Motor Imagery BCI Rehabilitation nach Schlaganfall

Diese Studie wird als explorative Studie durchgeführt, um die Vorteile des mentalen Vorstellungstrainings von Handbewegungen zu untersuchen, die durch Brain-Computer Interface (BCI)-Feedback nach einem Schlaganfall geführt werden. Schlaganfallpatienten werden darauf trainiert, sich das Öffnen und Schließen der Hand mental vorzustellen (im Folgenden MI, Motor Imagery genannt). Während des Trainings erhalten die Patienten in Echtzeit ein visuelles Feedback, das die neuronale Aktivität im Zusammenhang mit motorischen Prozessen widerspiegelt. Das NeuroFeedback (NF) wird mit minimaler Zeitverzögerung projiziert, um das neuronale Lernen zu maximieren. Es wird angenommen, dass diese Art von Gehirntraining mit Feedback von erheblicher Bedeutung ist, um die Fähigkeit des Gehirns zu stimulieren, sich zu reorganisieren und eine beschädigte Region zu kompensieren.

Jeder Teilnehmer durchläuft das folgende Datenerhebungsverfahren (insgesamt 33 Messsitzungen pro RP):

Woche 1-3:

Klinische Baseline-Bewertungen, 1 Mal/Woche MRT-Messungen, 1 Mal/Woche während 2 Wochen. Baseline-EEG-Aufzeichnungen, 1 Mal/Woche Woche 4–7 MI-Neurofeedback-Training 3 Mal/Woche Klinische Interventionsbewertung, 1 Mal/Woche Woche 8–10 Wie Woche 1–3

Magnetresonanztomographie (MRI)-Messungen. Die MRT-Untersuchung wird auf einem Siemens MAGNETOM Prisma 3T-Scanner (Kopfspule mit 20 Kanälen) zu Studienbeginn und bei der abschließenden Bewertungssitzung im Brain Imaging Centre der Universität Stockholm durchgeführt. Das MRT-Protokoll umfasst i) anatomische Ganzhirn-Spinecho-T1- und T2-gewichtete Sequenzen zur Beschreibung der Läsionsgröße und -lokalisation ii) Erfassung von T2*-gewichteten Gradientenecho-EPI-BOLD-Bildern des gesamten Gehirns zur Beurteilung der funktionellen Konnektivität im Ruhezustand sensomotorische Netzwerke (Ruhezustands-Funktions-MRI (fMRI)) und iii) die gleiche Sequenz wie die vorherige, wobei Ruhe durch ein Motorbild-Paradigma verschachtelt ist, das weiter unten beschrieben wird.

Motor Imagery (MI) Paradigma. Das Paradigma besteht darin, RP durch die Verwendung eines gespiegelten Computerbildschirms anzuweisen, entweder i) seinen Geist mit geschlossenen Augen auszuruhen, ii) sich mental eine Handbewegung (MI) vorzustellen oder ii) eine Handbewegung auszuführen. Die angewiesenen Handbewegungen bestehen entweder darin, die Hand zu schließen oder die Hand zu öffnen und die Finger zu strecken. RP führt mehrere Wiederholungen jeder Handbewegung (MI und Ausführung) durch, um eine statistische Grundlage zu erheben.

Baseline-EEG-Aufzeichnung. Während der Basis-EEG-Aufzeichnungen wird RP vor einem Computerbildschirm sitzen und das MI-Paradigma (oben beschrieben) durchführen. Während dieser Sitzung werden EEG-, EOG-, EMG- und Beschleunigungsmesserdaten gesammelt und weiter unten beschrieben.

ElectroEncephaloGram (EEG), ElectroOculoGram (EOG), ElectroMyoGram (EMG) und Accelerometer-Ausrüstung. Die EEG-Ausrüstung besteht aus einem 64-Elektroden-Kopfhaut-EEG-Erfassungssystem (Brain Products ActiCHamp). Die 64 Elektroden (aktives Ag/AgCl) werden nach dem erweiterten 10-20 Referenzplatzierungssystem verteilt. Zusätzlich zur EEG-Aufzeichnung werden 3 Elektroden (passives Ag/AgCl, Brain Products) auf jeder Seite beider Augen und am Ohrläppchen platziert, um die Augenbewegungen während des Experiments (EOG) zu messen. EMG-Elektroden (passives Ag/AgCl, Brain Products) werden gemäß einem standardisierten Protokoll über vier Muskeln platziert, die das Handgelenk und die Finger kontrollieren. Zwei Beschleunigungssensoren (Brain Products) werden an Hand und Zeigefinger angebracht, um bewegungsbezogene Aktivitäten aufzuzeichnen.

EEG-, EOG-, EMG- und Beschleunigungsmesser-Datenanalyse. Die aufgezeichneten Daten werden offline weiter analysiert, um die charakteristischen Merkmale in den Daten zu bewerten, die MI von Handbewegungen am besten beschreiben. Dies wird in Matlab und Labview durchgeführt, wobei benutzerdefinierte Skripte mit bereits entwickelten Toolboxen (wie EEGLab, Chronux) kombiniert werden. Zu bewertende Merkmale umfassen unter anderem die evozierte Aktivität, die Zeit-Frequenz-Spektren, Phase, Korrelationskoeffizienten, Kohärenz. Wenn das Merkmal identifiziert wurde, das MI am besten beschreibt, werden verschiedene Klassifikator- und Mustererkennungsverfahren beim Extrahieren der Informationen ausgewertet. Unter anderem werden intelligente Algorithmen, Support Vector Machine (SVM), regularisierte lineare Regression, naive Bayes-Klassifikatoren evaluiert und verglichen. Dies sind häufig verwendete Methoden auf dem Gebiet der Neurotechnologie, und eine vorherige Vergleichsstudie mit neuronalen Daten aus invasiven Aufzeichnungen zeigt, wie wichtig es ist, einen gut angepassten Klassifikator zum Extrahieren von Informationen zu wählen.

MI-NeuroFeedback-Training (NFT). EEG-, EOG-, EMG- und Akzelerometer-Daten werden wie im Abschnitt "EEG-, EMG- und Akzelerometer-Ausrüstung" beschrieben erhoben. RP führt das MI-Paradigma ohne die Ausführung von Handbewegungen aus. Echtzeit-Feedback von aufgezeichneter EEG-Aktivität wird RP während MI bereitgestellt. Das Feedback besteht aus einer virtuellen Hand auf einem Computerbildschirm, deren Bewegungen die Gehirnaktivität von RP im Zusammenhang mit MI widerspiegeln. Die aufgezeichneten Daten werden offline mit den im vorherigen Abschnitt beschriebenen Analysewerkzeugen weiter analysiert.