Summary
Den eksperimentelle protokollen demonstrerer paradigmet for å anskaffe og analysere elektroencefalografi (EEG) signaler under øvre lembevegelse hos personer med hjerneslag. Endringen av det funksjonelle nettverket av lav-beta EEG-frekvensbånd ble observert under bevegelsen av den nedsatte øvre lemmen og var forbundet med graden av motorisk funksjonsnedsettelse.
Abstract
Endring av elektroencefalografi (EEG) signaler under oppgavespesifikk bevegelse av nedsatt lem har blitt rapportert som en potensiell biomarkør for alvorlighetsgraden av motorisk svekkelse og for prediksjon av motorisk gjenoppretting hos personer med slag. Ved implementering av EEG-eksperimenter kreves detaljerte paradigmer og velorganiserte eksperimentprotokoller for å oppnå robuste og tolkbare resultater. I denne protokollen illustrerer vi et oppgavespesifikt paradigme med bevegelse i øvre lemmer og metoder og teknikker som trengs for innsamling og analyse av EEG-data. Paradigmet består av 1 min hvile etterfulgt av 10 forsøk som består av vekslende 5 s og 3 s av hvile og oppgave (håndforlengelse) -tilstander, henholdsvis over 4 økter. EEG-signaler ble samlet inn ved hjelp av 32 Ag / AgCl hodebunnselektroder med en samplingsfrekvens på 1000 Hz. Hendelsesrelatert spektral perturbasjonsanalyse assosiert med lemmerbevegelse og funksjonelle nettverksanalyser på globalt nivå i lav-beta (12-20 Hz) frekvensbåndet ble utført. Representative resultater viste en endring av det funksjonelle nettverket av lav-beta EEG-frekvensbånd under bevegelse av den nedsatte øvre lemmen, og det endrede funksjonelle nettverket var assosiert med graden av motorisk svekkelse hos kroniske slagpasienter. Resultatene demonstrerer muligheten for det eksperimentelle paradigmet i EEG-målinger under øvre lembevegelse hos personer med hjerneslag. Videre forskning ved hjelp av dette paradigmet er nødvendig for å bestemme den potensielle verdien av EEG-signaler som biomarkører for motorisk funksjonsnedsettelse og gjenoppretting.
Introduction
Motorisk svekkelse i øvre lemmer er en av de vanligste konsekvensene av hjerneslag og er relatert til begrensninger i dagliglivets aktiviteter 1,2. Alfa (8-13 Hz) og beta (13-30 Hz) båndrytmer er kjent for å være nært forbundet med bevegelser. Spesielt har studier vist at endret nevral aktivitet i alfa- og lavere beta (12-20 Hz) frekvensbånd under bevegelse av nedsatt lem er korrelert med graden av motorisk funksjonsnedsettelse hos personer med hjerneslag 3,4,5. Basert på disse funnene har elektroencefalografi (EEG) dukket opp som en potensiell biomarkør som gjenspeiler både alvorlighetsgrad av motorisk svekkelse og mulighet for motorisk restitusjon 6,7. Imidlertid har tidligere utviklede EEG-baserte biomarkører vist seg å være utilstrekkelige for å undersøke egenskapene til motorisk funksjonsnedsettelse hos personer med hjerneslag, hovedsakelig på grunn av deres avhengighet av hviletilstand EEG-data i stedet for oppgaveinduserte EEG-data 8,9,10. Kompleks informasjonsbehandling relatert til motoriske funksjonsnedsettelser, for eksempel samspillet mellom ipsilesionale og kontralesjonale hemisfærer, kan bare avsløres gjennom oppgaveinduserte EEG-data, ikke hvilestatus EEG. Derfor er det ikke bare nødvendig med videre studier for å utforske forholdet mellom nevronaktiviteter og motoriske funksjonsnedsettelsesegenskaper og for å klargjøre nytten av EEG generert under bevegelse av den nedsatte kroppsdelen som en potensiell biomarkør for motorisk funksjonsnedsettelse hos personer med hjerneslag11.
Implementering av EEG for å vurdere atferdseffekter krever oppgavespesifikke paradigmer og protokoller. Hittil har ulike EEG-protokoller blitt foreslått12, hvor personer med hjerneslag utførte forestilte eller faktiske bevegelser for å indusere bevegelsesrelaterte hjerneaktiviteter11,13. Når det gjelder forestilte bevegelser, kunne omtrent 53,7% av deltakerne ikke definitivt forestille seg en tilsvarende bevegelse (kalt "analfabetisme") og klarte dermed ikke å indusere bevegelsesrelaterte hjerneaktiviteter14. Videre er det vanskelig for personer med alvorlig hjerneslag å bevege hele øvre ekstremitet, og det er mulighet for unødvendige gjenstander under datainnsamling på grunn av ustabile bevegelser. Derfor er veiledning basert på ekspertkunnskap nødvendig for å skaffe oppgaverelaterte høykvalitets EEG-data og nevrofysiologisk tolkbare resultater. I denne studien designet vi omfattende et eksperimentelt paradigme for personer med hjerneslag for å utføre en relativt enkel håndbevegelsesoppgave og ga en eksperimentell prosedyre med detaljert veiledning.
Ved å skissere den visualiserte eksperimentelle protokollen i denne artikkelen, hadde vi som mål å illustrere de spesifikke konseptene og metodene som brukes til oppkjøp og analyse av nevronaktiviteter relatert til bevegelsen av overbenet ved hjelp av et EEG-system. Ved å demonstrere forskjellen i nevronaktiviteter via EEG mellom de paretiske og ikke-paretiske øvre lemmer hos deltakere med hemiplegisk slag, hadde denne studien til hensikt å presentere muligheten for EEG ved bruk av den beskrevne protokollen som en potensiell biomarkør for alvorlighetsgraden av motorisk funksjonsnedsettelse hos personer med hjerneslag i tverrsnittssammenheng.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle eksperimentelle prosedyrer ble gjennomgått og godkjent av Institutional Review Board of Seoul National University Bundang Hospital. For forsøkene i denne studien ble 34 deltakere med hjerneslag rekruttert. Signert informert samtykke ble innhentet fra alle deltakerne. Et signert informert samtykke ble innhentet fra en juridisk representant dersom en deltaker oppfylte kriteriene, men ikke kunne signere samtykkeskjemaet på grunn av funksjonshemming.
1. Eksperimentelt oppsett
- Rekruttering av pasienter
- Utfør screeningprosessen ved å bruke følgende inklusjonskriterier:
I alderen 18 til 85 år med tilstedeværelse av nedsatte øvre lemmerfunksjoner;
Første iskemiske eller hemorragiske hjerneslag bekreftet av hjernecomputertomografi eller magnetisk resonansavbildning;
Deltakerens evne til å følge instruksjonene for klinisk vurdering og EEG-studien;
Fravær av en historie med andre psykiatriske eller nevrologiske sykdommer unntatt slag. - Ekskluder pasienter basert på følgende:
Tidligere sykdom som involverer sentralnervesystemet (f.eks, traumatisk hjerneskade, hjernesvulst, Parkinsons sykdom);
Manglende evne til å bære EEG-hetten; og
Manglende evne til å følge instruksjonene for den kliniske vurderingen og EEG-studien.
MERK: Inklusjons- og eksklusjonskriteriene ble valgt for å velge deltakerne som var i stand til å delta i forsøket og for å regulere de demografiske faktorene som kunne påvirke resultatene. - Gi alle rekrutterte deltakere informasjon om detaljene i den eksperimentelle prosedyren.
- Utfør screeningprosessen ved å bruke følgende inklusjonskriterier:
- Eksperimentelt system: EEG
- Bruk et EEG-system bestående av 32 Ag / AgCl hodebunnselektroder, en tekstil EEG-hette og EEG-opptaksprogramvare for dataopptak.
- Bruk en personlig datamaskin (PC) med EEG-opptaksprogramvare installert, og koble PCen til EEG-enheten via Bluetooth.
- Bruk en annen PC med et numerisk analyse- og programmeringsprogram for ingeniørarbeid (se Materialfortegnelse).
- For stimulipresentasjon, koble PC-en til en dedikert utløserboks (figur 1).
MERK: De detaljerte spesifikasjonene for de to PCene er gitt i materialfortegnelsen.
- Eksperimentelt paradigme basert på programmeringsprogramvare
MERK: Deltakerne utførte en håndforlengelsesoppgave ved hjelp av de berørte og upåvirkede hendene, hvor EEG-data ble målt. Figur 2 viser det eksperimentelle paradigmet i denne studien.- Presenter to visuelle stimuli, CLOSE og OPEN, i 30 s hver, på midten av en skjerm for å måle baseline hvile-tilstand EEG-data, hvor deltakeren lukker og åpner øynene.
MERK: Fordi hviletilstand EEG-data er relativt mindre forurenset av uønskede fysiologiske artefakter, er de nyttige for å verifisere kvaliteten på EEG-data og identifisere individuelle EEG-egenskaper med hensyn til hviletilstanden. - Presenter et håndbevegelsesbilde i 3 s for å instruere deltakeren til å gjøre en håndforlengelsesbevegelse, etterfulgt av et fikseringsmerke i 5 s for hvile.
MERK: Denne prosedyren ble ansett som en prøve og ble gjentatt 10 ganger i en enkelt økt. Hver deltaker gjennomgikk 4 økter for hver hånd. Deltakeren hadde en pause når han / hun ønsket etter å ha utført hver økt for å forhindre overdreven tretthet.
- Presenter to visuelle stimuli, CLOSE og OPEN, i 30 s hver, på midten av en skjerm for å måle baseline hvile-tilstand EEG-data, hvor deltakeren lukker og åpner øynene.
Figur 1: Skjematisk fremstilling av utstyrsoppsettet. En PC (PC1) som presenterte eksperimentelle stimuli ble koblet til en utløserboks, og en annen PC (PC2) ble koblet til en EEG-forsterker. Stimuleringshendelser generert i PC1 ble levert til EEG-forsterkeren via utløserboksen koblet til PC1. Klikk her for å se en større versjon av denne figuren.
Figur 2: Eksperimentelt paradigme brukt i denne studien. Et enkelt forsøk besto av en håndforlengelsesbevegelse på 3 s etterfulgt av en relaksasjon på 5 s. Dette mønsteret ble gjentatt 10 ganger i en enkelt økt. Totalt åtte økter ble gjennomført; Fire økter involverte påvirket håndbevegelse, mens de fire andre involverte upåvirket håndbevegelse. Denne figuren ble tilpasset fra Shim et al.17 med tillatelse fra Mary Ann Liebert, Inc. Klikk her for å se en større versjon av denne figuren.
2. Registrering av bevegelsesrelaterte EEG-data
- EEG-oppsett
- Sett deltakeren i en komfortabel lenestol foran en skjerm.
MERK: Avstanden mellom deltakeren og skjermen skal være minst 60 cm for å forhindre tretthet i øynene. Imidlertid bør en overdreven avstand unngås (f.eks. >150 cm) fordi det kan distrahere deltakerens konsentrasjon. - For å bruke hetten nøyaktig for EEG-måling, definer Cz-plasseringen basert på det internasjonale 10-20-systemet ved hjelp av krysset mellom lengdelinjen som forbinder nasion og inion og tverrlinjen som forbinder den øvre delen av begge auriklene.
MERK: En EEG-hette er kanskje ikke nødvendig, avhengig av EEG-måleutstyret. I slike tilfeller er EEG-elektroder direkte festet til hodebunnen i henhold til det internasjonale 10-20-systemet15. - For en nøyaktig EEG-måling, bruk en passende størrelse EEG-hette i henhold til deltakerens hodestørrelse og plasser den slik at Cz-elektrodeposisjonen plasseres på den enkelte Cz-plasseringen.
- Fest hakestroppen med passende tetthet; Dette vil forhindre at deltakeren blir ubehagelig under svelging og blinking i forsøket. Deretter bekrefter du at T9- og T10-elektrodeposisjonene til EEG-hetten er i den tidlige regionen over begge auriklene, og Fpz-elektrodeposisjonen til EEG-hetten ligger midt på pannen.
MERK: Hvis disse elektrodene er utenfor den angitte plasseringen, bør du vurdere å bytte hette. Tre EEG-hettestørrelser ble brukt i vår studie (54 cm: liten, 56 cm: middels, 58 cm: stor). - Etter riktig plassering av EEG-hetten, fest 32 Ag / AgCl hodebunnselektroder i hodebunnen i henhold til det utvidede internasjonale 10-10-systemet, med jord- og referanseelektrodene på henholdsvis Fpz og FCz,16.
MERK: Plasseringen av referanseelektroden (FCz) er relativt mindre påvirket av ulike fysiologiske artefakter, for eksempel fra elektrookulografi, elektromyografi og elektrokardiografi, fordi den ligger rundt det sentrale området (Cz) av hodebunnen. - Juster impedansnivået mellom EEG-elektrodene og hodebunnen ved hjelp av ledende gel, og fest håret med gelen for å forhindre hindring mellom EEG-elektrodene og hodebunnen.
MERK: Det er viktig å bekrefte om noen bro mellom tilstøtende EEG-elektroder er opprettet på grunn av gellekkasje. - Bruk programvaren til EEG-opptak.
- Slå på EEG-systemet og utfør konfigurasjon > Velg forsterker. Velg Liveamp > > forsterker > koble til. Søk etter Liveamp-funksjonen for den trådløse tilkoblingen (figur 3).
- Utfør impedanskontrollfunksjonen for å overvåke impedansnivået for hver elektrode.
MERK: Det anbefales å gjennomføre eksperimentet med et impedansnivå på <20 KΩ (figur 4). - Utfør overvåkingsfunksjonen for å bekrefte om EEG-ene til alle elektroder har lignende amplitudenivåer gjennom sanntids EEG-signalovervåking (figur 5).
MERK: Amplituden til EEG-signalet er vanligvis mellom 10 μV og 100 μV, og alfa-effekten (8-12 Hz) øker rundt oksipitalt område når øynene er lukket. Derfor kan kvaliteten på EEG-data kvalitativt bekreftes ved å overvåke amplitudenivået og alfa-svingninger på kanalene rundt oksipitalt område mens øynene er lukket.
- Sett deltakeren i en komfortabel lenestol foran en skjerm.
- Paradigme-oppsett
- For stabil EEG-datainnsamling, bruk to separate PCer for presentasjon av ytre stimuli og registrering av EEG-data (se figur 1).
- For å presentere eksperimentelle stimuli til deltakerne, opprett et stimuleringsprogram basert på det eksperimentelle paradigmet ved hjelp av programmeringsprogramvare (introdusert i trinn 1.3).
MERK: Et programvarebasert stimuleringsprogram ble opprettet i denne studien, men annen programvare kan brukes avhengig av deres kompatibilitet med EEG-utstyret som brukes til eksperimentet, samt brukervennlighet. Det programmeringsprogramvarebaserte stimulusskriptet er gitt i tilleggsfil 1 (Experimental_stimulus.m). Hendelsesinformasjonen, som indikerer startpunktet for stimuli, genereres av den interne programmeringsprogramvaren, overført til EEG-forsterkeren via utløserboksen, og til slutt til EEG-opptaksprogramvaren (figur 1). - Utfør programmet som presenterer eksperimentelle stimuli i overvåkingsmodus (se undertrinn 2.1.10). Deretter bekrefter du at hendelsesinformasjonen er riktig merket i tide nederst i EEG-opptaksprogramvaren hver gang en stimulus presenteres, som vist i figur 6.
MERK: Informasjon om tidspunktet registreres når en ny stimulus presenteres og brukes deretter til datasegmentering. Derfor er det viktig å oppnå de nøyaktige tidspunktene for eksperimentelle hendelser så mye som mulig for å forhindre unøyaktig datasegmentering, noe som vil føre til upålitelige resultater i analysen. - Start EEG-opptaksprogramvaren, og kjør deretter selvstendig stimuluspresentasjonsprogrammet utviklet basert på det eksperimentelle paradigmet ved hjelp av programmeringsprogramvare for å forhindre datautelatelse.
MERK: For enkelhets skyld med dataanalyse anbefales det å opprette filnavn med en konsekvent regel for datalagring (f.eks. Sub1_Session1).
- EEG-opptak
- Mål EEG med en samplingsfrekvens på 1000 Hz etter det eksperimentelle paradigmet introdusert i trinn 1.3.
MERK: Samplingsfrekvensen kan endres avhengig av rekkevidden av EEG-frekvenser forskeren ønsker å undersøke. Det anbefales generelt å bruke en samplingsfrekvens på >200 Hz der EEG-informasjon kan undersøkes ved ≤100 Hz basert på Nyquists teorem. Dette skyldes at det meste av EEG-informasjonen finnes under 100 Hz. - Oppretthold de samme eksperimentelle miljøene (f.eks. Eksperimentelt sted, utstyr, romtemperatur, etc.) så mye som mulig mellom deltakerne og instruer dem om å minimere unødvendige bevegelser under EEG-målingen.
- Mål EEG med en samplingsfrekvens på 1000 Hz etter det eksperimentelle paradigmet introdusert i trinn 1.3.
Figur 3: Trådløs tilkoblingsprosedyre mellom en EEG-forsterker og PC med opptaksprogrammet EEG. Følg trinnene i rekkefølge: (A) velg forsterker, (B) koble til forsterker, (C) søk etter den tilkoblede forsterkeren for trådløs tilkobling, (D) tilkobling fullført. Klikk her for å se en større versjon av denne figuren.
Figur 4: Prosedyre for impedanskontroll for hver kanal. Alle kanaler bør justeres til grønn farge for stabil EEG-måling. Det anbefales å gjennomføre forsøket med en impedans på mindre enn 20 KΩ. Klikk her for å se en større versjon av denne figuren.
Figur 5: Dataovervåkingsprosedyre i sanntid for hver kanal. Signaler fra alle kanaler som måles kan overvåkes i sanntid og kan zoomes inn/ut ved hjelp av alternativet (rød boks) på topplinjen. Klikk her for å se en større versjon av denne figuren.
Figur 6: Skjermbilde for overvåking av hendelsesinformasjon. De røde stolpene indikerer hendelsesskapere som presenteres hver gang en stimulus blir gitt av PC1. Klikk her for å se en større versjon av denne figuren.
3. Analyse av EEG-data
MERK: Denne studien gir presise retningslinjer for å replikere forskningskonseptet. Derfor gir den en kort oversikt over analyseprosessen og representative resultater. De detaljerte prosessene og tilhørende resultater finnes i en tidligere studie17. Dette fungerer som en indikasjon på at Mary Ann Liebert, Inc. har gitt tillatelse til bruk av opphavsrettsbeskyttet materiale.
- Forbehandling
- Fjern øyerelaterte artefakter fra de rå EEG-dataene ved hjelp av matematiske prosedyrer basert på prinsipal komponentanalyse implementert i EEG-databehandlingsprogramvare18,19 (se materialtabell).
MERK: Hvis en epoke viste fremtredende artefakter (± 100 μV), selv etter forbehandling i noen av elektrodene, ble den ekskludert fra videre analyse. Gjennomsnittlig antall avviste epoker, inkludert deres standardavvik, var 3,69 ± 7,15 for den berørte håndbevegelsesoppgaven og 1,62 ± 3,95 for den upåvirkede håndbevegelsesoppgaven. - Bruk et båndpassfilter mellom 0,1 Hz og 55 Hz. Segmenter de forhåndsbehandlede EEG-dataene fra -1 s til 3,5 s for hvert forsøk basert på oppgavestarten for å inneholde basisperioden som brukes til hendelsesrelatert spektral forstyrrelse (ERSP) og funksjonelle nettverksanalyser.
- Fjern øyerelaterte artefakter fra de rå EEG-dataene ved hjelp av matematiske prosedyrer basert på prinsipal komponentanalyse implementert i EEG-databehandlingsprogramvare18,19 (se materialtabell).
- ERSP-analyse
MERK: De målte EEG-dataene ble validert via ERSP-analyse for et lavbeta-frekvensbånd (12-20 Hz) assosiert med frivillige bevegelser.- Gjennomfør en kortvarig Fourier-transformasjon for hvert forsøk for å beregne EEG-spektralkrefter, for hvilken newtimef-funksjonen til EEGLAB-verktøykassen i programmeringsprogramvaren ble brukt 20 (et ikke-overlappende Hanning-vindu,250 ms vindusstørrelse).
- Normaliser effektspekteret for hvert forsøk ved å trekke fra den gjennomsnittlige styrken til basisperioden (-1 til 0 s) for å undersøke endringene i spektralstyrke mellom håndbevegelsesoppgaven og basisperioden.
- Estimere baseline-normaliserte ERSP-kart for hver pasient ved å beregne gjennomsnittet av normaliserte effektspektra på tvers av studier.
- Funksjonell nettverksanalyse
MERK: En funksjonell nettverksanalyse ble utført for å undersøke EEG-endringer fra et hjernenettverksperspektiv. For å beregne vektede helhjernenettverksindekser basert på grafteori, ble hjerneforbindelse mellom forskjellige regioner beregnet først ved hjelp av faselåsingsverdien (PLV). En funksjonell tilkoblingsmatrise ble deretter beregnet ved hjelp av resultatene fra PLV-basert tilkoblingsanalyse, som senere ble brukt til å beregne hele hjernenettverksindekser17. Alle funksjonelle nettverksanalyser ble utført ved hjelp av programmeringsprogramvaren.- Beregn Hilbert transform-basert faselåseverdi (PLV) for et lav-beta frekvensbånd (12-20 Hz) ved hjelp av en intern funksjon21,22. Den interne funksjonen for databehandling av Hilbert Transform-basert PLV er gitt i tilleggsfil 2 (myPLV.m).
- Vurder PLVene mellom alle mulige par av de 32 EEG-elektrodene på hvert tidspunkt i oppgaveperiodene (0-3,5 s) og opprett en symmetrisk tilstøtende matrise (32 x 32, antall elektroder = 32) ved å beregne gjennomsnittet av PLVene over oppgaveperioden. Bruk PLV-matrisen som inngangsdata for nettverksanalyse17,23.
- Evaluer fire vektede nettverksindekser på globalt nivå basert på grafteori ved hjelp av Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) styrke, (2) klyngekoeffisient, (3) banelengde og (4) liten verden 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Figur 7 viser de topografiske ERD-kartene med lav beta for hver håndbevegelsesoppgave. En signifikant sterk lav-beta ERD ble observert i den kontralesjonale hemisfæren sammenlignet med den ipsilesionale hemisfæren for både affiserte og uaffiserte håndbevegelsesoppgaver.
Figur 7 Gjennomsnittlige topografiske kart for alle pasienter som utførte henholdsvis affiserte og uaffiserte håndbevegelsesoppgaver. De integrerte topografiske kartene ble oppnådd ved å invertere ERD-kartene til høyre hemiplegigruppe. En mørkere blå farge representerer en sterkere ERD, noe som indikerer at de tilsvarende hjerneområdene var mer aktivert enn andre områder. CON betegner den intakte kontralesjonale halvkule, og IPSI betegner den skadede ipsilesionale halvkule. Denne figuren ble tilpasset fra Shim et al.17 med tillatelse fra Mary Ann Liebert, Inc. Klikk her for å se en større versjon av denne figuren.
Tabell 1 viser de kvantitative resultatene av de fire vektede nettverkskarakteristikkene på globalt nivå. Endringer i nettverksindekser ble observert under bevegelsesoppgaven til den berørte hånden sammenlignet med bevegelsesoppgaven til den upåvirkede hånden. Både styrke- og klyngekoeffisientindeksene ble signifikant redusert under den berørte håndbevegelsesoppgaven sammenlignet med den upåvirkede håndbevegelsesoppgaven. Omvendt økte banelengden betydelig under den berørte håndbevegelsesoppgaven. Det var ingen signifikant forskjell i småverd mellom de to oppgavene.
Vi vurderte også sammenhengen mellom de funksjonelle nettverksindeksene og graden av motorisk svekkelse ved hjelp av Fugl-Meyer-vurderingen (FMA). Alfabåndets ipsilesionale nettverksstyrke (rho = 0,340, p = 0,049), klyngekoeffisient (rho = 0,342, p = 0,048) og småverd (rho = 0,444, p = 0,008) viste positiv korrelasjon med FMA-skår, mens banelengde (rho = -0,350, p = 0,042) var negativt korrelert med FMA-skår. (Figur 8). Korrelasjonen mellom lavbeta ipsilesionale nettverksindekser viste en marginalt signifikant korrelasjon med FMA-skår (styrke rho = 0,328, p = 0,058, klyngekoeffisient rho = 0,338, p = 0,051, banelengde rho = -0,340, p = 0,049 henholdsvis).
Figur 8: Korrelasjoner mellom alfa ipsilaterale funksjonelle nettverksindekser (styrke, klyngekoeffisient, banelengde og småverden) og Fugl-Meyer Assessment score. Denne figuren ble tilpasset fra Shim et al.17 med tillatelse fra Mary Ann Liebert, Inc. Klikk her for å se en større versjon av denne figuren.
| Påvirket håndbevegelse | Upåvirket håndbevegelse | p | |
| Styrke | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| Klyngekoeffisient | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Bane lengde | 3,249 ± 0,483 | 3.147 ± 0.456 | 0.021* |
| Liten verden | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tabell 1: Gjennomsnitts- og standardavviksverdier for hele hjernenettverksindekser i lav-beta-båndet. Ingen spesifikk enhet brukes til nettverksmålene (*p < 0,05). Denne tabellen ble tilpasset fra Shim et al.17 med tillatelse fra Mary Ann Liebert, Inc.
Tilleggsfil 1: Experimental_stimulus. Programmeringsprogramvarebasert stimulusskript. Klikk her for å laste ned denne filen.
Tilleggsfil 2: myPLV.m. Den interne funksjonen for databehandling av den Hilbert Transform-baserte PLV. Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denne studien har introdusert et EEG-eksperiment for å måle bevegelsesrelaterte nevronaktiviteter i øvre lemmer hos personer med hjerneslag. Det eksperimentelle paradigmet og metoder for oppkjøp og analyse av EEG ble anvendt for å bestemme ERD-mønstrene i den ipsilesionale og kontralesjonale motoriske cortex.
Resultatene fra ERSP-kartene (figur 7) viste forskjellen i graden av nevronaktivering ved bevegelse av svekkede og uaffiserte hender. Resultatene var i samsvar med funnene i tidligere artikler26,27 og viste at det eksperimentelle oppsettet er en gjennomførbar metode som kan implementeres i kliniske forskningsinnstillinger.
Tidligere studier har primært brukt hvile-tilstand EEG-data for å undersøke den endrede nevronaktiviteten hos personer med hjerneslag. Imidlertid benyttet denne studien oppgavespesifikke EEG-data målt under håndbevegelse, noe som viser løfte som en biomarkør for å forutsi motorgjenoppretting17.
Enkelte viktige hensyn ved EEG-registreringer i et generelt perspektiv må nevnes. Spesielt er prosedyren for å verifisere hendelsesinformasjon skissert i trinn 2.2.3 avgjørende for å skaffe den nøyaktige timingen av eksperimentelle hendelser. Dette forhindrer unøyaktig datasegmentering, noe som kan føre til upålitelige resultater. Videre, når eksperimenter involverer pasienter, er det nødvendig med klare og konsise eksperimentelle design for å forhindre tretthet og redusert konsentrasjon. I denne studien sammenlignet forfatterne uavhengig av hverandre EEG-mønstre observert under de berørte og upåvirkede håndbevegelsene hos hver deltaker, som varierte i alder fra 18 til 80. Selv om det kan være noen aldringseffekter på EEG-mønsteret blant deltakere i ulike aldre, stammer resultatene sannsynligvis hovedsakelig fra to forskjellige forhold: berørte eller upåvirkede håndbevegelser. Imidlertid, med tanke på den potensielle innflytelsen av alder på EEG-mønstre, anbefales en bredere aldersgruppe for en mer omfattende analyse.
Paradigmet som ble brukt i denne studien involverte vekslende håndekstensjons- og avspenningsoppgaver innen en relativt kort periode (henholdsvis 5 s og 3 s) flere ganger. Deltakere med kognitive funksjonsnedsettelser slet med å forstå instruksjonene og utføre oppgaven innen tidsfristen. Før du registrerer EEG ved hjelp av dette paradigmet, må forskeren derfor grundig instruere deltakeren og, om mulig, demonstrere oppgaven for å sikre at deltakeren fullt ut forstår paradigmet og oppgaven. Derfor er en mulig begrensning av dette paradigmet utelukkelse av pasienter med kognitive funksjonsnedsettelser som ikke kan forstå det eksperimentelle paradigmet eller alvorlig innestengte pasienter som ikke kan utføre bevegelsesoppgaven. Ofte følger kognitiv svekkelse alvorlig motorisk svekkelse hos personer med hjerneslag28. Som et resultat er anvendelsen av paradigmet hos personer med hjerneslag smalere sammenlignet med hvilestats EEG-paradigmet 8,29. For alvorlig innestengte pasienter med intakt kognisjon kan paradigmet anvendes ved å replikere bevegelsen med bevegelsesfantasi (motoriske bilder), som også kan produsere motorrelatert hjerneaktivitet30,31.
Videre er det to viktige punkter å vurdere når du utfører et eksperiment basert på den nevnte EEG-enheten. For det første, for å sikre stabil dataregistrering, anbefales det sterkt å kontrollere elektrodeimpedansen før hver innsamlingsøkt i henhold til prosedyren i trinn 2.1.9. Hvis impedansinformasjon ikke gjenspeiles på riktig måte, kan det oppstå feil ved konvertering av det opprinnelige filformatet (.vhdr) til ønsket filformat (f..py eks. For det andre, i denne studien, ble EEG-forsterkeren koblet til en opptaks-PC via en USB-kabel. For stabile tilkoblinger mellom innspillings-PC-en og USB-kabelen, anbefales en USB 2.0-port på det sterkeste; tekniske problemer knyttet til EEG-forsterkertilkoblingen kan oppstå hvis en USB 3.0-port brukes.
Den foreslåtte eksperimentelle protokollen tillater observasjon av EEG-mønstre fremkalt under bevegelser hos pasienter med motoriske funksjonsnedsettelser. Ytterligere undersøkelser ved hjelp av dette paradigmet er nødvendig for å bekrefte verdien som et kvalitativt vurderingsverktøy for å evaluere omfanget av motorisk funksjonsgjenoppretting hos personer med hjerneslag som gjennomgår motorrehabilitering.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK og HJH har en patentsøkt med tittelen "Metode for å gi informasjon relatert til motorisk funksjonsnedsettelse og enheter som brukes dertil", nummer 10-2022-0007841.
Acknowledgments
Dette arbeidet ble støttet av National Research Foundation of Korea (NRF) tilskudd finansiert av Koreas regjering (MSIT) (nr. NRF-2022R1A2C1006046), av Original Technology Research Program for Brain Science gjennom National Research Foundation of Korea (NRF) finansiert av departementet for utdanning, vitenskap og teknologi (2019M3C7A1031995), av National Research Foundation of Korea (NRF) tilskudd finansiert av Koreas regjering (MSIT) (nr. NRF-2022R1A6A3A13053491), og av MSIT (Ministry of Science and IKT), Korea, under ITRC (Information Technology Research Center) støtteprogram (IITP-2023-RS-2023-00258971) overvåket av IITP (Institute for Information &; Communications Technology Planning &; Evaluation).
Materials
| Name | Company | Catalog Number | Comments |
| actiCAP | Easycap, GmbH Ltd., Herrsching, Germany | CAC-32-SAMW-56 | Textile EEG cap platform to accommodate EEG electrodes |
| Brain Vision Recorder (Software) | Brain Products GmBH Ltd., Munich, Germany | - | Software used to record EEG signal |
| Curry 7 (Software) | Compumedics, Australia | - | Software used in preprocessing of EEG data |
| MATLAB R2019a (Software) | MathWorks Inc., Natick, MA, USA | - | Software used to run the experimental stimulus and analyze the EEG data |
| Recording PC | Lenovo Group Limited, Hong Kong, China | Model: X58K | Intel Core i7-7700HQ CPU@2.80 GHz, RAM 8 GB /EEG data recording using Brain Vision Recorder |
| Sensor&Trigger Extension(STE) | Brain Products GmBH Ltd., Munich, Germany | STE-055604-0162 | Adds physioloigcal signals to the EEG amplifier |
| Splitter box | Brain Products GmBH Ltd., Munich, Germany | BP-135-1600 | Connects Ag/AgCl electrodes to the EEG amplifier |
| Stimulation PC | Hansung Corporation, Seoul, Korea | Model: ThinkPad P71 | Intel Core i7-8750H CPU@2.20 GHz, RAM 8 GB Presenting stimulation screen using MATLAB |
| TriggerBox | Brain Products GmBH Ltd., Munich, Germany | BP-245-1010 | Receives trigger signal from PC and relay it to EEG recording system |
References
- Faria-Fortini, I., Michaelsen, S. M., Cassiano, J. G., Teixeira-Salmela, L. F. Upper extremity function in stroke subjects: Relationships between the international classification of functioning, disability, and health domains. Journal of Hand Therapy. 24 (3), 257-265 (2011).
- Veerbeek, J. M., Kwakkel, G., van Wegen, E. E., Ket, J. C., Heymans, M. W. Early prediction of outcome of activities of daily living after stroke: a systematic review. Stroke. 42 (5), 1482-1488 (2011).
- Babiloni, C., et al. Human movement-related potentials vs desynchronization of EEG alpha rhythm: a high-resolution EEG study. Neuroimage. 10 (6), 658-665 (1999).
- Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
- Bartur, G., Pratt, H., Soroker, N. Changes in mu and beta amplitude of the EEG during upper limb movement correlate with motor impairment and structural damage in subacute stroke. Clinical Neurophysiology. 130 (9), 1644-1651 (2019).
- Boyd, L. A., et al. Biomarkers of stroke recovery: Consensus-based core recommendations from the Stroke Recovery and Rehabilitation Roundtable. International Journal of Stroke. 12 (5), 480-493 (2017).
- Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187 (2017).
- Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
- Saes, M., et al. Is Resting-state EEG longitudinally associated with recovery of clinical neurological impairments early poststroke? A prospective cohort study. Neurorehabilitation and Neural Repair. 34 (5), 389-402 (2020).
- Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. International Journal of Psychophysiology. 146, 133-138 (2019).
- Ang, K. K., et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke. Clinical EEG and Neuroscience. 46 (4), 310-320 (2015).
- Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., Zhao, X. A comprehensive review of EEG-based brain-computer interface paradigms. Journal of Neural Engineering. 16 (1), 011001 (2019).
- Antelis, J. M., Montesano, L., Ramos-Murguialday, A., Birbaumer, N., Minguez, J. Decoding upper limb movement attempt from EEG measurements of the contralesional motor cortex in chronic stroke patients. IEEE Transactions on Biomedical Engineering. 64 (1), 99-111 (2017).
- Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002 (2019).
- Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
- Chatrian, G. E., Lettich, E., Nelson, P. L. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activities. American Journal of EEG technology. 25 (2), 83-92 (1985).
- Shim, M., et al. Altered functional networks of alpha and low-beta bands during upper limb movement and association with motor impairment in chronic stroke. Brain Connectivity. , (2021).
- Semlitsch, H. V., Anderer, P., Schuster, P., Presslich, O. A solution for reliable and valid reduction of ocular artifacts, applied to the P300 ERP. Psychophysiology. 23 (6), 695-703 (1986).
- Kim, Y. W., et al. Riemannian classifier enhances the accuracy of machine-learning-based diagnosis of PTSD using resting EEG. Progress in Neuropsychopharmacology & Biological Psychiatry. 102, 109960 (2020).
- Griffin, D., Lim, J. Signal estimation from modified short-time Fourier transform. IEEE Transactions on Acoustics, Speech, and Signal Processing. 32 (2), 236-243 (1984).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J.
- Shim, M., Kim, D. W., Lee, S. H., Im, C. H. Disruptions in small-world cortical functional connectivity network during an auditory oddball paradigm task in patients with schizophrenia. Schizophrenia Research. 156 (2-3), 197-203 (2014).
- Shim, M., Hwang, H. J., Lee, S. H. Impaired functional cortical networks in the theta frequency band of patients with post-traumatic stress disorder during auditory-cognitive processing. Frontiers in Psychiatry. 13, 811766 (2022).
- Bassett, D. S., Bullmore, E.
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Shiner, C. T., Tang, H., Johnson, B. W., McNulty, P. A. Cortical beta oscillations and motor thresholds differ across the spectrum of post-stroke motor impairment, a preliminary MEG and TMS study. Brain Research. 1629, 26-37 (2015).
- López-Larraz, E., Sarasola-Sanz, A., Irastorza-Landa, N., Birbaumer, N., Ramos-Murguialday, A. Brain-machine interfaces for rehabilitation in stroke: A review. NeuroRehabilitation. 43 (1), 77-97 (2018).
- Fong, K. N., Chan, C. C., Au, D. K. Relationship of motor and cognitive abilities to functional performance in stroke rehabilitation. Brain Injury. 15 (5), 443-453 (2001).
- Vecchio, F., et al. Acute cerebellar stroke and middle cerebral artery stroke exert distinctive modifications on functional cortical connectivity: A comparative study via EEG graph theory. Clinical Neurophysiology. 130 (6), 997-1007 (2019).
- Hwang, H. J., Kwon, K., Im, C. H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). Journal of Neuroscience Methods. 179 (1), 150-156 (2009).
- Park, S. A., et al. Evaluation of feature extraction methods for EEG-based brain-computer interfaces in terms of robustness to slight changes in electrode locations. Medical & Biological Engineering & Computing. 51 (5), 571-579 (2013).
