Summary
Deneysel protokol, inmeli bireylerde üst ekstremite hareketi sırasında elektroensefalografi (EEG) sinyallerini elde etmek ve analiz etmek için paradigmayı göstermektedir. Düşük betalı EEG frekans bantlarının fonksiyonel ağındaki değişiklik, bozulmuş üst ekstremitenin hareketi sırasında gözlendi ve motor bozukluğun derecesi ile ilişkilendirildi.
Abstract
Bozulmuş uzvun göreve özgü hareketi sırasında elektroensefalografi (EEG) sinyallerinin değiştirilmesi, motor bozukluğun şiddeti ve inmeli bireylerde motor iyileşmenin tahmini için potansiyel bir biyobelirteç olarak bildirilmiştir. EEG deneylerini uygularken, sağlam ve yorumlanabilir sonuçlar elde etmek için ayrıntılı paradigmalar ve iyi organize edilmiş deney protokolleri gereklidir. Bu protokolde, üst ekstremite hareketi ve EEG verilerinin elde edilmesi ve analizi için gerekli yöntem ve teknikler ile göreve özgü bir paradigmayı gösteriyoruz. Paradigma, 1 dakikalık dinlenme ve ardından 4 seans boyunca sırasıyla 5 s ve 3 s dinlenme ve görev (el uzatma) durumlarını içeren 10 denemeden oluşur. EEG sinyalleri, 1.000 Hz örnekleme hızında 32 Ag/AgCl kafa derisi elektrotu kullanılarak elde edildi. Temsili sonuçlar, bozulmuş üst ekstremitenin hareketi sırasında düşük beta EEG frekans bantlarının fonksiyonel ağında bir değişiklik olduğunu gösterdi ve değişen fonksiyonel ağ, kronik inme hastalarında motor bozulma derecesi ile ilişkilendirildi. Sonuçlar, inmeli bireylerde üst ekstremite hareketi sırasında EEG ölçümlerinde deneysel paradigmanın uygulanabilirliğini göstermektedir. EEG sinyallerinin motor bozukluğu ve iyileşmenin biyobelirteçleri olarak potansiyel değerini belirlemek için bu paradigmayı kullanan daha fazla araştırmaya ihtiyaç vardır.
Introduction
Üst ekstremite motor bozukluğu inmenin en yaygın sonuçlarından biridir ve günlük yaşam aktivitelerindeki kısıtlamalarla ilişkilidir 1,2. Alfa (8-13 Hz) ve beta (13-30 Hz) bant ritimlerinin hareketlerle yakından ilişkili olduğu bilinmektedir. Özellikle, çalışmalar, bozulmuş bir uzvun hareketi sırasında alfa ve alt beta (12-20 Hz) frekans bantlarındaki değişen nöral aktivitenin, inmelibireylerde motor bozulma derecesi ile ilişkili olduğunu göstermiştir 3,4,5. Bu bulgulara dayanarak, elektroensefalografi (EEG) hem motor bozukluğun şiddetini hem de motor iyileşme olasılığını yansıtan potansiyel bir biyobelirteç olarak ortaya çıkmıştır 6,7. Bununla birlikte, daha önce geliştirilen EEG tabanlı biyobelirteçlerin, büyük ölçüde görev kaynaklı EEG verilerinden ziyade dinlenme durumu EEG verilerine güvenmeleri nedeniyle, inmeli bireylerde motor bozukluğun özelliklerini araştırmak için yetersiz olduğu kanıtlanmıştır 8,9,10. İpsilesional ve kontralezyonel hemisferler arasındaki etkileşim gibi motor bozukluklarla ilgili karmaşık bilgi işleme, dinlenme durumu EEG'si ile değil, yalnızca görev kaynaklı EEG verileri ile ortaya çıkarılabilir. Bu nedenle, sadece nöronal aktiviteler ile motor bozukluk özellikleri arasındaki ilişkiyi araştırmak ve inmeli bireylerde motor bozukluk için potansiyel bir biyobelirteç olarak bozulmuş vücut bölümünün hareketi sırasında üretilen EEG'nin yararlılığını açıklığa kavuşturmak için daha ileri çalışmalara ihtiyaç duyulmamaktadır11.
Davranışsal etkileri değerlendirmek için EEG'nin uygulanması, göreve özgü paradigmalar ve protokoller gerektirir. Bugüne kadar, inmeli bireylerin hareketle ilgili beyin aktivitelerini indüklemek için hayali veya gerçek hareketler gerçekleştirdiği çeşitli EEG protokolleriönerilmiştir 12 11,13. Hayali hareketler söz konusu olduğunda, katılımcıların yaklaşık% 53.7'si buna karşılık gelen bir hareketi ("cehalet" olarak adlandırılır) kesinlikle hayal edemedi ve bu nedenle hareketle ilgili beyin aktivitelerini indükleyemedi14. Ayrıca, şiddetli inmeli bireylerin tüm üst ekstremiteyi hareket ettirmesi zordur ve dengesiz hareketler nedeniyle veri toplama sırasında gereksiz artefaktlar olasılığı vardır. Bu nedenle, görevle ilgili yüksek kaliteli EEG verileri ve nörofizyolojik olarak yorumlanabilir sonuçlar elde etmek için uzman bilgisine dayalı rehberlik gereklidir. Bu çalışmada, inmeli bireylerin nispeten basit bir el hareketi görevini yerine getirmeleri için kapsamlı bir deneysel paradigma tasarladık ve ayrıntılı rehberlik ile deneysel bir prosedür sağladık.
Bu makalede görselleştirilmiş deneysel protokolün ana hatlarını çizerek, bir EEG sistemi kullanarak üst ekstremitenin hareketi ile ilgili nöronal aktivitelerin edinilmesi ve analizi için kullanılan spesifik kavramları ve yöntemleri göstermeyi amaçladık. Hemiplejik inmeli katılımcılarda paretik ve paretik olmayan üst ekstremiteler arasındaki EEG yoluyla nöronal aktivitelerdeki farkı gösterirken, bu çalışma, kesitsel bağlamda inmeli bireylerde motor bozukluğun şiddeti için potansiyel bir biyobelirteç olarak açıklanan protokolü kullanarak EEG'nin fizibilitesini sunmayı amaçladı.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tüm deneysel prosedürler Seul Ulusal Üniversitesi Bundang Hastanesi Kurumsal İnceleme Kurulu tarafından gözden geçirildi ve onaylandı. Bu çalışmadaki deneyler için inme geçiren 34 katılımcı çalışmaya alındı. Tüm katılımcılardan imzalı bilgilendirilmiş onam alındı. Bir katılımcının kriterleri karşılaması ancak engellilik nedeniyle onay formunu imzalayamaması durumunda yasal temsilciden imzalı bilgilendirilmiş bir onay alındı.
1. Deney düzeneği
- Hasta alımı
- Aşağıdaki dahil etme kriterlerini kullanarak tarama işlemini gerçekleştirin:
Üst ekstremite fonksiyonlarında bozulma olan 18 ila 85 yaşları arasında;
Beyin bilgisayarlı tomografi veya manyetik rezonans görüntüleme ile doğrulanan ilk iskemik veya hemorajik inme;
Katılımcının klinik değerlendirme ve EEG çalışması için talimatları takip etme yeteneği;
İnme dışında herhangi bir psikiyatrik veya nörolojik hastalık öyküsünün olmaması. - Hastaları aşağıdakilere göre hariç tutun:
Merkezi sinir sistemini içeren önceki hastalık (örneğin, travmatik beyin hasarı, beyin tümörü, Parkinson hastalığı);
EEG başlığını takamama; ve
Klinik değerlendirme ve EEG çalışması için talimatları takip edememe.
NOT: Dahil etme ve hariç tutma kriterleri, deneye katılabilecek katılımcıları seçmek ve sonuçları etkileyebilecek demografik faktörleri düzenlemek için seçilmiştir. - İşe alınan tüm katılımcılara deneysel prosedürün ayrıntıları hakkında bilgi verin.
- Aşağıdaki dahil etme kriterlerini kullanarak tarama işlemini gerçekleştirin:
- Deneysel sistem: EEG
- Veri kaydı için 32 Ag/AgCl kafa derisi elektrodu, tekstil EEG başlığı ve EEG kayıt yazılımından oluşan bir EEG sistemi kullanın.
- EEG kayıt yazılımı yüklü bir kişisel bilgisayar (PC) kullanın ve PC'yi Bluetooth aracılığıyla EEG cihazına bağlayın.
- Mühendislik için sayısal analiz ve programlama yazılımı uygulaması olan başka bir bilgisayar kullanın (bkz.
- Uyaran sunumu için bilgisayarı özel bir tetikleme kutusuna bağlayın (Şekil 1).
NOT: İki bilgisayarın ayrıntılı özellikleri Malzeme Tablosu'nda verilmiştir.
- Programlama yazılımına dayalı deneysel paradigma
NOT: Katılımcılar, EEG verilerinin ölçüldüğü etkilenen ve etkilenmeyen elleri kullanarak bir el uzatma görevi gerçekleştirdiler. Şekil 2 , bu çalışmanın deneysel paradigmasını göstermektedir.- Katılımcının gözlerini kapatıp açtığı temel dinlenme durumu EEG verilerini ölçmek için bir monitörün merkezinde her biri 30 saniye boyunca KAPALI ve AÇIK olmak üzere iki görsel uyaran sunun.
NOT: Dinlenme durumu EEG verileri, istenmeyen fizyolojik artefaktlar tarafından nispeten daha az kontamine olduğundan, EEG verilerinin kalitesini doğrulamak ve dinlenme durumuna göre bireysel EEG özelliklerini tanımlamak için yararlıdırlar. - Katılımcıya bir el uzatma hareketi yapması talimatını vermek için 3 saniye boyunca bir el hareketi görüntüsü ve ardından dinlenmek için 5 saniye boyunca bir sabitleme işareti sunun.
NOT: Bu işlem bir deneme olarak kabul edildi ve tek seansta 10 kez tekrarlandı. Her katılımcıya her el için 4 seans uygulandı. Katılımcı, aşırı yorgunluğu önlemek için her seansı gerçekleştirdikten sonra istediği zaman mola verdi.
- Katılımcının gözlerini kapatıp açtığı temel dinlenme durumu EEG verilerini ölçmek için bir monitörün merkezinde her biri 30 saniye boyunca KAPALI ve AÇIK olmak üzere iki görsel uyaran sunun.
Şekil 1: Ekipman kurulumunun şeması. Deneysel uyaranlar sunan bir PC (PC1) bir tetik kutusuna bağlandı ve başka bir PC (PC2) bir EEG amplifikatörüne bağlandı. PC1'de üretilen stimülasyon olayları, PC1'e bağlı tetik kutusu aracılığıyla EEG amplifikatörüne iletildi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2: Bu çalışmada kullanılan deneysel paradigma. Tek bir deneme, 3 s'lik bir el uzatma hareketi ve ardından 5 s'lik bir gevşemeden oluşuyordu. Bu model tek seansta 10 kez tekrarlandı. Toplam sekiz seans gerçekleştirildi; Dört seans etkilenen el hareketini içerirken, diğer dördü etkilenmemiş el hareketini içeriyordu. Bu şekil, Mary Ann Liebert, Inc.'in izniyle Shim ve ark.17'den uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
2. Hareketle ilgili EEG verilerinin kaydedilmesi
- EEG kurulumu
- Katılımcıyı monitörün önünde rahat bir koltuğa oturtun.
NOT: Göz yorgunluğunu önlemek için katılımcı ile monitör arasındaki mesafe en az 60 cm olmalıdır. Bununla birlikte, katılımcının konsantrasyonunu dağıtabileceğinden aşırı mesafeden kaçınılmalıdır (örneğin, >150 cm). - EEG ölçümü için kapağı doğru bir şekilde takmak için, nasion ve inion'u birbirine bağlayan uzunlamasına çizginin ve her iki kulak kepçesinin üst kısmını bağlayan enine çizginin kesişimini kullanarak uluslararası 10-20 sistemine dayalı Cz konumunu tanımlayın.
NOT: EEG ölçüm ekipmanına bağlı olarak bir EEG başlığı gerekmeyebilir. Böyle bir durumda, EEG elektrotları uluslararası 10-20 sistemine göre doğrudan kafa derisinebağlanır 15. - Doğru bir EEG ölçümü için, katılımcının kafa boyutuna göre uygun boyutta bir EEG başlığı kullanın ve Cz elektrot konumu bireysel Cz konumuna yerleştirilecek şekilde yerleştirin.
- Çene kayışını uygun sıkılıkta sabitleyin; Bu, katılımcının deneyde yutkunma ve göz kırpma sırasında rahatsız olmasını önleyecektir. Bundan sonra, EEG başlığının T9 ve T10 elektrot konumlarının her iki kulak kepçesinin üzerindeki temporal bölgede olduğunu ve EEG başlığının Fpz elektrot konumunun alnın ortasında bulunduğunu doğrulayın.
NOT: Bu elektrotlar belirlenen konumun dışındaysa, kapağı değiştirmeyi düşünün. Çalışmamızda üç EEG başlığı ölçüsü kullanıldı (54 cm: küçük, 56 cm: orta, 58 cm: büyük). - EEG başlığını doğru bir şekilde yerleştirdikten sonra, 32 Ag / AgCl kafa derisi elektrotlarını, genişletilmiş uluslararası 10-10 sistemine göre, toprak ve referans elektrotları sırasıyla Fpz ve FCz'de olacak şekilde kafa derisine takın16.
NOT: Referans elektrotun (FCz) konumu, elektrookülografi, elektromiyografi ve elektrokardiyografi gibi çeşitli fizyolojik artefaktlardan nispeten daha az etkilenir, çünkü kafa derisinin merkezi alanı (Cz) çevresinde bulunur. - İletken jel kullanarak EEG elektrotları ile kafa derisi arasındaki empedans seviyesini ayarlayın ve EEG elektrotları ile kafa derisi arasında herhangi bir tıkanıklığı önlemek için saçı jel ile sabitleyin.
NOT: Jel sızıntısı nedeniyle komşu EEG elektrotları arasında herhangi bir köprü oluşup oluşmadığının doğrulanması önemlidir. - EEG kaydı için yazılımı kullanın.
- EEG sistemini açın ve Konfigürasyon > Amplifikatörü Seçin. Bağlanmak > Liveamp > > amplifikatörünü seçin. Live'ı arayınamp kablosuz bağlantı için işlev (Şekil 3).
- Her elektrotun empedans seviyesini izlemek için Empedans kontrol işlevini yürütün.
NOT: Deneyin <20 KΩ empedans seviyesinde yapılması önerilir (Şekil 4). - Gerçek zamanlı EEG sinyal izleme yoluyla tüm elektrotların EEG'lerinin benzer genlik seviyelerine sahip olup olmadığını doğrulamak için izleme işlevini yürütün (Şekil 5).
NOT: EEG sinyalinin genliği genellikle 10 μV ile 100 μV arasındadır ve gözler kapalıyken oksipital bölge çevresinde alfa (8-12 Hz) gücü artar. Bu nedenle, EEG verilerinin kalitesi, gözler kapalıyken oksipital alan etrafındaki kanallardaki amplitüd seviyesi ve alfa salınımları izlenerek kalitatif olarak doğrulanabilir.
- Katılımcıyı monitörün önünde rahat bir koltuğa oturtun.
- Paradigma kurulumu
- Stabil EEG verisi elde etmek için, harici uyaranları sunmak ve EEG verilerini kaydetmek için iki ayrı PC kullanın (bkz. Şekil 1).
- Katılımcılara deneysel uyaranlar sunmak için, programlama yazılımını kullanarak deneysel paradigmaya dayalı bir stimülasyon programı oluşturun (adım 1.3'te tanıtıldı).
NOT: Bu çalışmada yazılım tabanlı bir stimülasyon programı oluşturulmuştur, ancak deney için kullanılan EEG ekipmanı ile uyumlarına ve kullanıcı kolaylığına bağlı olarak başka yazılımlar da kullanılabilir. Programlama yazılımı tabanlı uyaran komut dosyası, Ek Dosya 1'de (Experimental_stimulus.m) sağlanır. Uyaranların başlangıç noktasını gösteren olay bilgisi, kurum içi programlama yazılımı tarafından üretilir, tetik kutusu aracılığıyla EEG amplifikatörüne ve nihayetinde EEG kayıt yazılımına iletilir (Şekil 1). - Deneysel uyaranları izleme modunda sunan programı çalıştırın (bkz. alt adım 2.1.10). Daha sonra, Şekil 6'da gösterildiği gibi, her uyaran sunulduğunda EEG kayıt yazılımının altında olay bilgilerinin zamanında doğru bir şekilde işaretlendiğini onaylayın.
NOT: Zaman noktasındaki bilgiler, yeni bir uyaran sunulduğunda kaydedilir ve daha sonra veri segmentasyonu için kullanılır. Bu nedenle, analizde güvenilmez sonuçlara yol açacak yanlış veri segmentasyonunu önlemek için deneysel olayların kesin zaman noktalarını mümkün olduğunca elde etmek önemlidir. - EEG kayıt yazılımını başlatın, ardından veri ihmalini önlemek için programlama yazılımı kullanarak deneysel paradigmaya dayalı olarak geliştirilen uyaran sunum programını bağımsız olarak çalıştırın.
NOT: Veri analizinin kolaylığı için, veri depolama için tutarlı bir kurala (örneğin, Sub1_Session1) sahip dosya adları oluşturulması önerilir.
- EEG kaydı
- EEG'yi adım 1.3'te tanıtılan deneysel paradigmayı izleyerek 1.000 Hz'lik bir örnekleme hızında ölçün.
NOT: Örnekleme hızı, araştırmacının araştırmak istediği EEG frekanslarının aralığına bağlı olarak değiştirilebilir. EEG bilgisinin Nyquist teoremine dayalı olarak ≤100 Hz'de araştırılabildiği durumlarda genellikle >200 Hz'lik bir örnekleme hızı kullanılması önerilir. Bunun nedeni, çoğu EEG bilgisinin 100 Hz'in altında bulunmasıdır. - Katılımcılar arasında mümkün olduğunca aynı deney ortamlarını (örn. deney yeri, ekipman, oda sıcaklığı vb.) koruyun ve EEG ölçümü sırasında gereksiz hareketleri en aza indirmelerini söyleyin.
- EEG'yi adım 1.3'te tanıtılan deneysel paradigmayı izleyerek 1.000 Hz'lik bir örnekleme hızında ölçün.
Şekil 3: EEG kayıt yazılımı ile bir EEG amplifikatörü ve PC arasındaki kablosuz bağlantı prosedürü. Adımları sırayla izleyin: (A) amplifikatörü seçin, (B) amplifikatörü bağlayın, (C) bağlı amplifikatörü arayın kablosuz bağlantı için, (D) bağlantı tamamlandı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: Her kanal için empedans kontrol prosedürü. Sabit EEG ölçümü için tüm kanallar yeşil renge ayarlanmalıdır. Deneyin 20 KΩ'dan daha düşük bir empedans ile yapılması tavsiye edilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 5: Her kanal için gerçek zamanlı veri izleme prosedürü. Ölçülen tüm kanallardan gelen sinyaller gerçek zamanlı olarak izlenebilir ve üst çubuktaki seçenek (kırmızı kutu) kullanılarak yakınlaştırılabilir/uzaklaştırılabilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 6: Olay bilgilerini izlemek için ekran görüntüsü. Kırmızı çubuklar, PC1 tarafından her uyaran sağlandığında sunulan olay oluşturucuları gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
3. EEG veri analizi
NOT: Bu çalışma, araştırma konseptini çoğaltmak için kesin yönergeler sağlar. Bu nedenle, analiz sürecinin ve temsili sonuçların kısa bir özetini sunar. Ayrıntılı süreçler ve ilgili sonuçlar önceki bir çalışmada bulunabilir17. Bu, Mary Ann Liebert, Inc.'in telif hakkıyla korunan materyalin kullanımına izin verdiğinin bir göstergesidir.
- Ön
- EEG veri ön işleme yazılımı18,19'da uygulanan temel bileşen analizine dayalı matematiksel prosedürleri kullanarak ham EEG verilerinden gözle ilgili artefaktları çıkarın (bkz.
NOT: Herhangi bir dönem, elektrotların herhangi birinde ön işlemden sonra bile belirgin artefaktlar (± 100 μV) gösteriyorsa, daha fazla analizden hariç tutulmuştur. Standart sapmaları da dahil olmak üzere reddedilen dönemlerin ortalama sayısı, etkilenen el hareketi görevi için 3.69 ± 7.15 ve etkilenmeyen el hareketi görevi için 1.62 ± 3.95 idi. - 0,1 Hz ile 55 Hz arasında bir bant geçiren filtre uygulayın. Olayla ilgili spektral pertürbasyon (ERSP) ve fonksiyonel ağ analizleri için kullanılan temel süreyi içerecek şekilde görev başlangıcına dayalı olarak her deneme için önceden işlenmiş EEG verilerini -1 sn ila 3,5 s arasında bölümlere ayırın.
- EEG veri ön işleme yazılımı18,19'da uygulanan temel bileşen analizine dayalı matematiksel prosedürleri kullanarak ham EEG verilerinden gözle ilgili artefaktları çıkarın (bkz.
- ERSP analizi
NOT: Ölçülen EEG verileri, istemli hareketlerle ilişkili düşük beta frekans bandı (12-20 Hz) için ERSP analizi ile doğrulanmıştır.- EEG spektral güçlerini hesaplamak için her deneme için kısa süreli bir Fourier dönüşümü gerçekleştirin, bunun için programlama yazılımındaki EEGLAB araç kutusunun yeni zamanlayıcı fonksiyonu 20 (örtüşmeyen bir Hanning penceresi,250 ms pencere boyutu) kullanılmıştır.
- El hareketi görevi ile başlangıç dönemi arasındaki spektral güçlerdeki değişiklikleri araştırmak için başlangıç periyodunun (-1 ila 0 s) ortalama gücünü çıkararak her denemenin güç spektrumunu normalleştirin.
- Denemeler boyunca normalleştirilmiş güç spektrumlarının ortalamasını alarak her hasta için temel normalleştirilmiş ERSP haritalarını tahmin edin.
- Fonksiyonel ağ analizi
NOT: EEG değişikliklerini beyin ağı perspektifinden araştırmak için fonksiyonel ağ analizi yapılmıştır. Grafik teorisine dayalı ağırlıklı tüm beyin ağı indekslerini hesaplamak için, farklı bölgeler arasındaki beyin bağlantısı önce faz kilitleme değeri (PLV) kullanılarak hesaplandı. Daha sonra, daha sonra tüm beyin ağ indekslerini hesaplamak için kullanılan PLV tabanlı bağlantı analizinin sonuçları kullanılarak işlevsel bir bağlantı matrisihesaplandı 17. Tüm fonksiyonel ağ analizleri programlama yazılımı kullanılarak gerçekleştirilmiştir.- Düşük beta frekans bandı (12-20 Hz) için Hilbert dönüşümü tabanlı faz kilitleme değerini (PLV) şirket içi bir fonksiyon21,22 kullanarak hesaplayın. Hilbert Dönüşümü tabanlı PLV'yi hesaplamak için şirket içi işlev, Ek Dosya 2'de (myPLV.m) sağlanır.
- Görev süreleri boyunca (0-3,5 sn) her bir zaman noktasında 32 EEG elektrotunun tüm olası çiftleri arasındaki PLV'leri değerlendirin ve görev süresi boyunca PLV'lerin ortalamasını alarak simetrik bir komşuluk matrisi (32 x 32, elektrot sayısı = 32) oluşturun. Ağ analizi için girdi verisi olarak PLV matrisini kullanın 17,23.
- Brain Connectivity Toolbox'ı (https://sites.google.com/site/bctnet) kullanarak grafik teorisine dayalı dört ağırlıklı küresel düzeyde ağ endeksini değerlendirin: (1) güç, (2) kümeleme katsayısı, (3) yol uzunluğu ve (4) küçük dünyalılık 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Şekil 7, her bir el hareketi görevinin topografik düşük beta ERD haritalarını göstermektedir. Kontralezyonel hemisferde, hem etkilenen hem de etkilenmeyen el hareketi görevleri için ipsilezyonel hemisfere kıyasla önemli ölçüde güçlü bir düşük beta ERD gözlendi.
Şekil 7: Sırasıyla etkilenen ve etkilenmeyen el hareketi görevlerini yerine getiren tüm hastalar için ortalama topografik haritalar. Bütünleşik topografik haritalar, sağ hemipleji grubunun ERD haritaları ters çevrilerek elde edildi. Daha koyu mavi renk, daha güçlü bir ERD'yi temsil eder ve karşılık gelen beyin bölgelerinin diğer alanlardan daha aktif olduğunu gösterir. CON, bozulmamış kontralezyonel hemisferi gösterir ve IPSI, hasarlı ipsilezyonel hemisferi gösterir. Bu şekil, Mary Ann Liebert, Inc.'in izniyle Shim ve ark.17'den uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Tablo 1 , dört ağırlıklı küresel düzey ağ özelliğinin nicel sonuçlarını göstermektedir. Etkilenen elin hareket görevi sırasında, etkilenmeyen elin hareket görevine kıyasla ağ indekslerinde değişiklikler gözlendi. Hem kuvvet hem de kümelenme katsayısı indeksleri, etkilenmeyen el hareketi görevine kıyasla, etkilenen el hareketi görevi sırasında önemli ölçüde azalmıştır. Tersine, etkilenen el hareketi görevi sırasında yol uzunluğu önemli ölçüde artmıştır. İki görev arasında küçük dünyalılık açısından önemli bir fark yoktu.
Ayrıca fonksiyonel ağ indeksleri ile motor bozukluk derecesi arasındaki korelasyonu Fugl-Meyer Değerlendirmesi (FMA) kullanarak değerlendirdik. Alfa bandı ipsilezyonel ağ gücü (rho = 0.340, p = 0.049), kümelenme katsayısı (rho = 0.342, p = 0.048) ve küçük dünyalılık (rho = 0.444, p = 0.008) FMA skoru ile pozitif korelasyon gösterirken, yol uzunluğu (rho = -0.350, p = 0.042) FMA skorları ile negatif korelasyon gösterdi. (Şekil 8). Düşük betalı ipsilezyonel ağ indeksleri arasındaki korelasyon FMA skoru ile marjinal olarak anlamlı bir korelasyon gösterdi (Kuvvet rho = 0.328, p = 0.058, kümelenme katsayısı rho = 0.338, p = 0.051, yol uzunluğu rho = -0.340, p = 0.049).
Şekil 8: Alfa ipsilateral fonksiyonel ağ indeksleri (güç, kümelenme katsayısı, yol uzunluğu ve küçük dünyalılık) ile Fugl-Meyer Değerlendirme puanları arasındaki korelasyonlar. Bu şekil, Mary Ann Liebert, Inc.'in izniyle Shim ve ark.17'den uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
| Etkilenen el hareketi | Etkilenmeyen el hareketi | p | |
| Mukavemet | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| Kümeleme katsayısı | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Yol uzunluğu | 3,249 ± 0,483 | 3,147 ± 0,456 | 0.021* |
| Küçük dünyalılık | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tablo 1: Düşük beta bandındaki tüm beyin ağı indekslerinin ortalama ve standart sapma değerleri. Ağ ölçüleri için belirli bir birim kullanılmaz (*p < 0.05). Bu tablo, Mary Ann Liebert, Inc.'in izniyle Shim ve ark.17'den uyarlanmıştır.
Ek Dosya 1: Experimental_stimulus.m. Programlama yazılımı tabanlı uyaran komut dosyası. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 2: myPLV.m. Hilbert Dönüşümü tabanlı PLV'yi hesaplamak için şirket içi işlev. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu çalışma, inmeli bireylerde üst ekstremite hareketiyle ilişkili nöronal aktiviteleri ölçmek için bir EEG deneyi başlatmıştır. İpsilesionel ve kontralezyonel motor korteksteki ERD paternlerini belirlemek için deneysel paradigma ve EEG elde etme ve analiz yöntemleri uygulandı.
ERSP haritalarının sonuçları (Şekil 7), bozulmuş ve etkilenmemiş elleri hareket ettirirken nöronal aktivasyon derecesindeki farkı göstermiştir. Sonuçlar, öncekimakalelerin 26,27 bulguları ile uyumludur ve deney düzeneğinin klinik araştırma ortamlarında uygulanabilecek uygulanabilir bir yöntem olduğunu göstermiştir.
Geçmiş çalışmalar, inmeli bireylerde değişen nöronal aktiviteyi araştırmak için öncelikle dinlenme durumu EEG verilerini kullanmıştır. Bununla birlikte, bu çalışma, el hareketi sırasında ölçülen ve motor iyileşmeyi tahmin etmek için bir biyobelirteç olarak umut vaat eden göreve özgü EEG verilerini kullanmıştır17.
EEG kayıtları için genel bir bakış açısıyla bazı önemli hususlardan bahsetmek gerekir. Özellikle, adım 2.2.3'te özetlenen olay bilgilerini doğrulama prosedürü, deneysel olayların kesin zamanlamasını elde etmek için çok önemlidir. Bu, güvenilmez sonuçlara yol açabilecek yanlış veri segmentasyonunu önler. Ayrıca, deneyler hastaları içerdiğinde, yorgunluğu ve konsantrasyonun azalmasını önlemek için açık ve özlü deneysel tasarımlar gereklidir. Bu çalışmada yazarlar, yaşları 18 ile 80 arasında değişen her katılımcıda etkilenen ve etkilenmeyen el hareketleri sırasında gözlemlenen EEG modellerini bağımsız olarak karşılaştırdılar. Farklı yaşlardaki katılımcılar arasında EEG paterni üzerinde bazı yaşlanma etkileri olsa da, sonuçlar muhtemelen iki farklı durumdan kaynaklanmıştır: etkilenen veya etkilenmeyen el hareketleri. Bununla birlikte, yaşın EEG paternleri üzerindeki potansiyel etkisi göz önüne alındığında, daha kapsamlı bir analiz için daha geniş bir yaş grubu önerilmektedir.
Bu çalışmada kullanılan paradigma, nispeten kısa bir süre içinde (sırasıyla 5 s ve 3 s) birden çok kez değişen el uzatma ve gevşetme görevlerini içeriyordu. Bilişsel bozukluğu olan katılımcılar, talimatları anlamak ve görevi zaman sınırı içinde yerine getirmek için mücadele etti. Bu nedenle, bu paradigmayı kullanarak EEG'yi kaydetmeden önce, araştırmacılar katılımcıya kapsamlı bir şekilde talimat vermeli ve mümkünse, katılımcının paradigmayı ve görevi tam olarak anlamasını sağlamak için görevi göstermelidir. Bu nedenle, bu paradigmanın olası bir sınırlaması, deneysel paradigmayı kavrayamayan bilişsel bozukluğu olan hastaların veya hareket görevini yerine getiremeyen ciddi şekilde kilitlenmiş hastaların dışlanmasıdır. Genellikle, bilişsel bozukluk, inmeli bireylerde ciddi motor bozukluğa eşlik eder28. Sonuç olarak, paradigmanın inmeli bireylerde uygulanabilirliği, istirahat EEG paradigmasına göre daha dardır 8,29. Sağlam bilişe sahip ciddi şekilde kilitlenmiş hastalar için, paradigma, hareketi hareket hayal gücü (motor imgeleme) ile çoğaltarak uygulanabilir, bu da motorla ilgili beyin aktivitesiüretebilir 30,31.
Ayrıca, yukarıda bahsedilen EEG cihazına dayalı bir deney yaparken göz önünde bulundurulması gereken iki önemli nokta vardır. İlk olarak, kararlı veri kaydı sağlamak için, adım 2.1.9'daki prosedüre göre her alım seansından önce elektrot empedansının kontrol edilmesi şiddetle tavsiye edilir. Empedans bilgisi düzgün bir şekilde yansıtılmazsa, ilk dosya biçimini (.vhdr) istenen dosya biçimine (örneğin, ".mat", ".py" vb.) dönüştürürken hatalar oluşabilir. İkinci olarak, bu çalışmada, EEG amplifikatörü bir USB kablosuyla bir kayıt PC'sine bağlandı. Kayıt bilgisayarı ile USB kablosu arasında sabit bağlantılar için bir USB 2.0 bağlantı noktası şiddetle tavsiye edilir; Bir USB 3.0 bağlantı noktası kullanılıyorsa, EEG amplifikatör bağlantısıyla ilgili teknik sorunlar ortaya çıkabilir.
Önerilen deneysel protokol, motor fonksiyon bozukluğu olan hastalarda hareketler sırasında ortaya çıkan EEG paternlerinin gözlemlenmesine izin vermektedir. Motor rehabilitasyon geçiren inmeli bireylerde motor fonksiyon iyileşmesinin derecesini değerlendirmek için nitel bir değerlendirme aracı olarak değerini doğrulamak için bu paradigmayı kullanan daha ileri araştırmalara ihtiyaç vardır.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK ve HJH'nin "Motor bozukluğu ve bunun için kullanılan cihazlarla ilgili bilgi sağlama yöntemi" başlıklı bekleyen bir patenti vardır, Sayı 10-2022-0007841.
Acknowledgments
Bu çalışma, Kore hükümeti (MSIT) tarafından finanse edilen Kore Ulusal Araştırma Vakfı (NRF) hibesi tarafından desteklenmiştir (No. NRF-2022R1A2C1006046), Eğitim, Bilim ve Teknoloji Bakanlığı tarafından finanse edilen Kore Ulusal Araştırma Vakfı (NRF) aracılığıyla Beyin Bilimi için Orijinal Teknoloji Araştırma Programı tarafından (2019M3C7A1031995), Kore hükümeti (MSIT) tarafından finanse edilen Kore Ulusal Araştırma Vakfı (NRF) hibesi tarafından (No. NRF-2022R1A6A3A13053491) ve IITP (Bilgi ve İletişim Teknolojileri Planlama ve Değerlendirme Enstitüsü) tarafından denetlenen ITRC (Bilgi Teknolojisi Araştırma Merkezi) destek programı (IITP-2023-RS-2023-00258971) kapsamında MSIT (Bilim ve BİT Bakanlığı) tarafından.
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).
