概要

Сетевые индексы электроэнцефалографии как биомаркеры поражения верхних конечностей при хроническом инсульте

Published: July 14, 2023
doi:

概要

Протокол эксперимента демонстрирует парадигму получения и анализа сигналов электроэнцефалографии (ЭЭГ) при движении верхних конечностей у лиц с инсультом. Изменение функциональной сети низкобета-диапазонов частот ЭЭГ наблюдалось при движении нарушенной верхней конечности и ассоциировалось со степенью двигательных нарушений.

Abstract

Изменение сигналов электроэнцефалографии (ЭЭГ) во время специфического движения поврежденной конечности было зарегистрировано в качестве потенциального биомаркера тяжести двигательных нарушений и для прогнозирования восстановления моторики у лиц с инсультом. При проведении ЭЭГ-экспериментов требуются подробные парадигмы и хорошо организованные протоколы экспериментов для получения надежных и интерпретируемых результатов. В этом протоколе мы иллюстрируем специфическую парадигму с движением верхних конечностей, а также методы и приемы, необходимые для сбора и анализа данных ЭЭГ. Парадигма состоит из 1 минуты отдыха, за которой следуют 10 попыток, включающих чередующиеся 5 с и 3 с состояния покоя и задачи (разгибание рук) соответственно в течение 4 сеансов. Сигналы ЭЭГ регистрировались с помощью 32 электродов кожи головы Ag/AgCl с частотой дискретизации 1000 Гц. Был проведен анализ спектральных возмущений, связанных с движением конечностей, и анализ функциональной сети на глобальном уровне в диапазоне частот с низким бета (12-20 Гц). Репрезентативные результаты показали изменение функциональной сети низкобета-диапазонов частот ЭЭГ при движении поврежденной верхней конечности, и измененная функциональная сеть была связана со степенью двигательных нарушений у пациентов с хроническим инсультом. Полученные результаты демонстрируют целесообразность экспериментальной парадигмы при измерениях ЭЭГ при движении верхних конечностей у лиц с инсультом. Необходимы дальнейшие исследования с использованием этой парадигмы для определения потенциальной ценности сигналов ЭЭГ в качестве биомаркеров двигательных нарушений и восстановления.

Introduction

Двигательные нарушения верхних конечностей являются одним из наиболее распространенных последствий инсульта и связаны с ограничениями в повседневной деятельности 1,2. Известно, что альфа (8-13 Гц) и бета (13-30 Гц) полосные ритмы тесно связаны с движениями. В частности, исследования показали, что измененная нейронная активность в альфа- и нижнем бета-диапазонах (12-20 Гц) частот при движении нарушенной конечности коррелирует со степенью двигательных нарушений у лиц с инсультом 3,4,5. Основываясь на этих результатах, электроэнцефалография (ЭЭГ) стала потенциальным биомаркером, отражающим как тяжесть двигательных нарушений, так и возможность моторного восстановления 6,7. Тем не менее, ранее разработанные биомаркеры на основе ЭЭГ оказались недостаточными для изучения характеристик двигательных нарушений у людей с инсультом, в основном из-за того, что они полагались на данные ЭЭГ в состоянии покоя, а не на данные ЭЭГ, вызванные задачей 8,9,10. Сложная обработка информации, связанная с двигательными нарушениями, такими как взаимодействие между ипсилезионным и контралесионным полушариями, может быть выявлена только с помощью данных ЭЭГ, индуцированной задачей, а не ЭЭГ в состоянии покоя. Таким образом, необходимы дальнейшие исследования не только для изучения взаимосвязи между активностью нейронов и характеристиками двигательных нарушений, но и для выяснения полезности ЭЭГ, генерируемой во время движения поврежденной части тела, в качестве потенциального биомаркера двигательных нарушений у лиц с инсультом11.

Внедрение ЭЭГ для оценки поведенческих эффектов требует парадигм и протоколов для конкретных задач. На сегодняшний день были предложены различные протоколы ЭЭГ12, в которых люди с инсультом выполняли воображаемые или реальные движения, чтобы вызвать связанную с движением активность мозга11,13. В случае воображаемых движений около 53,7% участников не могли определенно представить себе соответствующее движение (так называемое «безграмотность») и, таким образом, не смогливызвать связанную с движением активность мозга. Более того, лицам с тяжелым инсультом трудно двигать всей верхней конечностью, и существует вероятность возникновения ненужных артефактов при сборе данных из-за нестабильных движений. Таким образом, для получения высококачественных данных ЭЭГ и нейрофизиологически интерпретируемых результатов требуется руководство, основанное на экспертных ноу-хау. В этом исследовании мы всесторонне разработали экспериментальную парадигму для людей с инсультом для выполнения относительно простой задачи по движению рук и предоставили экспериментальную процедуру с подробным руководством.

Излагая визуализированный протокол эксперимента в этой статье, мы стремились проиллюстрировать конкретные концепции и методы, используемые для регистрации и анализа нейронной активности, связанной с движением верхней конечности, с помощью системы ЭЭГ. Демонстрируя разницу в активности нейронов с помощью ЭЭГ между паретичными и непаретическими верхними конечностями у участников с гемиплегическим инсультом, это исследование было направлено на то, чтобы представить возможность проведения ЭЭГ с использованием описанного протокола в качестве потенциального биомаркера тяжести двигательных нарушений у лиц с инсультом в поперечном контексте.

Protocol

Все экспериментальные процедуры были рассмотрены и одобрены Институциональным наблюдательным советом больницы Бундан Сеульского национального университета. Для экспериментов в этом исследовании было набрано 34 участника с инсультом. От всех участников было получено подписанное инф…

Representative Results

На рисунке 7 представлены топографические карты ERD с низким бета-коэффициентом для каждой задачи движения руки. В контралесионном полушарии наблюдался значительно сильный ЭРД с низким бета-коэффициентом по сравнению с ипсилезионным полушарием как для пораженных, так и…

Discussion

В этом исследовании был представлен эксперимент ЭЭГ для измерения активности нейронов, связанной с движением верхних конечностей, у людей с инсультом. Экспериментальная парадигма и методы регистрации и анализа ЭЭГ были применены для определения паттернов ЭРД в ипсилезиональной и кон…

開示

The authors have nothing to disclose.

Acknowledgements

Эта работа была поддержана грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT) (No. NRF-2022R1A2C1006046), в рамках Программы оригинальных технологических исследований в области науки о мозге через Национальный исследовательский фонд Кореи (NRF), финансируемой Министерством образования, науки и технологий (2019M3C7A1031995), грантом Национального исследовательского фонда Кореи (NRF), финансируемой правительством Кореи (MSIT) (No. NRF-2022R1A6A3A13053491) и MSIT (Министерство науки и ИКТ), Корея, в рамках программы поддержки ITRC (Исследовательский центр информационных технологий) (IITP-2023-RS-2023-00258971), курируемой IITP (Институт планирования и оценки информационных и коммуникационных технологий).

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