تجربة باستخدام التحليل الطيفي الوظيفي القريب من الأشعة تحت الحمراء وحركات التأشير متعددة المفاصل بمساعدة الروبوت للطرف السفلي
Summary
تشير التقديرات إلى أن 1 من كل 6 أفراد في جميع أنحاء العالم سيصابون بسكتة دماغية في حياتهم ، مما يتسبب في إعاقة طويلة الأجل ، لا تزال آليات إعادة التأهيل غير مفهومة بشكل جيد. تقترح هذه الدراسة بروتوكولا لتقييم تنشيط الدماغ عن طريق التحليل الطيفي الوظيفي للأشعة تحت الحمراء القريبة (fNIRS) خلال جلسة العلاج الروبوتي للأطراف السفلية.
Abstract
تؤثر السكتة الدماغية على ما يقرب من 17 مليون شخص في جميع أنحاء العالم كل عام وهي سبب رئيسي للإعاقة طويلة الأجل. أظهر العلاج الروبوتي نتائج واعدة في مساعدة مرضى السكتة الدماغية على استعادة الوظائف الحركية المفقودة. أحد السبل المحتملة لزيادة فهم كيفية حدوث التعافي الحركي هو دراسة تنشيط الدماغ أثناء الحركات التي يستهدفها العلاج لدى الأفراد الأصحاء. برز التحليل الطيفي الوظيفي للأشعة تحت الحمراء القريبة (fNIRS) كتقنية تصوير عصبي واعدة لفحص الأسس العصبية للوظيفة الحركية. تهدف هذه الدراسة إلى التحقيق في الارتباطات العصبية fNIRS لحركات الأطراف السفلية المعقدة في الأشخاص الأصحاء. طلب من المشاركين أداء دورات من الراحة والحركة لمدة 6 دقائق باستخدام جهاز روبوتي لإعادة التأهيل الحركي. تطلبت المهمة حركات منسقة لمفصل الركبة والكاحل للإشارة إلى الأهداف المعروضة على شاشة الكمبيوتر. تم استكشاف حالتين تجريبيتين بمستويات مختلفة من المساعدة في الحركة التي يقدمها الروبوت. أظهرت النتائج أن بروتوكول fNIRS اكتشف بشكل فعال مناطق الدماغ المرتبطة بالتحكم الحركي أثناء المهمة. والجدير بالذكر أن جميع الأشخاص أظهروا نشاطا أكبر في المنطقة الحركية المقابلة أثناء حالة عدم المساعدة مقارنة بالحالة المساعدة. في الختام ، يبدو أن fNIRS هو نهج قيم للكشف عن التغيرات في تركيز أوكسي هيموغلوبين المرتبطة بحركات التأشير متعددة المفاصل للطرف السفلي. قد يساهم هذا البحث في فهم آليات التعافي الحركي للسكتة الدماغية وقد يمهد الطريق لتحسين علاجات إعادة التأهيل لمرضى السكتة الدماغية. ومع ذلك ، هناك حاجة إلى مزيد من البحث لتوضيح إمكانات fNIRS بشكل كامل في دراسة الوظيفة الحركية وتطبيقاتها في البيئات السريرية.
Introduction
تشير البيانات الوبائية إلى أن هناك ~ 17 مليون حالة جديدة من السكتة الدماغية في جميع أنحاء العالم كل عام ، مع زيادة في الإصابة في البلدان المنخفضة والمتوسطة الدخل1. وتشير التقديرات إلى أن عدد الحالات الجديدة سيرتفع إلى 77 مليون بحلول عام 20302. غالبا ما يؤثر الضعف الحركي الناتج عن السكتة الدماغية على حركة المريض ومشاركته في أنشطة الحياة اليومية ، مما يساهم في انخفاض نوعية الحياة. تشمل إعادة التأهيل الحركي التقليدي العلاج اليدوي ، ولكن على مدى العقود القليلة الماضية ، تم تطوير أنظمة روبوتية لإعادة التأهيل. يمكن لهذه الأنظمة تقديم العلاج بكثافة عالية ، وجرعة ، وقابلية للقياس الكمي ، وموثوقية ، وتكرار ، ومرونة3 وقد أظهرت إمكانات كعلاجات إعادة تأهيل فعالة لكل من مرضى السكتة الدماغية الحادة والمزمنة4،5،6. بالإضافة إلى تقديم العلاج ، يمكن استخدام الأنظمة الروبوتية لإعادة التأهيل كأدوات تقييم حيث يمكن تجهيزها بأجهزة استشعار يمكنها قياس البيانات الحركية / الحركية لحركة المريض 7,8. بالنسبة لإعادة التأهيل الحركي للطرف العلوي ، لم تثبت هذه البيانات أنها مفيدة فقط لتقييم مستوى التعافي الحركي للمريض الذي أثاره العلاج الروبوتي وكانت بمثابة أداة تكميلية للتقييمات السريرية التقليدية 9,10 ، ولكنها ساهمت أيضا في تعزيز فهم عملية التعافي الحركي من السكتة الدماغية11 ، 12 وكذلك التحكم العصبي في الحركة والتعلم الحركي في المواد الصحية3،13،14. ونتيجة لذلك، وفرت هذه النتائج أساسا لتعزيز علاجات إعادةالتأهيل15.
على مدى العقدين الماضيين ، تم اقتراح العديد من الأجهزة الروبوتية لإعادة التأهيل العصبي للأطراف السفلية ، والتي تمتد من الهياكل الخارجية التي تدعم وزن جسم المريض أثناء المشي (على سبيل المثال ، فوق جهاز المشي ، مثل Lokomat16) إلى الأنظمة الروبوتية الثابتة التي تسمح للمريض بممارسة الكاحل أو الركبة أو القدم دون المشي (مثل Rutgers Ankle17 ، روبوت إعادة تأهيل الكاحل عالي الأداء18 ، وروبوت إعادة تأهيل الكاحل / القدم التابع لمعهد غوانغجو للعلوم والتكنولوجيا (GIST)19) أو أجهزة تقويم القدم النشطة التي يتم تشغيلها على الهياكل الخارجية التي يرتديها المريض للمشي فوق الأرض أو فوق جهاز المشي (مثل Powered Gait Orthosis20 و MIT Anklebot21). انظر22،23،4 للحصول على مراجعة حول الروبوتات لإعادة تأهيل الأطراف السفلية.
كانت نتائج الدراسات السريرية للأجهزة الروبوتية لإعادة تأهيل الأطراف السفلية على مرضى السكتة الدماغية مشجعة وأظهرت أن هذه الأنظمة قد تحسن نطاق حركة المفاصل (ROM) أو قوة العضلات أو المشي ، اعتمادا على الجهاز المحدد والبروتوكول السريري (انظر 24،25 لمراجعة فعالية روبوتات الأطراف السفلية لإعادة التأهيل). في حين تم افتراض أن العلاج بمساعدة الروبوت يعزز التغيرات العصبية ، والتي تؤدي في النهاية إلى تحسين القدرات الحركية26 ، كيف تحدث عملية التعافي الحركي من السكتة الدماغية بالضبط وأي بروتوكولات التدريب الروبوتية تعمل على تحسين عملية استعادة القدرات الحركية للأطراف السفلية ، لا تزال غير واضحة في الغالب. في الواقع ، هناك تفاوت كبير ومتزايد بين التطور المتزايد لروبوتات إعادة التأهيل (إما من قبل الباحثين الأكاديميين أو الكيانات التجارية) والفهم المحدود للآليات الفسيولوجية العصبية التي تكمن وراء التعافي الحركي4. ساهمت قياسات حركية الحركة أو عزم دوران المفاصل المأخوذة باستخدام أجهزة استشعار مدمجة في الوصف الكمي للتغيرات السلوكية الحركية التي تحدث عندما يستعيد المرضى القدرات الحركية للأطراف السفلية27،28،29 ، مما يسد هذه الفجوة جزئيا. ومع ذلك ، فإن الارتباطات العصبية الكامنة وراء هذه التغييرات كانت أقل تحقيقا. هذا يرجع إلى عدة أسباب.
يستغرق التصوير الوظيفي للدماغ وقتا طويلا ويصعب إكماله في بعض الأحيان في سياق التجارب السريرية ، والتي تتطلب غالبا إبقاء عبء المريض في حده الأدنى لزيادة احتمالية التزام المريض بالدراسة. هذا ينطبق بشكل خاص على الأفراد الذين عانوا من سكتة دماغية ، بالنظر إلى حقيقة أن التعب بعد السكتة الدماغية وضعف العضلات كثيرا ما يلاحظ30. أيضا ، تتطلب طرق التصوير التي تعتمد على المجالات المغناطيسية ، مثل التصوير بالرنين المغناطيسي الوظيفي (fMRI) ، أن تكون كل من أجهزة المريض والروبوتية آمنة للمغناطيس.
من بين طرق التصوير غير الغازية ، يعد التحليل الطيفي الوظيفي للأشعة تحت الحمراء القريبة (fNIRS) تقنية تصوير مناسبة بشكل خاص لتقييم مناطق تنشيط الدماغ في الأشخاص الذين يخضعون للعلاج الروبوتي. على غرار التصوير بالرنين المغناطيسي الوظيفي ، يقيس fNIRS أكسجة الدم / إزالة الأكسجين في الدماغ. ومع ذلك ، على عكس التصوير بالرنين المغناطيسي الوظيفي ، فإن fNIRS متوافق تماما مع الأجهزة الروبوتية ، وغالبا ما يكون محمولا ، حتى أنه يمكن استخدامه بجانب السرير. أيضا ، fNIRS لديه تكلفة منخفضة وحساسية أقل للقطع الأثرية المتحركة31،32،33.
على الرغم من مزاياه الواضحة واستخدامه على نطاق واسع في العديد من الإعدادات السريرية منذ تقديمه لأول مرة في أواخر 70s34 ، إلا أن عددا قليلا من الدراسات استخدم fNIRS لتحديد تنشيط الدماغ المرتبط بحركات الأطراف السفلية واستعادة حركة السكتة الدماغية. دراسات FNIRS التي تهدف إلى توضيح آليات التحكم العصبي في الحركة و / أو الآليات أو تقييم التعافي الحركي من السكتة الدماغية قد بحثت في الغالب في حركات المفصل الواحد (على سبيل المثال ، الانثناء الظهري أو الانثناء الأخمصي أو حركات تمديد الركبة35،36،37) ، المشي38،39،40،41،42،43 ، أو ركوب الدراجات44. انظر45 للمراجعة. وبالمثل ، ركزت دراسات fNIRS حول العلاج بمساعدة الروبوت للطرف السفلي في الغالب على إعادة تأهيل المشي بمساعدة الروبوت. انظر46 للمراجعة. ركزت بعض الدراسات على استخدام fNIRS كجزء من نظام واجهة الدماغ الحاسوبية (BCI) لاشتقاق إشارات التحكم للأجهزة الروبوتية47,48 ؛ بينما يعتمد هذا المجال البحثي أيضا على معالجة إشارات fNIRS ، فإن هدفه مختلف ويركز بشكل أساسي على فك تشفير نوايا المريض (على سبيل المثال ، المرضى الذين يعانون من إعاقات حركية شديدة).
الدراسة التجريبية المقدمة هنا هي جزء من جهد أولي للتحقيق في آثار نظام روبوتي لإعادة تأهيل الأطراف السفلية. يمكن للروبوت تقديم إعادة تأهيل الأطراف السفلية الموجهة نحو الهدف والتي تتضمن التدريب على الحركات اليومية متعددة المفاصل بالإضافة إلى تقديم العلاج للمفاصل المفردة (على سبيل المثال ، الركبة أو الكاحل) من الطرف السفلي (أي تنفيذ برنامج إعادة التأهيل من أسفل إلى أعلى).
هدفت الدراسة إلى التحقيق في جدوى بروتوكول تجريبي يتطلب الحصول على بيانات fNIRS أثناء أداء الطرف السفلي ، حركات التأشير متعددة المفاصل. مدة فترة الحصول على البيانات في هذه الدراسة ، والتي اقتصرت على 6 دقائق ، أقصر من بروتوكولات fNIRS النموذجية. كان هذا اختيارا متعمدا تم اتخاذه بهدف تعزيز التطبيق العملي والتطبيق السريري لهذا البحث ، لا سيما في المرضى الذين يعانون من محدودية الحركة أو القوة. كان تحديد ارتباطات fNIRS لمثل هذه الحركات المعقدة متعددة المفاصل واكتساب نظرة ثاقبة حول كيفية تعديل تنشيط الدماغ بمساعدة الروبوت من النقاط المثيرة للاهتمام أيضا. لهذا الغرض ، أجريت جلستان من التجارب مع نفس المشاركين: واحدة بدون مساعدة الروبوت والأخرى بمساعدة الروبوت. أخيرا ، من المهم ملاحظة أن هذه الدراسة ركزت على الموضوعات الصحية من أجل إنشاء أساس للبحث المستقبلي من حيث تسجيل جدوى البروتوكول وتقييم تنشيط الدماغ أثناء الحركات التي يستهدفها العلاج الروبوتي.
جهاز
تم استخدام روبوت محمول مصمم لتقديم إعادة تأهيل الأطراف السفلية (انظر الشكل 1) لإجراء تجاربنا. يحتوي الروبوت على مساحة عمل ثلاثية الأبعاد يمكن الوصول إليها وهو مضغوط وخفيف الوزن ، ويزن حوالي 35 رطلا ، مما يجعله سهل النقل والتركيب.
الشكل 1: الإعداد التجريبي. أ: النظام الروبوتي (المثبت على الأرض) المصمم للطرف السفلي. يظهر متطوع يستخدم الواجهة بقدمه اليمنى. (ب) هيكل دعم لقدم الشخص يتيح التعلق بالنظام الروبوتي. (ج) لقطة شاشة للعبة النزهة. الهدف من اللعبة هو تحريك القدم (الحذاء الأخضر والأبيض) إلى الهدف (الدائرة الصفراء). يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
تم تصميم النظام الروبوتي لمساعدة المريض في أداء حركات الأطراف السفلية المشابهة لتلك التي يتم إجراؤها في المهام اليومية ، مثل الإشارة أو الركل. يستخدم ألعاب الواقع الافتراضي التفاعلية ، والتي يتم عرضها على شاشة الكمبيوتر أو شاشة التلفزيون الموضوعة أمام الجهاز الآلي (انظر الشكل 1). يتم توصيل المستجيب ذو الطرف النهي الآلي بالطرف السفلي للمريض (على سبيل المثال ، الكاحل) ، ويتم تعيين موضعه إلى موضع المؤشر على الشاشة. تظهر اللعبة النموذجية أهداف حركة المريض (على سبيل المثال ، الكائن الذي يجب الإشارة إليه أو مكان ركل الكرة).
لإكمال مهمة الحركة ، قد يساعد الروبوت المريض بمستوى من المساعدة يمكن أن يتراوح من المساعدة الكاملة إلى لا شيء. يتم اختيار مستوى المساعدة الروبوتية في بداية كل جلسة إعادة تأهيل بناء على مستوى ضعف الحركة لدى المريض. يتم استخدام الحركات التي يؤديها الموضوع بواسطة اللعبة لتسجيل أداء المريض وتزويده بتعليقات حول أدائه (على سبيل المثال ، ROM وعدد الحركات ومستوى المساعدة الروبوتية). تم تصميم الألعاب لتكون تفاعلية ومسلية للحفاظ على اهتمام المريض واهتمامه. في هذه الدراسة ، لعب المشاركون “لعبة النزهة” ، حيث كان على اللاعب منع الحشرات من الوصول إلى المنشفة وسرقة الطعام (انظر الشكل 1 ، اللوحة السفلية ، للحصول على لقطة شاشة).
تم إجراء الحصول على البيانات باستخدام نظام الحصول على fNIRS المحمول مع اثنين من البصريات الموجة المستمرة المختلفة (760 نانومتر و 850 نانومتر) ، و 8 مصادر LED مزدوجة الطرف ، و 8 كاشفات نشطة مزدوجة الطرف. تم الحصول على الإشارات باستخدام معدل أخذ عينات قدره 10.17 هرتز. تم استخدام كمبيوتر محمول لتحسين المعايرة وتسجيل الإشارات باستخدام شبكة Wi-Fi التي أنشأها نظام fNIRS.
تم استخدام غطاء لتثبيت البصريات في المواقع المحددة مسبقا. تم وضع المصادر وأجهزة الكشف وفقا لنظام EEG الدولي 10-10 في توزيع مكاني للشبكة. تم تحديد كل قناة fNIRS بواسطة زوج من كاشف المصدر بمسافات بين البصريات تبلغ حوالي 30 مم. وضعت البصريات فوق مناطق المحرك التكميلي، والمحرك الأولي، والمناطق الحركية في المواقع الموضحة في الشكل 2. بلغ العدد الإجمالي للقنوات 28 قناة ، حيث كانت 8 قنوات قصيرة المدى مقترنة بكل مصدر باستخدام محول ألياف بصرية إلى كاشف واحد. نظرا لإعداد تعدد الإرسال للأجهزة ، من الممكن الحصول على معلومات قصيرة المسافة من جميع المصادر باستخدام كاشف واحد فقط.
الشكل 2: تخطيط المونتاج باستخدام نظام 10-10 EEG. تشير الأحرف والأرقام إلى مواقع المصدر / الكاشف. تمثل النقطتان الحمراء والزرقاء بصريات المصدر والكاشف ، على التوالي. تمثل الخطوط الخضراء قنوات fNIRS التي تتكون من أزواج المصدر والكاشف. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
التصميم التجريبي
أجريت التجربة في ظل شرطين تجريبيين متميزين ، يختلفان في مستوى المساعدة التي يقدمها الروبوت لحركات الموضوع. في الحالة الأولى ، تمت برمجة الروبوت بحيث لا يقدم أي مساعدة لحركات الشخص ، بينما في الحالة الثانية ، يتحكم الروبوت في حركات قدم وساق الشخص (الحركة بمساعدة الروبوت).
اتبعت كل تجربة نموذج تصميم كتلة يتضمن دورات متناوبة لمهمة حركية (لعب اللعبة – 30 ثانية) والراحة (30 ثانية) ، كما هو موضح في الشكل 3. تم الإشارة بصريا إلى بداية ونهاية كل مرحلة (اللعب / اللعبة أو الراحة) للموضوع من خلال شاشة الكمبيوتر. خلال مرحلة الراحة ، تم عرض رسالة تشير إلى توقف مؤقت. كانت مدة كل دورة (لعب / لعبة + راحة) 60 ثانية وتكررت ست مرات ، مما أدى إلى وقت تشغيل إجمالي يبلغ 360 ثانية (6 دقائق).
لعب المشاركون “لعبة النزهة” ، حيث كان الهدف هو منع الحشرات من الوصول إلى المنشفة وسرقة الطعام. تضمنت هذه اللعبة سلسلة من حركات الأطراف السفلية ، بدءا من هدف منزلي معين (الموضع الأولي) وتمتد نحو أحد الأهداف الخارجية الثلاثة قبل العودة إلى الهدف الرئيسي. على الشاشة ، تم تمثيل الأهداف الخارجية بصريا كحشرات متحركة متحركة ، والتي كان على المشاركين الوصول إليها والتقدم إليها. كانت هناك ثلاثة أهداف خارجية ، تم تقديم كل منها بشكل عشوائي لعدد متساو من المرات ، إلى جانب هدف منزلي مشترك لكل حركة. شكلت المسافة التي تحتاجها القدم للانتقال من الهدف الرئيسي إلى موضع الأهداف الخارجية قوسا يبلغ قياسه 26 سم تقريبا. تتطلب المهمة الحركية تنفيذ حركات متعددة المفاصل ، مما يتطلب التنسيق بين ثني / تمديد الركبة ، والانثناء الأخمصي ، وحركات الانثناء الظهري.
تمت مزامنة تسجيلات بيانات fNIRS مع المحفزات البصرية التي تقدمها اللعبة للموضوع من خلال نبض منطق الترانزستور الترانزستور (TTL) الناتج عن الروبوت. تم توليد البقول في بداية كل مرحلة (اللعب / اللعبة والراحة). وهكذا ، تم تنفيذ جميع عمليات التحكم في التوقيت بواسطة اللعبة ، والتي قدمت إشارات بصرية (أهداف) للمشارك لبدء كل حركة ، وأرسلت إشارات TTL إلى نظام fNIRS لتحديد تسجيلات نشاط الدماغ ، وإذا اقتضت التجربة ذلك ، أرسلت إشارات إلى نظام التحكم في الروبوت لبدء مساعدة الحركة.
Protocol
Representative Results
Discussion
في دراسة إثبات المفهوم هذه ، تم التحقيق في جدوى إجراء استنتاجات حول رسم خرائط تنشيط الدماغ باستخدام بيانات fNIRS من الأشخاص الأصحاء أثناء ممارسة أنواع مختلفة من الحركات باستخدام روبوت لإعادة تأهيل الأطراف السفلية. جلسات تسجيل fNIRS النموذجية للبالغين أطول من 6 دقائقو 54. ومع ذلك ، ?…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
آراء وفرضيات واستنتاجات وتوصيات هذه الدراسة هي آراء المؤلفين ولا تمثل بالضرورة آراء وكالة التمويل. JRS ممتنة لمؤسسة أبحاث ساو باولو (FAPESP ، أرقام المنح 2021 / 05332-8 ، 2018 / 04654-9 ، 2018/21934-5 و 2023 / 02538-0) وجاكسون سيونيك للدعم التكنولوجي. AMM و Vivax Ltda ممتنان ل FAPESP (مؤسسة أبحاث ساو باولو) و FINEP (وكالة الابتكار البرازيلية). تم تمويل هذا المشروع بمنح من FAPESP (رقم المنحة 2018/09559-4) و FINEP (رقم المنحة 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. |
Referencias
- 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).
