Motorbilder BCI-rehabilitering etter hjerneslag

Denne studien vil bli utført som en eksplorativ studie for å undersøke fordelene med mental billedtrening av håndbevegelser veiledet gjennom tilbakemeldinger fra hjerne-datamaskingrensesnitt (BCI) etter hjerneslag. Hjerneslagpasienter vil bli opplært til å mentalt forestille seg åpning og lukking av hånden (heretter kalt MI, Motor Imagery). Under opplæringen vil pasientene få visuell tilbakemelding i sanntid som reflekterer den nevrale aktiviteten knyttet til motoriske prosesser. NeuroFeedback (NF) vil bli projisert med minimal tidsforsinkelse for å maksimere den nevrale læringen. Denne typen hjernetrening med tilbakemelding antas å ha betydelig betydning for å stimulere hjernens evne til å omorganisere og kompensere for en skadet region.

Hver deltaker vil gå gjennom følgende datainnsamlingsprosedyre (totalt 33 måleøkter per RP):

Uke 1-3:

Kliniske baseline-evalueringer, 1 gang/uke MR-målinger, 1 gang/uke i løpet av 2 uker. Baseline EEG-registreringer, 1 gang/uke Uke 4-7 MI-nevrofeedback-trening 3 ganger/uke Klinisk intervensjonsevaluering, 1 gang/uke Uke 8-10 Samme som uke 1-3

Magnetic Resonance Imaging (MRI) målinger. MR-undersøkelsen vil bli utført på en Siemens MAGNETOM Prisma 3T-skanner (hodespole med 20 kanaler) ved baseline og ved avsluttende vurderingssesjon ved Stockholm University Brain Imaging Centre. MR-protokollen omfatter i) anatomiske spin-ekko T1- og T2-vektede sekvenser for hele hjernen for beskrivelse av lesjonsstørrelse og plassering ii) innhenting av T2*-vektet gradientekko EPI-BOLD-bilder av hele hjernen for vurdering av funksjonell tilkobling i hviletilstand av sensorimotoriske nettverk (funksjonell MR i hviletilstand (fMRI)), og iii) den samme sekvensen som den forrige med hvile sammenflettet av et motorisk bildeparadigme som er beskrevet nedenfor.

Motor Imagery (MI) paradigme. Paradigmet består i å instruere RP, ved bruk av en speilvendt dataskjerm, til å enten i) hvile tankene hans/hennes med lukkede øyne, ii) mentalt forestille seg en håndbevegelse (MI), eller ii) utføre en håndbevegelse. Håndbevegelsene som instrueres er enten å lukke hånden eller å åpne hånden og strekke ut fingrene. RP vil utføre flere repetisjoner av hver håndbevegelse (MI og utførelse) for å samle et statistisk grunnlag.

Baseline EEG-registrering. Under baseline EEG-opptakene vil RP sitte foran en dataskjerm og utføre MI-paradigmet (beskrevet ovenfor). Under disse øktene vil EEG-, EOG-, EMG- og akselerometerdata samles inn og beskrives nærmere nedenfor.

ElectroEncephaloGram (EEG), ElectroOculoGram (EOG), ElectroMyoGram (EMG) og akselerometerutstyr. EEG-utstyret består av et 64-elektroder EEG-innsamlingssystem for hodebunnen (Brain Products ActiCHamp). De 64 elektrodene (aktiv Ag/AgCl) vil bli fordelt i henhold til det utvidede 10-20 referanseplasseringssystemet. I tillegg til EEG-registreringen vil 3 elektroder (passiv Ag/AgCl, Brain Products) plasseres på hver side av begge øynene og på øreflippen for å måle øyebevegelser under forsøket (EOG). EMG-elektroder (passive Ag/AgCl, Brain Products) vil bli plassert over fire muskler som kontrollerer håndleddet og fingrene i henhold til en standardisert protokoll. To akselerometer-sensorer (Hjerneprodukter) vil bli plassert på hånden og pekefingeren for å registrere bevegelsesrelatert aktivitet.

EEG, EOG, EMG og akselerometer dataanalyse. De registrerte dataene vil bli videre analysert offline for å evaluere de karakteristiske trekkene i dataene som best beskriver MI av håndbevegelser. Dette vil bli utført i Matlab og Labview ved å kombinere skreddersydde skript med allerede utviklede verktøykasser (som EEGLab, Chronux). Funksjoner som skal evalueres vil inkludere den fremkalte aktiviteten, tids-frekvensspektra, fase, korrelasjonskoeffisienter, koherens blant annet. Når funksjonen som best beskriver MI har blitt identifisert, vil forskjellige klassifiserings- og mønstergjenkjenningsmetoder bli evaluert for å trekke ut informasjonen. Intelligente algoritmer, Support Vector Machine (SVM), regularisert lineær regresjon, naive Bayes-klassifiserere vil blant annet bli evaluert og sammenlignet. Dette er ofte brukte metoder innen nevroteknologi, og en tidligere sammenligningsstudie med bruk av nevrale data fra invasive opptak viser viktigheten av å velge en godt tilpasset klassifisering for å trekke ut informasjon.

MI-NeuroFeedback Training (NFT). EEG, EOG, EMG og akselerometer-data vil bli samlet inn som beskrevet i avsnittet "EEG, EMG og akselerometerutstyr". RP vil utføre MI-paradigmet uten utførelse av håndbevegelser. Sanntidstilbakemelding fra registrert EEG-aktivitet vil bli gitt til RP under MI. Tilbakemeldingen består av en virtuell hånd på en dataskjerm hvis bevegelser reflekterer hjerneaktiviteten til RP relatert til MI. De registrerte dataene vil bli videre analysert offline med analyseverktøyene som er beskrevet i forrige avsnitt.