中风患者双足任务中的运动相关皮层电位和顶枕-中央前区连通性时间同步性

2024-07-31 Wed
在中风患者双足任务中，运动相关皮层电位和顶枕-中央前区连通性的时间同步性背景介绍在中风后康复研究中，功能连通性（FC）、运动相关皮层电位（MRCP）和步态活动是与康复结果相关的常见衡量指标。尽管这些都已被单独研究，但它们之间的相互关系，特别是与双足辨别性的相互关系，尚未得到深入探讨。中风患者的康复效果差异显著，这些指标之间的关系可能揭示新的康复策略和疗法。
论文来源这篇文章由 Chun-Ren Phang, Kai-Hsiang Su, Yuan-Yang Cheng, Chia-Hsin Chen 和 Li-Wei Ko 等学者撰写，分别来自 National Yang Ming Chiao Tung University, Kaohsiung Medical University 等机构。该论文发表于2024年的《Journal of Neuroengineering and Rehabilitation》。
研究流程实验设计这项研究中，10位参与者佩戴了 EEG 设备和惯性测量单元（IMUs），在进行下肢运动准备（MP）和运动执行（ME）任务时，进行了数据采集。通过 EEG 提取 MRCP、功能连通性（FCs）和双足辨别性，通过步态数据计算 ME 阶段膝盖角度的变化。然后通过成对 Pearson 相关分析功能连通性，并将全脑连通性数据输入支持向量机（SVM），以进行双足分类。
数据采集与处理实验中使用了一种名为 St. EEGTM Vega 的无线 EEG 设备，是 ARTISE Biomedical Co., Ltd. 生产的32通道系统。电极按照国际10/20配置进行放置，使用 Cynus 数据采集软件，以 500 Hz 的采样频率进行采集。EEG电极的平均阻抗保持在100 k 限制内。IMUs 则绑在患者的腰部、双侧大腿和小腿上，以获取运动执行（ME）期间膝盖角度变化的数据。
数据分析MRCP（运动相关皮层电位）：通过 0.1-5 Hz 带通 FIR 滤波器对 EEG 信号进行处理，然后对 EEG 信号跨试次进行平均。比较偏瘫脚和非偏瘫脚运动期间去同步化的 trough 值。
功能连通性与 PFCC（顶枕-前中央区连通性）：使用8-50 Hz 带通 FIR 滤波器对 EEG 信号进行滤波，通过成对 Pearson 相关系数进行功能连通性的加权估计。然后在不同窗口内计算时间变化的（TV）连通性，截取 P3-FC4 和 P3-C4 这两个与运动表现相关的连通性进行分析。
SVM 机器学习：使用线性 SVM（支持向量机）进行分类任务，将功能连通性矩阵矢量化后输入 SVM，并采用十折交叉验证方法报告每个患者的平均准确率。比较静态连通性和时间变化连通性对双足分类的表现。
膝盖角度：从 IMU 数据中截取和平均所有试次的角度变化，时间同步化 EEG 数据中提取的四个特征（MRCP、PFCCs、CV 准确率和膝盖角度变化）。
研究结果膝盖角度变化与 MRCP在所有参与者中，典型的 MRCP 波形均被观察到，即在运动开始时 EEG 振幅迅速降低，并在膝盖角度达到最大值时达到 trough，然后在步态恢复原位置时回弹。偏瘫脚的 MRCP 产生了更大的去同步化，与非偏瘫脚运动相比，去同步化大约高出 0.25 μv。
MRCP 与 PFCCs通过时间同步 MRCP 和 PFCCs 发现，在 ME 阶段，MRCP 振幅的减少伴随着 PFCCs 强度的增加。在 MP 阶段，PFCCs 强度下降。PFCCs 在运动准备（MP）和运动执行（ME）活动中都显示出敏感反应。从各脑区与运动任务相关的交互连通性进一步验证了这一负相关关系，并且在偏瘫脚运动中，PFCCs 的连通性显著增加。
双足分类准确率时间变化的 CV 准确率显示，在 ME 提示后，双足分类的准确率显著提高。所有参与者在下肢运动开始前就已经达到了超过随机猜测阈值的分类准确率，表明连通性特征可以在运动开始前区分左右脚的运动准备活动。进一步分析发现，premovement 阶段的分类准确率比运动准备（MP）阶段更高，平均达到了 75.1%。
讨论与结论这些结果展示了膝盖角度变化与 MRCP 去同步化和 PFCCs 增强之间的负相关关系。MRCP 在ME阶段较为显著，而PFCCs则更依赖于 MP 阶段。这一发现能够提供更好的神经生理理解，揭示 PFCCs 和 MRCP 在执行运动任务过程中互补作用的机制。
研究进一步表明，使用 PFCCs 可以监控和评估偏瘫脚在中风后的康复进程，同时premovement阶段的双足分类准确率也表明可以利用这种连通性特征进行快速且有效的分类任务。这些发现为脑-外骨骼接口的发展提供了基础，能够帮助中风患者控制康复外骨骼，同时监控中枢神经系统的恢复情况。
未来的研究方向包括采用多域 EEG 特征和集成机器学习模型来改进双足分类性能，并将这些发现应用于开发能够实时检测和消除噪声的脑-外骨骼接口系统，进一步提升康复效果和舒适度。