概要

Elektroenzephalographie-Netzwerkindizes als Biomarker für die Beeinträchtigung der oberen Extremitäten bei chronischem Schlaganfall

Published: July 14, 2023
doi:

概要

Das experimentelle Protokoll demonstriert das Paradigma für die Erfassung und Analyse von Elektroenzephalographie-Signalen (EEG) während der Bewegung der oberen Gliedmaßen bei Personen mit Schlaganfall. Die Veränderung des funktionellen Netzwerks der Low-Beta-EEG-Frequenzbänder wurde während der Bewegung der beeinträchtigten oberen Extremität beobachtet und war mit dem Grad der motorischen Beeinträchtigung assoziiert.

Abstract

Die Veränderung von Elektroenzephalographie-Signalen (EEG) während der aufgabenspezifischen Bewegung der beeinträchtigten Gliedmaße wurde als potenzieller Biomarker für den Schweregrad der motorischen Beeinträchtigung und für die Vorhersage der motorischen Erholung bei Personen mit Schlaganfall berichtet. Bei der Durchführung von EEG-Experimenten sind detaillierte Paradigmen und gut organisierte Versuchsprotokolle erforderlich, um robuste und interpretierbare Ergebnisse zu erhalten. In diesem Protokoll veranschaulichen wir ein aufgabenspezifisches Paradigma mit der Bewegung der oberen Extremitäten und Methoden und Techniken, die für die Erfassung und Analyse von EEG-Daten erforderlich sind. Das Paradigma besteht aus 1 Minute Pause, gefolgt von 10 Versuchen, die abwechselnd 5 s bzw. 3 s Ruhe- und Aufgabenzustände (Handstreckung) über 4 Sitzungen umfassen. EEG-Signale wurden mit 32 Ag/AgCl-Kopfhautelektroden bei einer Abtastrate von 1.000 Hz aufgenommen. Es wurden ereigniskorrelierte spektrale Störungsanalysen in Verbindung mit Gliedmaßenbewegungen und funktionelle Netzwerkanalysen auf globaler Ebene im Low-Beta-Frequenzband (12-20 Hz) durchgeführt. Repräsentative Ergebnisse zeigten eine Veränderung des funktionellen Netzwerks der Low-Beta-EEG-Frequenzbänder während der Bewegung der beeinträchtigten oberen Extremität, und das veränderte funktionelle Netzwerk war mit dem Grad der motorischen Beeinträchtigung bei chronischen Schlaganfallpatienten assoziiert. Die Ergebnisse demonstrieren die Machbarkeit des experimentellen Paradigmas bei EEG-Messungen während der Bewegung der oberen Extremitäten bei Personen mit Schlaganfall. Weitere Forschung mit diesem Paradigma ist erforderlich, um den potenziellen Wert von EEG-Signalen als Biomarker für motorische Beeinträchtigung und Erholung zu bestimmen.

Introduction

Die motorische Beeinträchtigung der oberen Extremitäten ist eine der häufigsten Folgen eines Schlaganfalls und steht im Zusammenhang mit Einschränkungen bei den Aktivitäten des täglichen Lebens 1,2. Es ist bekannt, dass Alpha- (8-13 Hz) und Beta-Bandrhythmen (13-30 Hz) eng mit Bewegungen verbunden sind. Insbesondere haben Studien gezeigt, dass eine veränderte neuronale Aktivität im Alpha- und unteren Beta-Frequenzband (12-20 Hz) während der Bewegung einer beeinträchtigten Gliedmaße mit dem Grad der motorischen Beeinträchtigung bei Personen mit Schlaganfall korreliert 3,4,5. Basierend auf diesen Ergebnissen hat sich die Elektroenzephalographie (EEG) als potenzieller Biomarker herauskristallisiert, der sowohl den Schweregrad der motorischen Beeinträchtigung als auch die Möglichkeit einer motorischen Erholung widerspiegelt 6,7. Bisher entwickelte EEG-basierte Biomarker haben sich jedoch als unzureichend erwiesen, um die Merkmale motorischer Beeinträchtigungen bei Personen mit Schlaganfall zu untersuchen, was vor allem darauf zurückzuführen ist, dass sie sich auf EEG-Daten aus dem Ruhezustand und nicht auf aufgabeninduzierte EEG-Daten verlassen 8,9,10. Komplexe Informationsverarbeitung im Zusammenhang mit motorischen Beeinträchtigungen, wie z.B. die Interaktion zwischen ipsilesionalen und kontraläsionalen Hemisphären, kann nur durch aufgabeninduzierte EEG-Daten aufgedeckt werden, nicht durch EEG im Ruhezustand. Daher sind weitere Studien nicht nur erforderlich, um den Zusammenhang zwischen neuronalen Aktivitäten und motorischen Beeinträchtigungsmerkmalen zu untersuchen und die Nützlichkeit des EEGs, das während der Bewegung des beeinträchtigten Körperteils erzeugt wird, als potenzieller Biomarker für motorische Beeinträchtigungen bei Personen mit Schlaganfall zu klären11.

Die Implementierung von EEG zur Bewertung von Verhaltenseffekten erfordert aufgabenspezifische Paradigmen und Protokolle. Bisher wurden verschiedene EEG-Protokolle vorgeschlagen12, bei denen Personen mit Schlaganfall imaginäre oder tatsächliche Bewegungen ausführten, um bewegungsbezogene Gehirnaktivitäten zu induzieren11,13. Bei den vorgestellten Bewegungen konnten sich etwa 53,7 % der Teilnehmer eine entsprechende Bewegung nicht definitiv vorstellen (sogenannter “Analphabetismus”) und konnten somit keine bewegungsbezogenen Gehirnaktivitäten induzieren14. Darüber hinaus ist es für Personen mit schwerem Schlaganfall schwierig, die gesamte obere Extremität zu bewegen, und es besteht die Möglichkeit unnötiger Artefakte während der Datenerfassung aufgrund instabiler Bewegungen. Daher ist eine Anleitung auf der Grundlage von Expertenwissen erforderlich, um aufgabenbezogen qualitativ hochwertige EEG-Daten und neurophysiologisch interpretierbare Ergebnisse zu erhalten. In dieser Studie haben wir ein umfassendes experimentelles Paradigma für Personen mit Schlaganfall entwickelt, um eine relativ einfache Handbewegungsaufgabe durchzuführen, und ein experimentelles Verfahren mit detaillierter Anleitung zur Verfügung gestellt.

Durch die Darstellung des in diesem Artikel visualisierten experimentellen Protokolls wollten wir die spezifischen Konzepte und Methoden veranschaulichen, die für die Erfassung und Analyse neuronaler Aktivitäten im Zusammenhang mit der Bewegung der oberen Extremität mit einem EEG-System verwendet werden. Durch den Nachweis des Unterschieds in der neuronalen Aktivität mittels EEG zwischen den paretischen und nicht-paretischen oberen Extremitäten bei Teilnehmern mit hemiplegischem Schlaganfall zielte diese Studie darauf ab, die Durchführbarkeit des EEG unter Verwendung des beschriebenen Protokolls als potenziellen Biomarker für den Schweregrad der motorischen Beeinträchtigung bei Personen mit Schlaganfall in einem Querschnittskontext darzustellen.

Protocol

Alle experimentellen Verfahren wurden vom Institutional Review Board des Seoul National University Bundang Hospital geprüft und genehmigt. Für die Experimente in dieser Studie wurden 34 Teilnehmer mit Schlaganfall rekrutiert. Von allen Teilnehmern wurde eine unterschriebene Einverständniserklärung eingeholt. Eine unterschriebene Einverständniserklärung wurde von einem gesetzlichen Vertreter eingeholt, wenn ein Teilnehmer die Kriterien erfüllte, aber die Einverständniserklärung aufgrund einer Behinderung nicht un…

Representative Results

Abbildung 7 zeigt die topographischen ERD-Karten mit niedrigem Beta für jede Handbewegungsaufgabe. In der kontraläsionalen Hemisphäre wurde im Vergleich zur ipsilesionalen Hemisphäre sowohl für die betroffenen als auch für die nicht betroffenen Handbewegungsaufgaben eine signifikant starke ERD mit niedrigem Beta beobachtet. <strong …

Discussion

In dieser Studie wurde ein EEG-Experiment zur Messung der bewegungsbezogenen neuronalen Aktivitäten der oberen Gliedmaßen bei Personen mit Schlaganfall vorgestellt. Das experimentelle Paradigma und die Methoden der EEG-Erfassung und -Analyse wurden angewendet, um die ERD-Muster im ipsilesionalen und kontraläsionalen motorischen Kortex zu bestimmen.

Die Ergebnisse der ERSP-Karten (Abbildung 7) zeigten den Unterschied im Grad der neuronalen Aktivierung beim Bewe…

開示

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde durch ein Stipendium der National Research Foundation of Korea (NRF) unterstützt, das von der koreanischen Regierung (MSIT) finanziert wurde (Nr. NRF-2022R1A2C1006046), durch das Original Technology Research Program for Brain Science durch die National Research Foundation of Korea (NRF), finanziert durch das Ministerium für Bildung, Wissenschaft und Technologie (2019M3C7A1031995), durch einen Zuschuss der National Research Foundation of Korea (NRF), finanziert von der koreanischen Regierung (MSIT) (Nr. NRF-2022R1A6A3A13053491) und vom MSIT (Ministry of Science and ICT), Korea, im Rahmen des ITRC-Förderprogramms (Information Technology Research Center) (IITP-2023-RS-2023-00258971), das vom IITP (Institute for Information & Communications Technology Planning & Evaluation) beaufsichtigt wird.

Materials

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
LiveAmp Brain Products, GmbH Ltd., Gilching, Germany LA-055606-0348 EEG system (amplifier) used for the measurement
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

参考文献

  1. 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).
  2. 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).
  3. 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).
  4. Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
  5. 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).
  6. 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).
  7. Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187 (2017).
  8. Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002 (2019).
  15. Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  22. 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).
  23. 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).
  24. Bassett, D. S., Bullmore, E. Small-world brain networks. Neuroscientist. 12 (6), 512-523 (2006).
  25. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).

Play Video

記事を引用
Choi, G., Chang, W. K., Shim, M., Kim, N., Jang, J., Kim, W., Hwang, H., Paik, N. Electroencephalography Network Indices as Biomarkers of Upper Limb Impairment in Chronic Stroke. J. Vis. Exp. (197), e64753, doi:10.3791/64753 (2023).

View Video