Summary
Le protocole expérimental démontre le paradigme d’acquisition et d’analyse des signaux d’électroencéphalographie (EEG) lors du mouvement des membres supérieurs chez les personnes ayant subi un AVC. L’altération du réseau fonctionnel des bandes de fréquences EEG à faible bêta a été observée lors du mouvement du membre supérieur altéré et a été associée au degré de déficience motrice.
Abstract
L’altération des signaux d’électroencéphalographie (EEG) lors d’un mouvement spécifique à la tâche du membre handicapé a été signalée comme un biomarqueur potentiel de la gravité de la déficience motrice et de la prédiction de la récupération motrice chez les personnes ayant subi un AVC. Lors de la mise en œuvre d’expériences EEG, des paradigmes détaillés et des protocoles d’expérience bien organisés sont nécessaires pour obtenir des résultats robustes et interprétables. Dans ce protocole, nous illustrons un paradigme spécifique à la tâche avec le mouvement des membres supérieurs et les méthodes et techniques nécessaires à l’acquisition et à l’analyse des données EEG. Le paradigme consiste en 1 min de repos suivi de 10 essais comprenant une alternance de 5 s et 3 s d’états de repos et de tâche (extension de la main), respectivement, sur 4 séances. Les signaux EEG ont été acquis à l’aide de 32 électrodes de cuir chevelu Ag/AgCl à une fréquence d’échantillonnage de 1 000 Hz. Une analyse des perturbations spectrales liées aux événements associés au mouvement des membres et des analyses de réseaux fonctionnels au niveau global dans la bande de fréquences à faible bêta (12-20 Hz) ont été effectuées. Des résultats représentatifs ont montré une altération du réseau fonctionnel des bandes de fréquences EEG à faible bêta pendant le mouvement du membre supérieur altéré, et l’altération du réseau fonctionnel a été associée au degré de déficience motrice chez les patients ayant subi un AVC chronique. Les résultats démontrent la faisabilité du paradigme expérimental dans les mesures EEG lors du mouvement des membres supérieurs chez les personnes ayant subi un AVC. D’autres recherches utilisant ce paradigme sont nécessaires pour déterminer la valeur potentielle des signaux EEG en tant que biomarqueurs de la déficience motrice et de la récupération.
Introduction
La déficience motrice des membres supérieurs est l’une des conséquences les plus courantes de l’AVC et est liée à des limitations dans les activités de la vie quotidienne 1,2. Les rythmes alpha (8-13 Hz) et bêta (13-30 Hz) sont connus pour être étroitement associés aux mouvements. En particulier, des études ont montré que l’altération de l’activité neuronale dans les bandes de fréquences alpha et bêta inférieure (12-20 Hz) pendant le mouvement d’un membre handicapé est corrélée au degré de déficience motrice chez les personnes ayant subi un AVC 3,4,5. Sur la base de ces résultats, l’électroencéphalographie (EEG) est apparue comme un biomarqueur potentiel qui reflète à la fois la gravité de la déficience motrice et la possibilité de récupération motrice 6,7. Cependant, les biomarqueurs basés sur l’EEG précédemment développés se sont avérés inadéquats pour étudier les caractéristiques de la déficience motrice chez les personnes ayant subi un AVC, en grande partie en raison de leur dépendance aux données EEG à l’état de repos plutôt qu’aux données EEG induites par la tâche 8,9,10. Le traitement complexe de l’information lié aux déficiences motrices, telles que l’interaction entre les hémisphères ipsilésion et contralésionnel, ne peut être révélé que par des données EEG induites par la tâche, et non par un EEG à l’état de repos. Par conséquent, d’autres études ne sont pas seulement nécessaires pour explorer la relation entre les activités neuronales et les caractéristiques de la déficience motrice et pour clarifier l’utilité de l’EEG généré pendant le mouvement de la partie du corps altérée en tant que biomarqueur potentiel de la déficience motrice chez les personnes ayant subi un AVC11.
La mise en œuvre de l’EEG pour évaluer les effets comportementaux nécessite des paradigmes et des protocoles spécifiques à la tâche. À ce jour, divers protocoles EEG ont été suggérés12, dans lesquels des personnes ayant subi un AVC ont effectué des mouvements imaginaires ou réels pour induire des activités cérébrales liées au mouvement11,13. Dans le cas des mouvements imaginés, environ 53,7 % des participants ne pouvaient pas imaginer avec certitude un mouvement correspondant (appelé « analphabétisme ») et n’ont donc pas réussi à induire des activités cérébrales liées au mouvement14. De plus, il est difficile pour les personnes ayant subi un AVC grave de bouger tout le membre supérieur, et il existe une possibilité d’artefacts inutiles lors de l’acquisition des données en raison de mouvements instables. Par conséquent, des conseils basés sur le savoir-faire d’experts sont nécessaires pour acquérir des données EEG de haute qualité liées à la tâche et des résultats interprétables neurophysiologiquement. Dans cette étude, nous avons conçu de manière exhaustive un paradigme expérimental permettant aux personnes ayant subi un AVC d’effectuer une tâche relativement simple de mouvement de la main et nous avons fourni une procédure expérimentale avec des conseils détaillés.
En décrivant le protocole expérimental visualisé dans cet article, nous avons cherché à illustrer les concepts et méthodes spécifiques utilisés pour l’acquisition et l’analyse des activités neuronales liées au mouvement du membre supérieur à l’aide d’un système EEG. En démontrant la différence dans les activités neuronales via l’EEG entre les membres supérieurs parétiques et non parétiques chez les participants ayant subi un AVC hémiplégique, cette étude visait à présenter la faisabilité de l’EEG en utilisant le protocole décrit comme biomarqueur potentiel de la sévérité de la déficience motrice chez les personnes ayant subi un AVC dans un contexte transversal.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Toutes les procédures expérimentales ont été examinées et approuvées par le Comité d’examen institutionnel de l’hôpital Bundang de l’Université nationale de Séoul. Pour les expériences de cette étude, 34 participants ayant subi un AVC ont été recrutés. Le consentement éclairé signé de tous les participants a été obtenu. Un consentement éclairé signé a été obtenu d’un représentant légal si un participant répondait aux critères, mais ne pouvait pas signer le formulaire de consentement en raison d’un handicap.
1. Dispositif expérimental
- Recrutement de patients
- Effectuez le processus de sélection en utilisant les critères d’inclusion suivants :
Âgés de 18 à 85 ans avec présence d’une altération des fonctions des membres supérieurs ;
Premier AVC ischémique ou hémorragique confirmé par tomodensitométrie cérébrale ou imagerie par résonance magnétique ;
La capacité du participant à suivre les instructions pour l’évaluation clinique et l’étude EEG ;
Absence d’antécédents d’autres maladies psychiatriques ou neurologiques, à l’exception des accidents vasculaires cérébraux. - Exclure des patients en fonction des critères suivants :
Maladie antérieure impliquant le système nerveux central (p. ex., traumatisme crânien, tumeur cérébrale, maladie de Parkinson) ;
Incapacité à porter le casque EEG ; et
Incapacité à suivre les instructions pour l’évaluation clinique et l’étude EEG.
NOTE : Les critères d’inclusion et d’exclusion ont été choisis pour sélectionner les participants capables de participer à l’expérience et pour réguler les facteurs démographiques susceptibles d’influencer les résultats. - Fournir à tous les participants recrutés des informations sur les détails de la procédure expérimentale.
- Effectuez le processus de sélection en utilisant les critères d’inclusion suivants :
- Système expérimental : EEG
- Utilisez un système EEG composé de 32 électrodes de cuir chevelu Ag/AgCl, d’un bonnet EEG textile et d’un logiciel d’enregistrement EEG pour l’enregistrement des données.
- Utilisez un ordinateur personnel (PC) sur lequel un logiciel d’enregistrement EEG est installé et connectez le PC à l’appareil EEG via Bluetooth.
- Utilisez un autre PC équipé d’un logiciel d’analyse numérique et de programmation pour l’ingénierie (voir le tableau des matériaux).
- Pour la présentation des stimuli, connectez le PC à un boîtier de déclenchement dédié (Figure 1).
REMARQUE : Les spécifications détaillées des deux PC sont fournies dans le tableau des matériaux.
- Paradigme expérimental basé sur un logiciel de programmation
REMARQUE : Les participants ont effectué une tâche d’extension de la main en utilisant les mains affectées et non affectées, au cours de laquelle les données EEG ont été mesurées. La figure 2 montre le paradigme expérimental de cette étude.- Présentez deux stimuli visuels, CLOSE et OPEN, pendant 30 s chacun, au centre d’un moniteur pour mesurer les données EEG de l’état de repos de base, au cours desquelles le participant ferme et ouvre les yeux.
REMARQUE : Étant donné que les données EEG à l’état de repos sont relativement moins contaminées par des artefacts physiologiques indésirables, elles sont utiles pour vérifier la qualité des données EEG et identifier les caractéristiques EEG individuelles par rapport à l’état de repos. - Présentez une image de mouvement de la main pendant 3 s pour demander au participant de faire un mouvement d’extension de la main, suivie d’une marque de fixation pendant 5 s pour le repos.
REMARQUE : Cette procédure a été considérée comme un essai et a été répétée 10 fois au cours d’une seule séance. Chaque participant a subi 4 séances pour chaque main. Le participant a fait une pause quand il le souhaitait après chaque séance pour éviter une fatigue excessive.
- Présentez deux stimuli visuels, CLOSE et OPEN, pendant 30 s chacun, au centre d’un moniteur pour mesurer les données EEG de l’état de repos de base, au cours desquelles le participant ferme et ouvre les yeux.
Figure 1 : Schéma de configuration de l’équipement. Un PC (PC1) présentant des stimuli expérimentaux a été connecté à un boîtier de déclenchement, et un autre PC (PC2) a été connecté à un amplificateur EEG. Les événements de stimulation générés dans PC1 ont été transmis à l’amplificateur EEG via le boîtier de déclenchement connecté à PC1. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 2 : Paradigme expérimental utilisé dans cette étude. Un seul essai consistait en un mouvement d’extension de la main de 3 s suivi d’un relâchement de 5 s. Ce schéma a été répété 10 fois en une seule séance. Au total, huit séances ont été réalisées ; Quatre séances impliquaient des mouvements affectés de la main, tandis que les quatre autres impliquaient des mouvements de la main non affectés. Cette figure a été adaptée de Shim et al.17 avec la permission de Mary Ann Liebert, Inc. Veuillez cliquer ici pour voir une version agrandie de cette figure.
2. Enregistrement des données EEG liées au mouvement
- Configuration de l’EEG
- Asseyez le participant dans un fauteuil confortable devant un moniteur.
REMARQUE : La distance entre le participant et le moniteur doit être d’au moins 60 cm pour éviter la fatigue oculaire. Cependant, une distance excessive doit être évitée (par exemple, >150 cm) car elle pourrait distraire la concentration du participant. - Pour porter avec précision le capuchon pour la mesure EEG, définissez l’emplacement de Cz en fonction du système international 10-20 en utilisant l’intersection de la ligne longitudinale reliant le nasion et l’inion et de la ligne transversale reliant la partie supérieure des deux oreillettes.
REMARQUE : Un casque EEG peut ne pas être nécessaire en fonction de l’équipement de mesure EEG. Dans ce cas, les électrodes EEG sont directement fixées sur le cuir chevelu selon le système international 10-2015. - Pour une mesure EEG précise, utilisez un casque EEG de taille appropriée en fonction de la taille de la tête du participant et placez-le de manière à ce que la position de l’électrode Cz soit placée sur l’emplacement individuel de Cz.
- Fixez la mentonnière avec une serrage appropriée ; Cela évitera au participant d’être mal à l’aise lors de la déglutition et du clignement des yeux dans l’expérience. Après cela, confirmez que les positions des électrodes T9 et T10 du casque EEG se trouvent dans la région temporale au-dessus des deux oreillettes et que la position de l’électrode Fpz du casque EEG est située au milieu du front.
REMARQUE : Si ces électrodes sont hors de l’emplacement désigné, envisagez de changer le capuchon. Trois tailles de casques EEG ont été utilisées dans notre étude (54 cm : petit, 56 cm : moyen, 58 cm : grand). - Après avoir correctement placé le capuchon EEG, fixez 32 électrodes de cuir chevelu Ag/AgCl sur le cuir chevelu selon le système international étendu 10-10, avec les électrodes de masse et de référence à Fpz et FCz, respectivement16.
REMARQUE : L’emplacement de l’électrode de référence (FCz) est relativement moins influencé par divers artefacts physiologiques, tels que ceux de l’électrooculographie, de l’électromyographie et de l’électrocardiographie, car il est situé autour de la zone centrale (Cz) du cuir chevelu. - Ajustez le niveau d’impédance entre les électrodes EEG et le cuir chevelu à l’aide d’un gel conducteur, et fixez les cheveux avec le gel pour éviter toute obstruction entre les électrodes EEG et le cuir chevelu.
REMARQUE : Il est important de confirmer si un pont entre les électrodes EEG adjacentes est créé en raison d’une fuite de gel. - Utilisez le logiciel pour l’enregistrement EEG.
- Mettez le système EEG sous tension et exécutez la configuration > sélectionnez l’amplificateur. Choisissez Liveamp > > amplificateur > connectez-vous. Recherchez la fonction Liveamp pour la connexion sans fil (Figure 3).
- Exécutez la fonction de vérification d’impédance pour surveiller le niveau d’impédance de chaque électrode.
REMARQUE : Il est recommandé de réaliser l’expérience avec un niveau d’impédance de <20 KΩ (Figure 4). - Exécutez la fonction de surveillance pour confirmer si les EEG de toutes les électrodes ont des niveaux d’amplitude similaires grâce à la surveillance du signal EEG en temps réel (Figure 5).
REMARQUE : L’amplitude du signal EEG est généralement comprise entre 10 μV et 100 μV, et la puissance alpha (8-12 Hz) augmente autour de la zone occipitale lorsque les yeux sont fermés. Par conséquent, la qualité des données EEG peut être confirmée qualitativement en surveillant le niveau d’amplitude et les oscillations alpha sur les canaux autour de la zone occipitale lorsque les yeux sont fermés.
- Asseyez le participant dans un fauteuil confortable devant un moniteur.
- Mise en place du paradigme
- Pour une acquisition stable des données EEG, utilisez deux PC séparés pour présenter des stimuli externes et enregistrer les données EEG (voir Figure 1).
- Pour présenter des stimuli expérimentaux aux participants, créez un programme de stimulation basé sur le paradigme expérimental à l’aide d’un logiciel de programmation (présenté à l’étape 1.3).
REMARQUE : Un programme de stimulation basé sur un logiciel a été créé dans cette étude, mais d’autres logiciels peuvent être utilisés en fonction de leur compatibilité avec l’équipement EEG utilisé pour l’expérience ainsi que de la commodité de l’utilisateur. Le script de stimulation basé sur un logiciel de programmation est fourni dans le fichier supplémentaire 1 (Experimental_stimulus.m.). Les informations sur l’événement, indiquant le point d’apparition des stimuli, sont générées par le logiciel de programmation interne, transmises à l’amplificateur EEG via le boîtier de déclenchement, et finalement au logiciel d’enregistrement EEG (Figure 1). - Exécuter le programme présentant les stimuli expérimentaux en mode surveillance (voir sous-étape 2.1.10). Par la suite, vérifiez que les informations sur l’événement sont correctement marquées en temps opportun au bas du logiciel d’enregistrement EEG chaque fois qu’un stimulus est présenté, comme le montre la figure 6.
REMARQUE : Les informations sur le point temporel sont enregistrées chaque fois qu’un nouveau stimulus est présenté et sont ensuite utilisées pour la segmentation des données. Par conséquent, il est important d’obtenir autant que possible les points de temps exacts des événements expérimentaux afin d’éviter une segmentation inexacte des données, ce qui conduirait à des résultats peu fiables dans l’analyse. - Lancez le logiciel d’enregistrement EEG, puis exécutez indépendamment le programme de présentation du stimulus développé sur la base du paradigme expérimental à l’aide d’un logiciel de programmation pour éviter l’omission des données.
REMARQUE : Pour faciliter l’analyse des données, il est recommandé de créer des noms de fichiers avec une règle cohérente pour le stockage des données (par exemple, Sub1_Session1).
- Enregistrement EEG
- Mesurer l’EEG à une fréquence d’échantillonnage de 1 000 Hz en suivant le paradigme expérimental introduit à l’étape 1.3.
REMARQUE : La fréquence d’échantillonnage peut être modifiée en fonction de la gamme de fréquences EEG que le chercheur souhaite étudier. Il est généralement recommandé d’utiliser une fréquence d’échantillonnage de >200 Hz lorsque les informations EEG peuvent être étudiées à ≤100 Hz sur la base du théorème de Nyquist. En effet, la plupart des informations EEG existent en dessous de 100 Hz. - Maintenez autant que possible les mêmes environnements expérimentaux (p. ex., lieu d’expérimentation, équipement, température ambiante, etc.) entre les participants et demandez-leur de minimiser les mouvements inutiles pendant la mesure de l’EEG.
- Mesurer l’EEG à une fréquence d’échantillonnage de 1 000 Hz en suivant le paradigme expérimental introduit à l’étape 1.3.
Figure 3 : Procédure de connexion sans fil entre un amplificateur EEG et un PC avec le logiciel d’enregistrement EEG. Suivez les étapes dans l’ordre : (A) sélectionnez l’amplificateur, (B) connectez l’amplificateur, (C) recherchez l’amplificateur connecté pour la connexion sans fil, (D) connexion terminée. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 4 : Procédure de vérification de l’impédance pour chaque canal. Tous les canaux doivent être réglés en vert pour une mesure EEG stable. Il est recommandé de réaliser l’expérience avec une impédance inférieure à 20 KΩ. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 5 : Procédure de surveillance des données en temps réel pour chaque canal. Les signaux de tous les canaux mesurés peuvent être surveillés en temps réel et peuvent être zoomés/dézoomés à l’aide de l’option (encadré rouge) dans la barre supérieure. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 6 : Capture d’écran pour la surveillance des informations sur les événements. Les barres rouges indiquent les organisateurs d’événements qui sont présentés chaque fois qu’un stimulus est fourni par PC1. Veuillez cliquer ici pour voir une version agrandie de cette figure.
3. Analyse des données EEG
REMARQUE : Cette étude fournit des lignes directrices précises pour reproduire le concept de recherche. Par conséquent, il fournit un bref aperçu du processus d’analyse et des résultats représentatifs. Les processus détaillés et les résultats associés peuvent être trouvés dans une étude antérieure17. Cela indique que Mary Ann Liebert, Inc. a accordé l’autorisation d’utiliser du matériel protégé par le droit d’auteur.
- Prétraitement
- Éliminer les artefacts liés aux yeux des données EEG brutes à l’aide de procédures mathématiques basées sur l’analyse en composantes principales mise en œuvre dans le logiciel de prétraitement des données EEG18,19 (voir le tableau des matériaux).
NOTE : Si une époque présentait des artefacts proéminents (± 100 μV), même après un prétraitement dans l’une des électrodes, elle était exclue d’une analyse ultérieure. Le nombre moyen d’époques rejetées, y compris leur écart-type, était de 3,69 ± 7,15 pour la tâche affectée de mouvement de la main et de 1,62 ± 3,95 pour la tâche de mouvement de la main non affectée. - Appliquez un filtre passe-bande entre 0,1 Hz et 55 Hz. Segmentez les données EEG prétraitées de -1 s à 3,5 s pour chaque essai en fonction du début de la tâche afin de contenir la période de référence utilisée pour les analyses de perturbation spectrale liée aux événements (ERSP) et de réseaux fonctionnels.
- Éliminer les artefacts liés aux yeux des données EEG brutes à l’aide de procédures mathématiques basées sur l’analyse en composantes principales mise en œuvre dans le logiciel de prétraitement des données EEG18,19 (voir le tableau des matériaux).
- Analyse de l’ERSP
NOTE : Les données EEG mesurées ont été validées par l’analyse ERSP pour une bande de fréquences à faible bêta (12-20 Hz) associée à des mouvements volontaires.- Effectuer une transformée de Fourier en temps court pour chaque essai afin de calculer les puissances spectrales de l’EEG, pour lequel la fonction newtimef de la boîte à outils EEGLAB du logiciel de programmation a été utilisée 20 (une fenêtre de Hanning qui ne se chevauche pas, une taille de fenêtre de250 ms).
- Normalisez le spectre de puissance de chaque essai en soustrayant la puissance moyenne de la période de référence (-1 à 0 s) pour étudier les changements de puissances spectrales entre la tâche de mouvement de la main et la période de référence.
- Estimez les cartes ERSP normalisées de base pour chaque patient en faisant la moyenne des spectres de puissance normalisés entre les essais.
- Analyse fonctionnelle du réseau
REMARQUE : Une analyse fonctionnelle du réseau a été effectuée pour étudier les changements de l’EEG du point de vue du réseau cérébral. Pour calculer des indices pondérés de réseau de cerveau entier basés sur la théorie des graphes, la connectivité cérébrale entre différentes régions a d’abord été calculée à l’aide de la valeur de verrouillage de phase (PLV). Une matrice de connectivité fonctionnelle a ensuite été calculée à l’aide des résultats de l’analyse de connectivité basée sur la PLV, qui a ensuite été utilisée pour calculer les indices de réseau du cerveau entier17. Toutes les analyses fonctionnelles du réseau ont été effectuées à l’aide du logiciel de programmation.- Calculer la valeur de verrouillage de phase (PLV) basée sur la transformée de Hilbert pour une bande de fréquences à faible bêta (12-20 Hz) à l’aide d’une fonction interne21,22. La fonction interne de calcul de la PLV basée sur la transformée de Hilbert est fournie dans le fichier supplémentaire 2 (myPLV.m).
- Évaluez les PLV entre toutes les paires possibles des 32 électrodes EEG à chaque point de temps pendant les périodes de tâche (0-3,5 s) et créez une matrice d’adjacence symétrique (32 x 32, nombre d’électrodes = 32) en faisant la moyenne des PLV sur la période de tâche. Utiliser la matrice PLV comme données d’entrée pour l’analyse du réseau17,23.
- Évaluez quatre indices de réseau pondérés au niveau mondial basés sur la théorie des graphes à l’aide de la Brain Connectivity Toolbox (https://sites.google.com/site/bctnet) : (1) la force, (2) le coefficient de clustering, (3) la longueur du chemin et (4) la petitesse du monde 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
La figure 7 présente les cartes topographiques de l’ERD à faible bêta de chaque tâche de mouvement de la main. Un ERD à faible bêta significativement fort a été observé dans l’hémisphère contralésionnel par rapport à l’hémisphère ipsilésion pour les tâches affectées et non affectées par le mouvement de la main.
Figure 7 : Cartes topographiques moyennes pour tous les patients effectuant les tâches de mouvement de la main affectées et non affectées, respectivement. Les cartes topographiques intégrées ont été obtenues en inversant les cartes ERD du groupe hémiplégie droite. Une couleur bleue plus foncée représente un ERD plus fort, indiquant que les zones cérébrales correspondantes étaient plus activées que les autres zones. CON désigne l’hémisphère contralésionnel intact et IPSI désigne l’hémisphère ipsilésion endommagé. Cette figure a été adaptée de Shim et al.17 avec la permission de Mary Ann Liebert, Inc. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Le tableau 1 présente les résultats quantitatifs des quatre caractéristiques pondérées du réseau à l’échelle mondiale. Des altérations des indices de réseau ont été observées pendant la tâche de mouvement de la main affectée par rapport à la tâche de mouvement de la main non affectée. Les indices de force et de coefficient de regroupement ont été significativement réduits pendant la tâche de mouvement de la main affectée par rapport à la tâche de mouvement de la main non affectée. À l’inverse, la longueur du trajet a considérablement augmenté pendant la tâche de mouvement de la main affectée. Il n’y avait pas de différence significative dans l’exiguïté entre les deux tâches.
Nous avons également évalué la corrélation entre les indices de réseau fonctionnel et le degré de déficience motrice à l’aide de l’évaluation de Fugl-Meyer (FMA). La force du réseau ipsilésion de la bande alpha (rho = 0,340, p = 0,049), le coefficient d’agrégation (rho = 0,342, p = 0,048) et la petitesse du monde (rho = 0,444, p = 0,008) ont montré une corrélation positive avec le score FMA, tandis que la longueur du chemin (rho = -0,350, p = 0,042) était négativement corrélée avec les scores FMA. (Graphique 8). La corrélation entre les indices de réseau ipsilésion à faible bêta a montré une corrélation marginalement significative avec le score FMA (Force rho = 0,328, p = 0,058, coefficient de clustering rho = 0,338, p = 0,051, longueur du chemin rho = -0,340, p = 0,049 respectivement).
Figure 8 : Corrélations entre les indices de réseau fonctionnel ipsilatéral alpha (force, coefficient d’agrégation, longueur du chemin et petitesse mondiale) et les scores de l’évaluation de Fugl-Meyer. Cette figure a été adaptée de Shim et al.17 avec la permission de Mary Ann Liebert, Inc. Veuillez cliquer ici pour voir une version agrandie de cette figure.
| Mouvement de la main affecté | Mouvement de la main non affecté | p | |
| Force | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| Coefficient de clustering | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Longueur du chemin | 3,249 ± 0,483 | 3,147 ± 0,456 | 0.021* |
| Petitesse du monde | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tableau 1 : Valeurs moyennes et écarts-types des indices du réseau cérébral entier dans la bande bêta faible. Aucune unité spécifique n’est utilisée pour les mesures du réseau (*p < 0,05). Ce tableau a été adapté de Shim et al.17 avec la permission de Mary Ann Liebert, Inc.
Dossier supplémentaire 1 : Experimental_stimulus.m. Le script de relance basé sur un logiciel de programmation. Veuillez cliquer ici pour télécharger ce fichier.
Fichier complémentaire 2 : myPLV.m. La fonction interne pour le calcul de la PLV basée sur la transformée de Hilbert. Veuillez cliquer ici pour télécharger ce fichier.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Cette étude a introduit une expérience EEG pour mesurer les activités neuronales liées au mouvement des membres supérieurs chez les personnes ayant subi un AVC. Le paradigme expérimental et les méthodes d’acquisition et d’analyse de l’EEG ont été appliqués pour déterminer les modèles ERD dans le cortex moteur ipsilésion et contralésionnel.
Les résultats des cartes ERSP (Figure 7) ont démontré la différence dans le degré d’activation neuronale lors du mouvement des mains affaiblies et non affectées. Les résultats concordent avec les conclusions des articles précédents26,27 et montrent que le dispositif expérimental est une méthode réalisable qui peut être mise en œuvre dans des contextes de recherche clinique.
Des études antérieures ont principalement utilisé des données EEG à l’état de repos pour étudier l’activité neuronale modifiée chez les personnes ayant subi un AVC. Cependant, cette étude a utilisé des données EEG spécifiques à la tâche mesurées pendant le mouvement de la main, ce qui est prometteur en tant que biomarqueur pour prédire la récupération motrice17.
D’un point de vue général, il convient de mentionner certaines considérations importantes pour les enregistrements EEG. En particulier, la procédure de vérification des informations sur les événements décrite à l’étape 2.2.3 est cruciale pour obtenir le moment précis des événements expérimentaux. Cela permet d’éviter une segmentation inexacte des données, qui pourrait entraîner des résultats peu fiables. De plus, lorsque les expériences impliquent des patients, des plans d’expérience clairs et concis sont nécessaires pour prévenir la fatigue et la diminution de la concentration. Dans cette étude, les auteurs ont comparé indépendamment les modèles d’EEG observés pendant les mouvements de la main affectés et non affectés chez chaque participant, dont l’âge variait de 18 à 80 ans. Bien qu’il puisse y avoir des effets du vieillissement sur le modèle EEG chez les participants d’âges différents, les résultats proviennent probablement principalement de deux conditions différentes : les mouvements de la main affectés ou non affectés. Cependant, compte tenu de l’influence potentielle de l’âge sur les modèles EEG, un groupe d’âge plus large est recommandé pour une analyse plus complète.
Le paradigme utilisé dans cette étude impliquait l’alternance de tâches d’extension et de relaxation de la main dans une période relativement courte (5 s et 3 s, respectivement) plusieurs fois. Les participants atteints de troubles cognitifs ont eu du mal à comprendre les instructions et à effectuer la tâche dans le temps imparti. Ainsi, avant d’enregistrer l’EEG à l’aide de ce paradigme, les chercheurs doivent donner des instructions approfondies au participant et, si possible, lui démontrer la tâche pour s’assurer qu’il comprend parfaitement le paradigme et la tâche. Par conséquent, l’une des limites possibles de ce paradigme est l’exclusion des patients atteints de troubles cognitifs qui ne peuvent pas comprendre le paradigme expérimental ou des patients sévèrement enfermés qui ne peuvent pas exécuter la tâche de mouvement. Souvent, les troubles cognitifs accompagnent les déficiences motrices sévères chez les personnes ayant subi un AVC28. Par conséquent, l’applicabilité du paradigme chez les personnes ayant subi un AVC est plus étroite que celle du paradigme EEG à l’état de repos 8,29. Pour les patients sévèrement enfermés avec une cognition intacte, le paradigme pourrait être appliqué en reproduisant le mouvement avec l’imagination du mouvement (imagerie motrice), qui peut également produire une activité cérébrale liée à la motricité30,31.
De plus, il y a deux points importants à prendre en compte lors de la réalisation d’une expérience basée sur l’appareil EEG susmentionné. Tout d’abord, pour assurer un enregistrement stable des données, il est fortement recommandé de vérifier l’impédance de l’électrode avant chaque session d’acquisition conformément à la procédure de l’étape 2.1.9. Si les informations d’impédance ne sont pas correctement reflétées, des erreurs peuvent se produire lors de la conversion du format de fichier initial (.vhdr) au format de fichier souhaité (par exemple, « .mat », « .py », etc.). Deuxièmement, dans cette étude, l’amplificateur EEG a été connecté à un PC d’enregistrement via un câble USB. Pour des connexions stables entre le PC d’enregistrement et le câble USB, un port USB 2.0 est fortement recommandé ; Des problèmes techniques liés à la connexion de l’amplificateur EEG peuvent survenir si un port USB 3.0 est utilisé.
Le protocole expérimental proposé permet d’observer les schémas EEG induits lors des mouvements chez les patients présentant des troubles de la fonction motrice. D’autres recherches utilisant ce paradigme sont nécessaires pour confirmer sa valeur en tant qu’outil d’évaluation qualitative pour évaluer l’étendue de la récupération de la fonction motrice chez les personnes ayant subi un AVC subissant une réadaptation motrice.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK et HJH ont déposé un brevet intitulé « Méthode de fourniture d’informations relatives à la déficience motrice et aux dispositifs utilisés à cet effet », numéro 10-2022-0007841.
Acknowledgments
Ces travaux ont été financés par une subvention de la National Research Foundation of Korea (NRF) financée par le gouvernement coréen (MSIT) (No. NRF-2022R1A2C1006046), par le Programme de recherche technologique originale pour les sciences du cerveau par l’intermédiaire de la Fondation nationale de recherche de Corée (NRF) financé par le ministère de l’Éducation, des Sciences et de la Technologie (2019M3C7A1031995), par la subvention de la Fondation nationale de recherche de Corée (NRF) financée par le gouvernement coréen (MSIT) (No. NRF-2022R1A6A3A13053491), et par le MSIT (Ministère de la Science et des TIC), Corée, dans le cadre du programme de soutien de l’ITRC (Centre de recherche sur les technologies de l’information) (IITP-2023-RS-2023-00258971) supervisé par l’IITP (Institut de planification et d’évaluation des technologies de l’information et de la communication).
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).
