Elektroencefalografi nettverksindekser som biomarkører for nedsatt øvre ekstremitet ved kronisk hjerneslag
Summary
Den eksperimentelle protokollen demonstrerer paradigmet for å anskaffe og analysere elektroencefalografi (EEG) signaler under øvre lembevegelse hos personer med hjerneslag. Endringen av det funksjonelle nettverket av lav-beta EEG-frekvensbånd ble observert under bevegelsen av den nedsatte øvre lemmen og var forbundet med graden av motorisk funksjonsnedsettelse.
Abstract
Endring av elektroencefalografi (EEG) signaler under oppgavespesifikk bevegelse av nedsatt lem har blitt rapportert som en potensiell biomarkør for alvorlighetsgraden av motorisk svekkelse og for prediksjon av motorisk gjenoppretting hos personer med slag. Ved implementering av EEG-eksperimenter kreves detaljerte paradigmer og velorganiserte eksperimentprotokoller for å oppnå robuste og tolkbare resultater. I denne protokollen illustrerer vi et oppgavespesifikt paradigme med bevegelse i øvre lemmer og metoder og teknikker som trengs for innsamling og analyse av EEG-data. Paradigmet består av 1 min hvile etterfulgt av 10 forsøk som består av vekslende 5 s og 3 s av hvile og oppgave (håndforlengelse) -tilstander, henholdsvis over 4 økter. EEG-signaler ble samlet inn ved hjelp av 32 Ag / AgCl hodebunnselektroder med en samplingsfrekvens på 1000 Hz. Hendelsesrelatert spektral perturbasjonsanalyse assosiert med lemmerbevegelse og funksjonelle nettverksanalyser på globalt nivå i lav-beta (12-20 Hz) frekvensbåndet ble utført. Representative resultater viste en endring av det funksjonelle nettverket av lav-beta EEG-frekvensbånd under bevegelse av den nedsatte øvre lemmen, og det endrede funksjonelle nettverket var assosiert med graden av motorisk svekkelse hos kroniske slagpasienter. Resultatene demonstrerer muligheten for det eksperimentelle paradigmet i EEG-målinger under øvre lembevegelse hos personer med hjerneslag. Videre forskning ved hjelp av dette paradigmet er nødvendig for å bestemme den potensielle verdien av EEG-signaler som biomarkører for motorisk funksjonsnedsettelse og gjenoppretting.
Introduction
Motorisk svekkelse i øvre lemmer er en av de vanligste konsekvensene av hjerneslag og er relatert til begrensninger i dagliglivets aktiviteter 1,2. Alfa (8-13 Hz) og beta (13-30 Hz) båndrytmer er kjent for å være nært forbundet med bevegelser. Spesielt har studier vist at endret nevral aktivitet i alfa- og lavere beta (12-20 Hz) frekvensbånd under bevegelse av nedsatt lem er korrelert med graden av motorisk funksjonsnedsettelse hos personer med hjerneslag 3,4,5. Basert på disse funnene har elektroencefalografi (EEG) dukket opp som en potensiell biomarkør som gjenspeiler både alvorlighetsgrad av motorisk svekkelse og mulighet for motorisk restitusjon 6,7. Imidlertid har tidligere utviklede EEG-baserte biomarkører vist seg å være utilstrekkelige for å undersøke egenskapene til motorisk funksjonsnedsettelse hos personer med hjerneslag, hovedsakelig på grunn av deres avhengighet av hviletilstand EEG-data i stedet for oppgaveinduserte EEG-data 8,9,10. Kompleks informasjonsbehandling relatert til motoriske funksjonsnedsettelser, for eksempel samspillet mellom ipsilesionale og kontralesjonale hemisfærer, kan bare avsløres gjennom oppgaveinduserte EEG-data, ikke hvilestatus EEG. Derfor er det ikke bare nødvendig med videre studier for å utforske forholdet mellom nevronaktiviteter og motoriske funksjonsnedsettelsesegenskaper og for å klargjøre nytten av EEG generert under bevegelse av den nedsatte kroppsdelen som en potensiell biomarkør for motorisk funksjonsnedsettelse hos personer med hjerneslag11.
Implementering av EEG for å vurdere atferdseffekter krever oppgavespesifikke paradigmer og protokoller. Hittil har ulike EEG-protokoller blitt foreslått12, hvor personer med hjerneslag utførte forestilte eller faktiske bevegelser for å indusere bevegelsesrelaterte hjerneaktiviteter11,13. Når det gjelder forestilte bevegelser, kunne omtrent 53,7% av deltakerne ikke definitivt forestille seg en tilsvarende bevegelse (kalt “analfabetisme”) og klarte dermed ikke å indusere bevegelsesrelaterte hjerneaktiviteter14. Videre er det vanskelig for personer med alvorlig hjerneslag å bevege hele øvre ekstremitet, og det er mulighet for unødvendige gjenstander under datainnsamling på grunn av ustabile bevegelser. Derfor er veiledning basert på ekspertkunnskap nødvendig for å skaffe oppgaverelaterte høykvalitets EEG-data og nevrofysiologisk tolkbare resultater. I denne studien designet vi omfattende et eksperimentelt paradigme for personer med hjerneslag for å utføre en relativt enkel håndbevegelsesoppgave og ga en eksperimentell prosedyre med detaljert veiledning.
Ved å skissere den visualiserte eksperimentelle protokollen i denne artikkelen, hadde vi som mål å illustrere de spesifikke konseptene og metodene som brukes til oppkjøp og analyse av nevronaktiviteter relatert til bevegelsen av overbenet ved hjelp av et EEG-system. Ved å demonstrere forskjellen i nevronaktiviteter via EEG mellom de paretiske og ikke-paretiske øvre lemmer hos deltakere med hemiplegisk slag, hadde denne studien til hensikt å presentere muligheten for EEG ved bruk av den beskrevne protokollen som en potensiell biomarkør for alvorlighetsgraden av motorisk funksjonsnedsettelse hos personer med hjerneslag i tverrsnittssammenheng.
Protocol
Representative Results
Discussion
Denne studien har introdusert et EEG-eksperiment for å måle bevegelsesrelaterte nevronaktiviteter i øvre lemmer hos personer med hjerneslag. Det eksperimentelle paradigmet og metoder for oppkjøp og analyse av EEG ble anvendt for å bestemme ERD-mønstrene i den ipsilesionale og kontralesjonale motoriske cortex.
Resultatene fra ERSP-kartene (figur 7) viste forskjellen i graden av nevronaktivering ved bevegelse av svekkede og uaffiserte hender. Resultatene var …
Declarações
The authors have nothing to disclose.
Acknowledgements
Dette arbeidet ble støttet av National Research Foundation of Korea (NRF) tilskudd finansiert av Koreas regjering (MSIT) (nr. NRF-2022R1A2C1006046), av Original Technology Research Program for Brain Science gjennom National Research Foundation of Korea (NRF) finansiert av departementet for utdanning, vitenskap og teknologi (2019M3C7A1031995), av National Research Foundation of Korea (NRF) tilskudd finansiert av Koreas regjering (MSIT) (nr. NRF-2022R1A6A3A13053491), og av MSIT (Ministry of Science and IKT), Korea, under ITRC (Information Technology Research Center) støtteprogram (IITP-2023-RS-2023-00258971) overvåket av IITP (Institute for Information &; Communications Technology Planning &; Evaluation).
Materials
| actiCAP | Easycap, GmbH Ltd., Herrsching, Germany | CAC-32-SAMW-56 | Textile EEG cap platform to accommodate EEG electrodes |
| Brain Vision Recorder (Software) | Brain Products GmBH Ltd., Munich, Germany | – | Software used to record EEG signal |
| Curry 7 (Software) | Compumedics, Australia | – | Software used in preprocessing of EEG data |
| LiveAmp | Brain Products, GmbH Ltd., Gilching, Germany | LA-055606-0348 | EEG system (amplifier) used for the measurement |
| MATLAB R2019a (Software) | MathWorks Inc., Natick, MA, USA | – | Software used to run the experimental stimulus and analyze the EEG data |
| Recording PC | Lenovo Group Limited, Hong Kong, China | Model: X58K | Intel Core i7-7700HQ CPU@2.80 GHz, RAM 8 GB /EEG data recording using Brain Vision Recorder |
| Sensor&Trigger Extension(STE) | Brain Products GmBH Ltd., Munich, Germany | STE-055604-0162 | Adds physioloigcal signals to the EEG amplifier |
| Splitter box | Brain Products GmBH Ltd., Munich, Germany | BP-135-1600 | Connects Ag/AgCl electrodes to the EEG amplifier |
| Stimulation PC | Hansung Corporation, Seoul, Korea | Model: ThinkPad P71 | Intel Core i7-8750H CPU@2.20 GHz, RAM 8 GB Presenting stimulation screen using MATLAB |
| TriggerBox | Brain Products GmBH Ltd., Munich, Germany | BP-245-1010 | Receives trigger signal from PC and relay it to EEG recording system |
Referências
- Faria-Fortini, I., Michaelsen, S. M., Cassiano, J. G., Teixeira-Salmela, L. F. Upper extremity function in stroke subjects: Relationships between the international classification of functioning, disability, and health domains. Journal of Hand Therapy. 24 (3), 257-265 (2011).
- Veerbeek, J. M., Kwakkel, G., van Wegen, E. E., Ket, J. C., Heymans, M. W. Early prediction of outcome of activities of daily living after stroke: a systematic review. Stroke. 42 (5), 1482-1488 (2011).
- Babiloni, C., et al. Human movement-related potentials vs desynchronization of EEG alpha rhythm: a high-resolution EEG study. Neuroimage. 10 (6), 658-665 (1999).
- Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
- Bartur, G., Pratt, H., Soroker, N. Changes in mu and beta amplitude of the EEG during upper limb movement correlate with motor impairment and structural damage in subacute stroke. Clinical Neurophysiology. 130 (9), 1644-1651 (2019).
- Boyd, L. A., et al. Biomarkers of stroke recovery: Consensus-based core recommendations from the Stroke Recovery and Rehabilitation Roundtable. International Journal of Stroke. 12 (5), 480-493 (2017).
- Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187 (2017).
- Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
- Saes, M., et al. Is Resting-state EEG longitudinally associated with recovery of clinical neurological impairments early poststroke? A prospective cohort study. Neurorehabilitation and Neural Repair. 34 (5), 389-402 (2020).
- Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. International Journal of Psychophysiology. 146, 133-138 (2019).
- Ang, K. K., et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke. Clinical EEG and Neuroscience. 46 (4), 310-320 (2015).
- Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., Zhao, X. A comprehensive review of EEG-based brain-computer interface paradigms. Journal of Neural Engineering. 16 (1), 011001 (2019).
- Antelis, J. M., Montesano, L., Ramos-Murguialday, A., Birbaumer, N., Minguez, J. Decoding upper limb movement attempt from EEG measurements of the contralesional motor cortex in chronic stroke patients. IEEE Transactions on Biomedical Engineering. 64 (1), 99-111 (2017).
- Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002 (2019).
- Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
- Chatrian, G. E., Lettich, E., Nelson, P. L. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activities. American Journal of EEG technology. 25 (2), 83-92 (1985).
- Shim, M., et al. Altered functional networks of alpha and low-beta bands during upper limb movement and association with motor impairment in chronic stroke. Brain Connectivity. , (2021).
- Semlitsch, H. V., Anderer, P., Schuster, P., Presslich, O. A solution for reliable and valid reduction of ocular artifacts, applied to the P300 ERP. Psychophysiology. 23 (6), 695-703 (1986).
- Kim, Y. W., et al. Riemannian classifier enhances the accuracy of machine-learning-based diagnosis of PTSD using resting EEG. Progress in Neuropsychopharmacology & Biological Psychiatry. 102, 109960 (2020).
- Griffin, D., Lim, J. Signal estimation from modified short-time Fourier transform. IEEE Transactions on Acoustics, Speech, and Signal Processing. 32 (2), 236-243 (1984).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
- Shim, M., Kim, D. W., Lee, S. H., Im, C. H. Disruptions in small-world cortical functional connectivity network during an auditory oddball paradigm task in patients with schizophrenia. Schizophrenia Research. 156 (2-3), 197-203 (2014).
- Shim, M., Hwang, H. J., Lee, S. H. Impaired functional cortical networks in the theta frequency band of patients with post-traumatic stress disorder during auditory-cognitive processing. Frontiers in Psychiatry. 13, 811766 (2022).
- Bassett, D. S., Bullmore, E. Small-world brain networks. Neuroscientist. 12 (6), 512-523 (2006).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Shiner, C. T., Tang, H., Johnson, B. W., McNulty, P. A. Cortical beta oscillations and motor thresholds differ across the spectrum of post-stroke motor impairment, a preliminary MEG and TMS study. Brain Research. 1629, 26-37 (2015).
- López-Larraz, E., Sarasola-Sanz, A., Irastorza-Landa, N., Birbaumer, N., Ramos-Murguialday, A. Brain-machine interfaces for rehabilitation in stroke: A review. NeuroRehabilitation. 43 (1), 77-97 (2018).
- Fong, K. N., Chan, C. C., Au, D. K. Relationship of motor and cognitive abilities to functional performance in stroke rehabilitation. Brain Injury. 15 (5), 443-453 (2001).
- Vecchio, F., et al. Acute cerebellar stroke and middle cerebral artery stroke exert distinctive modifications on functional cortical connectivity: A comparative study via EEG graph theory. Clinical Neurophysiology. 130 (6), 997-1007 (2019).
- Hwang, H. J., Kwon, K., Im, C. H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). Journal of Neuroscience Methods. 179 (1), 150-156 (2009).
- Park, S. A., et al. Evaluation of feature extraction methods for EEG-based brain-computer interfaces in terms of robustness to slight changes in electrode locations. Medical & Biological Engineering & Computing. 51 (5), 571-579 (2013).
