Dekodierung motorischer Bilder aus nicht-invasiven Gehirnaufzeichnungen als Voraussetzung für innovative motorische Rehabilitationstherapien (MODECO)

Bahnbrechende Studien in der motorischen Neurowissenschaft mit gesunden Probanden haben seit langem zeitabhängige Veränderungen der induzierten Leistung innerhalb eines bestimmten Frequenzbandes aufgedeckt. Es wurde gezeigt, dass Gehirnaufzeichnungen eine allmähliche Verringerung der Signalleistung im Verhältnis zum Ausgangswert in den Frequenzbändern Mu (~ 8–12 Hz) und Beta (~ 13–30 Hz) während einer Aktion oder während der motorischen Vorstellung (MI) zeigen sogenannte ereignisbezogene Desynchronisation (ERD). Man geht davon aus, dass dieses Phänomen Prozesse im Zusammenhang mit der Bewegungsvorbereitung und -ausführung widerspiegelt und im kontralateralen sensomotorischen Kortex besonders ausgeprägt ist. Darüber hinaus konnte kurz nach Abschluss der Aufgabe ein relativer Leistungsanstieg, die ereignisbezogene Synchronisation (ERS) (auch Beta-Rebound genannt), im Beta-Band beobachtet werden. Es wird angenommen, dass ERS die Wiederherstellung der Hemmung in demselben Bereich widerspiegelt.

Seit der Charakterisierung der ERD- und ERS-Phänomene gab es im Bereich der nicht-invasiven BCI kaum oder gar keine Diskussion darüber, ob diese Merkmale die aufgabenbezogenen Modulationen der Gehirnaktivität genau erfassen. Neuere Studien in der Neurophysiologie haben diese Ansicht in Frage gestellt und gezeigt, dass die ERD- und ERS-Muster nur als Ergebnis der Mittelung der Signalstärke über mehrere Versuche hinweg entstehen. Auf einer einzelnen Versuchsebene tritt die Betabandaktivität in kurzen, vorübergehenden Ereignissen auf, die als Bursts bezeichnet werden, und nicht in Form anhaltender Oszillationen. Dies weist darauf hin, dass die ERD- und ERS-Muster akkumulierte, zeitlich variierende Änderungen der Burst-Wahrscheinlichkeit während jedes Versuchs widerspiegeln. Somit können Beta-Bursts mehr verhaltensrelevante Informationen enthalten als die durchschnittliche Beta-Band-Leistung. Tatsächlich haben Studien an Menschen mit Armbewegungen einen Zusammenhang zwischen dem Zeitpunkt sensomotorischer Beta-Ausbrüche und den Reaktionszeiten vor der Bewegung sowie Verhaltensfehlern nach der Bewegung festgestellt. Es wurde auch gezeigt, dass die Beta-Burst-Aktivität in Frontalbereichen mit der Aufhebung von Bewegungen korreliert, und neuere Studien zeigen, dass die Aktivität auf der Ebene der motorischen Einheiten auch vorübergehend auftritt und zeitlich an sensomotorische Beta-Bursts gebunden ist.

Obwohl gezeigt wurde, dass die Beta-Burst-Rate wichtige Informationen enthält, stellt sie immer noch eine recht vereinfachte Darstellung der zugrunde liegenden Aktivität dar. Jeder Burst kann durch eine Reihe von TF-basierten Merkmalen charakterisiert werden: die Burst-Spitzenzeit und -Frequenz sowie seine Dauer und seine Spanne auf der Frequenzachse. Alle diese Deskriptoren werden wiederum mithilfe einer bestimmten Zeit-Frequenz-Transformation extrahiert und stellen einfachere Darstellungen der komplexeren Burst-Wellenform dar, die in den Rohsignalen eingebettet ist und durch eine stereotype Durchschnittsform mit großer Variabilität um sie herum gekennzeichnet ist. Die Wellenformmerkmale werden in Standard-BCI-Ansätzen vernachlässigt, da herkömmliche Signalverarbeitungsmethoden im Allgemeinen anhaltende, oszillierende und stationäre Signale voraussetzen und daher von Natur aus für die Analyse transienter Aktivitäten ungeeignet sind.

Im Gegensatz zu Beta ist die Aktivität im Mu-Frequenzband selbst in einzelnen Versuchen oszillierend. Diese Aktivität wird typischerweise mithilfe von Zeit-Frequenz-Zerlegungstechniken analysiert, die davon ausgehen, dass das zugrunde liegende Signal sinusförmig ist. Mittlerweile besteht jedoch ein wachsender Konsens darüber, dass die oszillierende Nervenaktivität häufig nicht sinusförmig ist und dass die rohe Wellenform Aufschluss über die Bewegung geben kann. Zukünftige Bemühungen könnten diese Möglichkeit nutzen, indem sie kürzlich entwickelte nichtparametrische Zyklus-für-Zyklus-Analysen verwenden.

In diesem Projekt werden die Forscher den Entwurf eines fachspezifischen neurophysiologischen Modells zur Steuerung des motorischen BCI-Trainings optimieren, indem sie Magnetresonanztomographie (MRT) und Magnetenzephalographie (MEG) für eine hohe räumliche und biophysikalische Spezifität in der Versuchsgruppe verwenden. Anatomische MR-Volumina werden verwendet, um einen individuellen Kopfabdruck zu entwerfen und in 3D zu drucken, der im MEG-Scanner verwendet wird, um die Kopfposition des Probanden zu stabilisieren und Bewegungen zu minimieren. Dieser hochpräzise Ansatz (hpMEG) verbessert nachweislich die Quellenlokalisierung bis hin zur Unterscheidung laminarer Aktivität erheblich und ist damit der EEG-Aufzeichnungstechnik überlegen. In MODECO werden die Forscher einen individualisierten hpMEG-Ansatz sowie das weit verbreitete EEG verwenden, um Ausbrüche oszillatorischer Aktivität in den Beta- und Mu-Frequenzbändern im Zusammenhang mit motorischen Bildern und motorischer Ausführung zu untersuchen. hpMEG wird fachspezifische Modelle motorischer Bilder liefern, die zur Einschränkung der Online-Dekodierung von EEG-Daten verwendet werden. Dieser Ansatz wird an einer Gruppe gesunder erwachsener Probanden (Kontrollgruppe) angewendet und validiert und dann mit einer anderen Machbarkeitsgruppe von Patienten (Patientengruppe) und altersentsprechenden gesunden Teilnehmern (Kontrollgruppe) verglichen; die Forscher werden versuchen, Patienten zu rekrutieren Verwandte). Die Forscher werden den vorgeschlagenen Ansatz mit einem klassischen EEG-basierten BCI-Ansatz vergleichen.

Die Forscher werden untersuchen, wie diese Informationen genutzt werden können, um das nachfolgende EEG-basierte BCI-Training in der Kontrollgruppe optimal zu steuern. Nach einer gründlichen Untersuchung an gesunden Probanden in diesem Projekt werden die Forscher in der Lage sein, diesen Ansatz an einer Population von Schlaganfallpatienten mit motorischen Defiziten der oberen Extremitäten zu evaluieren. In diesem Projekt wurden zwei Aufgaben entworfen: Aufgabe 1.1 und Aufgabe 1.2. Das Ziel von Aufgabe 1.1 besteht darin, fachspezifische generative Modelle zu entwickeln, die den Beginn und/oder Versatz der Bewegung, die Art der Bewegung (links vs. rechts) sowie die fein diskretisierte Bewegungsamplitude sowohl während realer als auch imaginärer Streckungs-/Flexionsbewegungen des Handgelenks dekodieren. In Aufgabe 1.2 wollen die Forscher untersuchen, wie die Läsionen von Patienten unsere Fähigkeit verändern, versuchte Handgelenksbewegungen zu entschlüsseln (Kontrolle vs. Patientengruppe).