An EEG-informed fNIRS framework uncovers stage-associated cortical dynamics during unassisted upper-limb movement after stroke
本研究表明，一种结合了FBCSP与GLM的脑电图（EEG）启发式多模态框架，能够有效减轻中风患者在生态上肢运动期间的血流动力学伪影，并成功揭示了传统方法无法捕捉到的、跨越布伦斯特朗（Brunnstrom）康复阶段且与阶段相关的皮层重组特征。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当一个人中风时，其损伤往往不仅限于身体运动能力的丧失，还会破坏大脑控制身体的内部图谱。康复过程很少是直接从瘫痪走向完全恢复力量的直线。相反，它通常遵循一条蜿蜒的路径：大脑首先通过将关节锁定在一起形成僵硬、不自主的模式来学习移动手臂，随后才逐渐学会解开这些模式，从而实现单个关节的自由运动。临床医生长期以来一直使用一种被称为布伦斯特姆（Brunnstrom）分期的方法，来追踪这些特定的恢复阶段——从完全瘫软到僵硬的协同运动，最后走向独立的控制。为了理解在这一艰难旅程中大脑内部正在发生什么，科学家们使用了能够监听电信号和测量血流的工具。然而，要求正在康复中的患者自然地移动手臂会产生一个新的问题：运动本身产生的生物噪声会淹没研究人员试图捕捉的微弱大脑信号。
长春理工大学和吉林大学第一附属医院的研究团队致力于解决这一问题。他们希望研究是否可以建立一种更好的方法，在自然手臂运动期间倾听大脑的声音，特别是绘制出随着患者进入不同康复阶段时，大脑是如何变化的。他们将研究重点放在了32名处于康复中期且曾中风的男性身上，并以15名健康男性作为基准。参与者完成了一项简单但具有挑战性的任务：听到声音时举起一只手臂并握紧拳头，然后保持住。在进行这项任务时，研究人员同时使用两种方法记录他们的脑活动。其中一种方法是脑电图（EEG），用于捕捉大脑快速的电脉冲；另一种是功能性近红外光谱技术（fNIRS），用于测量血液含氧量的变化，这能指示大脑哪些部分正在努力工作。
挑战在于，抬起手臂这一物理动作引起的血流变化，往往看起来与大脑产生运动意图所引起的血流变化完全一致。标准的计算机模型通常难以区分这两者，往往导致图像模糊，使得真实的信号湮没在噪声之中。为了解决这个问题，研究人员开发了一种新的框架，利用来自EEG的快速电信号来引导来自fNIRS的较慢血流测量。他们将电信号视为大脑决定运动的精确地图，并利用该地图来清理血流数据。这使他们能够分离出与运动意图相关的特定大脑活动，过滤掉由肌肉工作和心脏跳动引起的普遍噪声。
当他们应用这种新方法时，发现了一种标准方法完全无法察觉的清晰且非线性的脑重组模式。随着患者从能够开始对抗重力移动的阶段，过渡到开始摆脱僵硬、关节锁定的运动阶段，大脑的活动发生了剧烈转变。在这一转型的最困难时期，大脑表现出强烈的倾向去激活受伤侧的对侧半球，本质上是试图利用健康的一侧来补偿挣扎中的受伤侧。这是一个神经高度努力的时刻，大脑正竭力克服僵硬的模式。然而，随着患者进入下一个阶段——即开始恢复关节独立控制的阶段，活动发生了转移。大脑不再如此依赖对侧，而是开始重新激活受损侧的大脑，这种活动的“反弹”标志着局部运动控制的回归。
研究人员证实，他们的新方法比旧的数据分析方式要灵敏得多。虽然标准模型只能看到模糊或不一致的变化，但他们的EEG引导法揭示了一个明显呈V型的大脑活动模式。当患者正努力摆脱僵硬的协同运动时，大脑的焦点深陷于对侧半球；而当他们掌握了独立运动后，焦点又回升到了受损侧。这一发现表明，大脑的恢复并非简单的线性增强，而是经历了一个特定的、剧烈的重组阶段——大脑会在定型为更高效的模式之前，尝试不同的策略。通过提供这些转变的清晰视图，这一新框架为衡量康复提供了一种更可靠的方法，有助于医生和治疗师准确了解患者所处的阶段以及下一步需要什么样的支持。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。