概要

Kronik İnmede Üst Ekstremite Bozukluğunun Biyobelirteçleri Olarak Elektroensefalografi Ağ İndeksleri

Published: July 14, 2023
doi:

概要

Deneysel protokol, inmeli bireylerde üst ekstremite hareketi sırasında elektroensefalografi (EEG) sinyallerini elde etmek ve analiz etmek için paradigmayı göstermektedir. Düşük betalı EEG frekans bantlarının fonksiyonel ağındaki değişiklik, bozulmuş üst ekstremitenin hareketi sırasında gözlendi ve motor bozukluğun derecesi ile ilişkilendirildi.

Abstract

Bozulmuş uzvun göreve özgü hareketi sırasında elektroensefalografi (EEG) sinyallerinin değiştirilmesi, motor bozukluğun şiddeti ve inmeli bireylerde motor iyileşmenin tahmini için potansiyel bir biyobelirteç olarak bildirilmiştir. EEG deneylerini uygularken, sağlam ve yorumlanabilir sonuçlar elde etmek için ayrıntılı paradigmalar ve iyi organize edilmiş deney protokolleri gereklidir. Bu protokolde, üst ekstremite hareketi ve EEG verilerinin elde edilmesi ve analizi için gerekli yöntem ve teknikler ile göreve özgü bir paradigmayı gösteriyoruz. Paradigma, 1 dakikalık dinlenme ve ardından 4 seans boyunca sırasıyla 5 s ve 3 s dinlenme ve görev (el uzatma) durumlarını içeren 10 denemeden oluşur. EEG sinyalleri, 1.000 Hz örnekleme hızında 32 Ag/AgCl kafa derisi elektrotu kullanılarak elde edildi. Temsili sonuçlar, bozulmuş üst ekstremitenin hareketi sırasında düşük beta EEG frekans bantlarının fonksiyonel ağında bir değişiklik olduğunu gösterdi ve değişen fonksiyonel ağ, kronik inme hastalarında motor bozulma derecesi ile ilişkilendirildi. Sonuçlar, inmeli bireylerde üst ekstremite hareketi sırasında EEG ölçümlerinde deneysel paradigmanın uygulanabilirliğini göstermektedir. EEG sinyallerinin motor bozukluğu ve iyileşmenin biyobelirteçleri olarak potansiyel değerini belirlemek için bu paradigmayı kullanan daha fazla araştırmaya ihtiyaç vardır.

Introduction

Üst ekstremite motor bozukluğu inmenin en yaygın sonuçlarından biridir ve günlük yaşam aktivitelerindeki kısıtlamalarla ilişkilidir 1,2. Alfa (8-13 Hz) ve beta (13-30 Hz) bant ritimlerinin hareketlerle yakından ilişkili olduğu bilinmektedir. Özellikle, çalışmalar, bozulmuş bir uzvun hareketi sırasında alfa ve alt beta (12-20 Hz) frekans bantlarındaki değişen nöral aktivitenin, inmelibireylerde motor bozulma derecesi ile ilişkili olduğunu göstermiştir 3,4,5. Bu bulgulara dayanarak, elektroensefalografi (EEG) hem motor bozukluğun şiddetini hem de motor iyileşme olasılığını yansıtan potansiyel bir biyobelirteç olarak ortaya çıkmıştır 6,7. Bununla birlikte, daha önce geliştirilen EEG tabanlı biyobelirteçlerin, büyük ölçüde görev kaynaklı EEG verilerinden ziyade dinlenme durumu EEG verilerine güvenmeleri nedeniyle, inmeli bireylerde motor bozukluğun özelliklerini araştırmak için yetersiz olduğu kanıtlanmıştır 8,9,10. İpsilesional ve kontralezyonel hemisferler arasındaki etkileşim gibi motor bozukluklarla ilgili karmaşık bilgi işleme, dinlenme durumu EEG’si ile değil, yalnızca görev kaynaklı EEG verileri ile ortaya çıkarılabilir. Bu nedenle, sadece nöronal aktiviteler ile motor bozukluk özellikleri arasındaki ilişkiyi araştırmak ve inmeli bireylerde motor bozukluk için potansiyel bir biyobelirteç olarak bozulmuş vücut bölümünün hareketi sırasında üretilen EEG’nin yararlılığını açıklığa kavuşturmak için daha ileri çalışmalara ihtiyaç duyulmamaktadır11.

Davranışsal etkileri değerlendirmek için EEG’nin uygulanması, göreve özgü paradigmalar ve protokoller gerektirir. Bugüne kadar, inmeli bireylerin hareketle ilgili beyin aktivitelerini indüklemek için hayali veya gerçek hareketler gerçekleştirdiği çeşitli EEG protokolleriönerilmiştir 12 11,13. Hayali hareketler söz konusu olduğunda, katılımcıların yaklaşık% 53.7’si buna karşılık gelen bir hareketi (“cehalet” olarak adlandırılır) kesinlikle hayal edemedi ve bu nedenle hareketle ilgili beyin aktivitelerini indükleyemedi14. Ayrıca, şiddetli inmeli bireylerin tüm üst ekstremiteyi hareket ettirmesi zordur ve dengesiz hareketler nedeniyle veri toplama sırasında gereksiz artefaktlar olasılığı vardır. Bu nedenle, görevle ilgili yüksek kaliteli EEG verileri ve nörofizyolojik olarak yorumlanabilir sonuçlar elde etmek için uzman bilgisine dayalı rehberlik gereklidir. Bu çalışmada, inmeli bireylerin nispeten basit bir el hareketi görevini yerine getirmeleri için kapsamlı bir deneysel paradigma tasarladık ve ayrıntılı rehberlik ile deneysel bir prosedür sağladık.

Bu makalede görselleştirilmiş deneysel protokolün ana hatlarını çizerek, bir EEG sistemi kullanarak üst ekstremitenin hareketi ile ilgili nöronal aktivitelerin edinilmesi ve analizi için kullanılan spesifik kavramları ve yöntemleri göstermeyi amaçladık. Hemiplejik inmeli katılımcılarda paretik ve paretik olmayan üst ekstremiteler arasındaki EEG yoluyla nöronal aktivitelerdeki farkı gösterirken, bu çalışma, kesitsel bağlamda inmeli bireylerde motor bozukluğun şiddeti için potansiyel bir biyobelirteç olarak açıklanan protokolü kullanarak EEG’nin fizibilitesini sunmayı amaçladı.

Protocol

Tüm deneysel prosedürler Seul Ulusal Üniversitesi Bundang Hastanesi Kurumsal İnceleme Kurulu tarafından gözden geçirildi ve onaylandı. Bu çalışmadaki deneyler için inme geçiren 34 katılımcı çalışmaya alındı. Tüm katılımcılardan imzalı bilgilendirilmiş onam alındı. Bir katılımcının kriterleri karşılaması ancak engellilik nedeniyle onay formunu imzalayamaması durumunda yasal temsilciden imzalı bilgilendirilmiş bir onay alındı. 1. Deney düzeneği</s…

Representative Results

Şekil 7, her bir el hareketi görevinin topografik düşük beta ERD haritalarını göstermektedir. Kontralezyonel hemisferde, hem etkilenen hem de etkilenmeyen el hareketi görevleri için ipsilezyonel hemisfere kıyasla önemli ölçüde güçlü bir düşük beta ERD gözlendi. Şekil 7: Sırası…

Discussion

Bu çalışma, inmeli bireylerde üst ekstremite hareketiyle ilişkili nöronal aktiviteleri ölçmek için bir EEG deneyi başlatmıştır. İpsilesionel ve kontralezyonel motor korteksteki ERD paternlerini belirlemek için deneysel paradigma ve EEG elde etme ve analiz yöntemleri uygulandı.

ERSP haritalarının sonuçları (Şekil 7), bozulmuş ve etkilenmemiş elleri hareket ettirirken nöronal aktivasyon derecesindeki farkı göstermiştir. Sonuçlar, öncek…

開示

The authors have nothing to disclose.

Acknowledgements

Bu çalışma, Kore hükümeti (MSIT) tarafından finanse edilen Kore Ulusal Araştırma Vakfı (NRF) hibesi tarafından desteklenmiştir (No. NRF-2022R1A2C1006046), Eğitim, Bilim ve Teknoloji Bakanlığı tarafından finanse edilen Kore Ulusal Araştırma Vakfı (NRF) aracılığıyla Beyin Bilimi için Orijinal Teknoloji Araştırma Programı tarafından (2019M3C7A1031995), Kore hükümeti (MSIT) tarafından finanse edilen Kore Ulusal Araştırma Vakfı (NRF) hibesi tarafından (No. NRF-2022R1A6A3A13053491) ve IITP (Bilgi ve İletişim Teknolojileri Planlama ve Değerlendirme Enstitüsü) tarafından denetlenen ITRC (Bilgi Teknolojisi Araştırma Merkezi) destek programı (IITP-2023-RS-2023-00258971) kapsamında MSIT (Bilim ve BİT Bakanlığı) tarafından.

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