Motorische Vorstellungskraft Gehirn-Computer-Schnittstelle bei der Rehabilitation der motorischen Dysfunktion der oberen Gliedmaßen nach einem Schlaganfall

Zusammenfassung

Das Ziel dieser Studie ist es, eine wichtige Referenz für den klinischen Standardbetrieb der motorischen Bildsprache Gehirn-Computer-Schnittstelle (MI-BCI) bei motorischer Dysfunktion der oberen Gliedmaßen nach Schlaganfall zu liefern.

Zusammenfassung

Die Rehabilitationswirkung von Patienten mit mittelschwerer oder schwerer motorischer Dysfunktion der oberen Gliedmaßen nach einem Schlaganfall ist gering, was aufgrund der aufgetretenen Schwierigkeiten im Mittelpunkt der Forschung steht. Die Gehirn-Computer-Schnittstelle (BCI) stellt eine Spitzentechnologie in der neurowissenschaftlichen Forschung des Gehirns dar. Es bezieht sich auf die direkte Umwandlung der Sinneswahrnehmung, der Vorstellungswelt, der Kognition und des Denkens von Benutzern oder Subjekten in Handlungen, ohne sich auf periphere Nerven oder Muskeln verlassen zu müssen, um direkte Kommunikations- und Kontrollkanäle zwischen dem Gehirn und externen Geräten herzustellen. Die Gehirn-Computer-Schnittstelle (MI-BCI) ist die häufigste klinische Anwendung der Rehabilitation als nicht-invasives Mittel der Rehabilitation. Frühere klinische Studien haben bestätigt, dass MI-BCI die motorische Dysfunktion bei Patienten nach einem Schlaganfall positiv verbessert. Es fehlt jedoch an der Demonstration des klinischen Betriebs. Zu diesem Zweck beschreibt diese Studie detailliert die Behandlung von MI-BCI bei Patienten mit mittelschwerer und schwerer Dysfunktion der oberen Extremitäten nach Schlaganfall und zeigt den Interventionseffekt von MI-BCI durch klinische Funktionsevaluation und Ergebnisse der Hirnfunktionsbewertung auf, wodurch Ideen und Referenzen für die klinische Rehabilitationsanwendung und Mechanismusforschung geliefert werden.

Einleitung

Fast 85 % der Schlaganfallpatienten leiden an einer motorischen Dysfunktion¹, insbesondere aufgrund des begrenzten Rehabilitationseffekts von Patienten mit mittelschwerer und schwerer motorischer Dysfunktion der oberen Extremitäten, die die Fähigkeit der Patienten, einen unabhängigen Alltag zu führen, ernsthaft beeinträchtigt und im Mittelpunkt und Schwierigkeiten der Forschung stand. Die nicht-invasive Gehirn-Computer-Schnittstelle (BCI) ist als eine aufstrebende Behandlung zur Rehabilitation von motorischen Funktionsstörungen nach Schlaganfall^{bekannt 2}. BCI ist die direkte Umwandlung der Sinneswahrnehmung, der Vorstellungswelt, der Kognition und des Denkens von Benutzern oder Subjekten in Handlungen, ohne auf periphere Nerven oder Muskeln angewiesen zu sein, um direkte Kommunikations- und Kontrollkanäle zwischen dem Gehirn und externen Geräten herzustellen³. Gegenwärtig umfassen die Paradigmen der BCI für die klinische Rehabilitation die motorische Imagination (MI), die stationären visuell evozierten Potentiale (SSVEP) und die auditiv evozierten Potentiale (AEP) P300⁴, von denen die am häufigsten verwendete und bequemste die motorische Vorstellungskraft der Gehirn-Computer-Schnittstelle (MI-BCI) ist. MI ist eine Intervention, die visuelle/kinästhetische motorische Bilder verwendet, um die Ausführung motorischer Aufgaben (wie Hand-, Arm- oder Fußbewegungen) zu visualisieren. Einerseits haben frühere Studien gezeigt, dass die Aktivierung des assoziierten motorischen Kortex während des Myokardinfarkts der tatsächlichen motorischen Ausführung ähnelt⁵. Auf der anderen Seite kann MI im Gegensatz zu anderen Paradigmen einen bestimmten Aktivitätsbereich durch das motorische Gedächtnis aktivieren, ohne dass ein externer Reiz erforderlich ist, um die motorische Funktion zu verbessern. Dies ist förderlich für die Umsetzung bei Schlaganfallpatienten, insbesondere in Kombination mit einer Hördysfunktion⁶.

Darüber hinaus hat sich gezeigt, dass MI-BCI einen positiven Effekt auf die Verbesserung der motorischen Dysfunktion bei Schlaganfallpatienten hat. Cheng et al. berichteten, dass im Vergleich zu einer einfachen Intervention mit weichen Roboterhandschuhen der auf MI-BCI basierende weiche Roboterhandschuh in Kombination mit Aufgaben, die sich an Aktivitäten des täglichen Lebens orientierten, nach 6-wöchiger Intervention eine deutlichere funktionelle Verbesserung und eine nachhaltigere kinästhetische Erfahrung bei chronischen Schlaganfallpatienten zeigte. Darüber hinaus war es auch in der Lage, die Wahrnehmung motorischer Bewegungen hervorzurufen⁷. Darüber hinaus schlossen Ang et al. 21 chronische Schlaganfallpatienten mit mittelschwerer bis schwerer Dysfunktion der oberen Gliedmaßen für eine randomisierte Intervention ein. Die klinische Funktion wurde vor und nach der Intervention durch das Fugl-Meyer-Assessment der oberen Extremität (FMA-UE) evaluiert. Die Ergebnisse zeigten, dass im Vergleich zur einfachen haptischen Knopf-Roboterintervention (HK-Gruppe) und der Standard-Armtherapie-Intervention (SAT-Gruppe) der Bewegungsverstärkungseffekt von HK auf der Grundlage der MI-BCI-Intervention (BCI-HK-Gruppe) signifikant besser war als der der beiden anderen Gruppen⁸. Die spezifische Funktionsweise von MI-BCI erfordert jedoch immer noch normative Standards, und der Mechanismus des neuronalen Umbaus muss vollständig verstanden werden, was die klinische Anwendung und Förderung von MI-BCI einschränkt. Durch die Darstellung des Interventionsprozesses von MI-BCI bei einem 36-jährigen männlichen Schlaganfallpatienten mit motorischer Dysfunktion der oberen Gliedmaßen wird diese Studie daher die Veränderungen des funktionellen Ergebnisses und den Umbau der Gehirnfunktion vor und nach der Intervention zusammenfassen, um den vollständigen Operationsprozess von MI-BCI zu demonstrieren und Ideen und Referenzen für die klinische Rehabilitationsanwendung und Mechanismusforschung zu liefern.

Protokoll

Dieses Projekt wurde von der Medical Ethics Association des Fifth Affiliated Hospital der Guangzhou Medical University genehmigt (Genehmigungs-Nr. KY01-2021-05-01) am 19. August 2021. Die Studie wurde am 19. August 2021 im chinesischen Register für klinische Studien (Registrierungsnummer: Nr. ChiCTR2100050162) registriert. Alle Patienten unterschrieben die Einwilligungserklärung.

1. Rekrutierung

1. Einschlusskriterien
   1. Rekrutierung von Patienten, die die diagnostischen Kriterien für einen Schlaganfall erfüllen, die von der vierten Nationalen Konferenz für zerebrovaskuläre Erkrankungen formuliert wurden; einen bestätigten zerebralen Schlaganfall durch Computertomographie oder Magnetresonanztomographie des Gehirns mit dem Krankheitsverlauf ≥ 6 Monaten haben; hatte einen Schlaganfall, der zu einer Funktionsstörung einer Hand in der Brunnström-Phase 1-3 führte; über eine kognitive Bewertung in Montreal (MoCA) ≥ 26 verfügen; im Alter von 50 bis 75 Jahren; die Rechtshändigkeit überwiegt; die Einwilligungserklärung freiwillig unterschrieben haben.
2. Ausschlusskriterien
   1. Patienten mit Frakturen der oberen Extremitäten, Deformitäten der oberen Extremitäten usw. in der Vorgeschichte ausschließen; ihr Zustand ist instabil oder es treten während des Versuchs Veränderungen auf, die sich auf die Versuchsergebnisse auswirken; Unfähigkeit, den Versuch aufgrund schwerer Herz-, Lungen-, Leber-, Nieren- und anderer wichtiger Organerkrankungen abzuschließen; schwere kognitive Dysfunktion oder Aphasie; an schweren psychischen Störungen leiden; Einnahme von Medikamenten, die die Schwelle von Anfällen senken; über implantierte Geräte oder Metalle verfügen, die durch das durch die transkranielle Magnetstimulation (TMS) erzeugte Magnetfeld beeinflusst werden können.

2. MI-BCI-Schulung

HINWEIS: In dieser Studie wurde der Rehabilitationsroboter für die Handfunktion der oberen Gliedmaßen auf der Grundlage motorischer Bilder ausgewählt. Das Gerät besteht aus einer Elektroenzephalogramm (EEG)-Kappe (Abbildung 1A), einem Computerterminal (d. h. einer Steuerschnittstelle; Abbildung 1B), ein externer Manipulator (Abbildung 1E) und ein 23-Zoll-Computerbildschirm (Abbildung 1C).

1. Vorbereitung der Fächer
   1. Erläutern Sie den Trainingszweck und die Trainingsmethode und notieren Sie diese für die Probanden.
   2. Setzen Sie die MI-BCI EEG-Kappe auf das Motiv, um sicherzustellen, dass der Cz-Punkt des Kopfes des Probanden mit dem Cz-Punkt der Kappe ^9,10 übereinstimmt. Der Cz-Punkt des Motivs ist der Scheitelpunkt der Kopfmitte. Um dies zu bestätigen, überprüfen Sie den Schnittpunkt der Ohrperlenlinie und der menschlichen Mittellinie, die durch die Nasen- und Augenbrauenmitte verläuft. Bestimmen Sie den Cz-Punkt der EEG-Kappe gemäß dem internationalen 10-20 EEG-Positionierungssystem¹¹.
   3. Halten Sie die Ohren von der Ohrnaht der Kopfkappe frei und passen Sie den Kinnriemen an, um die Kopfkappe zu fixieren.
   4. Führen Sie 24 in normale Kochsalzlösung getauchte Elektroden in die Rille der EEG-Kappe ein und klemmen Sie 2 Referenzelektroden in die beiden Ohrläppchen.
      HINWEIS: Die Elektrode sollte in einem feuchten Zustand aufbewahrt werden, ohne zu tropfen. Wenn die Elektrode zu trocken ist, wird der EEG-Signalerfassungsprozess beeinträchtigt. Wenn die Elektrode zu nass ist, kann die tropfende Kochsalzlösung die Funktionsfähigkeit des Probanden beeinträchtigen.
   5. Achten Sie als Betreiber während des Trainings auf die EEG-Erfassung. Bei einem geringen Bereich von EEG-Störungen überlegen Sie zunächst, ob die entsprechende Elektrode Trockenheit, Wassermangel oder andere Zustände beim Training aufweist. Beenden Sie zu diesem Zeitpunkt das Training und die EEG-Erfassung sofort und befeuchten Sie die Elektrode ordnungsgemäß, bevor das Training fortgesetzt wird.
   6. Wenn das EEG-Signal einen großen Störbereich aufweist, überlegen Sie zunächst, ob die Referenzelektrode abgefallen ist oder nicht. Beenden Sie zu diesem Zeitpunkt das Training sofort und klemmen Sie die Referenzelektrode erneut am Ohrläppchen fest.
   7. Setzen Sie den Manipulator auf den Patienten und stellen Sie ihn in eine bequeme Trainingsposition ein, um Schmerzen im Unterarm der oberen Gliedmaßen zu vermeiden, die durch übermäßiges Anziehen oder Verrutschen verursacht werden.
2. Bedienung der Software
   1. Öffnen Sie die Trainingssoftware MI-BCI Rehabilitationsroboter für die oberen Gliedmaßen, klicken Sie auf die Benutzerliste und geben Sie die Patienteninformationen ein, einschließlich Name, Krankheitsname, Geburtsdatum, Krankheitsdatum und Standort der betroffenen Seite.
   2. Stellen Sie die Stabilität des EEG-Signals so ein, dass es keine offensichtliche Unordnung gibt.
   3. Klicken Sie auf die Schaltfläche Ruhe-EEG , damit der Patient den Ruhe-EEG-Aufnahmeprozess gemäß den Sprach- und Textansagen abschließen kann: Bitte schließen Sie Ihre Augen, um sich zu entspannen, und öffnen Sie bitte Ihre Augen. Dies dauert 60 s.
   4. Klicken Sie auf die Schaltfläche Aufgabeneinstellung , um den Schwierigkeitsgrad der Aufgabe und die Schulungsdauer festzulegen. Stellen Sie den anfänglichen Trainingsschwierigkeitsgrad von Stufe 9 entsprechend der tatsächlichen Situation der Patienten nach oben oder unten ein und stellen Sie die Trainingsdauer auf 30 Minuten ein.
   5. Während des Trainings passt das MI-BCI-System die Schwierigkeit der Aufgabe automatisch an die Leistung des Patienten an. Überprüfen Sie die Schwierigkeit des Trainings, die sich in der Größe der erfassten Objekte widerspiegelt. Je höher die Schwierigkeit der Aufgabe, desto feiner werden die Objekte erfasst.
   6. Klicken Sie auf die Schaltfläche Task-EEG, um das formale Training zu starten. Auf dem Bildschirm auf der Patientenseite wird angezeigt: Bitte schließen Sie die Augen und entspannen Sie sich für 5 Sekunden.
   7. Nach 5 s zeigt der Bildschirm auf der Patientenseite an: Bitte öffnen Sie Ihre Augen und stellen Sie sich vor, wie Sie Ihre Hand öffnen/zur Faust machen, was 3 s dauert. Bitten Sie den Patienten, den Befehlen auf dem Bildschirm zu folgen.
   8. Auf dem Bildschirm auf der Patientenseite wird das Greifvideo/Eröffnungsvideo angezeigt, um dem Patienten zu helfen, die im Video demonstrierten Aktionen in der Fantasie zu simulieren. Bitten Sie den Patienten, diese Bewegungsvorstellungsaufgabe durchzuführen, die 5 s dauert.
   9. Das System extrahiert das EEG-Signal der motorischen Vorstellungskraft des Patienten, verwendet den Algorithmus, um die Punktzahl der motorischen Absicht zu analysieren, und zeigt sie auf dem Bildschirm der Patientenseite an. Überprüfen Sie das Roboter-Feedback, das in 4 s angezeigt wird.
      HINWEIS: Das vom MI-BCI-System verwendete Modell ist FBCNet (Multiband-Filterung + Kanaltrennung Faltung + Varianzschicht +FC) zur Extraktion von Merkmalen und zur Bewertung von EEG-Signalen¹². Der Schwellenwert des MI-BCI-Systems wird auf der Grundlage einer großen Anzahl von Daten aus klinischen Studien und des zentralen EEG-Algorithmus bestimmt. Der Schwellenwert liegt bei 60 Punkten.
   10. Überprüfen Sie die angezeigte Motorabsicht. Liegt die motorische Absicht des Patienten ≥ 60 Punkten (Schwellenwert), erkennt das System, dass die angegebene Aktion erreicht wurde. Wenn die Bewegungsabsicht des Patienten 60 Punkte < und das System feststellt, dass der Patient die angegebene Bewegung nicht ausführen kann, stellen Sie sicher, dass der Patient durch den Ton aufgefordert wird, weiterzumachen und sich nicht entmutigen zu lassen, und dass der Patient dem nachkommt.
   11. Beobachten Sie während des Trainingsprozesses die EEG-Wellenform in Echtzeit. Wenn es eine ungewöhnliche Situation gibt, unterbrechen Sie das Training rechtzeitig und starten Sie das Training neu, nachdem das Signal so eingestellt wurde, dass es stabil ist. Wenn der Patient während des Trainings Schmerzen oder Beschwerden hat, brechen Sie das Training ab und notieren Sie den Grund für den Abbruch.

3. Klinische Bewertung

1. Sammlung von Informationen
   1. Sammeln und notieren Sie grundlegende persönliche Informationen über die Probanden, wie Name, Geschlecht, Geburtsdatum, Bildungsniveau usw.
   2. Vervollständigen Sie die Sammlung der Krankengeschichte des Probanden, wie z. B. klinische Anamnese, Medikamentenanamnese, persönliche Anamnese usw.
2. Bewertung der Motorfunktion
   1. Bewerten Sie die Fugl-Meyer-Beurteilung der oberen Extremität (FMA-UE)¹³ bei Schlaganfallpatienten.
      Die Gesamtpunktzahl beträgt 66. Je höher die Punktzahl, desto besser ist die funktionelle Leistung des Patienten.
   2. Bewerten Sie den Wolf-Motoriktest (WMFT)¹⁴ an Schlaganfallpatienten. Die Gesamtpunktzahl beträgt 85. Je höher die Punktzahl, desto besser ist die funktionelle Leistung des Patienten.
3. Bewertung der kognitiven Funktion
   1. Bewerten Sie die Mini-Mental State Examination (MMSE)¹⁵ an Schlaganfallpatienten. Teilen Sie die Punktzahl je nach Bildungsniveau in Analphabeten ≤17), Bildungsniveau der Grundschule ≤20 und Bildungsniveau der Junior High School und darüber ≤24) auf.
4. Beurteilung der emotionalen Funktion
   1. Bewerten Sie die Hamilton-Angstskala (HAMA)¹⁶ bei Schlaganfallpatienten. Die Notenbereiche sind: ≥21, es gibt offensichtliche Angst; ≥14 Punkte, habe definitiv Angst; und mehr als 7 Punkte, könnten Angst haben. Ein Wert von weniger als 7 zeigt an, dass es keine Angstsymptome gibt.
   2. Bewerten Sie die Hamilton-Depressionsskala (HAMD)¹⁷ an Schlaganfallpatienten. Eine Punktzahl von < 7 ist durchschnittlich, eine Punktzahl von 7-17 deutet darauf hin, dass die Person an einer Depression leiden könnte, eine Punktzahl von 17-24 zeigt an, dass bei der Person eine Depression diagnostiziert werden kann, und eine Punktzahl von >24 zeigt an, dass die Person an einer schweren Depression leidet.

4. Beurteilung der fNIRS-Gehirnfunktion

Platzieren Sie für diese Studie 10 Quellen und 12 Detektoren auf den fNIRS-Testkopfkappen, die den acht interessierenden Regionen (ROIs) in dieser Studie entsprechen, einschließlich des bilateralen dorsolateralen präfrontalen Kortex (DLPFC), des dorsolateralen Promotorkortex (PMC), des dorsolateralen primären motorischen Kortex (M1) und des dorsolateralen primären sensorischen Kortex (S1; Abbildung 2).

1. Vorbereitung des Faches
   1. Erklären Sie den Trainingszweck und die Trainingsmethode und notieren Sie diese für die Probanden. Stellen Sie sicher, dass die Probanden den Versuch verstehen und mit den relevanten Verfahren vertraut sind. Dies trägt zur Verbesserung der Compliance der Patienten bei.
   2. Setzen Sie die fNIRS-Testkopfkappe auf den Probanden, bestimmen Sie den Cz-Punkt des Kopfes des Probanden und stellen Sie sicher, dass er mit dem Cz-Punkt der Kopfkappe übereinstimmt, wie in Schritt 2.1.2 beschrieben.
   3. Passen Sie die Kopfkappe an das Motiv an, um sicherzustellen, dass beide Ohren von der Ohrnaht der Kappe freiliegen, die beidseitigen Ohrkanten der Kappe auf natürliche Weise an den beidseitigen Warzenfortsatz angepasst sind, die Vorderkante der Kappe natürlich an die Stirn angepasst wird und die Hinterkante natürlich an den hinteren Hinterhauptteil angepasst ist. Passen Sie das Kinnband an, um die Kappe zu fixieren.
   4. Stellen Sie die Dichtheit des Backenbandes entsprechend ein. Wenn sie zu locker ist, führt dies während des Experiments zu einer Verschiebung der Kopfkappe, was zu einer ungenauen Positionierung führt und die Signalerfassung beeinträchtigt. Wenn es zu eng ist, verursacht es Unbehagen beim Probanden, was die Compliance verringert und die funktionelle Leistung des Probanden beeinträchtigt.
2. Voraberhebung und Erhebung von Daten
   1. Rufen Sie die fNIRS-Steuerungssoftware auf, wählen Sie das Versuchsobjekt aus und erstellen Sie Patientenbehandlungsdateien gemäß den Patienteninformationen.
   2. Klicken Sie auf die Schaltfläche Vorerfassung , um die Signale zu kalibrieren. Entsprechend der Signalintensität der Stelle, die durch das funktionelle Nahinfrarot-Bildgebungssystem des Gehirns angezeigt wird, verbessern Sie die Signalintensität und Stabilität der Stelle, indem Sie die Lichtquelle oder den Empfänger der Kopfkappe so einstellen, dass sie näher an der Kopfhaut des Probanden liegt.
   3. Wenn das System alle Standorte grün anzeigt, ist die Signalstärke stabil. Stoppen Sie die Voraberfassung und klicken Sie auf die Taste Automatic Gain, um die endgültige Anpassung des Signals vorzunehmen.
      HINWEIS: Im Vorentnahmeprozess zeigt das Nahinfrarot-Funktionsbildgebungssystem des Gehirns verschiedene Farben an, um die Signalstärken der Stellen darzustellen. Grau steht für eine niedrige Signalstärke, Gelb für eine gute Signalstärke, Grün für eine ausgezeichnete Signalstärke und Rot für eine zu starke Signalstärke.
   4. Klicken Sie auf die Schaltfläche Start , um die Signale zu erfassen. Beobachten und notieren Sie verschiedene Bedingungen im Experiment, wie z. B. Signalschwankungen und schlechten Elektrodenkontakt.
3. fNIRS-Bewertung motorischer Aufgaben
   1. Wählen Sie das Paradigma Motor Task im fNIRS-System aus.
   2. Legen Sie die obere Extremität des Patienten auf den Testtisch und bitten Sie den Patienten, sich vor dem Experiment 10 s lang auszuruhen.
   3. Bitten Sie den Patienten, dem Übungsrhythmus zu folgen, um die betroffene Hand während des Experiments in drei Blöcken zu greifen, wobei jeder Block 30 s Aufgabe und 30 s Pause umfasst. Jede Aufgabe besteht aus 15 Versuchen, jeder Versuch beinhaltet 1 s Greifen und 1 s Öffnen des Griffs.
   4. Bitten Sie die Patienten bei jeder Ruhe, die Augen zu schließen und sich auszuruhen. Wenn das Subjekt nicht in der Lage ist, die betroffene Hand zu greifen, bitten Sie das Subjekt, eine Übung in motorischen Vorstellungen durchzuführen. Der Test dauert 190 s (Abbildung 3). Nachdem alle drei Blöcke abgeschlossen sind, beenden Sie die Aufgabe, speichern Sie die Daten, und importieren Sie sie in die selbst erstellte Datenbank.
4. fNIRS-kognitive Aufgabenbewertung (Stroop-Aufgabe)
   1. Führen Sie Verhaltensforschungssoftware aus und wählen Sie das Paradigma der kognitiven Aufgabe . Wählen Sie die Patientenbehandlungsakten und dann den Kongruenztest aus.
   2. Bitten Sie den Probanden, die gesunde Hand auf die Taste der Tastatur zu legen, und bitten Sie ihn dann, sich 10 Sekunden lang auszuruhen, bevor die Studie beginnt. Führen Sie drei Blöcke des Kongruenztests durch, jeder Block enthält 60 s Aufgabe und 30 s Pause. Jede Aufgabe besteht aus 10 Versuchen, die jeweils aus 2000 ms Fixierung und 4000 ms Stimulus-Antwort mit einer Gesamtdauer von 280 s bestehen (Abbildung 4).
      1. Wenn das linke Symbol links neben der Feldschriftart angezeigt wird, drücken Sie die Taste ← auf der Tastatur so schnell wie möglich entsprechend der Zeichenbedeutung (d. h. links).
      2. Wenn das rechte Symbol auf der linken Seite des Feldrasters angezeigt wird, klicken Sie so schnell wie möglich auf die Schaltfläche → auf der Tastatur, je nach Bedeutung des Zeichens (z. B. rechts).
   3. Wählen Sie den Inkongruenztest aus. Das Verfahren ist das gleiche wie beim Kongruenztest.
      1. Wenn das rechte Symbol links neben der Feldschriftart angezeigt wird, ignorieren Sie die Zeichenbedeutung und drücken Sie die ←-Taste auf der Tastatur so schnell wie möglich entsprechend der Position, an der der Text angezeigt wird (z. B. links).
      2. Wenn das linke Symbol auf der rechten Seite der Feldschriftart angezeigt wird, ignorieren Sie die Zeichenbedeutung und klicken Sie so schnell wie möglich entsprechend der Position des Textes (z. B. rechts) auf die Schaltfläche → auf der Tastatur.
   4. Schließen Sie die Aufgabe ab, speichern Sie die Daten, und exportieren Sie sie in die selbst erstellte Datenbank.

5. Nachbehandlung

1. Führen Sie die Bewertung so durch, wie sie für die klinische Funktionsbewertung und die fNIRS-Bewertung der Gehirnfunktion in der Vorbehandlung durchgeführt wurde. Führen Sie alle Auswertungen nach dem Ende der 10^. Trainingseinheit durch (siehe Schritte 3.1 bis 4.4 für Details).

6. Datenverarbeitung und -analyse

1. Fassen Sie die persönlichen Daten der Patienten und die Daten der klinischen Bewertungsskala zusammen und analysieren Sie sie.
2. Verwenden Sie eine kommerzielle Software, um Nahinfrarotdaten vorzuverarbeiten. Eliminierung von Zeitintervall- und Bewegungsartefakten von Interferenztests, Auswahl eines Bandpassfilters (0,01-0,2 Hz) zur Entfernung von Rauschen, Berechnung der relativen Änderungen von sauerstoffhaltigem Hämoglobin (HbO) und sauerstoffarmem Hämoglobin (HbR) gemäß dem modifizierten Beer-Lambert-Gesetz und Umwandlung des optischen Dichtesignals in ein Blutsauerstoffkonzentrationssignal.
   HINWEIS: HbO reagiert empfindlicher auf Änderungen zwischen verschiedenen Bedingungen als HbR, daher werden in diesem Studienschema nur HbO-Daten für die anschließende Analyse verwendet.
3. Wählen Sie HbO im Blutsauerstofftyp als Analysedaten aus. Richten Sie die GLM-Designmatrix ein, und wählen Sie die Aufgabenphase in der Aufgabe aus. Klicken Sie auf die Schaltfläche Schätzen, um die erstellte Design-Matrix mit den erfassten Daten anzupassen.
4. Verwenden Sie das etablierte lineare Korrelationsmodell, um den Beta-Wert in jedem ROI zu berechnen. Exportieren Sie die Parameter, die Genauigkeitsrate (ACC) und die Reaktionszeit (RT) in der Stroop-Aufgabe über die Verhaltensforschungssoftware.

Ergebnisse

Die Studie stellt die klinische Funktion und den Umbau der Gehirnfunktion vor und nach der MI-BCI-Intervention bei einem 36-jährigen männlichen Schlaganfallpatienten vor. Mehr als 4 Monate nach der Hirnblutung zeigten die bildgebenden Ergebnisse einen chronischen Blutungsfokus im rechten Frontallappen und in der rechten Basalganglienregion-strahlende Kronenregion. Bei dem Patienten wurde während der Rekonvaleszenz von einer Hirnblutung eine motorische Dysfunktion der linken Extremität diagnostiziert. Die einfache amb...

Diskussion

Die Rehabilitationsphase bei mittelschwerer und schwerer motorischer Dysfunktion der oberen Extremitäten nach Schlaganfall ist lang und die Genesung schwierig, was seit jeher im Mittelpunkt der klinischen Rehabilitationsforschung^{steht 18}. Traditionelles Rehabilitationstraining für die oberen Gliedmaßen besteht meist aus einfachen peripheren Eingriffen oder zentralen Eingriffen¹⁹. Aufgrund der mangelnden aktiven Beteiligung von Patienten mit mittelschwerer und schwerer Dy...

Materialien

Name	Company	Catalog Number	Comments
MI-BCI	Rui Han, China	RuiHan Bangde	NA
E-Prime		version 3.0	behavioral research software.
fNIRS	Hui Chuang, China	NirSmart-500	NA
NirSpark			preprocess near-infrared data