Dekoding av motoriske bilder fra ikke-invasive hjerneopptak som en forutsetning for innovative motoriske rehabiliteringsterapier (MODECO)

Seminale studier innen motorisk nevrovitenskap som involverer friske forsøkspersoner har i lang tid avslørt tidslåste endringer i indusert kraft innenfor spesifikt frekvensbånd. Hjerneopptak ble vist å vise en gradvis reduksjon i signalstyrke, i forhold til baseline, i mu (~ 8-12 Hz) og beta (~ 13-30 Hz) frekvensbånd under en handling eller under motoriske bilder (MI): såkalt hendelsesrelatert desynkronisering (ERD). Dette fenomenet anses å reflektere prosesser knyttet til bevegelsesforberedelse og utførelse, og er spesielt uttalt i den kontralaterale sensorimotoriske cortex. Kort etter fullføringen av oppgaven kunne dessuten en relativ økning i kraft, hendelsesrelatert synkronisering (ERS) (også referert til som beta-rebound), observeres i beta-båndet. ERS antas å gjenspeile reetablering av hemming i samme område.

Helt siden karakteriseringen av ERD- og ERS-fenomenene har det vært liten eller ingen diskusjon i det ikke-invasive BCI-feltet om hvorvidt disse funksjonene nøyaktig fanger de oppgaverelaterte moduleringene av hjerneaktivitet. Nyere studier innen nevrofysiologi har utfordret dette synet og har vist at ERD- og ERS-mønstrene bare dukker opp som et resultat av gjennomsnittlig signalkraft over flere forsøk. På et enkelt prøvenivå skjer betabåndaktivitet i korte, forbigående hendelser, kalt utbrudd, i stedet for som vedvarende svingninger. Dette indikerer at ERD- og ERS-mønstrene reflekterer akkumulerte, tidsvarierende endringer i burst-sannsynligheten under hver prøveperiode. Dermed kan beta-serier inneholde mer atferdsmessig relevant informasjon enn gjennomsnittlig beta-båndstyrke. Faktisk har studier på mennesker som involverer armbevegelser etablert en sammenheng mellom tidspunktet for sensorimotoriske beta-utbrudd og responstider før bevegelse, samt atferdsfeil etter bevegelse. Beta-burst-aktivitet i frontale områder har også vist seg å korrelere med bevegelseskansellering, og nyere studier viser at aktivitet på motorenhetsnivå også skjer på en forbigående måte, som er tidslåst til sensorimotoriske beta-bursts.

Selv om beta burst rate har vist seg å inneholde betydelig informasjon, utgjør den fortsatt en ganske forenklet representasjon av den underliggende aktiviteten. Hver burst kan karakteriseres av et sett med TF-baserte funksjoner: burst peak tid og peak frekvens, så vel som dens varighet og dens spenn i frekvensaksen. I sin tur trekkes alle disse deskriptorene ut ved hjelp av en spesiell tids-frekvenstransformasjon og utgjør enklere representasjoner av den mer komplekse burst-bølgeformen som er innebygd i råsignalene, og som er preget av en stereotyp gjennomsnittsform med stor variasjon rundt seg. Bølgeformegenskapene blir neglisjert i standard BCI-tilnærminger, fordi konvensjonelle signalbehandlingsmetoder generelt forutsetter vedvarende, oscillerende og stasjonære signaler, og er derfor iboende uegnet for å analysere forbigående aktivitet.

I motsetning til beta er aktivitet i mu-frekvensbåndet oscillerende selv i enkeltforsøk. Denne aktiviteten analyseres vanligvis ved bruk av tid-frekvens dekomponeringsteknikker, som antar at det underliggende signalet er sinusformet. Imidlertid er det nå økende konsensus om at oscillerende nevral aktivitet ofte er ikke-sinusformet, og at den rå bølgeformen kan være informativ om bevegelse. Fremtidig innsats kan dra nytte av denne muligheten ved å bruke nylig utviklede ikke-parametriske syklus-for-syklus-analyser.

I dette prosjektet vil etterforskerne optimalisere utformingen av en fagspesifikk nevrofysiologisk modell for å veilede motorisk BCI-trening, ved å bruke Magnetic Resonance Imaging (MRI) og Magnetoencephalography (MEG) for høy romlig og biofysisk spesifisitet i forsøksgruppen. Anatomiske MR-volumer vil bli brukt til å designe og 3D-printe et individuelt hodestøp som skal brukes i MEG-skanneren for å stabilisere motivets hodeposisjon og minimere bevegelser. Denne høypresisjonstilnærmingen (hpMEG) har vist seg å forbedre kildelokaliseringen betydelig opp til nivået av utmerkende laminær aktivitet, noe som gjør den til en overlegen EEG-opptaksteknikk. I MODECO vil etterforskerne bruke en individualisert hpMEG-tilnærming, så vel som den bredt vedtatte EEG, for å studere utbrudd av oscillerende aktivitet i beta- og mu-frekvensbåndene relatert til motoriske bilder og motorisk utførelse. hpMEG vil gi fagspesifikke modeller av motoriske bilder som vil bli brukt til å begrense online dekoding av EEG-data. Denne tilnærmingen vil bli brukt og validert på en gruppe friske voksne individer (kontrollgruppe) og vil deretter bli sammenlignet med en annen gjennomførbarhetsgruppe av pasienter (pasientgruppe) og alderstilpassede friske deltakere (kontrollgruppe; etterforskerne vil forsøke å rekruttere pasienter slektninger). etterforskerne vil sammenligne den foreslåtte tilnærmingen med en klassisk EEG-basert BCI-tilnærming.

etterforskerne vil undersøke hvordan man bruker denne informasjonen for å optimalisere etterfølgende EEG-basert BCI-trening i kontrollgruppen. Etter en grundig undersøkelse av friske forsøkspersoner i dette prosjektet, vil etterforskerne være i stand til å evaluere denne tilnærmingen på en populasjon av slagpasienter med motoriske defekter i øvre lemmer. Det er utformet to oppgaver i dette prosjektet oppgave 1.1 og oppgave 1.2. Målet med Oppgave 1.1 er å utvikle fagspesifikke generative modeller som avkoder bevegelsesstart og/offset, type bevegelse (venstre versus høyre), samt findiskretisert bevegelsesamplitude under både reelle og tenkte håndleddsforlengelses-/fleksjonsbevegelser. I oppgave 1.2 tar etterforskerne sikte på å undersøke hvordan lesjonene til pasienter endrer vår evne til å dekode forsøk på håndleddsbevegelser (kontroll vs pasientgruppe).