多感官反馈脑机接口在脑卒中康复中的应用:个案研究

脑机接口社区

发布于 2023-02-14 09:06:21

4950

发布于 2023-02-14 09:06:21

文章被收录于专栏：脑机接口

传统治疗方法无法为瘫痪患者提供一个整合了感觉在内的闭环运动康复。本研究提出了一种基于运动想象(Motor Imagery，MI)的脑机接口(Brain-Computer Interface，BCI)、功能电刺激(Functional Electrical Stimulation，FES)和视觉反馈技术的软硬件平台recoveriX系统。是一种用于脑卒中后康复的完整的感觉-运动闭环治疗系统。该系统在临床环境中对两名慢性中风患者进行了测试。病人被要求以随机的顺序想象左手或右手的运动。

在这两个MI任务中，提供了两种类型的反馈：从显示器的左侧或右侧延伸的一根杆作为视觉反馈和FES刺激的被动的手张开动作作为本体感受反馈。两种类型的反馈都依赖于使用公共空间模式和线性判别分析分类器获得的BCI分类结果。经过10个疗程的恢复期训练，1例患者在麻痹性手腕部分恢复了手腕伸展的控制，另1例患者中指活动范围增加了1厘米。计划对包含一系列更新的新版的recoveriX系统进行一项控制组研究。

在传统的康复治疗中，患者经常被要求尝试移动麻痹肢体，或想象它的运动，并同时搭配功能电刺激器(FES)，理疗师，或机器人设备帮助他们执行所需的运动。在传统的治疗中，反馈通常是在使用者没有进行必要的心理活动时提供的。目前还没有一种客观的方法来确定运动受限的患者是否积极地执行所需的运动想象(MI)任务，以产生协调神经激活。如今，BCI技术可以提供一个客观的工具来测量MI活动，创造了一种新的“闭环”的反馈可能性。由于闭环反馈与所期望的心理活动相联系，每一个通过基于MI的BCI实现的反馈系统都能显著提高康复治疗的效果，这一点非常重要。

这种与运动意图同时存在的感觉反馈是运动恢复的一个重要因素。当突触前和突触后神经元都活跃时，神经网络得到加强。在传统治疗中，当患者在没有进行运动想象活动的情况下收到反馈时，这两个神经元群体并不同时活跃。运动指令和感觉反馈之间的这种分离可能解释了为什么传统疗法没有显著地诱导患者大脑受损区域周围的重组。不同时的，分离的反馈不能导致两种神经元群体之间的赫比恩学习(Hebbian learning)，该类型的神经元群间的相互左右正是期望从康复中得到改善的基础。因此，传统的治疗有时可能会失败，因为它是建立于开环反馈上的。

为了完成对瘫痪患者的反馈回路的建立，我们的系统使用视觉反馈和基于他们MI的诱发型FES电刺激运动。在卒中后患者康复中使用FES的研究表明，治疗后的肌肉力量的恢复是具有统计学意义的。FES也被用于恢复四肢瘫患者的手握和松开能力，以及截瘫患者的站立和行走能力。

我们试图评估一个带有视觉和FES反馈的闭环BCI系统是否可以改善两名传统治疗无效的慢性中风患者的运动功能。本研究介绍了同意参加本研究的前两名慢性脑卒中患者在接受10次BCI训练的测量程序和结果。

对象与方法

所有的记录和实时分析都使用了recoveriX，它是一个完整的硬件和软件平台，可以实时记录、分析和利用脑电图(EEG活动)。本文中所有的实时信号处理和分类方法都在recoveriX中实现。图1显示了安装在病人身上的recoveriX系统和电极排列分布图。

图1. RecoveriX system mounted on a patient (left) and the EEG electrode placement (right).

患者想象或执行特定的动作，如麻痹肢体的手腕伸展。它们相应的大脑活动是通过脑电电极，然后传输到生物信号放大器。当recoveriX分类算法检测到正确的MI活动时，将为患者提供视觉反馈的水平条和本体感受反馈的FES刺激。

受试者

两名慢性期中风患者参与了我们的研究。他们都是右撇子，在参与研究之前都接受了传统的中风后康复治疗。P1(女性)干预开始时40岁(中风后5.5年)，左手严重瘫痪，无残余活动。患者接受常规传统治疗2年，在参与本研究前未见明显功能改善。P2(男性)干预开始时59岁(中风后3.25年)，他的左臂仍然瘫痪，能够在0.5 cm的范围内移动中指。在参与我们的研究之前，在常规的康复治疗之外，他进行了TMS和镜像康复治疗，但功能没有改善。他们都在罗马尼亚的Iasi康复医院参加了10次康复训练课程。这项研究得到了Iasi康复医院的机构审查委员会允许，两名患者在开始研究前签署了知情同意书。

刺激和实验过程

患者坐在舒适的椅子上，电脑显示器按照实验流程显示视觉指示和反馈(见图1和2)，FES贴片放置在患侧前臂上。FES刺激通过8通道神经刺激器提供刺激(MOTIONSTIM8, Krauth 1 Timmermann GmbH，德国)。对于两名患者，第一个阶段是训练阶段，受试者接受关于如何正确执行MI任务的训练，然后进行2次练习，以熟悉电刺激和视觉反馈的体验。

图2. Time course of a single trial. A fixation cross appears when the trial begins. A short beep is played after 2 s. One second later, a visual instruction is presented. The userreceives online feedback based on MI from 4s until the end of the trial (8s).

在所有后续的测试中，在设置系统之后，每个患者首先执行4次范式运行来训练BCI分类器，然后执行2次范式运行来在线测试BCI的性能表现。一次完整范式试验包含40个试次，每8秒一次，随机选择1到2秒的间隔。每次范式的运行需要总共6分钟。每一次运动想象试验都是从显示器中央显示一个“十字”开始的。2秒后，一个“哔哔”声通知用户即将有到来的指令。当一个指向左边或右边的箭头作为视觉指示出现时，患者被指示开始想象左手或右手的运动1 s。视觉和本体感觉反馈在目视指示结束0.5 s后都将开始执行。显示器上的蓝色条延伸到左边或右边，指示MI的方向和幅度作为视觉反馈。如果用户想象手在正确的一侧移动，则FES以50 Hz的电流频率被激活。FES刺激下的肌肉收缩足以引起两名患者患手的运动。在提示箭头指示后，患者必须持续想象4秒的动作，然后反馈和试验结束。试验间期为2 s。

数据采集和信号处理

通过45个主动脑电图电极系统(g.LADYbird, g.tec medical engineering GmbH,Schiedlberg，Austria)来记录患者的感觉运动节律活动。电极覆盖在皮层的感觉运动区。以Fpz为接地电极，在右耳垂放置参考电极。图3显示了信号处理链。

图3. Schematic view of the signal processing work flow. After acquisition, data is bandpass filtered. Four spatial filters are applied, resulting in four feature vectors. The variance is calculated and normalized. Finally, the LDA classifies the features to drive the recoveriX feedback control.

脑电图信号传送到生物信号放大器中(g.HIamp, g.tec medical engineering)。在8和30赫兹之间进行了一次带通滤波(巴特沃斯滤波器四阶)。采集到的数据分为两类(左手与右手)。然后，利用共空间模式(Common Spatial Patterns，CSP)寻找空间滤波器，将数据转化为一个新矩阵，新矩阵与其中一类的方差最小，另一类的方差最大。这样就可以使该类下的相应手的MI数据与另一类下的MI数据相比下产生明显差异。已知N个通道对于每一次左、右试次，CSP方法提供一个N×N的投影矩阵。该矩阵是一组依赖于不同受试者的空间模式，反映了手MI过程中大脑皮层区域的特异性激活。利用投影矩阵W，将试验X分解为:

Z=WX

这个变换将X的方差投影到Z的行上，得到N个新的时间序列。由于变换矩阵W的存在，一个类的方差在Z的第一行最大，在随后的每一行减小。只使用W的第一行和最后两行(p = 4)应用于空间模式滤波，产生了四个新的特征通道：CSPn，其中n表示行数。接下来，使用384个样本的滑动窗口计算方差(VARp)，滑动窗口为1.5 s。对于每个新样本，滑动窗口被一个样本移动以接收四个新的方差值。对这些值进行归一化和对数转换，按：

其中fp (p = 1:4)为归一化特征向量，VARp为第p个空间滤波信号的方差。用线性判别分析(LDA)分类器对这四个特征进行分类。这个LDA分类结果驱动BCI反馈块。本文中使用的分类器试图对左手MI和右手MI进行分类，但这种通用方法被广泛使用。

在每次实验的前4次运行期间记录的训练数据，5组空间过滤器和分类器，从2秒的时间窗口计算得出，根据每次试验4 ~ 8 s的时间间隔数据，设定成0.5汉明窗按照时间轴移动。在记录于运行第5和6次测试时，选择具有最高10倍交叉验证精度的分类器来提供视觉和FES反馈。这最后的2次运行用于计算为当前完整训练下，选择的分类器的在线准确性。为了在前4次运行中提供反馈，我们使用了在上一个会话中计算的空间过滤器和分类器。

实验结果

图4. BCI online classification accuracy across 10 recoveriX training sessions.

图4显示了P1和P2在10个测试中的在线BCI分类精度。病人的报告表示说他们积极参与了MI任务指示。对于患者P1，前两个疗程的准确率略高于50%的机会水平，而剩下的八个疗程的准确率有了很大的提高。在第8次治疗中，准确率下降到82.5%，患者认为这是由于前一晚睡眠不足所致。P2患者开始时准确率稍高，从第4次治疗到最后一次治疗，准确率保持在90%以上。图5显示了试次的结果。

图5. Linear discriminant analysis (LDA) values of first and last training sessions for both patients are presented in the left and right panels, respectively. The dotted blue lines indicate the LDA values of right motor imagery and the solid blue line shows the average of them. The dotted green lines indicate the LDA values of left motor imagery and the solid green line shows the average of them. Left and right trials were expected to have positive and negative LDA values, respectively. The classification accuracies were calculated with LDA values in the feedback period (4 ~ 8 s).

事件相关去同步化图也显示患者能够执行这些MI任务。图6显示了P1的第一个和最后一个训练测试下的两个示例。

图6. Event-related desynchronization (ERD) plots of session the first and last (10th) sessions for P1. The plots were produced by g.BSanalyze (g.tec medical engineering GmbH, Schiedlberg, Austria). This averaged ERD plot was based on 8 ~ 12 Hz frequency bands of channel C4, which is located on the lesioned hemisphere. The red vertical line indicates the beep at 2 s, and the red horizontal line reflects the 1-s delay until instructions were presented.

在两个疗程中都观察到ERD，未来有必要对两个ERD图进行统计比较。然而，很明显，recoveriX训练课程是基于MI任务的。此外，图7给出了基于分类器训练数据计算的疗程1和疗程10的10倍交叉验证的精度图。左手的MI数据用一条黄线表示，右手的MI用一条蓝线表示，整体精度用一条绿线表示。这些图还显示P1开始时的总体精度约为60%，第十次疗程下的准确率达到了95%以上。

图7. The 10-fold cross-validated results from the training data of session 1 and session 10 for both patients.

经过10次训练，两名患者的运动功能均有改善。P1的手指和手腕训练前时没有活动能力的，但训练后她可以主动放松并伸展麻痹侧的手腕。P2开始可以主动移动麻痹臂的所有手指了，并且中指的移动范围从0.5 cm增加到1.5 cm左右。由于在测试开始前她的左手完全瘫痪，无法进行九孔柱测试和测量肌电图(EMG)，在本案例研究中也没有其他的行为测量方法。

结论

我们发现，两名没有从传统治疗中受益的慢性中风患者，可以使用基于运动图像的BCI进行康复，改善运动功能和脑机接口的准确性。两名患者都表现出一些运动改善。较高的BCI准确度和后期的LDA值表明患者学会了有效地使用BCI。其中一个主要原因可能是患者的积极性。他们想重新自主控制麻痹的手的热情促使他们在康复治疗的工作中非常投入。

这些初步结果扩展了之前的研究，之前的研究也表明，使用MI的BCI可以成为运动康复的有效工具。然而，几乎所有以前的研究结果都集中在急性或亚急性期的患者，这些患者的常规治疗改进可能与BCI的改进难以相区分。目前的结果表明，这种方法甚至可以使那些在常规治疗中没有改善的慢性期患者受益。由于这只是一个案例研究，这里还需要更多的研究来探索这个启示和其他一些事项。

我们确实计划进行这项研究。将对recoveriX系统和当前的训练模式进行更新，并在更大的患者群体中进行研究，并与对照组进行比较，以获得有意义的统计结果。为了使得界面与软件更简单，一个新的FES设备将取代当前FES设备。屏幕中光条杆的反馈将被一个三维的前臂取代，使用虚拟现实来提供更身临其境的环境。我们将减少电极通道的数量，以降低成本和设置时间。EEG信号的获取将通过g.Nautilus，这是一个小得多的无线传输放大器，如图8所示。我们后续还将介绍改进的分类器软件和训练不同肢体动作的新模式。