Moottorikuvien dekoodaus noninvasiivisista aivotallenteista edellytyksenä innovatiivisille motoriikkakuntoutushoidoille (MODECO)

Motorisen neurotieteen perustutkimukset, joissa on mukana terveitä koehenkilöitä, ovat jo pitkään paljastaneet aikalukittuja muutoksia indusoidussa tehossa tietyllä taajuuskaistalla. Aivotallenteiden osoitettiin osoittavan signaalitehon asteittaista heikkenemistä perusviivaan verrattuna mu- (~ 8-12 Hz) ja beeta- (~ 13-30 Hz) taajuuskaistoilla toiminnan aikana tai motoristen kuvien (MI) aikana: niin kutsuttu tapahtumaan liittyvä desynkronointi (ERD). Tämän ilmiön katsotaan heijastavan liikkeiden valmisteluun ja suorittamiseen liittyviä prosesseja, ja se on erityisen voimakas kontralateraalisessa sensomotorisessa aivokuoressa. Lisäksi pian tehtävän suorittamisen jälkeen tehon suhteellinen lisäys, tapahtumaan liittyvä synkronointi (ERS) (kutsutaan myös beta-reboundiksi), voitiin havaita beetakaistalla. ERS:n uskotaan heijastavan eston uudelleen muodostumista samalla alueella.

ERD- ja ERS-ilmiöiden karakterisoinnista lähtien ei-invasiivisella BCI-kentällä on keskusteltu vain vähän tai ei ollenkaan siitä, kuvaavatko nämä ominaisuudet tarkasti aivotoiminnan tehtäviin liittyvät modulaatiot. Viimeaikaiset neurofysiologian tutkimukset ovat kyseenalaistaneet tämän näkemyksen ja osoittaneet, että ERD- ja ERS-mallit ilmenevät vain signaalitehon keskiarvon laskemisen seurauksena useissa kokeissa. Yhdellä koetasolla beetakaistan aktiivisuus esiintyy lyhyinä, ohimenevinä tapahtumina, joita kutsutaan purskeiksi, eikä jatkuvina värähtelyinä. Tämä osoittaa, että ERD- ja ERS-kuviot heijastavat kumuloituneita, ajassa vaihtelevia muutoksia purskeen todennäköisyydessä kunkin kokeen aikana. Siten beetapurskeet voivat kuljettaa käyttäytymisen kannalta merkityksellisempää tietoa kuin keskimääräinen beetakaistan teho. Itse asiassa ihmisillä tehdyt tutkimukset käsivarsien liikkeistä ovat osoittaneet yhteyden sensorimotoristen beetapurskeiden ajoituksen ja liikettä edeltävien vasteaikojen sekä liikkeen jälkeisten käyttäytymisvirheiden välillä. Beetapurskeaktiviteetin frontaalisilla alueilla on myös osoitettu korreloivan liikkeen peruuntumisen kanssa, ja viimeaikaiset tutkimukset osoittavat, että aktiivisuus motorisen yksikön tasolla tapahtuu myös ohimenevästi, mikä on aikalukittu sensomotorisille beetapurskeille.

Vaikka beetapurskenopeuden on osoitettu sisältävän merkittävää tietoa, se sisältää silti melko yksinkertaistetun esityksen taustalla olevasta toiminnasta. Jokaista pursketta voidaan luonnehtia joukolla TF-pohjaisia ​​ominaisuuksia: purskeen huippuaika ja huipputaajuus sekä sen kesto ja jänneväli taajuusakselilla. Kaikki nämä deskriptorit puolestaan ​​erotetaan käyttämällä tiettyä aika-taajuus-muunnosta, ja ne muodostavat yksinkertaisempia esityksiä monimutkaisemmasta purskeaaltomuodosta, joka on upotettu raakasignaaleihin ja jolle on tunnusomaista stereotyyppinen keskimääräinen muoto, jonka ympärillä on suuri vaihtelu. Aaltomuodon ominaisuudet jätetään huomiotta standardeissa BCI-lähestymistavissa, koska perinteiset signaalinkäsittelymenetelmät edellyttävät yleensä jatkuvaa, värähtelevää ja stationääristä signaalia, eivätkä ne siten ole luonnostaan ​​sopivia transienttiaktiivisuuden analysointiin.

Toisin kuin beeta, aktiivisuus mu-taajuuskaistalla on värähtelevää jopa yksittäisissä kokeissa. Tämä aktiivisuus analysoidaan tyypillisesti aika-taajuushajotustekniikoilla, joissa oletetaan, että taustalla oleva signaali on sinimuotoinen. Nyt ollaan kuitenkin yhä enemmän yksimielisiä siitä, että värähtelevä hermotoiminta on usein ei-sinimuotoista ja että raaka aaltomuoto voi olla informatiivinen liikkeestä. Tulevaisuudessa voitaisiin hyödyntää tätä mahdollisuutta käyttämällä äskettäin kehitettyjä ei-parametrisia sykli-syklisiä analyysejä.

Tässä projektissa tutkijat optimoivat aihekohtaisen neurofysiologisen mallin suunnittelun ohjaamaan motorista BCI-harjoitusta käyttämällä magneettiresonanssikuvausta (MRI) ja magnetoenkefalografiaa (MEG) korkean spatiaalisen ja biofysikaalisen spesifisyyden saavuttamiseksi koeryhmässä. Anatomisten MR-tilavuuksien avulla suunnitellaan ja 3D-tulostetaan yksittäinen päänheitin, jota käytetään MEG-skannerina kohteen pään asennon vakauttamiseksi ja liikkeiden minimoimiseksi. Tämän erittäin tarkan lähestymistavan (hpMEG) on osoitettu parantavan merkittävästi lähteen paikantamista erottavan laminaarisen aktiivisuuden tasolle, mikä tekee siitä EEG-tallennustekniikkaa paremman. MODECOssa tutkijat käyttävät yksilöllistä hpMEG-lähestymistapaa sekä laajalti käytettyä EEG:tä tutkiakseen värähtelevän aktiivisuuden purskeita beeta- ja mu-taajuuskaistoilla, jotka liittyvät motorisiin kuviin ja moottorin suorittamiseen. hpMEG tuottaa aihekohtaisia ​​malleja motorisista kuvista, joita käytetään rajoittamaan EEG-tietojen online-dekoodausta. Tätä lähestymistapaa sovelletaan ja validoidaan terveiden aikuisten koehenkilöiden ryhmään (verrokkiryhmä) ja sitä verrataan sitten toiseen toteutettavuusryhmään, joka koostuu potilaista (potilasryhmä) ja ikään sopivista terveistä osallistujista (kontrolliryhmä; tutkijat yrittävät värvätä potilaita) sukulaiset). tutkijat vertaavat ehdotettua lähestymistapaa klassiseen EEG-pohjaiseen BCI-lähestymistapaan.

tutkijat tutkivat, kuinka tätä tietoa voidaan käyttää ohjaamaan optimaalisesti myöhempää EEG-pohjaista BCI-koulutusta kontrolliryhmässä. Tämän projektin terveillä henkilöillä tehdyn perusteellisen tutkimuksen jälkeen tutkijat pystyvät arvioimaan tämän lähestymistavan aivohalvauspotilaiden populaatiossa, joilla on yläraajojen motorisia puutteita. Tämän projektin tehtävissä 1.1 ja tehtävässä 1.2 on suunniteltu kaksi tehtävää. Tehtävän 1.1 tavoitteena on kehittää aihekohtaisia ​​generatiivisia malleja, jotka dekoodaavat liikkeen alkamisen ja/siirtymän, liikkeen tyypin (vasen vs. oikea) sekä hienosti diskretisoitua liikeamplitudia sekä todellisten että kuviteltujen ranteen ojennus-/taivutusliikkeiden aikana. Tehtävässä 1.2 tutkijat pyrkivät tutkimaan, kuinka potilaiden leesiot muuttavat kykyämme dekoodata ranteen liikkeet (kontrolli vs. potilasryhmä).