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

Abstract

Slagtilfælde er den tredje hyppigste dødsårsag og den største årsag til handicap erhvervet af voksne i højindkomstlande. Under genoptræningen fra et slagtilfælde er tidlig mobilisering en vigtig faktor i bedringen samt løbende vedligeholdelse af fysisk form resten af patientens liv. For at komme over handicap erhvervet som følge af et slagtilfælde er flere rehabilitering teknikker blevet foreslået, blandt disse er en forholdsvis ny teknik: brain computer interface (BCI) denne teknik kan enten oversætte hjernesignaler til handlinger eller oversætter signaler til aktivering en ekstern enhed. BCI systemer er blevet designet til at genkende movement relaterede cor- tical potentials (MRCP) i realtid, andre systemer har registreret ikke kun begyndelsen af en bevægelse, men også den ønskede bevægelses hastighed og kraft. Ingen af disse systemer har dog undersøgt, hvor hurtigt BCI kontrol kan læres, og de har heller ikke undersøgt hvor robuste BCI systemer, som bruger MRCP som et styresignal er over tid. Formålet med dette projekt var at undersøge ændringer i ydeevne over tid for et BCI system designet til at detektere MRCPer og den ønskede hastighed af bevægelsen. Det påtænkes, at MRCP kan anvendes som et styresignal fra den første træningsgang, og at ydeevnen ikke vil ændre sig væsentligt i løbet af et longitudinelt studie på grund af enkelheden af de bevægelser, der udføres. 7 raske frivillige blev brugt til at teste, hvad effekten af træning af et BCI-system over tid var, og om MRCPer fra raske forsøgspersoner for ikke komplekse dorsiflexioner ændre sig over tid. BCI systemet blev også testet en træningsgang på 6 patienter, som har haft et slagtilfælde der påvirker deres motorcortex for at se hvordan BCI-systemet kunne detektere forskelle i hastighed baseret på MRCPer for patienter med slagtilfælde. Dette blev gjort for at undersøge, om BCI kan anvendes til genoptræning fra den første træningsgang. Et BCI designet til at detektere MRCPer og klassificere dem baseret på bevægelses hastigheder, enten hurtige bevægelser på 0,5 sekunder eller langsomme bevægelser på tre sekunder blev un- dersøgt i løbet af to træningsgange pr. uge i fire uger og en fire ugers pause efterfulgt af en kontrol træning. Tre forskellige træningsscenarier blev testede for at undersøge om brug af data fra mere end én session vil øge ydeevnen af BCI systemet. Den første test fokuserede på kun at bruge tidligere optaget data og ingen træning af forsøgspersonen inden testen. Den anden test brugt kun træningsdata optaget i løbet af den session for en mere aktuel detektion og klassifi- ceringen, men med en mindre mængde data. Den tredje test, som anvender al tilgængelig data og træner forsøgspersonen i de forskellige typer af bevægelser inden testen blev udført. Dette menes at have den højeste nøjagtighed, men også den mest tidskrævende. Den gennemsnitlige detektion, klassifikation, og systemets ydeevne til de tre forskellige træn- ingsscenarier var hhv. 79 ± 1 % , 56 ± 1 % og 45 ± 1 %. En enkelt træningsgang blev udført med 6 patienter til at undersøge hvor godt BCI fungerede for patienter. Den gennemsnitlige detektion, klassifikation, og systemets ydeevne til de tre forskellige test var hhv. 88 ± 12 % , 57 ± 6 % , og 50 ± 9 %. Disse resultater tyder på, det er muligt at bruge et BCI med meget lidt træning og øge ydeev- nen af systemet ved at bruge al tilgængelige data. Resultaterne viser også at der ikke er var nogen stigning eller et fald i systemets ydeevne over tid, kontrolsessionen viste, at det ikke var nødvendigt at træne forsøgspersonen efter en fire ugers pause, hvis tilstrækkelig forudgående træningsdata var tilstede. Sessionen med patienter viste detektionsnøjagtigheder, som sandsyn- ligvis kan bruges til hjælpe patienter med rehabilitering ved at kombinere et online BCI system med fx funktionel elektrisk stimulation.

Stroke is the the third most common cause of death and the main cause of disabilities acquired in adults in high-income countries. While recovering from a stroke early mobilisation is an important factor in recovery as well as continuous maintenance of physical conditions for the rest of the patients life. To overcome the disability, several rehabilitation techniques have been proposed, among these is a relatively novel technique: brain computer interface (BCI) this tech- nique either translates brain features into actions or translates features to activate a device. BCI systems have been designed to detect movement related cortical potentials (MRCP) in real time, and other systems have detected not only the onset of movements, but also detected the intended movement speed and force. None of these systems however has investigated how fast BCI control can be learned, they have also not investigated the robustness of the BCI systems over time using MRCP as a control signal. The aim of this project was to investigate changes in performance over time of a BCI systems designed to detect MRCPs and the intended speed of the movement. It was believed that MRCP could be used as a control signal from the first session, and that the performance of the system would not change significantly during a longitudinal experimental design due to the simplicity of the movements performed. 7 healthy volunteers were used to test what the effect of training of a BCI system over time was and if the MRCP of healthy subjects for non complex dorsiflexions changed over time. The BCI was also tested for one session on 6 patients suffering a stroke affecting their motor cortex to see how the BCI system performed detecting differences in speed based on MRCPs for stroke patients. This was done to test if the BCI could be used for rehabilitation from the first session. A BCI designed to detect MRCPs and classify them based on movement speed, either fast move- ments 0.5 seconds or slow movements 3 seconds was tested during two sessions for four weeks and a for week break followed by a control session. Three different training scenarios were tested to investigate if using data from more than one session would increase the performance of the BCI. The first test focused on the effects of only using previously recorded data, no training of the subject that session prior to the test. The second test only used training data recorded during that session for a more current detector and classifier, but with a smaller amount of data. The third test used all available data and trained the subject in the different types of movements prior to testing, this was believed to have the highest accuracies, but also the most time consuming. The mean detection, classification, and system performance for the three different test were 79 ± 1 %, 56 ± 1 %, and 45 ± 1 % respectively. A single session was performed with 6 patients to test how well the BCI system worked for patients. The mean detection, classification, and system performance for the three different test were 88 ± 12 %, 57 ± 6 %, and 50 ± 9 % respec- tively. These findings suggest it is possible to use a BCI with very little training and increase perfor- mance by using all available data. The findings also show no increase or decrease in performance of the system over time, the control session showed that it was not necessary to train the subject after a four week break if enough prior training data was available. The session with the patients showed detection accuracies that can most likely be used help patients rehabilitate by combining the online system with e.g. functional electrical stiulation.

A master thesis from Aalborg University

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]