Оценка эффективности управления мозг-компьютерным интерфейсом при обучении воображению движений верхних и нижних конечностей
- Авторы: Боброва Е.В.1, Решетникова В.В.1, Вершинина Е.А.1, Гришин А.А.1, Исаев М.Р.2,3, Бобров П.Д.2,3, Герасименко Ю.П.1
-
Учреждения:
- ФГБУН Институт физиологии РАН им. И.П. Павлова
- ФГБУН Институт высшей нервной деятельности и нейрофизиологии РАН
- Институт трансляционной медицины ГБОУ ВПО Российского национального исследовательского медицинского университета им. Н.И. Пирогова
- Выпуск: Том 73, № 1 (2023)
- Страницы: 52-61
- Раздел: ФИЗИОЛОГИЯ ВЫСШЕЙ НЕРВНОЙ (КОГНИТИВНОЙ) ДЕЯТЕЛЬНОСТИ ЧЕЛОВЕКА
- URL: https://edgccjournal.org/0044-4677/article/view/652051
- DOI: https://doi.org/10.31857/S0044467723010069
- EDN: https://elibrary.ru/GJESWY
- ID: 652051
Цитировать
Аннотация
Эффективность управления мозг-компьютерным интерфейсом (ИМК) и успешность воображения движений верхних и нижних конечностей оценивали по точности распознавания ЭЭГ-сигналов мозга (точность классификации) при воображении движений кистей, стоп и локомоции в процессе 10-дневного обучения 10 волонтеров. В среднем по испытуемым в первый день обучения точность классификации выше при воображении локомоции, чем движений стоп, во второй день – кистей, чем локомоции, в пятый день – стоп, чем кистей. В среднем по группе выявлено значимое увеличение точности классификации к 3-му дню обучения воображению движению кистей и стоп, затем в ходе обучения точность классификации уменьшается и вновь растет. При обучении воображению локомоции точность классификации значимо не меняется. Оценка динамики индивидуальных изменений точности классификации по линейным трендам показала, что у троих участников обучение приводило к увеличению точности классификации (движений кистей и локомоции – у одного, стоп – у двоих); у троих – к уменьшению (движений кистей и локомоции – у одного, у второго – локомоции, стоп – у третьего). У четырех участников, как и в среднем по выборке, значимых изменений не было. Результаты обсуждаются в аспекте изменений активности структур мозга при обучении и в зависимости от типа воображаемых движений.
Об авторах
Е. В. Боброва
ФГБУН Институт физиологии РАН им. И.П. Павлова
Автор, ответственный за переписку.
Email: eabobrovy@gmail.com
Россия, Санкт-Петербург
В. В. Решетникова
ФГБУН Институт физиологии РАН им. И.П. Павлова
Email: eabobrovy@gmail.com
Россия, Санкт-Петербург
Е. А. Вершинина
ФГБУН Институт физиологии РАН им. И.П. Павлова
Email: eabobrovy@gmail.com
Россия, Санкт-Петербург
А. А. Гришин
ФГБУН Институт физиологии РАН им. И.П. Павлова
Email: eabobrovy@gmail.com
Россия, Санкт-Петербург
М. Р. Исаев
ФГБУН Институт высшей нервной деятельности и нейрофизиологии РАН; Институт трансляционной медицины ГБОУ ВПО Российского национального исследовательскогомедицинского университета им. Н.И. Пирогова
Email: eabobrovy@gmail.com
Россия, Москва; Россия, Москва
П. Д. Бобров
ФГБУН Институт высшей нервной деятельности и нейрофизиологии РАН; Институт трансляционной медицины ГБОУ ВПО Российского национального исследовательскогомедицинского университета им. Н.И. Пирогова
Email: eabobrovy@gmail.com
Россия, Москва; Россия, Москва
Ю. П. Герасименко
ФГБУН Институт физиологии РАН им. И.П. Павлова
Email: eabobrovy@gmail.com
Россия, Санкт-Петербург
Список литературы
- Бернштейн Н.А. О ловкости и ее развитии. М.: Медицина, 1996. 229 с.
- Бобров П., Коршаков А., Рощин В., Фролов А. Байесовский подход к реализации интерфейса мозг-компьютер, основанного на представлении движений. Журнал высш. нервн. деят. им. И.П. Павлова. 2012. 62 (1): 89–89.
- Боброва Е.В., Решетникова В.В., Фролов А.А., Герасименко Ю.П. Воображение движений нижних конечностей для управления системами “интерфейс мозг–компьютер”. Журнал высш. нервн. деят. им. И.П. Павлова. 2019. 69(5): 529–540.
- Боброва Е.В., Решетникова В.В., Вершинина Е.А., Гришин А.А., Фролов А.А., Герасименко Ю.П. Межполушарная асимметрия и личностные характеристики пользователя мозг-компьютерного интерфейса при воображении движений рук. ДАН. 2020. 495 (1): 558–561.
- Решетникова В.В., Боброва Е.В., Вершинина Е.А., Гришин А.А., Фролов А.А., Герасименко Ю.П. Зависимость успешности воображения движений правой и левой руки от личностных характеристик пользователей. Журнал высш. нервн. деят. им. И.П. Павлова. 2021. 71 (6): 830–839.
- Столбков Ю.К., Герасименко Ю.П. Когнитивная двигательная реабилитация: воображение и наблюдение моторных действий. Физиология человека. 2021. 47 (1): 123–132.
- Столбков Ю.К., Мошонкина Т.Р., Орлов И.В., Козловская И.Б., Герасименко Ю.П. Воображаемые движения как средство совершенствования и реабилитации моторных функций. Успехи физиологических наук. 2018. 49 (2): 45–59.
- Batula A.M., Mark J.A., Kim Y.E., Ayaz H. Comparison of Brain Activation during Motor Imagery and Motor Movement Using fNIRS. Comput Intell Neurosci. 2017. 2017: 5491296.
- Bobrov P.D., Biryukova E.V., Polyaev B.A., Lajsheva O.A., Usachjova E.L., Sokolova A.V., Mikhailova D.I., Dement’eva K.N., Fedotova I.R. Rehabilitation of patients with cerebral palsy using hand exoskeleton controlled by brain-computer interface. Bulletin of RSMU. 2020. 4: 33–40.
- Bobrova E.V., Reshetnikova V.V., Vershinina E.A., Grishin A.A., Bobrov P.D., Frolov A.A., Gerasimenko Y.P. Success of Hand Movement Imagination Depends on Personality Traits, Brain Asymmetry, and Degree of Handedness. Brain Sciences. 2021. 11: 853.
- Bobrova E.V., Reshetnikova V.V., Vershinina E.A., Grishina A.A., Frolov A.A., Gerasimenko Yu.P. Interhemispheric Asymmetry and Personality Traits of Brain–Computer Interface Users in Hand Movement Imagination. Doklady Biological Sciences. 2020. 495: 265–267.
- Buch E., Weber C., Cohen L.G., Braun C., Dimyan M.A., Ard T., Mellinger J., Caria A., Soekadar S., Fourkas A., Birbaumer N. Think to Move: a Neuromagnetic Brain-Computer Interface (BCI) System for Chronic Stroke. 2008. 39: 910–917.
- Dornhege G., Blankertz B., Curio G., Müller K.-R. Increase information transfer rates in BCI by CSP extension to multi-class. Advances in neural information processing systems. 2003. 4: 733-740.
- Corsi M.-C., Chavez M., Schwartz D., George N., Hugueville L., Kahn A., Dupont S., Bassett D., Fallani F.D.V. Looking for cortical patterns of successful motor imagery-based BCI learning. 8th Graz Brain-Computer Interface Conference 2019.
- Doyon J. Skill learning. The cerebellum and cognition. Ed. Schmahmann J.D. San Diego: Academic Press, 1997. 273–294 pp.
- Doyon J., Ungerleider L.G. Functional anatomy of motor skill learning. Neuropsychology of Memory. Eds. Squire L.R., Schacter D.L. Guilford: New York, 2002. 225–238 pp.
- Floyer-Lea A., Matthews P. Changing brain networks for visuomotor control with increased movement automaticity. J. Neuro- physiol. 2004. 92: 2405–2412.
- Frolov A.A., Mokienko O., Lyukmanov R., Biryukova E., Kotov S., Turbina L., Nadareyshvily G., Bushkova Y. 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.
- Guillot A., Rienzo F.D., Collet C. The Neurofunctional Architecture of Motor Imagery. Advanced Brain Neuroimaging Topics in Health and Disease. Eds. Papageorgiou T.D., Christopoulos G.I., Smirnakis S.M. London: IntechOpen, 2014. Chapter 16.
- Irimia D.C., Ortner R., Poboroniuc M.S., Ignat B.E., Guger C. High Classification Accuracy of a Motor Imagery Based Brain-Computer Interface for Stroke Rehabilitation Training. Front. Robot. AI. 2018. 5: 130.
- Jeunet C., N’Kaoua B., Subramanian S., Hachet M., Lotte F. Predicting Mental Imagery-Based BCI Performance from Personality, Cognitive Profile and Neurophysiological Patterns. PLOS ONE. 2015. 10 (12): e0143962.
- Karni A. The acquisition of perceptual and motor skills: A memory system in the adult human cortex. Cognitive Brain Research. 1996. 5: 39–48.
- Khan M.A., Das R., Iversen H.K., Puthusserypady S. Review on motor imagery based BCI systems for upper limb post-stroke neurorehabilitation: From designing to application. Computers in Biology and Medicine. 2020. 123: 103843.
- Krakauer J., Hadjiosif A., Xu J, Wong A., Haith A. Motor Learning. Compr Physiol. 2019. 9 (2): 613–663.
- 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. 20: 385.
- la Fougère C., Zwergal A., Rominger A., Förster S., Fesl G., Dieterich M., Brandt T., Strupp M., Bartenstein P., Jahn K. Real versus imagined locomotion: a [18F]-FDG PET-fMRI comparison. Neuroimage. 2010. 50 (4):1589-98.
- Lafleur M.F., Jackson P.L., Malouin F., Richards C.L., Evans A.C., Doyon J. Motor Learning Produces Parallel Dynamic Functional Changes during the Execution and Imagination of Sequential Foot Movements. NeuroImage. 2020. 16 (1): 142–157.
- Lotte F., Bougrain L., Cichocki A., Clerc M., Congedo M., Rakotomamonjy A., Yger F. A review of classification algorithms for EEG-based brain–computer interfaces: a 10 year update. Journal of neural engineering. 2018. 15 (3): 1–54.
- Mrachacz-Kersting N., Jiang N., Stevenson A.J.T., Niazi I.K., Kostic V., Pavlovic A., Radovanovic S., Djuric-Jovicic M., Agosta F., Dremstrup K. Efficient neuroplasticity induction in chronic stroke patients by an associative brain-computer interface. Journal of Neurophysiology. 2016. 115 (3): 1410–1421.
- Middleton F.A., Strick P.L. Cerebellar output channels. International Review of Neurobiology. 1997. 41: 61–82.
- Müller-Putz G.R., Pokorny C., Klobassa D.S., Horki P. A single-switch BCI based on passive and imagined movements: toward restoring communication in minimally conscious patients. International Journal of Neural Systems. 2013. 23 (02): 1250037.
- Perdikis S., Tonin L., Saeedi S., Schneider C., Millán Jd.R. The Cybathlon BCI race: Successful longitudinal mutual learning with two tetraplegic users. PLOS Biology. 2018. 16 (5): e2003787.
- Prasad G., Herman P., Coyle D., McDonough S., Crosbie J. Applying a brain-computer interface to support motor imagery practice in people with stroke for upper limb recovery: a feasibility study. J NeuroEngineering Rehabil. 2010. 7: 60.
- Qiu Z., Chen S., Daly I., Jia J., Wang X., Jin J. BCI-Based Strategies on Stroke Rehabilitation with Avatar and FES Feedback. ArXiv. 2018. abs/1805.04986.
- Ritter F.E., Schooler L.J. The learning curve. In International encyclopedia of the social and behavioral sciences. Eds. Kintch W., Smelser N., Baltes P. Amsterdam: Pergamon, 2001. 8602–8605 pp.
- Sanes J.N., Donoghue J.P. Plasticity and primary motor cortex. Annual Review of Neuroscience. 2000. 23: 393–415.
- Stieger J.R., Engel S., Jiang H., Cline C.C., Kreitzer M.J., He B. Mindfulness Improves Brain Computer Interface Performance by Increasing Control over Neural Activity in the Alpha Band. bioRxiv. 2020. 04.13.039081
- Yi W., Qiu S., Qi H., Zhang L., Wan B., Ming D. EEG feature comparison and classification of simple and compound limb motor imagery. J NeuroEngineering Rehabil. 2013. 10: 106.
