脑-机接口辅助脑卒中后康复

#本篇由BCIduino脑机接口开源社区整理（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎加入社群，备注"BCI"，也欢迎采购BCIduino脑电模块（某宝搜索即可）。

扫码关注公众号：

Anton R. Kiselev(来自Saratov State Medical University)等研究者研究了一组在第一次中风后急性期出现半侧轻瘫的患者，共入组50例患者。中风后患者组的脑电图记录显示，在健康手和偏瘫患者患侧手的实际运动中，大脑动力学表现出了根本不同。对于健康手而言，大脑感觉区的大脑活动与对照组观察到的动态非常接近，而对于患侧手，则存在与低频范围（12Hz）脑电增加相关的病理活动。所得结果可用于借助脑-机接口的想象运动活动康复技术。
神经系统症状患者的康复对其适应日常生活非常重要。神经外科实践和药理学的成功使大量患者恢复了正常状态。然而，只有不超过20%的卒中后患者能够恢复其活动功能。其余患者仍有不同程度的残疾，需要医疗和社会支持。中风最常见的后果是以不同的轻瘫形式出现的运动障碍，80%的患者在脑血管病变后发生，其中一半患者的偏瘫病理学终生存在。
实验是对每个受试者独立进行的，根据10-10 system方法记录大脑电活动，该方法基于EEG电极的扩展排列，允许从所有主要区域的投影评估大脑皮层的活动，实验采用AgCl湿电极方案，阻抗值在2-5 kΩ的间隔内变化，接地电极位于头部前方的Fpz电极位置。脑电信号经50hz陷波滤波器和截止点为1hz（HP）和100hz（LP）的带通滤波器进行滤波。
在实验中，每个受试者都坐在一个舒适的位置。实验开始时记录休息状态，睁眼3分钟，闭眼3分钟。在进一步的（活跃的）实验阶段，受试者被要求长时间不要闭上眼睛，并按照屏幕上的指示进行操作。当他们听到哔一声时，受试者被要求根据屏幕上的命令，执行一只手的真实或想象的运动。
在获取脑电数据后，研究者使用经验模态分解方法来减轻脑电图上的伪迹，然后使用连续小波对脑电信号进行时频分析。
标准检验用于医学数据的统计分析，以计算各组受试者评估的平均值、中位数和变异范围。另外，采用Wilcoxon非参数标准对获得的患者类别进行分离。
与之前的研究不同，在这项研究中，研究者考虑了广泛频率范围内的整体脑电图活动，不仅跟踪反映了阿尔法波段大脑电活动的感觉运动节律的动态变化，通过对所有频率范围内的大脑活动的分析，不仅可以区分中风后患者之间的差异，而且可以区分健康受试者组中的差异，并揭示出左右手运动图像的脑电图反应与健康手的差异。
同时，脑卒中后患者运动想象变化的定位要复杂得多。这些变化发生在中央、枕部和颞部。然而，在实际健康受试者的对照组中，这种变化主要集中在运动中心区，类似于真实的运动活动。健康手与患侧手运动表象的这种质的不同动力学可能与激活一种补偿机制有关。
因此，基于想象的运动活动的早期康复可以恢复感觉运动脑区的有条件的正常激活，生物反馈系统的应用显著提高了康复质量。
参考文献：
[1] A.G. Thrift et al, “Global stroke statistics,” International Journal of Stroke. vol. 12, pp. 13-32, 2017.
[2] Bjot Y, Bailly H, Durier J, Giroud M. Epidemiology of stroke in Europe and trends for the 21st century. La Presse M dicale. 2016;45(12):e391 - e398.
[3] E.S. Lawrence, “Estimates of the prevalence of acute stroke impairments and disability in a multiethnic population,” Stroke, vol. 32, pp. 1279-1284, 2001.
[4] F. Carod-Artal, “Determining quality of life in stroke survivors,” Expert Rev Pharacoecon Outcomes Res. 2012;12:199.
[5] P. Langhorne, J. Bernhardt, G. Kwakkel, “Stroke rehabilitation,” The Lancet,vol. 377, pp. 1693-1702, 2011.
[6] V.V. Grubov, A.E. Runnova, A.E. Hramov, “Adaptive Filtration of Physiological Artifacts in EEG Signals in Humans Using Empirical Mode Decomposition,” Technical Physics, vol. 63, pp. 759-767, 2018.
[7] A.E. Hramov et al, “Classifying the perceptual interpretations of a bistable image using EEG and artificial neural networks,” Frontiers in neuroscience, vol. 11, pp. 674, 2017.
[8] A.N. Pavlov et al, “Wavelet analysis in neurodynamics,” Physics Uspekhi, vol. 55, pp. 845-875, 2012.
[9] V.A. Maksimenko, A. Pavlov, A.E. Runnova, V. Nedaivozov, V. Grubov, A. Koronovslii, S.V. Pchelintseva, E. Pitsik, A.N. Pisarchik, A.E. Hramov, “Nonlinear analysis of brain activity, associated with motor action and motor imaginary in untrained subjects,” Nonlin. Dyn, vol. 91, pp. 2803-2817, 2018.
[10] F. Zappasodi et al, “Fractal Dimension of EEG Activity Senses Neuronal Impairment in Acute Stroke,” PLOS ONE, vol. 9, pp. 6, 2014.
[11] P. Chholak, G. Niso, V.A. Maksimenko, S.A. Kurkin, N.S. Frolov,
E.N. Pitsik, A.E. Hramov, A.N. Pisarchik, “Visual and kinesthetic modes affect motor imagery classification in untrained subjects,” Scientific reports, V. 9, no. 1, p. 9838, 2019.