Нейрокомпьютерные интерфейсы, основанные на регистрации спектроскопии в ближней инфракрасной области и электроэнцефалографии, в постинсультной реабилитации: сравнительное исследование

Тренировки представления движения под контролем интерфейса мозг–компьютер (ИМК) способствуют двигательному восстановлению после инсульта. Эффективность ИМК на основе электроэнцефалографии (ЭЭГ-ИМК) подтверждена несколькими метаанализами, но более удобный и помехоустойчивый метод спектроскопии в ближней инфракрасной области в контуре ИМК (БИКС-ИМК) практически не изучен, сравнений двух типов ИМК не проводилось.

Цель исследования заключалась в сравнении точности управления и клинической эффективности БИКС-ИМК и ЭЭГ-ИМК в постинсультной реабилитации.

Материал и методы. Группу БИКС-ИМК составили пациенты из неконтролируемого исследования (n=15; 9 мужчин и 6 женщин; возраст – 59,0 [49,0; 70,0] года; давность инсульта – 7,0 [2,0; 10,0] мес; парез верхней конечности – 47,0 [35,0; 54,0] балла по шкале Фугл-Мейера для оценки двигательной функции верхней конечности – ФМ-ВК). Группа ЭЭГ-ИМК была сформирована из основной группы рандомизированного контролируемого исследования iMove (n=17; 13 мужчин и 4 женщины; возраст – 53,0 [49,0;70,0] года; давность инсульта – 10,0 [6,0; 13,0] мес; парез верхней конечности – 33,0 [12,0; 53,0] балла по ФМ-ВК). Пациенты проходили курс комплексной реабилитации, дополненный тренировками представления движения под контролем ИМК (в среднем 9 тренировок).

Результаты. Медиана средних показателей качества управления ИМК, достигнутых пациентами, составила 46,4 [44,2; 60,4] % в группе БИКС и 40,0 [35,7; 45,1] % в группе ЭЭГ (p=0,004). Для группы БИКС-ИМК медиана максимально достигнутой точности управления ИМК составила 66,2 [56,4; 73,7] %, для ЭЭГ-ИМК – 50,6 [43,0; 62,3] % (p=0,006). Доля пациентов, достигших клинически значимого улучшения по шкале ARAT, и доля пациентов, достигших клинически значимого улучшения по ФМ-ВК, были сопоставимы в обеих группах. Для группы БИКС-ИМК наблюдалось большее, по сравнению с группой ЭЭГ-ИМК, улучшение двигательной функции по шкале Action Research Arm Test (ARAT; увеличение на 5,0 [4,0; 8,0] балла по сравнению с увеличением на 1,0 [0,0; 3,0] балла; p=0,008), но не по шкале ФМ-ВК (увеличение на 5,0 [1,0; 10,0] и 4,0 [2,0; 5,0] балла соответственно; p=0,455).

Заключение. БИКС-ИМК имеет преимущество в точности управления и удобстве применения в клинической практике. Достижение более высокой точности управления ИМК предоставляет дополнительные возможности для применения игровых сценариев обратной связи с целью увеличения мотивации пациентов.

1. Мокиенко ОА, Люкманов РХ, Бобров ПД и др. Интерфейсы мозг–компьютер для восстановления движений руки после инсульта: текущий статус и перспективы разработок (обзор). Современные технологии в медицине. 2023;15(6):63-74. doi: 10.17691/stm2023.15.6.07

2. Федотова ИР, Бобров ПД. Предпосылки и особенности использования воображения движения и интерфейса мозг-компьютер в реабилитации при детском церебральном параличе. Журнал высшей нервной деятельности им. И.П. Павлова. 2022;72(1):87-99. doi: 10.31857/S004446772201004X

3. Carvalho R, Dias N, Cerqueira JJ. Brainmachine interface of upper limb recovery in stroke patients rehabilitation: A systematic review. Physiother Res Int. 2019 Apr;24(2):e1764. doi: 10.1002/pri.1764. Epub 2019 Jan 4.

4. Baniqued PDE, Stanyer EC, Awais M, et al. Brain-computer interface robotics for hand rehabilitation after stroke: a systematic review. J Neuroeng Rehabil. 2021 Jan 23;18(1):15. doi: 10.1186/s12984-021-00820-8

5. Fu J, Chen S, Jia J. Sensorimotor RhythmBased Brain-Computer Interfaces for Motor Tasks Used in Hand Upper Extremity Rehabilitation after Stroke: A Systematic Review. Brain Sci. 2022 Dec 28;13(1):56. doi: 10.3390/brainsci13010056

6. Bai Z, Fong KNK, Zhang JJ, et al. Immediate and long-term effects of BCI-based rehabilitation of the upper extremity after stroke: a systematic review and meta-analysis. J Neuroeng Rehabil. 2020 Apr 25;17(1):57. doi: 10.1186/s12984-020-00686-2

7. Kruse A, Suica Z, Taeymans J, Schuster-Amft C. Effect of brain-computer interface training based on non-invasive electroencephalography using motor imagery on functional recovery after stroke – a systematic review and meta-analysis. BMC Neurol. 2020 Oct 22;20(1):385. doi: 10.1186/s12883-020-01960-5

8. Yang W, Zhang X, Li Z, et al. The Effect of Brain-Computer Interface Training on Rehabilitation of Upper Limb Dysfunction After Stroke: A Meta-Analysis of Randomized Controlled Trials. Front Neurosci. 2022 Feb 7;15:766879. doi: 10.3389/fnins.2021.766879

9. Mansour S, Ang KK, Nair KPS, et al. Efficacy of Brain-Computer Interface and the Impact of Its Design Characteristics on Poststroke Upper-limb Rehabilitation: A Systematic Review and Meta-analysis of Randomized Controlled Trials. Clin EEG Neurosci. 2022 Jan;53(1):79-90. doi: 10.1177/15500594211009065. Epub 2021 Apr 29.

10. Peng Y, Wang J, Liu Z, et al. The Application of Brain-Computer Interface in Upper Limb Dysfunction After Stroke: A Systematic Review and Meta-Analysis of Randomized Controlled Trials. Front Hum Neurosci. 2022 Mar 29;16:798883. doi: 10.3389/fnhum.2022.798883

11. Nojima I, Sugata H, Takeuchi H, Mima T. Brain-Computer Interface Training Based on Brain Activity Can Induce Motor Recovery in Patients With Stroke: A Meta-Analysis. Neurorehabil Neural Repair. 2022 Feb;36(2):8396. doi: 10.1177/15459683211062895. Epub 2021 Dec 27.

12. Xie YL, Yang YX, Jiang H, et al. Brain-machine interface-based training for improving upper extremity function after stroke: A meta-analysis of randomized controlled trials. Front Neurosci. 2022 Aug 3;16:949575. doi: 10.3389/fnins.2022.949575

13. Shou YZ, Wang XH, Yang GF. Verum versus Sham brain-computer interface on upper limb function recovery after stroke: A systematic review and meta-analysis of randomized controlled trials. Medicine (Baltimore). 2023 Jun 30;102(26):e34148. doi: 10.1097/MD.0000000000034148

14. Борисова ВА, Исакова ЕВ, Котов СВ. Возможности интерфейса «мозг— компьютер» в коррекции постинсультных когнитивных нарушений. Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2022;122(12-2):60-6. doi: 10.17116/jnevro202212212260

15. Котов СВ, Слюнькова ЕВ, Борисова ВА, Исакова ЕВ. Эффективность применения интерфейсов «мозг—компьютер» и когнитивных тренингов с использованием компьютерных технологий в восстановлении когнитивных функций у пациентов после инсульта. Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2022;122(12-2):67-75. doi: 10.17116/jnevro202212212267

16. Soekadar SR, Kohl SH, Mihara M, von Lühmann A. Optical brain imaging and its application to neurofeedback. Neuroimage Clin. 2021;30:102577. doi: 10.1016/j.nicl.2021.102577. Epub 2021 Jan 26.

17. Huo C, Xu G, Xie H, et al. Functional near-infrared spectroscopy in non-invasive neuromodulation. Neural Regen Res. 2024 Jul 1;19(7):1517-22. doi: 10.4103/16735374.387970. Epub 2023 Nov 8.

18. Mihara M, Hattori N, Hatakenaka M, et al. Near-infrared spectroscopy-mediated neurofeedback enhances efficacy of motor imagery-based training in poststroke victims: a pilot study. Stroke. 2013 Apr;44(4):1091-8. doi: 10.1161/STROKEAHA.111.674507. Epub 2013 Feb 12.

19. Люкманов РХ, Исаев МР, Мокиенко ОА и др. Интерфейс мозг–компьютер, основанный на спектроскопии в ближней инфракрасной области, в двигательной реабилитации после инсульта: описание серии случаев. Анналы клинической и экспериментальной неврологии. 2023;17(4):82-8. doi: 10.54101/ACEN.2023.4.10

20. Lee Friesen C, Lawrence M, Ingram TGJ, Boe SG. Home-based portable fNIRS-derived cortical laterality correlates with impairment and function in chronic stroke. Front Hum Neurosci. 2022 Dec 9;16:1023246. doi: 10.3389/fnhum.2022.1023246

21. Isaev MR, Mokienko OA, Lyukmanov RK, et al. A Multiple Session Dataset of NIRS Recordings From Stroke Patients Controlling Brain-Computer Interface. medRxiv. 2024. doi: 10.1101/2024.03.27.24304842

22. Frolov AA, Mokienko O, Lyukmanov R, et al. Post-stroke Rehabilitation Training with a Motor-Imagery-Based Brain-Computer Interface (BCI)-Controlled Hand Exoskeleton: A Randomized Controlled Multicenter Trial. Front Neurosci. 2017 Jul 20;11:400. doi: 10.3389/fnins.2017.00400

23. Isaev MR, Bobrov PD. Effects of Selection of the Learning Set Formation Strategy and Filtration Method on the Effectiveness of a BCI Based on Near Infrared Spectrometry. Neurosci Behav Physiol. 2023;53(3):373-80. doi: 10.1007/s11055-023-01436-2

24. Мокиенко ОА, Супонева НА. Диагностика с использованием двигательных шкал. В кн.: Инсульт у взрослых: центральный парез верхней конечности. Клинические рекомендации. Москва: МЕДпресс-Информ; 2018. С. 64.

25. Mattke S, Cramer SC, Wang M, et al. Estimating minimal clinically important differences for two scales in patients with chronic traumatic brain injury. Curr Med Res Opin. 2020 Dec;36(12):1999-2007. doi: 10.1080/03007995.2020.1841616. Epub 2020 Nov 9.

26. Arya KN, Verma R, Garg RK. Estimating the minimal clinically important difference of an upper extremity recovery measure in subacute stroke patients. Top Stroke Rehabil. 2011 Oct;18 Suppl 1:599-610. doi: 10.1310/tsr18s01-599

27. Page SJ, Fulk GD, Boyne P. Clinically important differences for the upper-extremity Fugl-Meyer Scale in people with minimal to moderate impairment due to chronic stroke. Phys Ther. 2012 Jun;92(6):791-8. doi: 10.2522/ptj.20110009. Epub 2012 Jan 26.

28. Takeda K, Gomi Y, Kato H. Near-infrared spectroscopy and motor lateralization after stroke: a case series study. Int J Phys Med Rehabil. 2014;2(3):192-7. doi: 10.4172/23299096.1000192