Özet

慢性脳卒中における上肢障害のバイオマーカーとしての脳波ネットワーク指標

Published: July 14, 2023
doi:

Özet

実験プロトコルは、脳卒中患者の上肢運動中の脳波(EEG)信号を取得および分析するためのパラダイムを示しています。低ベータ脳波周波数帯の機能的ネットワークの変化は、障害のある上肢の運動中に観察され、運動障害の程度と関連していました。

Abstract

障害肢のタスク固有の動作中の脳波(EEG)信号の変化は、運動障害の重症度および脳卒中患者の運動回復の予測のための潜在的なバイオマーカーとして報告されています。脳波実験を実施する場合、堅牢で解釈可能な結果を得るためには、詳細なパラダイムとよく整理された実験プロトコルが必要です。このプロトコルでは、上肢の動きと、EEGデータの取得と分析に必要な方法と技術を備えたタスク固有のパラダイムを示します。パラダイムは、1 分間の休息とそれに続く 10 回の試行で構成され、それぞれ 5 秒と 3 秒の休息とタスク (手の伸展) 状態を 4 回のセッションで交互に行います。脳波信号は、32個のAg/AgCl頭皮電極を用いて、サンプリングレート1,000Hzで取得し、四肢運動に伴う事象関連スペクトル摂動解析と、低ベータ(12-20Hz)周波数帯における全球レベルでの機能的ネットワーク解析を行った。代表的な結果は、障害上肢の運動中に低ベータ脳波周波数帯の機能ネットワークの変化を示し、機能ネットワークの変化は慢性脳卒中患者の運動障害の程度と関連していました。この結果は、脳卒中患者の上肢運動時の脳波測定における実験パラダイムの実現可能性を実証している。運動障害と回復のバイオマーカーとしての脳波信号の潜在的な価値を決定するには、このパラダイムを使用したさらなる研究が必要です。

Introduction

上肢の運動障害は、脳卒中の最も一般的な結果の1つであり、日常生活動作の制限に関連しています1,2。アルファ(8-13 Hz)とベータ(13-30 Hz)のバンドリズムは、動きと密接に関連していることが知られています。特に、研究によると、障害のある手足の運動中のアルファおよび下部ベータ(12〜20 Hz)周波数帯域での神経活動の変化は、脳卒中患者の運動障害の程度と相関しています3,4,5。これらの知見に基づき、脳波検査(EEG)は、運動障害の重症度と運動回復の可能性の両方を反映する潜在的なバイオマーカーとして浮上しています6,7。しかし、以前に開発された脳波ベースのバイオマーカーは、主にタスク誘発性脳波データではなく安静時の脳波データに依存しているため、脳卒中患者の運動障害の特徴を調査するには不十分であることが証明されています8,9,10イプシレシオナル半球と対病変半球の相互作用など、運動障害に関連する複雑な情報処理は、安静時の脳波ではなく、タスク誘発の脳波データによってのみ明らかにすることができます。したがって、脳卒中患者の運動障害の潜在的なバイオマーカーとして、神経活動と運動障害特性の関係を探り、障害のある身体部分の運動中に生成される脳波の有用性を明らかにするために、さらなる研究が必要である11

行動効果を評価するためのEEGの実装には、タスク固有のパラダイムとプロトコルが必要です。現在までに、脳卒中患者が想像上または実際の動きをして、運動関連の脳活動を誘発するさまざまな脳波プロトコルが提案されています11,13想像上の動きの場合、参加者の約53.7%が対応する動きを明確に想像できず(「リテラシー」と呼ばれる)、したがって運動に関連する脳活動を誘発できなかった14。また、重度の脳卒中患者は上肢全体を動かすことが難しく、動きが不安定なため、データ取得時に不要なアーチファクトが発生する可能性があります。そのため、課題に関する高品質な脳波データや神経生理学的に解釈可能な結果を得るためには、専門家のノウハウに基づいた指導が必要です。本研究では、脳卒中患者が比較的単純な手の動きの課題を行なうための実験パラダイムを包括的に設計し、詳細なガイダンスを伴う実験手順を提供した。

本稿では、可視化された実験プロトコルの概要を説明することで、脳波システムを用いた上肢の動きに関連する神経活動の獲得と解析に使用される具体的な概念と方法を説明することを目的とした。片麻痺性脳卒中の参加者における麻痺性上肢と非麻痺性上肢の間の脳波を介したニューロン活動の違いを実証するにあたり、この研究は、脳卒中患者の運動障害の重症度の潜在的なバイオマーカーとして、記述されたプロトコルを使用して脳波の実現可能性を提示することを目的としていました 横断的な文脈での脳卒中患者の運動障害。

Protocol

すべての実験手順は、ソウル大学盆唐病院の治験審査委員会によってレビューされ、承認されました。この研究の実験では、脳卒中の34人の参加者が募集されました。署名されたインフォームドコンセントは、すべての参加者から得られました。参加者が基準を満たしているが、障害のために同意書に署名できなかった場合、法定代理人から署名されたインフォームドコンセントが署名され?…

Representative Results

図7は、各手の動きタスクの地形的な低ベータERDマップを示しています。罹患した手の動きのタスクと影響を受けていない手の動きのタスクの両方で、対病変半球で対病変半球で有意に強い低ベータERDが観察されました。 図7:?…

Discussion

本研究では、脳卒中患者の上肢運動に関連する神経活動を測定するための脳波実験を導入しました。実験パラダイムとEEGの取得と分析の方法を適用して、 イプシレジオンおよび対病変運動皮質のERDパターン。

ERSPマップの結果(図7)は、障害のある手とそうでない手を動かしたときのニューロンの活性化の程度の違いを示しました。この結果は、以?…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

この研究は、韓国政府(MSIT)が資金提供する韓国国立研究財団(NRF)の助成金(No.NRF-2022R1A2C1006046)、文部科学省助成事業(2019M3C7A1031995)、韓国国立研究財団(NRF)助成(MSIT)(No.NRF-2022R1A6A3A13053491)、およびIITP(Institute for Information & Communications Technology Planning & Evaluation)が監督するITRC(情報技術研究センター)支援プログラム(IITP-2023-RS-2023-00258971)の下で、韓国のMSIT(科学技術省)によって作成されました。

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

  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

Bu Makaleden Alıntı Yapın
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