概要

만성 뇌졸중의 상지 손상의 바이오마커로서의 뇌파 네트워크 지표

Published: July 14, 2023
doi:

概要

실험 프로토콜은 뇌졸중 환자의 상지 운동 중 뇌파(EEG) 신호를 획득하고 분석하기 위한 패러다임을 보여줍니다. 낮은 베타 EEG 주파수 대역의 기능적 네트워크의 변화는 손상된 상지의 움직임 중에 관찰되었으며 운동 손상의 정도와 관련이 있었습니다.

Abstract

손상된 사지의 작업별 움직임 중 뇌파(EEG) 신호의 변화는 운동 장애의 중증도와 뇌졸중 환자의 운동 회복 예측에 대한 잠재적인 바이오마커로 보고되었습니다. EEG 실험을 구현할 때 강력하고 해석 가능한 결과를 얻으려면 상세한 패러다임과 잘 구성된 실험 프로토콜이 필요합니다. 이 프로토콜에서는 EEG 데이터의 수집 및 분석에 필요한 상지 움직임과 방법 및 기술을 사용하여 작업별 패러다임을 설명합니다. 패러다임은 1분의 휴식과 4개의 세션에 걸쳐 각각 5초와 3초의 휴식 및 작업(손 확장) 상태로 구성된 10번의 시도로 구성됩니다. EEG 신호는 1,000Hz의 샘플링 속도에서 32개의 Ag/AgCl 두피 전극을 사용하여 획득되었습니다. 사지 움직임과 관련된 이벤트 관련 스펙트럼 섭동 분석 및 낮은 베타(12-20Hz) 주파수 대역에서 글로벌 수준의 기능적 네트워크 분석을 수행했습니다. 대표적인 결과는 손상된 상지의 움직임 중 낮은 베타 EEG 주파수 대역의 기능적 네트워크의 변화를 보여주었으며, 변화된 기능적 네트워크는 만성 뇌졸중 환자의 운동 손상 정도와 관련이 있었습니다. 이 결과는 뇌졸중 환자의 상지 운동 중 EEG 측정에서 실험 패러다임의 타당성을 보여줍니다. 이 패러다임을 사용하는 추가 연구는 운동 손상 및 회복의 바이오마커로서 EEG 신호의 잠재적 가치를 결정하기 위해 필요합니다.

Introduction

상지 운동 장애는 뇌졸중의 가장 흔한 결과 중 하나이며 일상 생활 활동의 제한과 관련이 있습니다 1,2. 알파(8-13Hz) 및 베타(13-30Hz) 밴드 리듬은 움직임과 밀접한 관련이 있는 것으로 알려져 있습니다. 특히, 연구에 따르면 장애가 있는 사지의 움직임 중 알파 및 하위 베타(12-20Hz) 주파수 대역의 신경 활동 변화는 뇌졸중 환자의 운동 장애 정도와 상관관계가 있는 것으로 나타났습니다 3,4,5. 이러한 연구 결과를 바탕으로 뇌파 검사(EEG)는 운동 장애의 중증도와 운동 회복 가능성을 모두 반영하는 잠재적인 바이오마커로 부상했습니다 6,7. 그러나 이전에 개발된 EEG 기반 바이오마커는 작업 유도 EEG 데이터보다는 휴식 상태 EEG 데이터에 주로 의존하기 때문에 뇌졸중 환자의 운동 장애 특성을 조사하는 데 부적합한 것으로 판명되었습니다 8,9,10. 이층 반구와 반대 반구 사이의 상호 작용과 같은 운동 장애와 관련된 복잡한 정보 처리는 휴식 상태 EEG가 아닌 작업 유도 EEG 데이터를 통해서만 밝힐 수 있습니다. 따라서 신경 활동과 운동 장애 특성 사이의 관계를 탐구하고 뇌졸중 환자의 운동 장애에 대한 잠재적 바이오마커로서 손상된 신체 부위의 움직임 중에 생성된 EEG의 유용성을 명확히 하기 위한 추가 연구가 필요하다11.

행동 효과를 평가하기 위해 EEG를 구현하려면 작업별 패러다임과 프로토콜이 필요합니다. 현재까지 다양한 뇌파 프로토콜이 제안되었는데,12 뇌졸중 환자는 운동 관련 뇌 활동을 유도하기 위해 상상 또는 실제 움직임을 수행했다11,13. 상상 동작의 경우, 참가자의 약 53.7%가 해당 움직임을 명확하게 상상할 수 없었기 때문에(“문맹”이라고 함) 움직임과 관련된 뇌 활동을 유도하지 못했다14. 또한, 중증 뇌졸중 환자는 상지 전체를 움직이기 어렵고, 불안정한 움직임으로 인해 데이터 수집 시 불필요한 아티팩트가 발생할 가능성이 있습니다. 따라서 업무와 관련된 고품질 뇌파 데이터와 신경생리학적으로 해석 가능한 결과를 얻기 위해서는 전문가의 노하우를 바탕으로 한 지도가 필요합니다. 본 연구에서는 뇌졸중 환자가 비교적 간단한 손 운동 작업을 수행할 수 있도록 실험 패러다임을 종합적으로 설계하고, 상세한 지침과 함께 실험 절차를 제공하였다.

이 기사에서 시각화된 실험 프로토콜을 간략하게 설명함으로써 EEG 시스템을 사용하여 상지의 움직임과 관련된 신경 활동의 획득 및 분석에 사용되는 특정 개념과 방법을 설명하는 것을 목표로 했습니다. 편마비 뇌졸중 참가자의 마비성 상지와 비마비성 상지 간의 EEG를 통한 신경 활동의 차이를 입증하기 위해 이 연구는 단면 맥락에서 뇌졸중 환자의 운동 장애 중증도에 대한 잠재적 바이오마커로 설명된 프로토콜을 사용하여 EEG의 타당성을 제시하는 것을 목표로 했습니다.

Protocol

모든 실험 절차는 분당서울대학교 부속병원 기관심의위원회의 검토 및 승인을 거쳤다. 이 연구의 실험을 위해 뇌졸중 환자 34명을 모집했습니다. 모든 참가자로부터 서명된 정보에 입각한 동의를 얻었습니다. 참가자가 기준을 충족했지만 장애로 인해 동의서에 서명할 수 없는 경우 법정 대리인으로부터 서명된 정보에 입각한 동의서를 받았습니다. 1. 실험 설정 …

Representative Results

그림 7은 각 손 움직임 작업의 지형학적 low-beta ERD 맵을 보여줍니다. 상당히 강한 저베타 ERD가 영향을 받은 손 움직임 작업과 영향을 받지 않은 손 움직임 작업 모두에 대해 ipsilesional 반구와 비교하여 반대 반구에서 관찰되었습니다. 그림 7</str…

Discussion

이 연구는 뇌졸중 환자의 상지 운동 관련 신경 활동을 측정하기 위한 EEG 실험을 도입했습니다. EEG의 획득 및 분석의 실험 패러다임과 방법은 ipsilesional 및 contralesional motor cortex의 ERD 패턴을 결정하기 위해 적용되었습니다.

ERSP 맵의 결과(그림 7)는 손상된 손과 영향을 받지 않은 손을 움직일 때 신경 활성화 정도의 차이를 보여주었습니다. 결과는 이전 논?…

開示

The authors have nothing to disclose.

Acknowledgements

이 연구는 한국연구재단(NRF)의 지원으로 이루어졌으며, 한국정부는 한국연구재단(National Research Foundation of Korea)의 지원금을 지원받았다. NRF-2022R1A2C1006046), 교육과학기술부 산하 한국연구재단(NRF)의 뇌과학 원천기술연구프로그램(2019M3C7A1031995), 한국연구재단(NRF) 국토교통부 지원금(제1호. NRF-2022R1A6A3A13053491), 정보통신기술기획평가원(IITP)의 주관으로 ITRC(정보기술연구센터) 지원 프로그램(IITP-2023-RS-2023-00258971)에 따라 과학기술정보통신부(MSIT)가 주관하고 있습니다.

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