مؤشرات شبكة تخطيط كهربية الدماغ كمؤشرات حيوية لضعف الطرف العلوي في السكتة الدماغية المزمنة
Özet
يوضح البروتوكول التجريبي نموذج اكتساب وتحليل إشارات تخطيط كهربية الدماغ (EEG) أثناء حركة الأطراف العلوية لدى الأفراد المصابين بالسكتة الدماغية. لوحظ تغيير الشبكة الوظيفية لنطاقات تردد EEG منخفضة بيتا أثناء حركة الطرف العلوي الضعيف وارتبط بدرجة الضعف الحركي.
Abstract
تم الإبلاغ عن تغيير إشارات تخطيط كهربية الدماغ (EEG) أثناء الحركة الخاصة بالمهمة للطرف الضعيف كعلامة حيوية محتملة لشدة الضعف الحركي وللتنبؤ بالتعافي الحركي لدى الأفراد المصابين بالسكتة الدماغية. عند تنفيذ تجارب EEG ، يلزم وجود نماذج مفصلة وبروتوكولات تجربة جيدة التنظيم للحصول على نتائج قوية وقابلة للتفسير. في هذا البروتوكول ، نوضح نموذجا خاصا بالمهمة مع حركة الطرف العلوي والأساليب والتقنيات اللازمة للحصول على بيانات EEG وتحليلها. يتكون النموذج من 1 دقيقة من الراحة تليها 10 تجارب تتكون بالتناوب 5 ثوان و 3 ثوان من حالات الراحة والمهمة (تمديد اليد) ، على التوالي ، على مدار 4 جلسات. تم الحصول على إشارات EEG باستخدام 32 قطبا كهربائيا لفروة الرأس Ag / AgCl بمعدل أخذ عينات قدره 1000 هرتز. تم إجراء تحليل الاضطراب الطيفي المرتبط بالحدث المرتبط بحركة الأطراف وتحليلات الشبكة الوظيفية على المستوى العالمي في نطاق التردد المنخفض بيتا (12-20 هرتز). أظهرت النتائج التمثيلية تغييرا في الشبكة الوظيفية لنطاقات تردد EEG منخفضة بيتا أثناء حركة الطرف العلوي الضعيف ، وارتبطت الشبكة الوظيفية المتغيرة بدرجة الضعف الحركي لدى مرضى السكتة الدماغية المزمنة. توضح النتائج جدوى النموذج التجريبي في قياسات EEG أثناء حركة الأطراف العلوية لدى الأفراد المصابين بالسكتة الدماغية. هناك حاجة إلى مزيد من البحث باستخدام هذا النموذج لتحديد القيمة المحتملة لإشارات EEG كمؤشرات حيوية للضعف الحركي والتعافي.
Introduction
يعد ضعف الحركة في الطرف العلوي أحد أكثر عواقب السكتة الدماغية شيوعا ويرتبط بالقيود المفروضة على أنشطة الحياة اليومية 1,2. من المعروف أن إيقاعات النطاق ألفا (8-13 هرتز) وبيتا (13-30 هرتز) ترتبط ارتباطا وثيقا بالحركات. على وجه الخصوص ، أظهرت الدراسات أن النشاط العصبي المتغير في نطاقات تردد ألفا وبيتا السفلى (12-20 هرتز) أثناء حركة الطرف الضعيف يرتبط بدرجة الضعف الحركي لدى الأفراد المصابين بالسكتة الدماغية3،4،5. بناء على هذه النتائج ، ظهر تخطيط كهربية الدماغ (EEG) كعلامة حيوية محتملة تعكس شدة ضعف الحركة وإمكانية التعافي الحركي 6,7. ومع ذلك ، فقد أثبتت المؤشرات الحيوية القائمة على EEG التي تم تطويرها سابقا أنها غير كافية للتحقيق في خصائص الضعف الحركي لدى الأفراد المصابين بالسكتة الدماغية ، ويرجع ذلك إلى حد كبير إلى اعتمادهم على بيانات EEG في حالة الراحة بدلا من بيانات EEG التي تسببها المهام8،9،10. لا يمكن الكشف عن معالجة المعلومات المعقدة المتعلقة بالإعاقات الحركية ، مثل التفاعل بين نصفي الكرة المخية ipsilesional و contralesional ، إلا من خلال بيانات EEG التي تسببها المهمة ، وليس EEG في حالة الراحة. لذلك ، لا يلزم إجراء مزيد من الدراسات فقط لاستكشاف العلاقة بين الأنشطة العصبية وخصائص الضعف الحركي وتوضيح فائدة EEG المتولدة أثناء حركة جزء الجسم الضعيف كعلامة حيوية محتملة للضعف الحركي لدى الأفراد المصابينبالسكتة الدماغية 11.
يتطلب تنفيذ EEG لتقييم الآثار السلوكية نماذج وبروتوكولات خاصة بالمهمة. حتى الآن ، تم اقتراح بروتوكولات EEG مختلفة12 ، حيث قام الأفراد المصابون بالسكتة الدماغية بحركات متخيلة أو فعلية للحث على أنشطة الدماغ المرتبطة بالحركة11,13. في حالة الحركات المتخيلة ، لم يتمكن حوالي 53.7٪ من المشاركين من تخيل حركة مقابلة (تسمى “الأمية”) وبالتالي فشلوا في تحفيز أنشطة الدماغ المرتبطة بالحركة14. علاوة على ذلك ، يصعب على الأفراد المصابين بسكتة دماغية شديدة تحريك الطرف العلوي بالكامل ، وهناك احتمال حدوث قطع أثرية غير ضرورية أثناء الحصول على البيانات بسبب الحركات غير المستقرة. لذلك ، هناك حاجة إلى إرشادات تستند إلى معرفة الخبراء للحصول على بيانات EEG عالية الجودة المتعلقة بالمهام والنتائج القابلة للتفسير من الناحية الفسيولوجية العصبية. في هذه الدراسة ، قمنا بتصميم نموذج تجريبي شامل للأفراد المصابين بالسكتة الدماغية لأداء مهمة حركة يد بسيطة نسبيا وقدمنا إجراء تجريبيا مع إرشادات مفصلة.
من خلال تحديد البروتوكول التجريبي المرئي في هذه المقالة ، كنا نهدف إلى توضيح المفاهيم والأساليب المحددة المستخدمة لاكتساب وتحليل الأنشطة العصبية المتعلقة بحركة الطرف العلوي باستخدام نظام EEG. في إظهار الفرق في الأنشطة العصبية عبر EEG بين الأطراف العلوية paretic وغير paretic في المشاركين الذين يعانون من السكتة الدماغية النصفية ، تهدف هذه الدراسة إلى تقديم جدوى EEG باستخدام البروتوكول الموصوف كعلامة حيوية محتملة لشدة الضعف الحركي لدى الأفراد المصابين بالسكتة الدماغية في سياق مستعرض.
Protocol
Representative Results
Discussion
قدمت هذه الدراسة تجربة EEG لقياس الأنشطة العصبية المرتبطة بحركة الأطراف العلوية لدى الأفراد المصابين بالسكتة الدماغية. تم تطبيق النموذج التجريبي وطرق اكتساب وتحليل EEG لتحديد أنماط ERD في القشرة الحركية ipsilesional و contralesional.
أظهرت نتائج خرائط ERSP (الشكل 7) الفرق في ?…
Açıklamalar
The authors have nothing to disclose.
Acknowledgements
تم دعم هذا العمل من خلال منحة المؤسسة الوطنية للبحوث الكورية (NRF) بتمويل من الحكومة الكورية (MSIT) (No. NRF-2022R1A2C1006046) ، من خلال برنامج أبحاث التكنولوجيا الأصلية لعلوم الدماغ من خلال المؤسسة الوطنية للبحوث الكورية (NRF) بتمويل من وزارة التعليم والعلوم والتكنولوجيا (2019M3C7A1031995) ، من خلال منحة المؤسسة الوطنية للبحوث الكورية (NRF) الممولة من الحكومة الكورية (MSIT) (No. NRF-2022R1A6A3A13053491) ، ومن قبل MSIT (وزارة العلوم وتكنولوجيا المعلومات والاتصالات) ، كوريا ، في إطار برنامج دعم ITRC (مركز أبحاث تكنولوجيا المعلومات) (IITP-2023-RS-2023-00258971) تحت إشراف IITP (معهد تخطيط وتقييم تكنولوجيا المعلومات والاتصالات).
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 |
Referanslar
- 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).
- 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).
- 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).
- Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
- 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).
- 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).
- Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187 (2017).
- Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
- 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).
- 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).
- 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).
- 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).
- 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).
- Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002 (2019).
- Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
- 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).
- 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).
- 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).
- 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).
- 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).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
- 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).
- 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).
- Bassett, D. S., Bullmore, E. Small-world brain networks. Neuroscientist. 12 (6), 512-523 (2006).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
