DOI: https://doi.org/10.1038/s41597-023-02787-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38272904
تاريخ النشر: 2024-01-25
المؤلف: Haijie Liu وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث مجموعة بيانات جديدة تم جمعها من 50 مريضًا يعانون من سكتة دماغية حادة، تهدف إلى تعزيز تطوير وتطبيقات الواجهات الدماغية الحاسوبية (BCIs). باستخدام أجهزة EEG محمولة لاسلكية، تلتقط الدراسة نشاط الدماغ خلال مهمتين لتخيل الحركة: تخيل الحركات باليد اليمنى واليد اليسرى. تتكون مجموعة البيانات من أربعة مكونات: تعليمات تخيل الحركة، تسجيلات EEG الخام، البيانات المعالجة مسبقًا (بعد إزالة الشوائب)، وخصائص المرضى.
تعتبر هذه المجموعة من البيانات مهمة لأنها أول مورد مفتوح يتناول تحديدًا تخيل الحركة لدى مرضى السكتة الدماغية الحادة، وهو أمر حاسم لتحسين الخوارزميات وتحسين تطبيقات BCI في إعادة التأهيل. يؤكد المؤلفون أن هذه المجموعة من البيانات ستسهل التحليل الأعمق لأنماط تنشيط الدماغ وتساهم في تصميم طرق فك تشفير أكثر فعالية مصممة خصيصًا لهذه الفئة من المرضى، مما يعزز البحث في BCIs المعتمدة على تخيل الحركة.
مقدمة
تسلط المقدمة الضوء على التأثير الكبير للسكتة الدماغية على الصحة العالمية، والتي تتميز بمعدلات عالية من المرض والعجز والوفيات. جانب حاسم من جوانب التعافي من السكتة الدماغية هو إعادة تأهيل وظيفة الأطراف العلوية، حيث يعاني العديد من المرضى من إعاقات حركية متبقية تعيق الأنشطة اليومية. تقدم التطورات الأخيرة في الواجهات الدماغية الحاسوبية (BCIs) طرقًا واعدة لإعادة التأهيل من خلال تمكين التواصل المباشر بين الأجهزة ومناطق الدماغ. من بين التقنيات المختلفة للحصول على بيانات الدماغ، تُفضل تخطيط الدماغ الكهربائي (EEG) لطبيعتها غير الغازية ودقتها الزمنية العالية، خاصة في سياق تخيل الحركة (MI)، وهو أمر أساسي لتطبيقات BCI المعتمدة على EEG.
على الرغم من توفر العديد من مجموعات بيانات MI المتاحة للجمهور، إلا أن معظمها تم اشتقاقه من أفراد أصحاء، مما يحد من قابليتها للتطبيق على مرضى السكتة الدماغية. غالبًا ما تعاني مجموعات البيانات الحالية من أوقات تسجيل قصيرة وأحجام عينات صغيرة، مما يبرز الحاجة إلى بيانات أكثر قوة مصممة لتناسب السياقات السريرية. لمعالجة هذه الفجوة، جمع المؤلفون بيانات EEG من 50 مريضًا يعانون من سكتة دماغية حادة، مما أسفر عن مجموعة بيانات تتكون من 2,000 تجربة تخيل قبضة اليد. تتضمن هذه المجموعة من البيانات بيانات EEG الخام والمعالجة مسبقًا، ومواد إرشادية لتخيل الحركة، وخصائص المرضى، مما يسهل المزيد من البحث والتطوير في تطبيقات BCI لإعادة تأهيل السكتة الدماغية. أظهرت التحليلات الأولية دقة فك تشفير تبلغ 72.21% باستخدام نافذة زمنية مثلى مقترحة وطريقة تصفية جيوديسية تمييزية، مما يشير إلى إمكانية تعزيز مجموعة البيانات لأبحاث MI-BCI وإبلاغ استراتيجيات إعادة التأهيل السريرية.
الطرق
في هذه الدراسة، تم جمع البيانات من 50 مريضًا يعانون من سكتة دماغية حادة، تتكون من 39 ذكرًا (78%) و11 أنثى (22%)، تتراوح أعمارهم بين 31 و77 عامًا (متوسط العمر = 56.70 عامًا، الانحراف المعياري = 10.57). شملت المجموعة 23 مريضًا (46%) يعانون من شلل نصفي أيمن و27 مريضًا (54%) يعانون من شلل نصفي أيسر. كانت متوسط الدرجات على مقياس السكتة الدماغية للمعهد الوطني للصحة (NIHSS)، ومؤشر بارتل المعدل (MBI)، ومقياس رانكين المعدل (mRS) هي 4.16 (الانحراف المعياري = 2.85)، 70.94 (الانحراف المعياري = 18.22)، و2.66 (الانحراف المعياري = 1.44)، على التوالي. تم الحصول على موافقة مستنيرة من جميع المشاركين وعائلاتهم، وتمت الموافقة على الدراسة من قبل لجنة الأخلاقيات في مستشفى شوان وو (رقم 2021-236).
شملت الإجراءات التجريبية جلوس المشاركين بشكل مريح مع قبعة EEG بينما كانوا على بعد 80 سم من شاشة الكمبيوتر. استمرت كل جلسة حوالي 20 دقيقة، بما في ذلك 10 دقائق من تسجيل الإشارة. تضمنت تجربة تخيل الحركة (MI) 40 تجربة، كل منها تستمر 8 ثوانٍ، مقسمة إلى ثلاث مراحل: التعليم، MI، والاستراحة. خلال مرحلة التعليم، تم تحفيز المرضى لتخيل الإمساك بجسم كروي بأي يد. في مرحلة MI، تم عرض فيديو يصور حركة الإمساك لمدة 4 ثوانٍ لتسهيل مهمة التخيل. سمحت مرحلة الاستراحة للمشاركين بالاسترخاء قبل التبديل بين حركات اليد اليسرى واليمنى في التجارب اللاحقة.
المناقشة
في هذا القسم، يوضح المؤلفون المنهجية لجمع ومعالجة بيانات EEG، جنبًا إلى جنب مع القياسات السلوكية والتحقق الفني من مجموعة البيانات. تم الحصول على بيانات EEG باستخدام نظام متعدد القنوات لاسلكي، مع وضع الأقطاب الكهربائية وفقًا للنظام الدولي 10-10. شملت المعالجة المسبقة إزالة الخط الأساسي والتصفية ضمن نطاق 0.5 إلى 40 هرتز باستخدام مجموعة أدوات EEGLAB في MATLAB، مما أسفر عن تنسيق منظم للتحليل. شملت التقييمات السلوكية مقياس السكتة الدماغية للمعهد الوطني للصحة (NIHSS)، ومؤشر بارتل المعدل (MBI)، ومقياس رانكين المعدل (mRS)، والتي تقيم مجتمعة الإعاقة العصبية والاستقلال الوظيفي لدى مرضى السكتة الدماغية.
أجرى المؤلفون تحليلات نوعية وكمية لبيانات EEG، مع التركيز على التزامن/عدم التزامن المرتبط بالحدث (ERD/ERS) وتحليل الزمن والتردد لتقييم نشاط الدماغ خلال مهام تخيل الحركة (MI). لاحظوا أنماطًا متميزة من التنشيط المتقابل في نطاقات ألفا وبيتا (8-30 هرتز) تتوافق مع مهام MI لليد اليسرى واليمنى، مع درجات متفاوتة من الهيمنة بين المشاركين. تم تقييم دقة تصنيف بيانات EEG الخاصة بـ MI باستخدام خوارزميات متعددة، بما في ذلك CSP + LDA، FBCSP + SVM، وطريقة جديدة تجمع بين تحسين نافذة الزمن ومصفوفة التصفية مع تقنيات الهندسة ريمان. حققت الطريقة المقترحة (TWFB + DGFMDRM) أعلى دقة متوسطة تبلغ 72.21%، مما يشير إلى موثوقية مجموعة البيانات وفعالية استراتيجيات التصنيف المستخدمة. يتم تحذير المستخدمين بشأن التحديات المحتملة في جودة البيانات بسبب الشوائب الناتجة عن الحركة وعدم استقرار إشارات EEG، والتي قد تؤثر على أداء التصنيف.
DOI: https://doi.org/10.1038/s41597-023-02787-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38272904
Publication Date: 2024-01-25
Author(s): Haijie Liu et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents a novel dataset collected from 50 acute stroke patients, aimed at enhancing the development and clinical application of brain-computer interfaces (BCIs). Utilizing wireless portable saline EEG devices, the study captures brain activity during two motor imagery tasks: imagining right-handed and left-handed movements. The dataset comprises four components: motor imagery instructions, raw EEG recordings, pre-processed data (after artifact removal), and patient characteristics.
This dataset is significant as it is the first open resource specifically addressing motor imagery in acute stroke patients, which is crucial for optimizing algorithms and improving BCI applications in rehabilitation. The authors assert that this dataset will facilitate deeper analysis of brain activation patterns and contribute to the design of more effective decoding methods tailored for this patient population, thereby advancing research in motor imagery-based BCIs.
Introduction
The introduction highlights the significant impact of stroke on global health, characterized by high morbidity, disability, and mortality rates. A critical aspect of stroke recovery is the rehabilitation of upper limb function, as many patients experience residual motor impairments that hinder daily activities. Recent advancements in brain-computer interfaces (BCIs) offer promising avenues for rehabilitation by enabling direct communication between devices and brain regions. Among various techniques for obtaining brain data, electroencephalography (EEG) is favored for its non-invasive nature and high temporal resolution, particularly in the context of motor imagery (MI), which is essential for EEG-based BCI applications.
Despite the availability of several publicly accessible MI datasets, most have been derived from healthy individuals, limiting their applicability to stroke patients. Existing datasets often suffer from short recording times and small sample sizes, underscoring the need for more robust data tailored to clinical contexts. To address this gap, the authors collected EEG data from 50 acute stroke patients, resulting in a dataset comprising 2,000 hand-grip MI trials. This dataset includes raw and pre-processed EEG data, MI guide materials, and patient characteristics, facilitating further research and development in BCI applications for stroke rehabilitation. Initial analyses demonstrated a decoding accuracy of 72.21% using the proposed optimal time window and filterbank discriminant geodesic filtering method, indicating the dataset’s potential to enhance MI-BCI research and inform clinical rehabilitation strategies.
Methods
In this study, data were collected from 50 acute stroke patients, comprising 39 males (78%) and 11 females (22%), with ages ranging from 31 to 77 years (mean age = 56.70 years, SD = 10.57). The cohort included 23 patients (46%) with right hemiplegia and 27 patients (54%) with left hemiplegia. The average scores on the National Institute of Health Stroke Scale (NIHSS), Modified Barthel Index (MBI), and modified Rankin Scale (mRS) were 4.16 (SD = 2.85), 70.94 (SD = 18.22), and 2.66 (SD = 1.44), respectively. Informed consent was obtained from all participants and their families, and the study was approved by the Ethics Committee of Xuanwu Hospital (No. 2021-236).
The experimental procedure involved participants sitting comfortably with an EEG cap while positioned 80 cm from a computer screen. Each session lasted approximately 20 minutes, including 10 minutes of signal recording. The motor imagery (MI) experiment consisted of 40 trials, each lasting 8 seconds, divided into three stages: instruction, MI, and break. During the instruction stage, patients were prompted to imagine grasping a spherical object with either hand. In the MI stage, a video depicting the gripping motion was played for 4 seconds to facilitate the imagery task. The break stage allowed participants to relax before alternating between left and right-hand movements in subsequent trials.
Discussion
In this section, the authors detail the methodology for collecting and preprocessing EEG data, alongside behavioral measures and technical validation of the dataset. The EEG data were acquired using a wireless multichannel system, with electrodes positioned according to the international 10-10 system. Preprocessing involved baseline removal and filtering within the 0.5 to 40 Hz range using the EEGLAB toolbox in MATLAB, resulting in a structured format for analysis. Behavioral assessments included the National Institute of Health Stroke Scale (NIHSS), Modified Barthel Index (MBI), and Modified Rankin Scale (mRS), which collectively evaluate neurological impairment and functional independence in stroke patients.
The authors conducted both qualitative and quantitative analyses of the EEG data, focusing on event-related desynchronization/synchronization (ERD/ERS) and time-frequency analysis to assess brain activity during motor imagery (MI) tasks. They observed distinct patterns of contralateral activation in the alpha and beta bands (8-30 Hz) corresponding to left- and right-hand MI tasks, with varying degrees of dominance among subjects. Classification accuracy of MI EEG data was evaluated using multiple algorithms, including CSP + LDA, FBCSP + SVM, and a novel method combining time window and filter bank optimization with Riemannian geometry techniques. The proposed method (TWFB + DGFMDRM) achieved the highest average accuracy of 72.21%, indicating the dataset’s reliability and the effectiveness of the classification strategies employed. Users are cautioned about potential challenges in data quality due to motion artifacts and the non-stationarity of EEG signals, which may affect classification performance.