2. 首都医科大学附属北京康复医院, 北京 100144
2. Beijing Rehabilitation Hospital of Capital Medical University, Beijing 100144, China
脑卒中(俗称中风)是严重威胁中老年人健康和生命的疾病。临床研究[1]表明,如果患者在病后及时进行康复治疗,可有效恢复受损神经的功能,大大减少造成终身残疾的可能性,因此有效利用卒中后1~6个月的黄金恢复期高效地进行康复训练来实现神经重塑和运动功能重建至关重要。脑机交互(brain-machine interaction, BMI)技术可识别人体运动意图,并控制机器人辅助卒中患者患肢动作,如图 1所示,可有效刺激肢体运动及感觉反馈神经环路,对于卒中患者的运动康复具有重要的应用价值[2]。
学者们已应用机器人辅助脑机交互康复训练进行了临床实验研究。Ono等[3]应用腕手机器人辅助脑机交互康复训练进行临床对照实验,发现实验组患者出现手指主动肌电信号且临床评分有所提高,验证了脑机交互康复训练所带来的闭环躯体感觉反馈较单纯视觉反馈对患者康复具有更好的促进作用。Ramos-Murguialday等[4]应用机器人辅助脑机交互康复训练对32名慢性期伴有严重手功能障碍的卒中患者进行对照实验研究,实验组患者利用脑机接口机器人辅助设备完成抓取动作,对照组患者的机器人设备辅助抓取动作随机触发,4周实验后发现实验组患者上肢Fugl-Meyer评分(FMA)高于对照组,验证了机器人辅助脑机交互康复训练促进慢性期患者康复的有效性。Ang等[5]应用腕手机器人辅助脑机交互康复训练进行了临床随机对照实验,实验结果显示机器人辅助脑机交互康复训练的患者评分显著高于对照组患者。以上多项研究虽已对脑机交互康复训练的有效性进行了验证,但对闭环形成条件没有进行深入研究。
目前,基于脑电信号(electroencephalogram, EEG)的脑机交互康复训练往往沿袭用于健康人的技术路线,将损伤侧的感觉运动区作为脑机接口系统的闭环起点采集脑电信号[6-9]。研究者认为从损伤脑区的感觉运动区选择导联的方法可以构建原损伤运动控制区和实际运动之间的闭环回路,临床实验验证了该种方法的可行性及有效性[3]。但是,对于损伤严重、原本运动控制脑区很难恢复的患者,损伤侧的感觉运动区不再承担运动意图表达功能,而由其他脑区代偿表达运动意图[10-11],代偿脑区对于运动功能的重建至关重要[12-13]。
本研究针对出现运动意图代偿表达的患者,提出一种基于个性化导联选择策略的脑机交互康复训练方法,将运动意图表达脑区作为BMI系统的信号采集点。本研究为脑机交互康复训练方法的初步临床研究。
1 实验方法 1.1 受试者本研究从10位卒中患者中经过标定实验,最终筛选出满足纳入标准的3位受试者参与持续两周(共计10 d,周末休息)的脑机交互康复训练。纳入标准如下:1)经过核磁共振成像检查明确诊断为初次发病的脑梗死患者,伴随运动功能障碍;2)脑电测试表明出现脑区运动功能代偿表达;3)处于发病后0~6个月,病情稳定,无肌肉痉挛;4)患肢没有或仅有少许肩、肘关节伸展的主动运动能力;5)意识清楚,能理解康复实验主试的指令。
3位受试者信息见表 1。所有受试者自愿参加实验并在实验前签署知情同意书,且本研究已通过首都医科大学附属北京康复医院伦理委员会审核。
受试者编号 | 性别 | 年龄 | 损伤类型 | 损伤部位 | 患侧肢体 | 距离发病时间/d |
S1 | 女 | 52岁 | 脑梗死 | 左侧基底节、侧脑室旁 | 右侧 | 92 |
S2 | 男 | 54岁 | 脑梗死 | 左侧放射冠 | 右侧 | 35 |
S3 | 男 | 60岁 | 脑梗死 | 左侧额颞顶枕叶、脑岛 | 右侧 | 35 |
1.2 实验范式及训练任务
本研究分为标定实验和训练实验两部分:1)通过标定实验,筛选符合纳入标准的患者参与训练实验;2)训练实验基于脑机交互上肢康复训练机器人系统进行,如图 2所示。标定实验和训练实验均在安静密闭的房间中进行,受试者自然放松地坐在上肢康复机器人平台前,患侧上肢与康复机械臂用绑带和支撑板固定。
1.2.1 标定实验
标定实验范式如图 3所示。受试者前方1 m处放置一台15英寸(1英寸=2.54 cm)的计算机屏幕,受试者被要求注视屏幕中心位置并且依据指令完成相应任务。
每位患者需完成两类任务,每类任务包含20次实验。实验开始时屏幕上出现持续3 s时长的绿色十字光标,在此期间受试者被要求注视十字光标中心点并且避免过多的眼动;紧接着屏幕上出现/不出现指示性红色箭头,持续1 s时长,指示受试者做/不做运动尝试任务,总共分为20个红色箭头指示组和20个空白对照组随机出现。当箭头指示出现时,患者接下来尝试推动机械臂沿屏幕直线轨迹移动,对于患者来说该动作并不能完成,只需完成运动尝试即可;当箭头指示没有出现时(空白对照组),患者仅需要注视十字光标中心点处而不需要做动作。任务态持续3 s,在此期间要求患者完成指示任务。任务的设置是为了对患侧手动作态和静息态两种状态进行分类,在脑机交互康复训练治疗过程中需要对这两种状态进行识别。为了避免对时间间隔产生适应性[14],箭头是随机出现的且每两组之间的间隔为5~6 s不等。每组标定测试持续7 s,标定测试实验持续约10 min。
1.2.2 训练实验训练实验范式如图 4所示,受试者佩戴耳机,接收听觉指令。实验开始,基线态持续5 s时长,之后出现1声持续1 s时长的提示音,提示运动尝试开始。运动尝试任务最长持续时间为5 s,5 s内若EEG模式识别判定结果为动作态,则进入辅助运动阶段,持续时长5 s,机械臂带动患侧肢体沿预定的直线运动轨迹运动,实现上肢的屈曲伸展动作,运动为单程运动,由近身端移动至远身端或由远身端移动至近身端。辅助运动期间患者持续进行运动尝试,直至两声提示音响起,标志单次训练任务结束,患者保持静息状态,等待下次训练提示音响起,如图 4a所示。
若运动尝试阶段5 s内EEG模式识别判定结果持续为静息态,则运动尝试阶段结束,两声提示音响起指示患者停止运动尝试任务,保持静息状态,等待2 s后机械臂带动患者患侧上肢执行被动运动,运动为单程运动,由近身端移动至远身端或由远身端移动至近身端,被动运动期间患者不再进行运动尝试,被动运动停止标志本次训练任务结束,患者保持静息状态,等待下次训练提示音响起,如图 4b所示。入组的受试者每天完成3组脑机交互康复训练,每组训练之间间隔5 min,用于受试者休息缓解训练疲劳。每组康复训练包含20次训练任务,每天共计60次训练任务。
1.3 脑电信号记录与预处理采用ANT eegoTMrt的64导Ag/AgCl电极记录EEG,导联位置参考国际10/20导联系统,导联分布如图 5所示。标定实验数据流通过OpenViBE V2.0.1采入,训练实验数据流通过MATLAB采入,以CPz为参考,以AFz为地,采样频率为500 Hz,24位分辨率。电极阻抗保持低于5 kΩ。从64个导联采集的信号都是未经过采集软件预处理的原始信号。
标定实验中,EEG信号采用EEGLAB 14.1.2b (EEGLAB toolbox, https://sccn.ucsd.edu/eeglab)进行预处理,第32个导联EOG(眼电电极,未在图 5中标出)被排除,原始数据进行重新取参考,采用有限长单位冲激响应滤波器(finite impulse response, FIR)进行带通滤波(1~40 Hz),去除基线。
1.4 脑电模式识别策略与阈值标定标定实验中经过预处理的EEG数据按照标记点被分为40个任务段,每个任务段包含63个导联。40个任务段被分为两组:1)运动尝试组,2)空白对照组。每组数据均被人工检测,若有可见的伪迹,则使用EEGLAB 14.1.2 b中的独立成分分析(independent component analysis,ICA)进行去除[15]。如果伪迹仍可见,则相应的单次实验将被剔除。使用小波变换对每个任务段数据进行时频分析,以0.5 Hz为步长变换至感觉运动节律(8~15 Hz)。功率谱密度值在同一组内分别进行叠加平均,以最大化特征、最小化噪声。对于每个导联,分别在基线态和任务态按照时间域和频率域作积分。两种状态由标记点作区分,得到两种状态下的积分结果,采用基于事件相关去同步电位(event-related desynchronization, ERD)计算公式[6]的改良ERD比例计算(ERDratio)公式[11],如式(1)所示,来量化导联c在特定频段下的功率谱密度变化,
$ {\rm{ ERDratio}}{{\rm{ }}_c} = \frac{{{E_1} - {S_1}}}{{{E_2} - {S_2}}} \cdot \frac{{\sum\limits_{f = l}^h {\sum\limits_{t = {S_2}}^{{E_2}} {\frac{1}{R}} } \cdot {{{\mathop{\rm spe}\nolimits} }_c}}}{{\sum\limits_{f = l}^h {\sum\limits_{t = {S_1}}^{{E_1}} {\frac{1}{R}} } \cdot {{{\mathop{\rm spe}\nolimits} }_c}}}. $ | (1) |
其中:频率f的取值范围为l~h(Hz);R为采样频率,Hz;时间t的取值范围为Si~Ei,i为1表征基线态,i为2表征任务态;spec(μV2·Hz·ms)是功率谱密度。
ERD对事件具有频率不锁定性,并且ERD具有频率特异性[16]。本研究采用感觉运动节律(8~15 Hz)的ERD值表征运动意图[4]。
经叠加平均和ERD比例计算后,将其中的M1和M2导联(耳后乳突参考电极)删除,每位受试者的标定实验可得到一组包含61个导联的ERD比例值,每个导联相应的ERD比例值用ERD比例脑地形图表示。
由于卒中患者的损伤类型、损伤程度和损伤部位极具个性化,在神经重塑过程中,原感觉运动区可能不再承担运动意图的表达功能,从而出现迁移现象[10],由其他脑区代偿表达,特别是对于损伤严重、原本运动控制脑区很难恢复的患者,代偿脑区的作用更是至关重要。因此,脑机交互康复系统中的闭环起点应个性化选取。本研究中挑选61个导联中ERD比例值最小的前5个导联作为训练实验中EEG信号的采集点,5个采集点对应该患者在执行运动尝试任务时的个性化激活脑区。受试者个性化导联选择信息如表 2所示。传统BMI训练方法选择受损侧脑区的感觉运动区的5个导联作为训练实验中EEG信号的采集点,本研究中受试者均为左侧大脑半球受损、右侧肢体运动障碍,对应选择左侧脑区C1、C3、C5、FC3、CP3。
依照表 2选择对应的导联,按照标记点将标定实验中原始EEG数据分为40个任务段,每个任务段数据单独进行处理,包括:重新取参考、去基线以及使用递归滤波器(infinite impulse response, IIR)进行带通滤波(1~40 Hz),按照式(1)计算感觉运动节律(8~15 Hz)ERD比例值。上述处理方法也将用于训练实验中在线EEG分析。计算得到表 2选取的5个导联的ERD比例值。将40组ERD比例值按照分类标签进行分组,分别按照静息态和动作态计算平均值,得到静息态ERD比例均值τr和动作态ERD比例均值τt,求τr和τt均值,得分类阈值τc,如图 6所示。
训练实验中,在运动尝试阶段,每1 s计算一次分类结果,每次计算分类结果时仅取当前时刻前1 s的动作态数据与基线态的5 s数据依据式(1)计算其改良ERD比例。若所挑选的5个导联中有3个及以上的导联ERD比例低于分类阈值,则判定为动作态,否则判定为静息态。
1.5 受试者康复效果评价指标受试者需在参与实验前及两周训练结束后分别完成一次上肢Fugl-Meyer量表评分、EEG脑电标定实验及经颅磁刺激(transcranial magnetic stimulation, TMS)运动诱发电位(motor evoked potential, MEP)测试。采用英国Magstim经颅磁刺激仪进行MEP测试,使用POLARIS神经影像导航定位系统进行靶区定位。首先应用头颅核磁共振成像薄层(1 mm)T1序列图像构建头颅模型,并对头颅模型的鼻尖、左右耳与病人相应体表部位进行匹配;运动功能测定采用单脉冲经颅磁刺激(single-pulse TMS,spTMS),刺激部位为中央前回上肢运动代表区,监测MEP的上肢肌肉为拇短展肌。Fugl-Meyer量表选取其中涉及肩肘关节屈曲伸展的评价项目作为评价指标。
2 结果与讨论 2.1 脑地形图图 7展示了受试者在参与本项研究前和训练后的动作态的ERD比例脑地形图。对于受试者S1,左侧脑区受损。训练前,激活脑区集中在患侧脑区的CP3、CP5以及P3区,范围小且微弱;训练后,患侧脑区激活范围扩大,感觉运动皮质区出现激活现象,范围扩大且激活程度加深。对于受试者S2,左侧脑区受损。训练前,呈现整个脑区的ERD泛化表达现象;训练后,脑区运动状态下泛化程度降低,聚集回患侧脑区的感觉运动皮质区和颞枕叶区表达。对于受试者S3,左侧脑区受损。训练前,患侧脑区已不再承担运动意图表达功能,患侧脑区未见ERD激活现象,迁移至右侧健侧脑区的感觉运动区表达;训练后,右侧健侧脑区感觉运动区激活程度加深。
2.2 运动控制成功率
采用标定实验的EEG数据集分别按照个性化导联选择方法和传统导联选择方法离线分析,计算其动作态的识别成功率,结果如表 3所示。对于S1和S3运动意图代偿表达的受试者,基于个性化导联选择策略的动作正确识别率高于传统的取患侧感觉运动区导联策略的正确率。本研究采用ERD比例阈值法作为识别特征,由于受试者S1和S3患侧感觉运动区并未出现区域性明显的ERD现象,故动作态和静息态的导联ERD比例并无显著差别,因此取患侧感觉运动区的ERD比例计算运动控制成功率接近随机分类率(50%)。其中受试者S1虽然患侧感觉运动区选取的导联中包含出现ERD的CP3导联,但由于本研究在进行动作判别时为保证患者的训练投入度,设定3个及以上的导联ERD比例低于分类阈值时判定为动作态,否则判定为静息态,因此患侧感觉运动区采集导联的方法仍接近随机分类率。对于运动意图泛化表达的受试者S2,其整个脑区均出现ERD泛化表达现象,基于20次小样本标定数据集的结果,两种导联选择方法的动作态识别准确率并无明显差别。
3位受试者此前均未参与过脑机交互相关的训练,本研究的标定实验均为受试者第1次参与脑机交互康复训练,对训练方法、训练系统均不熟悉。由表 3可知,受试者S1和S2仍未达到训练的理想要求。训练过程中每天的运动控制成功率如图 8所示。经过标定实验的训练后,受试者对训练系统初步掌握,在第1次正式训练时准确率均有提高。在10 d的训练过程中,运动控制成功率虽上下波动,但整体呈现上升趋势,受试者可以逐步熟练地利用运动意图控制康复机器人带动肢体进行运动,说明受试者运动意图的表达能力随着训练而提升。运动控制成功率出现波动的原因与受试者当天参与训练的状态密切相关,若受试者由于疲劳、心理等因素导致训练投入度不足,则可导致动作成功率低于其本人正常能力水平。
2.3 临床量表评价
训练前后上肢Fugl-Meyer量表评分及经颅磁刺激运动诱发电位(TMS-MEP)测试结果如表 4所示。3位受试者Fugl-Meyer量表评分经过10 d训练后均有提升,其中受试者S2随着脑区激活泛化程度的降低,其Fugl-Meyer量表评分出现明显提升,由0分提升至7分。对于受试者S1,训练前,在患侧脑区的感觉运动皮质区并未诱发MEP电位,经过10 d脑机交互康复训练,患侧脑区的感觉运动皮质区成功诱发MEP电位,神经通路出现激活现象。
受试者 编号 |
上肢运动功能Fugl-Meyer量表评分 | TMS-MEP | ||||||||||||||||||||
上肢 反射活动 |
屈肌 共同运动 |
伸肌 共同运动 |
伴有共同 运动的活动 |
分离运动 | 正常 反射活动 |
总计 | ||||||||||||||||
前 | 后 | 前 | 后 | 前 | 后 | 前 | 后 | 前 | 后 | 前 | 后 | 前 | 后 | |||||||||
S1 | 4 | 4 | 1 | 3 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 9 | 无 | 有 | ||||||
S2 | 0 | 0 | 0 | 4 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 7 | 有 | 有 | ||||||
S3 | 4 | 4 | 3 | 3 | 2 | 2 | 0 | 2 | 0 | 0 | 2 | 3 | 11 | 14 | 有 | 有 |
2.4 局限性
本研究为基于个性化导联选择策略的脑机交互康复训练方法的可行性验证,在样本募集上,由于纳入标准较为严苛,仅纳入患肢没有或仅有少许主动运动能力且出现脑区运动功能代偿表达的患者。3位受试者中仅有S1受试者在训练前未检测到MEP,缺乏大量临床样本的验证。在未来的研究中,本研究提出的基于个性化导联选择策略的脑机交互康复训练方法应在大量患者样本中进一步验证。
3 结论本研究分析了卒中患者在进行患肢运动时的ERD比例脑地形图及运动意图表达情况,并以此作为基于个性化导联选择策略的脑机交互康复训练的信号采集点,构成患者运动意图、机器人辅助、患肢肌肉运动、对大脑的躯体感觉反馈之间的闭环,从而促进患者运动控制能力的恢复。本研究共纳入3位卒中患者,分别完成10 d的脑机交互康复训练。结果显示:使用基于个性化导联选择策略的脑机交互康复训练方法的受试者训练后Fugl-Meyer量表评分提升,其中1位受试者出现MEP电位的诱发,表征神经通路激活。由于患者的损伤类型和程度不同,闭环通路的建立应是个性化的,这样可以达到更好的康复效果。本研究为脑机交互康复训练方法的初步临床研究,提出的基于个性化导联选择策略的脑机交互康复训练方法应在大量患者样本中进一步验证。
致谢
感谢首都医科大学附属北京康复医院莫林红医师、李青护师协助完成患者募集及临床量表评估工作,感谢为本研究作出贡献的首都医科大学附属北京康复医院的所有受试者。
[1] |
WARRAICH Z, KLEIM J A. Neural plasticity:The biological substrate for neurorehabilitation[J]. PM&R, 2010, 2(12): S208-S219. |
[2] |
CHAUDHARY U, BIRBAUMER N, RAMOS- MURGUIALDAY A. Brain-computer interfaces for communication and rehabilitation[J]. Nature Reviews Neurology, 2016, 12(9): 513-525. DOI:10.1038/nrneurol.2016.113 |
[3] |
ONO T, SHINDO K, KAWASHIMA K, et al. Brain- computer interface with somatosensory feedback improves functional recovery from severe hemiplegia due to chronic stroke[J]. Frontiers in Neuroengineering, 2014, 7: 19. |
[4] |
RAMOS-MURGUIALDAY A, BROETZ D, REA M, et al. Brain-machine interface in chronic stroke rehabilitation:A controlled study[J]. Annals of Neurology, 2013, 74(1): 100-108. |
[5] |
ANG K K, GUAN C, PHUA K S, et al. Brain-computer interface-based robotic end effector system for wrist and hand rehabilitation:Results of a three-armed randomized controlled trial for chronic stroke[J]. Frontiers in Neuroengineering, 2014, 7: 30. |
[6] |
ONO T, TOMITA Y, INOSE M, et al. Multimodal sensory feedback associated with motor attempts alters BOLD responses to paralyzed hand movement in chronic stroke patients[J]. Brain Topography, 2015, 28(2): 340-351. DOI:10.1007/s10548-014-0382-6 |
[7] |
TAM W K, TONG K Y, MENG F, et al. A minimal set of electrodes for motor imagery BCI to control an assistive device in chronic stroke subjects:A multi-session study[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2011, 19(6): 617-627. DOI:10.1109/TNSRE.2011.2168542 |
[8] |
FRISOLI A, LOCONSOLE C, LEONARDIS D, et al. A new gaze-BCI-driven control of an upper limb exoskeleton for rehabilitation in real-world tasks[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 2012, 42(6): 1169-1179. DOI:10.1109/TSMCC.2012.2226444 |
[9] |
ZHANG L, ZHANG C, HIGASHI H, et al. Common spatial pattern using multivariate EMD for EEG classification [C]//Proceedings of the Asia-Pacific Signal and Information Processing Association Annual Summit and Conference 2011. Xi'an, China, 2011: 244-248.
|
[10] |
FEYDY A, CARLIER R, ROBYBRAMI A, et al. Longitudinal study of motor recovery after stroke recruitment and focusing of brain activation[J]. Stroke:A Journal of Cerebral Circulation, 2002, 33(6): 1610-1617. DOI:10.1161/01.STR.0000017100.68294.52 |
[11] |
LI C, JIA T, XU Q, et al. Brain-computer interfacechannel-selection strategy based onanalysis of event-related desynchronization topography in stroke patients[J]. Journal of Healthcare Engineering, 2019, 2019: 3817124. |
[12] |
LOTZE M, MARKERT J, SAUSENG P, et al. The role of multiple contralesional motor areas for complex hand movements after internal capsular lesion[J]. The Journal of Neuroscience, 2006, 26(22): 6096-6102. DOI:10.1523/JNEUROSCI.4564-05.2006 |
[13] |
BIERNASKIE J, SZYMANSKA A, WINDLE V, et al. Bi-hemispheric contribution to functional motor recovery of the affected forelimb following focal ischemic brain injury in rats[J]. European Journal of Neuroscience, 2005, 21(4): 989-999. DOI:10.1111/j.1460-9568.2005.03899.x |
[14] |
ROSEBOOM W, LINARES D, NISHIDA S Y. Sensory adaptation for timing perception[J]. Proceedings of the Royal Society B:Biological Sciences, 2015, 282(1805): 20142833. DOI:10.1098/rspb.2014.2833 |
[15] |
DELORME A, MAKEIG S. EEGLAB:An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J]. Journal of Neuroscience Methods, 2004, 134(1): 9-21. DOI:10.1016/j.jneumeth.2003.10.009 |
[16] |
PFURTSCHELLER G, LOPES DA SILVA F H. Event-related EEG/MEG synchronization and desynchronization:Basic principles[J]. Clinical Neurophysiology, 1999, 110(11): 1842-1857. DOI:10.1016/S1388-2457(99)00141-8 |