Online detection and classification of movement-related cortical potentials on healthy volunteers and patients with a stroke affecting their motor cortex

Online detektion og klassifikation af movement-related cortical potentials hos raske frivillige og patienter med slagtilfælde som påvirker deres motorcortex

Nedergaard, Rasmus Wiberg

4. term

Biomedical Engineering and Informatics, Master

2014

2014-06-03

70

Slagtilfælde er den tredjehyppigste dødsårsag og den vigtigste årsag til erhvervede handicap hos voksne i højindkomstlande. Tidlig mobilisering og vedvarende fysisk træning er vigtige for bedring. En nyere tilgang er hjerne-computer-grænseflader (BCI), som oversætter hjerneaktivitet til handlinger eller enhedsstyring. Nogle BCI-systemer kan registrere bevægelsesrelaterede kortikale potentialer (MRCP) – hjernesignaler, der opstår lige før og under bevægelse – og endda skelne mellem planlagt bevægelseshastighed og kraft. Der vides dog mindre om, hvor hurtigt man kan lære at bruge sådanne BCI’er, og hvor stabile de er over tid, når MRCP bruges som styresignal. Dette projekt undersøgte ændringer i ydeevne over tid for et MRCP-baseret BCI, der skulle opdage bevægelsesstart og klassificere bevægelser som hurtige (0,5 s) eller langsomme (3 s). Vi forventede, at MRCP kunne bruges som styresignal fra første session, og at ydeevnen ikke ville ændre sig væsentligt over et længere forløb, fordi bevægelserne var simple. Syv raske frivillige udførte ukomplekse dorsalfleksioner i anklen (løft af forfoden) over flere sessioner i løbet af fire uger, efterfulgt af fire ugers pause og en kontrolsession. Vi testede tre træningsstrategier: (1) kun tidligere indsamlede data, (2) kun data fra den aktuelle session, og (3) alle tilgængelige data kombineret med forudgående øvning af bevægelserne. Derudover blev én session gennemført med seks patienter med slagtilfælde, der havde påvirkning af motorisk cortex, for at vurdere systemets evne til at skelne bevægelseshastigheder ud fra MRCP. Hos raske deltagere var gennemsnitlig detektionsnøjagtighed, klassifikationsnøjagtighed og samlet systempræstation hhv. 79 ± 1 %, 56 ± 1 % og 45 ± 1 %. Hos patienterne var de tilsvarende værdier 88 ± 12 %, 57 ± 6 % og 50 ± 9 %. Over tid sås ingen systematisk forbedring eller forringelse af ydeevnen, og efter fire ugers pause var det ikke nødvendigt at genoptræne deltagerne, hvis der fandtes tilstrækkelige tidligere træningsdata. At bruge alle tilgængelige data øgede præstationen, og systemet kunne tages i brug med begrænset træning fra første session. Resultaterne tyder på, at et online MRCP-baseret BCI kan bruges tidligt i et rehabiliteringsforløb og potentielt kombineres med fx funktionel elektrisk stimulation for at støtte genoptræning.

Stroke is the third most common cause of death and the leading cause of acquired disability in adults in high-income countries. Early mobilization and ongoing physical training are important for recovery. A newer approach is brain–computer interfaces (BCIs), which translate brain activity into actions or device control. Some BCIs can detect movement-related cortical potentials (MRCPs)—brain signals that occur just before and during movement—and even distinguish intended movement speed and force. However, less is known about how quickly such BCIs can be learned and how stable they are over time when MRCPs are used as the control signal. This project examined changes over time in the performance of an MRCP-based BCI designed to detect movement onset and classify movements as fast (0.5 s) or slow (3 s). We expected MRCPs to be usable from the first session and that performance would not change markedly over a longitudinal period because the movements were simple. Seven healthy volunteers performed non-complex ankle dorsiflexions (lifting the front of the foot) across multiple sessions over four weeks, followed by a four-week break and a control session. We evaluated three training strategies: (1) using only previously recorded data, (2) using only data from the current session, and (3) using all available data combined with pre-testing movement practice. In addition, one session with six stroke patients with motor cortex involvement assessed how well the system distinguished movement speeds from MRCPs. In healthy participants, mean detection accuracy, classification accuracy, and overall system performance were 79 ± 1%, 56 ± 1%, and 45 ± 1%, respectively. In patients, the corresponding values were 88 ± 12%, 57 ± 6%, and 50 ± 9%. Performance did not show systematic improvement or decline over time, and after a four-week break, retraining was unnecessary when sufficient prior training data were available. Using all available data improved performance, and only minimal training was needed to get started. These findings suggest that an online MRCP-based BCI can be used from the first session and may be combined with functional electrical stimulation to support rehabilitation.

[This abstract was generated with the help of AI]

MRCP ; BCI ; rehabilitation

Download
View record in AAU Student Projects