Name: Autor im Rampenlicht: Bewertung der Gehirnaktivität bei der robotergestützten Rehabilitation der unteren Gliedmaßen mit fNIRS
Uploaded: 2024-06-07T12:40:00
Description: Stroke affects approximately 17 million individuals worldwide each year and is a leading cause of long-term disability. Robotic therapy has shown promise ...

Die Meinungen, Hypothesen, Schlussfolgerungen und Empfehlungen dieser Studie sind die der Autoren und geben nicht unbedingt die Meinung des Fördergebers wieder. JRS dankt der Sao Paulo Research Foundation (FAPESP, Fördernummern 2021/05332-8, 2018/04654-9, 2018/21934-5 und 2023/02538-0) und Jackson Cionek für die technologische Unterstützung. AMM und Vivax Ltda danken FAPESP (São Paulo Research Foundation) und FINEP (Brasilianische Innovationsagentur). Dieses Projekt wurde mit Zuschüssen von FAPESP (Förderkennzeichen 2018/09559-4) und FINEP (Förderkennzeichen 2019/09933-6) gefördert.

Diese Studie wurde vom lokalen Ethikprüfungsausschuss des UNICEP (Centro Universitario Paulista) genehmigt. Alle Teilnehmer gaben ihre Einverständniserklärung gemäß allen institutionellen Richtlinien und Bundesnormen in Bezug auf wissenschaftliche Forschung am Menschen. Sie erhielten keine finanzielle Entschädigung, wie es die brasilianischen Bundesvorschriften vorschreiben.
1. fNIRS-System
<ol><li>Bereiten Sie die Kappe mit 16 Optoden vor: 8 Lichtquellen (760 nm und 8...

Bewertung der Gehirnaktivierung durch fNIRS während einer robotischen Therapiesitzung der unteren Gliedmaßen

In dieser Proof-of-Concept-Studie wurde untersucht, ob es möglich ist, Rückschlüsse auf die Kartierung der Gehirnaktivierung unter Verwendung von fNIRS-Daten von gesunden Probanden zu ziehen, während sie mit verschiedenen Arten von Bewegungen mit einem Roboter für die Rehabilitation der unteren Gliedmaßen trainierten. Typische fNIRS-Aufnahmesitzungen bei Erwachsenen dauern länger als 6 Minuten54. Um Aufzeichnungen im Rahmen einer Rehabilitationseinrichtung möglich zu machen, muss die Gesam...

Epidemiologische Daten zeigen, dass es weltweit jedes Jahr ~17 Millionen neue Schlaganfallfälle gibt, wobei die Inzidenz in Ländern mit niedrigem und mittlerem Einkommen zunimmt1. Die Zahl der neuen Fälle wird bis 2030 schätzungsweise auf 77 Millionen ansteigen2. Motorische Beeinträchtigungen aufgrund eines Schlaganfalls beeinträchtigen häufig die Mobilität des Patienten und die Teilnahme an Aktivitäten des täglichen Lebens und tragen zu einer geringen Lebensqualität bei. Die traditionelle motorische Rehabilitation umfasst die manuelle Therapie, aber in den letzten Jahrzehnten wurden Robotersysteme für die Rehabilitation entwickelt. Diese Systeme können Therapien mit hoher Intensität, Dosis, Quantifizierbarkeit, Zuverlässigkeit, Wiederholbarkeit und Flexibilität liefern3 und haben sich als wirksame Rehabilitationsbehandlungen sowohl für akute als auch für chronische Schlaganfallpatienten erwiesen 4,5,6. Neben der Therapie können Robotersysteme für die Rehabilitation auch als Bewertungsinstrumente eingesetzt werden, da sie mit Sensoren ausgestattet werden können, die kinematische/kinetische Daten der Patientenbewegung messen können 7,8. Für die motorische Rehabilitation der oberen Extremitäten haben sich solche Daten nicht nur als nützlich erwiesen, um den Grad der motorischen Erholung des Patienten durch die Robotertherapie zu beurteilen, und dienten als ergänzendes Instrument zu herkömmlichen klinischen Bewertungen 9,10, sondern sie haben auch dazu beigetragen, das Verständnis des Prozesses der motorischen Erholung nach einem Schlaganfallzu verbessern 11. 12 sowie neuronale Kontrolle von Bewegung und motorischem Lernen bei gesunden Probanden 3,13,14. Infolgedessen haben diese Ergebnisse eine Grundlage für die Verbesserung von Rehabilitationsbehandlungen geschaffen15.
In den letzten zwei Jahrzehnten wurden viele Robotergeräte für die Neurorehabilitation der unteren Extremitäten vorgeschlagen, von Exoskeletten, die das Körpergewicht des Patienten beim Gehen unterstützen (z. B. über einem Laufband, wie Lokomat16), bis hin zu stationären Robotersystemen, die es dem Patienten ermöglichen, den Knöchel, das Knie oder den Fuß zu trainieren, ohne zu gehen (wie das Rutgers Ankle17, der Hochleistungs-Knöchelrehabilitationsroboter18 und der Knöchel-Fuß-Rehabilitationsroboter19 des Gwangju Institute of Science and Technology (GIST) oder aktive Fußorthesen, bei denen es sich um betätigte Exoskelette handelt, die vom Patienten getragen werden, um über den Boden oder über ein Laufband zu gehen (wie die Powered Gait Orthosis20 und der MIT Anklebot21). Siehe 22,23,4 für einen Überblick über Roboter für die Rehabilitation der unteren Gliedmaßen.
Die Ergebnisse klinischer Studien zu Robotergeräten zur Rehabilitation der unteren Gliedmaßen bei Schlaganfallpatienten waren ermutigend und haben gezeigt, dass diese Systeme den Bewegungsumfang (ROM), die Muskelkraft oder den Gang der Gelenke je nach spezifischem Gerät und klinischem Protokoll verbessern können (siehe 24,25 für eine Übersicht über die Wirksamkeit von Robotern für die unteren Extremitäten für die Rehabilitation). Während postuliert wurde, dass die robotergestützte Therapie neuroplastische Veränderungen fördert, die letztendlich zu verbesserten motorischen Fähigkeiten führen26, bleibt weitgehend unklar, wie der Prozess der motorischen Erholung nach einem Schlaganfall genau abläuft und welche Robotertrainingsprotokolle den Prozess der Wiederherstellung der motorischen Fähigkeiten der unteren Extremitäten optimieren. Tatsächlich gibt es eine signifikante, wachsende Diskrepanz zwischen der zunehmenden Entwicklung von Rehabilitationsrobotern (entweder durch akademische Forscher oder kommerzielle Einrichtungen) und dem begrenzten Verständnis der neurophysiologischen Mechanismen, die der motorischen Erholung zugrunde liegen4. Messungen der Bewegungskinematik oder der Gelenkdrehmomente, die mit eingebetteten Sensoren durchgeführt wurden, haben dazu beigetragen, motorische Verhaltensänderungen quantitativ zu beschreiben, die auftreten, wenn Patienten die motorischen Fähigkeiten der unteren Extremitäten wiedererlangen 27,28,29, und diese Lücke teilweise schließen. Die neuronalen Korrelate, die solchen Veränderungen zugrunde liegen, wurden jedoch weniger untersucht. Dies hat mehrere Gründe.
Die funktionelle Bildgebung des Gehirns ist zeitaufwändig und manchmal schwierig im Zusammenhang mit klinischen Studien durchzuführen, die oft eine minimale Patientenbelastung erfordern, um die Wahrscheinlichkeit der Patientenbeteiligung an der Studie zu maximieren. Dies gilt insbesondere für Personen, die einen Schlaganfall erlitten haben, da nach einem Schlaganfall häufig Müdigkeit und Muskelschwäche beobachtet werden30. Auch Bildgebungsmodalitäten, die auf Magnetfeldern basieren, wie z. B. die funktionelle Magnetresonanztomographie (fMRT), erfordern, dass sowohl die Patienten- als auch die Roboterhardware magnetsicher sind.
Unter den nicht-invasiven Bildgebungsmodalitäten ist die funktionelle Nahinfrarotspektroskopie (fNIRS) ein bildgebendes Verfahren, das sich besonders für die Beurteilung von Bereichen der Gehirnaktivierung bei Probanden eignet, die sich einer Robotertherapie unterziehen. Ähnlich wie fMRT misst fNIRS die Sauerstoffversorgung des Blutes im Gehirn. Im Gegensatz zu fMRT ist fNIRS jedoch vollständig kompatibel mit Roboterhardware, und es ist oft tragbar und kann sogar am Krankenbett verwendet werden. Außerdem hat fNIRS niedrige Kosten und eine geringere Empfindlichkeit gegenüber Bewegungsartefakten 31,32,33.
Trotz seiner klaren Vorteile und seiner weit verbreiteten Verwendung in vielen klinischen Umgebungen seit seiner Einführung in den späten 70er Jahren34 haben nur wenige Studien fNIRS verwendet, um die Gehirnaktivierung im Zusammenhang mit Bewegungen der unteren Gliedmaßen und der motorischen Erholung des Schlaganfalls zu quantifizieren. FNIRS-Studien, die darauf abzielten, Mechanismen der neuronalen Bewegungskontrolle und/oder Mechanismen aufzuklären oder die motorische Erholung nach einem Schlaganfall zu bewerten, untersuchten hauptsächlich eingelenkige Bewegungen (z. B. Dorsalflexion, Plantarflexion oder Kniestreckbewegungen35,36,37), Gehen 38,39,40,41,42,43 oder Radfahren44. Siehe45 für eine Rezension. In ähnlicher Weise haben sich fNIRS-Studien zur robotergestützten Therapie der unteren Extremität hauptsächlich auf die robotergestützte Gangrehabilitation konzentriert; siehe46 für eine Rezension. Einige Studien haben sich auf die Verwendung von fNIRS als Teil eines Gehirn-Computer-Schnittstellensystems (BCI) konzentriert, um Steuersignale für Robotergeräte abzuleiten47,48; Während dieser Forschungsbereich auch auf die Verarbeitung von fNIRS-Signalen angewiesen ist, ist sein Ziel ein anderes und konzentriert sich hauptsächlich auf die Dekodierung von Patientenabsichten (z. B. Patienten mit schweren motorischen Behinderungen).
Die hier vorgestellte Pilotstudie ist Teil eines ersten Versuchs, die Auswirkungen eines Robotersystems für die Rehabilitation der unteren Extremitäten zu untersuchen. Der Roboter kann eine zielgerichtete Rehabilitation der unteren Extremitäten durchführen, die das Training alltäglicher Mehrgelenksbewegungen sowie die Therapie einzelner Gelenke (z. B. Knie oder Knöchel) der unteren Extremität umfasst (d. h. ein Bottom-up-Rehabilitationsprogramm durchführen).
Die Studie zielte darauf ab, die Durchführbarkeit eines experimentellen Protokolls zu untersuchen, das die Erfassung von fNIRS-Daten während der Ausführung von mehrgelenkigen Zeigebewegungen der unteren Extremitäten erfordert. Die Dauer der Datenerfassungsdauer in dieser Studie, die auf 6 Minuten begrenzt war, ist kürzer als bei typischen fNIRS-Protokollen. Dies war eine bewusste Entscheidung mit dem Ziel, die Praktikabilität und klinische Anwendbarkeit dieser Forschung zu verbessern, insbesondere bei Patienten mit eingeschränkter Mobilität oder Kraft. Die Identifizierung von fNIRS-Korrelaten solcher komplexen Mehrgelenkbewegungen und die Gewinnung von Erkenntnissen darüber, wie die Gehirnaktivierung durch Roboterassistenz moduliert wurde, waren ebenfalls von Interesse. Zu diesem Zweck wurden zwei Experimente mit denselben Teilnehmern durchgeführt: eine ohne Roboterunterstützung und eine mit Roboterunterstützung. Schließlich ist es wichtig anzumerken, dass sich diese Studie auf gesunde Probanden konzentrierte, um eine Grundlage für zukünftige Forschungen in Bezug auf die Aufzeichnung der Durchführbarkeit von Protokollen und die Bewertung der Gehirnaktivierung während der von der Robotertherapie gezielten Bewegungen zu schaffen.
Apparat Für die Durchführung unserer Experimente wurde ein tragbarer Roboter verwendet, der für die Rehabilitation der unteren Gliedmaßen entwickelt wurde (siehe Abbildung 1). Der Roboter verfügt über einen in 3D erreichbaren Arbeitsbereich und ist mit einem Gewicht von etwa 35 Pfund kompakt und leicht, was den Transport und die Installation erleichtert.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66004/66004fig01.jpg"> Abbildung 1: Versuchsanordnung. (A) Das Robotersystem (auf dem Boden installiert) für die untere Extremität. Ein Freiwilliger wird gezeigt, wie er die Schnittstelle mit seinem rechten Fuß benutzt. (B) Stützstruktur für den Fuß des Probanden, die die Befestigung am Robotersystem ermöglicht. (C) Ein Screenshot des Picnic-Spiels. Ziel des Spiels ist es, den Fuß (grüner und weißer Schuh) zum Ziel (gelber Kreis) zu bewegen. <a href="https://www.jove.com/files/ftp_upload/66004/66004fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Das Robotersystem wurde entwickelt, um einen Patienten bei der Ausführung von Bewegungen der unteren Gliedmaßen zu unterstützen, die denen bei alltäglichen Aufgaben wie Zeigen oder Treten ähneln. Es verwendet interaktive Virtual-Reality-Spiele, die auf einem Computermonitor oder einem Fernsehbildschirm vor dem Robotergerät angezeigt werden (siehe Abbildung 1). Der Roboter-Endeffektor wird an der unteren Extremität des Patienten (z. B. Knöchel) befestigt und seine Position wird der Position eines Cursors auf dem Bildschirm zugeordnet. Ein typisches Spiel zeigt dem Patienten Bewegungsziele (z. B. das Objekt, auf das er zeigen oder wohin er den Ball treten soll).
Um die Bewegungsaufgabe zu erledigen, kann der Roboter den Patienten mit einem Grad an Unterstützung unterstützen, der von vollständiger Unterstützung bis zu keiner reichen kann. Der Grad der Roboterunterstützung wird zu Beginn jeder Rehabilitationssitzung basierend auf dem Grad der motorischen Beeinträchtigung des Patienten ausgewählt. Die vom Probanden ausgeführten Bewegungen werden vom Spiel verwendet, um die Leistung des Patienten zu bewerten und ihm Feedback zu seiner Leistung zu geben (z. B. ROM, Anzahl der Bewegungen und Grad der Roboterunterstützung). Die Spiele sind interaktiv und unterhaltsam gestaltet, um das Interesse und die Aufmerksamkeit der Patienten aufrechtzuerhalten. In dieser Studie spielten die Teilnehmer das "Picknick-Spiel", bei dem der Spieler die Insekten davon abhalten musste, das Handtuch zu erreichen und das Essen zu stehlen (siehe Abbildung 1, Unterseite, für einen Screenshot).
Die Datenerfassung wurde mit einem tragbaren fNIRS-Erfassungssystem mit zwei verschiedenen Dauerstrichoptoden (760 nm und 850 nm), 8 Dual-Tip-LED-Quellen und 8 aktiven Dual-Tip-Detektoren durchgeführt. Die Signale wurden mit einer Abtastrate von 10,17 Hz erfasst. Für die Kalibrierungsoptimierung und Signalaufzeichnung wurde ein Laptop über ein vom fNIRS-System erstelltes Wi-Fi-Netzwerk verwendet.
Eine Kappe wurde verwendet, um die Optoden an den vorgegebenen Stellen zu halten. Die Quellen und Detektoren wurden gemäß dem internationalen EEG-System 10-10 in einer räumlichen Gitterverteilung platziert. Jeder fNIRS-Kanal wurde durch ein Quellen-Detektor-Paar mit Abständen zwischen den Optoden von ca. 30 mm definiert. Die Optoden wurden an den in Abbildung 2 gezeigten Stellen über den zusätzlichen Motor-, Vormotor- und Motorbereichen platziert. Die Gesamtzahl der Kanäle betrug 28, wobei 8 Kurzstreckenkanäle waren, die mit jedem Sender über einen Glasfaseradapter an einen einzigen Detektor gekoppelt waren. Durch den Multiplexing-Aufbau der Hardware ist es möglich, mit nur einem Detektor Kurzstreckeninformationen aus allen Quellen zu erfassen.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66004/66004fig02.jpg"> Abbildung 2: Montageaufbau mit dem 10-10 EEG-System. Die Buchstaben und Zahlen geben die Quellen-/Detektorstandorte an. Die roten und blauen Punkte stellen die Quell- bzw. Detektoroptoden dar. Die grünen Linien stellen die fNIRS-Kanäle dar, die aus Quell- und Detektorpaaren bestehen. <a href="https://www.jove.com/files/ftp_upload/66004/66004fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Versuchsplanung Das Experiment wurde unter zwei verschiedenen experimentellen Bedingungen durchgeführt, die sich in der Unterstützung des Roboters für die Bewegungen des Probanden unterschieden. In der ersten Bedingung wurde der Roboter so programmiert, dass er die Bewegungen des Probanden nicht unterstützt, während der Roboter in der zweiten Bedingung die Fuß- und Beinbewegungen des Probanden steuerte (robotergestützte Bewegung).
Jedes Experiment folgte einem Blockdesign-Paradigma mit abwechselnden Zyklen einer motorischen Aufgabe (Spielen des Spiels - 30 s) und Ruhen (30 s), wie in Abbildung 3 dargestellt. Der Beginn und das Ende jeder Phase (Spiel/Spiel oder Pause) wurden dem Probanden visuell über den Computerbildschirm signalisiert. Während der Ruhephase wurde eine Meldung angezeigt, die auf eine Pause hinweist. Jeder Zyklus (Spiel/Spiel + Pause) hatte eine Dauer von 60 s und wurde sechsmal wiederholt, was zu einer Gesamtlaufzeit von 360 s (6 min) führte.
Die Teilnehmer spielten das "Picknick-Spiel", bei dem es darum ging, Insekten daran zu hindern, das Handtuch zu erreichen und Lebensmittel zu stehlen. Dieses Spiel beinhaltete eine Abfolge von Bewegungen der unteren Gliedmaßen, beginnend mit einem bestimmten Zielpunkt (Ausgangsposition) und erstreckte sich zu einem von drei äußeren Zielen, bevor es zum Heimatziel zurückkehrte. Auf dem Bildschirm wurden die äußeren Ziele visuell als animierte sich bewegende Insekten dargestellt, die die Teilnehmer erreichen und betreten mussten. Es gab drei nach außen gerichtete Ziele, die jeweils zufällig gleich oft präsentiert wurden, zusammen mit einem gemeinsamen Zielpunkt für jede Bewegung. Die Entfernung, die der Fuß benötigte, um von der Heimatscheibe zur Position der äußeren Ziele zurückzulegen, bildete einen Bogen, der etwa 26 cm maß. Die motorische Aufgabe erforderte die Ausführung von Mehrgelenkbewegungen, die die Koordination zwischen Kniebeugung/-streckung, Plantarflexion und Dorsalflexionsbewegungen erforderten.
Die fNIRS-Datenaufzeichnungen wurden mit den visuellen Reizen synchronisiert, die das Spiel dem Probanden durch einen vom Roboter erzeugten Transistor-Transistor-Logik-Impuls (TTL) präsentierte. Zu Beginn jeder Phase (Spiel/Spiel und Ruhe) wurden Impulse erzeugt. Daher wurde die gesamte Zeitsteuerung vom Spiel durchgeführt, das dem Teilnehmer visuelle Hinweise (Ziele) lieferte, um jede Bewegung zu starten, TTL-Signale an das fNIRS-System sendete, um die Gehirnaktivitätsaufzeichnungen zu markieren, und, falls für das Experiment erforderlich, Signale an das Robotersteuerungssystem sendete, um die Bewegungsunterstützung zu initiieren.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>32 inch Smart TV</td>
			<td>Samsung</td>
			<td>N/A</td>
			<td>TV connected to robot via HDMI cable</td>
		</tr>
		<tr>
			<td>8-detector silicon photodiode (SiPD) optodes for optical detection with dual tip</td>
			<td>NIRx Medical Technologies (Glen Head, NY, USA)</td>
			<td>https://nirx.net/nirsport</td>
			<td></td>
		</tr>
		<tr>
			<td>8-source optodes bundle for optical illumination with dual tip</td>
			<td>NIRx Medical Technologies (Glen Head, NY, USA)</td>
			<td>https://nirx.net/nirsport</td>
			<td></td>
		</tr>
		<tr>
			<td>Aurora acquisition software</td>
			<td>NIRx Medical Technologies (Glen Head, NY, USA)</td>
			<td>https://nirx.net/nirsport</td>
			<td></td>
		</tr>
		<tr>
			<td>Laptop Precision XPS 13</td>
			<td>Dell Technologies (Round Rock, TX, USA)</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>nirsLAB fNIRS Analysis software</td>
			<td>NIRx Medical Technologies (Glen Head, NY, USA)</td>
			<td>https://nirx.net/nirsport</td>
			<td></td>
		</tr>
		<tr>
			<td>NIRSports2 fNIRS acquisition system</td>
			<td>NIRx Medical Technologies (Glen Head, NY, USA)</td>
			<td>https://nirx.net/nirsport</td>
			<td>It has two different continuous wave optics (760 and 850 nm), 8 dual-ended LED sources and 8 dual-ended active detectors.</td>
		</tr>
		<tr>
			<td>R</td>
			<td>R-project.org (open source software)</td>
			<td>https://www.r-project.org/</td>
			<td></td>
		</tr>
		<tr>
			<td>Standard cut cap, black color for up to 128 holders.</td>
			<td>Easycap GmbH (W&#246;rthsee, Germany)</td>
			<td>https://www.easycap.de/</td>
			<td></td>
		</tr>
		<tr>
			<td>Vivax Assistive Rehabilitation Machine (ARM)&#160;</td>
			<td>Vivax Ltda (S&#227;o Paulo, Brazil)</td>
			<td>https://vivaxbr.com/home/</td>
			<td>It is a portable robot designed to deliver lower limb rehabilitation. It has a 3D reachable workspace and is compact and light, weighing about 35 lb., which makes it easy to transport and to install.&#160;</td>
		</tr>
	</tbody>
</table>

an experiment using functional near-infrared spectroscopy and robot-assisted multi-joint pointing movements of the lower limb

Schlaganfall betrifft jedes Jahr etwa 17 Millionen Menschen weltweit und ist eine der Hauptursachen für langfristige Behinderungen. Die Robotertherapie hat sich als vielversprechend erwiesen, um Schlaganfallpatienten dabei zu helfen, verlorene motorische Funktionen wiederzuerlangen. Ein möglicher Weg, um das Verständnis der motorischen Erholung zu verbessern, besteht darin, die Gehirnaktivierung während der Bewegungen zu untersuchen, auf die die Therapie bei gesunden Personen abzielt. Die funktionelle Nahinfrarotspektroskopie (fNIRS) hat sich als vielversprechende Neuroimaging-Technik zur Untersuchung der neuronalen Grundlagen der motorischen Funktion herausgestellt. Ziel dieser Studie war es, neuronale fNIRS-Korrelate komplexer Bewegungen der unteren Extremitäten bei gesunden Probanden zu untersuchen. Die Teilnehmer wurden gebeten, 6 Minuten lang Ruhe- und Bewegungszyklen mit einem Robotergerät zur motorischen Rehabilitation durchzuführen. Die Aufgabe erforderte koordinierte Knie- und Knöchelgelenksbewegungen, um auf Ziele zu zeigen, die auf einem Computerbildschirm angezeigt wurden. Es wurden zwei experimentelle Bedingungen mit unterschiedlicher Bewegungsunterstützung durch den Roboter untersucht. Die Ergebnisse zeigten, dass das fNIRS-Protokoll Gehirnregionen, die mit der motorischen Kontrolle verbunden sind, während der Aufgabe effektiv erkannte. Bemerkenswert ist, dass alle Probanden während der Bedingung ohne Unterstützung eine stärkere Aktivierung im kontralateralen prämotorischen Bereich zeigten als in der assistierten Bedingung. Zusammenfassend lässt sich sagen, dass fNIRS ein wertvoller Ansatz zur Erkennung von Veränderungen der Oxyhämoglobinkonzentration zu sein scheint, die mit mehrgelenkigen Zeigebewegungen der unteren Extremität verbunden sind. Diese Forschung könnte zum Verständnis der motorischen Wiederherstellungsmechanismen des Schlaganfalls beitragen und den Weg für verbesserte Rehabilitationsbehandlungen für Schlaganfallpatienten ebnen. Es sind jedoch weitere Forschungen erforderlich, um das Potenzial von fNIRS bei der Untersuchung der motorischen Funktion und ihrer Anwendungen im klinischen Umfeld vollständig aufzuklären.

Epidemiological data indicates that worldwide there are ~17 million new cases of stroke each year, with an increase in incidence in low- and middle-income countries1. The number of new cases is estimated to increase to 77 million by 20302. Motor impairment due to stroke often affects patient&#39;s mobility and participation in daily life activities, contributing to a low quality of life. Traditional motor rehabilitation includes manual therapy, but over the past few decades, robotic systems for rehabilitation have been developed. These systems can deliver therapy at high intensity, dose, quantifiability, reliability, repeatability, and flexibility3 and have shown potential as effective rehabilitation treatments for both acute and chronic stroke patients4,5,6. In addition to delivering therapy, robotic systems for rehabilitation can be used as evaluation tools as they can be equipped with sensors that can measure patient movement kinematic/kinetic data7,8. For upper extremity motor rehabilitation, such data has not only been proven to be useful for assessing the level of patient&#39;s motor recovery elicited by robotic therapy and served as a supplementary tool to traditional clinical assessments9,10, but it has also contributed to advancing the understanding of the process of motor recovery from stroke11,12 as well as neural control of movement and motor learning in healthy subjects3,13,14. As a result, these findings have provided a foundation for enhancing rehabilitation treatments15.
Over the last two decades, many robotic devices for lower limb neurorehabilitation have been proposed, spanning from exoskeletons that support the patient body weight during walking (e.g., over a treadmill, such as Lokomat16) to stationary robotic systems that allow the patient to exercise the ankle, knee or foot without walking (such as the Rutgers Ankle17, the High-Performance Ankle Rehabilitation Robot18, and the Gwangju Institute of Science and Technology (GIST) ankle/foot rehabilitation robot19) or active foot orthoses that are actuated exoskeletons worn by the patient to walk overground or over a treadmill (such as the Powered Gait Orthosis20&#160;and the MIT Anklebot21).&#160;See22,23,4 for a review on robots for lower limb rehabilitation.
Results of clinical studies of robotic devices for lower limb rehabilitation on stroke patients have been encouraging and have shown that these systems may improve joints&#39; Range of Motion (ROM), muscle strength, or gait, depending on the specific device and clinical protocol (see&#160;24,25&#160;for a review on the efficacy of lower limb robots for rehabilitation). While it has been postulated that robot-assisted therapy promotes neuroplastic changes, which ultimately result in improved motor abilities26, how the process of motor recovery from stroke exactly occurs and which robotic training protocols optimize the process of recovery of lower limb motor abilities, remain mostly unclear. In fact, there is a significant, growing disparity between the increasing development of rehabilitation robots (either by academic researchers or commercial entities) and the limited understanding of the neurophysiological mechanisms that underlie motor recovery4. Measurements of movement kinematics or joint torques taken with embedded sensors have contributed to quantitatively describing motor behavioral changes that occur as patients recover lower limb motor abilities27,28,29, partially filling this gap. However, the neural correlates underlying such changes have been less investigated. This is due to several reasons.
Brain functional imaging is time-consuming and sometimes difficult to complete in the context of clinical trials, which often require keeping patient burden minimal to maximize the likelihood of patient adherence to the study. This holds particularly true for individuals who have suffered a stroke, given the fact that post-stroke fatigue and muscle weakness are frequently observed30. Also, imaging modalities that are based on magnetic fields, such as functional Magnetic Resonance Imaging (fMRI), require both patient and robotic hardware to be magnet-safe.
Among non-invasive imaging modalities, functional Near-Infrared Spectroscopy (fNIRS) is an imaging technique particularly suitable for assessing areas of brain activation in subjects undergoing robotic therapy. Similarly to fMRI, fNIRS measures blood oxygenation/deoxygenation in the brain. However, unlike fMRI, fNIRS is fully compatible with robotic hardware, and it is often portable, even being usable at the bedside. Also, fNIRS has low cost and less sensitivity to motion artifacts31,32,33.
Despite its clear advantages and widespread use in many clinical settings since its first introduction in the late 70s34, only a few studies have used fNIRS to quantify brain activation associated with lower limb movements and stroke motor recovery. FNIRS studies aimed at elucidating mechanisms of neural control of movement and/or mechanisms or evaluation of motor recovery from stroke have mostly investigated single-joint movements (e.g., dorsiflexion, plantar flexion or knee extension movements35,36,37), walking38,39,40,41,42,43, or cycling44. See45&#160;for a review. Similarly, fNIRS studies on robot-assisted therapy for the lower limb have mostly focused on robot-assisted gait rehabilitation; see46&#160;for a review. A few studies have focused on using fNIRS as part of a Brain-Computer Interface (BCI) system to derive control signals for robotic devices47,48; while this research area also relies on the processing of fNIRS signals, its goal is different and mainly&#160;focused on decoding patient intentions (e.g., patients with severe motor disabilities).
The pilot study presented herein is part of an initial effort to investigate the effects of a robotic system for lower limb rehabilitation. The robot can deliver target-oriented lower limb rehabilitation that involves training in everyday multi-joint movements as well as deliver therapy to single joints (e.g., knee or ankle) of the lower limb (i.e., implement a bottom-up rehabilitation program).
The study aimed to investigate the feasibility of an experimental protocol that required the acquisition of fNIRS data during the performance of lower limb, multi-joint pointing movements. The duration of the data acquisition period in this study, which was limited to 6 min, is shorter than typical fNIRS protocols. This was a deliberate choice made with the aim of enhancing the practicality and clinical applicability of this research, particularly in patients with limited mobility or strength. Identifying fNIRS correlates of such complex multi-joint movements and gaining insights into how brain activation was modulated by robot assistance were also points of interest. For this purpose, two sessions of experiments were conducted with the same participants: one with no robot assistance and one with robot assistance. Finally, it is important to remark that this study focused on healthy subjects in order to establish a foundation for future research in terms of recording protocol feasibility and evaluation of brain activation during movements targeted by robotic therapy.
Apparatus 
A portable robot designed to deliver lower limb rehabilitation (see Figure 1) was used to conduct our experiments. The robot has a 3D reachable workspace and is compact and light, weighing about 35 lb., which makes it easy to transport and install.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66004/66004fig01.jpg" /> 
Figure 1: Experimental setup. (A) The robotic system (installed on the floor) designed for the lower limb. A volunteer is shown utilizing the interface with their right foot. (B) Support structure for the subject&#39;s foot that enables attachment to the robotic system. (C) A screenshot of the Picnic game. The objective of the game is to move the foot (green and white shoe) to the target (yellow circle). <a href="https://www.jove.com/files/ftp_upload/66004/66004fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>
The robotic system is designed to assist a patient in performing lower limb movements similar to those performed in everyday tasks, such as pointing or kicking. It uses interactive virtual reality games, which are displayed on a computer monitor or a television screen placed in front of the robotic device (see Figure 1). The robot-end effector is attached to the patient&#39;s lower limb (e.g., ankle), and its position is mapped to the position of a cursor on the screen. A typical game shows the patient movement targets (e.g., the object to point to or where to kick the ball).
To complete the movement task, the robot may assist the patient with a level of assistance that can range from full assistance to none. The level of robotic assistance is chosen at the beginning of each rehabilitation session based on the patient&#39;s level of motor impairment. The movements performed by the subject are used by the game to score the patient&#39;s performance and provide them feedback on their performance (e.g., ROM, number of movements, and level of robotic assistance). The games are designed to be interactive and entertaining to sustain patient interest and attention. In this study, participants played the &#34;Picnic game&#34;, in which the player had to stop the insects from reaching the towel and stealing the food (see Figure 1, bottom panel, for a screenshot).
Data acquisition was performed with a portable fNIRS acquisition system with two different continuous-wave optodes (760 nm and 850 nm), 8 dual-tip LED sources, and 8 dual-tip active detectors. The signals were acquired using a sampling rate of 10.17 Hz. A laptop was used for the calibration optimization and signal recording using a Wi-Fi network created by the fNIRS system.
A cap was used to hold the optodes in the predetermined locations. The sources and detectors were placed according to the 10-10 international EEG system in a grid spatial distribution. Each fNIRS channel was defined by a source-detector pair with inter-optode distances of approximately 30 mm. The optodes were placed over the supplementary motor, premotor, and motor areas at the locations shown in Figure 2. The total number of channels was 28, where 8 were short-distance channels that were coupled to each source using a fiber optics adapter to a single detector. Given the multiplexing setup of the hardware, it is possible to acquire short-distance information from all sources using only one detector.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66004/66004fig02.jpg" /> 
Figure 2: Montage layout using the 10-10 EEG system. The letters and numbers indicate the source/detector locations. The red and blue dots represent the source and detector optodes, respectively. The green lines represent the fNIRS channels which consist of source and detector pairs. <a href="https://www.jove.com/files/ftp_upload/66004/66004fig02large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>
Experimental design 
The experiment was conducted under two distinct experimental conditions, differing in the level of assistance provided by the robot for the subject&#39;s movements. In the first condition, the robot was programmed not to provide any assistance to the subject&#39;s movements, while in the second condition, the robot controlled the subject&#39;s foot and leg movements (robot-assisted movement).
Each experiment followed a block design paradigm involving alternating cycles of a motor task (playing the game - 30 s) and resting (30 s), as illustrated in Figure 3. The starting and conclusion of each phase (play/game or rest) were visually signaled to the subject through the computer screen. During the rest phase, a message indicating a pause was displayed. Each cycle (play/game + rest) had a duration of 60 s and was repeated six times, resulting in a total runtime of 360 s (6 min).
The participants played the &#34;Picnic game&#34;, wherein the objective was to prevent insects from reaching the towel and stealing food. This game involved a sequence of lower limb movements, starting from a designated home target (initial position) and extending towards one of three outer targets before returning to the home target. On the screen, the outer targets were visually represented as animated moving insects, which the participants had to reach and step onto. There were three outer-reaching targets, each randomly presented an equal number of times, alongside a common home target for every movement. The distance that the foot needed to travel from the home target to the position of the outer targets formed an arc, approximately measuring 26 cm. The motor task required the execution of multi-joint movements, demanding coordination between knee flexion/extension, plantar flexion, and dorsiflexion movements.
The fNIRS data recordings were synchronized with the visual stimuli presented by the game to the subject through a transistor-transistor-logic (TTL) pulse generated by the robot. Pulses were generated at the outset of each phase (play/game and rest). Thus, all timing control was performed by the game, which provided visual cues (targets) to the participant to start each movement, sent TTL signals to the fNIRS system to mark the brain activity recordings, and, if required by the experiment, sent signals to the robot control system to initiate movement assistance.

Autor im Rampenlicht: Bewertung der Gehirnaktivität bei der robotergestützten Rehabilitation der unteren Gliedmaßen mit fNIRS

Ein Experiment mit funktioneller Nahinfrarotspektroskopie und robotergestützten Mehrgelenk-Zeigebewegungen der unteren Extremität

In this study, we aim to investigate the feasibility of an experimental protocol involving movements of the lower limb attached to a robotic device and simultaneous acquisition of functional near-infrared spectroscopy, fNIRS, data. Few studies have employed fNIRS to study brain activation in stroke, motor recovery, and lower limb movements, focusing mainly on single joint actions, walking, or cycling. Our study pioneers in exploring multi-joints lower limb training for target rehabilitation.Functional near-infrared spectroscopy, fNIRS, effectively measures temporal changes in brain blood oxygenation, serving as an indirect brain activity indicator, to functional MRI signals. Unlike fMRI, fNIRS is compatible with robotic hardware, portable, and more robust to motion artifacts. There are two main challenge.The first is to synchronize the robotic device movements with fNIRS data. The second is to obtain enough data to achieve the statistical power, to detect hemodynamic changes in only six minutes. Our study confirmed the feasibility of the protocol and yielded anticipated results.In the assisted condition, only two subject exhibited significant brain activation. The unassisted exercise, requiring more effort, showed a greater HbO concentration change than assisted ones, with notable difference in the contralateral PMC.

Alle sechs Probanden absolvierten beide Experimente. In der Bedingung ohne Unterstützung wurden durchschnittlich 76,67 Versuche (std. 10,73) von jedem Probanden abgeschlossen (beachten Sie, dass die Anzahl der Versuche für jedes Subjekt von der Anzahl der erfolgreichen Erreichen abhing, da ein neues Ziel nur angezeigt wurde, wenn das vorherige erreicht wurde). In der Assistenzbedingung, bei der die Bewegung des Probanden vollständig vom Roboter unterstützt wurde, absolvierten alle Probanden 70 Versuche. fNIRS-Daten w...

Es wird geschätzt, dass 1 von 6 Menschen weltweit in ihrem Leben einen Schlaganfall erleiden wird, der zu langfristigen Behinderungen führt, deren Rehabilitationsmechanismen noch wenig verstanden sind. Diese Studie schlägt ein Protokoll zur Bewertung der Gehirnaktivierung durch funktionelle Nahinfrarotspektroskopie (fNIRS) während einer Robotertherapiesitzung der unteren Extremitäten vor.

Stroke affects approximately 17 million individuals worldwide each year and is a leading cause of long-term disability. Robotic therapy has shown promise ...

In dieser Studie wollen wir die Machbarkeit eines experimentellen Protokolls untersuchen, das Bewegungen der unteren Extremität, die an einem Robotergerät befestigt sind, und die gleichzeitige Erfassung von Daten der funktionellen Nahinfrarotspektroskopie, fNIRS, beinhaltet. Nur wenige Studien haben fNIRS verwendet, um die Gehirnaktivierung bei Schlaganfall, motorischer Erholung und Bewegungen der unteren Gliedmaßen zu untersuchen, wobei der Schwerpunkt hauptsächlich auf einzelnen Gelenkaktionen, Gehen oder Radfahren lag. Unsere Studie leistet Pionierarbeit bei der Erforschung des Trainings der unteren Gliedmaßen mit mehreren Gelenken für die Zielrehabilitation.Die funktionelle Nahinfrarotspektroskopie (fNIRS) misst effektiv zeitliche Veränderungen der Sauerstoffversorgung des Gehirns, die als indirekter Indikator für die Gehirnaktivität dient, für funktionelle MRT-Signale. Im Gegensatz zu fMRT ist fNIRS mit Roboterhardware kompatibel, tragbar und robuster gegenüber Bewegungsartefakten. Es gibt zwei Hauptherausforderungen.Die erste besteht darin, die Bewegungen der Robotergeräte mit fNIRS-Daten zu synchronisieren. Die zweite besteht darin, genügend Daten zu erhalten, um die statistische Aussagekraft zu erreichen, um hämodynamische Veränderungen in nur sechs Minuten zu erkennen. Unsere Studie bestätigte die Durchführbarkeit des Protokolls und lieferte die erwarteten Ergebnisse.In der assistierten Bedingung zeigten nur zwei Probanden eine signifikante Gehirnaktivierung. Die unassistierte Übung, die mehr Anstrengung erforderte, zeigte eine größere HbO-Konzentrationsänderung als assistierte, mit einem bemerkenswerten Unterschied im kontralateralen PMC.

an-experiment-using-functional-near-infrared-spectroscopy-robot

Research

JoVE Journal

Neuroscience

An Experiment Using Functional Near-Infrared Spectroscopy and Robot-Assisted Multi-Joint Pointing Movements of the Lower Limb

Stroke affects approximately 17 million individuals worldwide each year and is a leading cause of long-term disability. Robotic therapy has shown promise in helping stroke patients regain lost motor functions. One potential avenue for increasing the understanding of how motor recovery occurs is to study brain activation during the movements that are targeted by therapy in healthy individuals. Functional Near-Infrared Spectroscopy (fNIRS) has emerged as a promising neuroimaging technique for examining neural underpinnings of motor function. This study aimed to investigate fNIRS neural correlates of complex lower limb movements in healthy subjects. Participants were asked to perform cycles of rest and movement for 6 min using a robotic device for motor rehabilitation. The task required coordinated knee and ankle joint movements to point to targets displayed on a computer screen. Two experimental conditions with different levels of movement assistance provided by the robot were explored. The results showed that the fNIRS protocol effectively detected brain regions associated with motor control during the task. Notably, all subjects exhibited greater activation in the contralateral premotor area during the no-assistance condition compared to the assisted condition. In conclusion, fNIRS appears to be a valuable approach for detecting changes in oxyhemoglobin concentration associated with multi-joint pointing movements of the lower limb. This research might contribute to the understanding of stroke motor recovery mechanisms and might pave the way for improved rehabilitation treatments for stroke patients. However, further research is needed to fully elucidate the potential of fNIRS in studying motor function and its applications in clinical settings.

It is estimated that 1 in 6 individuals worldwide will have a stroke in their lifetime, causing long-term disability, whose rehabilitation mechanisms are still poorly understood. This study proposes a protocol to evaluate brain activation by functional near-infrared spectroscopy (fNIRS) during a lower limb robotic therapy session.