Summary
Det experimentella protokollet demonstrerar paradigmet för att samla in och analysera elektroencefalografisignaler (EEG) under rörelse i övre extremiteter hos individer med stroke. Förändringen av det funktionella nätverket av lågbeta-EEG-frekvensband observerades under rörelsen av den nedsatta övre extremiteten och var associerad med graden av motorisk funktionsnedsättning.
Abstract
Förändring av elektroencefalografisignaler (EEG) under uppgiftsspecifik rörelse av den skadade extremiteten har rapporterats som en potentiell biomarkör för svårighetsgraden av motorisk funktionsnedsättning och för förutsägelse av motorisk återhämtning hos individer med stroke. Vid implementering av EEG-experiment krävs detaljerade paradigm och välorganiserade experimentprotokoll för att få robusta och tolkningsbara resultat. I detta protokoll illustrerar vi ett uppgiftsspecifikt paradigm med rörelse i övre extremiteter och metoder och tekniker som behövs för insamling och analys av EEG-data. Paradigmet består av 1 minuts vila följt av 10 försök som består av omväxlande 5 s och 3 s av vilo- respektive uppgiftstillstånd (handförlängning) under 4 sessioner. EEG-signaler samlades in med hjälp av 32 Ag/AgCl skalpelektroder med en samplingsfrekvens på 1 000 Hz. Händelserelaterad spektral störningsanalys i samband med extremitetsrörelser och funktionella nätverksanalyser på global nivå i låg-beta (12-20 Hz) frekvensbandet utfördes. Representativa resultat visade en förändring av det funktionella nätverket av lågbeta-EEG-frekvensband under rörelse av den nedsatta övre extremiteten, och det förändrade funktionella nätverket var associerat med graden av motorisk funktionsnedsättning hos patienter med kronisk stroke. Resultaten visar genomförbarheten av det experimentella paradigmet vid EEG-mätningar under rörelse i övre extremiteter hos individer med stroke. Ytterligare forskning med hjälp av detta paradigm behövs för att bestämma det potentiella värdet av EEG-signaler som biomarkörer för motorisk funktionsnedsättning och återhämtning.
Introduction
Motorisk nedsättning i övre extremiteterna är en av de vanligaste konsekvenserna av stroke och är relaterad till begränsningar i aktiviteter i det dagliga livet 1,2. Alfa (8-13 Hz) och beta (13-30 Hz) bandrytmer är kända för att vara nära förknippade med rörelser. I synnerhet har studier visat att förändrad neural aktivitet i alfa- och lägre betafrekvensband (12-20 Hz) under rörelse av en nedsatt extremitet är korrelerad med graden av motorisk funktionsnedsättning hos individer med stroke 3,4,5. Baserat på dessa fynd har elektroencefalografi (EEG) dykt upp som en potentiell biomarkör som återspeglar både svårighetsgraden av motorisk funktionsnedsättning och möjligheten till motorisk återhämtning 6,7. Tidigare utvecklade EEG-baserade biomarkörer har dock visat sig vara otillräckliga för att undersöka egenskaperna hos motorisk funktionsnedsättning hos individer med stroke, till stor del på grund av att de förlitar sig på EEG-data i viloläge snarare än uppgiftsinducerade EEG-data 8,9,10. Komplex informationsbehandling relaterad till motoriska funktionsnedsättningar, såsom interaktionen mellan ipsilesionala och kontralesionella hemisfärer, kan endast avslöjas genom uppgiftsinducerade EEG-data, inte EEG-test i vilotillstånd. Därför krävs ytterligare studier inte bara för att utforska sambandet mellan neuronala aktiviteter och motoriska funktionsnedsättningsegenskaper och för att klargöra användbarheten av EEG som genereras under rörelse av den nedsatta kroppsdelen som en potentiell biomarkör för motorisk funktionsnedsättning hos individer med stroke11.
Att implementera EEG för att bedöma beteendeeffekter kräver uppgiftsspecifika paradigm och protokoll. Hittills har olika EEG-protokoll föreslagits12, där individer med stroke utförde inbillade eller faktiska rörelser för att inducera rörelserelaterade hjärnaktiviteter11,13. När det gäller föreställda rörelser kunde cirka 53,7 % av deltagarna inte definitivt föreställa sig en motsvarande rörelse (kallad "analfabetism") och misslyckades därför med att inducera rörelserelaterade hjärnaktiviteter14. Dessutom är det svårt för personer med svår stroke att röra hela övre extremiteten, och det finns en risk för onödiga artefakter under datainsamlingen på grund av instabila rörelser. Därför krävs vägledning baserad på expertkunskap för att skaffa uppgiftsrelaterade EEG-data av hög kvalitet och neurofysiologiskt tolkningsbara resultat. I denna studie utformade vi ett omfattande experimentellt paradigm för individer med stroke för att utföra en relativt enkel handrörelseuppgift och tillhandahöll en experimentell procedur med detaljerad vägledning.
Genom att beskriva det visualiserade experimentella protokollet i den här artikeln syftade vi till att illustrera de specifika koncept och metoder som används för förvärv och analys av neuronala aktiviteter relaterade till rörelsen av den övre extremiteten med hjälp av ett EEG-system. Genom att demonstrera skillnaden i neuronala aktiviteter via EEG mellan de paretiska och icke-paretiska övre extremiteterna hos deltagare med hemiplegisk stroke, syftade denna studie till att presentera genomförbarheten av EEG med hjälp av det beskrivna protokollet som en potentiell biomarkör för svårighetsgraden av motorisk funktionsnedsättning hos individer med stroke i ett tvärsnittssammanhang.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alla experimentella procedurer granskades och godkändes av Institutional Review Board of Seoul National University Bundang Hospital. Till experimenten i denna studie rekryterades 34 deltagare med stroke. Undertecknat informerat samtycke inhämtades från alla deltagare. Ett undertecknat informerat samtycke erhölls från ett juridiskt ombud om en deltagare uppfyllde kriterierna men inte kunde underteckna samtyckesformuläret på grund av funktionsnedsättning.
1. Experimentell uppställning
- Rekrytering av patienter
- Utför screeningprocessen med hjälp av följande inklusionskriterier:
I åldern 18 till 85 år med nedsatt funktion i de övre extremiteterna;
Första ischemisk eller hemorragisk stroke någonsin bekräftad med hjärndatortomografi eller magnetisk resonanstomografi;
Deltagarens förmåga att följa instruktionerna för klinisk bedömning och EEG-studien;
Frånvaro av någon historia av andra psykiatriska eller neurologiska sjukdomar förutom stroke. - Exkludera patienter baserat på följande:
Tidigare sjukdom som involverar centrala nervsystemet (t.ex. traumatisk hjärnskada, hjärntumör, Parkinsons sjukdom);
Oförmåga att bära EEG-locket; och
Oförmåga att följa instruktionerna för den kliniska bedömningen och EEG-studien.
OBS: Inklusions- och exklusionskriterierna valdes för att välja ut de deltagare som kunde delta i experimentet och för att reglera de demografiska faktorer som kan påverka resultaten. - Ge alla rekryterade deltagare information om detaljerna i det experimentella förfarandet.
- Utför screeningprocessen med hjälp av följande inklusionskriterier:
- Experimentellt system: EEG
- Använd ett EEG-system som består av 32 Ag/AgCl skalpelektroder, ett textilt EEG-lock och EEG-registreringsprogramvara för dataregistrering.
- Använd en persondator (PC) med EEG-registreringsprogramvara installerad och anslut datorn till EEG-enheten via Bluetooth.
- Använd en annan dator med ett numeriskt analys- och programmeringsprogram för teknik (se materialförteckning).
- För stimulipresentation, anslut datorn till en dedikerad triggerbox (Figur 1).
OBS: De detaljerade specifikationerna för de två datorerna finns i materialförteckningen.
- Experimentellt paradigm baserat på programmeringsprogramvara
OBS: Deltagarna utförde en handextensionsuppgift med hjälp av de påverkade och opåverkade händerna, under vilken EEG-data mättes. Figur 2 visar det experimentella paradigmet för denna studie.- Presentera två visuella stimuli, CLOSE och OPEN, i 30 sekunder vardera, i mitten av en monitor för att mäta EEG-data vid vilotillstånd , under vilka deltagaren stänger och öppnar ögonen.
OBS: Eftersom EEG-data i viloläge är relativt mindre kontaminerade av oönskade fysiologiska artefakter, är de användbara för att verifiera kvaliteten på EEG-data och identifiera individuella EEG-egenskaper med avseende på vilotillståndet. - Presentera en handrörelsebild i 3 s för att instruera deltagaren att göra en handförlängningsrörelse, följt av ett fixeringsmärke i 5 s för vila.
OBS: Denna procedur betraktades som en rättegång och upprepades 10 gånger under en enda session. Varje deltagare genomgick 4 sessioner för varje hand. Deltagaren hade en paus när han/hon ville efter att ha utfört varje session för att förhindra överdriven trötthet.
- Presentera två visuella stimuli, CLOSE och OPEN, i 30 sekunder vardera, i mitten av en monitor för att mäta EEG-data vid vilotillstånd , under vilka deltagaren stänger och öppnar ögonen.
Figur 1: Schematisk bild av utrustningens inställning. En PC (PC1) som presenterade experimentella stimuli var ansluten till en triggerbox, och en annan PC (PC2) var ansluten till en EEG-förstärkare. Stimuleringshändelser som genererades i PC1 levererades till EEG-förstärkaren via triggerboxen som var ansluten till PC1. Klicka här för att se en större version av denna figur.
Figur 2: Experimentellt paradigm som används i denna studie. Ett enda försök bestod av en handförlängningsrörelse på 3 s följt av en relaxation på 5 s. Detta mönster upprepades 10 gånger under en enda session. Totalt genomfördes åtta sessioner; Fyra sessioner involverade påverkade handrörelser, medan de andra fyra involverade opåverkade handrörelser. Denna figur har anpassats från Shim et al.17 med tillstånd från Mary Ann Liebert, Inc. Klicka här för att se en större version av denna figur.
2. Registrering av rörelserelaterade EEG-data
- EEG-inställning
- Sätt deltagaren i en bekväm fåtölj framför en bildskärm.
OBS: Avståndet mellan deltagaren och monitorn bör vara minst 60 cm för att förhindra trötthet i ögonen. Ett för stort avstånd bör dock undvikas (t.ex. >150 cm) eftersom det kan distrahera deltagarens koncentration. - För att korrekt bära locket för EEG-mätning, definiera Cz-platsen baserat på det internationella 10-20-systemet med hjälp av skärningspunkten mellan den längsgående linjen som förbinder näsan och inionen och den tvärgående linjen som förbinder den övre delen av båda öronen.
OBS: Ett EEG-lock kanske inte krävs beroende på EEG-mätutrustningen. I sådana fall fästs EEG-elektroder direkt på hårbotten enligt det internationella 10-20-systemet15. - För en exakt EEG-mätning, använd ett EEG-lock av lämplig storlek beroende på deltagarens huvudstorlek och placera det så att Cz-elektrodpositionen placeras på den individuella Cz-platsen.
- Fäst hakremmen med lämplig åtdragning; Detta kommer att förhindra att deltagaren känner sig obekväm när han eller hon sväljer och blinkar i experimentet. Kontrollera sedan att T9- och T10-elektrodpositionerna på EEG-locket är i det temporala området ovanför båda öronen, och att Fpz-elektrodpositionen på EEG-locket är placerad i mitten av pannan.
OBS: Om dessa elektroder är utanför den angivna platsen, överväg att byta lock. Tre EEG-kapsylstorlekar användes i vår studie (54 cm: liten, 56 cm: medelstor, 58 cm: stor). - Efter korrekt placering av EEG-locket, fäst 32 Ag/AgCl skalpelektroder på skalpen enligt det utökade internationella 10-10-systemet, med jord- och referenselektroderna på Fpz respektive FCz16.
OBS: Placeringen av referenselektroden (FCz) påverkas relativt mindre av olika fysiologiska artefakter, såsom de från elektrookulografi, elektromyografi och elektrokardiografi, eftersom den är belägen runt det centrala området (Cz) i hårbotten. - Justera impedansnivån mellan EEG-elektroderna och hårbotten med hjälp av ledande gel och fixera håret med gelen för att förhindra hinder mellan EEG-elektroderna och hårbotten.
OBS: Det är viktigt att bekräfta om någon brygga mellan intilliggande EEG-elektroder skapas på grund av gelläckage. - Använd programvaran för EEG-registrering.
- Slå på EEG-systemet och kör konfiguration > Välj Amplifier. Välj Liveamp > > amplivligare > ansluta. Sök efter Liveamp-funktionen för den trådlösa anslutningen (bild 3).
- Utför impedanskontrollfunktionen för att övervaka impedansnivån för varje elektrod.
OBS: Att utföra experimentet med en impedansnivå på <20 KΩ rekommenderas (Figur 4). - Utför övervakningsfunktionen för att bekräfta om EEG:erna för alla elektroder har liknande amplitudnivåer genom EEG-signalövervakning i realtid (figur 5).
OBS: Amplituden för EEG-signalen är i allmänhet mellan 10 μV och 100 μV, och alfaeffekten (8-12 Hz) ökar runt occipitalområdet när ögonen är stängda. Därför kan kvaliteten på EEG-data bekräftas kvalitativt genom att övervaka amplitudnivån och alfaoscillationerna på kanalerna runt occipitalområdet medan ögonen är stängda.
- Sätt deltagaren i en bekväm fåtölj framför en bildskärm.
- Inställning av paradigm
- För stabil EEG-datainsamling, använd två separata datorer för att presentera externa stimuli och registrera EEG-data (se figur 1).
- För att presentera experimentella stimuli för deltagarna, skapa ett stimuleringsprogram baserat på det experimentella paradigmet med hjälp av programmeringsprogramvara (introducerad i steg 1.3).
OBS: Ett mjukvarubaserat stimuleringsprogram skapades i denna studie, men annan programvara kan användas beroende på deras kompatibilitet med EEG-utrustningen som används för experimentet samt användarens bekvämlighet. Det programbaserade stimulusskriptet finns i tilläggsfil 1 (Experimental_stimulus.m). Händelseinformationen, som anger startpunkten för stimuli, genereras av den interna programmeringsmjukvaran, överförs till EEG-förstärkaren via triggerboxen och slutligen till EEG-registreringsprogramvaran (figur 1). - Utför programmet som presenterar de experimentella stimuli i övervakningsläge (se understeg 2.1.10). Bekräfta sedan att händelseinformationen är korrekt markerad i tid längst ner i EEG-registreringsprogramvaran varje gång ett stimulus presenteras, som visas i figur 6.
OBS: Information om tidpunkten registreras när en ny stimulans presenteras och används därefter för datasegmentering. Därför är det viktigt att få fram de exakta tidpunkterna för experimentella händelser så mycket som möjligt för att förhindra felaktig datasegmentering, vilket skulle leda till otillförlitliga resultat i analysen. - Initiera EEG-registreringsprogramvaran och kör sedan självständigt stimuluspresentationsprogrammet som utvecklats baserat på det experimentella paradigmet med hjälp av programmeringsprogramvara för att förhindra att data utelämnas.
OBS: För att underlätta dataanalys rekommenderas att du skapar filnamn med en konsekvent regel för datalagring (t.ex. Sub1_Session1).
- EEG-registrering
- Mät EEG med en samplingsfrekvens på 1 000 Hz enligt det experimentella paradigmet som introducerades i steg 1.3.
OBS: Samplingshastigheten kan ändras beroende på vilket intervall av EEG-frekvenser forskaren vill undersöka. Det rekommenderas generellt att använda en samplingsfrekvens på >200 Hz där EEG-information kan undersökas vid ≤100 Hz baserat på Nyquists sats. Detta beror på att den mesta EEG-informationen finns under 100 Hz. - Upprätthåll samma experimentella miljöer (t.ex. experimentplats, utrustning, rumstemperatur etc.) så mycket som möjligt mellan deltagarna och instruera dem att minimera onödiga rörelser under EEG-mätningen.
- Mät EEG med en samplingsfrekvens på 1 000 Hz enligt det experimentella paradigmet som introducerades i steg 1.3.
Figur 3: Trådlös anslutningsprocedur mellan en EEG-förstärkare och PC med EEG-registreringsprogrammet. Följ stegen i ordning: (A) välj amplivligare, (B) anslut amplivligare, (C) sök efter den anslutna amplifier för trådlös anslutning, (D) anslutningen klar. Klicka här för att se en större version av denna figur.
Figur 4: Impedanskontrollprocedur för varje kanal. Alla kanaler bör justeras till grön färg för stabil EEG-mätning. Det rekommenderas att utföra experimentet med en impedans på mindre än 20 KΩ. Klicka här för att se en större version av denna figur.
Figur 5: Procedur för dataövervakning i realtid för varje kanal. Signaler från alla kanaler som mäts kan övervakas i realtid och kan zoomas in/ut med hjälp av alternativet (röd ruta) i det övre fältet. Klicka här för att se en större version av denna figur.
Bild 6: Skärmbild för övervakning av händelseinformation. De röda staplarna indikerar händelseskapare som presenteras varje gång en stimulans tillhandahålls av PC1. Klicka här för att se en större version av denna figur.
3. Analys av EEG-data
OBS: Denna studie ger exakta riktlinjer för att replikera forskningskonceptet. Därför ger den en kort översikt över analysprocessen och representativa resultat. De detaljerade processerna och tillhörande resultat finns i en tidigare studie17. Detta är en indikation på att Mary Ann Liebert, Inc. har gett tillstånd för användning av upphovsrättsskyddat material.
- Förbehandling
- Ta bort ögonrelaterade artefakter från råa EEG-data med hjälp av matematiska procedurer baserade på principalkomponentanalys implementerad i EEG-dataförbehandlingsprogramvara18,19 (se materialtabell).
ANM.: Om någon epok uppvisade framträdande artefakter (± 100 μV), även efter förbehandling i någon av elektroderna, uteslöts den från vidare analys. Det genomsnittliga antalet underkända epoker, inklusive deras standardavvikelse, var 3,69 ± 7,15 för den påverkade handrörelseuppgiften och 1,62 ± 3,95 för den opåverkade handrörelseuppgiften. - Använd ett bandpassfilter mellan 0,1 Hz och 55 Hz. Segmentera de förbehandlade EEG-data från -1 s till 3,5 s för varje försök baserat på uppgiftens början för att innehålla baslinjeperioden som används för händelserelaterad spektral störning (ERSP) och funktionella nätverksanalyser.
- Ta bort ögonrelaterade artefakter från råa EEG-data med hjälp av matematiska procedurer baserade på principalkomponentanalys implementerad i EEG-dataförbehandlingsprogramvara18,19 (se materialtabell).
- ERSP-analys
OBS: De uppmätta EEG-data validerades via ERSP-analys för ett låg-beta-frekvensband (12-20 Hz) associerat med frivilliga rörelser.- Genomföra en korttids Fouriertransform för varje försök för att beräkna EEG-spektralkrafter, för vilken newtimef-funktionen i EEGLAB-verktygslådan i programmeringsprogramvaran användes 20 (ett icke-överlappande Hanning-fönster,250 ms fönsterstorlek).
- Normalisera effektspektrumet för varje försök genom att subtrahera den genomsnittliga effekten för baslinjeperioden (-1 till 0 s) för att undersöka förändringarna i spektralkrafter mellan handrörelseuppgiften och baslinjeperioden.
- Uppskatta baslinjenormaliserade ERSP-kartor för varje patient genom att beräkna medelvärdet av de normaliserade effektspektra över prövningar.
- Analys av funktionellt nätverk
OBS: En funktionell nätverksanalys genomfördes för att undersöka EEG-förändringar ur ett hjärnnätverksperspektiv. För att beräkna viktade nätverksindex för hela hjärnan baserat på grafteori beräknades hjärnans konnektivitet mellan olika regioner först med hjälp av faslåsningsvärdet (PLV). En funktionell konnektivitetsmatris beräknades sedan med hjälp av resultaten från den PLV-baserade konnektivitetsanalysen, som sedan användes för att beräkna nätverksindex för hela hjärnan17. Alla funktionella nätverksanalyser utfördes med hjälp av programmeringsmjukvaran.- Beräkna Hilberts transformbaserade faslåsningsvärde (PLV) för ett lågbetafrekvensband (12-20 Hz) med hjälp av en intern funktion21,22. Den interna funktionen för beräkning av Hilbert Transform-baserad PLV finns i Supplementary File 2 (myPLV.m).
- Bedöm PLV mellan alla möjliga par av de 32 EEG-elektroderna vid varje tidpunkt under uppgiftsperioderna (0-3,5 s) och skapa en symmetrisk angränsningsmatris (32 x 32, antal elektroder = 32) genom att beräkna medelvärdet av PLV under uppgiftsperioden. Använd PLV-matrisen som indata för nätverksanalys 17,23.
- Utvärdera fyra viktade nätverksindex på global nivå baserat på grafteori med hjälp av Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) styrka, (2) klustringskoefficient, (3) väglängd och (4) småvärldslighet 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Figur 7 visar de topografiska ERD-kartorna med lågt beta för varje handrörelseuppgift. En signifikant stark låg-beta ERD observerades i den kontralesionella hemisfären jämfört med den ipsilesionala hemisfären för både de påverkade och opåverkade handrörelseuppgifterna.
Figur 7: Genomsnittliga topografiska kartor för alla patienter som utför de påverkade respektive opåverkade handrörelseuppgifterna. De integrerade topografiska kartorna erhölls genom att invertera ERD-kartorna för den högra hemiplegigruppen. En mörkare blå färg representerar en starkare ERD, vilket indikerar att motsvarande hjärnområden var mer aktiverade än andra områden. CON betecknar den intakta kontralesionella hemisfären, och IPSI betecknar den skadade ipsilesionala hemisfären. Denna figur har anpassats från Shim et al.17 med tillstånd från Mary Ann Liebert, Inc. Klicka här för att se en större version av denna figur.
Tabell 1 visar de kvantitativa resultaten av de fyra viktade nätkarakteristika på global nivå. Förändringar av nätverksindex observerades under rörelseuppgiften för den drabbade handen jämfört med rörelseuppgiften för den opåverkade handen. Både styrke- och klustringskoefficientindexen reducerades signifikant under den påverkade handrörelseuppgiften jämfört med den opåverkade handrörelseuppgiften. Omvänt ökade sökvägslängden signifikant under den påverkade handrörelseuppgiften. Det fanns ingen signifikant skillnad i småvärldslighet mellan de två uppgifterna.
Vi bedömde också korrelationen mellan de funktionella nätverksindexen och graden av motorisk funktionsnedsättning med hjälp av Fugl-Meyer Assessment (FMA). Alfabandets ipsilesionala nätverksstyrka (rho = 0,340, p = 0,049), klustringskoefficient (rho = 0,342, p = 0,048) och småvärldslighet (rho = 0,444, p = 0,008) visade en positiv korrelation med FMA-poäng, medan väglängd (rho = -0,350, p = 0,042) var negativt korrelerad med FMA-poäng. (Figur 8). Korrelationen mellan ipsilesionala nätverksindex med låg beta visade en marginellt signifikant korrelation med FMA-poäng (Styrka rho = 0,328, p = 0,058, klustringskoefficient rho = 0,338, p = 0,051, väglängd rho = -0,340, p = 0,049 respektive).
Figur 8: Korrelationer mellan alfa-ipsilaterala funktionella nätverksindex (styrka, klustringskoefficient, väglängd och småvärldslighet) och Fugl-Meyer-bedömningspoäng. Denna figur har anpassats från Shim et al.17 med tillstånd från Mary Ann Liebert, Inc. Klicka här för att se en större version av denna figur.
| Påverkade handrörelser | Opåverkad handrörelse | p | |
| Styrka | 11.196 ± 1.690 | 11 625 ± 1 743 | 0.014* |
| Klustringskoefficient | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Banans längd | 3,249 ± 0,483 | 3,147 ± 0,456 | 0.021* |
| Småskalighet | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tabell 1: Medel- och standardavvikelsevärden för hela hjärnans nätverksindex i låg-beta-bandet. Ingen specifik enhet används för nätverksmåtten (*p < 0,05). Denna tabell har anpassats från Shim et al.17 med tillstånd från Mary Ann Liebert, Inc.
Kompletterande fil 1: Experimental_stimulus.m. Det mjukvarubaserade stimulusskriptet. Klicka här för att ladda ner den här filen.
Tilläggsfil 2: myPLV.m. Den interna funktionen för beräkning av Hilbert Transform-baserad PLV. Klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denna studie har introducerat ett EEG-experiment för att mäta rörelserelaterade neuronala aktiviteter i övre extremiteter hos individer med stroke. Det experimentella paradigmet och metoderna för insamling och analys av EEG tillämpades för att bestämma ERD-mönstren i den ipsilesionala och kontralesionella motoriska cortexen.
Resultaten av ERSP-kartorna (Figur 7) visade skillnaden i graden av neuronal aktivering när man rörde de nedsatta och opåverkade händerna. Resultaten överensstämde med resultaten i tidigare artiklar26,27 och visade att den experimentella uppställningen är en genomförbar metod som kan implementeras i kliniska forskningsmiljöer.
Tidigare studier har främst använt EEG-data i viloläge för att undersöka den förändrade neuronala aktiviteten hos individer med stroke. Denna studie använde dock uppgiftsspecifika EEG-data som mättes under handrörelser, vilket visar lovande som en biomarkör för att förutsäga motorisk återhämtning17.
Vissa viktiga överväganden för EEG-registreringar ur ett generellt perspektiv måste nämnas. I synnerhet är det förfarande för verifiering av händelseinformation som beskrivs i steg 2.2.3 avgörande för att få fram den exakta tidpunkten för experimentella händelser. Detta förhindrar felaktig datasegmentering, vilket kan leda till otillförlitliga resultat. Dessutom, när experiment involverar patienter, krävs tydliga och koncisa experimentdesigner för att förhindra trötthet och minskad koncentration. I denna studie jämförde författarna oberoende EEG-mönster som observerats under de påverkade och opåverkade handrörelserna inom varje deltagare, som varierade i ålder från 18 till 80 år. Även om det kan finnas vissa åldrandeeffekter på EEG-mönstret bland deltagare i olika åldrar, härrörde resultaten sannolikt främst från två olika tillstånd: påverkade eller opåverkade handrörelser. Med tanke på ålderns potentiella påverkan på EEG-mönstren rekommenderas dock en bredare åldersgrupp för en mer omfattande analys.
Paradigmet som användes i denna studie involverade alternerande handförlängnings- och avslappningsuppgifter inom en relativt kort period (5 s respektive 3 s) flera gånger. Deltagare med kognitiva funktionsnedsättningar hade svårt att förstå instruktionerna och utföra uppgiften inom tidsgränsen. Således, innan man registrerar EEG med hjälp av detta paradigm, måste forskare noggrant instruera deltagaren och, om möjligt, demonstrera uppgiften för att säkerställa att deltagaren fullt ut förstår paradigmet och uppgiften. En möjlig begränsning av detta paradigm är därför exkluderingen av patienter med kognitiva funktionsnedsättningar som inte kan förstå det experimentella paradigmet eller svårt inlåsta patienter som inte kan utföra rörelseuppgiften. Ofta åtföljs kognitiv svikt av svår motorisk funktionsnedsättning hos personer med stroke28. Som ett resultat av detta är tillämpligheten av paradigmet hos individer med stroke snävare jämfört med EEG-paradigmeti vilotillstånd 8,29. För svårt inlåsta patienter med intakt kognition skulle paradigmet kunna tillämpas genom att replikera rörelsen med rörelsefantasi (motoriska bilder), vilket också kan ge motorisk hjärnaktivitet30,31.
Dessutom finns det två viktiga punkter att tänka på när man utför ett experiment baserat på den tidigare nämnda EEG-enheten. För det första, för att säkerställa stabil dataregistrering, rekommenderas starkt att kontrollera elektrodimpedansen före varje insamlingssession enligt proceduren i steg 2.1.9. Om impedansinformationen inte återspeglas korrekt kan fel uppstå vid konvertering av det ursprungliga filformatet (.vhdr) till önskat filformat (t.ex. ".mat", ".py", etc.). För det andra, i denna studie, var EEG-förstärkaren ansluten till en inspelningsdator via en USB-kabel. För stabila anslutningar mellan inspelningsdatorn och USB-kabeln rekommenderas starkt en USB 2.0-port; tekniska problem relaterade till EEG-förstärkaranslutningen kan uppstå om en USB 3.0-port används.
Det föreslagna experimentella protokollet gör det möjligt att observera EEG-mönster som framkallas under rörelser hos patienter med motoriska funktionsnedsättningar. Ytterligare undersökningar med hjälp av detta paradigm krävs för att bekräfta dess värde som ett kvalitativt bedömningsverktyg för att utvärdera omfattningen av återhämtning av motorisk funktion hos individer med stroke som genomgår motorisk rehabilitering.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK och HJH har en patentsökt ansökan med titeln "Metod för att tillhandahålla information relaterad till motorisk funktionsnedsättning och enheter som används för detta", nummer 10-2022-0007841.
Acknowledgments
Detta arbete stöddes av anslaget från National Research Foundation of Korea (NRF) som finansierades av den koreanska regeringen (MSIT) (nr. NRF-2022R1A2C1006046), av Original Technology Research Program for Brain Science genom National Research Foundation of Korea (NRF) finansierat av ministeriet för utbildning, vetenskap och teknik (2019M3C7A1031995), av National Research Foundation of Korea (NRF) bidrag finansierat av Koreas regering (MSIT) (nr. NRF-2022R1A6A3A13053491) och av MSIT (ministeriet för vetenskap och IKT), Korea, inom ramen för ITRC:s (Information Technology Research Center) stödprogram (IITP-2023-RS-2023-00258971) under överinseende 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).
