CMC学习系列 (2):EEG-EMG有可能作为运动恢复的生物标志物

CMC学习系列:EEG-EMG有可能作为运动恢复的生物标志物

  • [0. 引言](#0. 引言)
  • [1. 主要贡献](#1. 主要贡献)
  • [2. 方法](#2. 方法)
    • [2.1 显著 bins 数量](#2.1 显著 bins 数量)
    • [2.2 偏侧性指数](#2.2 偏侧性指数)
  • [3. 结果](#3. 结果)
    • [3.1 临床评估](#3.1 临床评估)
    • [3.2 CMC](#3.2 CMC)
    • [3.3 卒中后CMC随时间变化](#3.3 卒中后CMC随时间变化)
  • [4. 讨论和结论](#4. 讨论和结论)
  • [5. 总结](#5. 总结)
  • 欢迎来稿

论文地址:https://www.frontiersin.org/journals/neurology/articles/10.3389/fneur.2019.00126/full

论文题目:Cortico-Muscular Coherence Is Reduced Acutely Post-stroke and Increases Bilaterally During Motor Recovery: A Pilot Study

论文代码:无

0. 引言

中风后的运动恢复被认为需要改变皮层和肌肉之间的功能连接。皮质-肌肉连贯性已被提议作为中风后运动缺陷的潜在生物标志物,能够量化恢复,并可能指示参与功能恢复的皮层区域。我们记录了健康参与者和缺血性卒中后患者在手腕伸展期间同时进行的脑电图和肌电图,评估了卒中后三个时间点的功能。随着手腕活动度在临床上恢复,脑电图-肌电图的连贯性随着时间的推移而增加,到最终评估时,患者组的连贯性高于健康对照组。此外,两组之间的皮质分布不同,与健康参与者相比,患者的皮质区域更大且更偏侧分散。研究结果表明,脑电图-肌电图的连贯性有可能作为运动恢复的生物标志物,并提供有关基于实时脑电图的康复治疗中应针对的皮质区域的信息。

总的来说:这样研究验证了随着卒中患者的恢复,其患侧脑电图-肌电图的连贯性随之上升。此外,与健康参与者相比,其具有更大更宽的皮质相干区域。。。。

1. 主要贡献

  1. 调查了一组 4 名患有急性左半球缺血性中风的患者在亚急性慢性期的临床进展和平行 CMC 变化,并比较了 7 名健康志愿者的恢复情况与 CMC
  2. 估计了一项研究需要招募的患者数量,该研究比较了治疗组之间中风后头几个月的中风康复情况。

2. 方法

相干性之前博客介绍的有,就不再介绍了。。。

2.1 显著 bins 数量

在接下来的计算中,运动皮层电极(FC5、FC3、FC1、FC2、FC4、FC6、C5、C3、C1、Cz、C2、C4、C6、CP5、CP3、CP1、CPz、CP2、CP4、CP6)上β波段(12-30赫兹)的显著相干值均包括在内。反映 CMC 所涉及的空间范围和频率范围的显着 bins 的数量是通过计算运动皮层上的 EEG 电极位点的数量来确定的,在这些位点上,对于 β 波段中 37 个频率中的每一个 (12-30Hz 对应着37个频率) ,上述步骤中的引导和排列被认为具有显著的连贯性

2.2 偏侧性指数

其中,Q是相应半球的最大相干性。偏侧性指数的范围可以从 -1 到 1,正值表示左半球(病变)偏侧,反之亦然。

3. 结果

3.1 临床评估

临床评估观察到的患者组上肢活动性的改善:(A) 腕部 FMA (B) FMA-UE 评分的运动功能部分所标记

3.2 CMC

在健康参与者中,在运动期间在对侧半球观察到β脑电图-肌电图的连贯性。7 名健康参与者的平均 β 脑电图-肌电图相干性。显示的值来自对 7 名健康参与者的所有 37 个频率箱的 beta 波段中的个体平均相干性模式进行平均。使用所述方法确定为不显著的 CMC 值设置为零

卒中患者β频段的脑电图-肌电图相干性随时间变化,程度增加,地形分布变化(随着三个运动恢复疗程的变化)如下所示:

3.3 卒中后CMC随时间变化

卒中后 β 脑电图-肌电图相干性随时间的变化。(A) β频率范围内相干峰值的平均秩。(B) 跨电极和 β 频率的箱数的平均排名。(C) 相干偏侧性指数 (p = 0.84)。(D) 最终评估患者与健康参与者之间 β 脑电图-肌电图相干性峰值水平之间的比较 (p = 0.011)。

4. 讨论和结论

我们确定了健康参与者对侧手部运动的β频率范围内的脑电图-肌电图相干性,并监测了缺血性中风患者运动恢复过程中该标志物的发展。CMC最初在急性恢复阶段是最小的,然后随着时间的推移逐渐增加,达到比健康参与者更高的水平。此外,其分布与健康参与者的分布不同在对侧(同侧)和病变半球都观察到 CMC,并且在 β 范围内包含更多频带和更大的皮质区域,包括后皮质区域。CMC 的这些变化伴随着显着的运动恢复,使用 FMA 的手腕子部分和 FMA-UE 运动功能部分进行评估,观察到这些 FMA 分数与 CMC 之间存在相关性。我们的研究结果表明,β 频率范围内的 EEG-EMG 相干性有可能用作中风恢复期间的生物标志物。此外,研究结果表明,由脑电图活动引导的康复疗法,如脑机接口和TES,应该针对广泛的皮层区域,并定期更新恢复期间使用的参数,因为CMC与皮质-脊髓通讯相关,并且在中风康复过程中其空间分布发生变化

Carlowitz-Ghori 等人 也研究了卒中恢复过程中 CMC 的变化。他们研究了 11 名患者在中风急性和慢性阶段受影响和未受影响的手运动期间的 CMC。他们发现,与未受影响的手相比,受影响的手在急性期的运动过程中的连贯性显着下降。在慢性期,与急性期相比,未受影响的手的这种连贯性差异减小峰值连贯性显着降低。与我们的研究结果相反,他们没有观察到受影响手在时间过程中峰值相干性的增加。然而,这可以归因于这样一个事实,即他们纳入的患者的医学研究委员会评分至少为 3,而我们的四名患者中有三名在治疗前根本没有运动(反映为手腕 FMA 评分为 0)。

在目前的研究中,没有发现偏侧性指数的显着差异,这与之前的一项研究结果一致,该研究比较了11名慢性中风患者(中风后的平均年数:6.5)和9名年龄匹配的参与者。

我们的患者在运动恢复后表现出更广泛的双侧激活模式对侧半球的受累更多。相比之下,在一项涉及慢性卒中患者的研究中,在手腕伸展期间,只有患手对侧的半球显示 CMC 。在卒中后更急性的阶段,病变附近的皮质区域暂时接管运动功能以补偿皮质影响的丧失,这可能在康复过程中再次转变为更类似于健康参与者的空间模式。我们还注意到,我们患者的 CMC 相对于健康参与者组的 CMC 是后位的,这与先前报道的卒中后皮质活动增加的结果一致 。目前正在研究大量可以促进中风恢复的神经免疫介质和生物因素。脑皮层广泛区域参与卒中后运动恢复可能与卒中后生物分子的广泛释放有关。

在上述研究中,卒中后较长的时间段可能表明,我们观察到的变化与中枢神经系统的早期代偿机制有关,而在恢复的早期阶段,偏侧性可能从高指数转向对侧再到更双边的模式

目前的研究有许多局限性。必须谨慎解释健康参与者和患者数据之间的直接比较,因为在比较的两个队列中,EEG-EMG记录期间运动范式的细节不同。虽然健康的参与者进行了重复的、自定进度的运动,但由于中风后早期任务的难度,患者的运动更接近于等长收缩,其中活动受限明显。β 带中的 CMC 主要被描述为与次最大等长收缩相关,尽管在涉及动态肌肉收缩的中风患者中也观察到它。执行重复运动范式的单个患者显示的数据表明,在未受影响的手腕运动期间,与受中风影响的手腕相比,对侧和侧向 β CMC 更大。尽管健康受试者组的相干性主要出现在 β 频带(α 和 γ 相干性不太明显),但 β 峰相干性的差异也可以归因于不同类型的运动,而不仅仅是中风后的皮质可塑性

5. 总结

到此,使用 EEG-EMG有可能作为运动恢复的生物标志物 已经介绍完毕了!!! 如果有什么疑问欢迎在评论区提出,对于共性问题可能会后续添加到文章介绍中。

如果觉得这篇文章对你有用,记得点赞、收藏并分享给你的小伙伴们哦😄。

欢迎来稿

欢迎投稿合作,投稿请遵循科学严谨、内容清晰明了的原则!!!! 有意者可以后台私信!!

相关推荐
陈苏同学4 分钟前
4. 将pycharm本地项目同步到(Linux)服务器上——深度学习·科研实践·从0到1
linux·服务器·ide·人工智能·python·深度学习·pycharm
吾名招财22 分钟前
yolov5-7.0模型DNN加载函数及参数详解(重要)
c++·人工智能·yolo·dnn
Ace'1 小时前
每日一题&&学习笔记
笔记·学习
鼠鼠龙年发大财1 小时前
【鼠鼠学AI代码合集#7】概率
人工智能
IM_DALLA1 小时前
【Verilog学习日常】—牛客网刷题—Verilog进阶挑战—VL25
学习·fpga开发·verilog学习
龙的爹23331 小时前
论文 | Model-tuning Via Prompts Makes NLP Models Adversarially Robust
人工智能·gpt·深度学习·语言模型·自然语言处理·prompt
工业机器视觉设计和实现1 小时前
cnn突破四(生成卷积核与固定核对比)
人工智能·深度学习·cnn
丶Darling.1 小时前
LeetCode Hot100 | Day1 | 二叉树:二叉树的直径
数据结构·c++·学习·算法·leetcode·二叉树
我算是程序猿2 小时前
用AI做电子萌宠,快速涨粉变现
人工智能·stable diffusion·aigc
萱仔学习自我记录2 小时前
微调大语言模型——超详细步骤
人工智能·深度学习·机器学习