Summary
実験プロトコルは、脳卒中患者の上肢運動中の脳波(EEG)信号を取得および分析するためのパラダイムを示しています。低ベータ脳波周波数帯の機能的ネットワークの変化は、障害のある上肢の運動中に観察され、運動障害の程度と関連していました。
Abstract
障害肢のタスク固有の動作中の脳波(EEG)信号の変化は、運動障害の重症度および脳卒中患者の運動回復の予測のための潜在的なバイオマーカーとして報告されています。脳波実験を実施する場合、堅牢で解釈可能な結果を得るためには、詳細なパラダイムとよく整理された実験プロトコルが必要です。このプロトコルでは、上肢の動きと、EEGデータの取得と分析に必要な方法と技術を備えたタスク固有のパラダイムを示します。パラダイムは、1 分間の休息とそれに続く 10 回の試行で構成され、それぞれ 5 秒と 3 秒の休息とタスク (手の伸展) 状態を 4 回のセッションで交互に行います。脳波信号は、32個のAg/AgCl頭皮電極を用いて、サンプリングレート1,000Hzで取得し、四肢運動に伴う事象関連スペクトル摂動解析と、低ベータ(12-20Hz)周波数帯における全球レベルでの機能的ネットワーク解析を行った。代表的な結果は、障害上肢の運動中に低ベータ脳波周波数帯の機能ネットワークの変化を示し、機能ネットワークの変化は慢性脳卒中患者の運動障害の程度と関連していました。この結果は、脳卒中患者の上肢運動時の脳波測定における実験パラダイムの実現可能性を実証している。運動障害と回復のバイオマーカーとしての脳波信号の潜在的な価値を決定するには、このパラダイムを使用したさらなる研究が必要です。
Introduction
上肢の運動障害は、脳卒中の最も一般的な結果の1つであり、日常生活動作の制限に関連しています1,2。アルファ(8-13 Hz)とベータ(13-30 Hz)のバンドリズムは、動きと密接に関連していることが知られています。特に、研究によると、障害のある手足の運動中のアルファおよび下部ベータ(12〜20 Hz)周波数帯域での神経活動の変化は、脳卒中患者の運動障害の程度と相関しています3,4,5。これらの知見に基づき、脳波検査(EEG)は、運動障害の重症度と運動回復の可能性の両方を反映する潜在的なバイオマーカーとして浮上しています6,7。しかし、以前に開発された脳波ベースのバイオマーカーは、主にタスク誘発性脳波データではなく安静時の脳波データに依存しているため、脳卒中患者の運動障害の特徴を調査するには不十分であることが証明されています8,9,10。イプシレシオナル半球と対病変半球の相互作用など、運動障害に関連する複雑な情報処理は、安静時の脳波ではなく、タスク誘発の脳波データによってのみ明らかにすることができます。したがって、脳卒中患者の運動障害の潜在的なバイオマーカーとして、神経活動と運動障害特性の関係を探り、障害のある身体部分の運動中に生成される脳波の有用性を明らかにするために、さらなる研究が必要である11。
行動効果を評価するためのEEGの実装には、タスク固有のパラダイムとプロトコルが必要です。現在までに、脳卒中患者が想像上または実際の動きをして、運動関連の脳活動を誘発するさまざまな脳波プロトコルが提案されています11,13。想像上の動きの場合、参加者の約53.7%が対応する動きを明確に想像できず(「リテラシー」と呼ばれる)、したがって運動に関連する脳活動を誘発できなかった14。また、重度の脳卒中患者は上肢全体を動かすことが難しく、動きが不安定なため、データ取得時に不要なアーチファクトが発生する可能性があります。そのため、課題に関する高品質な脳波データや神経生理学的に解釈可能な結果を得るためには、専門家のノウハウに基づいた指導が必要です。本研究では、脳卒中患者が比較的単純な手の動きの課題を行なうための実験パラダイムを包括的に設計し、詳細なガイダンスを伴う実験手順を提供した。
本稿では、可視化された実験プロトコルの概要を説明することで、脳波システムを用いた上肢の動きに関連する神経活動の獲得と解析に使用される具体的な概念と方法を説明することを目的とした。片麻痺性脳卒中の参加者における麻痺性上肢と非麻痺性上肢の間の脳波を介したニューロン活動の違いを実証するにあたり、この研究は、脳卒中患者の運動障害の重症度の潜在的なバイオマーカーとして、記述されたプロトコルを使用して脳波の実現可能性を提示することを目的としていました 横断的な文脈での脳卒中患者の運動障害。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
すべての実験手順は、ソウル大学盆唐病院の治験審査委員会によってレビューされ、承認されました。この研究の実験では、脳卒中の34人の参加者が募集されました。署名されたインフォームドコンセントは、すべての参加者から得られました。参加者が基準を満たしているが、障害のために同意書に署名できなかった場合、法定代理人から署名されたインフォームドコンセントが署名されました。
1. 実験のセットアップ
- 患者様のリクルート
- 以下の選択基準を使用してスクリーニングプロセスを実行します。
18歳から85歳で、上肢機能に障害がある。
脳コンピュータ断層撮影法または磁気共鳴画像法によって確認された史上初の虚血性または出血性脳卒中。
-臨床評価とEEG研究の指示に従う参加者の能力;
-脳卒中以外の他の精神疾患または神経疾患の病歴がない。 - 以下に基づいて患者を除外します。
-中枢神経系が関与する以前の疾患(例:外傷性脳損傷、脳腫瘍、パーキンソン病);
EEGキャップを着用できない。そして
臨床評価と脳波検査の指示に従うことができない。
注:選択基準と除外基準は、実験に参加できる参加者を選択し、結果に影響を与える可能性のある人口統計学的要因を調整するために選択されました。 - 募集されたすべての参加者に、実験手順の詳細に関する情報を提供します。
- 以下の選択基準を使用してスクリーニングプロセスを実行します。
- 実験系:脳波
- データ記録には、32個のAg/AgCl頭皮電極、テキスタイルEEGキャップ、およびEEG記録ソフトウェアで構成されるEEGシステムを使用します。
- 脳波記録ソフトウェアがインストールされたパソコン(PC)を使用し、PCと脳波装置をBluetoothで接続します。
- エンジニアリング用の数値解析およびプログラミングソフトウェアアプリケーションを備えた別のPCを使用します( 材料表を参照)。
- 刺激を提示するには、PCを専用のトリガーボックスに接続します(図1)。
メモ: 2 台の PC の詳細な仕様は 、部品表に記載されています。
- プログラミングソフトウェアに基づく実験パラダイム
注:参加者は、影響を受けた手と影響を受けていない手を使用して手の伸展タスクを実行し、その間にEEGデータが測定されました。 図2 は、この研究の実験パラダイムを示しています。- モニターの中央に CLOSE と OPEN の 2 つの視覚刺激をそれぞれ 30 秒間表示して、ベースラインの安静時脳波データを測定し、その間に参加者は目を閉じたり開いたりします。
注:安静時の脳波データは、望ましくない生理学的アーチファクトによる汚染が比較的少ないため、脳波データの品質を検証し、安静時に関する個々の脳波特性を特定するのに役立ちます。 - 手のモーション画像を 3 秒間提示して、参加者に手を伸ばす動きをするように指示し、続いて 5 秒間の固定マークで休息します。
注:この手順は試験と見なされ、1回のセッションで10回繰り返されました。各参加者は、各ハンドで4つのセッションを受けました。参加者は、過度の疲労を防ぐために、各セッションを実行した後、いつでも好きなときに休憩を取りました。
- モニターの中央に CLOSE と OPEN の 2 つの視覚刺激をそれぞれ 30 秒間表示して、ベースラインの安静時脳波データを測定し、その間に参加者は目を閉じたり開いたりします。
図1:機器のセットアップの概略図。 実験刺激を提示するPC(PC1)をトリガーボックスに接続し、別のPC(PC2)をEEG増幅器に接続しました。PC1で発生した刺激イベントは、PC1に接続されたトリガーボックスを介してEEG増幅器に配信されました。この図の拡大版をご覧になるには、ここをクリックしてください。
図2:本研究で用いた実験パラダイム 1回の試験では、3秒間の手の伸展運動とそれに続く5秒間の弛緩法が実施された。このパターンを 1 回のセッションで 10 回繰り返しました。合計8つのセッションが行われました。4つのセッションでは手の動きに影響があり、他の4つのセッションでは手の動きには影響がありませんでした。この図は、Mary Ann Liebert, Inc.の許可を得て、Shim et al.17 から引用したものです 。
2. 運動関連の脳波データの記録
- 脳波のセットアップ
- モニターの前の快適なアームチェアに参加者を座らせます。
注意: 目の疲れを防ぐために、参加者とモニターの間の距離は少なくとも60cmである必要があります。ただし、過度の距離(例:>150 cm)は、参加者の集中力を妨げる可能性があるため、避ける必要があります。 - 脳波測定用のキャップを正確に着用するには、鼻と陰イオンを結ぶ縦線と両方の耳介の上部を結ぶ横線の交点を使用して、国際10-20システムに基づいてCz位置を定義します。
注意: EEG測定機器によっては、EEGキャップが不要な場合があります。このような場合、脳波電極は、国際10-20システム15に従って頭皮に直接取り付けられる。 - 正確な脳波測定のために、参加者の頭のサイズに応じて適切なサイズの脳波キャップを使用し、Cz電極の位置が個々のCzの位置に配置されるように配置します。
- あごひもを適切な締め付けで固定します。これにより、参加者が実験中に嚥下やまばたき中に不快感を感じるのを防ぐことができます。その後、脳波キャップのT9とT10の電極位置が両耳介の上の側頭領域にあり、脳波キャップのFpz電極位置が額の中央にあることを確認します。
注意: これらの電極が指定された場所から外れている場合は、キャップの交換を検討してください。私たちの研究では、3つのEEGキャップサイズ(54 cm:小、56 cm:中、58 cm:大)を使用しました。 - EEGキャップを正しく配置した後、拡張国際10-10システムに従って、32個のAg/AgCl頭皮電極を頭皮に取り付け、接地電極と参照電極をそれぞれFpzとFCzにします16。
注:参照電極(FCz)の位置は、頭皮の中央領域(Cz)の周囲に位置するため、眼電図、筋電図、心電図などのさまざまな生理学的アーチファクトの影響を比較的受けにくくなります。 - 導電性ゲルを使用して脳波電極と頭皮の間のインピーダンスレベルを調整し、脳波電極と頭皮の間の閉塞を防ぐためにジェルで髪を固定します。
注意: ゲルの漏れにより、隣接するEEG電極間にブリッジが作成されているかどうかを確認することが重要です。 - 脳波記録用のソフトウェアを使用してください。
- EEGシステムをオンにし、 Configuration>Select Amplifierを実行します。 Liveamp > >アンプを選択して接続>。 ワイヤレス接続の Liveamp 機能を検索します(図3)。
- イン ピーダンスチェック 機能を実行して、各電極のインピーダンスレベルを監視します。
注:実験は<20KΩのインピーダンスレベルで実施することをお勧めします(図4)。 - リアルタイムの脳波信号モニタリングにより、すべての電極の脳波が同様の振幅レベルを持っているかどうかを確認するモニタリング機能を実行します(図5)。
注:EEG信号の振幅は通常10μV〜100μVであり、目を閉じると後頭部周辺でアルファ(8〜12 Hz)パワーが増加します。したがって、脳波データの品質は、目を閉じた状態で後頭部周辺のチャネルの振幅レベルとアルファ振動を監視することで定性的に確認できます。
- モニターの前の快適なアームチェアに参加者を座らせます。
- パラダイムのセットアップ
- 安定した脳波データを取得するには、外部刺激の表示と脳波データの記録に2台の別々のPCを使用します( 図1を参照)。
- 実験的な刺激を参加者に提示するために、プログラミングソフトウェア(ステップ1.3で導入)を使用して、実験パラダイムに基づいた刺激プログラムを作成します。
注:この研究ではソフトウェアベースの刺激プログラムを作成しましたが、実験に使用したEEG機器との互換性とユーザーの利便性に応じて、他のソフトウェアを使用できます。プログラミングソフトウェアベースの刺激スクリプトは、 補足ファイル1 (Experimental_stimulus.m)で提供されています。刺激の開始点を示すイベント情報は、社内のプログラミングソフトウェアによって生成され、トリガーボックスを介して脳波増幅器に送信され、最終的に脳波記録ソフトウェアに送信されます(図1)。 - 実験刺激を提示するプログラムをモニタリングモードで実行します(サブステップ2.1.10を参照)。続いて、 図6に示すように、刺激が提示されるたびに、脳波記録ソフトウェアの下部にイベント情報がタイムリーに正しくマークされていることを確認します。
注:時点に関する情報は、新しい刺激が提示されるたびに記録され、その後、データのセグメンテーションに使用されます。したがって、分析結果の信頼性が低下する不正確なデータセグメンテーションを防ぐために、実験イベントの正確な時点をできるだけ取得することが重要です。 - 脳波記録ソフトウェアを起動し、実験パラダイムに基づいて開発された刺激提示プログラムをプログラミングソフトウェアを使用して独立して実行し、データ漏れを防ぎます。
注: データ分析の便宜上、データ保存の一貫したルール (Sub1_Session1 など) を使用してファイル名を作成することをお勧めします。
- 脳波記録
- ステップ 1,000 で導入した実験パラダイムに従って、1.3 Hz のサンプリング レートで EEG を測定します。
注:サンプリングレートは、研究者が調査したいEEG周波数の範囲に応じて変更できます。一般的には、ナイキストの定理に基づいて≤100HzでEEG情報を調査できる>200Hzのサンプリングレートを使用することをお勧めします。これは、ほとんどの脳波情報が100Hz以下に存在するためです。 - 実験環境(実験場所、機器、室温など)をできるだけ同じに保ち、脳波測定中の無駄な動きを最小限にするよう指示する。
- ステップ 1,000 で導入した実験パラダイムに従って、1.3 Hz のサンプリング レートで EEG を測定します。
図3:脳波記録ソフトウェアを使用した脳波増幅器とPC間のワイヤレス接続手順。 (A)アンプの選択、(B)アンプの接続、(C)接続の検索 amp無線接続用のリファイア、(D)接続完了の順番に手順を実行します。この図の拡大版をご覧になるには、ここをクリックしてください。
図4:各チャネルのインピーダンスチェック手順。 安定した脳波測定のために、すべてのチャンネルを緑色に調整する必要があります。インピーダンスは20KΩ以下で実施することを推奨します。 この図の拡大版をご覧になるには、ここをクリックしてください。
図5:各チャンネルのリアルタイムデータ監視手順。 測定対象のすべてのチャンネルからの信号はリアルタイムで監視でき、トップバーのオプション(赤いボックス)を使用してズームイン/ズームアウトできます。 この図の拡大版をご覧になるには、ここをクリックしてください。
図6:監視イベント情報のスクリーンショット。 赤いバーは、PC1によって刺激が提供されるたびに提示されるイベントメーカーを示します。 この図の拡大版をご覧になるには、ここをクリックしてください。
3. 脳波データ解析
注:この研究は、研究コンセプトを再現するための正確なガイドラインを提供します。したがって、分析プロセスの概要と代表的な結果を提供します。詳細なプロセスと関連する結果は、以前の研究17で見つけることができます。これは、Mary Ann Liebert, Inc.が著作物の使用を許可したことを示しています。
- 前処理
- 脳波データ前処理ソフトウェア18,19に実装された主成分分析に基づく数学的手順を使用して、生の脳波データから眼関連のアーチファクトを除去します(材料表を参照)。
注:いずれかのエポックで顕著なアーチファクト(± 100 μV)が見られた場合は、いずれかの電極で前処理を行った後でも、それ以上の分析から除外しました。拒絶されたエポックの平均数は、標準偏差を含めて、影響を受けた手の動きのタスクで3.69±7.15、影響を受けていない手の動きのタスクで1.62±3.95でした。 - 0.1 Hz から 55 Hz の間でバンドパス フィルターを適用し、タスクの開始に基づいて、各試行で前処理された EEG データを -1 秒から 3.5 秒にセグメント化し、イベント関連スペクトル摂動 (ERSP) および機能ネットワーク分析に使用されるベースライン期間を含めます。
- 脳波データ前処理ソフトウェア18,19に実装された主成分分析に基づく数学的手順を使用して、生の脳波データから眼関連のアーチファクトを除去します(材料表を参照)。
- ERSP分析
注:測定されたEEGデータは、随意運動に関連する低ベータ周波数帯域(12〜20 Hz)のERSP分析によって検証されました。- プログラミングソフトウェアのEEGLABツールボックスの newtimef 関数を使用したEEGスペクトルパワーを計算するために、試行ごとに短時間フーリエ変換を実行します20 (重複しないハニングウィンドウ、250msのウィンドウサイズ)。
- ベースライン期間の平均検出力 (-1 から 0 秒) を差し引いて各試行のパワー スペクトルを正規化し、手の動きタスクとベースライン期間の間のスペクトル パワーの変化を調査します。
- 試験間で正規化されたパワースペクトルを平均することにより、各患者のベースライン正規化ERSPマップを推定します。
- 機能ネットワーク分析
注:脳ネットワークの観点から脳波の変化を調査するために、機能的ネットワーク分析が実施されました。グラフ理論に基づいて重み付けされた全脳ネットワーク指数を計算するために、まず位相ロック値(PLV)を使用して異なる領域間の脳の接続性を計算しました。次に、PLVベースの接続性解析の結果を使用して機能的接続性マトリックスが計算され、その後、全脳ネットワークインデックスの計算に使用されました17。すべての機能ネットワーク解析は、プログラミングソフトウェアを使用して実行されました。- 社内関数21,22を使用して、低ベータ周波数帯域(12-20 Hz)のヒルベルト変換ベースの位相ロック値(PLV)を計算します。ヒルベルト変換ベースの PLV を計算するための社内関数は、補足ファイル 2 (myPLV.m) で提供されています。
- タスク期間 (0 から 3.5 秒) の各時点で 32 個の EEG 電極のすべての可能なペア間の PLV を評価し、タスク期間の PLV を平均化することにより、対称隣接行列 (32 x 32、電極の数 = 32) を作成します。PLV 行列をネットワーク解析の入力データとして使用する17,23.
- Brain Connectivity Toolbox (https://sites.google.com/site/bctnet) を使用して、グラフ理論に基づいて 4 つの重み付けされたグローバル レベルのネットワーク インデックス ((1) 強度、(2) クラスタリング係数、(3) 経路長、(4) 小世界性17、24、25) を評価します。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
図7は、各手の動きタスクの地形的な低ベータERDマップを示しています。罹患した手の動きのタスクと影響を受けていない手の動きのタスクの両方で、対病変半球で対病変半球で有意に強い低ベータERDが観察されました。
図7:罹患した手の動きのタスクを実行しているすべての患者と影響を受けていない手の動きのタスクをそれぞれ実行しているすべての患者の平均地形図。 統合地形図は、右片麻痺群のERDマップを反転させることによって得られた。濃い青色はERDが強いことを表し、対応する脳領域が他の領域よりも活性化されていることを示します。CONは無傷の対向半球を示し、IPSIは損傷した副病変半球を示します。この図は、Mary Ann Liebert, Inc.の許可を得て、Shim et al.17 から引用したものです 。
表1 は、重み付けされた4つのグローバルレベルのネットワーク特性の定量的な結果を示しています。ネットワークインデックスの変化は、罹患していない手の運動課題と比較して、罹患した手の運動課題中に観察されました。強度とクラスタリング係数の両方の指標は、影響を受けていない手の動きタスクと比較して、影響を受けた手の動きタスク中に有意に減少しました。逆に、罹患した手の動きのタスク中に経路の長さが有意に増加しました。2つのタスクの間にスモールワールド性に有意差はありませんでした。
また、機能的ネットワーク指標と運動障害の程度との相関関係をFugl-Meyer Assessment(FMA)を用いて評価した。αバンドのipsilesionalネットワーク強度(rho = 0.340、p = 0.049)、クラスタリング係数(rho = 0.342、p = 0.048)、およびスモールワールド性(rho = 0.444、p = 0.008)はFMAスコアと正の相関を示し、経路長(rho = -0.350、p = 0.042)はFMAスコアと負の相関を示しました。(図8)。低ベータipsilesionalネットワーク指標間の相関は、FMAスコアとわずかに有意な相関を示しました(それぞれ、強度rho = 0.328、p = 0.058、クラスタリング係数rho = 0.338、p = 0.051、経路長rho = -0.340、p = 0.049)。
図8:アルファ同側機能ネットワーク指標(強度、クラスタリング係数、経路長、スモールワールド性)とFugl-Meyer評価スコアの相関関係。 この図は、Mary Ann Liebert, Inc.の許可を得て、Shim et al.17 から引用したものです 。
影響を受けた手の動き | 影響を受けない手の動き | p | |
強度 | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
クラスタリング係数 | 0.342 ± 0.056 | 0.356 ± 0.057 | 0.014* |
パスの長さ | 3.249 ± 0.483 | 3.147 ± 0.456 | 0.021* |
スモールワールドネス | 0.897 ± 0.032 | 0.894 ± 0.030 | 0.405 |
表1:低ベータバンドの全脳ネットワーク指標の平均値と標準偏差値。 ネットワークメジャーには特定の単位は使用されません(*p < 0.05)。この表は、Mary Ann Liebert, Inc. の許可を得て Shim et al.17 から引用したものです。
補足ファイル1:Experimental_stimulus.m. プログラミング・ソフトウェア・ベースの刺激スクリプト。 このファイルをダウンロードするには、ここをクリックしてください。
補足ファイル2:myPLV.m。 ヒルベルト変換ベースの PLV を計算するための社内関数。 このファイルをダウンロードするには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
本研究では、脳卒中患者の上肢運動に関連する神経活動を測定するための脳波実験を導入しました。実験パラダイムとEEGの取得と分析の方法を適用して、 イプシレジオンおよび対病変運動皮質のERDパターン。
ERSPマップの結果(図7)は、障害のある手とそうでない手を動かしたときのニューロンの活性化の程度の違いを示しました。この結果は、以前の論文26,27の知見と一致しており、実験設定が臨床研究の現場で実施可能な方法であることを示しました。
過去の研究では、主に安静時の脳波データを使用して、脳卒中患者のニューロン活動の変化を調査してきました。しかし、この研究では、手の動き中に測定されたタスク固有の脳波データを使用しており、運動回復を予測するためのバイオマーカーとして有望であることが示されています17。
一般的な観点からの脳波記録に関する特定の重要な考慮事項について言及する必要があります。特に、ステップ2.2.3で概説した事象情報を検証する手順は、実験事象の正確なタイミングを得るために重要です。これにより、信頼性の低い結果につながる可能性のある不正確なデータセグメンテーションが防止されます。また、患者さんを対象とした実験では、疲労や集中力の低下を防ぐために、明確で簡潔な実験計画が求められます。この研究では、著者らは、18歳から80歳までの各参加者の罹患した手の動きと罹患していない手の動きの間に観察された脳波パターンを独自に比較しました。異なる年齢の参加者の間では、脳波パターンに加齢の影響があるかもしれないが、結果は主に2つの異なる状態、すなわち手の動きが罹患しているか、影響を受けていないかに起因している可能性が高い。ただし、年齢が脳波パターンに及ぼす潜在的な影響を考慮すると、より包括的な分析のためには、より広い年齢層が推奨されます。
この研究で使用されたパラダイムには、比較的短い期間(それぞれ5秒と3秒)で複数回、手の伸展と弛緩のタスクを交互に行うことが含まれていました。認知障害のある参加者は、指示を理解し、制限時間内にタスクを実行するのに苦労しました。したがって、このパラダイムを使用して脳波を記録する前に、研究者は参加者に徹底的に指示し、可能であれば、参加者がパラダイムとタスクを完全に理解できるようにタスクをデモンストレーションする必要があります。したがって、このパラダイムの考えられる制限の1つは、実験パラダイムを理解できない認知障害のある患者、または運動タスクを実行できない重度のロックイン患者を排除することです。多くの場合、認知障害は脳卒中患者の重度の運動障害を伴います28。その結果、脳卒中患者におけるパラダイムの適用可能性は、安静時の脳波パラダイムと比較して狭くなっています8,29。認知機能が損なわれていない重度のロックイン患者の場合、このパラダイムは、運動関連の脳活動も生み出すことができる運動想像力(運動イメージ)で動きを再現することによって適用することができます30,31。
また、前述の脳波装置を用いて実験を行う際には、2つの重要なポイントがあります。まず、安定したデータ記録を確保するために、ステップ2.1.9の手順に従って、すべての取得セッションの前に電極インピーダンスをチェックすることを強くお勧めします。インピーダンス情報が正しく反映されていないと、初期ファイル形式(.vhdr)を目的のファイル形式(.mat、.pyなど)に変換する際にエラーが発生する場合があります。第二に、この研究では、脳波増幅器をUSBケーブルを介して記録PCに接続しました。録音PCとUSBケーブルを安定して接続するには、USB2.0ポートを強くお勧めします。USB 3.0ポートを使用すると、EEGアンプ接続に関連する技術的な問題が発生する可能性があります。
提案された実験プロトコルは、運動機能障害のある患者の運動中に誘発される脳波パターンの観察を可能にします。運動リハビリテーションを受けている脳卒中患者の運動機能回復の程度を評価するための定性的評価ツールとしての価値を確認するには、このパラダイムを使用したさらなる調査が必要である。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS、NJP、WSK、およびHJHは、「運動障害に関する情報の提供方法およびそれに使用されるデバイス」という特許出願中(番号10-2022-0007841)を持っています。
Acknowledgments
この研究は、韓国政府(MSIT)が資金提供する韓国国立研究財団(NRF)の助成金(No.NRF-2022R1A2C1006046)、文部科学省助成事業(2019M3C7A1031995)、韓国国立研究財団(NRF)助成(MSIT)(No.NRF-2022R1A6A3A13053491)、およびIITP(Institute for Information & Communications Technology Planning & Evaluation)が監督するITRC(情報技術研究センター)支援プログラム(IITP-2023-RS-2023-00258971)の下で、韓国のMSIT(科学技術省)によって作成されました。
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.
Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999). - 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.
Small-world brain networks. Neuroscientist. 12 (6), 512-523 (2006). - 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).