeringssoftwarebaserede stimulusscript findes i supplerende fil 1 (Experimental_stimulus.m). Hændelsesoplysningerne, der angiver stimulis begyndelsespunkt, genereres af den interne programmeringssoftware, der overføres til EEG-forstærkeren via udløserboksen og i sidste ende til EEG-optagelsessoftwaren (figur 1). - Udfør programmet, der præsenterer de eksperimentelle stimuli i overvågningstilstand (se undertrin 2.1.10). Bekræft derefter, at hændelsesoplysningerne er korrekt markeret rettidigt i bunden af EEG-optagelsessoftwaren, hver gang en stimulus præsenteres, som vist i figur 6.
BEMÆRK: Oplysninger om tidspunktet registreres, når en ny stimulus præsenteres og efterfølgende bruges til datasegmentering. Derfor er det vigtigt at opnå de nøjagtige tidspunkter for eksperimentelle begivenheder så meget som muligt for at forhindre unøjagtig datasegmentering, hvilket ville føre til upålidelige resultater i analysen. - Start EEG-optagelsessoftwaren, og kør derefter uafhængigt stimuluspræsentationsprogrammet, der er udviklet baseret på det eksperimentelle paradigme ved hjælp af programmeringssoftware for at forhindre dataudeladelse.
BEMÆRK: For nemheds skyld anbefales det at oprette filnavne med en ensartet regel for datalagring (f.eks. Sub1_Session1).
- EEG-optagelse
- EEG måles med en samplingfrekvens på 1 000 Hz efter det eksperimentelle paradigme, der blev indført i trin 1.3.
BEMÆRK: Prøveudtagningshastigheden kan ændres afhængigt af det interval af EEG-frekvenser, forskeren ønsker at undersøge. Det anbefales generelt at bruge en samplinghastighed på >200 Hz, hvor EEG-information kan undersøges ved ≤100 Hz baseret på Nyquist-sætningen. Dette skyldes, at de fleste EEG-oplysninger findes under 100 Hz. - Oprethold de samme eksperimentelle miljøer (f.eks. forsøgssted, udstyr, stuetemperatur osv.) så meget som muligt mellem deltagerne og instruer dem i at minimere unødvendige bevægelser under EEG-målingen.
- EEG måles med en samplingfrekvens på 1 000 Hz efter det eksperimentelle paradigme, der blev indført i trin 1.3.
Figur 3: Procedure for trådløs forbindelse mellem en EEG-forstærker og pc med EEG-optagelsessoftwaren. Følg trinene i rækkefølge: (A) vælg forstærker, (B) tilslut forstærker, (C) søg efter den tilsluttede forstærker til trådløs forbindelse, (D) forbindelsen er fuldført. Klik her for at se en større version af denne figur.
Figur 4: Procedure for kontrol af impedans for hver kanal. Alle kanaler skal justeres til grøn farve for stabil EEG-måling. Det anbefales at udføre eksperimentet med en impedans på mindre end 20 KΩ. Klik her for at se en større version af denne figur.
Figur 5: Dataovervågningsprocedure i realtid for hver kanal. Signaler fra alle kanaler, der måles, kan overvåges i realtid og kan zoomes ind / ud ved hjælp af indstillingen (rød boks) på den øverste bjælke. Klik her for at se en større version af denne figur.
Figur 6: Skærmbillede til overvågning af hændelsesoplysninger. De røde bjælker angiver begivenhedsproducenter, der præsenteres hver gang en stimulus leveres af PC1. Klik her for at se en større version af denne figur.
3. Analyse af EEG-data
BEMÆRK: Denne undersøgelse giver præcise retningslinjer for replikering af forskningskonceptet. Derfor giver den en kort oversigt over analyseprocessen og repræsentative resultater. De detaljerede processer og de tilhørende resultater kan findes i en tidligere undersøgelse17. Dette tjener som en indikation af, at Mary Ann Liebert, Inc. har givet tilladelse til brug af ophavsretligt beskyttet materiale.
- Forbehandling
- Fjern øjenrelaterede artefakter fra de rå EEG-data ved hjælp af matematiske procedurer baseret på hovedkomponentanalyse implementeret i EEG-dataforbehandlingssoftware18,19 (se materialetabel).
BEMÆRK: Hvis en epoke viste fremtrædende artefakter (± 100 μV), selv efter forbehandling i nogen af elektroderne, blev den udelukket fra yderligere analyse. Det gennemsnitlige antal afviste epoker, inklusive deres standardafvigelse, var 3,69 ± 7,15 for den berørte håndbevægelsesopgave og 1,62 ± 3,95 for den upåvirkede håndbevægelsesopgave. - Anvend et båndpasfilter mellem 0,1 Hz og 55 Hz. Segmentér de forbehandlede EEG-data fra -1 s til 3,5 s for hvert forsøg baseret på opgavens begyndelse for at indeholde den baselineperiode, der anvendes til hændelsesrelateret spektral forstyrrelse (ERSP) og funktionelle netværksanalyser.
- Fjern øjenrelaterede artefakter fra de rå EEG-data ved hjælp af matematiske procedurer baseret på hovedkomponentanalyse implementeret i EEG-dataforbehandlingssoftware18,19 (se materialetabel).
- ERSP-analyse
BEMÆRK: De målte EEG-data blev valideret via ERSP-analyse for et lav-beta-frekvensbånd (12-20 Hz) forbundet med frivillige bevægelser.- Udfør en kortvarig Fourier-transformation for hvert forsøg for at beregne EEG-spektralkræfter, hvor newtimef-funktionen i EEGLAB-værktøjskassen i programmeringssoftwaren blev brugt 20 (et ikke-overlappende Hanning-vindue,250 ms vinduesstørrelse).
- Normaliser effektspektret for hvert forsøg ved at trække den gennemsnitlige effekt af baselineperioden (-1 til 0 s) for at undersøge ændringerne i spektralkræfter mellem håndbevægelsesopgaven og baselineperioden.
- Anslå baseline-normaliserede ERSP-kort for hver patient ved at beregne gennemsnittet af de normaliserede effektspektre på tværs af forsøg.
- Funktionel netværksanalyse
BEMÆRK: En funktionel netværksanalyse blev udført for at undersøge EEG-ændringer fra et hjernenetværksperspektiv. For at beregne vægtede helhjernenetværksindekser baseret på grafteori blev hjerneforbindelsen mellem forskellige regioner først beregnet ved hjælp af faselåsningsværdien (PLV). En funktionel forbindelsesmatrix blev derefter beregnet ved hjælp af resultaterne af den PLV-baserede forbindelsesanalyse, som efterfølgende blev brugt til at beregne hele hjernens netværksindeks17. Alle funktionelle netværksanalyser blev udført ved hjælp af programmeringssoftwaren.- Beregn den Hilbert-transformationsbaserede faselåsningsværdi (PLV) for et lavbetafrekvensbånd (12-20 Hz) ved hjælp af en intern funktion21,22. Den interne funktion til beregning af den Hilbert Transform-baserede PLV findes i supplerende fil 2 (myPLV.m).
- Vurder PLV'erne mellem alle mulige par af de 32 EEG-elektroder på hvert tidspunkt i opgaveperioderne (0-3,5 s), og opret en symmetrisk tilstødningsmatrix (32 x 32, antal elektroder = 32) ved at beregne gennemsnittet af PLV'erne i opgaveperioden. Brug PLV-matrixen som inputdata til netværksanalyse 17,23.
- Evaluer fire vægtede netværksindekser på globalt niveau baseret på grafteori ved hjælp af Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) styrke, (2) klyngekoefficient, (3) stilængde og (4) småverdensenhed 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Figur 7 viser de topografiske lavbeta-ERD-kort for hver håndbevægelsesopgave. En signifikant stærk lav-beta ERD blev observeret i den kontralesionale halvkugle sammenlignet med den ipsilesionale halvkugle for både de berørte og upåvirkede håndbevægelsesopgaver.
Figur 7: Gennemsnitlige topografiske kort for alle patienter, der udfører henholdsvis de berørte og upåvirkede håndbevægelsesopgaver. De integrerede topografiske kort blev opnået ved at invertere ERD-kortene for den højre hemiplegigruppe. En mørkere blå farve repræsenterer en stærkere ERD, hvilket indikerer, at de tilsvarende hjerneområder var mere aktiverede end andre områder. CON betegner den intakte kontralesionale halvkugle, og IPSI betegner den beskadigede ipsilesionale halvkugle. Denne figur blev tilpasset fra Shim et al.17 med tilladelse fra Mary Ann Liebert, Inc. Klik her for at se en større version af denne figur.
Tabel 1 viser de kvantitative resultater af de fire vægtede netkarakteristika på globalt plan. Ændringer af netværksindekser blev observeret under den berørte hånds bevægelsesopgave sammenlignet med den upåvirkede hånds bevægelsesopgave. Både styrke- og klyngekoefficientindekserne blev signifikant reduceret under den berørte håndbevægelsesopgave sammenlignet med den upåvirkede håndbevægelsesopgave. Omvendt steg stilængden signifikant under den berørte håndbevægelsesopgave. Der var ingen signifikant forskel i småverden mellem de to opgaver.
Vi vurderede også sammenhængen mellem funktionsnetværksindeksene og graden af motorisk svækkelse ved hjælp af Fugl-Meyer Assessment (FMA). Alfabåndets ipsilesionale netværksstyrke (rho = 0,340, p = 0,049), klyngekoefficient (rho = 0,342, p = 0,048) og småverdensenhed (rho = 0,444, p = 0,008) viste en positiv korrelation med FMA-score, mens stilængde (rho = -0,350, p = 0,042) var negativt korreleret med FMA-score. (Figur 8). Korrelationen mellem ipsilesionale netværksindeks med lav beta viste en marginalt signifikant korrelation med FMA-score (styrke rho = 0,328, p = 0,058, klyngekoefficient rho = 0,338, p = 0,051, stilængde rho = -0,340, p = 0,049).
Figur 8: Korrelationer mellem alfa ipsilaterale funktionelle netværksindekser (styrke, klyngekoefficient, stilængde og småverden) og Fugl-Meyer vurderingsscorer. Denne figur blev tilpasset fra Shim et al.17 med tilladelse fra Mary Ann Liebert, Inc. Klik her for at se en større version af denne figur.
| Påvirket håndbevægelse | Upåvirket håndbevægelse | p | |
| Styrke | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| Klyngekoefficient | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Sti længde | 3.249 ± 0.483 | 3.147 ± 0.456 | 0.021* |
| Lille verden | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tabel 1: Middel- og standardafvigelsesværdier for hele hjernenetværksindekset i lav-beta-båndet. Der anvendes ingen specifik enhed til netværksforanstaltningerne (*p < 0,05). Denne tabel blev tilpasset fra Shim et al.17 med tilladelse fra Mary Ann Liebert, Inc.
Supplerende fil 1: Experimental_stimulus.m. Det programmeringssoftwarebaserede stimulusscript. Klik her for at downloade denne fil.
Supplerende fil 2: myPLV.m. Den interne funktion til beregning af den Hilbert Transform-baserede PLV. Klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denne undersøgelse har introduceret et EEG-eksperiment til måling af øvre lemmers bevægelsesrelaterede neuronale aktiviteter hos personer med slagtilfælde. Det eksperimentelle paradigme og metoder til erhvervelse og analyse af EEG blev anvendt til at bestemme ERD-mønstrene i ipsilesional og contralesional motorisk cortex.
Resultaterne af ERSP-kortene (figur 7) viste forskellen i graden af neuronal aktivering ved bevægelse af de svækkede og upåvirkede hænder. Resultaterne var i overensstemmelse med resultaterne af tidligere artikler26,27 og viste, at den eksperimentelle opsætning er en gennemførlig metode, der kan implementeres i kliniske forskningsindstillinger.
Tidligere undersøgelser har primært brugt hvile-tilstand EEG-data til at undersøge den ændrede neuronale aktivitet hos personer med slagtilfælde. Denne undersøgelse anvendte imidlertid opgavespecifikke EEG-data målt under håndbevægelse, hvilket viser løfte som en biomarkør til forudsigelse af motorisk genopretning17.
Visse vigtige overvejelser for EEG-optagelser fra et generelt perspektiv skal nævnes. Navnlig er proceduren for verifikation af hændelsesoplysninger, der er skitseret i trin 2.2.3, afgørende for at opnå den nøjagtige tidsplan for eksperimentelle begivenheder. Dette forhindrer unøjagtig datasegmentering, hvilket kan resultere i upålidelige resultater. Når eksperimenter involverer patienter, kræves der desuden klare og koncise eksperimentelle designs for at forhindre træthed og nedsat koncentration. I denne undersøgelse sammenlignede forfatterne uafhængigt EEG-mønstre observeret under de berørte og upåvirkede håndbevægelser inden for hver deltager, der varierede i alderen fra 18 til 80. Selvom der kan være nogle aldringseffekter på EEG-mønsteret blandt deltagere i forskellige aldre, stammer resultaterne sandsynligvis primært fra to forskellige forhold: påvirkede eller upåvirkede håndbevægelser. I betragtning af alderens potentielle indflydelse på EEG-mønstrene anbefales en bredere aldersgruppe til en mere omfattende analyse.
Det paradigme, der blev anvendt i denne undersøgelse, involverede skiftevis håndforlængelse og afslapningsopgaver inden for en relativt kort periode (henholdsvis 5 s og 3 s) flere gange. Deltagere med kognitive funktionsnedsættelser kæmpede for at forstå instruktionerne og udføre opgaven inden for tidsfristen. Før forskerne registrerer EEG ved hjælp af dette paradigme, skal de således grundigt instruere deltageren og om muligt demonstrere opgaven for at sikre, at deltageren fuldt ud forstår paradigmet og opgaven. Derfor er en mulig begrænsning af dette paradigme udelukkelsen af patienter med kognitive svækkelser, der ikke kan forstå det eksperimentelle paradigme eller alvorligt låste patienter, der ikke kan udføre bevægelsesopgaven. Ofte ledsager kognitiv svækkelse alvorlig motorisk svækkelse hos personer med slagtilfælde28. Som følge heraf er paradigmets anvendelighed hos personer med slagtilfælde snævrere sammenlignet med hviletilstands-EEG-paradigmet 8,29. For alvorligt låste patienter med intakt kognition kunne paradigmet anvendes ved at replikere bevægelsen med bevægelsesfantasi (motorisk billedsprog), som også kan producere motorrelateret hjerneaktivitet30,31.
Derudover er der to vigtige punkter at overveje, når man udfører et eksperiment baseret på den førnævnte EEG-enhed. For det første anbefales det stærkt at kontrollere elektrodeimpedans før hver anskaffelsessession i henhold til proceduren i trin 2.1.9. Hvis impedansoplysninger ikke afspejles korrekt, kan der opstå fejl ved konvertering af det oprindelige filformat (.vhdr) til det ønskede filformat (f.eks. ".mat", ".py" osv.). For det andet blev EEG-forstærkeren i denne undersøgelse forbundet til en optage-pc via et USB-kabel. For stabile forbindelser mellem optage-pc'en og USB-kablet anbefales en USB 2.0-port stærkt; tekniske problemer relateret til EEG-forstærkerforbindelsen kan opstå, hvis der bruges en USB 3.0-port.
Den foreslåede forsøgsprotokol gør det muligt at observere EEG-mønstre fremkaldt under bevægelser hos patienter med nedsat motorfunktion. Yderligere undersøgelser ved hjælp af dette paradigme er nødvendige for at bekræfte dets værdi som et kvalitativt vurderingsværktøj til evaluering af omfanget af motorisk funktionsgendannelse hos personer med slagtilfælde, der gennemgår motorisk rehabilitering.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK og HJH har en patentanmeldt med titlen "Method for providing information related to motor impairment and devices used herfor", nummer 10-2022-0007841.
Acknowledgments
Dette arbejde blev støttet af National Research Foundation of Korea (NRF) tilskud finansieret af Koreas regering (MSIT) (nr. NRF-2022R1A2C1006046), af Original Technology Research Program for Brain Science gennem National Research Foundation of Korea (NRF) finansieret af Ministeriet for Uddannelse, Videnskab og Teknologi (2019M3C7A1031995), af National Research Foundation of Korea (NRF) tilskud finansieret af Koreas regering (MSIT) (nr. NRF-2022R1A6A3A13053491) og af MSIT (Ministeriet for Videnskab og IKT), Korea, under ITRC (Information Technology Research Center) supportprogram (IITP-2023-RS-2023-00258971) under tilsyn af IITP (Institute for Information & Communications Technology Planning &; Evaluation).
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).
