Summary

Et eksperiment ved hjælp af funktionel nær-infrarød spektroskopi og robotassisterede multi-joint pegende bevægelser af underekstremiteten

Published: June 07, 2024
doi:

Summary

Det anslås, at 1 ud af 6 personer over hele verden vil få et slagtilfælde i deres levetid, hvilket forårsager langvarig handicap, hvis rehabiliteringsmekanismer stadig er dårligt forstået. Denne undersøgelse foreslår en protokol til evaluering af hjerneaktivering ved funktionel nær-infrarød spektroskopi (fNIRS) under en robotterapisession i underekstremiteterne.

Abstract

Slagtilfælde påvirker ca. 17 millioner individer verden over hvert år og er en førende årsag til langvarig invaliditet. Robotterapi har vist lovende i at hjælpe slagtilfælde patienter genvinde tabte motoriske funktioner. En potentiel vej til at øge forståelsen af, hvordan motorisk genopretning opstår, er at studere hjerneaktivering under de bevægelser, der er målrettet mod terapi hos raske individer. Funktionel nær-infrarød spektroskopi (fNIRS) har vist sig som en lovende neuroimaging teknik til undersøgelse af neurale underlag for motorisk funktion. Denne undersøgelse havde til formål at undersøge fNIRS neurale korrelater af komplekse bevægelser i underekstremiteterne hos raske forsøgspersoner. Deltagerne blev bedt om at udføre hvile- og bevægelsescyklusser i 6 minutter ved hjælp af en robotanordning til motorisk rehabilitering. Opgaven krævede koordinerede knæ- og ankelledsbevægelser for at pege på mål, der vises på en computerskærm. To eksperimentelle forhold med forskellige niveauer af bevægelsesassistance leveret af robotten blev undersøgt. Resultaterne viste, at fNIRS-protokollen effektivt detekterede hjerneområder forbundet med motorisk kontrol under opgaven. Især udviste alle forsøgspersoner større aktivering i det kontralaterale præmotoriske område under tilstanden uden assistance sammenlignet med den assisterede tilstand. Afslutningsvis synes fNIRS at være en værdifuld tilgang til påvisning af ændringer i oxyhemoglobinkoncentration forbundet med multiledspegebevægelser i underekstremiteten. Denne forskning kan bidrage til forståelsen af slagtilfælde motoriske genopretningsmekanismer og kan bane vejen for forbedrede rehabiliteringsbehandlinger for slagtilfælde patienter. Der er imidlertid behov for yderligere forskning for fuldt ud at belyse potentialet i fNIRS i at studere motorisk funktion og dens anvendelser i kliniske omgivelser.

Introduction

Epidemiologiske data viser, at der på verdensplan er ~ 17 millioner nye tilfælde af slagtilfælde hvert år, med en stigning i forekomsten i lav- og mellemindkomstlande1. Antallet af nye tilfælde anslås at stige til 77 millioner i 20302. Motorisk svækkelse på grund af slagtilfælde påvirker ofte patientens mobilitet og deltagelse i dagligdagens aktiviteter, hvilket bidrager til en lav livskvalitet. Traditionel motorisk rehabilitering omfatter manuel terapi, men i løbet af de sidste par årtier er robotsystemer til rehabilitering blevet udviklet. Disse systemer kan levere terapi ved høj intensitet, dosis, kvantificerbarhed, pålidelighed, repeterbarhed og fleksibilitet3 og har vist potentiale som effektive rehabiliteringsbehandlinger for både akutte og kroniske slagtilfældepatienter 4,5,6. Ud over at levere terapi kan robotsystemer til rehabilitering bruges som evalueringsværktøjer, da de kan udstyres med sensorer, der kan måle kinematiske/kinetiske dataom patientbevægelser 7,8. Til motorisk rehabilitering af øvre ekstremiteter har sådanne data ikke kun vist sig at være nyttige til vurdering af niveauet af patientens motoriske opsving fremkaldt af robotterapi og tjent som et supplerende værktøj til traditionelle kliniske vurderinger 9,10, men det har også bidraget til at fremme forståelsen af processen med motorisk genopretning fra slagtilfælde11, 12 samt neural kontrol af bevægelse og motorisk læring hos raske forsøgspersoner 3,13,14. Som følge heraf har disse resultater givet et grundlag for at forbedre rehabiliteringsbehandlinger15.

I løbet af de sidste to årtier er der blevet foreslået mange robotindretninger til neurorehabilitering af underekstremiteter, der spænder fra exoskeletter, der understøtter patientens kropsvægt under gang (f.eks. Over et løbebånd, såsom Lokomat16) til stationære robotsystemer, der gør det muligt for patienten at udøve ankel, knæ eller fod uden at gå (såsom Rutgers Ankel17, High-Performance Ankel Rehabilitation Robot18 og Gwangju Institute of Science and Technology (GIST) ankel / fod rehabiliteringsrobot19) eller aktive fodortoser, der er aktiverede exoskeletter, der bæres af patienten til at gå over jorden eller over et løbebånd (såsom Powered Gait Orthosis20 og MIT Anklebot21). Se 22,23,4 for en gennemgang af robotter til rehabilitering af underekstremiteter.

Resultaterne af kliniske undersøgelser af robotudstyr til rehabilitering af underekstremiteter på patienter med slagtilfælde har været opmuntrende og har vist, at disse systemer kan forbedre leddenes bevægelsesområde (ROM), muskelstyrke eller gang, afhængigt af det specifikke udstyr og den kliniske protokol (se 24,25 for en gennemgang af effektiviteten af robotter i underekstremiteter til rehabilitering). Mens det er blevet postuleret, at robotassisteret terapi fremmer neuroplastiske ændringer, som i sidste ende resulterer i forbedrede motoriske evner26, forbliver det for det meste uklart, hvordan processen med motorisk genopretning fra slagtilfælde nøjagtigt opstår, og hvilke robottræningsprotokoller der optimerer processen med genopretning af motoriske evner i underekstremiteterne. Faktisk er der en signifikant, voksende forskel mellem den stigende udvikling af rehabiliteringsrobotter (enten af akademiske forskere eller kommercielle enheder) og den begrænsede forståelse af de neurofysiologiske mekanismer, der ligger til grund for motorisk restitution4. Målinger af bevægelseskinematik eller leddrejningsmomenter taget med indlejrede sensorer har bidraget til kvantitativt at beskrive motoriske adfærdsændringer, der opstår, når patienter genvinder motoriske evneri underekstremiteterne 27,28,29, hvilket delvist udfylder dette hul. Imidlertid er de neurale korrelater, der ligger til grund for sådanne ændringer, blevet mindre undersøgt. Dette skyldes flere grunde.

Hjernefunktionel billeddannelse er tidskrævende og undertiden vanskelig at gennemføre i forbindelse med kliniske forsøg, som ofte kræver at holde patientbyrden minimal for at maksimere sandsynligheden for, at patienten overholder undersøgelsen. Dette gælder især for personer, der har lidt et slagtilfælde, da træthed og muskelsvaghed efter slagtilfælde ofte observeres30. Også billeddannelsesmetoder, der er baseret på magnetfelter, såsom funktionel magnetisk resonansbilleddannelse (fMRI), kræver, at både patient- og robothardware er magnetsikker.

Blandt ikke-invasive billeddannelsesmetoder er funktionel nær-infrarød spektroskopi (fNIRS) en billeddannelsesteknik, der er særligt velegnet til vurdering af områder med hjerneaktivering hos forsøgspersoner, der gennemgår robotterapi. På samme måde som fMRI måler fNIRS blodets iltning/deoxygenering i hjernen. I modsætning til fMRI er fNIRS imidlertid fuldt kompatibel med robothardware, og den er ofte bærbar, endda anvendelig ved sengen. fNIRS har også lave omkostninger og mindre følsomhed over for bevægelsesartefakter 31,32,33.

På trods af dets klare fordele og udbredt anvendelse i mange kliniske indstillinger siden den første introduktion i slutningen af 70’erne34, har kun få undersøgelser brugt fNIRS til at kvantificere hjerneaktivering forbundet med underekstremitetsbevægelser og slagtilfælde motorisk opsving. FNIRS-undersøgelser, der sigter mod at belyse mekanismer for neural kontrol af bevægelse og / eller mekanismer eller evaluering af motorisk genopretning fra slagtilfælde, har for det meste undersøgt enkeltledsbevægelser (f.eks. Dorsiflexion, plantarfleksion eller knæforlængelsesbevægelser35,36,37), gå 38,39,40,41,42,43 eller cykle44. Se45 for en gennemgang. Tilsvarende har fNIRS-undersøgelser af robotassisteret terapi til underekstremiteterne hovedsagelig fokuseret på robotassisteret gangrehabilitering; Se46 for en gennemgang. Et par undersøgelser har fokuseret på at bruge fNIRS som en del af et Brain-Computer Interface (BCI) -system til at udlede styresignaler til robotenheder47,48; mens dette forskningsområde også er afhængig af behandling af fNIRS-signaler, er dets mål anderledes og primært fokuseret på afkodning af patientintentioner (f.eks. Patienter med alvorlige motoriske handicap).

Pilotstudiet, der præsenteres heri, er en del af en indledende indsats for at undersøge virkningerne af et robotsystem til rehabilitering af underekstremiteter. Robotten kan levere målrettet rehabilitering af underekstremiteter, der involverer træning i hverdagens flerledsbevægelser samt levere terapi til enkelte led (f.eks. Knæ eller ankel) i underekstremiteten (dvs. implementere et bottom-up rehabiliteringsprogram).

Undersøgelsen havde til formål at undersøge gennemførligheden af en eksperimentel protokol, der krævede erhvervelse af fNIRS-data under udførelsen af underekstremiteter, multiledsbevægelser. Varigheden af dataindsamlingsperioden i denne undersøgelse, som var begrænset til 6 min, er kortere end typiske fNIRS-protokoller. Dette var et bevidst valg truffet med det formål at forbedre den praktiske og kliniske anvendelighed af denne forskning, især hos patienter med begrænset mobilitet eller styrke. Identifikation af fNIRS-korrelater af sådanne komplekse flerledsbevægelser og indsigt i, hvordan hjerneaktivering blev moduleret af robotassistance, var også interessepunkter. Til dette formål blev der udført to forsøgssessioner med de samme deltagere: en uden robotassistance og en med robotassistance. Endelig er det vigtigt at bemærke, at denne undersøgelse fokuserede på raske forsøgspersoner for at etablere et fundament for fremtidig forskning med hensyn til registrering af protokolgennemførlighed og evaluering af hjerneaktivering under bevægelser målrettet mod robotterapi.

Apparat
En bærbar robot designet til at levere rehabilitering af underekstremiteter (se figur 1) blev brugt til at udføre vores eksperimenter. Robotten har et 3D-tilgængeligt arbejdsområde og er kompakt og let og vejer ca. 35 lb., Hvilket gør det nemt at transportere og installere.

Figure 1
Figur 1: Eksperimentel opsætning. (A) Robotsystemet (installeret på gulvet) designet til underekstremiteten. En frivillig vises ved hjælp af grænsefladen med deres højre fod. (B) Støttestruktur for motivets fod, der muliggør fastgørelse til robotsystemet. (C) Et skærmbillede af Picnic-spillet. Formålet med spillet er at flytte foden (grøn og hvid sko) til målet (gul cirkel). Klik her for at se en større version af denne figur.

Robotsystemet er designet til at hjælpe en patient med at udføre bevægelser i underekstremiteterne svarende til dem, der udføres i hverdagens opgaver, såsom at pege eller sparke. Det bruger interaktive virtual reality-spil, som vises på en computerskærm eller en tv-skærm placeret foran robotenheden (se figur 1). Roboteffektoren er fastgjort til patientens underekstremitet (f.eks. Ankel), og dens position er kortlagt til placeringen af en markør på skærmen. Et typisk spil viser patientens bevægelsesmål (f.eks. objektet, der skal peges på, eller hvor bolden skal sparkes).

For at fuldføre bevægelsesopgaven kan robotten hjælpe patienten med et niveau af assistance, der kan variere fra fuld hjælp til ingen. Niveauet af robotassistance vælges i begyndelsen af hver rehabiliteringssession baseret på patientens niveau af motorisk svækkelse. De bevægelser, der udføres af motivet, bruges af spillet til at score patientens præstation og give dem feedback om deres præstationer (f.eks. ROM, antal bevægelser og niveau af robotassistance). Spillene er designet til at være interaktive og underholdende for at opretholde patientens interesse og opmærksomhed. I denne undersøgelse spillede deltagerne “Picnic-spillet”, hvor spilleren skulle stoppe insekterne fra at nå håndklædet og stjæle maden (se figur 1, nederste panel, for et skærmbillede).

Dataindsamling blev udført med et bærbart fNIRS-optagelsessystem med to forskellige kontinuerlige bølgeoptoder (760 nm og 850 nm), 8 dual-tip LED-kilder, og 8 dual-tip aktive detektorer. Signalerne blev erhvervet ved hjælp af en samplingshastighed på 10, 17 Hz. En bærbar computer blev brugt til kalibreringsoptimering og signaloptagelse ved hjælp af et Wi-Fi-netværk oprettet af fNIRS-systemet.

En hætte blev brugt til at holde optoderne på de forudbestemte steder. Kilderne og detektorerne blev placeret i henhold til det 10-10 internationale EEG-system i en netrumlig fordeling. Hver fNIRS-kanal blev defineret af et kildedetektorpar med inter-optodeafstande på ca. 30 mm. Optoderne blev placeret over de supplerende motor-, præmotor- og motorområder på de steder, der er vist i figur 2. Det samlede antal kanaler var 28, hvor 8 var kortdistancekanaler, der blev koblet til hver kilde ved hjælp af en fiberoptisk adapter til en enkelt detektor. I betragtning af multiplexingopsætningen af hardwaren er det muligt at erhverve kortdistanceinformation fra alle kilder ved hjælp af kun en detektor.

Figure 2
Figur 2: Montage layout ved hjælp af 10-10 EEG systemet. Bogstaverne og tallene angiver kilde-/detektorplaceringerne. De røde og blå prikker repræsenterer henholdsvis kilde- og detektoroptoder. De grønne linjer repræsenterer fNIRS-kanalerne, som består af kilde- og detektorpar. Klik her for at se en større version af denne figur.

Eksperimentelt design
Eksperimentet blev udført under to forskellige eksperimentelle betingelser, der adskiller sig i niveauet af hjælp fra robotten til forsøgspersonens bevægelser. I den første tilstand var robotten programmeret til ikke at yde nogen hjælp til forsøgspersonens bevægelser, mens robotten i den anden tilstand styrede forsøgspersonens fod- og benbevægelser (robotassisteret bevægelse).

Hvert eksperiment fulgte et blokdesignparadigme, der involverede vekslende cyklusser af en motorisk opgave (spiller spillet – 30 s) og hviler (30 s), som illustreret i figur 3. Start og afslutning af hver fase (leg/spil eller hvile) blev visuelt signaleret til motivet gennem computerskærmen. Under hvilefasen blev der vist en meddelelse, der angiver en pause. Hver cyklus (spil / spil + hvile) havde en varighed på 60 s og blev gentaget seks gange, hvilket resulterede i en samlet køretid på 360 s (6 min).

Deltagerne spillede “Picnic-spillet”, hvor målet var at forhindre insekter i at nå håndklædet og stjæle mad. Dette spil involverede en sekvens af bevægelser i underekstremiteterne, startende fra et udpeget hjemmemål (startposition) og strakte sig mod et af tre ydre mål, før de vendte tilbage til hjemmemålet. På skærmen blev de ydre mål visuelt repræsenteret som animerede bevægelige insekter, som deltagerne skulle nå og træde på. Der var tre ydermål, hver tilfældigt præsenteret et lige antal gange sammen med et fælles hjemmemål for hver bevægelse. Den afstand, som foden havde brug for for at rejse fra hjemmemålet til positionen af de ydre mål, dannede en bue, der ca. måler 26 cm. Motoropgaven krævede udførelse af flerledsbevægelser, der krævede koordinering mellem knæbøjning / forlængelse, plantarfleksion og dorsiflexionbevægelser.

fNIRS-dataoptagelserne blev synkroniseret med de visuelle stimuli, som spillet præsenterede for motivet gennem en transistor-transistor-logik (TTL) puls genereret af robotten. Impulser blev genereret i begyndelsen af hver fase (leg / spil og hvile). Således blev al timingkontrol udført af spillet, som gav visuelle signaler (mål) til deltageren om at starte hver bevægelse, sendte TTL-signaler til fNIRS-systemet for at markere hjerneaktivitetsregistreringerne og, hvis det kræves af eksperimentet, sendte signaler til robotstyringssystemet for at starte bevægelsesassistance.

Protocol

Denne undersøgelse blev godkendt af UNICEP’s lokale etiske klagenævn (Centro Universitario Paulista). Alle deltagere gav informeret samtykke efter alle institutionelle retningslinjer og føderale normer vedrørende videnskabelig forskning, der involverer mennesker. De modtog ingen økonomisk kompensation, som krævet af brasilianske føderale regler. 1. fNIRS-system Hætten klargøres ved hjælp af 16 optoder: 8 lyskilder (760 nm og 850 nm) og 8 lysdetektorer (se <…

Representative Results

Alle seks forsøgspersoner gennemførte begge forsøg. I betingelsen uden assistance blev der i gennemsnit gennemført 76,67 forsøg (std. 10,73) af hver forsøgsperson (bemærk, at for hvert forsøgsperson afhang antallet af vellykkede forsøg, da et nyt mål kun blev vist, hvis det forrige blev nået). I assistancetilstanden, hvor forsøgspersonens bevægelse blev fuldt hjulpet af robotten, gennemførte alle forsøgspersoner 70 forsøg. fNIRS-data blev registreret med succes fra alle forsøgspersoner. <p class="jov…

Discussion

I denne proof-of-concept-undersøgelse blev muligheden for at drage slutninger om hjerneaktiveringskortlægning ved hjælp af fNIRS-data fra raske forsøgspersoner, mens de trænede med forskellige typer bevægelser ved hjælp af en robot til rehabilitering af underekstremiteter, undersøgt. Typiske fNIRS-optagelsessessioner hos voksne er længere end 6 min54. For at gøre optagelser mulige i forbindelse med en rehabiliteringsindstilling skal eksperimentets samlede varighed minimeres for at undgå…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Udtalelserne, hypoteserne, konklusionerne og anbefalingerne i denne undersøgelse er forfatternes og repræsenterer ikke nødvendigvis finansieringsorganets meninger. JRS er taknemmelig for Sao Paulo Research Foundation (FAPESP, bevillingsnumre 2021/05332-8, 2018/04654-9, 2018/21934-5 og 2023/02538-0) og Jackson Cionek for teknologisk støtte. AMM og Vivax Ltda er taknemmelige for FAPESP (São Paulo Research Foundation) og FINEP (Brazilian Innovation Agency). Dette projekt blev finansieret med tilskud fra FAPESP (bevillingsnummer 2018/09559-4) og FINEP (bevillingsnummer 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

  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. , (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. Yoon, J., Ryu, J. A novel reconfigurable ankle/foot rehabilitation robot. , 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). , 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), 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).
check_url/kr/66004?article_type=t

Play Video

Cite This Article
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).

View Video