Декодирование двигательных образов из неинвазивных записей мозга как необходимое условие для инновационных методов двигательной реабилитации (MODECO)

Результативные исследования в области моторной нейробиологии с участием здоровых людей уже давно выявили временные изменения индуцированной мощности в определенном диапазоне частот. Было показано, что записи мозга демонстрируют постепенное снижение мощности сигнала относительно исходного уровня в диапазонах частот мю (~ 8–12 Гц) и бета (~ 13–30 Гц) во время действия или во время воображения движений (ИМ): так называемая событийная десинхронизация (ERD). Считается, что это явление отражает процессы, связанные с подготовкой и выполнением движения, и особенно выражено в контрлатеральной сенсомоторной коре. Более того, вскоре после завершения задачи в бета-диапазоне можно было наблюдать относительное увеличение мощности, событийную синхронизацию (ERS) (также называемую бета-отскоком). Считается, что ERS отражает восстановление торможения в той же области.

С тех пор, как были описаны явления ERD и ERS, в области неинвазивного BCI практически не велось дискуссий относительно того, точно ли эти функции отражают модуляции мозговой активности, связанные с выполнением задачи. Недавние исследования в области нейрофизиологии поставили под сомнение эту точку зрения и продемонстрировали, что паттерны ERD и ERS возникают только в результате усреднения мощности сигнала по нескольким испытаниям. На одном уровне испытаний активность бета-диапазона происходит в виде коротких кратковременных событий, называемых всплесками, а не в виде устойчивых колебаний. Это указывает на то, что шаблоны ERD и ERS отражают накопленные, изменяющиеся во времени изменения вероятности всплеска во время каждого испытания. Таким образом, бета-всплески могут нести больше поведенческой информации, чем усредненная мощность бета-диапазона. Действительно, исследования на людях, связанные с движениями рук, установили связь между временем сенсомоторных бета-всплесков и временем реакции до движения, а также поведенческими ошибками после движения. Также было показано, что активность бета-всплеска в лобных областях коррелирует с прекращением движения, а недавние исследования показывают, что активность на уровне двигательных единиц также происходит временным образом, что привязано по времени к сенсомоторным бета-всплескам.

Хотя было показано, что частота бета-всплесков несет важную информацию, она по-прежнему представляет собой довольно упрощенное представление основной активности. Каждый пакет может быть охарактеризован набором характеристик, основанных на TF: пиковое время пакета и пиковая частота, а также его длительность и диапазон по частотной оси. В свою очередь, все эти дескрипторы извлекаются с использованием определенного частотно-временного преобразования и представляют собой более простые представления более сложной формы импульсного сигнала, которая заложена в необработанные сигналы и характеризуется стереотипной средней формой с большой изменчивостью вокруг нее. Характеристики формы сигнала игнорируются в стандартных подходах BCI, поскольку традиционные методы обработки сигналов обычно предполагают устойчивые, колебательные и стационарные сигналы и, таким образом, по своей сути непригодны для анализа переходной активности.

В отличие от бета, активность в мю-диапазоне частот носит колебательный характер даже в единичных пробах. Эта активность обычно анализируется с использованием методов частотно-временного разложения, которые предполагают, что основной сигнал является синусоидальным. Однако в настоящее время растет консенсус в отношении того, что колебательная нейронная активность часто несинусоидальна и что необработанная форма волны может быть информативной о движении. Будущие усилия могли бы воспользоваться этой возможностью, используя недавно разработанный непараметрический анализ циклов.

В этом проекте исследователи оптимизируют разработку индивидуальной нейрофизиологической модели для управления тренировкой моторного ИМК, используя магнитно-резонансную томографию (МРТ) и магнитоэнцефалографию (МЭГ) для обеспечения высокой пространственной и биофизической специфичности в экспериментальной группе. Анатомические тома МРТ будут использоваться для проектирования и 3D-печати индивидуального слепка головы, который будет использоваться в МЭГ-сканере для стабилизации положения головы субъекта и минимизации движений. Доказано, что этот высокоточный подход (hpMEG) значительно улучшает локализацию источника вплоть до уровня различения ламинарной активности, что делает его превосходящим методом регистрации ЭЭГ. В MODECO исследователи будут использовать индивидуальный подход hpMEG, а также широко распространенную ЭЭГ для изучения всплесков колебательной активности в диапазонах частот бета и мю, связанных с воображением движений и выполнением движений. hpMEG предоставит индивидуализированные модели двигательных образов, которые будут использоваться для ограничения онлайн-декодирования данных ЭЭГ. Этот подход будет применен и проверен на группе здоровых взрослых субъектов (контрольная группа), а затем будет сравнен с другой группой пациентов (группа пациентов) и здоровыми участниками соответствующего возраста (контрольная группа; исследователи попытаются набрать пациентов родственники). исследователи сравнит предлагаемый подход с классическим подходом BCI, основанным на ЭЭГ.

Исследователи будут выяснять, как использовать эту информацию для оптимального руководства последующим обучением BCI на основе ЭЭГ в контрольной группе. После тщательного исследования на здоровых субъектах в этом проекте исследователи смогут оценить этот подход на популяции пациентов, перенесших инсульт и двигательный дефицит верхних конечностей. В этом проекте были разработаны две задачи: задачи 1.1 и задача 1.2. Целью Задачи 1.1 является разработка тематических генеративных моделей, расшифровывающих начало и/или смещение движения, тип движения (левое или правое), а также точно дискретизированную амплитуду движения как во время реальных, так и воображаемых движений разгибания/сгибания запястья. В задаче 1.2 исследователи стремятся выяснить, как поражения пациентов влияют на нашу способность декодировать попытки движений запястья (контрольная группа по сравнению с группой пациентов).