Summary
El protocolo experimental demuestra el paradigma para adquirir y analizar las señales de electroencefalografía (EEG) durante el movimiento de las extremidades superiores en individuos con accidente cerebrovascular. La alteración de la red funcional de las bandas de frecuencia del EEG de baja beta se observó durante el movimiento del miembro superior deteriorado y se asoció con el grado de deterioro motor.
Abstract
La alteración de las señales de electroencefalografía (EEG) durante el movimiento específico de la extremidad dañada se ha descrito como un biomarcador potencial para la gravedad de la discapacidad motora y para la predicción de la recuperación motora en individuos con accidente cerebrovascular. Al implementar experimentos de EEG, se requieren paradigmas detallados y protocolos de experimentos bien organizados para obtener resultados sólidos e interpretables. En este protocolo, ilustramos un paradigma específico de la tarea con el movimiento de las extremidades superiores y los métodos y técnicas necesarios para la adquisición y el análisis de datos de EEG. El paradigma consiste en 1 min de descanso seguido de 10 ensayos que comprenden alternando 5 s y 3 s de estados de reposo y tarea (extensión de la mano), respectivamente, a lo largo de 4 sesiones. Las señales de EEG se adquirieron utilizando 32 electrodos Ag/AgCl en el cuero cabelludo a una frecuencia de muestreo de 1.000 Hz. Se realizaron análisis de perturbaciones espectrales relacionadas con eventos asociados con el movimiento de las extremidades y análisis de redes funcionales a nivel global en la banda de frecuencia beta baja (12-20 Hz). Los resultados representativos mostraron una alteración de la red funcional de las bandas de frecuencia de EEG de baja beta durante el movimiento de la extremidad superior deteriorada, y la red funcional alterada se asoció con el grado de deterioro motor en los pacientes con accidente cerebrovascular crónico. Los resultados demuestran la viabilidad del paradigma experimental en las mediciones de EEG durante el movimiento de las extremidades superiores en individuos con ictus. Se necesita más investigación utilizando este paradigma para determinar el valor potencial de las señales de EEG como biomarcadores de deterioro motor y recuperación.
Introduction
El deterioro motor de las extremidades superiores es una de las consecuencias más comunes del accidente cerebrovascular y está relacionado con limitaciones en las actividades de la vida diaria 1,2. Se sabe que los ritmos de banda alfa (8-13 Hz) y beta (13-30 Hz) están estrechamente asociados con los movimientos. En particular, los estudios han demostrado que la alteración de la actividad neuronal en las bandas de frecuencia alfa y beta inferior (12-20 Hz) durante el movimiento de una extremidad deteriorada se correlaciona con el grado de deterioro motor en individuos con accidente cerebrovascular 3,4,5. Con base en estos hallazgos, la electroencefalografía (EEG) ha surgido como un biomarcador potencial que refleja tanto la gravedad del deterioro motor como la posibilidad de recuperación motora 6,7. Sin embargo, los biomarcadores basados en EEG desarrollados anteriormente han demostrado ser inadecuados para investigar las características de la discapacidad motora en individuos con accidente cerebrovascular, en gran parte debido a su dependencia de los datos de EEG en estado de reposo en lugar de los datos de EEG inducidos por la tarea 8,9,10. El procesamiento complejo de la información relacionado con las deficiencias motoras, como la interacción entre los hemisferios ipsilesionales y contralesionales, solo puede revelarse a través de los datos del EEG inducido por la tarea, no del EEG en estado de reposo. Por lo tanto, no solo se requieren más estudios para explorar la relación entre las actividades neuronales y las características de la discapacidad motora y para aclarar la utilidad del EEG generado durante el movimiento de la parte del cuerpo deteriorada como un biomarcador potencial para la discapacidad motora en individuos con accidente cerebrovascular11.
La implementación del EEG para evaluar los efectos conductuales requiere paradigmas y protocolos específicos para cada tarea. Hasta la fecha, se han sugerido varios protocolos de EEG12, en los que los individuos con accidente cerebrovascular realizan movimientos imaginarios o reales para inducir actividades cerebrales relacionadas con el movimiento11,13. En el caso de los movimientos imaginados, alrededor del 53,7% de los participantes no podían imaginar definitivamente un movimiento correspondiente (llamado "analfabetismo") y, por lo tanto, no inducían actividades cerebrales relacionadas con el movimiento14. Además, es difícil para las personas con un accidente cerebrovascular grave mover toda la extremidad superior, y existe la posibilidad de artefactos innecesarios durante la adquisición de datos debido a movimientos inestables. Por lo tanto, se requiere una orientación basada en el conocimiento experto para adquirir datos de EEG de alta calidad relacionados con la tarea y resultados neurofisiológicamente interpretables. En este estudio, diseñamos de manera integral un paradigma experimental para que las personas con accidente cerebrovascular realicen una tarea de movimiento de la mano relativamente simple y proporcionamos un procedimiento experimental con una guía detallada.
Al esbozar el protocolo experimental visualizado en este artículo, pretendemos ilustrar los conceptos y métodos específicos utilizados para la adquisición y el análisis de las actividades neuronales relacionadas con el movimiento de la extremidad superior mediante un sistema de EEG. Al demostrar la diferencia en las actividades neuronales a través del EEG entre las extremidades superiores paréticas y no paréticas en participantes con accidente cerebrovascular hemipléjico, este estudio tuvo como objetivo presentar la viabilidad del EEG utilizando el protocolo descrito como un biomarcador potencial para la gravedad de la discapacidad motora en individuos con accidente cerebrovascular en un contexto transversal.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Todos los procedimientos experimentales fueron revisados y aprobados por la Junta de Revisión Institucional del Hospital Bundang de la Universidad Nacional de Seúl. Para los experimentos de este estudio, se reclutaron 34 participantes con accidente cerebrovascular. Se obtuvo el consentimiento informado firmado de todos los participantes. Se obtuvo un consentimiento informado firmado de un representante legal si un participante cumplía con los criterios pero no podía firmar el formulario de consentimiento debido a una discapacidad.
1. Configuración experimental
- Reclutamiento de pacientes
- Realice el proceso de selección utilizando los siguientes criterios de inclusión:
Tener entre 18 y 85 años de edad con la presencia de deterioro de las funciones de las extremidades superiores;
Primer accidente cerebrovascular isquémico o hemorrágico confirmado por tomografía computarizada cerebral o resonancia magnética;
Capacidad del participante para seguir las instrucciones para la evaluación clínica y el estudio de EEG;
Ausencia de antecedentes de otras enfermedades psiquiátricas o neurológicas, excepto accidente cerebrovascular. - Excluya a los pacientes en función de lo siguiente:
Enfermedad previa que afecte el sistema nervioso central (por ejemplo, lesión cerebral traumática, tumor cerebral, enfermedad de Parkinson);
Incapacidad para usar el gorro de EEG; y
Incapacidad para seguir las instrucciones de la evaluación clínica y del estudio EEG.
NOTA: Los criterios de inclusión y exclusión fueron elegidos para seleccionar a los participantes capaces de participar en el experimento y para regular los factores demográficos que podrían influir en los resultados. - Proporcionar a todos los participantes reclutados información sobre los detalles del procedimiento experimental.
- Realice el proceso de selección utilizando los siguientes criterios de inclusión:
- Sistema experimental: EEG
- Utilice un sistema de EEG que consta de 32 electrodos de Ag/AgCl en el cuero cabelludo, un gorro de EEG textil y un software de registro de EEG para el registro de datos.
- Utilice una computadora personal (PC) con software de registro de EEG instalado y conecte la PC al dispositivo de EEG a través de Bluetooth.
- Utilice otro PC con una aplicación de software de programación y análisis numérico para ingeniería (consulte la tabla de materiales).
- Para la presentación de estímulos, conecte la PC a una caja de disparo dedicada (Figura 1).
NOTA: Las especificaciones detalladas de las dos PC se proporcionan en la Tabla de materiales.
- Paradigma experimental basado en software de programación
NOTA: Los participantes realizaron una tarea de extensión de la mano utilizando las manos afectadas y no afectadas, durante la cual se midieron los datos del EEG. En la Figura 2 se muestra el paradigma experimental de este estudio.- Presentar dos estímulos visuales, CLOSE y OPEN, durante 30 s cada uno, en el centro de un monitor para medir los datos de EEG en estado de reposo basal, durante los cuales el participante cierra y abre los ojos.
NOTA: Debido a que los datos del EEG en estado de reposo están relativamente menos contaminados por artefactos fisiológicos no deseados, son útiles para verificar la calidad de los datos del EEG e identificar las características individuales del EEG con respecto al estado de reposo. - Presente una imagen de movimiento de la mano durante 3 segundos para indicar al participante que realice un movimiento de extensión de la mano, seguido de una marca de fijación durante 5 segundos para descansar.
NOTA: Este procedimiento se consideró como una prueba y se repitió 10 veces en una sola sesión. Cada participante se sometió a 4 sesiones para cada mano. El participante tenía un descanso siempre que quería después de realizar cada sesión para evitar la fatiga excesiva.
- Presentar dos estímulos visuales, CLOSE y OPEN, durante 30 s cada uno, en el centro de un monitor para medir los datos de EEG en estado de reposo basal, durante los cuales el participante cierra y abre los ojos.
Figura 1: Esquema de la configuración del equipo. Un PC (PC1) que presentaba estímulos experimentales se conectó a una caja de disparo, y otro PC (PC2) se conectó a un amplificador de EEG. Los eventos de estimulación generados en PC1 se enviaron al amplificador de EEG a través de la caja de disparo conectada a PC1. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Paradigma experimental utilizado en este estudio. Un solo ensayo consistió en un movimiento de extensión de la mano de 3 s seguido de una relajación de 5 s. Este patrón se repitió 10 veces en una sola sesión. Se realizaron un total de ocho sesiones; Cuatro sesiones involucraron el movimiento de la mano afectado, mientras que las otras cuatro involucraron el movimiento de la mano no afectado. Esta figura fue adaptada de Shim et al.17 con permiso de Mary Ann Liebert, Inc. Haga clic aquí para ver una versión más grande de esta figura.
2. Registro de datos de EEG relacionados con el movimiento
- Configuración del EEG
- Siente al participante en un sillón cómodo frente a un monitor.
NOTA: La distancia entre el participante y el monitor debe ser de al menos 60 cm para evitar la fatiga ocular. Sin embargo, se debe evitar una distancia excesiva (p. ej., >150 cm) porque podría distraer la concentración del participante. - Para usar con precisión el gorro para la medición de EEG, defina la ubicación Cz en función del sistema internacional 10-20 utilizando la intersección de la línea longitudinal que conecta el nasion y el inion y la línea transversal que conecta la parte superior de ambas aurículas.
NOTA: Es posible que no se requiera un gorro de EEG dependiendo del equipo de medición de EEG. En tal caso, los electrodos de EEG se adhieren directamente al cuero cabelludo de acuerdo con el sistema internacional 10-2015. - Para una medición precisa del EEG, utilice un gorro de EEG del tamaño adecuado de acuerdo con el tamaño de la cabeza del participante y colóquelo de modo que la posición del electrodo Cz se coloque en la ubicación Cz individual.
- Fije la correa de la barbilla con la tensión adecuada; Esto evitará que el participante se sienta incómodo durante la deglución y el parpadeo en el experimento. Después de eso, confirme que las posiciones de los electrodos T9 y T10 del gorro de EEG estén en la región temporal por encima de ambas aurículas, y que la posición del electrodo Fpz del gorro de EEG esté ubicada en el medio de la frente.
NOTA: Si esos electrodos están fuera de la ubicación designada, considere cambiar la tapa. En nuestro estudio se utilizaron tres tamaños de gorro de EEG (54 cm: pequeño, 56 cm: mediano, 58 cm: grande). - Después de colocar correctamente el gorro de EEG, coloque 32 electrodos de Ag/AgCl en el cuero cabelludo de acuerdo con el sistema internacional extendido 10-10, con los electrodos de tierra y de referencia en Fpz y FCz, respectivamente16.
NOTA: La ubicación del electrodo de referencia (FCz) está relativamente menos influenciada por varios artefactos fisiológicos, como los de la electrooculografía, la electromiografía y la electrocardiografía, porque se encuentra alrededor del área central (Cz) del cuero cabelludo. - Ajuste el nivel de impedancia entre los electrodos de EEG y el cuero cabelludo con gel conductor, y fije el cabello con el gel para evitar cualquier obstrucción entre los electrodos de EEG y el cuero cabelludo.
NOTA: Es importante confirmar si se crea algún puente entre los electrodos de EEG adyacentes debido a la fuga de gel. - Utilice el software para el registro de EEG.
- Encienda el sistema de EEG y ejecute Configuración > Seleccionar amplificador. Elija Liveamp > > amplificador > conectar. Busque la función Liveamp para la conexión inalámbrica (Figura 3).
- Ejecute la función de verificación de impedancia para monitorear el nivel de impedancia de cada electrodo.
NOTA: Se recomienda realizar el experimento con un nivel de impedancia de <20 KΩ (Figura 4). - Ejecute la función de monitoreo para confirmar si los EEG de todos los electrodos tienen niveles de amplitud similares a través del monitoreo de la señal de EEG en tiempo real (Figura 5).
NOTA: La amplitud de la señal del EEG está generalmente entre 10 μV y 100 μV, y la potencia alfa (8-12 Hz) aumenta alrededor del área occipital cuando los ojos están cerrados. Por lo tanto, la calidad de los datos del EEG se puede confirmar cualitativamente mediante el monitoreo del nivel de amplitud y las oscilaciones alfa en los canales alrededor del área occipital mientras los ojos están cerrados.
- Siente al participante en un sillón cómodo frente a un monitor.
- Configuración del paradigma
- Para una adquisición estable de datos de EEG, utilice dos PC separados para presentar estímulos externos y registrar datos de EEG (véase la Figura 1).
- Para presentar estímulos experimentales a los participantes, cree un programa de estimulación basado en el paradigma experimental utilizando un software de programación (introducido en el paso 1.3).
NOTA: En este estudio se creó un programa de estimulación basado en software, pero se pueden utilizar otros programas en función de su compatibilidad con el equipo de EEG utilizado para el experimento, así como de la comodidad del usuario. El script de estímulo basado en software de programación se proporciona en el Archivo Suplementario 1 (Experimental_stimulus.m). La información del evento, que indica el punto de inicio de los estímulos, es generada por el software de programación interno, transmitida al amplificador de EEG a través de la caja de disparo y, en última instancia, al software de registro de EEG (Figura 1). - Ejecute el programa presentando los estímulos experimentales en modo de monitoreo (consulte el subpaso 2.1.10). Posteriormente, confirme que la información del evento esté correctamente marcada de manera oportuna en la parte inferior del software de registro de EEG cada vez que se presente un estímulo, como se muestra en la Figura 6.
NOTA: La información sobre el punto de tiempo se registra cada vez que se presenta un nuevo estímulo y posteriormente se utiliza para la segmentación de datos. Por lo tanto, es importante obtener los puntos de tiempo exactos de los eventos experimentales tanto como sea posible para evitar una segmentación inexacta de los datos, lo que conduciría a resultados poco confiables en el análisis. - Inicie el software de registro de EEG, luego ejecute de forma independiente el programa de presentación de estímulos desarrollado en base al paradigma experimental utilizando software de programación para evitar la omisión de datos.
NOTA: Para facilitar el análisis de datos, se recomienda crear nombres de archivo con una regla coherente para el almacenamiento de datos (por ejemplo, Sub1_Session1).
- Registro de EEG
- Mida el EEG a una frecuencia de muestreo de 1.000 Hz siguiendo el paradigma experimental introducido en el paso 1.3.
NOTA: La frecuencia de muestreo se puede cambiar según el rango de frecuencias de EEG que el investigador desee investigar. Por lo general, se recomienda utilizar una frecuencia de muestreo de >200 Hz en la que la información del EEG pueda investigarse a ≤100 Hz según el teorema de Nyquist. Esto se debe a que la mayor parte de la información del EEG existe por debajo de los 100 Hz. - Mantenga los mismos entornos experimentales (p. ej., lugar experimental, equipo, temperatura ambiente, etc.) tanto como sea posible entre los participantes e indíqueles que minimicen los movimientos innecesarios durante la medición del EEG.
- Mida el EEG a una frecuencia de muestreo de 1.000 Hz siguiendo el paradigma experimental introducido en el paso 1.3.
Figura 3: Procedimiento de conexión inalámbrica entre un amplificador de EEG y un PC con el software de grabación de EEG. Siga los pasos en orden: (A) seleccione el amplificador, (B) conecte el amplificador, (C) busque el amplificador conectado para la conexión inalámbrica, (D) conexión completa. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Procedimiento de comprobación de impedancia para cada canal. Todos los canales deben ajustarse al color verde para una medición estable del EEG. Se recomienda realizar el experimento con una impedancia inferior a 20 KΩ. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Procedimiento de monitoreo de datos en tiempo real para cada canal. Las señales de todos los canales que se miden se pueden monitorear en tiempo real y se pueden acercar / alejar usando la opción (cuadro rojo) en la barra superior. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Captura de pantalla para supervisar la información del evento. Las barras rojas indican los creadores de eventos que se presentan cada vez que PC1 proporciona un estímulo. Haga clic aquí para ver una versión más grande de esta figura.
3. Análisis de datos de EEG
NOTA: Este estudio proporciona pautas precisas para replicar el concepto de investigación. Por lo tanto, proporciona un breve resumen del proceso de análisis y los resultados representativos. Los procesos detallados y los resultados asociados se pueden encontrar en un estudio previo17. Esto sirve como una indicación de que Mary Ann Liebert, Inc. ha otorgado permiso para el uso de material protegido por derechos de autor.
- Preprocesamiento
- Eliminar los artefactos relacionados con los ojos de los datos de EEG sin procesar utilizando procedimientos matemáticos basados en el análisis de componentes principales implementado en el software de preprocesamiento de datos de EEG18,19 (ver Tabla de Materiales).
NOTA: Si alguna época mostraba artefactos prominentes (± 100 μV), incluso después del preprocesamiento en cualquiera de los electrodos, se excluyó de un análisis posterior. El número medio de épocas rechazadas, incluida su desviación estándar, fue de 3,69 ± 7,15 para la tarea de movimiento de la mano afectada y de 1,62 ± 3,95 para la tarea de movimiento de la mano no afectada. - Aplique un filtro de paso de banda entre 0,1 Hz y 55 Hz. Segmente los datos de EEG preprocesados de -1 s a 3,5 s para cada ensayo en función del inicio de la tarea para contener el período de referencia utilizado para la perturbación espectral relacionada con eventos (ERSP) y los análisis de redes funcionales.
- Eliminar los artefactos relacionados con los ojos de los datos de EEG sin procesar utilizando procedimientos matemáticos basados en el análisis de componentes principales implementado en el software de preprocesamiento de datos de EEG18,19 (ver Tabla de Materiales).
- Análisis ERSP
NOTA: Los datos medidos del EEG se validaron mediante análisis ERSP para una banda de frecuencia beta baja (12-20 Hz) asociada con movimientos voluntarios.- Realizar una transformada de Fourier de corta duración para cada ensayo para calcular las potencias espectrales del EEG, para lo cual se utilizó la función newtimef de la caja de herramientas EEGLAB en el software de programación 20 (una ventana de Hanning no superpuesta, tamaño de ventana de250 ms).
- Normalice el espectro de potencia de cada ensayo restando la potencia media del periodo basal (-1 a 0 s) para investigar los cambios en las potencias espectrales entre la tarea de movimiento de la mano y el periodo basal.
- Calcule los mapas de ERSP normalizados al inicio del estudio para cada paciente promediando los espectros de potencia normalizados en todos los ensayos.
- Análisis funcional de redes
NOTA: Se realizó un análisis de red funcional para investigar los cambios en el EEG desde la perspectiva de la red cerebral. Para calcular los índices de red ponderados de todo el cerebro basados en la teoría de grafos, primero se calculó la conectividad cerebral entre diferentes regiones utilizando el valor de bloqueo de fase (PLV). A continuación, se calculó una matriz de conectividad funcional utilizando los resultados del análisis de conectividad basado en PLV, que posteriormente se utilizó para calcular los índices de red de todo el cerebro17. Todos los análisis funcionales de la red se realizaron utilizando el software de programación.- Calcule el valor de bloqueo de fase (PLV) basado en la transformada de Hilbert para una banda de frecuencia de beta baja (12-20 Hz) utilizando una función interna21,22. La función interna para calcular el PLV basado en la transformada de Hilbert se proporciona en el archivo complementario 2 (myPLV.m).
- Evalúe los PLV entre todos los pares posibles de los 32 electrodos de EEG en cada punto de tiempo durante los períodos de tarea (0-3,5 s) y cree una matriz de adyacencia simétrica (32 x 32, número de electrodos = 32) promediando los PLV durante el período de tarea. Utilice la matriz PLV como datos de entrada para el análisis de redes17,23.
- Evalúe cuatro índices de red ponderados a nivel global basados en la teoría de grafos utilizando la Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) fuerza, (2) coeficiente de agrupamiento, (3) longitud de la ruta y (4) pequeñez 17,24,25.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En la Figura 7 se presentan los mapas topográficos de ERD de baja beta de cada tarea de movimiento manual. Se observó una ERD de beta baja significativamente fuerte en el hemisferio contralesional en comparación con el hemisferio ipsilesional tanto para las tareas de movimiento de la mano afectadas como para las no afectadas.
Figura 7: Mapas topográficos medios de todos los pacientes que realizan las tareas de movimiento de la mano afectadas y no afectadas, respectivamente. Los mapas topográficos integrados se obtuvieron invirtiendo los mapas ERD del grupo de hemiplejias derechas. Un color azul más oscuro representa una ERD más fuerte, lo que indica que las áreas cerebrales correspondientes estaban más activadas que otras áreas. CON denota el hemisferio contralesional intacto, e IPSI denota el hemisferio ipsilesional dañado. Esta figura fue adaptada de Shim et al.17 con permiso de Mary Ann Liebert, Inc. Haga clic aquí para ver una versión más grande de esta figura.
En el Cuadro 1 se muestran los resultados cuantitativos de las cuatro características ponderadas de la red a nivel mundial. Se observaron alteraciones de los índices de red durante la tarea de movimiento de la mano afectada en comparación con la tarea de movimiento de la mano no afectada. Tanto los índices de fuerza como los de coeficiente de agrupamiento se redujeron significativamente durante la tarea de movimiento de la mano afectada en comparación con la tarea de movimiento de la mano no afectada. Por el contrario, la longitud de la trayectoria aumentó significativamente durante la tarea de movimiento de la mano afectada. No hubo diferencias significativas en la pequeñez entre las dos tareas.
También se evaluó la correlación entre los índices de red funcional y el grado de deterioro motor mediante la Evaluación de Fugl-Meyer (FMA). La fuerza de la red ipsilesional de la banda alfa (rho = 0,340, p = 0,049), el coeficiente de agrupamiento (rho = 0,342, p = 0,048) y la pequeñez (rho = 0,444, p = 0,008) mostraron una correlación positiva con la puntuación FMA, mientras que la longitud del camino (rho = -0,350, p = 0,042) se correlacionó negativamente con las puntuaciones FMA. (Figura 8). La correlación entre los índices de red ipsilesional de beta baja mostró una correlación marginalmente significativa con la puntuación FMA (fuerza rho = 0,328, p = 0,058, coeficiente de agrupamiento rho = 0,338, p = 0,051, longitud del trayecto rho = -0,340, p = 0,049 respectivamente).
Figura 8: Correlaciones entre los índices de redes funcionales alfa ipsilaterales (fuerza, coeficiente de agrupamiento, longitud del camino y tamaño pequeño) y las puntuaciones de la evaluación de Fugl-Meyer. Esta figura fue adaptada de Shim et al.17 con permiso de Mary Ann Liebert, Inc. Haga clic aquí para ver una versión más grande de esta figura.
| Movimiento de la mano afectado | Movimiento de la mano no afectado | p | |
| Fuerza | 11.196 ± 1.690 | 11.625 ± 1.743 | 0.014* |
| Coeficiente de agrupamiento | 0,342 ± 0,056 | 0,356 ± 0,057 | 0.014* |
| Longitud de la ruta | 3,249 ± 0,483 | 3,147 ± 0,456 | 0.021* |
| Pequeño mundanismo | 0,897 ± 0,032 | 0,894 ± 0,030 | 0.405 |
Tabla 1: Valores medios y de desviación estándar de los índices de la red cerebral completa en la banda beta baja. No se utiliza ninguna unidad específica para las medidas de red (*p < 0,05). Esta tabla fue adaptada de Shim et al.17 con permiso de Mary Ann Liebert, Inc.
Legajo Complementario 1: Experimental_stimulus.m. El script de estímulo basado en software de programación. Haga clic aquí para descargar este archivo.
Expediente complementario 2: myPLV.m. La función interna para calcular el PLV basado en la transformada de Hilbert. Haga clic aquí para descargar este archivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Este estudio ha introducido un experimento de EEG para medir las actividades neuronales relacionadas con el movimiento de las extremidades superiores en personas con accidente cerebrovascular. Se aplicó el paradigma experimental y los métodos de adquisición y análisis de EEG para determinar los patrones de ERD en la corteza motora ipsilesional y contralesional.
Los resultados de los mapas ERSP (Figura 7) demostraron la diferencia en el grado de activación neuronal al mover las manos deterioradas y no afectadas. Los resultados estuvieron en concordancia con los hallazgos de artículos anteriores26,27 y mostraron que la configuración experimental es un método factible que puede ser implementado en entornos de investigación clínica.
Estudios anteriores han utilizado principalmente datos de EEG en estado de reposo para investigar la actividad neuronal alterada en individuos con accidente cerebrovascular. Sin embargo, este estudio empleó datos de EEG específicos de la tarea medidos durante el movimiento de la mano, lo que se muestra prometedor como biomarcador para predecir la recuperación motora17.
Deben mencionarse ciertas consideraciones importantes para los registros de EEG desde una perspectiva general. En particular, el procedimiento para verificar la información de eventos descrito en el paso 2.2.3 es crucial para adquirir el momento preciso de los eventos experimentales. Esto evita la segmentación inexacta de los datos, lo que podría dar lugar a resultados poco fiables. Además, cuando los experimentos involucran pacientes, se requieren diseños experimentales claros y concisos para evitar la fatiga y la disminución de la concentración. En este estudio, los autores compararon de forma independiente los patrones de EEG observados durante los movimientos de las manos afectados y no afectados dentro de cada participante, cuyas edades oscilaban entre los 18 y los 80 años. Si bien puede haber algunos efectos del envejecimiento en el patrón de EEG entre los participantes de diferentes edades, es probable que los resultados se originen principalmente en dos afecciones diferentes: movimientos de la mano afectados o no afectados. Sin embargo, teniendo en cuenta la posible influencia de la edad en los patrones de EEG, se recomienda un grupo de edad más amplio para un análisis más completo.
El paradigma utilizado en este estudio consistió en alternar tareas de extensión y relajación de las manos en un período relativamente corto (5 s y 3 s, respectivamente) varias veces. Los participantes con deficiencias cognitivas tuvieron dificultades para comprender las instrucciones y realizar la tarea dentro del límite de tiempo. Por lo tanto, antes de registrar el EEG utilizando este paradigma, los investigadores deben instruir minuciosamente al participante y, si es posible, demostrar la tarea para asegurarse de que el participante comprenda completamente el paradigma y la tarea. Por lo tanto, una posible limitación de este paradigma es la exclusión de pacientes con deterioro cognitivo que no pueden comprender el paradigma experimental o pacientes severamente encerrados que no pueden ejecutar la tarea de movimiento. A menudo, el deterioro cognitivo acompaña al deterioro motor grave en individuos con accidente cerebrovascular28. Como resultado, la aplicabilidad del paradigma en individuos con accidente cerebrovascular es más estrecha en comparación con el paradigma del EEG en estado de reposo 8,29. En el caso de los pacientes severamente encerrados con cognición intacta, el paradigma podría aplicarse replicando el movimiento con la imaginación del movimiento (imágenes motoras), que también puede producir actividad cerebral relacionada con la motricidad30,31.
Además, hay dos puntos importantes a tener en cuenta a la hora de realizar un experimento basado en el dispositivo de EEG antes mencionado. En primer lugar, para garantizar un registro de datos estable, se recomienda encarecidamente comprobar la impedancia del electrodo antes de cada sesión de adquisición según el procedimiento del paso 2.1.9. Si la información de impedancia no se refleja correctamente, pueden producirse errores al convertir el formato de archivo inicial (.vhdr) al formato de archivo deseado (por ejemplo, ".mat", ".py", etc.). En segundo lugar, en este estudio, el amplificador de EEG se conectó a un PC de grabación a través de un cable USB. Para conexiones estables entre el PC de grabación y el cable USB, se recomienda encarecidamente un puerto USB 2.0; Pueden surgir problemas técnicos relacionados con la conexión del amplificador de EEG si se utiliza un puerto USB 3.0.
El protocolo experimental propuesto permite la observación de los patrones de EEG provocados durante los movimientos en pacientes con alteraciones de la función motora. Se requieren más investigaciones que utilicen este paradigma para confirmar su valor como herramienta de evaluación cualitativa para evaluar el grado de recuperación de la función motora en individuos con accidente cerebrovascular sometidos a rehabilitación motora.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
MS, NJP, WSK y HJH tienen una patente pendiente titulada "Método para proporcionar información relacionada con la discapacidad motora y los dispositivos utilizados para ello", número 10-2022-0007841.
Acknowledgments
Este trabajo fue apoyado por la subvención de la Fundación Nacional de Investigación de Corea (NRF) financiada por el gobierno de Corea (MSIT) (No. NRF-2022R1A2C1006046), por el Programa de Investigación de Tecnología Original para la Ciencia del Cerebro a través de la Fundación Nacional de Investigación de Corea (NRF) financiado por el Ministerio de Educación, Ciencia y Tecnología (2019M3C7A1031995), por la subvención de la Fundación Nacional de Investigación de Corea (NRF) financiada por el gobierno de Corea (MSIT) (No. NRF-2022R1A6A3A13053491), y por el MSIT (Ministerio de Ciencia y TIC), Corea, en el marco del programa de apoyo del ITRC (Centro de Investigación de Tecnologías de la Información) (IITP-2023-RS-2023-00258971) supervisado por el IITP (Instituto de Planificación y Evaluación de Tecnologías de la Información y las Comunicaciones).
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).
