Un experimento que utiliza espectroscopía funcional de infrarrojo cercano y movimientos de apuntamiento multiarticular asistidos por robots de la extremidad inferior
Summary
Se estima que 1 de cada 6 personas en todo el mundo sufrirá un accidente cerebrovascular a lo largo de su vida, lo que le causará una discapacidad a largo plazo, cuyos mecanismos de rehabilitación aún no se conocen bien. Este estudio propone un protocolo para evaluar la activación cerebral mediante espectroscopia funcional de infrarrojo cercano (fNIRS) durante una sesión de terapia robótica de miembros inferiores.
Abstract
El accidente cerebrovascular afecta aproximadamente a 17 millones de personas en todo el mundo cada año y es una de las principales causas de discapacidad a largo plazo. La terapia robótica ha demostrado ser prometedora para ayudar a los pacientes con accidente cerebrovascular a recuperar las funciones motoras perdidas. Una vía potencial para aumentar la comprensión de cómo se produce la recuperación motora es estudiar la activación cerebral durante los movimientos a los que se dirige la terapia en individuos sanos. La espectroscopia funcional de infrarrojo cercano (fNIRS) se ha convertido en una técnica de neuroimagen prometedora para examinar los fundamentos neurales de la función motora. Este estudio tuvo como objetivo investigar los correlatos neuronales fNIRS de movimientos complejos de las extremidades inferiores en sujetos sanos. Se pidió a los participantes que realizaran ciclos de descanso y movimiento durante 6 minutos utilizando un dispositivo robótico para la rehabilitación motora. La tarea requería movimientos coordinados de las articulaciones de la rodilla y el tobillo para apuntar a los objetivos que se mostraban en la pantalla de una computadora. Se exploraron dos condiciones experimentales con diferentes niveles de asistencia al movimiento proporcionada por el robot. Los resultados mostraron que el protocolo fNIRS detectó eficazmente regiones cerebrales asociadas con el control motor durante la tarea. En particular, todos los sujetos exhibieron una mayor activación en el área premotora contralateral durante la condición sin asistencia en comparación con la condición asistida. En conclusión, el fNIRS parece ser un enfoque valioso para detectar cambios en la concentración de oxihemoglobina asociados con movimientos multiarticulares de apuntamiento de la extremidad inferior. Esta investigación podría contribuir a la comprensión de los mecanismos de recuperación motora del ictus y podría allanar el camino para mejorar los tratamientos de rehabilitación de los pacientes con ictus. Sin embargo, se necesita más investigación para dilucidar completamente el potencial de fNIRS en el estudio de la función motora y sus aplicaciones en entornos clínicos.
Introduction
Los datos epidemiológicos indican que en todo el mundo hay ~17 millones de nuevos casos de accidente cerebrovascular cada año, con un aumento de la incidencia en los países de ingresos bajos y medianos1. Se estima que el número de nuevos casos aumentará a 77 millones en 20302. El deterioro motor debido a un accidente cerebrovascular a menudo afecta la movilidad del paciente y su participación en las actividades de la vida diaria, lo que contribuye a una baja calidad de vida. La rehabilitación motora tradicional incluye la terapia manual, pero en las últimas décadas se han desarrollado sistemas robóticos para la rehabilitación. Estos sistemas pueden administrar terapia a alta intensidad, dosis, cuantificabilidad, fiabilidad, repetibilidad y flexibilidad3 y han demostrado su potencial como tratamientos de rehabilitación eficaces para pacientes con ictus agudo y crónico 4,5,6. Además de administrar la terapia, los sistemas robóticos para la rehabilitación pueden utilizarse como herramientas de evaluación, ya que pueden equiparse con sensores que pueden medir los datos cinemáticos/cinéticos del movimiento del paciente 7,8. Para la rehabilitación motora de las extremidades superiores, estos datos no solo han demostrado ser útiles para evaluar el nivel de recuperación motora del paciente provocado por la terapia robótica y han servido como herramienta complementaria a las evaluaciones clínicas tradicionales 9,10, sino que también han contribuido a avanzar en la comprensión del proceso de recuperación motora del ictus11. 12 así como el control neural del movimiento y el aprendizaje motor en sujetos sanos 3,13,14. Como resultado, estos hallazgos han proporcionado una base para mejorar los tratamientos de rehabilitación15.
En las últimas dos décadas, se han propuesto muchos dispositivos robóticos para la neurorrehabilitación de las extremidades inferiores, que van desde exoesqueletos que soportan el peso corporal del paciente durante la marcha (por ejemplo, sobre una cinta de correr, como Lokomat16) hasta sistemas robóticos estacionarios que permiten al paciente ejercitar el tobillo, la rodilla o el pie sin caminar (como el Rutgers Ankle17, el Robot de Rehabilitación de Tobillo de Alto Rendimiento18, y el Robot de Rehabilitación de Tobillo/Pie del Instituto de Ciencia y Tecnología de Gwangju (GIST)19) u órtesis activas de pie que son exoesqueletos accionados que lleva el paciente para caminar sobre el suelo o sobre una cinta de correr (como la Órtesis de Marcha Motorizada20 y el Anklebot21 del MIT). Véase 22,23,4 para una revisión sobre los robots para la rehabilitación de las extremidades inferiores.
Los resultados de los estudios clínicos de dispositivos robóticos para la rehabilitación de miembros inferiores en pacientes con accidente cerebrovascular han sido alentadores y han demostrado que estos sistemas pueden mejorar el rango de movimiento (ROM) de las articulaciones, la fuerza muscular o la marcha, según el dispositivo específico y el protocolo clínico (ver 24,25 para una revisión sobre la eficacia de los robots de extremidades inferiores para la rehabilitación). Si bien se ha postulado que la terapia asistida por robot promueve cambios neuroplásticos, que en última instancia resultan en una mejora de las habilidades motoras26, cómo ocurre exactamente el proceso de recuperación motora de un accidente cerebrovascular y qué protocolos de entrenamiento robótico optimizan el proceso de recuperación de las habilidades motoras de las extremidades inferiores, siguen siendo en su mayoría poco claras. De hecho, existe una disparidad significativa y creciente entre el creciente desarrollo de robots de rehabilitación (ya sea por parte de investigadores académicos o entidades comerciales) y la limitada comprensión de los mecanismos neurofisiológicos que subyacen a la recuperación motora4. Las mediciones de la cinemática del movimiento o de los torques articulares tomadas con sensores integrados han contribuido a describir cuantitativamente los cambios en el comportamiento motor que ocurren a medida que los pacientes recuperan las habilidades motoras de las extremidades inferiores 27,28,29, llenando parcialmente este vacío. Sin embargo, los correlatos neuronales que subyacen a tales cambios han sido menos investigados. Esto se debe a varias razones.
Las imágenes funcionales del cerebro requieren mucho tiempo y, a veces, son difíciles de completar en el contexto de los ensayos clínicos, que a menudo requieren mantener la carga del paciente al mínimo para maximizar la probabilidad de que el paciente se adhiera al estudio. Esto es particularmente cierto para las personas que han sufrido un accidente cerebrovascular, dado el hecho de que la fatiga y la debilidad muscular posteriores al accidente cerebrovascular se observan con frecuencia30. Además, las modalidades de imágenes que se basan en campos magnéticos, como la resonancia magnética funcional (fMRI), requieren que tanto el paciente como el hardware robótico sean seguros para los imanes.
Entre las modalidades de imagen no invasivas, la espectroscopia funcional de infrarrojo cercano (fNIRS) es una técnica de imagen especialmente adecuada para evaluar áreas de activación cerebral en sujetos sometidos a terapia robótica. De manera similar a la resonancia magnética funcional, la fNIRS mide la oxigenación/desoxigenación de la sangre en el cerebro. Sin embargo, a diferencia de la resonancia magnética funcional, la fNIRS es totalmente compatible con el hardware robótico y, a menudo, es portátil, incluso se puede utilizar junto a la cama. Además, fNIRS tiene bajo costo y menos sensibilidad a los artefactos de movimiento 31,32,33.
A pesar de sus claras ventajas y su uso generalizado en muchos entornos clínicos desde su primera introducción a finales de los años 7034, solo unos pocos estudios han utilizado fNIRS para cuantificar la activación cerebral asociada con los movimientos de las extremidades inferiores y la recuperación motora del ictus. Los estudios FNIRS dirigidos a dilucidar los mecanismos de control neural del movimiento y/o los mecanismos o la evaluación de la recuperación motora del accidente cerebrovascular han investigado principalmente los movimientos de una sola articulación (p. ej., movimientos de dorsiflexión, flexión plantar o extensión de rodilla 35,36,37), caminar 38,39,40,41,42,43 o andar en bicicleta44. Véase45 para una revisión. Del mismo modo, los estudios de fNIRS sobre la terapia asistida por robot para las extremidades inferiores se han centrado principalmente en la rehabilitación de la marcha asistida por robot; Véase46 para una revisión. Algunos estudios se han centrado en el uso de fNIRS como parte de un sistema de interfaz cerebro-computadora (BCI) para derivar señales de control para dispositivos robóticos47,48; Si bien esta área de investigación también se basa en el procesamiento de señales fNIRS, su objetivo es diferente y se centra principalmente en decodificar las intenciones de los pacientes (por ejemplo, pacientes con discapacidades motoras graves).
El estudio piloto presentado en este documento es parte de un esfuerzo inicial para investigar los efectos de un sistema robótico para la rehabilitación de extremidades inferiores. El robot puede ofrecer rehabilitación de extremidades inferiores orientada a objetivos que implica entrenamiento en movimientos multiarticulares cotidianos, así como administrar terapia a articulaciones individuales (por ejemplo, rodilla o tobillo) de la extremidad inferior (es decir, implementar un programa de rehabilitación de abajo hacia arriba).
El estudio tuvo como objetivo investigar la viabilidad de un protocolo experimental que requiriera la adquisición de datos fNIRS durante la realización de movimientos de apuntamiento multiarticular de miembros inferiores. La duración del período de adquisición de datos en este estudio, que se limitó a 6 min, es más corta que la de los protocolos fNIRS típicos. Esta fue una elección deliberada con el objetivo de mejorar la practicidad y la aplicabilidad clínica de esta investigación, particularmente en pacientes con movilidad o fuerza limitadas. La identificación de los correlatos fNIRS de movimientos multiarticulares tan complejos y la obtención de información sobre cómo la activación cerebral fue modulada por la asistencia de robots también fueron puntos de interés. Para ello, se llevaron a cabo dos sesiones de experimentos con los mismos participantes: una sin asistencia robótica y otra con asistencia robótica. Por último, es importante destacar que este estudio se centró en sujetos sanos con el fin de establecer una base para futuras investigaciones en cuanto a la viabilidad del protocolo de registro y la evaluación de la activación cerebral durante los movimientos dirigidos a la terapia robótica.
Aparato
Para llevar a cabo nuestros experimentos se utilizó un robot portátil diseñado para llevar a cabo la rehabilitación de las extremidades inferiores (véase la Figura 1). El robot tiene un espacio de trabajo accesible en 3D y es compacto y liviano, pesa alrededor de 35 libras, lo que facilita su transporte e instalación.
Figura 1: Configuración experimental. (A) El sistema robótico (instalado en el suelo) diseñado para la extremidad inferior. Se muestra a un voluntario utilizando la interfaz con su pie derecho. (B) Estructura de soporte para el pie del sujeto que permite la fijación al sistema robótico. (C) Una captura de pantalla del juego Picnic. El objetivo del juego es mover el pie (zapato verde y blanco) hasta el objetivo (círculo amarillo). Haga clic aquí para ver una versión más grande de esta figura.
El sistema robótico está diseñado para ayudar al paciente a realizar movimientos de las extremidades inferiores similares a los que se realizan en las tareas cotidianas, como señalar o patear. Utiliza juegos interactivos de realidad virtual, que se muestran en un monitor de computadora o en una pantalla de televisión colocada frente al dispositivo robótico (ver Figura 1). El efector del extremo del robot está conectado a la extremidad inferior del paciente (por ejemplo, el tobillo) y su posición se asigna a la posición de un cursor en la pantalla. Un juego típico muestra los objetivos de movimiento del paciente (por ejemplo, el objeto al que apuntar o dónde patear la pelota).
Para completar la tarea de movimiento, el robot puede ayudar al paciente con un nivel de asistencia que puede variar desde asistencia completa hasta ninguna. El nivel de asistencia robótica se elige al comienzo de cada sesión de rehabilitación en función del nivel de discapacidad motora del paciente. Los movimientos realizados por el sujeto son utilizados por el juego para puntuar el rendimiento del paciente y proporcionarle información sobre su rendimiento (por ejemplo, ROM, número de movimientos y nivel de asistencia robótica). Los juegos están diseñados para ser interactivos y entretenidos para mantener el interés y la atención del paciente. En este estudio, los participantes jugaron el “juego de picnic”, en el que el jugador tenía que evitar que los insectos alcanzaran la toalla y robaran la comida (consulte la Figura 1, panel inferior, para obtener una captura de pantalla).
La adquisición de datos se realizó con un sistema de adquisición fNIRS portátil con dos optodos de onda continua diferentes (760 nm y 850 nm), 8 fuentes LED de doble punta y 8 detectores activos de doble punta. Las señales se adquirieron utilizando una frecuencia de muestreo de 10,17 Hz. Se utilizó un ordenador portátil para la calibración, la optimización y el registro de la señal mediante una red Wi-Fi creada por el sistema fNIRS.
Se utilizó una tapa para mantener los optodes en los lugares predeterminados. Las fuentes y los detectores se colocaron de acuerdo con el sistema EEG internacional 10-10 en una distribución espacial de cuadrícula. Cada canal fNIRS se definió mediante un par fuente-detector con distancias entre optótodos de aproximadamente 30 mm. Los optodos se colocaron sobre las áreas suplementarias del motor, el premotor y el motor en las ubicaciones que se muestran en la Figura 2. El número total de canales fue de 28, donde 8 eran canales de corta distancia que se acoplaron a cada fuente mediante un adaptador de fibra óptica a un solo detector. Dada la configuración de multiplexación del hardware, es posible adquirir información a corta distancia de todas las fuentes utilizando un solo detector.
Figura 2: Diseño del montaje utilizando el sistema de EEG 10-10. Las letras y los números indican la ubicación de la fuente/detector. Los puntos rojos y azules representan los optodos de origen y detector, respectivamente. Las líneas verdes representan los canales fNIRS que constan de pares de fuente y detector. Haga clic aquí para ver una versión más grande de esta figura.
Diseño experimental
El experimento se llevó a cabo en dos condiciones experimentales distintas, que difieren en el nivel de asistencia proporcionado por el robot para los movimientos del sujeto. En la primera condición, el robot fue programado para no proporcionar ninguna ayuda a los movimientos del sujeto, mientras que en la segunda condición, el robot controló los movimientos de los pies y las piernas del sujeto (movimiento asistido por robot).
Cada experimento siguió un paradigma de diseño de bloques que involucraba ciclos alternos de una tarea motora (jugar el juego – 30 s) y descansar (30 s), como se ilustra en la Figura 3. El inicio y la conclusión de cada fase (juego/juego o descanso) se señalizaban visualmente al sujeto a través de la pantalla del ordenador. Durante la fase de descanso, se mostraba un mensaje que indicaba una pausa. Cada ciclo (juego/juego + descanso) tuvo una duración de 60 s y se repitió seis veces, lo que resultó en un tiempo de ejecución total de 360 s (6 min).
Los participantes jugaron al “Juego de picnic”, en el que el objetivo era evitar que los insectos llegaran a la toalla y robaran la comida. Este juego consistía en una secuencia de movimientos de las extremidades inferiores, comenzando desde un objetivo local designado (posición inicial) y extendiéndose hacia uno de los tres objetivos exteriores antes de regresar al objetivo local. En la pantalla, los objetivos exteriores se representaban visualmente como insectos animados en movimiento, a los que los participantes tenían que llegar y pisar. Había tres objetivos de alcance exterior, cada uno presentado aleatoriamente un número igual de veces, junto con un objetivo de inicio común para cada movimiento. La distancia que el pie debía recorrer desde el objetivo local hasta la posición de los objetivos exteriores formaba un arco, que medía aproximadamente 26 cm. La tarea motora requirió la ejecución de movimientos multiarticulares, exigiendo coordinación entre los movimientos de flexión/extensión de rodilla, flexión plantar y dorsiflexión.
Las grabaciones de datos de fNIRS se sincronizaron con los estímulos visuales presentados por el juego al sujeto a través de un pulso transistor-transistor-lógico (TTL) generado por el robot. Los pulsos se generaron al inicio de cada fase (juego/juego y descanso). Por lo tanto, todo el control de tiempo fue realizado por el juego, que proporcionó señales visuales (objetivos) al participante para iniciar cada movimiento, envió señales TTL al sistema fNIRS para marcar los registros de actividad cerebral y, si el experimento lo requería, envió señales al sistema de control del robot para iniciar la asistencia de movimiento.
Protocol
Representative Results
Discussion
En este estudio de prueba de concepto, se investigó la viabilidad de hacer inferencias sobre el mapeo de la activación cerebral utilizando datos fNIRS de sujetos sanos mientras se ejercitaban con diferentes tipos de movimientos utilizando un robot para la rehabilitación de miembros inferiores. Las sesiones típicas de grabación de fNIRS en adultos duran más de 6 min54. Sin embargo, para que las grabaciones sean factibles en el contexto de un entorno de rehabilitación, la duración total del …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Las opiniones, hipótesis, conclusiones y recomendaciones de este estudio son las de los autores y no representan necesariamente las opiniones de la agencia financiadora. El JRS agradece a la Fundación de Apoyo a la Investigación Científica del Estado de São Paulo (FAPESP, números de subvención 2021/05332-8, 2018/04654-9, 2018/21934-5 y 2023/02538-0) y a Jackson Cionek por su apoyo tecnológico. AMM y Vivax Ltda agradecen a la FAPESP (Fundación de Apoyo a la Investigación Científica del Estado de São Paulo) y a la Finep (Agencia Brasileña de Innovación). Este proyecto fue financiado con subsidios de la FAPESP (número de subsidio 2018/09559-4) y de la Finep (subsidio número 2019/09933-6).
Materials
| 32 inch Smart TV | Samsung | N/A | TV connected to robot via HDMI cable |
| 8-detector silicon photodiode (SiPD) optodes for optical detection with dual tip | NIRx Medical Technologies (Glen Head, NY, USA) | https://nirx.net/nirsport | |
| 8-source optodes bundle for optical illumination with dual tip | NIRx Medical Technologies (Glen Head, NY, USA) | https://nirx.net/nirsport | |
| Aurora acquisition software | NIRx Medical Technologies (Glen Head, NY, USA) | https://nirx.net/nirsport | |
| Laptop Precision XPS 13 | Dell Technologies (Round Rock, TX, USA) | ||
| nirsLAB fNIRS Analysis software | NIRx Medical Technologies (Glen Head, NY, USA) | https://nirx.net/nirsport | |
| NIRSports2 fNIRS acquisition system | NIRx Medical Technologies (Glen Head, NY, USA) | https://nirx.net/nirsport | It has two different continuous wave optics (760 and 850 nm), 8 dual-ended LED sources and 8 dual-ended active detectors. |
| R | R-project.org (open source software) | https://www.r-project.org/ | |
| Standard cut cap, black color for up to 128 holders. | Easycap GmbH (Wörthsee, Germany) | https://www.easycap.de/ | |
| Vivax Assistive Rehabilitation Machine (ARM) | Vivax Ltda (São Paulo, Brazil) | https://vivaxbr.com/home/ | It is a portable robot designed to deliver lower limb rehabilitation. It has a 3D reachable workspace and is compact and light, weighing about 35 lb., which makes it easy to transport and to install. |
References
- GBD 2016 Stroke Collaborators. Global, regional, and national burden of stroke, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet. Neurology. 18 (5), 439-458 (2019).
- GBD 2019 Stroke Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet. Neurology. 20 (10), 795-820 (2021).
- Huang, V. S., Krakauer, J. W. Robotic neurorehabilitation: a computational motor learning perspective. Journal of NeuroEngineering and Rehabilitation. 6, 5 (2009).
- Hobbs, B., Artemiadis, P. A Review of Robot-Assisted Lower-Limb Stroke Therapy: Unexplored Paths and Future Directions in Gait Rehabilitation. Frontiers in neurorobotics. 14, 19 (2020).
- Bertani, R., Melegari, C., De Cola, M. C., Bramanti, A., Bramanti, P., Calabrò, R. S. Effects of robot-assisted upper limb rehabilitation in stroke patients: a systematic review with meta-analysis. Neurological Sciences. 38 (9), 1561-1569 (2017).
- Warutkar, V., Dadgal, R., Mangulkar, U. R. Use of robotics in gait rehabilitation following stroke: A review. Cureus. 14 (11), e31075 (2022).
- Dipietro, L., et al. Changing motor synergies in chronic stroke. Journal of Neurophysiology. 98 (2), 757-768 (2007).
- Dipietro, L., et al. Learning, not adaptation, characterizes stroke motor recovery: evidence from kinematic changes induced by robot-assisted therapy in trained and untrained task in the same workspace. IEEE Trans Neural Syst Rehabil Eng. 20 (1), 48-57 (2012).
- Bosecker, C., Dipietro, L., Volpe, B., Krebs, H. I. Kinematic robot-based evaluation scales and clinical counterparts to measure upper limb motor performance in patients with chronic stroke. Neurorehabilitation and Neural Repair. 24 (1), 62-69 (2010).
- Krebs, H. I., et al. Robotic measurement of arm movements after stroke establishes biomarkers of motor recovery. Stroke. 45 (1), 200-204 (2014).
- Volpe, B. T., et al. Robotic devices as therapeutic and diagnostic tools for stroke recovery. Archives of Neurology. 66 (9), 1086-1090 (2009).
- Hogan, N., et al. Motions or muscles? Some behavioral factors underlying robotic assistance of motor recovery. Journal of Rehabilitation Research and Development. 43 (5), 605-618 (2006).
- Shadmehr, R., Wise, S. P. . The Computational Neurobiology of Reaching and Pointing: A Foundation for Motor Learning. , (2005).
- Dipietro, L., Poizner, H., Krebs, H. I. Spatiotemporal dynamics of online motor correction processing revealed by high-density electroencephalography. J Cogn Neurosci. 26 (9), 1966-1980 (2014).
- Krebs, H., et al. Rehabilitation robotics: Performance-based progressive robot-assisted therapy. Autonomous Robots. 15, 7-20 (2003).
- Colombo, G., Joerg, M., Schreier, R., Dietz, V. Treadmill training of paraplegic patients using a robotic orthosis. Journal of Rehabilitation Research and Development. 37 (6), 693-700 (2000).
- Girone, M., et al. A Stewart platform-based system for ankle telerehabilitation. Autonomous Robots. 10, 203-212 (2001).
- Saglia, J. A., Tsagarakis, N. G., Dai, J. S., Caldwell, D. G. A high-performance redundantly actuated parallel mechanism for ankle rehabilitation. The International Journal of Robotics Research. 28 (9), 1216-1227 (2009).
- Yoon, J., Ryu, J. A novel reconfigurable ankle/foot rehabilitation robot. , 2290-2295 (2005).
- Ruthenberg, B. J., Wasylewski, N. A., Beard, J. E. An experimental device for investigating the force and power requirements of a powered gait orthosis. Journal of Rehabilitation Research and Development. 34 (2), 203-213 (1997).
- Forrester, L. W., et al. Clinical application of a modular ankle robot for stroke rehabilitation. NeuroRehabilitation. 33 (1), 85-97 (2013).
- Díaz, I., Gil, J. J., Sánchez, E. Lower-limb robotic rehabilitation: Literature review and challenges. Journal of Robotics. 2011, 759764 (2011).
- Zhang, X., Yue, Z., Wang, J. Robotics in lower-limb rehabilitation after stroke. Behavioural Neurology. 2017, 3731802 (2017).
- Zhang, M., Davies, T. C., Xie, S. Effectiveness of robot-assisted therapy on ankle rehabilitation – a systematic review. Journal of NeuroEngineering and Rehabilitation. 10, 30 (2013).
- Lo, K., Stephenson, M., Lockwood, C. Effectiveness of robotic assisted rehabilitation for mobility and functional ability in adult stroke patients: a systematic review protocol. JBI Database of Systematic Reviews and Implementation Reports. 15 (1), 39-48 (2017).
- Belda-Lois, J. M., et al. Rehabilitation of gait after stroke: a review towards a top-down approach. Journal of NeuroEngineering and Rehabilitation. 8, 66 (2011).
- Bortole, M., et al. The H2 robotic exoskeleton for gait rehabilitation after stroke: early findings from a clinical study. Journal of NeuroEngineering and Rehabilitation. 12, 54 (2015).
- Banala, S. K., Kim, S. H., Agrawal, S. K., Scholz, J. P. Robot assisted gait training with active leg exoskeleton (ALEX). IEEE Transactions on Neural Systems and Rehabilitation Engineering. 17 (1), 2-8 (2009).
- Bartenbach, V., Wyss, D., Seuret, D., Riener, R. A lower limb exoskeleton research platform to investigate human-robot interaction. 2015 IEEE International Conference on Rehabilitation Robotics (ICORR). 2015, 600-605 (2015).
- Hinkle, J. L., et al. Poststroke fatigue: Emerging evidence and approaches to management: A scientific statement for healthcare professionals from the American heart association. Stroke. 48 (7), e159-e170 (2017).
- Balardin, J. B., Zimeo Morais, G. A., Furucho, R. A., Trambaiolli, L. R., Sato, J. R. Impact of communicative head movements on the quality of functional near-infrared spectroscopy signals: negligible effects for affirmative and negative gestures and consistent artifacts related to raising eyebrows. Journal of Biomedical Optics. 22 (4), 4601 (2017).
- Nazeer, H., Naseer, N., Mehboob, A., Khan, M. J., Khan, R. A., Khan, U. S., Ayaz, Y. Enhancing classification performance of fNIRS-BCI by identifying cortically active channels using the z-score method. Sensors. 20 (23), 6995 (2020).
- Ayaz, H., et al. Optical imaging and spectroscopy for the study of the human brain: status report. Neurophotonics. 9, S24001 (2022).
- Chen, W. L., et al. Functional near-infrared spectroscopy and its clinical application in the field of neuroscience: Advances and future directions. Frontiers in Neuroscience. 14, 724 (2020).
- Yamamoto, K., Miyata, T., Onozuka, A., Koyama, H., Ohtsu, H., Nagawa, H. Plantar flexion as an alternative to treadmill exercise for evaluating patients with intermittent claudication. European Journal of Vascular and Endovascular Surgery. 33 (3), 325-329 (2007).
- Formenti, D., et al. Effects of knee extension with different speeds of movement on muscle and cerebral oxygenation. PeerJ. 6, 5704 (2018).
- Miyai, I., et al. Cortical mapping of gait in humans: a near-infrared spectroscopic topography study. NeuroImage. 14 (5), 1186-1192 (2001).
- Miyai, I., et al. Premotor cortex is involved in restoration of gait in stroke. Annals of Neurology. 52 (2), 188-194 (2002).
- Mihara, M., et al. Sustained prefrontal activation during ataxic gait: a compensatory mechanism for ataxic stroke?. NeuroImage. 37 (4), 1338-1345 (2007).
- Rea, M., et al. Lower limb movement preparation in chronic stroke: A pilot study toward an fNIRS-BCI for gait rehabilitation. Neurorehabilitation and Neural Repair. 28 (6), 564-575 (2014).
- Holtzer, R., Verghese, J., Allali, G., Izzetoglu, M., Wang, C., Mahoney, J. R. Neurological gait abnormalities moderate the functional brain signature of the posture first hypothesis. Brain Topography. 29 (2), 334-343 (2016).
- Kim, H. Y., Yang, S. P., Park, G. L., Kim, E. J., You, J. S. Best facilitated cortical activation during different stepping, treadmill, and robot-assisted walking training paradigms and speeds: A functional near-infrared spectroscopy neuroimaging study. NeuroRehabilitation. 38 (2), 171-178 (2016).
- Khan, H., Nazeer, H., Engell, H., Naseer, N., Korostynska, O., Mirtaheri, P. Prefrontal cortex activation measured during different footwear and ground conditions using fNIRS-A case study. 2021 IEEE International Conference on Artificial Intelligence and Mechatronics Systems (AIMS). , 1-6 (2021).
- Lin, P. Y., Chen, J. J., Lin, S. I. The cortical control of cycling exercise in stroke patients: an fNIRS study). Human Brain Mapping. 34 (10), 2381-2390 (2013).
- Yang, M., Yang, Z., Yuan, T., Feng, W., Wang, P. A systemic review of functional near-infrared spectroscopy for stroke: Current application and future directions. Frontiers in Neurology. 10, 58 (2019).
- Berger, A., Horst, F., Müller, S., Steinberg, F., Doppelmayr, M. Current state and future prospects of EEG and fNIRS in robot-assisted gait rehabilitation: A brief review. Frontiers in Human Neuroscience. 13, 172 (2019).
- Khan, R. A., Naseer, N., Qureshi, N. K., et al. fNIRS-based Neurorobotic Interface for gait rehabilitation. J NeuroEngineering Rehabil. 15 (1), 7 (2018).
- Khan, H., Naseer, N., Yazidi, A., Eide, P. K., Hassan, H. W., Mirtaheri, P. Analysis of Human Gait Using Hybrid EEG-fNIRS-Based BCI System: A Review. Front. Hum. Neurosci. 14, (2020).
- Delpy, D. T., Cope, M. Quantification in tissue near-infrared spectroscopy. Philosophical Transactions of the Royal Society B: Biological Sciences. 352 (1354), 649-659 (1997).
- Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3, 010401 (2016).
- Alexandre, F., Heraud, N., Oliver, N., Varray, A. Cortical implication in lower voluntary muscle force production in non-hypoxemic COPD patients. PLoS One. 9 (6), 100961 (2014).
- Yoon, T., Vanden Noven, M. L., Nielson, K. A., Hunter, S. K. Brain areas associated with force steadiness and intensity during isometric ankle dorsiflexion in men and women. Experimental Brain Research. 232 (10), 3133-3145 (2014).
- Ciccarelli, O., et al. Identifying brain regions for integrative sensorimotor processing with ankle movements. Experimental Brain Research. 166 (1), 31-42 (2005).
- Udina, C., et al. Functional near-infrared spectroscopy to study cerebral hemodynamics in older adults during cognitive and motor tasks: A review. Frontiers in Aging Neuroscience. 11, 367 (2020).
- Thickbroom, G. W., Phillips, B. A., Morris, I., Byrnes, M. L., Mastaglia, F. L. Isometric force-related activity in sensorimotor cortex measured with functional MRI. Experimental Brain Research. 121 (1), 59-64 (1998).
- Derosière, G., Alexandre, F., Bourdillon, N., Mandrick, K., Ward, T. E., Perrey, S. Similar scaling of contralateral and ipsilateral cortical responses during graded unimanual force generation. NeuroImage. 85 (1), 471-477 (2014).
- Shi, P., Li, A., Yu, H. Response of the cerebral cortex to resistance and non-resistance exercise under different trajectories: A functional near-infrared spectroscopy study. Frontiers in Neuroscience. 15, 685920 (2021).
- Dettmers, C., et al. Relation between cerebral activity and force in the motor areas of the human brain. Journal of Neurophysiology. 74 (2), 802-815 (1995).
- Keisker, B., Hepp-Reymond, M. C., Blickenstorfer, A., Kollias, S. S. Differential representation of dynamic and static power grip force in the sensorimotor network. The European Journal of Neuroscience. 31 (8), 1483-1491 (2010).
- Harada, T., Miyai, I., Suzuki, M., Kubota, K. Gait capacity affects cortical activation patterns related to speed control in the elderly. Experimental Brain Research. 193 (3), 445-454 (2009).
- Saleh, S., et al. The role of premotor areas in dual tasking in healthy controls and persons with multiple sclerosis: An fNIRS imaging study. Frontiers in Behavioral Neuroscience. 12, 296 (2018).
- Bonnal, J., et al. Relation between cortical activation and effort during robot-mediated walking in healthy people: A functional near-infrared spectroscopy neuroimaging study (fNIRS). Sensors. 22 (15), 5542 (2022).
- Shibuya, K., Sadamoto, T., Sato, K., Moriyama, M., Iwadate, M. Quantification of delayed oxygenation in ipsilateral primary motor cortex compared with contralateral side during a unimanual dominant-hand motor task using near-infrared spectroscopy. Brain Research. 1210, 142-147 (2008).
- Dai, T. H., Liu, J. Z., Sahgal, V., Brown, R. W., Yue, G. W. Relationship between muscle output and functional MRI-measured brain activation. Experimental brain research. 140 (3), 290-300 (2001).
- Cabibel, V., Hordacre, B., Perrey, S. Implication of the ipsilateral motor network in unilateral voluntary muscle contraction: the cross-activation phenomenon. Journal of Neurophysiology. 123 (5), 2090-2098 (2020).
- Akselrod, M., Martuzzi, R., Serino, A., vander Zwaag, W., Gassert, R., Blanke, O. Anatomical and functional properties of the foot and leg representation in areas 3b, 1 and 2 of primary somatosensory cortex in humans: A 7T fMRI study. NeuroImage. 159, 473-487 (2017).
- Brigadoi, S., Cooper, R. J. How short is short? Optimum source-detector distance for short-separation channels in functional near-infrared spectroscopy. Neurophotonics. 2 (2), 025005 (2015).
- Funahashi, S. Prefrontal contribution to decision-making under free-choice conditions. Frontiers in Neuroscience. 11, 431 (2017).
- Simon, S. R., Meunier, M., Piettre, L., Berardi, A. M., Segebarth, C. M., Boussaoud, D. Spatial attention and memory versus motor preparation: premotor cortex involvement as revealed by fMRI. Journal of Neurophysiology. 88 (4), 2047-2057 (2002).
- Desmurget, M., Sirigu, A. A parietal-premotor network for movement intention and motor awareness. Trends in Cognitive Sciences. 13 (10), 411-419 (2009).
- Nachev, P., Kennard, C., Husain, M. Functional role of the supplementary and pre-supplementary motor areas. Nature reviews. Neuroscience. 9 (11), 856-869 (2008).
- Thoenissen, D., Zilles, K., Toni, I. Differential involvement of parietal and precentral regions in movement preparation and motor intention. The Journal of neuroscience: the official journal of the Society for Neuroscience. 22 (20), 9024-9034 (2002).
- Al-Quraishi, M. S., Elamvazuthi, I., Tang, T. B., Al-Qurishi, M., Adil, S. H., Ebrahim, M. Bimodal data fusion of simultaneous measurements of EEG and fNIRS during lower limb movements. Brain Sciences. 11 (6), 713 (2021).
- Bishnoi, A., Holtzer, R., Hernandez, M. E. Brain Activation Changes While Walking in Adults with and without Neurological Disease: Systematic Review and Meta-Analysis of Functional Near-Infrared Spectroscopy Studies. Brain sciences. 11 (3), 291 (2021).
- Oh, S., Song, M., Kim, J. Validating attentive locomotion training using interactive treadmill: an fNIRS study. Journal of NeuroEngineering and Rehabilitation. 15 (1), 122 (2018).
