Главная Каталог статей Медицинские науки Медицинское оборудование и приборы

Обзор современных технологий интерфейса мозг — компьютер в задачах реабилитации двигательных нарушений

Авторы: Чехвалов Р.Д., Константинова З.А., Макеева Д.С.
Опубликовано в выпуске: #6(71)/2022
DOI: 10.18698/2541-8009-2022-6-806
Раздел: Медицинские науки \| Рубрика: Медицинское оборудование и приборы
Ключевые слова: электроэнцефалография, интерфейс мозг — компьютер, инсульт, реабилитация, двигательные навыки, воображение движения, парадигма P300, экзоскелет
Опубликовано: 17.08.2022

В настоящее время активно разрабатываются аппаратные методы двигательной реабилитации, в частности реабилитации после инсульта, однако их применение ограничено степенью тяжестью двигательного нарушения. Одним из вариантов реабилитации является применение интерфейса мозг — компьютер. В работе выполнен обзор применения указанной технологии в задачах реабилитации постинсультных пациентов с парезами. Для этого был осуществлен поиск работ в базе данных PubMed. На основе обзора публикации подразделены по группам, количественно оценены параметры точности и скорости передачи данных. Полученные результаты свидетельствуют об успешном применении в клинических задачах интерфейса мозг — компьютер на основе парадигмы воображения движения при восстановлении двигательных навыков. Также имеются тенденции к развитию парадигмы P300 для задач двигательной реабилитации, несмотря на малый объем экспериментальных данных в рассмотренных публикациях.

Литература

[1] Пирадов М.А., Максимова М.Ю., Танашян М.М. Инсульт. М., Пошаговая инструкция. ГЭОТАР-Медиа, 2019.

[2] Мокиенко О.А., Супонева Н.А., ред. Инсульт у взрослых: центральный парез верхней конечности. Клинические рекомендации. М., МЕДпресс-Информ, 2018.

[3] Allison B.Z., Kübler A., Jin J. 30+ years of P300 brain–computer interfaces. Psychophysiology, 2020, vol. 57, no. 7, art. e13569. DOI: https://doi.org/10.1111/psyp.13569

[4] Casey A., Azhar H., Grzes M. et al. BCI controlled robotic arm as assistance to the rehabilitation of neurologically disabled patients. Disabil. Rehabil. Assist. Technol., 2021, vol. 16, no. 5, pp. 525–537. DOI: https://doi.org/10.1080/17483107.2019.1683239

[5] Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. Таганрог, Изд-во ТРТУ, 1997.

[6] Barria P., Pino A, Tovar N. et al. BCI-based control for ankle exoskeleton T-FLEX: comparison of visual and haptic stimuli with stroke survivors. Sensors, 2021, vol. 21, no. 19, art. 6431. DOI: https://doi.org/10.3390%2Fs21196431

[7] Prasad G., Herman P., Coyle D. et al. Applying a brain-computer interface to support motor imagery practice in people with stroke for upper limb recovery: a feasibility study. J. Neuroeng. Rehabil., 2010, vol. 7, no. 1, art. 60. DOI: https://doi.org/10.1186/1743-0003-7-60

[8] Jochumsen M., Janjua T.A.M., Arceo J.C. et al. Induction of neural plasticity using a low-cost open source brain-computer interface and a 3D-printed wrist exoskeleton. Sensors, 2021, vol. 21, no. 2, art. 572. DOI: https://doi.org/10.3390/s21020572

[9] Sun R., Wong W.W., Wang J. et al. Changes in electroencephalography complexity using a brain computer interface-motor observation training in chronic stroke patients: a fuzzy approximate entropy analysis. Front. Hum. Neurosci., 2017, vol. 11, art. 444. DOI: https://doi.org/10.3389/fnhum.2017.00444

[10] Li C., Jia T., Xu Q. et al. Brain-computer interface channel-selection strategy based on analysis of event-related Desynchronization topography in stroke patients. J. Healthc. Eng., 2019, vol. 2019, art. 3817124. DOI: https://doi.org/10.1155/2019/3817124

[11] Niazi I.K., Navid M.S., Rashid U. et al. Associative cued asynchronous BCI induces cortical plasticity in stroke patients. Ann. Clin. Transl. Neurol., 2022, vol. 9, no. 5, pp. 722–733. DOI: https://doi.org/10.1002/acn3.51551

[12] Scherer R., Faller J., Friedrich E.V.C. et al. Individually adapted imagery improves brain-computer interface performance in end-users with disability. PloS One, 2015, vol. 10, no. 5, art. e0123727. DOI: https://doi.org/10.1371/journal.pone.0123727

[13] Faller J., Scherer R., Friedrich E.V.C. et al. Non-motor tasks improve adaptive brain-computer interface performance in users with severe motor impairment. Front. Neurosci., 2014, vol. 8, art. 320. DOI: https://doi.org/10.3389/fnins.2014.00320

[14] Carino-Escobar R.I., Carrillo-Mora P., Valdés-Cristerna R. et al. Longitudinal analysis of stroke patients’ brain rhythms during an intervention with a brain-computer interface. Neural Plast., 2019, vol. 2019, art. 7084618. DOI: https://doi.org/10.1155/2019/7084618

[15] Ono T., Shindo K., Kawashima K. et al. Brain-computer interface with somatosensory feedback improves functional recovery from severe hemiplegia due to chronic stroke. Front. Neuroeng., 2014, vol. 7, art. 19. DOI: https://doi.org/10.3389/fneng.2014.00019

[16] Zulauf-Czaja A., Al-Taleb M.K.H., Purcell M. et al. On the way home: a BCI-FES hand therapy self-managed by sub-acute SCI participants and their caregivers: a usability study. J. Neuroeng. Rehabil., 2021, vol. 18, no. 1, art 44. DOI: https://doi.org/10.1186/s12984-021-00838-y

[17] Do A.H., Wang P.T., King C.E. et al. Brain-computer interface controlled functional electrical stimulation system for ankle movement. J. Neuroeng. Rehabil., 2011, vol. 8, no. 1, art. 49. DOI: https://doi.org/10.1186/1743-0003-8-49

[18] Irimia D.C., Ortner R., Poboroniuc M.S. et al. High classification accuracy of a motor imagery based brain-computer interface for stroke rehabilitation training. Front. Robot. AI, 2018, vol. 29, art. 130. DOI: https://doi.org/10.3389/frobt.2018.00130

[19] Arvaneh M., Guan C., Ang K.K. et al. Facilitating motor imagery-based brain–computer interface for stroke patients using passive movement. Neural Comput. Appl., 2017, vol. 28, no. 11, pp. 3259–3272. DOI: https://doi.org/10.1007%2Fs00521-016-2234-7

[20] Tang J., Liu Y., H D. et al. Towards BCI-actuated smart wheelchair system. Biomed. Eng. Online., 2018, vol. 17, no. 1, art. 111. DOI: https://doi.org/10.1186/s12938-018-0545-x

[21] Halder S., Hammer E.M., Kleih S.C. et al. Prediction of auditory and visual p300 brain-computer interface aptitude. PloS One, 2013, vol. 8, no. 2, art. e53513. DOI: https://doi.org/10.1371/journal.pone.0053513

[22] Nicolas-Alonso L.F., Gomez-Gil J. Brain computer interfaces, a review. Sensors, 2012, vol. 12, no. 2, pp. 1211–1279. DOI: https://doi.org/10.3390/s120201211

[23] Delijorge J., Mendoza-Montoya O., Gordillo J.L. et al. Evaluation of a p300-based brain-machine interface for a robotic hand-orthosis control. Front. Neurosci., 2020, vol. 14, art. 589659. DOI: https://doi.org/10.3389/fnins.2020.589659