Elektroencefalografi netværksindekser som biomarkører for nedsat overekstremitet ved kronisk slagtilfælde
Summary
Den eksperimentelle protokol demonstrerer paradigmet for erhvervelse og analyse af elektroencefalografi (EEG) signaler under bevægelse af overekstremiteter hos personer med slagtilfælde. Ændringen af det funktionelle netværk af EEG-frekvensbånd med lav beta blev observeret under bevægelsen af den svækkede øvre lem og var forbundet med graden af motorisk svækkelse.
Abstract
Ændring af elektroencefalografi (EEG) signaler under opgavespecifik bevægelse af det svækkede lem er blevet rapporteret som en potentiel biomarkør for sværhedsgraden af motorisk svækkelse og til forudsigelse af motorisk genopretning hos personer med slagtilfælde. Ved implementering af EEG-eksperimenter kræves detaljerede paradigmer og velorganiserede eksperimentprotokoller for at opnå robuste og fortolkelige resultater. I denne protokol illustrerer vi et opgavespecifikt paradigme med overekstremitetsbevægelse og metoder og teknikker, der er nødvendige for erhvervelse og analyse af EEG-data. Paradigmet består af 1 minuts hvile efterfulgt af 10 forsøg bestående af skiftevis 5 s og 3 s hvile og opgave (håndforlængelse) -tilstande over 4 sessioner. EEG-signaler blev erhvervet ved hjælp af 32 Ag / AgCl hovedbundselektroder med en samplinghastighed på 1.000 Hz. Begivenhedsrelateret spektral forstyrrelsesanalyse forbundet med lemmernes bevægelse og funktionelle netværksanalyser på globalt plan i lav-beta (12-20 Hz) frekvensbåndet blev udført. Repræsentative resultater viste en ændring af det funktionelle netværk af EEG-frekvensbånd med lav beta under bevægelse af den svækkede øvre ekstremitet, og det ændrede funktionelle netværk var forbundet med graden af motorisk svækkelse hos patienter med kronisk slagtilfælde. Resultaterne demonstrerer gennemførligheden af det eksperimentelle paradigme i EEG-målinger under bevægelse af overekstremiteter hos personer med slagtilfælde. Yderligere forskning ved hjælp af dette paradigme er nødvendig for at bestemme den potentielle værdi af EEG-signaler som biomarkører for motorisk svækkelse og genopretning.
Introduction
Motorisk svækkelse af overekstremiteter er en af de mest almindelige konsekvenser af slagtilfælde og er relateret til begrænsninger i dagligdagens aktiviteter 1,2. Alfa (8-13 Hz) og beta (13-30 Hz) båndrytmer er kendt for at være tæt forbundet med bevægelser. Især har undersøgelser vist, at ændret neural aktivitet i alfa- og nedre beta-frekvensbåndet (12-20 Hz) under bevægelse af et nedsat lem er korreleret med graden af motorisk svækkelse hos personer med slagtilfælde 3,4,5. Baseret på disse fund er elektroencefalografi (EEG) opstået som en potentiel biomarkør, der afspejler både sværhedsgraden af motorisk svækkelse og muligheden for motorisk genopretning 6,7. Tidligere udviklede EEG-baserede biomarkører har imidlertid vist sig utilstrækkelige til at undersøge karakteristika ved motorisk svækkelse hos personer med slagtilfælde, hovedsageligt på grund af deres afhængighed af hviletilstands-EEG-data snarere end opgaveinducerede EEG-data 8,9,10. Kompleks informationsbehandling relateret til motoriske svækkelser, såsom interaktionen mellem ipsilesional og contralesional halvkugle, kan kun afsløres gennem opgaveinducerede EEG-data, ikke hviletilstands-EEG. Derfor er yderligere undersøgelser ikke kun nødvendige for at undersøge forholdet mellem neuronale aktiviteter og motoriske svækkelseskarakteristika og for at klarlægge nytten af EEG genereret under bevægelse af den svækkede kropsdel som en potentiel biomarkør for motorisk svækkelse hos personer med slagtilfælde11.
Implementering af EEG til vurdering af adfærdsmæssige effekter kræver opgavespecifikke paradigmer og protokoller. Til dato er forskellige EEG-protokoller blevet foreslået12, hvor personer med slagtilfælde udførte forestillede eller faktiske bevægelser for at fremkalde bevægelsesrelaterede hjerneaktiviteter11,13. I tilfælde af forestillede bevægelser kunne omkring 53,7% af deltagerne ikke helt sikkert forestille sig en tilsvarende bevægelse (kaldet “analfabetisme”) og undlod således at fremkalde bevægelsesrelaterede hjerneaktiviteter14. Desuden er det vanskeligt for personer med alvorligt slagtilfælde at bevæge hele den øvre ekstremitet, og der er mulighed for unødvendige artefakter under dataindsamling på grund af ustabile bevægelser. Derfor er der behov for vejledning baseret på ekspertviden for at opnå opgaverelaterede EEG-data af høj kvalitet og neurofysiologisk fortolkelige resultater. I denne undersøgelse designede vi omfattende et eksperimentelt paradigme for personer med slagtilfælde til at udføre en relativt simpel håndbevægelsesopgave og leverede en eksperimentel procedure med detaljeret vejledning.
Ved at skitsere den visualiserede eksperimentelle protokol i denne artikel havde vi til formål at illustrere de specifikke begreber og metoder, der anvendes til erhvervelse og analyse af neuronale aktiviteter relateret til bevægelsen af overekstremiteten ved hjælp af et EEG-system. Ved at demonstrere forskellen i neuronale aktiviteter via EEG mellem de paretiske og ikke-paretiske øvre lemmer hos deltagere med hemiplegisk slagtilfælde havde denne undersøgelse til formål at præsentere gennemførligheden af EEG ved hjælp af den beskrevne protokol som en potentiel biomarkør for sværhedsgraden af motorisk svækkelse hos personer med slagtilfælde i en tværsnitssammenhæng.
Protocol
Representative Results
Discussion
Denne undersøgelse har introduceret et EEG-eksperiment til måling af øvre lemmers bevægelsesrelaterede neuronale aktiviteter hos personer med slagtilfælde. Det eksperimentelle paradigme og metoder til erhvervelse og analyse af EEG blev anvendt til at bestemme ERD-mønstrene i ipsilesional og contralesional motorisk cortex.
Resultaterne af ERSP-kortene (figur 7) viste forskellen i graden af neuronal aktivering ved bevægelse af de svækkede og upåvirkede hæ…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dette arbejde blev støttet af National Research Foundation of Korea (NRF) tilskud finansieret af Koreas regering (MSIT) (nr. NRF-2022R1A2C1006046), af Original Technology Research Program for Brain Science gennem National Research Foundation of Korea (NRF) finansieret af Ministeriet for Uddannelse, Videnskab og Teknologi (2019M3C7A1031995), af National Research Foundation of Korea (NRF) tilskud finansieret af Koreas regering (MSIT) (nr. NRF-2022R1A6A3A13053491) og af MSIT (Ministeriet for Videnskab og IKT), Korea, under ITRC (Information Technology Research Center) supportprogram (IITP-2023-RS-2023-00258971) under tilsyn af 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 |
References
- 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).
