Yöntem makalesi

Yumuşak Pnömatik Robot, İnme Sonrası El Rehabilitasyonu için Beyin Ağının Grafik Teorisi Metriklerini Modüle Ediyor

DOI:

10.3791/68588

⸱

10 Ekim 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Rehabilitation Medicine, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, 2College of Sports Medicine, Wuhan Sports University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, yapılandırılabilir bir yumuşak pnömatik robotun inme sonrası tüm beyin ağı topolojisini geliştirme üzerindeki etkilerini araştırıyor. Grafik teorisi analizi, kümeleme katsayısında, yol uzunluğunda ve küresel verimlilikte önemli gelişmeler olduğunu gösterir. Bulgular, programlanabilir robotik protokollerin inme rehabilitasyonunda nöroplastisiteyi modüle etme ve fonksiyonel iyileşmeyi optimize etme potansiyelini vurgulamaktadır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Serebral korteksin fonksiyonel restorasyonu, inme sonrası aktiviteye bağlı nöroplastisiteye dayanır. Bununla birlikte, el iyileşmesi için robotik rehabilitasyonu optimize etmek önemli bir zorluk olmaya devam etmektedir. Bu kavram kanıtlama çalışması, inme sonrası el motor bozukluğu olan on katılımcı arasında beyin ağını modüle etmede yapılandırılabilir bir yumuşak pnömatik robotun fizibilitesini araştırmaktadır. Programlanabilir robotik müdahale, çalışma modu, eylem süresi ve etkileşim süresi ayarlanarak dinlenme durumu değerlendirmesi, yavaş mod ve hızlı mod robotik terapi için randomize bir sırayla uygulandı. Kortikal aktiviteyi ve fonksiyonel bağlantıyı ölçmek için fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) kullanıldı. Ek olarak, kümeleme katsayısı, ortalama yol uzunluğu, küçük dünya endeksi, küresel verimlilik, derece merkeziliği ve özvektör merkeziliği dahil olmak üzere grafik teorisi ölçümleri, fNIRS tabanlı fonksiyonel bağlantı matrislerinden türetilmiştir. Sonuçlar, robotik müdahalenin kümeleme katsayısını önemli ölçüde iyileştirdiğini gösterdi (P = 0.034), ortalama yol uzunluğu (P = 0.007) ve küresel verimlilik (P = 0.001). Küçük dünya indeksi, derece merkeziliği ve özvektör merkeziliği artan bir eğilim gösterirken, bu farklılıklar istatistiksel anlamlılığa ulaşmadı. Ayrıca, hızlı mod terapisi, yavaş mod terapisine kıyasla kümelenme katsayısında daha önemli değişikliklere neden oldu ve bu da nöral yeniden yapılanma üzerinde potansiyel olarak daha güçlü bir etki olduğunu düşündürdü. Bu bulgular, beyin ağı bağlantısını geliştirmek ve felç sonrası nöroplastisiteyi kolaylaştırmak için ayarlanabilir paradigmalara sahip yumuşak robotların kullanımını ön olarak desteklemektedir. Küresel verimlilikte ve küçük dünya özelliklerinde gözlemlenen iyileşmeler, robotik terapinin kortikal organizasyonu optimize ederek fonksiyonel iyileşmeyi desteklediğini göstermektedir. Bu sonuçları doğrulamak ve uzun vadeli etkilerini araştırmak için daha büyük örneklem büyüklükleri ve kişiselleştirilmiş müdahale protokolleri ile daha ileri çalışmalara ihtiyaç vardır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

İnme, dünya çapında yetişkinler için önde gelen ölüm ve uzun süreli sakatlık nedeni olmaya devam etmektedir1. Zayıflatıcı sekelleri arasında, el motor bozuklukları, temel günlük aktiviteleri ve fonksiyonel bağımsızlığı önemli ölçüde tehlikeye atar, böylece inme geçirenlerde sosyal katılımı ve yaşam kalitesini azaltır 2,3. Fiziksel tıp ve rehabilitasyon motor iyileşme için kritik öneme sahip olsa da, geleneksel terapötik yaklaşımlar, inme sonrası nöral yeniden yapılanmanın karmaşıklığı ve bireyler arası değişkenliği nedeniyle genellikle tutarsız sonuçlar verir4.

Son yıllarda, robotik yardımlı terapi (RAT), motor iyileşmeyi kolaylaştırmak için yüksek yoğunluklu, tekrarlayıcı ve göreve özel eğitim verme yeteneği nedeniyle büyük ilgi görmüştür5. Bu tür müdahaleleri daha etkili bir şekilde uyarlamak için, nöral biyobelirteçlerin daha iyi anlaşılması, robotik müdahalelerle doğrudan modülasyon için çok önemlidir. Bu sonuçta terapötik stratejilerin optimize edilmesine ve el becerisinin geliştirilmesine yardımcı olabilir. Önceki bir çalışmada, voksel bazlı lezyon semptom haritalaması, üst ekstremitenin inme sonrası proksimal bozukluklarının, kortikomotor alanlardan ve striatumdan inen yollardaki eksikliklerle ilişkili olabileceğini göstermiştir. Bundan farklı olarak, el bozuklukları beyin korteksindeki izole yaralanmalardan kaynaklanır6. Bununla birlikte, el fonksiyonu için klinik sonuçlar değişkendir ve motor iyileşmenin altında yatan nöral mekanizmalar henüz tam olarak aydınlatılamamıştır 7,8,9. Üstelik çoğu ticari robotik eğitim, sınırlı uyarlanabilirliğe sahip önceden tanımlanmış protokolleri takip eder. Hastaya özel ihtiyaçları karşılamada başarısız olur ve potansiyel olarak klinik etkinliklerini kısıtlar10.

Geçtiğimiz on yıllarda, nörogörüntüleme çalışmaları, fonksiyonel aktivite ve bağlantıdaki değişikliklerle karakterize edilen, felç iyileşmesinde beyin ağının yeniden düzenlenmesinin önemli rolünü vurgulamıştır. Kortikal hemodinamiği izlemek için non-invaziv bir teknik olan fonksiyonel yakın kızılötesi spektroskopi (fNIRS), nöral dinamikleri değerlendirmek ve rehabilitasyon ortamlarına rehberlik etmek için değerli bir araç olarak ortaya çıkmıştır11. Taşınabilirliği ve hareket artefaktlarına karşı sağlamlığı, onu robotik terapi12 sırasında gerçek zamanlı izleme ve bilgi aktarımı için özellikle uygun hale getirir. Önceki çalışmalar, motor antrenmanı takiben kortikal bağlantıdaki değişiklikleri belgelemiş olsa da, RAT'ın tüm beyin ağı topolojisi üzerindeki etkileri yeterince araştırılmamıştır13.

Beyin ağı topolojisindeki değişiklikleri karakterize etmek, beyin iskemik veya hemorajik yaralanmalardan sonra fonksiyonel iyileşmenin altında yatan nöroplastik süreçlere değerli bir pencere sunar. İnsan beyni, nörolojik fonksiyonun veya onarımın hem bölgesel bütünlüğe hem de birden fazla alan arasındaki dinamik etkileşimlere dayandığı karmaşık bir ağ olarak çalışır14. Bu koşullar altında, grafik teorisi, büyük ölçekli beyin ağı mimarisini ölçmek için sağlam bir çerçeve sağlar ve düğüm seviyelerinde kortikal organizasyona ilişkin içgörüler sunar15. Araştırmacılar, kümeleme katsayısı, ortalama yol uzunluğu ve küresel verimlilik gibi temel ağ ölçümlerini hesaplayarak RAT'ın sinirsel bilgi işleme ve aktarım kapasitesini nasıl etkilediğini değerlendirebilir. Önceki literatürde gösterildiği gibi, ağ bütünlüğünde inme kaynaklı bozulmalar genellikle küçük dünya özelliklerinde ve genel topolojik organizasyonda değişiklikler olarak kendini gösterir16,17. Rehabilitasyon, özellikle göreve özgü ve tekrarlayan eğitim, kortikal yeniden düzenleme ile ilişkilendirilmiştir. Bununla birlikte, çeşitli robotik müdahalelerin bu ağ dinamikleri üzerindeki kesin etkisi yeterince anlaşılmamıştır18.

Bu çalışma, felç geçirmiş kişilerde beyin ağı dinamiklerini modüle etmede programlanabilir bir yumuşak pnömatik robotun fizibilitesini araştırmayı amaçlamaktadır. Mevcut robotik paradigmalardaki el fleksiyon/ekstansiyon egzersizi ile karşılaştırıldığında, mevcut pnömatik robot, kavrama, bırakma ve kıstırma19,20 gibi istenen hareketler için çalışma modunu, eylem süresini ve etkileşim süresini özelleştirmede avantajlara sahiptir. İnsan-robot etkileşiminin bu çeşitli modları, sensorimotor kortikal alanlara daha hedefli stimülasyon sağlayabilir. Böyle bir paradigma, el fonksiyonunun iyileşmesi ile ilişkili bölgelerde nöroplastisiteyi potansiyel olarak teşvik edebilir13. Ek olarak, bireyselleştirilmiş robotik stratejilerin el motoru iyileşmesini nasıl optimize edebileceğini değerlendirmek için çeşitli terapötik koşullar arasında fNIRS tabanlı grafik teorisi analizi kullanıldı. Ayrıca, yumuşak robotik rehabilitasyonun altında yatan nöral mekanizmalar ön olarak aydınlatılabilir. Bu ağ düzeyindeki uyarlamaları anlamak, hedefe yönelik, nörofizyoloji odaklı rehabilitasyon protokollerinin geliştirilmesine bilgi sağlayabilir ve sonuçta felçten kurtulanlarda el iyileşmesini artırabilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma Çin'in Wuhan kentindeki Tongji Hastanesi Etik Kurulu tarafından onaylandı. Tüm araştırma protokolleri Helsinki Bildirgesi'nde belirtilen ilkelere bağlı kalmıştır. Çalışmaya dahil edilmeden önce tüm katılımcılardan yazılı bilgilendirilmiş onam alındı. Kullanılan ekipman ve yazılımlar Malzeme Tablosunda listelenmiştir.

1. Katılımcılar

  1. Aşağıdaki dahil etme kriterlerini göz önünde bulundurun:
    1. 18 ila 75 yaş arası.
    2. BT veya MRI ile doğrulanan ilk iskemik veya hemorajik inme.
    3. Tıbbi olarak stabil durum.
    4. Bilgilendirilmiş onamı şahsen veya yetkili temsilci(ler)inden imzalayın.
  2. Aşağıdaki dışlama ölçütlerini göz önünde bulundurun:
    1. Şiddetli afazi, bilişsel bozukluklar, bilinç bozuklukları veya müdahale veya değerlendirme protokolü ile işbirliği yapamama.
    2. En az 20 dakika oturamama.
    3. Şiddetli kas tonusu anormallikleri (Modifiye Ashworth Ölçeği skoru ≥2).

2. Yumuşak pnömatik robotik sistem

  1. Ekipman bağlantısı ve başlatma
    1. Robotik sistemin güç kablosunu bir elektrik prizine takın.
    2. Bilgisayar kulesinde bulunan düğmeye basarak bilgisayarı açın.
    3. İki hava pompası güç kablosunu elektrik prizine ve yumuşak pnömatik eldivene bağlayın.
    4. Cihazı etkinleştirmek için robotik sistemin arkasındaki yeşil güç düğmesine basın.
  2. Yumuşak pnömatik robotun takılması
    1. Katılımcının yumuşak pnömatik robotu etkilenen ele takmasına yardımcı olarak avuç içi ve parmakların etrafına güvenli bir şekilde oturmasını sağlayın.
    2. Robotu Velcro kayışı kullanarak sabitleyin ve optimum stabilite için başparmağın dorsal tarafından palmar tarafındaki tenar çıkıntısına kadar güvenli bir şekilde konumlandırıldığından emin olun.
  3. Robotik kontrol ve mod seçimi
    1. Görüntüleme cihazının altındaki yeşil Bağlan düğmesine basın.
    2. Bilgisayar arayüzünde Robotik İnhalasyon Modunu seçin.
    3. Doğru cihaz bağlantısını sağlamak için iletişim bağlantı noktasını (Com 7) yapılandırın.
    4. Uygun şişirme-söndürme modunu seçin ve hastalara rahatsızlık vermeden parametre ayarlarını onaylayın. Yavaş Mod: %75 etkileşim süresi ile 2000 ms eylem süresi (0,5 Hz). Hızlı Mod: %200 etkileşim süresi 5 ile 75 ms eylem süresi(21Hz ) (Şekil 1).

figure-protocol-1
Şekil 1: Deney ekipmanı ve konfigürasyonu. (A) Deney düzeneği. (B) Yumuşak robotik konfigürasyon. (C) Yumuşak pnömatik robot. (D) fNIRS konfigürasyonu ve kalibrasyonu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

3. Fonksiyonel Yakın Kızılötesi Spektroskopi (fNIRS) sistemi

  1. Ekipman bağlantısı ve başlatma
    1. Tüm katılımcılardan gelen verileri kaydetmek için sürekli dalga fNIRS sistemini kullanın. Sistem, 690 nm ve 830 nm dalga boylarında, serebral korteksin 2-3 cm altına nüfuz eden ve 100 Hz örnekleme frekansına sahip yakın kızılötesi ışık yayar.
    2. Bağlı tüm cihazlara güç sağlamak için anahtarlı uzatma kablosunu açın.
    3. fNIRS cihazındaki güç düğmesine basın ve gösterge ışığının yanmasını bekleyin.
    4. Kesintisiz veri iletimi için bilgisayar ile fNIRS sistemi arasında istikrarlı bir bağlantı sağlayın.
  2. Yazılım başlatma ve hasta bilgileri girişi
    1. fNIRS sistemini başlatın ve Wi-Fi bağlantısının kararlılığını doğrulayın.
    2. Yeni bir profil oluşturmak için hasta yönetimi arayüzüne gidin: Hasta Ekle'ye tıklayın, katılımcının bilgilerini girin ve bir kimlik numarası atayın.
  3. fNIRS sinyal toplama başlığının takılması
    1. Uygun boyutta bir fNIRS sınırı seçin. Sensör numarası etiketini alnın ortasının biraz yukarısına konumlandırın ve kafa derisinin uygun şekilde yapışmasını sağlayın. 10-20 EEG sisteminin FPZ ve CZ optodlarını hizalayın. Ciltle en iyi teması sağlamak için dedektörleri ve ışık kaynaklarını esnek bir kafa bandı kullanarak sabitleyin.
    2. Veri toplama sırasında, katılımcıya başı sabit ve gözleri açık olarak sessiz ve rahat bir durumda kalmasını söyleyin.
    3. Resmi veri toplama sürecinden önce, katılımcıya uykuya dalmadan 2 dakika sessizce dinlenmesini söyleyin.
  4. Veri toplama
    1. fNIRS sisteminin bilgisayarındaki yazılım arayüzünden deneysel protokolü seçin.
    2. Işık sızıntısını en aza indirmek için yazılım arayüzünden sinyal kalibrasyonu gerçekleştirin ve minimum gürültü ile %≥75'lik bir sinyal gücünü hedefleyin.
    3. Kalibrasyon başarısız olursa sensör yerleşimini ayarlayın ve yeniden deneyin. Optode sensörleri, ışık yayan diyotlardan ve fotodetektörlerden oluşur. Bu optodlar, belirli dalga boylarında yakın kızılötesi ışık yaymak ve tespit etmek için tasarlanmıştır.
    4. Yazılım arayüzünden serebral korteksin tarih kaydını gerçekleştirin, katılımcıya rahat kalması ve baş hareketlerinden kaçınması talimatını verin.
    5. Sürekli veri toplayarak rastgele sırayı takip ederek deneysel görevi başlattığınızdan emin olun. fNIRS sistemi, serebral oksijenasyon ve hemodinamik ile ilgili verileri sürekli olarak izler ve kaydeder.
    6. Görevi tamamladıktan sonra veri toplamayı durdurun ve deneysel verileri güvenli bir şekilde kaydedin.

figure-protocol-2
Şekil 2: fNIRS sisteminin deneysel kurulumu ve sinirsel değerlendirme. (A) fNIRS sisteminin ve veri toplama protokolünün optode konfigürasyonu. (B) Beyin aktivasyonunun ön, arka, sol lateral, sağ lateral ve üst perspektiflerden görselleştirilmesi. (C) Tüm beyin fonksiyonel bağlantı analizi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

4. Veri analizi

  1. Ham fNIRS verilerini önceden işleme
    1. Ham verilerden gürültüyü ve yapıları kaldırmak için bant geçiren filtreleme uygulayın. fNIRS verileri için tipik frekanslar, beyin aktivitesindeki yavaş değişiklikleri yakalamak için 0,01 Hz ile 0,2 Hz arasındadır.
    2. Dalgacık ayrıştırması ve bağımsız bileşen analizi (ICA) ile hareket artefakt düzeltmesi gerçekleştirin. Spesifik olarak, ayrıştırma seviyesi 4 olan bir Daubechies 3 dalgacığı kullanarak ham fNIRS sinyali üzerinde dalgacık ayrıştırması gerçekleştirin.
      1. Sinyal özelliklerini korurken gürültüyü azaltmak için dalgacık katsayılarına yumuşak eşikleme uygulayın. Eşikleyici katsayılarından gelen sinyali yeniden oluşturun. Hareket artefaktlarına karşılık gelen bileşenleri tanımlamak ve kaldırmak için yeniden yapılandırılmış sinyale ICA uygulayın.
    3. Sürekli fNIRS sinyalini farklı koşullara karşılık gelen dönemlere bölün. Spesifik olarak, her deneysel koşulun başlangıcına ve ofsetine karşılık gelen zaman noktalarını belirleyin. Sürekli sinyali deneysel tasarıma (Şekil 2) ve bunların rastgele dizilerine dayalı olarak dönemlere ayırın.
  2. Hemodinamik yanıtı hesaplayın
    1. Beer-Lambert yasasını kullanarak fNIRS sisteminden gelen ham yoğunluk ölçümlerini optik yoğunluk değişikliklerine dönüştürün.
    2. Değişiklikleri tahmin etmek için değiştirilmiş Beer-Lambert yasasını kullanınoksihemoglobin (HbO) vedeoksihemoglobin (HbR) konsantrasyonları. Bu tipik olarak kaynak dedektörü geometrisine ve kullanılan dalga boylarına (690 nm) dayalı bir denklem sisteminin çözülmesini içerir.
    3. Beyin bölgelerindeki HbO konsantrasyonundaki değişiklikleri görselleştirerek 3 boyutlu beyin aktivasyon haritaları oluşturun. Spesifik olarak, fNIRS kanallarını ilgili beyin bölgelerine yansıtmak için anatomik işaretleri ve uluslararası 10-20 sistemini kullanın.
      1. Ölçülen kanallara dayalı olarak tüm beyin yüzeyindeki HbO konsantrasyonu değişikliklerini tahmin edin. Görselleştirmeyi kolaylaştırmak için aktivasyon haritalarını standartlaştırılmış beyin şablonlarına (MNI şablonu) yansıtın.
    4. Tüm kanal çiftleri arasındaki Pearson korelasyon katsayısını hesaplayarak beyindeki nöral koaktivasyonu haritalamak için işlevsel bağlantıyı kullanın. Bu katsayı, kanal çiftleri arasındaki doğrusal ilişkiyi ölçer ve işlevsel bağlantı ağının oluşturulması için temel oluşturur. Ortaya çıkan ağı görselleştirmek için açık kaynaklı R betiğini (ggplot2 ile) kullanın.
  3. Grafik teorisi analizi
    1. fNIRS'den türetilen fonksiyonel bağlantı matrislerinden16,22 grafik teorisi ölçümlerini (kümeleme katsayısı, ortalama yol uzunluğu, küçük dünya endeksi, küresel verimlilik, derece merkeziliği ve özvektör merkeziliği dahil) çıkarın.
    2. Kümeleme Katsayısını Hesaplayın:
      figure-protocol-3
      Burada, ei, i düğümünün komşuları arasındaki kenar sayısını, N, ağdaki toplam düğüm sayısını (fNIRS kanalları) ve ki, i düğümünün derecesini belirtir. Kümeleme katsayısını kullanarak, bir ağdaki düğümlerin birlikte kümelenme derecesini ölçün.
      NOT: Spesifik olarak, bir düğümün iki komşusunun da birbirine bağlı olma olasılığını ölçün. Yüksek bir kümelenme katsayısının, lokalize, uyumlu beyin ağı yapılarını gösteren, birbirine yüksek oranda bağlı komşuları yansıttığından emin olun. Nöroplastisite, lokalize nöral aktiviteyi desteklemek için yeni bağlantılar oluşturarak veya mevcut bağlantıları güçlendirerek kümelenme katsayısını değiştirebilir.
    3. Ortalama Yol Uzunluğunu Hesaplayın:
      figure-protocol-4
      Burada, d(i,j), i ve j düğümleri arasındaki en kısa yol uzunluğunu temsil eder ve N , ağdaki toplam düğüm sayısını temsil eder.
      1. Bir ağdaki tüm düğüm çiftlerini geçmek için gereken ortalama adım sayısını ölçmek için ortalama yol uzunluğunu kullanın. Daha kısa ortalama yol uzunlukları, beyin ağı boyunca daha verimli bilgi iletimini gösterir.
        NOT: Nöroplastisite, uzak beyin bölgeleri arasında kısayol görevi gören yeni bağlantılar oluşturarak, beynin bilgiyi entegre etme yeteneğini artırarak ve genel motor kontrol fonksiyonunu iyileştirerek ortalama yol uzunluğunu azaltabilir.
    4. Küçük Dünya Endeksini Hesaplayın:
      figure-protocol-5
      Burada, Cgerçek ve Lgerçek , gerçek ağın kümeleme katsayısını ve ortalama yol uzunluğunu belirtir ve Crand ve Lrand, aynı sayıda düğüm ve kenara sahip rastgele bir ağınkileri belirtir. Yerel kümeleme ile ağdaki küresel tümleştirme arasındaki dengeyi değerlendirmek için küçük dünya dizinini kullanın.
      NOT: Küçük bir dünya ağı, yerel gruplamaları korurken verimli iletişim sağlayan yüksek kümelenme ve kısa yol uzunlukları sergiler. Nöroplastisite, kısa yol uzunluklarını korurken yerel kümelenmeyi artıran yeni bağlantılar oluşturarak küçük dünya özelliklerini geliştirebilir, böylece adaptif sinirsel değişiklikleri ve el becerisini destekler.
    5. Küresel Verimliliği Hesaplayın:
      figure-protocol-6
      Burada, d(i,j), i ve j düğümleri arasındaki en kısa yol uzunluğunu temsil eder ve N , ağdaki toplam düğüm sayısını temsil eder. Ağın küresel olarak bilgi alışverişi yapma yeteneğini değerlendirmek için küresel verimliliği kullanın. Daha yüksek değerler, tüm beyin ağı boyunca daha hızlı bilgi aktarımını gösterir ve bu da iyi bağlantılı bir sistemi yansıtır.
      NOT: Nöroplastisite, ağın topolojisini optimize ederek, farklı beyin bölgeleri arasında bilginin daha iyi entegrasyonuna yol açarak ve karmaşık el fonksiyonlarını destekleyerek küresel verimliliği artırabilir.
    6. Derece Merkeziliğini Hesaplayın:
      figure-protocol-7
      Burada, ki düğüm derecesini belirtir. Bir düğümün ağdaki doğrudan bağlantılarının sayısını ölçmek için derece merkeziliğini kullanın. Yüksek derecede merkeziliğe sahip düğümler, birincil iletişim merkezleri olarak işlev görür. Nöroplastisite, yeni bağlantılar oluşturarak belirli düğümlerin derece merkeziliğini artırabilir, böylece ağdaki rollerini artırabilir ve beynin uyum sağlama ve yeniden düzenleme yeteneğini destekleyebilir.
    7. Özvektör Merkeziliğini Hesaplayın:
      figure-protocol-8
      Burada, A bitişiklik matrisini temsil eder ve v, en büyük özdeğer λ'ya karşılık gelen özvektörü temsil eder. Bir düğümün etkisini, iyi bağlanmış düğümlerle olan bağlantılarına dayalı olarak değerlendirmek için özvektör merkeziliğini kullanın.
      NOT: Yüksek özvektör merkeziliğine sahip düğümler, hiyerarşik ağların merkezinde yer alır. Nöroplastisite, diğer yüksek düzeyde bağlantılı düğümlerle bağlantılar kurarak belirli düğümlerin özvektör merkeziliğini artırabilir, böylece beynin bilgiyi verimli bir şekilde işleme yeteneğini desteklemedeki rollerini artırabilir.
  4. İstatistiksel analizler
    1. Verileri istatistiksel yazılımda uzun formatta düzenleyerek grafik teorisi ölçümlerinin, deneysel koşulların ve katılımcı tanımlayıcılarının uygun şekilde yapılandırıldığından emin olun. ANOVA'yı gerçekleştirmeden önce, normallik için Shapiro-Wilk testi23 ve varyans homojenliği için Levene'nin testi24'ü kullanarak varyansların normalliği ve homojenliği varsayımlarını doğrulayın.
    2. Üç koşul arasında grafik teorisi metriklerinde önemli farklılıklar olup olmadığını değerlendirmek için tek yönlü ANOVA'yı gerçekleştirmeye devam edin. ANOVA anlamlı bir sonuç verirse (P < 0.05), koşullar arasındaki belirli farklılıkları belirlemek için post-hoc karşılaştırmaları takip edin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çalışmaya inmeli toplam 10 birey dahil edildi ve randomize sırayla dinlenme durumu değerlendirmesi, yavaş mod robotik tedavi ve hızlı mod robotik tedavi uygulandı. Sonuçlar, robotik protokolü programlayarak ve beyin ağının grafik teorisi ölçümlerini hesaplayarak nöroplastisite modülasyonunu bireyselleştirmenin fizibilitesini gösterdi. Yumuşak robotik terapi sırasında, eşzamanlı fNIRS değerlendirmesi, hem beyin aktivasyonu hem de fonksiyonel bağlantı verilerinin elde edilmesini sağladı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, fNIRS tabanlı grafik teorisi analizi kullanılarak inmeli bireylerde yapılandırılabilir bir yumuşak pnömatik robotun beyin ağı dinamikleri üzerindeki nöroplastik etkilerini araştırdı. Bulgular, yumuşak robotik terapinin, dağıtılmış beyin ağlarının topolojik organizasyonunu etkili bir şekilde modüle ettiğini ve katılımcıların yüksek uyum gösterdiğini göstermektedir. Spesifik olarak, kümelenme katsayısında, ortalama yol uzunluğunda ve küresel verimlilikte önemli değişiklikler gö...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hiç kimse.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Hubei Eyaleti Büyük Bilim ve Teknoloji Özel Projesi (No. 2023BCA002), Huazhong Bilim ve Teknoloji Üniversitesi Disiplinlerarası Araştırma Destek Programı (No. 2024JCYJ067), Çin'in Hubei Eyaleti Doğa Bilimleri Vakfı (No. 2024AFB043) ve Tongji Hastanesi Araştırma Fonu (No. 2024B24) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
106 kanallı fNIRS cihazıWuhan Znion Teknoloji Şirketi, Ltd.BS-2000Program uygulaması
Finger eklem rehabilitasyon sistemiNanjing Reseader Medical Technology Co., LTD.RSD RS3Rehabilitasyon müdahalesi
R yazılımıR VakfıSürüm 4.2.1İstatistik analiz
SPSS yazılımıIBMSürüm 22.0İstatistik analiz

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. He, Q., et al. Global, regional, and national burden of stroke, 1990-2021: A systematic analysis for global burden of disease 2021. Stroke. 55 (12), 2815-2824 (2024).
  2. Houwink, A., Nijland, R. H., Geurts, A. C., Kwakkel, G. Functional recovery of the paretic upper limb after stroke: Who regains hand capacity. Arch Phys Med Rehabil. 94 (5), 839-844 (2013).
  3. Hirayama, K., Matsuda, M., Teruya, M., Fuchigami, T., Morioka, S. Trends in amount of use to upper limb function in patients with subacute stroke: A cross-sectional study using segmental regression analysis. BMC Neurol. 23 (1), 429(2023).
  4. Feigin, V. L., Owolabi, M. O. Pragmatic solutions to reduce the global burden of stroke: A world stroke organization-lancet neurology commission. Lancet Neurol. 22 (12), 1160-1206 (2023).
  5. Chen, Z. J., et al. Exoskeleton-assisted anthropomorphic movement training for the upper limb after stroke: The eamt randomized trial. Stroke. 54 (6), 1464-1473 (2023).
  6. Lin, D. J., et al. Distinguishing distinct neural systems for proximal vs distal upper extremity motor control after acute stroke. Neurology. 101 (4), e347-e357 (2023).
  7. Rizor, E., et al. Brain-hand function relationships based on level of grasp function in chronic left-hemisphere stroke. Neurorehabil Neural Repair. 38 (10), 752-763 (2024).
  8. Chong, B., Wang, A., Stinear, C. M. Proportional recovery after stroke: Addressing concerns regarding mathematical coupling and ceiling effects. Neurorehabil Neural Repair. 37 (7), 488-498 (2023).
  9. Gao, Z., et al. Restoring after central nervous system injuries: Neural mechanisms and translational applications of motor recovery. Neurosci Bull. 38 (12), 1569-1587 (2022).
  10. Micera, S., Caleo, M., Chisari, C., Hummel, F. C., Pedrocchi, A. Advanced neurotechnologies for the restoration of motor function. Neuron. 105 (4), 604-620 (2020).
  11. Ricardo Sato, J., et al. An experiment using functional near-infrared spectroscopy and robot-assisted multi-joint pointing movements of the lower limb. J Vis Exp. (208), e66004(2024).
  12. Kim, J., Kim, E., Lee, S. H., Lee, G., Kim, Y. H. Use of cortical hemodynamic responses in digital therapeutics for upper limb rehabilitation in patients with stroke. J Neuroeng Rehabil. 21 (1), 115(2024).
  13. Liu, P., et al. Brain activation pattern caused by soft rehabilitation glove and virtual reality scenes: A pilot fNIRS study. IEEE Trans Neural Syst Rehabil Eng. 32, 3848-3857 (2024).
  14. Wang, J., He, Y. Toward individualized connectomes of brain morphology. Trends Neurosci. 47 (2), 106-119 (2024).
  15. Vecchio, F., Miraglia, F., Pappalettera, C., Rossini, P. M. Brain network modulation in response to directional and non-directional cues: Insights from EEG connectivity and graph theory. Clin Neurophysiol. 171, 146-153 (2025).
  16. Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabil Neural Repair. 31 (1), 81-94 (2017).
  17. Li, Y., Yu, Z., Wu, P., Chen, J. The disrupted topological properties of structural networks showed recovery in ischemic stroke patients: A longitudinal design study. BMC Neurosci. 22 (1), 47(2021).
  18. Pavan, A., et al. Implementation of a robot-mediated upper limb rehabilitation protocol for a customized treatment after stroke: A retrospective analysis. NeuroRehabilitation. 54 (3), 411-420 (2024).
  19. Yurkewich, A., Kozak, I. J., Hebert, D., Wang, R. H., Mihailidis, A. Hand extension robot orthosis (hero) grip glove: Enabling independence amongst persons with severe hand impairments after stroke. J Neuroeng Rehabil. 17 (1), 33(2020).
  20. Syringas, P., et al. Exploring new tools in upper limb rehabilitation after stroke using an exoskeletal aid: A pilot randomized control study. Healthcare (Basel). 13 (1), 91(2025).
  21. Nurmi, T., Henriksson, L., Piitulainen, H. Optimization of proprioceptive stimulation frequency and movement range for fMRI. Front Hum Neurosci. 12, 477(2018).
  22. Akila, V., Johnvictor, A. C. Functional near infrared spectroscopy for brain functional connectivity analysis: A graph theoretic approach. Heliyon. 9 (4), e15002(2023).
  23. Chen, Z., et al. Action observation treatment-based exoskeleton (aot-exo) for upper extremity after stroke: Study protocol for a randomized controlled trial. Trials. 22 (1), 222(2021).
  24. Li, X., et al. Association of type 2 diabetes mellitus and glycemic control with intracranial plaque characteristics in patients with acute ischemic stroke. J Magn Reson Imaging. 54 (2), 655-666 (2021).
  25. Park, J. M., et al. Effects of robot-assisted therapy for upper limb rehabilitation after stroke: An umbrella review of systematic reviews. Stroke. , (2025).
  26. Singh, N., Saini, M., Kumar, N., Srivastava, M. V. P., Mehndiratta, A. Evidence of neuroplasticity with robotic hand exoskeleton for post-stroke rehabilitation: A randomized controlled trial. J Neuroeng Rehabil. 18 (1), 76(2021).
  27. Ti, C. E., Hu, C., Yuan, K., Chu, W. C., Tong, R. K. Uncovering the neural mechanisms of inter-hemispheric balance restoration in chronic stroke through EMG-driven robot hand training: Insights from dynamic causal modeling. IEEE Trans Neural Syst Rehabil Eng. 32, 1-11 (2024).
  28. Jia, T., et al. Tailoring brain-machine interface rehabilitation training based on neural reorganization: Towards personalized treatment for stroke patients. Cereb Cortex. 33 (6), 3043-3052 (2023).
  29. Liu, X., et al. Effects of motor imagery-based brain-computer interface on upper limb function and attention in stroke patients with hemiplegia: A randomized controlled trial. BMC Neurol. 23 (1), 136(2023).
  30. Li, W., et al. Bioinspired smart triboelectric soft pneumatic actuator-enabled hand rehabilitation robot. Adv Mater. 37 (9), e2419059(2025).
  31. Herbet, G., Duffau, H. Revisiting the functional anatomy of the human brain: Toward a meta-networking theory of cerebral functions. Physiol Rev. 100 (3), 1181-1228 (2020).
  32. Tang, Z., et al. Evidence that robot-assisted gait training modulates neuroplasticity after stroke: An fMRI pilot study based on graph theory analysis. Brain Res. 1842, 149113(2024).
  33. Wang, J., et al. Test-retest reliability of functional connectivity networks during naturalistic fMRI paradigms. Hum Brain Mapp. 38 (4), 2226-2241 (2017).
  34. Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. Int J Psychophysiol. 146, 133-138 (2019).
  35. Nemati, P. R., et al. Brain network topology early after stroke relates to recovery. Brain Commun. 4 (2), fcac049(2022).
  36. Shi, X., et al. An interactive soft robotic hand-task training system with wireless task boards and daily objects on post-stroke rehabilitation. Wearable Technol. 6, e4(2025).
  37. Zhou, Y., et al. Predicting upper limb motor recovery in subacute stroke patients via FNIRS-measured cerebral functional responses induced by robotic training. J Neuroeng Rehabil. 21 (1), 226(2024).
  38. Senadheera, I., et al. AI applications in adult stroke recovery and rehabilitation: A scoping review using AI. Sensors (Basel). 24 (20), 6568(2024).
  39. Chen, S., et al. Brain-computer interfaces in 2023-2024. Brain-X. 3 (1), e70024(2025).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Beyin A Mod lasyonunme yile mesiFonksiyonel Yak n K z l tesi SpektroskopisiK meleme Katsay sGlobal VerimlilikRobotik TerapiN roplastisite Art r m

İlgili makaleler