Brain-Machine-grensesnitt for frysing av gang

Gangproblemer ved Parkinsons sykdom (PD), spesielt frysing av gangart (FOG), påvirker i stor grad livskvaliteten. Mens dyp hjernestimulering (DBS) er en svært effektiv behandling for mange motoriske symptomer på PD, er den mindre effektiv for, eller kan til og med forverre, gangproblemer. Den primære motoriske cortex (M1) spiller en avgjørende rolle i nettverket som kontrollerer gange, spesielt ved å sette i gang bevegelse. Endringer i lokale feltpotensialer (LFP) fra den subthalamiske kjernen (STN) er assosiert med forskjellige aspekter av gangart. Å oppdage unormal hjerneaktivitet relatert til FOG krever imidlertid en metode som kalles elektrokortikografi (ECoG), som har avslørt at under FOG er det økt beta-gamma-faseamplitudekobling (PAC) i M1.

Hjerne-maskin-grensesnitt (BMI) har vist lovende når det gjelder å forstå motoriske funksjoner ved å dekode hjerneaktivitet. Vi tror at BMI kan gi både nøyaktige indikatorer på FOG og målrettede behandlinger for det i PD.

Våre mål er å bruke en ECoG-basert BMI med høy tetthet til både å registrere og stimulere hjerneaktivitet under virkelig gang og FOG hos PD-pasienter som gjennomgår standard DBS-prosedyrer. Våre mål er å forbedre vår forståelse av hjernens rolle i FOG og normal gang ved PD og å utvikle nye behandlinger basert på kortikal stimulering.

Mål 1 - Identifisere gangbiomarkører: Vi vil registrere hjerneaktivitet fra M1/SMA cortex under ulike faser av gange og under FOG-episoder, både med og uten medisiner. Vi vil bruke maskinlæring for å identifisere hjernemønstrene knyttet til FOG.

Mål 2 – Bruk kortikal stimulering for å stoppe tåke: Vi vil studere hvordan kortikal stimulering påvirker bein- og kroppsbevegelser ved å måle muskelaktivitet, bevegelse og holdning under ulike tilstander, som hvile, stående, gå og under tåkeepisoder. Vi vil finne ut hvilken type stimulering som er mest effektiv for å stoppe tåke.