뇌졸중 후 근육 시너지의 방향 조절

소개: 뇌졸중 후 상지 기능이 손상되고 비정상적이고 정형적이며 조정되지 않은 움직임 패턴이 특징입니다. 손상된 피질 척수 시스템의 신경 드라이브 감소로 인해 작용제 운동 단위 발사 감소, 경련, 운동 협응 장애. 뇌가 척수를 통해 사지 움직임을 제어하고 조절하는 방식에 대한 보다 포괄적인 이해는 보다 진보된 재활 기술을 향상시킬 수 있습니다.

운동 제어의 현재 개념은 뇌-피질이 뇌간과 척수 내 개별 기능 단위의 활성화를 조절하고 동기화한다고 제안합니다. 이러한 신경 기능 단위, 즉 근육 시너지 효과는 선형으로 결합될 때 다양한 사지 움직임의 생성을 촉진합니다. 이 제어 메커니즘은 CNS가 CNS에 내장된 방대한 수의 자유도의 차원을 불연속적인 수의 근육 시너지 효과로 줄이는 방식을 대부분 설명할 수 있습니다. 따라서 움직임의 실행은 이러한 시너지를 선형적으로 결합하고 시간 영역을 따라 활성화 강도를 조절하기만 하면 됩니다.

이러한 제어 메커니즘의 존재는 뇌졸중 후 운동 회복을 향상시키기 위해 그 특성을 사용하기 위해 임상의와 과학자 모두의 관심을 끌었습니다. 따라서 피질 손상이 시너지의 동기화에 어떤 영향을 미치고 시너지의 내부 구조를 변화시키는지 여부를 조사하기 위한 연구가 등장했습니다. 이 영역에 대한 수많은 연구에도 불구하고 뇌졸중이 이 제어 메커니즘에 미치는 영향과 장애 수준과 시너지 구조 사이의 상관 관계에 대한 합의가 부족합니다. 연구 목적은 뇌졸중 후 개인과 건강한 개인 사이에서 여러 방향으로 손을 뻗는 움직임의 시너지 구조와 MAP를 비교하고 이러한 속성과 뇌졸중 후 개인의 운동 장애 사이의 상관 관계를 파악하는 것입니다.

행동 양식:

참가자: 12명의 건강한 지원자(대조 그룹)와 20명의 뇌졸중 후 개인(연구 그룹)이 연구에 참여합니다. 연구 그룹에 대한 포함 기준은 편측 마비가 있는 편측 뇌졸증을 지속한 20세 이상의 개인일 것이다. 실험의 제외 기준은 감각 실어증, 일방적 방치 및 파킨슨병이나 알츠하이머병과 같은 다른 신경계 질환의 존재입니다.

장비: HRSD(Hand-reaching Spatial Device)는 다양한 참가자 사이의 9가지 방향에 대한 손 포인팅 동작을 표준화할 수 있는 조정 가능하고 간단한 도구입니다. 3개의 반원형 선반이 부착된 2개의 수직 막대로 구성됩니다. 각 선반에는 각 참가자의 다양한 팔 길이를 수용하기 위해 왼쪽과 오른쪽으로 조정할 수 있는 3개의 이동 가능한 포인팅 핀이 있습니다. 가장 낮은 선반은 테이블 위 10cm, 중간 선반은 테이블 위 35cm, 가장 높은 선반은 테이블 위 55cm에 위치했습니다. 각 참가자에 대해 HRSD는 테스트된 어깨 앞의 최대 손 도달 거리에 위치했습니다. 측면 핀은 양쪽 어깨 관절에 45도 각도로 위치했습니다. HRSD의 목표 배열은 손을 뻗는 움직임의 대부분을 다루도록 설계되었습니다.

어깨 거들과 팔의 8개 근육: 승모근(TRS); 삼각근 전방(AD), 내측(MD) 및 후방 섬유(PD); 및 대흉근(PECT); 극하근(IS); 팔뚝(BI); 삼두근 (TRI). 전극은 근육-유럽 커뮤니티 프로젝트(SENIAM)의 비침습적 평가를 위한 표면 근전도 검사의 지침에 따라 배치되었습니다[34]. 올바른 전극 배치를 확인하고 정규화하기 위해 데이터 수집 전에 최대 자발적 수축(MVC)을 수행했습니다. 피로 가능성을 제한하기 위해 각 MVC를 따라 1분의 휴식 시간을 가졌습니다. EMG 신호는 대역 통과 필터링(20-450Hz)되었고 2000Hz에서 샘플링되었습니다.

프로토콜: MVC는 표준 근육 테스트로 측정되었습니다[35]. 그런 다음 참가자는 팔뚝을 편안한 위치에 놓고 테이블 앞에 앉았습니다. HRSD는 위에서 언급한 대로 위치했습니다. 참가자들은 EMG 소프트웨어에 의해 10초마다 활성화되는 음성 프롬프트에 따라 45회의 포인팅 동작 동안 각 대상을 5회 가리키도록 요청받았습니다. 대상을 가리키는 순서는 모든 참가자에게 일정했습니다.

데이터 분석 EMG 전처리 데이터 분석은 Matlab(The MathWorks, Inc.)을 이용하여 수행하였다. EMG는 손상되었으며, 50개 샘플(각 시점 주위에 25밀리초)의 중첩 창을 사용하여 RMS 계산이 이어졌습니다. 도달 동작 시퀀스에 대한 평균 데이터에서 각 시도의 평균 기준선 EMG를 뺍니다. 따라서 차원이 8(기록된 근육의 수)인 벡터인 각 시도에 대한 EMG 데이터는 잔여 기본 근육 활동을 넘어서는 활성 힘 생성에 해당합니다. EMG 데이터는 각 근육에 대한 MVC(Maximal Isometric Contraction)에 따라 정규화되었습니다.

Lee와 Seung(1999 및 2001)이 원래 사용했던 NMF 알고리즘은 근육 시너지와 활성 가중치를 식별하기 위해 적용되었습니다. 손을 뻗는 동작으로 기록된 EMG 패턴은 N개의 근육 시너지 세트의 선형 조합으로 모델링되었으며, 각각은 8개의 근육에 걸쳐 활성화의 상대적 수준을 지정하고 시변 활성화 계수에 의해 활성화됩니다.

V^(M×T)≈W^(M×N)∙H^(N×T) (4) 여기서 V는 M이 근육(8개 근육)의 수이고 T가 숫자인 EMG 데이터 세트 매트릭스입니다. 시간 샘플의 경우 W는 시너지 매트릭스이고 H는 계수 매트릭스입니다. W는 m×n은 n개의 시너지를 갖는 행렬이고, m은 근육의 개수이며, H는 시너지 활성화 계수의 n×t 행렬이다. 따라서 W의 각 열은 단일 시너지에 대한 각 근육의 가중치를 나타내고, H의 각 행은 해당 시너지가 얼마나 활성화되거나 힘을 생성하는 데 사용되었는지를 나타냅니다. 이 모델에서 각 근육이 하나 이상의 시너지 효과에 속할 수 있으므로 단일 근육의 EMG는 여러 근육 시너지 효과의 동시 또는 순차적 활성화에 기인할 수 있습니다.

전체 그룹에 대한 최적의 시너지 수를 결정하기 위해 모든 대상의 EMG 데이터를 각 참여자에 대해 연결했습니다. 그런 다음 NMF를 적용하기 전에 전체 샘플의 EMG를 연결했습니다. 시너지의 최적 수(d)는 데이터의 전체 분산 중 가장 높은 것을 포착한 시너지의 수로 정의되었으며, 이는 추가적인 시너지가 노이즈로 인한 변동의 작은 잔여량만 포착했음을 시사합니다. 이 절차를 통해 이동 방향에 관계없이 공간에서 도달하는 이동을 실행하기 위해 전체 샘플에 대한 최적의 시너지 수를 추정할 수 있었습니다.

NMF 알고리즘은 알고리즘을 적용하기 전에 추출된 시너지의 수가 지정되어야 합니다. 따라서 각 데이터 세트에 대해 시너지 수를 1에서 7로 변경하면서 VAF를 계산했습니다. VAF는 다음 방정식을 사용하여 계산했습니다.

VAF(H)=100%×(1-(|(|V-WH|)|_2^2)/(|(|V|)|_2^2 )) (6) 여기서 V는 원래 행렬이고, W와 H는 파생된 인수분해 행렬입니다.

이동 방향의 일반화

이 분석 단계의 목표는 공간에서 도달하는 모든 움직임을 제어하는 ​​일련의 개별적인 시너지 효과가 존재하는지 여부를 확인하는 것이었습니다. 따라서 특정 방향의 움직임이 다른 방향의 움직임을 설명할 수 있는 방법을 조사했습니다. 각 움직임 방향에 대한 EMG 데이터는 8개의 근육에 걸쳐 별도로 풀링되어 전체 샘플에 대해 연결되었습니다. 그런 식으로 파생된 시너지 세트는 서로 다른 주제 간의 차이를 설명해야 하지만 해당 방향에만 고유할 수도 있습니다. NMF는 다음 방정식에 따라 각 이동 방향에 대해 개별적으로 적용되었습니다.

V_i≈W_i∙H_i (7) 여기서 i는 공간에서 특정 이동 방향에 해당하는 대상 번호입니다. 이 분석 단계에서 V_i(EMG 매트릭스)는 각 목표 i∈[1,9]에 대한 입력으로 제공되었으며 매트릭스 W_i,H_i는 반복적으로 업데이트되었습니다. 연구 절차에는 우주에서 9개의 다른 목표 방향에 도달하는 것이 포함되어 있어 다른 방향으로의 움직임을 설명할 수 있는 단일 시너지 세트가 있는지 추가로 조사할 수 있습니다.

이것은 NMF 알고리즘의 수정된 버전을 적용하여 V_i 행렬과 W_j 행렬 사이의 교차 검증 기술을 사용하여 수행되었으며, 그 다음 시너지 수(d)를 3에서 5로 변경하는 해당 VAF 계산이 뒤따랐습니다. 결과 섹션에 자세히 설명된 대로 모든 참가자 및 모든 대상에 대한 NMF 결과를 기반으로 1~7. 수정된 버전의 알고리즘에서는 V_i 및 W_j(시너지 매트릭스)가 모두 입력으로 제공되었습니다. 타겟 i의 H_(i,j) 계수 행렬만 업데이트되어 출력되었습니다.

수정된 NMF의 교차 검증 프로세스는 (타겟 i의) 데이터 매트릭스 V_i와 (타겟 j의) 시너지 매트릭스 W_j의 각 조합에 대해 수행되어 9×9 매트릭스 H_ji가 되었습니다. 모든 i,j∈[1,9]에 대해 W_j H_ji≈V_i가 되도록 V_i를 분해합니다.

9×9 분해 각각에 대한 VAF를 계산하여 근육 시너지의 참조 세트를 선택했습니다.

VAF(H_ij )=100%×(1-(|(|V_i-W_j H_ij |)|_2^2)/(|(|V_i |)|_2^2 )) (8) VAF의 일관된 높은 값을 가정 특정 V_i에 대한 (H_ij)는 이 방향의 움직임에서 얻은 시너지가 다른 방향의 움직임을 정확하게 설명할 수 있음을 나타낼 수 있습니다.

따라서 미리 정의된 시너지의 수(d)에 대해 각 셀이 지정된 방향(열)에 대한 주어진 시너지(행)의 책임을 나타내는 9×9 매트릭스가 수신되었습니다. 결과 매트릭스의 각 행은 적절한 시너지 세트의 전체 "성능"을 나타내므로 평균 VAF가 가장 높은 행이 다음 분석 단계를 위해 선택되었습니다.

근육 시너지의 방향 변조 시너지 세트(W_j)가 선택되면 모든 목표(H_ij,i∈[9,1]일 때)에 대한 활성화 계수를 설정하고 각 방향에 대해 어떤 시너지가 지배적인지 결정되었습니다. 각 시너지 수에 대해 모든 방향에 대한 모든 시너지의 평균 활성화 계수를 계산했습니다. 예를 들어 시너지 수를 4로 설정하면 4개의 시너지를 나타내는 4개 값의 9개 벡터(이동 방향당 하나씩)가 생성됩니다. 그런 다음 이동 방향에 따른 각 시너지 효과의 평균 진폭과 시너지 효과에 따른 서로 다른 방향의 움직임 간의 평균 진폭을 측정했습니다.