Данное исследование направлено на разработку программно-аппаратного комплекса (ПАК) для реабилитации пациентов с легкими (субклиническими) и выраженными нарушениями когнитивных процессов и моторных функций верхних конечностей, основанного на применении мультимодальной биологической обратной связи, включая транскраниальную магнитную стимуляцию.
Материалы и методы. В работе были использованы данные электроэнцефалографии с дополнительными каналами для записи электромиограммы здоровых добровольцев. Для классификации воображаемых движений использовались пространственный фильтр, линейный дискриминантный анализ, метод дополненной ковариационной матрицы с классификацией в пространстве касательных в многообразии Римана и метод опорных векторов.
Результаты. На основе проведенного нейрофизиологического исследования и анализа литературы был разработан ПАК для реабилитации пациентов с легкими (субклиническими) и выраженными нарушениями когнитивных процессов и моторных функций. Показано, что разработанные алгоритмы реального времени обладают средней точностью 86% для классификации двигательного акта, 75% для воображения с анимированным визуальным стимулом и 73% для воображения со статичным визуальным стимулом.
Выводы. Разработан эффективный и универсальный ПАК на основе современных алгоритмов интерфейсов «мозг-компьютер» для реабилитации пациентов с когнитивными и моторными нарушениями.
Материалы и методы. В работе были использованы данные электроэнцефалографии с дополнительными каналами для записи электромиограммы здоровых добровольцев. Для классификации воображаемых движений использовались пространственный фильтр, линейный дискриминантный анализ, метод дополненной ковариационной матрицы с классификацией в пространстве касательных в многообразии Римана и метод опорных векторов.
Результаты. На основе проведенного нейрофизиологического исследования и анализа литературы был разработан ПАК для реабилитации пациентов с легкими (субклиническими) и выраженными нарушениями когнитивных процессов и моторных функций. Показано, что разработанные алгоритмы реального времени обладают средней точностью 86% для классификации двигательного акта, 75% для воображения с анимированным визуальным стимулом и 73% для воображения со статичным визуальным стимулом.
Выводы. Разработан эффективный и универсальный ПАК на основе современных алгоритмов интерфейсов «мозг-компьютер» для реабилитации пациентов с когнитивными и моторными нарушениями.
Литература
1. Khorev V, Kurkin S, Badarin A, et al. Review on the use of brain computer interface rehabilitation methods for treating mental and neurological conditions. J Integr Neurosci. 2024; 23(7): 125. doi: 10.31083/j.jin2307125.
2. Wang Z, Cao C, Chen L, et al. Multimodal neural response and effect assessment during a BCI-based neurofeedback training after stroke. Frontiers in Neuroscience. 2022; 16: 884420. doi: 10.3389/fnins.2022.884420.
3. Котов С. В., Исакова Е. В., Слюнькова Е. В. Применение технологии нейроинтерфейс «мозг-компьютер»+ экзоскелет в составе комплексной мультимодальной стимуляции при реабилитации пациентов с инсультом // Журнал неврологии и психиатрии им. CC Корсакова. — 2019. — Т.119. — №12-2. — С.37-42. doi: 10.17116/jnevro201911912237.
4. Grigorev NA, Savosenkov AO, Lukoyanov MV, et al. A BCI-Based Vibrotactile Neurofeedback Training Improves Motor Cortical Excitability During Motor Imagery. IEEE Trans Neural Syst Rehabil Eng. 2021; 29: 1583-1592. doi: 10.1109/TNSRE.2021.3102304.
5. Go AS, Mozaffarian D, Roger VL. Heart disease and stroke statistics-2014 update: a report from the American Heart Association. Circulation. 2014; 129(3): 28-292. doi: 10.1161/ 01.cir.0000441139.02102.80.
6. Cifu DX, Stewart DG. Factors affecting functional outcome after stroke: a critical review of rehabilitation interventions. Arch Phys Med Rehabil. 1999; 80(5): 35-39. doi: 10.1016/S0003-9993(99)90101-6.
7. Hramov AE, Maksimenko VA, Pisarchik AN. Physical principles of brain-computer interfaces and their applications for rehabilitation, robotics and control of human brain states. Physics Reports. 2021; 918: 1-133. doi: 10.1016/j.physrep.2021.03.002.
8. Bamdad M, Homayoon Z, Mohammad AA. Application of BCI systems in neurorehabilitation: a scoping review. Disabil Rehabil Assist Technol. 2015; 10(5): 355-364. doi: 10.3109/17483107.2014.961569.
9. Zhuang M, Wu Q, Wan F, et al. State-of-the-art non-invasive brain–computer interface for neural rehabilitation: A review. Journal of Neurorestoratology. 2020; 8(1): 12-25. doi: 10.26599/JNR.2020.9040001.
10. Kho AY, Liu KPY, Chung RCK. Meta- analysis on the effect of mental imagery on motor recovery of the hemiplegic upper extremity function. Aust Occup Ther J. 2014; 61(2): 38-48. doi: 10.1111/ 1440-1630.12084.
11. Jochumsen M, Khan Niazi I, Samran Navid M, et al. Online multi-class brain-computer interface for detection and classification of lower limb movement intentions and kinetics for stroke rehabilitation. Brain-Computer Interfaces. 2015; 2(4): 202-210. doi: 10.1080/2326263X.2015.1114978.
12. Kardam VS, Taran S, Pandey A. Motor imagery tasks based electroencephalogram signals classification using data-driven features. Neuroscience Informatics. 2023; 3(2): 100128. doi: 10.1016/j.neuri.2023.100128.
13. Chholak P, Niso G, Maksimenko VA, et al. Visual and kinesthetic modes affect motor imagery classification in untrained subjects. Sci Rep. 2019; 9(1): 9838. doi: 10.1038/s41598-019-46310-9.
14. Vavoulis A, Figueiredo P, Vourvopoulos A. A review of online classification performance in motor imagery-based brain–computer interfaces for stroke neurorehabilitation. Signals. 2023; 4(1): 73-86. doi: 10.3390/signals4010004.
15. Chevallier S, Carrara I, Aristimunha B, et al. The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark. ArXiv preprint arXiv: 2404.15319. 2024. doi: 10.48550/arXiv.2404.15319.
16. Jayaram V, Barachant A. MOABB: trustworthy algorithm benchmarking for BCIs. Journal of neural engineering. 2018; 15(6): 066011. doi: 10.1088/1741-2552/aadea0.
17. Blankertz B, Tomioka R, Lemm S, et al. Optimizing spatial filters for robust EEG single-trial analysis. IEEE Signal processing magazine. 2007; 25(1): 41-56. doi: 10.1109/MSP.2008.4408441.
18. Carrara I, Papadopoulo T. Classification of BCI-EEG Based on the Augmented Covariance Matrix. IEEE Trans Biomed Eng. 2024. doi: 10.1109/TBME.2024.3386219.
19. Smets EMA, Garssen B, Cull A, et al. Application of the multidimensional fatigue inventory (MFI-20) in cancer patients receiving radiotherapy. Br J Cancer. 1996; 73(2): 241-245. doi: 10.1038/bjc.1996.42.
20. Kumawat J, Yadav A, Yadav K, et al. Comparison of Spectral Analysis of Gamma Band Activity During Actual and Imagined Movements as a Cognitive Tool. Clin EEG Neurosci. 2024; 55(3): 340-346. doi: 10.1177/15500594231197100.
21. Silva H, Scherer R, Sousa J, et al. Towards improving the stability of electromyographic interfaces. J Neuroeng Rehabil. 2012; 1-2. doi: 10.1007/978-3-642-34546-3_71.
22. Cawley GC, Talbot NL. On over-fitting in model selection and subsequent selection bias in performance evaluation. The Journal of Machine Learning Research. 2010; 11(70): 2079-2107.
23. Lukoyanov MV, Gordleeva SY, Pimashkin AS, et al. The efficiency of the brain-computer interfaces based on motor imagery with tactile and visual feedback. Human Physiology. 2018; 44: 280-288. doi: 10.1134/S0362119718030088.
24. Kurkin S, Gordleeva S, Savosenkov A, et al. Transcranial Magnetic Stimulation of the Dorsolateral Prefrontal Cortex Increases Posterior Theta Rhythm and Reduces Latency of Motor Imagery. Sensors. 2023; 23(10): 4661. doi: 10.3390/s23104661.
25. Maksimenko VA, Kurkin SA, Pitsik EN, et al. Artificial Neural Network Classification of Motor- Related EEG: An Increase in Classification Accuracy by Reducing Signal Complexity. Complexity. 2018; 1: 9385947. doi: 10.1155/2018/9385947.
26. Al-Saegh A, Dawwd SA, Abdul-Jabbar JM. Deep learning for motor imagery EEG-based classification: A review. Biomedical Signal Processing and Control. 2021; 63: 102172. doi: 10.1016/j.bspc.2020.102172.
2. Wang Z, Cao C, Chen L, et al. Multimodal neural response and effect assessment during a BCI-based neurofeedback training after stroke. Frontiers in Neuroscience. 2022; 16: 884420. doi: 10.3389/fnins.2022.884420.
3. Котов С. В., Исакова Е. В., Слюнькова Е. В. Применение технологии нейроинтерфейс «мозг-компьютер»+ экзоскелет в составе комплексной мультимодальной стимуляции при реабилитации пациентов с инсультом // Журнал неврологии и психиатрии им. CC Корсакова. — 2019. — Т.119. — №12-2. — С.37-42. doi: 10.17116/jnevro201911912237.
4. Grigorev NA, Savosenkov AO, Lukoyanov MV, et al. A BCI-Based Vibrotactile Neurofeedback Training Improves Motor Cortical Excitability During Motor Imagery. IEEE Trans Neural Syst Rehabil Eng. 2021; 29: 1583-1592. doi: 10.1109/TNSRE.2021.3102304.
5. Go AS, Mozaffarian D, Roger VL. Heart disease and stroke statistics-2014 update: a report from the American Heart Association. Circulation. 2014; 129(3): 28-292. doi: 10.1161/ 01.cir.0000441139.02102.80.
6. Cifu DX, Stewart DG. Factors affecting functional outcome after stroke: a critical review of rehabilitation interventions. Arch Phys Med Rehabil. 1999; 80(5): 35-39. doi: 10.1016/S0003-9993(99)90101-6.
7. Hramov AE, Maksimenko VA, Pisarchik AN. Physical principles of brain-computer interfaces and their applications for rehabilitation, robotics and control of human brain states. Physics Reports. 2021; 918: 1-133. doi: 10.1016/j.physrep.2021.03.002.
8. Bamdad M, Homayoon Z, Mohammad AA. Application of BCI systems in neurorehabilitation: a scoping review. Disabil Rehabil Assist Technol. 2015; 10(5): 355-364. doi: 10.3109/17483107.2014.961569.
9. Zhuang M, Wu Q, Wan F, et al. State-of-the-art non-invasive brain–computer interface for neural rehabilitation: A review. Journal of Neurorestoratology. 2020; 8(1): 12-25. doi: 10.26599/JNR.2020.9040001.
10. Kho AY, Liu KPY, Chung RCK. Meta- analysis on the effect of mental imagery on motor recovery of the hemiplegic upper extremity function. Aust Occup Ther J. 2014; 61(2): 38-48. doi: 10.1111/ 1440-1630.12084.
11. Jochumsen M, Khan Niazi I, Samran Navid M, et al. Online multi-class brain-computer interface for detection and classification of lower limb movement intentions and kinetics for stroke rehabilitation. Brain-Computer Interfaces. 2015; 2(4): 202-210. doi: 10.1080/2326263X.2015.1114978.
12. Kardam VS, Taran S, Pandey A. Motor imagery tasks based electroencephalogram signals classification using data-driven features. Neuroscience Informatics. 2023; 3(2): 100128. doi: 10.1016/j.neuri.2023.100128.
13. Chholak P, Niso G, Maksimenko VA, et al. Visual and kinesthetic modes affect motor imagery classification in untrained subjects. Sci Rep. 2019; 9(1): 9838. doi: 10.1038/s41598-019-46310-9.
14. Vavoulis A, Figueiredo P, Vourvopoulos A. A review of online classification performance in motor imagery-based brain–computer interfaces for stroke neurorehabilitation. Signals. 2023; 4(1): 73-86. doi: 10.3390/signals4010004.
15. Chevallier S, Carrara I, Aristimunha B, et al. The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark. ArXiv preprint arXiv: 2404.15319. 2024. doi: 10.48550/arXiv.2404.15319.
16. Jayaram V, Barachant A. MOABB: trustworthy algorithm benchmarking for BCIs. Journal of neural engineering. 2018; 15(6): 066011. doi: 10.1088/1741-2552/aadea0.
17. Blankertz B, Tomioka R, Lemm S, et al. Optimizing spatial filters for robust EEG single-trial analysis. IEEE Signal processing magazine. 2007; 25(1): 41-56. doi: 10.1109/MSP.2008.4408441.
18. Carrara I, Papadopoulo T. Classification of BCI-EEG Based on the Augmented Covariance Matrix. IEEE Trans Biomed Eng. 2024. doi: 10.1109/TBME.2024.3386219.
19. Smets EMA, Garssen B, Cull A, et al. Application of the multidimensional fatigue inventory (MFI-20) in cancer patients receiving radiotherapy. Br J Cancer. 1996; 73(2): 241-245. doi: 10.1038/bjc.1996.42.
20. Kumawat J, Yadav A, Yadav K, et al. Comparison of Spectral Analysis of Gamma Band Activity During Actual and Imagined Movements as a Cognitive Tool. Clin EEG Neurosci. 2024; 55(3): 340-346. doi: 10.1177/15500594231197100.
21. Silva H, Scherer R, Sousa J, et al. Towards improving the stability of electromyographic interfaces. J Neuroeng Rehabil. 2012; 1-2. doi: 10.1007/978-3-642-34546-3_71.
22. Cawley GC, Talbot NL. On over-fitting in model selection and subsequent selection bias in performance evaluation. The Journal of Machine Learning Research. 2010; 11(70): 2079-2107.
23. Lukoyanov MV, Gordleeva SY, Pimashkin AS, et al. The efficiency of the brain-computer interfaces based on motor imagery with tactile and visual feedback. Human Physiology. 2018; 44: 280-288. doi: 10.1134/S0362119718030088.
24. Kurkin S, Gordleeva S, Savosenkov A, et al. Transcranial Magnetic Stimulation of the Dorsolateral Prefrontal Cortex Increases Posterior Theta Rhythm and Reduces Latency of Motor Imagery. Sensors. 2023; 23(10): 4661. doi: 10.3390/s23104661.
25. Maksimenko VA, Kurkin SA, Pitsik EN, et al. Artificial Neural Network Classification of Motor- Related EEG: An Increase in Classification Accuracy by Reducing Signal Complexity. Complexity. 2018; 1: 9385947. doi: 10.1155/2018/9385947.
26. Al-Saegh A, Dawwd SA, Abdul-Jabbar JM. Deep learning for motor imagery EEG-based classification: A review. Biomedical Signal Processing and Control. 2021; 63: 102172. doi: 10.1016/j.bspc.2020.102172.
Для цитирования
Антипов В.М., Бадарин А.А., Куркин С.А., Киселев А.Р., Храмов А.Е. Программно-аппаратный комплекс для реабилитации пациентов с когнитивными и моторными нарушениями. Врач и информационные технологии. 2024; 4: 38-47. doi: 10.25881/18110193_2024_4_38.
Документы
Ключевые слова