简短的研究报告的文章

前面。嗡嗡声。>。,2023年1月09
秒。脑-机接口
卷16 - 2022 | https://doi.org/10.3389/fnhum.2022.1077416

脑机接口控制从入侵electrocorticography四肢瘫痪患者上肢运动图像

Iahn Cajigas ^{1 * __},

凯文·c·戴维斯 ^{2 * __},

Noeline w·普林斯 ³,

塞巴斯蒂安·盖洛²,

加西姆a Naeem²,

利蒂希娅费雪^4、5,

迈克尔·e·伊万 ⁴,

阿布舍普拉萨德 ^2、5和

乔纳森·r·Jagid ^4、5

¹宾夕法尼亚大学神经外科学系,费城,宾夕法尼亚州,美国
²迈阿密大学生物医学工程系,美国迈阿密,佛罗里达州
³电气与信息工程系,Ruhana大学Hapugala,斯里兰卡
⁴神经外科学系,迈阿密大学,美国迈阿密,佛罗里达州
⁵迈阿密项目治愈瘫痪,迈阿密大学,美国迈阿密,佛罗里达州

作品简介:大多数脊髓损伤(SCI)导致下肢瘫痪,从而减少移动。使用脑-机接口(BCI),病人可能恢复腿控制使用神经信号,驱动辅助设备。在这里,我们提出一个主题的情况下与一个植入颈SCI electrocorticography (ECoG)设备和确定系统是否能够motor-imagery-initiated走在一个辅助测距仪。

方法:一个24岁的男性主体与颈SCI (C5亚洲)植入前ECoG传感装置的研究大脑的手感觉运动区域。主题使用motor-imagery (MI)训练解码器对感觉运动节奏进行分类。15个交易日的闭环试验遵循主题走动一小时在机器人weight-supported每周跑步机一至三次。我们评估表现最好的译码器的稳定性随时间开始在跑步机上行走通过解码上肢(UL) MI。

结果:在线袋装树分类器表现最好的准确性达84.15%平均在9周。译码器精度保持稳定后整个闭环数据收集。

讨论:这些结果说明解码UL MI是一个可行的控制信号用于下肢运动控制。入侵BCI上肢运动控制系统设计的控制系统可以扩展超出了上肢单独控制。重要的是,解码器可以使用入侵信号在几周准确分类MI的入侵信号。需要更多的工作来确定之间的长期后果UL MI和由此导致的下肢控制。

1介绍

脑-机接口(BCI)是一种新兴的技术承诺改善个人的生活质量影响很广的范围的神经系统疾病或伤害(罗宾逊et al ., 2021)。bci努力实现功能改进的绕过受损的神经系统,使控制外部设备和系统。已经证明了这种控制brain-driven电动机控制,从控制外骨骼(Benabid et al ., 2019)或肌肉复活(例子et al ., 2017)来控制电动机intent-to-text系统改进通信(威利•et al ., 2021)。在这种能力,bci寻求恢复失去的机能辅助设备。

多的BCI系统已经探索工具在健全和马达削弱对象包括那些患有肌萎缩性脊髓侧索硬化症(Vansteensel et al ., 2016;斯拜耳et al ., 2017)、中风(Ang et al ., 2015;Biasiucci et al ., 2018),脊髓损伤(SCI;溥敦et al ., 2016),等等。需要解决改善上肢(UL)控制(安德森,2004),许多BCI努力用神经信号重建达到和把握控制(Nakayashiki et al ., 2014;溥敦et al ., 2016;例子et al ., 2017;Benabid et al ., 2019;Cajigas et al ., 2021;Mencel et al ., 2021)。然而,下肢(LL)运动障碍往往是相伴在这些病态,和在SCI的情况下,基本上所有例脊髓损伤导致下肢功能下降。尽管研究BCI控制信号用于将实验(王et al ., 2013;Zhang et al ., 2015;Qi et al ., 2021;赵et al ., 2022),许多发展康复和辅助设备主要侧重于UL控制(罗宾逊et al ., 2021)。此外,大多数会BCI系统使用非侵入性的记录方法(Camargo-Vargas et al ., 2021)的大脑更可靠的数据和更好的空间分辨率(罗宾逊et al ., 2021)。探索如何侵入性方法神经控制信号从大脑中提取与运动可以通知辅助设备开发和康复协议目标多重障碍影响步态和意志的运动。

BCI申请协助运动(他et al ., 2018年)或从事会康复(Camargo-Vargas et al ., 2021;罗宾逊et al ., 2021)的提取方法是多种多样的,解码和分析信号从大脑和不同的设备和系统的这些信号控制。使用入侵信号驱动机器人和矫正器是相对较新的(Benabid et al ., 2019),在2018年之前基本上所有会研究在人类利用脑电图信号(他et al ., 2018年)。将指令集最常呈现给受试者包括汽车图像命令来区分站立和行走(他et al ., 2018年),向左转或右转,用想象的UL运动来驱动轮椅控制(黄et al ., 2012)。这些会指令解码架构包括频域分析(黄et al ., 2012),机器学习(江et al ., 2015;刘et al ., 2017;Vouga et al ., 2017),最近深度学习技术(Tortora et al ., 2020;哈米德et al ., 2022),但这些解码研究在健康人体,而不是执行目标主体人群从你将受益最多辅助系统。

BCI-driven辅助设备和康复功能的角色演变。UL康复使用BCI和功能性电刺激(FES)后中风是最有效的BCI康复范例演示(汗et al ., 2020),也显示了你承诺康复(钟et al ., 2015)。会BCI-FES康复对SCI最近展示了有前途的可行性(Shokur et al ., 2018),虽然有可能康复好处使用外骨骼(Donati et al ., 2016),更多的工作需要在目标人群(罗宾逊et al ., 2021)。

使用主题,以前配备一个完全植入神经接口系统(Cajigas et al ., 2021),我们测试的假设我们的主题可以采用UL电动机意象在weight-supported启动步进运动步态康复跑步机比低效的性能定义为70% (Kubler et al ., 2001)。

2方法

2.1参与者

研究参与者在本研究中是一个22岁的右手男性主题被诊断出患有颈脊髓损伤(亚洲C5)由于机动车事故5年前。本研究课题的参与是临床试验的一部分(ClinicalTrials.gov他们录取:NCT02564419)。

2.2神经数据采集

神经数据收集的研究参与者使用两个四种职业带电极(简历二世领导,美敦力公司、明尼阿波利斯、锰),外科手术植入的把手地区硬脑膜下感觉运动皮层大约4个月前动态测试。领导是皮下连接到一个刺激脉冲发生器(Activa PC +年代,美敦力公司,明尼阿波利斯,MN)能够记录electrocorticography (ECoG)铅接触的潜力。八个联系人被配置在双极模式导致四ECoG渠道数据(图1一个)。在内部,设备执行0.5 -100 Hz带通前置放大器过滤记录ECoG潜力渠道。设备允许四通道配置为两个时间序列通道(通道1和3)抽样数据在200赫兹,而另两个通道(通道2和4),采样信号的平均功率谱4赫兹之间,每5 s 36赫兹。

植入脉冲发生器内部缓冲所有四个通道的数据每隔400毫秒。这些缓冲数据传输和接收数据包使用遥测(Nexus-D、Medronic、明尼阿波利斯、锰)与桨天线外部定位植入生成器。包使用Nexus-D API以编程方式收集了MATLAB。

图1

图1。实验设置BCI-controlled ReoAmbulator。(一)两个4-contact电极条被植入的手感觉运动皮层的区域。电极被配置为双极模式导致四ECoG数据的通道。(B)特征提取的计算的平均光谱功率选择频率为每个审判垃圾箱。这些特征被用于解码器训练和测试。(C)信息处理的一般流程图。(D)运动图像说明了使用大型主题显示与ReoAmbulator相关联。期间收集的信号指令表示将收集、加工和解码。正确解码信号触发四到六的行走步态周期ReoAmbulator系统。(E)会议时间概述。每个会话始于三到四个血压测量评估直立性低血压紧随其后10块重复试验的实验过程。每个试验包括大约3 s的休息,3 s的运动,其次是跑步机步进的保持期。

2.3信号处理

从植入装置收集的原始信号处理使用MATLAB (MathWorks纳蒂克,MA)。数据是通过1 - hz高通第五阶无限脉冲响应滤波器去除低频漂移。motor-imagery指令提交给主体的时机被标记与ECoG同步数据采集的信号记录与低振幅刺激脉冲传递到主体的头皮。特征提取了运动图像分类四个频道。为每个审判,七个特征为每个时间序列通道1和3是使用MATLAB的计算p频谱函数和平均功率谱值在预定义的频率垃圾箱:1 - 8赫兹,8 - 12赫兹,18-26 Hz, 26 - 35周不等Hz, 35 - 45 Hz, 45 - 70赫兹,和70 - 100赫兹(图1 b)。一个特征为每个通道2和4是计算平均矫正信号输出的审判。在一起,这些特性被用来产生一个米×N(米=数量的试验,N= 16个特征)作为训练的输入一系列不同的分类器,包括随机森林(Breiman 2001),再邻居(封面和哈特,1967年),线性判别分析,线性支持向量机议会和Vapnik, 1995),和一个人工神经网络(Tshitoyan 2021)。

2.4实验设计

开始数据收集之前,这个话题进行了倾斜训练让主体适应站立位置,防止直立性低血压。在10周的研究中,研究对象参与18会话。在每个会话的开始,受试者的血压、心率、脉搏血氧仪测定在坐和站的位置作为基准与测量块之间的数据收集。每个会话都分成1 - 5的数据块集合时间。在每个块,10试验执行的主体运动图像。在每个试验中,一双运动图像指示被显示相关的主题在监视器屏幕上ReoAmbulator (ReoAmbulator Motorika,山月桂,新泽西;图1 c)。对于每个审判,主题是指示想休息占主导地位的右手大约3 s,后跟一个运动图像教学思考的手移动另一个3 s。这些指令后,主题需要四到六个步骤(图1 d)。

会议分为开放和闭环会话里开环前三个交易日会话用于收集数据和验证我们的实验范式,以及随后15会话用于闭环会话。每个会话由4到5块10试验(图1 e)。开始时每个块闭环解码会话、在线分类器是首先满足使用最近的运动图像数据收集两到五块,对应于80年左右运动图像的观察。解码器是训练网络,这意味着每次试验后的参数是改装。因此,在线解码,训练数据集被定义为40 - 50之前试验的数据,和测试数据集被定义为在10中的实时数据来试验期间。解码器性能评估通过计算精度如公式1所示,其中N是电动机的总数图像指示,y_我运动图像提示显示的主题,然后呢 ${\hat{y}}_{我}$ 从模型预测的价值。

方程1

一个 c c u r 一个 c y = \frac{1}{N} \sum_{我}^{N} 1 (y_{我} = {\hat{y}}_{我})

一系列其它解码器的离线训练使用相同的范式随着在线译码器会话。为每个块的闭环数据收集,每个分类器训练相同的前两到五块,然后测试使用收集的数据对当前块没有被改装为每个motor-imagery审判。

符合重量2.5支持跑步机训练

闭环会话期间,解码值被用来触发步行机器人援助,身体weight-supported跑步机发送休息和行走命令通过一个定制的单片机(ArduinoUno, Arduino,意大利)。机械跑步机配置走0.6 - -1.7公里/小时的速度为4到6个步态周期之前停止。机器人减速,另一项试验将发出一个视觉提示促使主体考虑移动主导上肢。移动状态是否正确解码,机器人会触发恢复步进一个额外的4到6个步态周期。

2.6统计分析

译码器精度定义为正确分类的百分比运动图像状态任何一组运动图像信号数据(见方程1)。解码分类器训练使用5倍交叉验证。所有数据测试正常使用Shapiro-Wilk测试正常。单变量比较时使用参数计算学生的独立学习数据高斯,否则非参数Mann-Whitney U执行测试。同样,用于评估在条件方差,单向方差分析(方差分析)是用于高斯数据,克鲁斯卡尔-沃利斯检验是用作非参数。显著性水平(α)被设置为0.05。当事后进行多重比较,Bonferroni调整应用到family-wise错误率(α)。变量之间的相关性进行了测试使用皮尔逊积差相关、枪兵分别排序相关的参数和非参数数据集。

3的结果

3.1心血管监测

受试者的血压、心率、脉搏血氧测量,测量监控足够的直立性反应转移到站位置和测量每个会话期间在四个时间点:(1)开始时每个会话的坐姿;(2)一旦重量支持利用直立;(3)在实验开始前立即;和(4)坐在实验的最后。这些测量是相对稳定的变化在这些时间点。显著的波动与温和的效果只有在心率(图2一个)坐和站的位置(方差分析F₍₆₀₎= 3.47;p= 0.02;η²Tukey-HSD = 0.065, p = 0.03),这表明,可以预见的是,随着血压下降在站期间,受试者的平均心率增加。没有发现差异,平均动脉压(方差分析F₍₆₀₎= 1.39,p= 0.25)和脉搏血氧仪(方差分析F₍₅₇₎= 2.66,p= 0.057;)跨时间的会话(图2 b, C)。

图2

图2。心率(一)、脉搏血氧定量法(B)和平均动脉压(C)测量在连续四个点(坐在轮椅上,在移动利用直立位置,在日常会话的开始,最后的日常会话)。钻石标记表明数据点之外的1.5×差(内部四分位范围)。^*p= < 0.05。

3.2 BCI系统性能

迭代的数据块被用来训练和测试的数组motor-imagery随机森林分类器包括(Breiman 2001),再邻居(封面和哈特,1967年),线性判别分析,线性支持向量机议会和Vapnik, 1995),和一个人工神经网络(Tshitoyan 2021)。这些模型在训练数据中提取特征使用5倍交叉验证。全国15个闭环会议,进行了580次试验中正确解码神经信号被用来触发系统上行走。在线袋装树分类器进行的研究(期间每周平均84.15%的准确率图3一),比标准的70% (BCI精度标准Kubler et al ., 2001;T= 8.362,p< 0.001)。每个分类器之间的差异被发现使用单向方差分析(F₍₄₈₎= 4.195,p= 0.003,η²= 0.304)和Tukey-HSD事后进行两两分析。因果分析表明,在线袋装树木表现明显优于线性判别分析(Tukey-HSDp= 0.0069)。在线解码和袋装树分类器能够区分MI状态一致,而其他有更高的错误率在解码其余国家单独或这两个州(图3 b)。最好的在线分类器执行,我们评估的时间和精度之间的关系,发现在9周的闭环性能保持稳定而不需要再培训(斯皮尔曼的研究r=−0.01,p= 0.936,图3 c)。

图3

图3。(一)译码器精度的解码上肢(UL) motor-imagery (MI)启动步进测量作为正确解码指令的总数比指令。精度测量六个分类器:在线袋装树木,离线袋装树,好再邻居(资讯),线性判别分析(LDA),线性支持向量机(SVM)和人工神经网络(ANN)。每个分类器之间的差异是由方差分析发现,Tukey-HSD事后进行两两分析。(B)混淆矩阵的六个分类器面板(一)。整数值从0到580,这是每个汽车图像的次数指令提交给的主题在9周内闭环分析研究中。(C)在线袋装树分类器的精度性能的10周研究期间。灰色虚线表示平均值在所有周(84.15%)。译码器的稳定性与精度对测量时间和评估使用斯皮尔曼相关系数(r)。(D)译码器性能的差异,通过测量精度(%)和混淆矩阵。在两种情况下,bagged-tree分类器训练在UL MI和输出用于触发UL菲斯在先前的研究和触发步态步进(LL)在这项研究(^*p< 0.05,^{* *}p< 0.01)。混淆矩阵规范化为真值作为试验完成的数量在这个会评估不同于以前执行的UL的试验研究。钻石标记所有盒子里情节表明数据点之外的1.5×差。

确定终端执行器控制译码器性能的潜在作用,我们比较译码器性能时,主题是针对你步态任务与以前收集的数据虽然主题是针对UL把握任务(Cajigas et al ., 2021)。译码器性能明显不同(Mann-Whitney测试:U= 797.5,p= 0.031)取决于MI是针对UL掌握任务与相同的信号被用来驱动步进任务(图3 d)。在这两种情况下预测每个MI状态的错误率是平衡,这意味着在线分类器可以准确地检测出运动类似于其他州在这两个实验。

3.3心血管对BCI性能的措施

心血管动力学,尤其是血压,会影响大脑皮层活动,唤起(Duschek Schandry, 2007),可能影响准确解码motor-imagery州从脑电图的能力。鉴于心血管动力学变化在练习过程中,我们检查解码器之间的关联准确性和心脏测量。心率、脉搏血氧定量法和平均动脉压指标在每个会话的开始(n= 18)策划与给定会话的平均解码精度确定心血管变化与解码器的性能。名义之间存在负相关的准确性和心率(r=−0.174),脉搏血氧仪(r=−0.16)、平均动脉压(r=−0.184)尽管这些统计学意义(图4)。

图4

图4。在线解码精度和测量之间的关系(一)心率,(B)脉搏血氧测量,(C)平均动脉压。每个点代表一个闭环数据会话精度平均在所有试验和心血管指标是预处理和热身测量的平均值。变量之间的线性回归进行使用皮尔逊积差相关。

此外,非正式的讨论与主题表示,这个话题就更难成为疲劳,最困难源自身体姿势的变化,很容易执行,完成motor-imagery任务。

4讨论

在这项研究中,我们演示了一个主题的能力与颈SCI精确控制步进的开始在一个机器人外骨骼。与适当的倾斜台培训之前,这个话题能够容忍一个直立的姿势,并使用当前植入BCI系统旨在恢复上肢控制也控制在机械跑步机系统。之前的工作在BCI文学侧重于上肢控制(罗宾逊et al ., 2021LL-driven BCI的),从而实现模型应用程序需要阐明当前的技术,方法和科学的局限性BCI在协助运动复活,恢复后瘫痪。另外,在你BCI工作,几乎所有的研究都使用非侵入性的脑电图(他et al ., 2018年),在这里,我们完成了运动图像解码通过完全ECoG植入电极。重要的是,作为个人与SCI BCI技术潜在用户(安德森,2004;冷却et al ., 2013),让你控制可以受益所有持续SCI患者通过扩大使用上肢motor-imagery使下肢功能的控制。

与植入电极在感觉运动区域,参与者想象运动上肢的运动引起的下肢。这表明用于UL运动的控制信号可以准确解码开始会控制机制,展示多才多艺的多功能使用相同的信号,可以用来进行BCI用户的愿望(上肢运动控制一个重要特性哈金斯et al ., 2015)。

BCI的一个独特组成部分的应用动态外骨骼和跑步机是心血管自主神经失调的潜在影响对系统性能和耐心宽容。了解生理变化对我很重要控制患者的心血管调节是摄动通过转移从一个坐着的站的位置。除了直立性变化,仅仅从事电动机意象活动显示心血管效应(夹头et al ., 2013;Peixoto平托et al ., 2017;Lanata et al ., 2020),但是这种效应及其对译码性能的影响是否坚持SCI患者,特别是在直立位置,尚未完全阐明。尽管如此,这项研究表明解码是可行的和稳定的SCI患者在此设置,但更多的工作是必要的,以确定的心血管动力学、身体位置,终端执行器运动图像不匹配可能会影响神经信号解码。

4.1限制

车间内的BCI研究社区发现了数个性能评估BCI技术措施(哈金斯et al ., 2014;汤普森et al ., 2014):准确性,包括信息传输速率、解码时间,和延迟。尽管参与者成功地,准确地,引发的步态周期weight-supported跑步机,工程约束ReoAmbulator有限的能力来衡量时间延迟系统;例如,解码和触发机器人外骨骼。在这项研究中,然而,我们的目的是确认准确的解码motor-imagery步态控制。然而,正如研究连续控制外骨骼和辅助设备向前行走,解释时间平移使用会影响重要决定,确保连续在长期研究的表现。

的临床疗效BCI康复模式依赖于机器控制的运动和运动意图之间的亲密关系(罗宾逊et al ., 2021)。主题在本工作利用电动机的意象的UL驱动控制运动。虽然有用的辅助设备的角度来看,不匹配的运动图像和辅助运动输出成为重要从康复的角度考虑到视觉,本体感受的,感觉运动反馈影响康复效果和BCI性能暂时耦合到预定的运动(Ramos-Murguialday et al ., 2012;弗罗斯特et al ., 2015)。通过这种方法的耦合,BCI研究表明承诺诱导自适应可塑性恢复(Ethier et al ., 2015;约万诺维奇et al ., 2021)。混合范式在这项研究中,然而,阐明UL vs会康复困难的影响。这将是重要的设计研究,以理解这是否混合范式上、下肢康复患者是有效的。

只有一个主体参与这项研究证明可靠的下肢解码控制从运动图像。信号解码依赖事件相关去同步化(ERD)以及其他光谱特性,这种现象是研究在这两个科目有或没有瘫痪UL (Pfurtscheller 1997;Lopez-Larraz et al ., 2015;甘特图et al ., 2018),会控制(Donati et al ., 2016;Shokur et al ., 2018)。最终是否准确,长期解码站在科学科目可以推广到更广泛的人口科学仍然是一个重要的研究主题为BCI研究目标控制。然而,我们组的初步工作证明erd SCI后被观察到个人,这可以作为一个可靠的观测时触发通过脑电图(甘特图et al ., 2018)。因此,这种方法的可能性可以跨个人使用是可能的。

我们的研究范式MI获得信号的主题,展示说明主题在一个固定的模式(休息然后)和以固定时间间隔(3 s)。随后的工作在我们的小组建立了实时解码UL控制(Cajigas et al ., 2021)。实时解码可以检测心肌梗死而不需要提示这个话题开始执行MI的识别时间模式中的特定MI状态信号采样。未来的工作将需要调查bci针对实时解码算法的控制。这样会控制实时解码是必要的让主体意志地控制流动的设备和较长的持续时间超出了时间仅限于线索表示。

5的结论

bci可能被证明是有价值的辅助设备电机受损的个人。使用四个渠道ECoG信号从一个完全植入BCI系统使颈椎SCI患者触发走在weight-supported跑步机,和解码器的性能持续研究的整个持续时间。工作仍需要更严格地评估不同步态BCI的长期影响应用程序和确定其临床意义作为辅助设备,在康复协议。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

综述了研究涉及人类参与者和迈阿密大学的机构审查委员会批准。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

IC、NP、JJ,美联社发展研究的实验设计。IC、NP、约、SG发达系统链接植入驱动ReoAmbulator和收集数据。如果协调主体参与相关的临床试验。MI和JJ之前执行外科植入和病人护理。KD写的手稿。集成电路、NP和KD分析数据。所有作者的文章和批准提交的版本。

资金

由私人机构拨款支持迈阿密项目治愈瘫痪。植入装置是由美敦力公司捐赠的。美敦力公司提供的所有组件的植入物包括外部天线/接收免费的迈阿密大学,但没有直接提供资金的机构,研究人员或病人。集成电路的部分支持由美国国立卫生研究院/国家神经疾病和中风研究所(R25NS108937-02)。

确认

我们想感谢我们的主题继续奉献和热情在这项研究的持续时间。我们要感谢罗伯特·苏亚佐援助的设计数据。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

的例子,a, B。,威雷特,f R。,年轻,d R。,米emberg, W. D., Murphy, B. A., Miller, J. P., et al. (2017). Restoration of reaching and grasping in a person with tetraplegia through brain-controlled muscle stimulation: a proof-of-concept demonstration.《柳叶刀》389年,1821 - 1830。doi: 10.1016 / s0140 - 6736 (17) 30601 - 3