Annals of Clinical and Experimental NeurologyAnnals of Clinical and Experimental NeurologyАнналы клинической и экспериментальной неврологии2075-54732409-2533Eco-Vector95310.54101/ACEN.2023.4.10TechnologiesТехнологииResearch ArticleBrain–Computer Interface Using Functional Near-Infrared Spectroscopy for Post-Stroke Motor Rehabilitation: Case SeriesИнтерфейс мозг–компьютер, основанный на спектроскопии в ближней инфракрасной области, в двигательной реабилитации после инсульта: описание серии случаевhttps://orcid.org/0000-0002-8671-5861LyukmanovRoman Kh.ЛюкмановРоман Харисович
Russian Federation

Cand. Sci. (Med.), Researcher, Head, Brain–Computer Interface Group, Institute of Neurorehabilitation

к.м.н., н.с., руководитель группы нейроинтерфейсов Института нейрореабилитации и восстановительных технологий

xarisovich@gmail.comhttps://orcid.org/0000-0002-3907-5056IsaevMikhail R.ИсаевМихаил Романович
Russian Federation

Junior Researcher, Laboratory of Mathematical Neurobiology of Learning Department

м.н.с. лаб. математической нейробиологии обучения

shycmympuk@yandex.ruhttps://orcid.org/0000-0002-7826-5135MokienkoOlesya A.МокиенкоОлеся Александровна
Russian Federation

Cand. Sci. (Med.), Researcher, Brain–Computer Interface Group, Institute of Neurorehabilitation, Research Center of Neurology; Senior Researcher, Institute of Higher Nervous Activity and Neurophysiology of the Russian Academy of Sciences

к.м.н., н.с. группы нейроинтерфейсов Института нейрореабилитации и восстановительных технологий ФГБНУ «Научный центр неврологии»; с.н.с. ФГБУН «Институт высшей нервной деятельности и нейрофизиологии РАН»

lesya.md@yandex.ruhttps://orcid.org/0000-0003-2566-1043BobrovPavel D.БобровПавел Дмитриевич
Russian Federation

Cand. Sci. (Biol.), Head, Laboratory of Mathematical Neurobiology of Learning Department

к.б.н., зав. лаб. математической нейробиологии обучения

bobrov_pd@mail.ruhttps://orcid.org/0000-0001-6836-4386IkonnikovaEkaterina S.ИконниковаЕкатерина Сергеевна
Russian Federation

Junior Researcher, Brain–Computer Interface Group, Institute of Neurorehabilitation

м.н.с. группы нейроинтерфейсов Института нейрореабилитации и восстановительных технологий

xarisovich@gmail.comhttps://orcid.org/0000-0002-7019-474XCherkasovaAnastasiia N.ЧеркасоваАнастасия Николаевна
Russian Federation

Junior Researcher, Brain–Computer Interface Group, Institute of Neurorehabilitation

м.н.с. группы нейроинтерфейсов Института нейрореабилитации и восстановительных технологий

lesya.md@yandex.ruhttps://orcid.org/0000-0003-3956-6362SuponevaNatalia A.СупоневаНаталья Александровна
Russian Federation

D. Sci. (Med.), Corresponding Member of the Russian Academy of Sciences, Director, Institute of Neurorehabilitation

д.м.н., член-корреспондент РАН, директор, Институт нейрореабилитации и восстановительных технологий

xarisovich@gmail.comResearch Center of NeurologyФГБНУ «Научный центр неврологии»Institute of Higher Nervous Activity and Neurophysiology of the Russian Academy of SciencesФГБУН «Институт высшей нервной деятельности и нейрофизиологии РАН»2512202317482880303202320032023Copyright ©; 2023, Lyukmanov R.K., Isaev M.R., Mokienko O.A., Bobrov P.D., Ikonnikova E.S., Cherkasova A.N., Suponeva N.A.Copyright ©; 2023, Люкманов Р.Х., Исаев М.Р., Мокиенко О.А., Бобров П.Д., Иконникова Е.С., Черкасова А.Н., Супонева Н.А.2023Lyukmanov R.K., Isaev M.R., Mokienko O.A., Bobrov P.D., Ikonnikova E.S., Cherkasova A.N., Suponeva N.A.Люкманов Р.Х., Исаев М.Р., Мокиенко О.А., Бобров П.Д., Иконникова Е.С., Черкасова А.Н., Супонева Н.А.https://creativecommons.org/licenses/by/4.0https://annaly-nevrologii.com/pathID/article/view/953

Introduction. Non-invasive brain–computer interfaces (BCIs) enable feedback motor imagery [MI] training in neurological patients to support their motor rehabilitation. Nowadays, the use of BCIs based on functional near-infrared spectroscopy (fNIRS) for motor rehabilitation is yet to be investigated.

Objective: To evaluate the potential fNIRS BCI use in hand MI training for comprehensive post-stroke rehabilitation.

Materials and methods. This pilot study included clinically stable patients with mild-to-moderate post-stroke hand paresis. In addition to the standard rehabilitation, the patients underwent 10 nine-minute MI fNIRS BCI training sessions. To evaluate the quality of fNIRS BCI control, we assessed the percentage of time during which the classifier accurately detected patient's mental state. We scored the hand function using the Action Research Arm Test (ARAT) and the Fugl-Meyer Assessment (FMA).

Results. The study included 5 patients at 1 day to 12 months of stroke. All the participants completed the study. All study participants achieved BCI control rates higher than random (41–68%). While three patients demonstrated the clinically significant improvements in their ARAT scores, one of them also showed an improvement in the FMA score. All the participants reported experiencing drowsiness during training.

Conclusions. Post-stroke patients can operate the fNIRS BCI system under investigation. We suggest adjusting the feedback system, extending the duration of training, and incorporating functional electromyostimulation to enhance training effectiveness.

Введение. Неинвазивные нейрокомпьютерные интерфейсы позволяют проводить тренировки представления движения с предъявлением обратной связи в двигательной реабилитации пациентов неврологического профиля. В настоящий момент практически не изучено применение интерфейса мозг–компьютер (ИМК) на основе регистрации спектроскопии в ближней инфракрасной области (БИКС) в двигательной реабилитации.

Цель исследования — оценить возможность применения БИКС-ИМК для проведения тренировок представления движения руки в комплексной реабилитации пациентов после инсульта.

Материалы и методы. В данное пилотное исследование включали клинически стабильных пациентов с постинсультным парезом руки лёгкой или средней степени выраженности. Пациенты получали 10 тренировок представления движения под контролем БИКС-ИМК, каждая длительностью по 9 мин, в дополнение к стандартной реабилитационной программе. В качестве показателя качества управления БИКС-ИМК оценивали достигнутый процент времени правильного распознавания классификатором ментального состояния пациента. Функцию руки определяли по шкалам ARAT и Фугл-Мейера.

Результаты. В исследование были включены и завершили его 5 пациентов с давностью инсульта от 1 дня до 12 мес. Все пациенты достигли качества управления БИКС-ИМК выше случайного (41–68%). Клинически значимое улучшение двигательной функции руки достигнуто у 3 пациентов по тесту ARAT, у одного из них — также по шкале Фугл-Мейера. В процессе тренировок все пациенты отмечали сонливость.

Заключение. Пациенты после инсульта способны управлять исследованной системой БИКС-ИМК. Для увеличения эффективности тренировок рекомендовано изменить сценарий предъявления обратной связи, увеличить продолжительность тренировок, включить в аппаратный комплекс функциональную электромиостимуляцию.

strokerehabilitationmotor imagerybrain–computer interfacenear-infrared spectroscopyneuro-bio-controlинсультреабилитацияпредставление движенияинтерфейс мозг–компьютерспектроскопия в ближней инфракрасной областинейробиоуправлениеФГБНУ Научный центр неврологииResearch Center of NeurologyФГБУН Институт Высшей Нервной Деятельности и Нейрофизиологии РАНInstitute of Higher Nervous Activity and Neurophysiology of RASMonge-Pereira E., Ibañez-Pereda J., Alguacil-Diego I.M. et al. Use of electroencephalography brain-computer interface systems as a rehabilitative approach for upper limb function after a stroke: a systematic review. PM. R. 2017;9(9):918–932. DOI: 10.1016/j.pmrj.2017.04.016Baniqued P.D.E., Stanyer E.C., Awais M. et al. Brain-computer interface robotics for hand rehabilitation after stroke: a systematic review. J. Neuroeng Rehabil. 2021;18 (1):15. DOI: 10.1186/s12984-021-00820-8Fu J., Chen S., Jia J. Sensorimotor rhythm-based brain-computer interfaces for motor tasks used in hand upper extremity rehabilitation after stroke: a systematic review. Brain Sci. 2022;13(1):56. DOI: 10.3390/brainsci13010056Carvalho R., Dias N., Cerqueira J.J. Brain-machine interface of upper limb recovery in stroke patients rehabilitation: a systematic review. Physiother. Res. Int. 2019;24(2):e1764. DOI: 10.1002/pri.1764Frolov A.A., 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;11:400. DOI: 10.3389/fnins.2017.00400Люкманов Р.Х., Азиатская Г.А., Мокиенко О.А. и др. Интерфейс мозг–компьютер в постинсультной реабилитации: клинико-нейропсихологическое исследование. Журнал неврологии и психиатрии им. С.С. Корсакова. 2018;118(8):43–51. Lyukmanov R.Kh., Aziatskaya GA, Mokienko O.A. et al. Post-stroke rehabilitation training with a brain-computer interface: a clinical and neuropsychological study. Zhurnal Nevrologii i Psikhiatrii imeni S.S. Korsakova. 2018;118(8):43–51. (In Russ.). DOI: 10.17116/jnevro201811808143Soekadar S.R., Kohl S.H., Mihara M., von Lühmann A. Optical brain imaging and its application to neurofeedback. Neuroimage Clin. 2021;30:102577. doi: 10.1016/j.nicl.2021.102577Mihara 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;44(4):1091–1098. doi: 10.1161/STROKEAHA.111.674507Исаев М.Р., Бобров П.Д. Влияние выбора стратегии формирования обучающего множества и способа фильтрации на эффективность ИМК, основанного на спектрометрии в ближнем инфракрасном диапазоне. Журнал высшей нервной деятельности им. И.П. Павлова. 2022;72(5):728–738. Isaev M.R., Bob-rov P.D. Effect of session to session learning and filtration method on the performance of BCI based on near infrared spectroscopy. Žurnal vysšej nervnoj deâtelʹnosti im. I.P. Pavlova. 2022;72(5):728–738. (In Russ.) doi: 10.31857/S0044467722050070Мокиенко О.А., Супонева Н.А. (ред.) Инсульт у взрослых: центральный парез верхней конечности. Клинические рекомендации. М.;2018:64. Mokienko O.A., Suponeva N.A. (eds.) Stroke in adults: central paresis of the upper limb. Clinical guidelines. Moscow; 2018:64. (In Russ.)Carroll D. A quantitative test of upper extremity function. J. Chronic Dis. 1965;18: 479–491. DOI: 10.1016/0021-9681(65)90030-5Fugl-Meyer A.R., Jääskö L., Leyman I. et al. The post-stroke hemiplegic patient. 1. A method for evaluation of physical performance. Scand. J. Rehabil. Med. 1975;7(1):13–31.Xie Y.L., Yang Y.X., Jiang H. et al. Brain-machine interface-based training for improving upper extremity function after stroke: а meta-analysis of randomized controlled trials. Front. Neurosci. 2022;16:949575. DOI: 10.3389/fnins.2022.949575Simon C., Bolton D.A.E., Kennedy N.C. et al. Challenges and opportunities for the future of brain–computer interface in neurorehabilitation. Front. Neurosci. 2021;15:699428. DOI: 10.3389/fnins.2021.699428