源级休息状态EEG连接性揭示了频率特定的神经重组,并预测了个人中风后的运动恢复

科学领域:

• 神经科学是一个神经科学.
• 康复医学 康复医学 康复医学
• 生物医学工程 生物医学工程

背景情况:

• 脑卒中经常导致由于皮质连接受损的运动障碍,这给神经康复带来了重大挑战.
• 了解大脑网络重组对于优化中风后的运动恢复策略至关重要.

研究的目的:

• 在中风幸存者的10周步行康复计划后评估大脑网络重组.
• 调查网络变化与运动恢复之间的关系.
• 评估外骨架辅助康复 (ER) 与标准护理 (SOC) 的有效性.

主要方法:

• 休息状态脑电图 (EEG) 记录了22名中风幸存者和22名健康对照患者的干预前后.
• 使用部分定向一致性 (PDC) 估计的定向功能连接性,其次是图形理论和横向性指数 (LI) 分析.
• 机器学习分类应用于频率特定的EEG特征,用于组区分.

主要成果:

• 与对照人群相比,中风患者在运动和前运动区域的基线连接性发生变化.
• 干预后,在与运动相关的区域观察到连接性增加,与Fugl-Meyer得分的改善相关 (r=0.64,p=0.001).
• 机器学习模型在使用α和gamma频段EEG特征的区分组中实现了高精度 (93.18%).

结论:

• 源级EEG连接性和频率特定特征作为神经可塑性的敏感生物标志物.
• 康复计划增强了运动网络的整合和半球平衡,与临床收益相关.
• 基于EEG的机器学习为精确的神经康复评估提供了可扩展的解决方案.