Waiting
Elaborazione accesso...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Ett experiment med funktionell nära-infraröd spektroskopi och robotassisterade flerledspekande rörelser i nedre extremiteten

Published: June 7, 2024 doi: 10.3791/66004
Automatic Translation
1, 2, 2, 2, *3, *4
1Center of Mathematics, Computing and Cognition, Universidade Federal do ABC, 2Department of the Physical Therapy, Federal University of Sao Carlos, 3Vivax Ltda, 4Highland Instruments
* These authors contributed equally

Summary

Det uppskattas att 1 av 6 individer i världen kommer att få en stroke under sin livstid, vilket orsakar långvarig funktionsnedsättning, vars rehabiliteringsmekanismer fortfarande är dåligt förstådda. Denna studie föreslår ett protokoll för att utvärdera hjärnaktivering genom funktionell nära-infraröd spektroskopi (fNIRS) under en robotterapisession i nedre extremiteter.

Abstract

Stroke drabbar cirka 17 miljoner individer världen över varje år och är en ledande orsak till långvarig funktionsnedsättning. Robotterapi har visat sig lovande när det gäller att hjälpa strokepatienter att återfå förlorade motoriska funktioner. En möjlig väg för att öka förståelsen för hur motorisk återhämtning sker är att studera hjärnans aktivering under de rörelser som terapin riktar in sig på hos friska individer. Funktionell nära-infraröd spektroskopi (fNIRS) har dykt upp som en lovande hjärnavbildningsteknik för att undersöka neurala underlag för motorisk funktion. Denna studie syftade till att undersöka fNIRS neurala korrelat av komplexa rörelser i nedre extremiteterna hos friska försökspersoner. Deltagarna ombads att utföra cykler av vila och rörelse i 6 minuter med hjälp av en robotanordning för motorisk rehabilitering. Uppgiften krävde koordinerade knä- och fotledsrörelser för att peka mot mål som visades på en datorskärm. Två experimentella betingelser med olika nivåer av rörelsehjälp från roboten undersöktes. Resultaten visade att fNIRS-protokollet effektivt detekterade hjärnregioner associerade med motorisk kontroll under uppgiften. Noterbart är att alla försökspersoner uppvisade större aktivering i det kontralaterala premotoriska området under tillståndet utan assistans jämfört med det assisterade tillståndet. Sammanfattningsvis verkar fNIRS vara ett värdefullt tillvägagångssätt för att upptäcka förändringar i oxihemoglobinkoncentrationen i samband med pekrörelser i flera leder i nedre extremiteten. Denna forskning kan bidra till förståelsen av strokemotoriska återhämtningsmekanismer och kan bana väg för förbättrade rehabiliteringsbehandlingar för strokepatienter. Ytterligare forskning behövs dock för att fullt ut belysa potentialen för fNIRS för att studera motorisk funktion och dess tillämpningar i kliniska miljöer.

Introduction

Epidemiologiska data visar att det över hela världen finns ~17 miljoner nya fall av stroke varje år, med en ökning av incidensen i låg- och medelinkomstländer1. Antalet nya fall beräknas öka till 77 miljoner år 20302. Motorisk nedsättning på grund av stroke påverkar ofta patientens rörlighet och delaktighet i dagliga aktiviteter, vilket bidrar till en låg livskvalitet. Traditionell motorisk rehabilitering inkluderar manuell terapi, men under de senaste decennierna har robotsystem för rehabilitering utvecklats. Dessa system kan leverera behandling med hög intensitet, dos, kvantifierbarhet, tillförlitlighet, repeterbarhet och flexibilitet3 och har visat potential som effektiva rehabiliteringsbehandlingar för både akuta och kroniska strokepatienter 4,5,6. Förutom att ge terapi kan robotsystem för rehabilitering användas som utvärderingsverktyg eftersom de kan utrustas med sensorer som kan mäta patientens rörelsekinematiska / kinetiska data 7,8. För motorisk rehabilitering i övre extremiteterna har sådana data inte bara visat sig vara användbara för att bedöma nivån på patientens motoriska återhämtning som framkallas av robotterapi och fungerat som ett kompletterande verktyg till traditionella kliniska bedömningar 9,10, utan de har också bidragit till att öka förståelsen för processen för motorisk återhämtning från stroke11, 12 samt neural kontroll av rörelse och motorisk inlärning hos friska försökspersoner 3,13,14. Som ett resultat av detta har dessa fynd gett en grund för att förbättra rehabiliteringsbehandlingarna15.

Under de senaste två decennierna har många robotenheter för neurorehabilitering av nedre extremiteter föreslagits, allt från exoskelett som stöder patientens kroppsvikt under gång (t.ex. över ett löpband, som Lokomat16) till stationära robotsystem som gör det möjligt för patienten att träna fotleden, knäet eller foten utan att gå (t.ex. Rutgers Ankle17, High-Performance Ankle Rehabilitation Robot18 och Gwangju Institute of Science and Technology (GIST) fotleds-/fotrehabiliteringsrobot19) eller aktiva fotortoser som aktiveras exoskelett som bärs av patienten för att gå över marken eller över ett löpband (t.ex. Powered Gait Orthosis20 och MIT Anklebot21). Se 22,23,4 för en genomgång av robotar för rehabilitering av nedre extremiteter.

Resultaten av kliniska studier av robotutrustning för rehabilitering av nedre extremiteter på strokepatienter har varit uppmuntrande och har visat att dessa system kan förbättra ledernas rörelseomfång (ROM), muskelstyrka eller gång, beroende på den specifika enheten och det kliniska protokollet (se 24,25 för en granskning av effektiviteten hos robotar för nedre extremiteter för rehabilitering). Även om det har antagits att robotassisterad terapi främjar neuroplastiska förändringar, som i slutändan resulterar i förbättrade motoriska förmågor26, är det fortfarande mestadels oklart hur processen för motorisk återhämtning från stroke exakt sker och vilka robotträningsprotokoll som optimerar processen för återhämtning av motoriska förmågor i nedre extremiteterna. Faktum är att det finns en betydande, växande skillnad mellan den ökande utvecklingen av rehabiliteringsrobotar (antingen av akademiska forskare eller kommersiella enheter) och den begränsade förståelsen av de neurofysiologiska mekanismer som ligger till grund för motorisk återhämtning4. Mätningar av rörelsekinematik eller ledmoment tagna med inbyggda sensorer har bidragit till att kvantitativt beskriva motoriska beteendeförändringar som uppstår när patienter återfår motoriska förmågori nedre extremiteterna 27,28,29, vilket delvis fyller denna lucka. De neurala korrelat som ligger till grund för sådana förändringar har dock undersökts mindre. Detta beror på flera anledningar.

Funktionell avbildning av hjärnan är tidskrävande och ibland svår att genomföra i samband med kliniska prövningar, som ofta kräver att patientbördan minimeras för att maximera sannolikheten för att patienten följer studien. Detta gäller särskilt för personer som har drabbats av stroke, med tanke på att trötthet och muskelsvaghet efter stroke ofta observeras30. Avbildningsmodaliteter som är baserade på magnetfält, såsom funktionell magnetisk resonanstomografi (fMRI), kräver också att både patient- och robothårdvara är magnetsäker.

Bland icke-invasiva avbildningsmodaliteter är funktionell nära-infraröd spektroskopi (fNIRS) en avbildningsteknik som är särskilt lämplig för att bedöma områden för hjärnaktivering hos personer som genomgår robotterapi. På samma sätt som fMRI mäter fNIRS blodets syresättning/deoxygenering i hjärnan. Men till skillnad från fMRI är fNIRS helt kompatibel med robothårdvara, och den är ofta bärbar, till och med användbar vid sängen. Dessutom har fNIRS låg kostnad och mindre känslighet för rörelseartefakter 31,32,33.

Trots dess tydliga fördelar och utbredda användning i många kliniska miljöer sedan dess första introduktion i slutet av 70-talet34, har endast ett fåtal studier använt fNIRS för att kvantifiera hjärnaktivering i samband med rörelser i nedre extremiteter och strokemotorisk återhämtning. FNIRS-studier som syftar till att belysa mekanismer för neural kontroll av rörelse och/eller mekanismer eller utvärdering av motorisk återhämtning från stroke har främst undersökt rörelser i en led (t.ex. dorsalflexion, plantarflexion eller knäextensionsrörelser 35,36,37), gång 38,39,40,41,42,43 eller cykling 44. Se45 för en recension. På samma sätt har fNIRS-studier om robotassisterad terapi för de nedre extremiteterna främst fokuserat på robotassisterad gångrehabilitering; Se46 för en recension. Några studier har fokuserat på att använda fNIRS som en del av ett Brain-Computer Interface (BCI) -system för att härleda styrsignaler för robotenheter47,48; även om detta forskningsområde också är beroende av bearbetning av fNIRS-signaler, är dess mål annorlunda och främst inriktat på att avkoda patientens avsikter (t.ex. patienter med svåra motoriska funktionsnedsättningar).

Pilotstudien som presenteras här är en del av ett första försök att undersöka effekterna av ett robotsystem för rehabilitering av nedre extremiteter. Roboten kan leverera målinriktad rehabilitering av nedre extremiteter som involverar träning i vardagliga flerledsrörelser samt ge terapi till enskilda leder (t.ex. knä eller fotled) i nedre extremiteten (dvs. implementera ett rehabiliteringsprogram nedifrån och upp).

Studien syftade till att undersöka genomförbarheten av ett experimentellt protokoll som krävde insamling av fNIRS-data under utförandet av pekrörelser i nedre extremiteter och flera leder. Varaktigheten av datainsamlingsperioden i denna studie, som var begränsad till 6 minuter, är kortare än typiska fNIRS-protokoll. Detta var ett medvetet val som gjordes i syfte att förbättra den praktiska och kliniska tillämpbarheten av denna forskning, särskilt hos patienter med begränsad rörlighet eller styrka. Att identifiera fNIRS-korrelat till sådana komplexa rörelser i flera leder och få insikter i hur hjärnaktivering moduleras av robotassistans var också intressanta punkter. För detta ändamål genomfördes två experimentsessioner med samma deltagare: en utan robotassistans och en med robotassistans. Slutligen är det viktigt att påpeka att denna studie fokuserade på friska försökspersoner för att skapa en grund för framtida forskning när det gäller att registrera protokollgenomförbarhet och utvärdering av hjärnaktivering under rörelser som är inriktade på robotterapi.

Apparat
En bärbar robot som är utformad för att ge rehabilitering av nedre extremiteter (se figur 1) användes för att utföra våra experiment. Roboten har en 3D-nåbar arbetsyta och är kompakt och lätt, väger cirka 35 lb., vilket gör den enkel att transportera och installera.

Figure 1
Figur 1: Experimentell uppställning. (A) Robotsystemet (installerat på golvet) som är utformat för den nedre extremiteten. En volontär visas använda gränssnittet med sin högra fot. (B) Stödstruktur för försökspersonens fot som möjliggör fastsättning på robotsystemet. (C) En skärmdump av Picnic-spelet. Målet med spelet är att flytta foten (grön och vit sko) till målet (gul cirkel). Klicka här för att se en större version av denna figur.

Robotsystemet är utformat för att hjälpa en patient att utföra rörelser i nedre extremiteter som liknar de som utförs i vardagliga uppgifter, som att peka eller sparka. Den använder interaktiva virtual reality-spel, som visas på en datorskärm eller en tv-skärm placerad framför robotenheten (se figur 1). Robotgripdonet fästs på patientens nedre extremitet (t.ex. fotleden) och dess position mappas till positionen för en markör på skärmen. Ett typiskt spel visar patientens rörelsemål (t.ex. föremålet att peka på eller var man ska sparka bollen).

För att slutföra rörelseuppgiften kan roboten hjälpa patienten med en assistansnivå som kan variera från full assistans till ingen. Nivån på robotassistansen väljs i början av varje rehabiliteringssession baserat på patientens nivå av motorisk funktionsnedsättning. Rörelserna som utförs av försökspersonen används av spelet för att poängsätta patientens prestation och ge dem feedback om deras prestation (t.ex. ROM, antal rörelser och nivå av robotassistans). Spelen är utformade för att vara interaktiva och underhållande för att upprätthålla patientens intresse och uppmärksamhet. I den här studien spelade deltagarna "Picknick-spelet", där spelaren var tvungen att stoppa insekterna från att nå handduken och stjäla maten (se figur 1, nedre panelen, för en skärmdump).

Datainsamlingen utfördes med ett portabelt fNIRS-insamlingssystem med två olika kontinuerliga vågopatoder (760 nm och 850 nm), 8 dual-tip LED-källor och 8 dual-tip aktiva detektorer. Signalerna samlades in med en samplingsfrekvens på 10,17 Hz. En bärbar dator användes för kalibreringsoptimering och signalregistrering med hjälp av ett Wi-Fi-nätverk skapat av fNIRS-systemet.

En mössa användes för att hålla optoderna på de förutbestämda platserna. Källorna och detektorerna placerades enligt det internationella EEG-systemet 10-10 i en rutnätsfördelning. Varje fNIRS-kanal definierades av ett källdetektorpar med interoptodavstånd på cirka 30 mm. Optoderna placerades över de kompletterande motor-, förmotor- och motorområdena på de platser som visas i figur 2. Det totala antalet kanaler var 28, varav 8 var kortdistanskanaler som kopplades till varje källa med hjälp av en fiberoptisk adapter till en enda detektor. Med tanke på hårdvarans multiplexeringsinställning är det möjligt att samla in information på korta avstånd från alla källor med endast en detektor.

Figure 2
Figur 2: Montagelayout med 10-10 EEG-systemet. Bokstäverna och siffrorna anger källans/detektorns placering. De röda och blå prickarna representerar käll- respektive detektoroptoderna. De gröna linjerna representerar fNIRS-kanalerna som består av käll- och detektorpar. Klicka här för att se en större version av denna figur.

Experimentell design
Experimentet utfördes under två distinkta experimentella förhållanden, som skilde sig åt i nivån av assistans från roboten för försökspersonens rörelser. I det första tillståndet var roboten programmerad att inte ge någon hjälp till försökspersonens rörelser, medan roboten i det andra tillståndet styrde försökspersonens fot- och benrörelser (robotassisterad rörelse).

Varje experiment följde ett paradigm för blockdesign som involverade alternerande cykler av en motorisk uppgift (spela spelet - 30 s) och vila (30 s), vilket illustreras i figur 3. Början och slutet av varje fas (lek/spel eller vila) signalerades visuellt till försökspersonen via datorskärmen. Under vilofasen visades ett meddelande som indikerade en paus. Varje cykel (spel/spel + vila) hade en varaktighet på 60 s och upprepades sex gånger, vilket resulterade i en total körtid på 360 s (6 min).

Deltagarna lekte "Picknickleken", där målet var att hindra insekter från att nå handduken och stjäla mat. Detta spel involverade en sekvens av rörelser i de nedre extremiteterna, som började från ett utsett hemmål (initial position) och sträckte sig mot ett av tre yttre mål innan de återvände till hemmålet. På skärmen representerades de yttre målen visuellt som animerade rörliga insekter, som deltagarna var tvungna att nå och kliva på. Det fanns tre mål som sträckte sig utåt, var och en slumpmässigt presenterad lika många gånger, tillsammans med ett gemensamt hemmål för varje rörelse. Avståndet som foten behövde för att färdas från hemmålet till de yttre målens position bildade en båge, ungefär 26 cm. Den motoriska uppgiften krävde utförande av flerledsrörelser, vilket krävde koordination mellan knäböjning/sträckning, plantarflexion och dorsalflexionsrörelser.

fNIRS-datainspelningarna synkroniserades med de visuella stimuli som spelet presenterade för försökspersonen genom en transistor-transistor-logisk (TTL) puls som genererades av roboten. Pulser genererades i början av varje fas (lek/spel och vila). Således utfördes all tidskontroll av spelet, som gav visuella signaler (mål) till deltagaren för att starta varje rörelse, skickade TTL-signaler till fNIRS-systemet för att markera hjärnaktivitetsregistreringarna och, om experimentet krävde det, skickade signaler till robotens styrsystem för att initiera rörelsehjälp.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Studien har godkänts av UNICEP:s (Centro Universitario Paulista) lokala etikprövningsnämnd. Alla deltagare gav informerat samtycke i enlighet med alla institutionella riktlinjer och federala normer för vetenskaplig forskning som involverar människor. De fick ingen ekonomisk kompensation, vilket krävs enligt brasilianska federala bestämmelser.

1. fNIRS-systemet

  1. Bered locket med hjälp av 16 optoder: 8 ljuskällor (760 nm och 850 nm) och 8 ljusdetektorer (se figur 2; placering av källor: FC1, FC2, C3, Cz, C4, CP1, CP2 och Pz; placering av detektorer (FCz, C1, C2, CPz, P1 och P3). Fäst den åttonde detektorn på kortdistansadaptern, som är ansluten till var och en av källoptoderna.
  2. Öppna programvaran fNIRS och ladda montaget med placeringen av varje optod.
  3. Ställ in fNIRS-signalens temporala samplingsfrekvens till 10.17 Hz.

2. Medverkande

  1. Förklara kortfattat forskningsrelevansen och det experimentella protokollet för deltagaren.
  2. Om deltagaren går med på att arbeta som volontär, se till att volontären ger informerat samtycke i enlighet med alla institutionella riktlinjer och federala normer för vetenskaplig forskning som involverar människor.
  3. Instruera volontären att sitta i en fåtölj framför roboten, placerad cirka 150 cm från datorskärmen.
  4. Efter att ha tagit bort skorna, fäst bekvämt deltagarens fot på robotarmen med kardborreband (kardborreband) (se figur 1, övre vänstra panelen).
  5. Placera fNIRS-kepsen med optoderna i deltagarens huvud och fäst den säkert med kardborrefästet under hakan.
  6. Placera överlocket på optodlocket för att minska störningarna från omgivande ljus.

3. Datainsamling

  1. Instruera varje deltagare att inte göra plötsliga huvudrörelser för att minimera risken för rörelseartefakter.
  2. Kalibrera fNIRS-systemet för optimal signalkvalitet.
  3. Intyga att alla kanaler är av god kvalitet, vilket framgår av gränssnittet. Om inte, försök att ta bort håret mellan hårbotten och optodspetsen.
  4. Förklara för deltagaren hur man spelar spelet genom att flytta foten som är fäst vid roboten för att nå de mål som anges på skärmen.
  5. Förklara för deltagarna att det kommer att finnas två villkor: utan och med robotassistans.

4. Robotsystem

  1. Slå på systemet genom att ansluta monitorn och roboten till den elektriska nätverkskällan. När operativsystemet har initierats visas det första spelgränssnittet.
  2. Placera robotarmen på standardplatsen och vänta på att få robotarmen korrekt placerad feedback.
  3. Mata in beskrivande data om deltagaren och experimentledaren i systemet för att logga in på robotspelsgränssnittet.
  4. I spelvalsgränssnittet konfigurerar du sessionstiden till 6 min med 30 s vilointervall.
  5. Välj lämpligt ben (höger eller vänster) som ska användas av deltagaren.
  6. Välj picknickspelet och klicka på Gå för att spela spelet.

5. Analys av data

  1. Konvertera råsignalerna till hemodynamiska tillstånd (oxihemoglobin (HbO) och deoxihemoglobin (HbR)) med hjälp av den modifierade Beer-Lambert-ekvationen49.
  2. Skapa individuella aktiveringskartor med hjälp av den allmänna linjära modellen (GLM) med robust uppskattning och autokorrelationsuppskattning, som påverkas mindre av rörelseartefakter50. Använd den experimentella designen (vila = 0; spel/spel = 1) invecklad av den kanoniska hemodynamiska responsfunktionen (HRF) som oberoende variabel och den observerade HbO- eller HbR-signalen som den beroende variabeln.
  3. För varje kanal extraherar du betakoefficienten (som återspeglar styrkan i aktiveringen av kanalen) under spelet/spelet jämfört med resten.
  4. Slå samman kanaler i tre intresseregioner (ROI) och beräkna medelvärdet av aktiveringskoefficienterna (GLM-betaversioner) över ROI-kanalerna. Definiera ROI enligt följande (se figur 2): (1) förmotoriskt område för vänster halvklot (kanaler [FC1-FCz, C1-FC1, C1-Cz, C3-C1]); (2) somatomotoriskt område för vänster hjärnhalva (kanaler [C3-CP1, CP1-P1, CP1-CPz, P1-Pz]); och (3) kompletterande motorområde (SMA) (kanaler [Cz-FCz, CPz-Cz]).
    OBS: Baserat på tidigare litteratur om motoriska uppgifter liknande den som undersökts här 51,52,53 och med tanke på att alla deltagare utförde den motoriska uppgiften med sitt högra ben, antogs det att de vänstra (kontralaterala) premotoriska och somatomotoriska, såväl som SMA-regionerna, skulle visa aktivering under spel-/spelprestanda under båda förhållandena, med starkare aktivering i det oassisterade tillståndet.
  5. Tillämpa det icke-parametriska Wilcoxon-testet på dessa betaversioner. Ställ in typ I-felet på 5 % (ensidig analys).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Alla sex försökspersoner fullföljde båda experimenten. I tillståndet utan assistans slutfördes i genomsnitt 76,67 försök (std. 10,73) av varje försöksperson (observera att för varje försöksperson berodde antalet försök på antalet lyckade försök eftersom ett nytt mål endast visades om det föregående uppnåddes). I assistanstillståndet, där försökspersonens rörelse fick full hjälp av roboten, genomförde alla försökspersoner 70 försök. fNIRS-data registrerades framgångsrikt från alla försökspersoner.

Figur 4 visar hjärnaktiveringskartorna för enskilda försökspersoner som jämför lek/spel kontra viloperioder för HbO och HbR. För varje försöksperson visade kartorna associerade med HbO-förändringar statistiskt signifikant aktivering (p < 0,01) i det experimentella tillståndet utan robotassistans, medan endast två försökspersoner visade statistiskt signifikant aktivering i det experimentella tillståndet med robotassistans. När det gäller HbR uppvisade fyra försökspersoner statistiskt signifikant aktivering (p < 0,01) under båda förhållandena, om än i färre kanaler jämfört med HbO.

Figur 5 sammanfattar de enskilda försökspersonernas resultat av de ROI-baserade hypotesdrivna analyserna. Bland alla undersökta ROI var det bara den vänstra premotoriska cortex som uppvisade en statistiskt signifikant ökning av HbO-aktivering under spelet/spelet i förhållande till vilojämförelsen (p = 0,046) och endast i tillståndet utan robotassistans. Dessutom gav denna ROI en större aktivering i tillståndet utan robotassistans jämfört med tillståndet med robotassistans (p = 0,016). Det fanns inga statistiskt signifikanta skillnader för de andra ROI:erna eller i HbR-baserade analyser, varken i analyser av spel/spel kontra vila eller i jämförelser mellan förhållanden (p>0,05). På gruppnivå hittades således inga statistiskt signifikanta skillnader i vänster somatomotoriska cortex, SMA, eller i HbR-baserade analyser.

Figure 3
Figur 3: Experiment med blockdesign med alternerande block av spel- och vilotillstånd. Försökspersonen spelade Picknick-spelet oavbrutet i 30 s (spelperiod) och förblev stilla under de följande 30 sekunderna (viloperiod). Denna cykel upprepades 6 gånger, vilket resulterade i en sessionslängd på 6 minuter (observera att endast 150 s visas i figuren). Klicka här för att se en större version av denna figur.

Figure 4
Figur 4: Statistiska aktiveringskartor för enskilda hjärntrösklar. Statistiska aktiveringskartor för de sex försökspersonerna (S1-S6) för HbO och HbR under båda experimentella förhållanden (rörelser med och utan robotassistans) i hjärnan med en försöksperson (kanal p-värde < 0,01). Observera att endast kartor som visar en statistiskt signifikant aktivering presenteras (dvs. alla motiv och tillstånd med en tom plats indikerar att ingen signifikant aktivering observerades för den specifika kombinationen). Färgstapeln representerar t-statistikamplituden för aktiveringskoefficienten (GLM beta) för varje fNIRS-kanal. Klicka här för att se en större version av denna figur.

Figure 5
Figur 5: Aktivering av vänster premotorisk cortex baserat på HbO-signaler. Som beskrivs i steg 5.2 uppskattades betakoefficienterna med hjälp av en GLM, och amplituden för aktivering kvantifierades för varje försöksperson, experimentellt tillstånd (oassisterade och assisterade rörelser) och specifika kanaler (observera att betavärdena för ROI erhölls genom att medelvärdet av kanalerna i den vänstra premotoriska cortexen erhölls). Punktdiagrammet representerar visuellt de genomsnittliga betakoefficienterna för avkastning på investeringen för varje ämne och tillstånd, där de röda och gröna prickarna anger de assisterade respektive oassisterade rörelserna. För varje försöksperson är ROI-betakoefficienten för det oassisterade tillståndet större än för det assisterade tillståndet, vilket innebär större aktivering i det tidigare tillståndet. Detta resultat är konsekvent i alla ämnen. Klicka här för att se en större version av denna figur.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I denna proof-of-concept-studie undersöktes möjligheten att dra slutsatser om kartläggning av hjärnaktivering med hjälp av fNIRS-data från friska försökspersoner medan de tränade med olika typer av rörelser med hjälp av en robot för rehabilitering av nedre extremiteter. Typiska fNIRS-inspelningssessioner hos vuxna är längre än 6 min54. Men för att göra inspelningar möjliga i samband med en rehabiliteringsmiljö måste experimentets totala varaktighet minimeras för att undvika onödig trötthet och ansträngning för försökspersonen. Denna studie testade också om ett blockdesignexperiment med 6 uppgiftsrepetitionsblock (med en sessionslängd på 6 min) var tillräckligt för att bedöma hemodynamisk respons och för att upptäcka skillnaden mellan assistans och icke-assistanstillstånd. Resultaten tyder på att dessa inspelningar är informativa och att fNIRS kan vara en användbar metod för att upptäcka förändringar i HbO-koncentrationen i samband med träningsregimer med olika nivåer av robotassistans till nedre extremiteter. Även med en liten urvalsstorlek hittades en signifikant kontralateral premotorisk aktivering mätt med HbO vid jämförelse av uppgift kontra viloblock; Alla försökspersoner uppvisade större aktivering i denna region i tillståndet utan assistans jämfört med den robotassisterade.

fNIRS-data registrerades under två olika förhållanden, motsvarande två olika nivåer av försökspersonens ansträngning som behövdes för att slutföra den motoriska uppgiften. I den första omgången experiment var roboten K inställd på 10, vilket motsvarade ingen robotassistans. I den andra omgången experiment sattes K till 150; med detta värde på K flyttades försökspersonens nedre extremitet nästan helt av roboten. Som visas i figur 4 uppvisade alla försökspersoner statistiskt signifikant hjärnaktivering i det oassisterade tillståndet; När K var satt till 150 var det bara två försökspersoner som uppvisade signifikant aktivering.

Som sammanfattas i figur 5 visade resultaten också att förändringarna i HbO-koncentrationen i samband med oassisterad träning (högre ansträngningsnivå) totalt sett var högre än förändringarna i samband med assisterad träning. En signifikant skillnad hittades dock endast i den kontralaterala premotoriska cortex (PMC). Detta fynd överensstämmer med resultaten från flera tidigare hjärnavbildningsstudier på människor som fann ökande neuronal aktivering med ökande kraftnivåer55,56. De flesta tidigare studier har dock undersökt den övre extremiteten; Majoriteten fokuserade på statiska, isometriska uppgifter, medan endast ett fåtal har utvärderat dynamiska rörelser 57,58,59.

Relativt sett färre studier har fokuserat på den nedre extremiteten. Några av dem har fokuserat på statiska motoriska uppgifter. Alexandre et al.51 undersökte fNIRS-korrelat av maximala och submaximala frivilliga sammandragningar (MVC) av knästräckare hos friska och kroniska patienter med obstruktiv lungsjukdom. Med hjälp av fMRI undersökte Yoon et al.52 kortikala aktiveringsförändringar under isometriska sammandragningar med fotledens dorsalflexormuskler vid olika MVC-nivåer. Andra studier har fokuserat på gång 60,61,62. Med hjälp av fNIRS undersökte Harada et al.60 kortikala aktiveringsmönster under gång med tre intensiteter hos friska försökspersoner och fann att ökad rörelsehastighet och kadens var förknippade med en högre grad av kortikal aktivering. Bonnal et al.62 undersökte kortikal aktivering hos friska försökspersoner under exoskelettmedierad gång på olika nivåer av fysisk assistans och fann också den största kortikala aktiveringen under de två oassisterade tillstånden (50 % och 100 %) men endast små skillnader i kortikal aktivering mellan de assisterade tillstånden. Resultaten av denna studie överensstämmer med resultaten från dessa tidigare studier sammantaget.

Rollen för kortikala områden som är associerade med neural kontroll av rörelser i nedre extremiteter är fortfarande lite förstådd och mindre studerad jämfört med neural kontroll av övre extremiteter. Särskilt i rehabiliteringssammanhang är en sådan förståelse avgörande för att skapa en grund för att identifiera neuroplasticitet i dessa områden, som kan uppstå t.ex. som ett resultat av motoriska störningar av neurologiskt ursprung, motorisk träning eller åldrande. Som visas i figur 4 visade alla försökspersoner aktivering i PMC- eller SMA-områdena under det oassisterade tillståndet. De kanalspecifika resultaten som presenteras i figuren indikerar att även om aktiveringen var bilateral, var den mer framträdande på det kontralaterala halvklotet. Sammantaget överensstämmer dessa fynd med studien av Alexandre et al.51 som visade aktivering av kontralaterala primära motoriska (M1) och primära somatosensoriska (S1), PMC och prefrontala (PFC) kortikala områden under knäextension. Dessutom överensstämmer dessa fynd med resultaten från studien av Yoon et al.52 som visade aktivering i den kontralaterala M1, SMA, putamen, pallidum cingulate cortex och ipsilaterala lillhjärnan under fotledens dorsi-flexion, och med resultaten av studien av Ciccarelli et al.53 som fann aktivering av kontralateral M1 och sensoriska kortiker, samt PMC och subkortikala regioner under fotledsrörelser.

Hemibodyrörelser anses styras av den kontralaterala hjärnhalvan i hjärnbarken. Ipsilateralt kortikalt engagemang har dock rapporterats för unimanuella rörelser 56,63,64, liksom unilaterala fotrörelser (se även 65 för en översikt). Till skillnad från dessa studier visade analysen inte konsekvent aktivering i den somatomotoriska cortex hos alla försökspersoner, vilket illustreras i figur 4; Dessutom indikerade resultaten av ROI-analysen ingen signifikant aktivering. Detta fynd kan tillskrivas den relativt lilla storleken och djupare placeringen av den somatomotoriska cortex för nedre extremiteter, jämfört med övre extremiteter, som ligger vid den längsgående sulcus66. Dessutom är fNIRS-signalen mindre känslig för icke-ytliga hjärnområden67.

Vid en jämförelse mellan villkoret om utebliven assistans och assistanstillståndet var det endast den kontralaterala PMC som uppvisade en signifikant annorlunda aktivering mellan de två tillstånden. Detta är inte förvånande med tanke på att den motoriska uppgiften var visuellt styrd, och därmed sannolikt krävde mer uppmärksamhet och motorisk ansträngning i tillståndet utan assistans. PMC anses ha en roll i exekutiv funktion, inklusive motorisk förberedelse och planering68. Dessutom har nyligen genomförda studier föreslagit en PMC-roll i rumslig uppmärksamhet och arbetsminne69. Resultatet av denna studie är i linje med de tidigare som belyste detta områdes roll i exekutiv funktion68 och motorisk förberedelse av övre extremiteter 70,71,72 och nedre extremitetsrörelser73. Detta resultat överensstämmer också med resultaten från gångstudier med dubbla uppgifter som har visat sambandet mellan den uppmärksamhet som krävs för att utföra uppgiften och PMC-aktivering 74,75.

Studien har flera begränsningar. För det första var urvalet litet. Framtida undersökningar bör utöka den nuvarande forskningen genom att öka urvalsstorleken, inklusive en mer varierad demografi, såsom kvinnor och andra åldersgrupper, för att fastställa normativa värden för både HbO och HbR (denna studie inkluderade 5 män och 1 kvinna, mellan 40 och 62 år). För det andra baserades mössmontaget på 10-10 EEG-systemet, och ROI-analysen använde en standard MNI152-hjärnmodell. Framtida studier skulle kunna använda individuella strukturella MRI:er, hjärnnavigering eller högdensitets-fNIRS. Dessutom utfördes inspelningar i en enda session, och därmed utvärderades inte den intraindividuella variabiliteten av fNIRS-inspelningar. Dessutom var resultaten av HbO- och HbR-analyserna olika, även om båda dessa mätningar är förknippade med samma neurofysiologiska fenomen (nämligen den hemodynamiska responsfunktionen). Den observerade skillnaden stämmer dock överens med tidigare litteratur som indikerar olika känslighet hos dessa två kromoforer för andra systemiska störfaktorer och bristen på enighet om dess tolkning34. Slutligen, eftersom hastigheten för att spela spelet utan hjälp var olika för varje försöksperson (eftersom nästa försök startade först efter att det aktuella målet framgångsrikt uppnåtts), kan detta ha ökat variansen i försökspersonernas hjärnaktivering.

Baserat på resultaten av denna genomförbarhetsstudie planerar vi att använda ett fNIRS experimentellt protokoll som liknar det som presenteras här i en klinisk pilotstudie som för närvarande pågår vid Federal University of Sao Carlos, Brasilien, som syftar till att bedöma robotens terapeutiska effekter på motoriska förmågor i nedre extremiteter hos patienter med kronisk stroke. Hjärnaktiveringskartorna som presenteras här kan potentiellt erbjuda en referens för hjärnaktivering hos friska individer som kan vara till hjälp för att studera effekterna av robotterapin på den nedre extremiteten.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

AMM är ägare till företaget Vivax Ltda, som har utvecklat Vivax Assistive Rehabilitation Machine (ARM). LD är tjänsteman på Highland Instruments, ett medicintekniskt företag. Hon har patentsökta eller utfärdade, personligen eller som tjänsteman i företaget, relaterade till avbildning, hjärnstimulering, diagnostik, modellering och simulering. De övriga författarna deklarerar att de inte är jäviga.

Acknowledgments

Åsikterna, hypoteserna, slutsatserna och rekommendationerna i denna studie är författarnas egna och representerar inte nödvändigtvis finansiärens åsikter. JRS är tacksamma mot Sao Paulo Research Foundation (FAPESP, anslagsnummer 2021/05332-8, 2018/04654-9, 2018/21934-5 och 2023/02538-0) och Jackson Cionek för tekniskt stöd. AMM och Vivax Ltda är tacksamma mot FAPESP (São Paulo Research Foundation) och FINEP (Brazilian Innovation Agency). Projektet finansierades med anslag från FAPESP (anslagsnummer 2018/09559-4) och FINEP (anslagsnummer 2019/09933-6).

Materials

Name Company Catalog Number Comments
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. 

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. Huang, V. S., Krakauer, J. W. Robotic neurorehabilitation: a computational motor learning perspective. Journal of NeuroEngineering and Rehabilitation. 6, 5 (2009).
  4. 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).
  5. 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).
  6. Warutkar, V., Dadgal, R., Mangulkar, U. R. Use of robotics in gait rehabilitation following stroke: A review. Cureus. 14 (11), e31075 (2022).
  7. Dipietro, L., et al. Changing motor synergies in chronic stroke. Journal of Neurophysiology. 98 (2), 757-768 (2007).
  8. 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).
  9. 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).
  10. Krebs, H. I., et al. Robotic measurement of arm movements after stroke establishes biomarkers of motor recovery. Stroke. 45 (1), 200-204 (2014).
  11. Volpe, B. T., et al. Robotic devices as therapeutic and diagnostic tools for stroke recovery. Archives of Neurology. 66 (9), 1086-1090 (2009).
  12. 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).
  13. Shadmehr, R., Wise, S. P. The Computational Neurobiology of Reaching and Pointing: A Foundation for Motor Learning. , MIT Press. Cambridge, MA. (2005).
  14. 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).
  15. Krebs, H., et al. Rehabilitation robotics: Performance-based progressive robot-assisted therapy. Autonomous Robots. 15, 7-20 (2003).
  16. 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).
  17. Girone, M., et al. A Stewart platform-based system for ankle telerehabilitation. Autonomous Robots. 10, 203-212 (2001).
  18. 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).
  19. A novel reconfigurable ankle/foot rehabilitation robot. Yoon, J., Ryu, J. Proceedings of the 2005 IEEE International Conference on Robotics and Automation, Barcelona, Spain, , 2290-2295 (2005).
  20. 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).
  21. Forrester, L. W., et al. Clinical application of a modular ankle robot for stroke rehabilitation. NeuroRehabilitation. 33 (1), 85-97 (2013).
  22. Díaz, I., Gil, J. J., Sánchez, E. Lower-limb robotic rehabilitation: Literature review and challenges. Journal of Robotics. 2011, 759764 (2011).
  23. Zhang, X., Yue, Z., Wang, J. Robotics in lower-limb rehabilitation after stroke. Behavioural Neurology. 2017, 3731802 (2017).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. 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).
  33. Ayaz, H., et al. Optical imaging and spectroscopy for the study of the human brain: status report. Neurophotonics. 9, S24001 (2022).
  34. 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).
  35. 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).
  36. Formenti, D., et al. Effects of knee extension with different speeds of movement on muscle and cerebral oxygenation. PeerJ. 6, 5704 (2018).
  37. Miyai, I., et al. Cortical mapping of gait in humans: a near-infrared spectroscopic topography study. NeuroImage. 14 (5), 1186-1192 (2001).
  38. Miyai, I., et al. Premotor cortex is involved in restoration of gait in stroke. Annals of Neurology. 52 (2), 188-194 (2002).
  39. Mihara, M., et al. Sustained prefrontal activation during ataxic gait: a compensatory mechanism for ataxic stroke? NeuroImage. 37 (4), 1338-1345 (2007).
  40. 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).
  41. 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).
  42. 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).
  43. 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). , Bandung, Indonesia. 1-6 (2021).
  44. 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).
  45. 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).
  46. 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).
  47. Khan, R. A., Naseer, N., Qureshi, N. K., et al. fNIRS-based Neurorobotic Interface for gait rehabilitation. J NeuroEngineering Rehabil. 15 (1), 7 (2018).
  48. 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).
  49. 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).
  50. 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).
  51. 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).
  52. 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).
  53. Ciccarelli, O., et al. Identifying brain regions for integrative sensorimotor processing with ankle movements. Experimental Brain Research. 166 (1), 31-42 (2005).
  54. 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).
  55. 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).
  56. 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).
  57. 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).
  58. 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).
  59. 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).
  60. 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).
  61. 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).
  62. 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), Basel, Switzerland. 5542 (2022).
  63. 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).
  64. 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).
  65. 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).
  66. 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).
  67. 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).
  68. Funahashi, S. Prefrontal contribution to decision-making under free-choice conditions. Frontiers in Neuroscience. 11, 431 (2017).
  69. 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).
  70. Desmurget, M., Sirigu, A. A parietal-premotor network for movement intention and motor awareness. Trends in Cognitive Sciences. 13 (10), 411-419 (2009).
  71. Nachev, P., Kennard, C., Husain, M. Functional role of the supplementary and pre-supplementary motor areas. Nature reviews. Neuroscience. 9 (11), 856-869 (2008).
  72. 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).
  73. 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).
  74. 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).
  75. 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).

Tags

Denna månad i JoVE nummer 208
Ett experiment med funktionell nära-infraröd spektroskopi och robotassisterade flerledspekande rörelser i nedre extremiteten
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Ricardo Sato, J., Carolyna… More

Ricardo Sato, J., Carolyna Gianlorenço, A., Borges Fernandes, E., Frigo da Rocha, T., Massato Makiyama, A., Dipietro, L. An Experiment Using Functional Near-Infrared Spectroscopy and Robot-Assisted Multi-Joint Pointing Movements of the Lower Limb. J. Vis. Exp. (208), e66004, doi:10.3791/66004 (2024).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter