Summary
Das experimentelle Protokoll demonstriert das Paradigma für die Erfassung und Analyse von Elektroenzephalographie-Signalen (EEG) während der Bewegung der oberen Gliedmaßen bei Personen mit Schlaganfall. Die Veränderung des funktionellen Netzwerks der Low-Beta-EEG-Frequenzbänder wurde während der Bewegung der beeinträchtigten oberen Extremität beobachtet und war mit dem Grad der motorischen Beeinträchtigung assoziiert.
Abstract
Die Veränderung von Elektroenzephalographie-Signalen (EEG) während der aufgabenspezifischen Bewegung der beeinträchtigten Gliedmaße wurde als potenzieller Biomarker für den Schweregrad der motorischen Beeinträchtigung und für die Vorhersage der motorischen Erholung bei Personen mit Schlaganfall berichtet. Bei der Durchführung von EEG-Experimenten sind detaillierte Paradigmen und gut organisierte Versuchsprotokolle erforderlich, um robuste und interpretierbare Ergebnisse zu erhalten. In diesem Protokoll veranschaulichen wir ein aufgabenspezifisches Paradigma mit der Bewegung der oberen Extremitäten und Methoden und Techniken, die für die Erfassung und Analyse von EEG-Daten erforderlich sind. Das Paradigma besteht aus 1 Minute Pause, gefolgt von 10 Versuchen, die abwechselnd 5 s bzw. 3 s Ruhe- und Aufgabenzustände (Handstreckung) über 4 Sitzungen umfassen. EEG-Signale wurden mit 32 Ag/AgCl-Kopfhautelektroden bei einer Abtastrate von 1.000 Hz aufgenommen. Es wurden ereigniskorrelierte spektrale Störungsanalysen in Verbindung mit Gliedmaßenbewegungen und funktionelle Netzwerkanalysen auf globaler Ebene im Low-Beta-Frequenzband (12-20 Hz) durchgeführt. Repräsentative Ergebnisse zeigten eine Veränderung des funktionellen Netzwerks der Low-Beta-EEG-Frequenzbänder während der Bewegung der beeinträchtigten oberen Extremität, und das veränderte funktionelle Netzwerk war mit dem Grad der motorischen Beeinträchtigung bei chronischen Schlaganfallpatienten assoziiert. Die Ergebnisse demonstrieren die Machbarkeit des experimentellen Paradigmas bei EEG-Messungen während der Bewegung der oberen Extremitäten bei Personen mit Schlaganfall. Weitere Forschung mit diesem Paradigma ist erforderlich, um den potenziellen Wert von EEG-Signalen als Biomarker für motorische Beeinträchtigung und Erholung zu bestimmen.
Introduction
Die motorische Beeinträchtigung der oberen Extremitäten ist eine der häufigsten Folgen eines Schlaganfalls und steht im Zusammenhang mit Einschränkungen bei den Aktivitäten des täglichen Lebens 1,2. Es ist bekannt, dass Alpha- (8-13 Hz) und Beta-Bandrhythmen (13-30 Hz) eng mit Bewegungen verbunden sind. Insbesondere haben Studien gezeigt, dass eine veränderte neuronale Aktivität im Alpha- und unteren Beta-Frequenzband (12-20 Hz) während der Bewegung einer beeinträchtigten Gliedmaße mit dem Grad der motorischen Beeinträchtigung bei Personen mit Schlaganfall korreliert 3,4,5. Basierend auf diesen Ergebnissen hat sich die Elektroenzephalographie (EEG) als potenzieller Biomarker herauskristallisiert, der sowohl den Schweregrad der motorischen Beeinträchtigung als auch die Möglichkeit einer motorischen Erholung widerspiegelt 6,7. Bisher entwickelte EEG-basierte Biomarker haben sich jedoch als unzureichend erwiesen, um die Merkmale motorischer Beeinträchtigungen bei Personen mit Schlaganfall zu untersuchen, was vor allem darauf zurückzuführen ist, dass sie sich auf EEG-Daten aus dem Ruhezustand und nicht auf aufgabeninduzierte EEG-Daten verlassen 8,9,10. Komplexe Informationsverarbeitung im Zusammenhang mit motorischen Beeinträchtigungen, wie z.B. die Interaktion zwischen ipsilesionalen und kontraläsionalen Hemisphären, kann nur durch aufgabeninduzierte EEG-Daten aufgedeckt werden, nicht durch EEG im Ruhezustand. Daher sind weitere Studien nicht nur erforderlich, um den Zusammenhang zwischen neuronalen Aktivitäten und motorischen Beeinträchtigungsmerkmalen zu untersuchen und die Nützlichkeit des EEGs, das während der Bewegung des beeinträchtigten Körperteils erzeugt wird, als potenzieller Biomarker für motorische Beeinträchtigungen bei Personen mit Schlaganfall zu klären11.
Die Implementierung von EEG zur Bewertung von Verhaltenseffekten erfordert aufgabenspezifische Paradigmen und Protokolle. Bisher wurden verschiedene EEG-Protokolle vorgeschlagen12, bei denen Personen mit Schlaganfall imaginäre oder tatsächliche Bewegungen ausführten, um bewegungsbezogene Gehirnaktivitäten zu induzieren11,13. Bei den vorgestellten Bewegungen konnten sich etwa 53,7 % der Teilnehmer eine entsprechende Bewegung nicht definitiv vorstellen (sogenannter "Analphabetismus") und konnten somit keine bewegungsbezogenen Gehirnaktivitäten induzieren14. Darüber hinaus ist es für Personen mit schwerem Schlaganfall schwierig, die gesamte obere Extremität zu bewegen, und es besteht die Möglichkeit unnötiger Artefakte während der Datenerfassung aufgrund instabiler Bewegungen. Daher ist eine Anleitung auf der Grundlage von Expertenwissen erforderlich, um aufgabenbezogen qualitativ hochwertige EEG-Daten und neurophysiologisch interpretierbare Ergebnisse zu erhalten. In dieser Studie haben wir ein umfassendes experimentelles Paradigma für Personen mit Schlaganfall entwickelt, um eine relativ einfache Handbewegungsaufgabe durchzuführen, und ein experimentelles Verfahren mit detaillierter Anleitung zur Verfügung gestellt.
Durch die Darstellung des in diesem Artikel visualisierten experimentellen Protokolls wollten wir die spezifischen Konzepte und Methoden veranschaulichen, die für die Erfassung und Analyse neuronaler Aktivitäten im Zusammenhang mit der Bewegung der oberen Extremität mit einem EEG-System verwendet werden. Durch den Nachweis des Unterschieds in der neuronalen Aktivität mittels EEG zwischen den paretischen und nicht-paretischen oberen Extremitäten bei Teilnehmern mit hemiplegischem Schlaganfall zielte diese Studie darauf ab, die Durchführbarkeit des EEG unter Verwendung des beschriebenen Protokolls als potenziellen Biomarker für den Schweregrad der motorischen Beeinträchtigung bei Personen mit Schlaganfall in einem Querschnittskontext darzustellen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle experimentellen Verfahren wurden vom Institutional Review Board des Seoul National University Bundang Hospital geprüft und genehmigt. Für die Experimente in dieser Studie wurden 34 Teilnehmer mit Schlaganfall rekrutiert. Von allen Teilnehmern wurde eine unterschriebene Einverständniserklärung eingeholt. Eine unterschriebene Einverständniserklärung wurde von einem gesetzlichen Vertreter eingeholt, wenn ein Teilnehmer die Kriterien erfüllte, aber die Einverständniserklärung aufgrund einer Behinderung nicht unterschreiben konnte.
1. Versuchsaufbau
- Rekrutierung von Patienten
- Führen Sie den Screening-Prozess anhand der folgenden Einschlusskriterien durch:
Im Alter von 18 bis 85 Jahren mit eingeschränkten Funktionen der oberen Extremitäten;
Erster ischämischer oder hämorrhagischer Schlaganfall, bestätigt durch Hirn-Computertomographie oder Magnetresonanztomographie;
Fähigkeit des Teilnehmers, die Anweisungen für die klinische Beurteilung und die EEG-Studie zu befolgen;
Fehlen anderer psychiatrischer oder neurologischer Erkrankungen außer Schlaganfall in der Anamnese. - Schließen Sie Patienten aus folgenden Gründen aus:
Vorerkrankungen des zentralen Nervensystems (z. B. Schädel-Hirn-Trauma, Hirntumor, Parkinson-Krankheit);
Unfähigkeit, die EEG-Kappe zu tragen; und
Unfähigkeit, die Anweisungen für die klinische Beurteilung und die EEG-Studie zu befolgen.
ANMERKUNG: Die Ein- und Ausschlusskriterien wurden gewählt, um die Teilnehmer auszuwählen, die an dem Experiment teilnehmen können, und um die demografischen Faktoren zu regulieren, die die Ergebnisse beeinflussen könnten. - Informieren Sie alle rekrutierten Teilnehmer über die Details des Versuchsablaufs.
- Führen Sie den Screening-Prozess anhand der folgenden Einschlusskriterien durch:
- Experimentelles System: EEG
- Verwenden Sie für die Datenaufzeichnung ein EEG-System, bestehend aus 32 Ag/AgCl-Kopfhautelektroden, einer textilen EEG-Kappe und einer EEG-Aufzeichnungssoftware.
- Verwenden Sie einen PC mit installierter EEG-Aufzeichnungssoftware und verbinden Sie den PC über Bluetooth mit dem EEG-Gerät.
- Verwenden Sie einen anderen PC mit einer numerischen Analyse- und Programmiersoftware für das Engineering (siehe Werkstofftabelle).
- Schließen Sie den PC für die Stimuli-Präsentation an eine spezielle Triggerbox an (Abbildung 1).
HINWEIS: Die detaillierten Spezifikationen der beiden PCs finden Sie in der Materialtabelle.
- Experimentelles Paradigma auf Basis von Programmiersoftware
HINWEIS: Die Teilnehmer führten eine Handstreckaufgabe mit den betroffenen und nicht betroffenen Händen durch, bei der EEG-Daten gemessen wurden. Abbildung 2 zeigt das experimentelle Paradigma dieser Studie.- Präsentieren Sie zwei visuelle Stimuli, CLOSE und OPEN, jeweils 30 s lang in der Mitte eines Monitors, um die EEG-Basisdaten im Ruhezustand zu messen, während der der Teilnehmer die Augen schließt und öffnet.
HINWEIS: Da EEG-Daten im Ruhezustand relativ weniger durch unerwünschte physiologische Artefakte verunreinigt sind, sind sie nützlich, um die Qualität von EEG-Daten zu überprüfen und individuelle EEG-Merkmale in Bezug auf den Ruhezustand zu identifizieren. - Präsentieren Sie ein Handbewegungsbild für 3 Sekunden, um den Teilnehmer anzuweisen, eine Handstreckbewegung auszuführen, gefolgt von einer Fixierungsmarkierung für 5 Sekunden zum Ausruhen.
HINWEIS: Dieses Verfahren wurde als Versuch betrachtet und 10 Mal in einer einzigen Sitzung wiederholt. Jeder Teilnehmer durchlief 4 Sitzungen für jede Hand. Der Teilnehmer machte nach jeder Sitzung eine Pause, wann immer er wollte, um übermäßige Ermüdung zu vermeiden.
- Präsentieren Sie zwei visuelle Stimuli, CLOSE und OPEN, jeweils 30 s lang in der Mitte eines Monitors, um die EEG-Basisdaten im Ruhezustand zu messen, während der der Teilnehmer die Augen schließt und öffnet.
Abbildung 1: Schematische Darstellung des Geräteaufbaus. Ein PC (PC1), der experimentelle Stimuli präsentierte, wurde an eine Triggerbox angeschlossen, und ein weiterer PC (PC2) wurde an einen EEG-Verstärker angeschlossen. Die in PC1 erzeugten Stimulationsereignisse wurden über die an PC1 angeschlossene Triggerbox an den EEG-Verstärker geliefert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Experimentelles Paradigma, das in dieser Studie verwendet wurde. Ein einzelner Versuch bestand aus einer Handstreckbewegung von 3 s, gefolgt von einer Entspannung von 5 s. Dieses Muster wurde 10 Mal in einer einzigen Sitzung wiederholt. Insgesamt wurden acht Sitzungen durchgeführt; Vier Sitzungen beinhalteten eine beeinträchtigte Handbewegung, während die anderen vier eine unbeeinflusste Handbewegung beinhalteten. Diese Abbildung wurde von Shim et al.17 mit Genehmigung von Mary Ann Liebert, Inc. übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
2. Aufzeichnung bewegungsbezogener EEG-Daten
- EEG-Einrichtung
- Setzen Sie den Teilnehmer in einen bequemen Sessel vor einen Monitor.
HINWEIS: Der Abstand zwischen dem Teilnehmer und dem Monitor sollte mindestens 60 cm betragen, um eine Ermüdung der Augen zu vermeiden. Eine zu große Distanz (z.B. >150 cm) sollte jedoch vermieden werden, da sie die Konzentration des Teilnehmers stören könnte. - Um die Kappe für die EEG-Messung genau zu tragen, definieren Sie die Cz-Position auf der Grundlage des internationalen 10-20-Systems unter Verwendung des Schnittpunkts der Längslinie, die das Nasion und das Inion verbindet, und der Querlinie, die den oberen Teil der beiden Ohrmuscheln verbindet.
HINWEIS: Je nach EEG-Messgerät ist möglicherweise keine EEG-Kappe erforderlich. In diesem Fall werden EEG-Elektroden gemäß dem internationalen 10-20-System15 direkt an der Kopfhaut befestigt. - Für eine genaue EEG-Messung verwenden Sie eine entsprechend der Kopfgröße des Teilnehmers geeignete EEG-Kappe und platzieren Sie diese so, dass die Cz-Elektrodenposition auf der individuellen Cz-Stelle platziert wird.
- Befestigen Sie den Kinnriemen mit entsprechender Festigkeit; Dadurch wird verhindert, dass sich der Teilnehmer beim Schlucken und Blinzeln im Experiment unwohl fühlt. Vergewissern Sie sich danach, dass sich die Elektrodenpositionen T9 und T10 der EEG-Kappe im Schläfenbereich über beiden Ohrmuscheln befinden und sich die Fpz-Elektrodenposition der EEG-Kappe in der Mitte der Stirn befindet.
HINWEIS: Wenn sich diese Elektroden außerhalb der vorgesehenen Stelle befinden, sollten Sie die Kappe austauschen. In unserer Studie wurden drei EEG-Kappengrößen verwendet (54 cm: klein, 56 cm: mittel, 58 cm: groß). - Nach dem korrekten Aufsetzen der EEG-Kappe werden 32 Ag/AgCl-Kopfhautelektroden nach dem erweiterten internationalen 10-10-System auf der Kopfhaut angebracht, wobei die Masse- und Referenzelektroden bei Fpz bzw. FCz16 liegen.
HINWEIS: Die Position der Referenzelektrode (FCz) wird relativ weniger von verschiedenen physiologischen Artefakten beeinflusst, z. B. von Elektrookulographie, Elektromyographie und Elektrokardiographie, da sie sich um den zentralen Bereich (Cz) der Kopfhaut herum befindet. - Stellen Sie die Impedanz zwischen den EEG-Elektroden und der Kopfhaut mit leitfähigem Gel ein und fixieren Sie das Haar mit dem Gel, um eine Verstopfung zwischen den EEG-Elektroden und der Kopfhaut zu vermeiden.
HINWEIS: Es ist wichtig zu bestätigen, ob eine Brücke zwischen benachbarten EEG-Elektroden aufgrund von Gelleckagen entsteht. - Verwenden Sie die Software für die EEG-Aufzeichnung.
- Schalten Sie das EEG-System ein und führen Sie Konfiguration > Verstärker auswählen aus. Wählen Sie Liveamp > > Verstärker > anschließen. Suchen Sie nach der Liveamp-Funktion für die Wireless-Verbindung (Abbildung 3).
- Führen Sie die Impedanzprüfungsfunktion aus, um den Impedanzpegel für jede Elektrode zu überwachen.
HINWEIS: Es wird empfohlen, das Experiment mit einem Impedanzpegel von <20 KΩ durchzuführen (Abbildung 4). - Führen Sie die Überwachungsfunktion aus, um durch Echtzeit-EEG-Signalüberwachung zu bestätigen, ob die EEGs aller Elektroden ähnliche Amplitudenpegel aufweisen (Abbildung 5).
HINWEIS: Die Amplitude des EEG-Signals liegt im Allgemeinen zwischen 10 μV und 100 μV, und die Alpha-Leistung (8-12 Hz) nimmt um den Hinterhauptsbereich herum zu, wenn die Augen geschlossen sind. Daher kann die Qualität der EEG-Daten qualitativ bestätigt werden, indem der Amplitudenpegel und die Alpha-Oszillationen auf den Kanälen um den Hinterhauptsbereich bei geschlossenen Augen überwacht werden.
- Setzen Sie den Teilnehmer in einen bequemen Sessel vor einen Monitor.
- Paradigma-Einrichtung
- Für eine stabile EEG-Datenerfassung verwenden Sie zwei separate PCs für die Darstellung externer Stimuli und die Aufzeichnung von EEG-Daten (siehe Abbildung 1).
- Um den Teilnehmern experimentelle Stimuli zu präsentieren, erstellen Sie ein Stimulationsprogramm, das auf dem experimentellen Paradigma basiert, indem Sie eine Programmiersoftware verwenden (eingeführt in Schritt 1.3).
HINWEIS: In dieser Studie wurde ein softwarebasiertes Stimulationsprogramm erstellt, aber je nach Kompatibilität mit den für das Experiment verwendeten EEG-Geräten sowie der Benutzerfreundlichkeit kann auch andere Software verwendet werden. Das auf der Programmiersoftware basierende Stimulus-Skript ist in der Ergänzungsdatei 1 (Experimental_stimulus.m) enthalten. Die Ereignisinformation, die den Reizbeginn angibt, wird von der hauseigenen Programmiersoftware generiert, über die Triggerbox an den EEG-Verstärker und schließlich an die EEG-Aufzeichnungssoftware übertragen (Abbildung 1). - Führen Sie das Programm mit den experimentellen Stimuli im Überwachungsmodus aus (siehe Unterschritt 2.1.10). Vergewissern Sie sich anschließend, dass die Ereignisinformationen jedes Mal, wenn ein Stimulus präsentiert wird, rechtzeitig am unteren Rand der EEG-Aufzeichnungssoftware markiert sind, wie in Abbildung 6 dargestellt.
HINWEIS: Informationen über den Zeitpunkt werden immer dann aufgezeichnet, wenn ein neuer Stimulus präsentiert wird, und anschließend für die Datensegmentierung verwendet. Daher ist es wichtig, die genauen Zeitpunkte von experimentellen Ereignissen so weit wie möglich zu erhalten, um eine ungenaue Datensegmentierung zu vermeiden, die zu unzuverlässigen Ergebnissen in der Analyse führen würde. - Initiieren Sie die EEG-Aufzeichnungssoftware und führen Sie dann selbstständig das auf der Grundlage des experimentellen Paradigmas entwickelte Stimuluspräsentationsprogramm mit Programmiersoftware aus, um die Datenauslassung zu verhindern.
HINWEIS: Um die Datenanalyse zu erleichtern, wird empfohlen, Dateinamen mit einer konsistenten Regel für die Datenspeicherung (z. B. Sub1_Session1) zu erstellen.
- EEG-Aufzeichnung
- Messen Sie das EEG bei einer Abtastrate von 1.000 Hz nach dem in Schritt 1.3 eingeführten experimentellen Paradigma.
HINWEIS: Die Abtastrate kann je nach dem Bereich der EEG-Frequenzen, die der Forscher untersuchen möchte, geändert werden. Im Allgemeinen wird empfohlen, eine Abtastrate von >200 Hz zu verwenden, wobei EEG-Informationen bei ≤100 Hz basierend auf dem Nyquist-Theorem untersucht werden können. Das liegt daran, dass die meisten EEG-Informationen unterhalb von 100 Hz vorhanden sind. - Halten Sie die gleichen Versuchsumgebungen (z. B. Versuchsort, Gerät, Raumtemperatur usw.) zwischen den Teilnehmern so weit wie möglich aufrecht und weisen Sie sie an, unnötige Bewegungen während der EEG-Messung zu minimieren.
- Messen Sie das EEG bei einer Abtastrate von 1.000 Hz nach dem in Schritt 1.3 eingeführten experimentellen Paradigma.
Abbildung 3: Drahtlose Verbindung zwischen EEG-Verstärker und PC mit der EEG-Aufzeichnungssoftware. Befolgen Sie die Schritte in der angegebenen Reihenfolge: (A) Verstärker auswählen, (B) Verstärker anschließen, (C) Den angeschlossenen Verstärker für die drahtlose Verbindung suchen, (D) Verbindung abschließen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Impedanzprüfungsverfahren für jeden Kanal. Alle Kanäle sollten auf grüne Farbe eingestellt werden, um eine stabile EEG-Messung zu gewährleisten. Es wird empfohlen, das Experiment mit einer Impedanz von weniger als 20 KΩ durchzuführen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 5: Echtzeit-Datenüberwachungsverfahren für jeden Kanal. Die Signale aller gemessenen Kanäle können in Echtzeit überwacht und mit der Option (roter Kasten) in der oberen Leiste vergrößert/verkleinert werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 6: Screenshot zur Überwachung von Ereignisinformationen. Die roten Balken zeigen Ereignismacher an, die jedes Mal angezeigt werden, wenn ein Stimulus von PC1 bereitgestellt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
3. EEG-Datenanalyse
HINWEIS: Diese Studie liefert genaue Richtlinien für die Replikation des Forschungskonzepts. Daher bietet es einen kurzen Überblick über den Analyseprozess und repräsentative Ergebnisse. Die detaillierten Prozesse und die damit verbundenen Ergebnisse finden Sie in einer früheren Studie17. Dies dient als Hinweis darauf, dass Mary Ann Liebert, Inc. die Erlaubnis zur Verwendung von urheberrechtlich geschütztem Material erteilt hat.
- Vorverarbeitung
- Entfernen Sie augenbezogene Artefakte aus den EEG-Rohdaten unter Verwendung mathematischer Verfahren, die auf der Hauptkomponentenanalyse basieren, die in der EEG-Datenvorverarbeitungssoftware18,19 implementiert ist (siehe Materialtabelle).
HINWEIS: Wenn eine Epoche auffällige Artefakte (± 100 μV) aufwies, wurde sie auch nach der Vorverarbeitung in einer der Elektroden von der weiteren Analyse ausgeschlossen. Die durchschnittliche Anzahl der abgelehnten Epochen, einschließlich ihrer Standardabweichung, betrug 3,69 ± 7,15 für die betroffene Handbewegungsaufgabe und 1,62 ± 3,95 für die nicht betroffene Handbewegungsaufgabe. - Wenden Sie einen Bandpassfilter zwischen 0,1 Hz und 55 Hz an. Segmentieren Sie die vorverarbeiteten EEG-Daten von -1 s bis 3,5 s für jeden Versuch basierend auf dem Beginn der Aufgabe, um die Basisperiode zu enthalten, die für ereignisbezogene spektrale Störungen (ERSP) und funktionelle Netzwerkanalysen verwendet wird.
- Entfernen Sie augenbezogene Artefakte aus den EEG-Rohdaten unter Verwendung mathematischer Verfahren, die auf der Hauptkomponentenanalyse basieren, die in der EEG-Datenvorverarbeitungssoftware18,19 implementiert ist (siehe Materialtabelle).
- ERSP-Analyse
HINWEIS: Die gemessenen EEG-Daten wurden mittels ERSP-Analyse für ein niedriges Beta-Frequenzband (12-20 Hz) validiert, das mit willkürlichen Bewegungen verbunden ist.- Führen Sie für jeden Versuch eine Kurzzeit-Fourier-Transformation durch, um die spektralen EEG-Leistungen zu berechnen, für die die newtimef-Funktion der EEGLAB-Toolbox in der Programmiersoftware verwendet wurde20 (ein nicht überlappendes Hanning-Fenster, 250 ms Fenstergröße).
- Normalisieren Sie das Leistungsspektrum jedes Versuchs, indem Sie die durchschnittliche Leistung der Ausgangsperiode (-1 bis 0 s) subtrahieren, um die Änderungen der spektralen Leistung zwischen der Handbewegungsaufgabe und der Ausgangsperiode zu untersuchen.
- Schätzen Sie die Baseline-normalisierten ERSP-Karten für jeden Patienten, indem Sie die normalisierten Leistungsspektren über Studien hinweg mitteln.
- Funktionale Netzwerkanalyse
ANMERKUNG: Es wurde eine funktionelle Netzwerkanalyse durchgeführt, um EEG-Veränderungen aus der Perspektive des Gehirnnetzwerks zu untersuchen. Um gewichtete Indizes für das gesamte Gehirnnetzwerk auf der Grundlage der Graphentheorie zu berechnen, wurde zunächst die Gehirnkonnektivität zwischen verschiedenen Regionen mit dem Phasensperrwert (PLV) berechnet. Eine funktionale Konnektivitätsmatrix wurde dann unter Verwendung der Ergebnisse der PLV-basierten Konnektivitätsanalyse berechnet, die anschließend zur Berechnung von Ganzhirn-Netzwerkindizesverwendet wurde 17. Alle funktionalen Netzwerkanalysen wurden mit Hilfe der Programmiersoftware durchgeführt.- Berechnen Sie den Hilbert-Transformations-basierten Phasensperrwert (PLV) für ein niedriges Beta-Frequenzband (12-20 Hz) mit einer hauseigenen Funktion21,22. Die hauseigene Funktion zur Berechnung der Hilbert-Transformations-basierten PLV ist in der Ergänzungsdatei 2 (myPLV.m) enthalten.
- Beurteilen Sie die PLVs zwischen allen möglichen Paaren der 32 EEG-Elektroden zu jedem Zeitpunkt während der Aufgabenperioden (0-3,5 s) und erstellen Sie eine symmetrische Adjazenzmatrix (32 x 32, Anzahl der Elektroden = 32), indem Sie die PLVs über den Aufgabenzeitraum mitteln. Verwenden Sie die PLV-Matrix als Eingabedaten für die Netzwerkanalyse17,23.
- Bewerten Sie vier gewichtete Netzwerkindizes auf globaler Ebene, die auf der Graphentheorie basieren, mit der Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) Stärke, (2) Clustering-Koeffizient, (3) Pfadlänge und (4) Kleinweltlichkeit 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Abbildung 7 zeigt die topographischen ERD-Karten mit niedrigem Beta für jede Handbewegungsaufgabe. In der kontraläsionalen Hemisphäre wurde im Vergleich zur ipsilesionalen Hemisphäre sowohl für die betroffenen als auch für die nicht betroffenen Handbewegungsaufgaben eine signifikant starke ERD mit niedrigem Beta beobachtet.
Abbildung 7: Mittlere topographische Karten für alle Patienten, die die betroffenen bzw. nicht betroffenen Handbewegungsaufgaben ausführen. Die integrierten topographischen Karten wurden durch Invertierung der ERD-Karten der rechten Hemiplegie-Gruppe erhalten. Eine dunklere blaue Farbe steht für eine stärkere ERD, was darauf hindeutet, dass die entsprechenden Gehirnareale stärker aktiviert waren als andere Areale. CON bezeichnet die intakte kontraläsionale Hemisphäre, und IPSI bezeichnet die beschädigte ipsilesionale Hemisphäre. Diese Abbildung wurde von Shim et al.17 mit Genehmigung von Mary Ann Liebert, Inc. übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Tabelle 1 zeigt die quantitativen Ergebnisse der vier gewichteten Netzwerkmerkmale auf globaler Ebene. Veränderungen der Netzwerkindizes wurden während der Bewegungsaufgabe der betroffenen Hand im Vergleich zur Bewegungsaufgabe der nicht betroffenen Hand beobachtet. Sowohl der Kraft- als auch der Clustering-Koeffizienten-Index waren während der betroffenen Handbewegungsaufgabe im Vergleich zur nicht betroffenen Handbewegungsaufgabe signifikant reduziert. Umgekehrt nahm die Weglänge während der betroffenen Handbewegungsaufgabe signifikant zu. Es gab keinen signifikanten Unterschied in der Kleinwelt zwischen den beiden Aufgaben.
Außerdem haben wir die Korrelation zwischen den funktionalen Netzwerkindizes und dem Grad der motorischen Beeinträchtigung mit Hilfe des Fugl-Meyer-Assessments (FMA) bewertet. Die Stärke des Alpha-Band-ipsilesionalen Netzwerks (rho = 0,340, p = 0,049), der Clustering-Koeffizient (rho = 0,342, p = 0,048) und die Kleinweltlichkeit (rho = 0,444, p = 0,008) zeigten eine positive Korrelation mit dem FMA-Score, während die Pfadlänge (rho = -0,350, p = 0,042) negativ mit den FMA-Scores korrelierte. (Abbildung 8). Die Korrelation zwischen Low-Beta-IPSILESIONAL-Netzwerkindizes zeigte eine marginal signifikante Korrelation mit dem FMA-Score (Stärke rho = 0,328, p = 0,058, Clustering-Koeffizient rho = 0,338, p = 0,051, Pfadlänge rho = -0,340, p = 0,049).
Abbildung 8: Korrelationen zwischen den alpha-ipsilateralen funktionalen Netzwerkindizes (Stärke, Clustering-Koeffizient, Pfadlänge und Kleinweltlichkeit) und Fugl-Meyer-Assessment-Scores. Diese Abbildung wurde von Shim et al.17 mit Genehmigung von Mary Ann Liebert, Inc. übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
| Beeinträchtigte Handbewegung | Unbeeinflusste Handbewegung | p | |
| Kraft | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| Clustering-Koeffizient | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Länge des Pfades | 3,249 ± 0,483 | 3,147 ± 0,456 | 0.021* |
| Klein-Welt-Sein | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tabelle 1: Mittelwert und Standardabweichung der Indizes des gesamten Gehirnnetzwerks im Low-Beta-Band. Für die Netzwerkkennzahlen wird keine spezifische Einheit verwendet (*p < 0,05). Diese Tabelle wurde von Shim et al.17 mit Genehmigung von Mary Ann Liebert, Inc. übernommen.
Ergänzungsdatei 1: Experimental_stimulus.m. Das programmierbare softwarebasierte Stimulus-Skript. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Ergänzungsdatei 2: myPLV.m. Die hauseigene Funktion zur Berechnung der Hilbert-Transformation-basierten PLV. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In dieser Studie wurde ein EEG-Experiment zur Messung der bewegungsbezogenen neuronalen Aktivitäten der oberen Gliedmaßen bei Personen mit Schlaganfall vorgestellt. Das experimentelle Paradigma und die Methoden der EEG-Erfassung und -Analyse wurden angewendet, um die ERD-Muster im ipsilesionalen und kontraläsionalen motorischen Kortex zu bestimmen.
Die Ergebnisse der ERSP-Karten (Abbildung 7) zeigten den Unterschied im Grad der neuronalen Aktivierung beim Bewegen der beeinträchtigten und nicht betroffenen Hände. Die Ergebnisse stimmten mit den Ergebnissen der vorangegangenen Artikel26,27 überein und zeigten, dass der Versuchsaufbau eine praktikable Methode ist, die in der klinischen Forschung eingesetzt werden kann.
In früheren Studien wurden vor allem EEG-Daten aus dem Ruhezustand verwendet, um die veränderte neuronale Aktivität bei Personen mit Schlaganfall zu untersuchen. In dieser Studie wurden jedoch aufgabenspezifische EEG-Daten verwendet, die während der Handbewegung gemessen wurden und sich als vielversprechender Biomarker für die Vorhersage der motorischen Erholung erweisen17.
Einige wichtige Überlegungen für EEG-Aufzeichnungen aus allgemeiner Sicht müssen erwähnt werden. Insbesondere das in Schritt 2.2.3 beschriebene Verfahren zur Überprüfung von Ereignisinformationen ist entscheidend für die Erfassung des genauen Zeitpunkts von experimentellen Ereignissen. Dadurch wird eine ungenaue Datensegmentierung vermieden, die zu unzuverlässigen Ergebnissen führen könnte. Darüber hinaus sind bei Experimenten mit Patienten klare und prägnante Versuchspläne erforderlich, um Müdigkeit und Konzentrationsschwäche zu vermeiden. In dieser Studie verglichen die Autoren unabhängig voneinander die EEG-Muster, die während der betroffenen und nicht betroffenen Handbewegungen bei jedem Teilnehmer im Alter von 18 bis 80 Jahren beobachtet wurden. Während es bei Teilnehmern unterschiedlichen Alters einige Alterungseffekte auf das EEG-Muster geben kann, stammen die Ergebnisse wahrscheinlich hauptsächlich von zwei verschiedenen Bedingungen: betroffenen oder nicht betroffenen Handbewegungen. In Anbetracht des möglichen Einflusses des Alters auf die EEG-Muster wird jedoch eine breitere Altersgruppe für eine umfassendere Analyse empfohlen.
Das in dieser Studie verwendete Paradigma beinhaltete den Wechsel von Handstreck- und Entspannungsaufgaben innerhalb eines relativ kurzen Zeitraums (5 s bzw. 3 s) mehrmals. Teilnehmer mit kognitiven Beeinträchtigungen hatten Mühe, die Anweisungen zu verstehen und die Aufgabe innerhalb des Zeitlimits auszuführen. Daher müssen die Forscher vor der EEG-Aufzeichnung mit diesem Paradigma den Teilnehmer gründlich instruieren und, wenn möglich, die Aufgabe demonstrieren, um sicherzustellen, dass der Teilnehmer das Paradigma und die Aufgabe vollständig versteht. Eine mögliche Einschränkung dieses Paradigmas ist daher der Ausschluss von Patienten mit kognitiven Beeinträchtigungen, die das experimentelle Paradigma nicht verstehen können, oder von stark eingesperrten Patienten, die die Bewegungsaufgabe nicht ausführen können. Häufig geht eine kognitive Beeinträchtigung mit einer schweren motorischen Beeinträchtigung bei Personen mit Schlaganfalleinher 28. Infolgedessen ist die Anwendbarkeit des Paradigmas bei Personen mit Schlaganfall im Vergleich zum EEG-Paradigma im Ruhezustand geringer 8,29. Bei stark eingesperrten Patienten mit intakter Kognition könnte das Paradigma angewendet werden, indem die Bewegung mit Bewegungsimagination (motorische Vorstellungskraft) repliziert wird, die auch motorische Gehirnaktivität erzeugen kann30,31.
Darüber hinaus gibt es zwei wichtige Punkte zu beachten, wenn ein Experiment auf der Grundlage des oben genannten EEG-Gerätes durchgeführt wird. Um eine stabile Datenaufzeichnung zu gewährleisten, wird dringend empfohlen, die Elektrodenimpedanz vor jeder Erfassungssitzung gemäß dem Verfahren in Schritt 2.1.9 zu überprüfen. Wenn die Impedanzinformationen nicht richtig wiedergegeben werden, können Fehler bei der Konvertierung des ursprünglichen Dateiformats (.vhdr) in das gewünschte Dateiformat (z. B. ".mat", ".py" usw.) auftreten. Zweitens wurde in dieser Studie der EEG-Verstärker über ein USB-Kabel mit einem Aufzeichnungs-PC verbunden. Für stabile Verbindungen zwischen dem Aufnahme-PC und dem USB-Kabel wird ein USB-2.0-Anschluss dringend empfohlen. Technische Probleme im Zusammenhang mit dem EEG-Verstärkeranschluss können auftreten, wenn ein USB 3.0-Anschluss verwendet wird.
Das vorgeschlagene experimentelle Protokoll ermöglicht die Beobachtung von EEG-Mustern, die bei Bewegungen bei Patienten mit motorischen Funktionsstörungen hervorgerufen werden. Weitere Untersuchungen unter Verwendung dieses Paradigmas sind erforderlich, um seinen Wert als qualitatives Bewertungsinstrument zur Bewertung des Ausmaßes der Wiederherstellung der motorischen Funktion bei Personen mit Schlaganfall, die sich einer motorischen Rehabilitation unterziehen, zu bestätigen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK und HJH haben ein zum Patent angemeldetes Verfahren mit dem Titel "Verfahren zur Bereitstellung von Informationen im Zusammenhang mit motorischen Beeinträchtigungen und dafür verwendeten Geräten", Nummer 10-2022-0007841.
Acknowledgments
Diese Arbeit wurde durch ein Stipendium der National Research Foundation of Korea (NRF) unterstützt, das von der koreanischen Regierung (MSIT) finanziert wurde (Nr. NRF-2022R1A2C1006046), durch das Original Technology Research Program for Brain Science durch die National Research Foundation of Korea (NRF), finanziert durch das Ministerium für Bildung, Wissenschaft und Technologie (2019M3C7A1031995), durch einen Zuschuss der National Research Foundation of Korea (NRF), finanziert von der koreanischen Regierung (MSIT) (Nr. NRF-2022R1A6A3A13053491) und vom MSIT (Ministry of Science and ICT), Korea, im Rahmen des ITRC-Förderprogramms (Information Technology Research Center) (IITP-2023-RS-2023-00258971), das vom IITP (Institute for Information & Communications Technology Planning & Evaluation) beaufsichtigt wird.
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).
