Motoriske billeder BCI-rehabilitering efter slagtilfælde

Denne undersøgelse vil blive udført som en eksplorativ undersøgelse med henblik på at undersøge fordelene ved mental billedtræning af håndbevægelser styret gennem hjerne-computergrænseflade (BCI) feedback efter slagtilfælde. Patienter med slagtilfælde vil blive trænet til mentalt at forestille sig åbning og lukning af hånden (herefter benævnt MI, Motor Imagery). Under træningen vil patienterne modtage visuel feedback i realtid, der afspejler den neurale aktivitet relateret til motoriske processer. NeuroFeedback (NF) vil blive projekteret med minimal tidsforsinkelse for at maksimere den neurale læring. Denne type hjernetræning med feedback menes at have væsentlig betydning for at stimulere hjernens evne til at reorganisere og kompensere for en beskadiget region.

Hver deltager vil gennemgå følgende dataindsamlingsprocedure (i alt 33 målesessioner pr. RP):

Uge 1-3:

Kliniske baseline-evalueringer, 1 gang/uge MR-målinger, 1 gang/uge i 2 uger. Baseline EEG optagelser, 1 gang/uge Uge 4-7 MI-neurofeedback træning 3 gange/uge Klinisk interventionsevaluering, 1 gang/uge Uge 8-10 Samme som uge 1-3

Målinger med magnetisk resonansbilleddannelse (MRI). MR-undersøgelsen vil blive udført på en Siemens MAGNETOM Prisma 3T-scanner (hovedspole med 20 kanaler) ved baseline og ved den afsluttende vurderingssession på Stockholm University Brain Imaging Centre. MR-protokollen omfatter i) anatomiske helhjerne spin-ekko T1 og T2 vægtede sekvenser til beskrivelse af læsionsstørrelse og lokalisering ii) erhvervelse af T2*-vægtede gradient ekko EPI-BOLD billeder af hele hjernen til vurdering af hviletilstand funktionel forbindelse af sensorimotoriske netværk (funktionel MRI i hviletilstand (fMRI)), og iii) den samme sekvens som den foregående med hvile indflettet af et motorisk billedparadigme yderligere beskrevet nedenfor.

Motor Imagery (MI) paradigme. Paradigmet består i at instruere RP, ved brug af en spejlvendt computerskærm, til enten i) at hvile hans/hendes sind med lukkede øjne, ii) mentalt forestille sig en håndbevægelse (MI), eller ii) udføre en håndbevægelse. De håndbevægelser der instrueres er enten at lukke hånden eller at åbne hånden og strække fingrene. RP vil udføre flere gentagelser af hver håndbevægelse (MI og udførelse) for at indsamle et statistisk grundlag.

Baseline EEG optagelse. Under baseline EEG-optagelserne vil RP sidde foran en computerskærm og udføre MI-paradigmet (beskrevet ovenfor). Under disse sessioner vil EEG, EOG, EMG og accelerometer-data blive indsamlet og er yderligere beskrevet nedenfor.

ElectroEncephaloGram (EEG), ElectroOculoGram (EOG), ElectroMyoGram (EMG) og accelerometerudstyr. EEG-udstyret består af et 64-elektrodes EEG-opsamlingssystem for hovedbunden (Brain Products ActiCHamp). De 64 elektroder (aktiv Ag/AgCl) vil blive fordelt i henhold til det udvidede 10-20 referenceplaceringssystem. Ud over EEG-registreringen vil 3 elektroder (passiv Ag/AgCl, Brain Products) blive placeret på hver side af begge øjne og på øreflippen for at måle øjenbevægelser under eksperimentet (EOG). EMG-elektroder (passive Ag/AgCl, Brain Products) vil blive placeret over fire muskler, der styrer håndled og fingre i henhold til en standardiseret protokol. To accelerometer-sensorer (Hjerneprodukter) vil blive placeret på hånden og pegefingeren for at registrere bevægelsesrelateret aktivitet.

EEG, EOG, EMG og accelerometer dataanalyse. De registrerede data vil blive yderligere analyseret offline for at evaluere de karakteristiske træk i dataene, der bedst beskriver MI af håndbevægelser. Dette vil blive udført i Matlab og Labview ved at kombinere specialfremstillede scripts med allerede udviklede værktøjskasser (såsom EEGLab, Chronux). Funktioner, der skal evalueres, vil omfatte den fremkaldte aktivitet, tids-frekvensspektrene, fase, korrelationskoefficienter, kohærens blandt andet. Når den funktion, der bedst beskriver MI, er blevet identificeret, vil forskellige klassificerings- og mønstergenkendelsesmetoder blive evalueret ved udtrækning af informationen. Intelligente algoritmer, Support Vector Machine (SVM), regulariseret lineær regression, naive Bayes klassifikatorer blandt andre vil blive evalueret og sammenlignet. Disse er almindeligt anvendte metoder inden for neuroteknologi, og et tidligere sammenligningsstudie ved hjælp af neurale data fra invasive optagelser viser vigtigheden af ​​at vælge en veltilpasset klassifikator til at udtrække information.

MI-NeuroFeedback Træning (NFT). EEG, EOG, EMG og accelerometer-data vil blive indsamlet som beskrevet i afsnittet "EEG, EMG og accelerometerudstyr". RP vil udføre MI-paradigmet uden udførelse af håndbevægelser. Realtidsfeedback fra registreret EEG-aktivitet vil blive givet til RP under MI. Feedbacken består af en virtuel hånd på en computerskærm, hvis bevægelser afspejler hjerneaktiviteten af ​​RP relateret til MI. De registrerede data vil blive yderligere analyseret offline med de analytiske værktøjer, der er beskrevet i forrige afsnit.