TDCS对中风患者脑电图的影响

经颅直流电刺激(TDCS)对中风后患者影响的定量脑电图(QEEG)参数分析

摘要

脑血管意外(CVA)或卒中是一种脑部血流受损的状况,可能由血管阻塞(缺血性中风)或破裂(出血性中风)引起,导致大脑某些区域的细胞死亡。中风可显著损害肢体和肌肉的运动、认知和协调能力。一种可用于卒中后患者康复的非侵入性刺激方法是经颅直流电刺激(TDCS),旨在改善频谱至正常水平。本研究旨在找出能够表征卒中后患者在接受TDCS刺激后脑电信号改善的定量脑电图(QEEG)参数。qEEG参数包括绝对功率、相对功率、Delta Theta Alpha Beta比值功率(DTAB)、Delta Alpha(DA)以及各个频段的脑波百分比。对23名受试者(包括12名卒中后患者和11名作为对照的健康受试者)在施加TDCS前后分别记录5分钟的脑电图信号。结果显示,在卒中后患者和健康受试者中,TDCS施加前后的qEEG参数均存在显著差异。健康受试者的α频率占主导地位,刺激前平均为25.67%,刺激后增加了1.91%。对于卒中后患者,刺激前以delta频段为主,平均百分比为43.03%,刺激后下降了10.44%。这些结果表明,通过经颅直流电刺激,卒中后患者的脑电波模式发生了变化,并趋于接近健康受试者的模式。

关键词: 定量脑电图(qEEG),中风,经颅直流电刺激(TDCS)

引言

脑血管意外(CVA)或中风是指脑部血流受损的情况,可能由血管阻塞(缺血性中风)或血管破裂(出血性中风)引起,导致脑部某些区域的细胞死亡[1]。根据2018年基本健康研究的数据,印度尼西亚中风的患病率较高,每1000人中有10.9%。与2013年的基本健康研究数据(约7%)相比,这一数字正在上升。中风已成为印度尼西亚几乎所有医院的主要死因,占比达14.5%。根据医生诊断,2018年中风患病率最高的是东加里曼丹(14.7%),其次是日惹(14.5%),最低的是巴布亚省(4.1%)[7]。

中风可能导致神经系统异常,例如肢体和肌肉的运动能力下降、认知、视觉和协调功能受损。独立性和活动能力的降低可能影响生活质量[2]。中风是全球范围内导致残疾的主要原因之一。大多数卒中发生在血栓阻塞通向大脑的动脉时。血液供应不足可能导致永久性脑损伤或死亡。

在大多数情况下,根据受损脑区的不同,中风可能影响多种不同的肌群,常常导致患者的日常生活活动和运动功能受到干扰,并可能导致永久性残疾。

解决这一问题可能需要一种康复策略来改善患者的运动功能,以克服其残疾。然而,目前的卒中康复策略仍未显示出有效的结果。因此,为了提高疗效,可将一种名为经颅直流电刺激(TDCS)的非侵入性脑刺激技术加入康复策略[15]中。经颅直流电刺激(TDCS)是一种使用直流电刺激大脑的非侵入性技术。近年来,经颅直流电刺激(TDCS)作为一种有前景的技术出现,可用于调节认知、运动功能、社交技能,改变行为,辅助记忆过程,并提高表现[7]。安泰圭等人于2016年进行了一研究,结果表明,将经颅直流电刺激(TDCS)作为刺激手段应用于中风患者,可改善其生活质量[11]。

一种可用于检测脑电波模式的方法是基于神经反馈(NF)疗法指导下的定量脑电图(qEEG)。脑电图(EEG)是一种通过在特定时间将电极连接至头皮来测量大脑电活动(即脑电波)的设备。脑电图测量的是脑内离子流动所产生的电压变化。脑电图广泛用于诊断癫痫、昏迷、肿瘤、卒中及其他脑部疾病[13]。索菲亚于2018年开展的一项研究中,研究人员采用定量参数对脑电图信号进行视觉读数,以判断脑电图信号异常。所使用的定量参数包括后优势节律(PDR)的频率和振幅、β节律的振幅,以及θ和δ节律的百分比[11]。

另一项研究由辛西娅开展,该研究使用了定量脑电图参数(QEEG)。研究人员分析了血管性认知障碍(VCI)患者在声波治疗前后脑电图信号的变化。研究中使用的参数包括功率、波持续时间和大脑中各个频段的脑波百分比。该研究结果发现,VCI患者在接受治疗前后均出现了功率增加[3]。

芬尼根等人(2012)使用定量脑电图(qEEG)分析缺血性卒中患者的脑电图信号。该研究表明,δ波产生的功率参数高于α波的功率。利用定量脑电图(qEEG)信号参数的分析被认为对急性缺血性卒中患者的异常指数较为敏感[4]。

曼贾等人(2014)分析了提供经颅直流电刺激(TDCS)的效果,并使用定量脑电图(QEEG)参数来观察10名健康受试者的脑电信号活动。所使用的参数是功率参数。该研究还表明,在刺激的第一分钟内θ波活动增加,在刺激期间和刺激后α和β波的功率增加,以及大脑区域出现广泛激活[5]。

根据已开展的多项研究,本研究将分析卒中后患者在经颅直流电刺激(TDCS)治疗前后定量脑电图(qEEG)参数的特征。所采用的定量参数包括DTAB(德尔塔、θ波、阿尔法波、贝塔)和DAR(德尔塔阿尔法比值)各频段(德尔塔、θ波、阿尔法波、贝塔和伽马)的功率参数,即绝对功率、相对功率和比值功率,以及各频段占总功率的百分比参数。

受试者与方法

23名受试者通过自愿参与纳入本研究,其中包括12名年龄在40至80岁之间的卒中后患者和11名年龄在20至45岁之间的健康受试者。所有参与者均提供了书面知情同意书以参加实验。脑电图信号采用EEG Neuroelectrics Starstim 8通道系统进行记录,采样率为500 Hz,在刺激前后分别记录。脑电图信号通过八个电极(F3、F4、C3、Cz、C4、P3、Pz、P4)采集,电极位置遵循国际10‐20系统。在给予刺激前和刺激后各记录五分钟的脑电图信号。

本研究中的所有信号记录均在受试者清醒且放松状态下进行。

使用Sooma TDCS设备对每位受试者进行2毫安的经颅直流电刺激(TDCS),持续10分钟。阳极和阴极电极分别放置在F3和F4点(国际10‐20系统)。该刺激有望改善脑电图信号的质量。

脑电图信号在计算qEEG参数之前经过滤波和手动分段预处理。qEEG参数包括绝对功率、相对功率、德尔塔θ波阿尔法贝塔比率(DTABR)、德尔塔阿尔法比率(DAR),以及德尔塔、θ波、阿尔法波、贝塔和伽马各频段的波百分比参数。中风患者和健康受试者的qEEG参数以不同频率下的平均值和标准差形式呈现。

脑电图信号使用0.5 ‐ 45 Hz的带通滤波器进行滤波,用于去除低于1 Hz的直流信号以及 ± 50赫兹工频干扰噪声。滤波后的下一步是分段处理。初始分段阶段旨在使所有受试者的数据长度一致。该分段通过人工方式进行,采用一分钟时长和5秒时间窗。因此,每一份脑电图信号数据包含12个片段。

示意图0 绝对功率)

加窗信号通过滤波器组进行处理,将脑电图分为多个频带。这些频带分别为德尔塔(0.5‐4 赫兹)、θ波(4‐8 赫兹)、阿尔法波(8‐13 赫兹)、贝塔(13‐30 赫兹)和伽马(30‐45 赫兹)。随后计算功率谱密度(PSD)估计值。所采用的方法是Welch方法,使用MATLAB函数[10],以2秒为窗口长度并重叠50%进行加窗。对于每个频带,选取所计算PSD的最大峰值。然后,继续计算每个频带内的定量参数。

结果

以下结果为卒中后患者在经颅直流电刺激施加前后脑电图信号的定量参数。图1显示,在经颅直流电刺激前的绝对功率中,优势频率出现在delta频段。刺激后,阿尔法波、贝塔和伽马频段的频率增加,而delta频段频率降低。同样,部分卒中后患者的平均相对功率在delta频段获得主导值。而在健康受试者中,主导的脑电图位于α频率频段。该结果与先前开展的研究一致[5]。

图2显示,卒中后患者和健康受试者在刺激后的DTABR(德尔塔 θ波 阿尔法波 贝塔 功率比)与刺激前的DTABR功率比相比有所下降。本研究表明,卒中后患者在给予刺激后有所改善。

表1显示了健康受试者和卒中后患者在经颅直流电刺激前后各频段的差异。在健康受试者刺激前,δ波的平均百分比为15.63 ± 3.44%,而卒中后患者为43.03 ± 5.06%。健康受试者刺激前θ波的平均百分比为25.41 ± 2.19%,而卒中后患者为18.74 ± 2.66%。健康受试者的阿尔法波平均百分比为25.67 ± 3.26%。这高于卒中后患者刺激前的15.92 ± 1.53%。健康受试者的贝塔和伽马波分别为18.53 ± 2.24%和14.76 ± 2.26%,而卒中后患者分别为12.86 ± 1.83%和9.45 ± 2.13%。

健康受试者在刺激后的δ波平均百分比为10.59 ± 3.02%,而卒中后患者为32.60 ± 3.04%。健康受试者的θ波为27.88 ± 4.01%,卒中后患者为22.02 ± 2.27%。结果表明,健康受试者在刺激后的α波高于刺激前,为27.58 ± 4.78%。与健康受试者相同,卒中后患者的α波平均值上升至17.34 ± 1.38%。对于贝塔和伽马波,健康受试者的贝塔波平均值为18.31 ± 2.32%,伽马波为15.65 ± 5.70%;而在卒中后患者中,贝塔波平均值为14.61 ± 1.55%,伽马波为13.44 ± 2.68%。

示意图1 和健康受试者 (b) 在经颅直流电刺激施加前后的 DTAB比值)

表1. 各频段百分比的平均值和标准差

频段 健康受试者 治疗前 TDCS (%) 健康受试者 治疗后 TDCS (%) 中风患者 之前 TDCS (%) 中风患者 之后 TDCS (%)
德尔塔 Mean: 15.63
SD: 3.44
Mean: 10.59
SD: 3.02
Mean: 43.03
SD: 5.06
Mean: 32.60
SD: 3.04
θ波 Mean: 25.41
SD: 2.19
Mean: 27.88
SD: 4.01
Mean: 18.74
SD: 2.66
Mean: 22.02
SD: 2.27
阿尔法波 Mean: 25.67
SD: 3.26
Mean: 27.58
SD: 4.78
Mean: 15.92
SD: 1.53
Mean: 17.34
SD: 1.38
贝塔 Mean: 18.53
SD: 2.24
Mean: 18.31
SD: 2.32
Mean: 12.86
SD: 1.83
Mean: 14.61
SD: 1.55
伽马 Mean: 14.76
SD: 2.26
Mean: 15.65
SD: 5.70
Mean: 9.45
SD: 2.13
Mean: 13.44
SD: 2.68

讨论

根据对健康受试者和卒中后患者在经颅直流电刺激(tDCS)前脑电图信号定量参数的计算,发现其功率参数存在差异。健康受试者的绝对功率定量参数在顶叶(P)通道以α频率占主导地位,但部分受试者在中央(C)通道占优势。该结果与维德迈尔和斯特兰的研究[14]一致。健康受试者的DTAB比值相对卒中后患者较低,这可能是由于健康受试者的频率以阿尔法波为主导所致。与DTAB比值类似,健康受试者的Delta‐Alpha比值也较低。

卒中后患者在刺激前的绝对功率和相对功率参数在低频段占主导地位,即delta频段和θ波频率,这可能是因为脑功能下降,导致意识水平或阿尔法波率降低,同时delta频率增加。该结果也与先前的研究[4]一致。卒中后患者在F3和F4通道的额叶区域,DTABR和DAR的比较显示其占主导地位。所生成的DTAB比值也相较于健康受试者在刺激前的DTAB比值较高。DAR参数值也较健康受试者的DAR值偏高。在卒中后患者中,delta频段值较高,因此DTABR和DAR值也较高。与此同时,健康受试者中δ波频率较低,并以α频率占主导,因此DTAB和DAR较低。

健康受试者在经颅直流电刺激施加后,脑电图信号的定量参数显示α频率的功率值增加,而delta频段的功率值降低,这与先前的研究结果一致[5]。卒中后患者也表现出相同的结果,即阿尔法波和θ波频率的功率值增加。该情况表明,经颅直流电刺激后,优势频率值向健康受试者的主导频率方向发生偏移。卒中后患者在刺激后DTABR和DAR的功率比值较刺激前有所下降。该情况表明,卒中后患者在接受刺激后有所改善。DTAB和DAR比值的降低是因为在卒中后患者中,delta频段的功率值减小,而阿尔法频率的功率值增加。

结论

结果显示,卒中后患者和健康受试者在经颅直流电刺激施加前后,qEEG参数存在显著差异。刺激前,健康受试者的阿尔法波占主导地位,平均百分比为25.67 ± 3.26%。刺激后,阿尔法波的平均百分比显著增加了1.91 ± 1.52%,而δ波的平均百分比下降了5.04 ± 0.42%。而在卒中后患者中,刺激前以delta频段为主导,平均百分比为43.03 ± 5.06%;刺激后,α频率增加了1.42 ± 0.15%,delta频段减少了10.44 ± 2.02%。这些结果表明,经颅直流电刺激可引起卒中后患者脑电图波形模式的变化,使其趋于健康受试者的波形模式。

【四轴飞行器】非线性三自由度四轴飞行器模拟器研究(Matlab代码实现)内容概要:本文围绕非线性三自由度四轴飞行器模拟器的研究展开,重点介绍基于Matlab代码实现的四轴飞行器动力学建模与仿真方法。研究构建了考虑非线性特性的飞行器数学模型,涵盖姿态动力学与运动学方程,实现了三自由度(滚转、俯仰、偏航)的精确模拟。文中详细阐述了系统建模过程、控制算法设计思路及仿真结果分析,帮助读者深入理解四轴飞行器的飞行动力学特性与控制机制;同时,该模拟器可用于算法验证、控制器设计与教学实验。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的校学生、科研人员及无人机相关领域的工程技术人员,尤其适合从事飞行器建模、控制算法开发的研究生和初级研究人员。; 使用场景及目标:①用于四轴飞行器非线性动力学特性的学习与仿真验证;②作为控制器(如PID、LQR、MPC等)设计与测试的仿真平台;③支持无人机控制系统教学与科研项目开发,提升对姿态控制与系统仿真的理解。; 阅读建议:建议读者结合Matlab代码逐模块分析,重点关注动力学方程的推导与实现方式,动手运行并调试仿真程序,以加深对飞行器姿态控制过程的理解。同时可扩展为六自由度模型或加入外部干扰以增强仿真真实性。
基于分布式模型预测控制DMPC的多智能体点对点过渡轨迹生成研究(Matlab代码实现)内容概要:本文围绕“基于分布式模型预测控制(DMPC)的多智能体点对点过渡轨迹生成研究”展开,重点介绍如何利用DMPC方法实现多智能体系统在复杂环境下的协同轨迹规划与控制。文中结合Matlab代码实现,详细阐述了DMPC的基本原理、数学建模过程以及在多智能体系统中的具体应用,涵盖点对点转移、避障处理、状态约束与通信拓扑等关键技术环节。研究强调算法的分布式特性,提升系统的可扩展性与鲁棒性,适用于多无人机、无人车编队等场景。同时,文档列举了大量相关科研方向与代码资源,展示了DMPC在路径规划、协同控制、电力系统、信号处理等多领域的广泛应用。; 适合人群:具备一定自动化、控制理论或机器人学基础的研究生、科研人员及从事智能系统开发的工程技术人员;熟悉Matlab/Simulink仿真环境,对多智能体协同控制、优化算法有一定兴趣或研究需求的人员。; 使用场景及目标:①用于多智能体系统的轨迹生成与协同控制研究,如无人机集群、无人驾驶车队等;②作为DMPC算法学习与仿真实践的参考资料,帮助理解分布式优化与模型预测控制的结合机制;③支撑科研论文复现、毕业设计或项目开发中的算法验证与性能对比。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注DMPC的优化建模、约束处理与信息交互机制;按文档结构逐步学习,同时参考文中提及的路径规划、协同控制等相关案例,加深对分布式控制系统的整体理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值