Search

Schlaganfälle kommen jährlich millionenfach und weltweit vor. Die Patienten leiden fast immer unter verschiedensten Behinderungen, und mehr als die Hälfte entwickelt chronische Lähmungen. Für diese Gruppe der Patienten gibt es keine wirksame standardisierte Therapie. Die Vorgänge im Gehirn der Patienten, die ihre Bewegungsfähigkeit nach dem Schlaganfall wieder verbessern, versteht man auch nach Jahrzehnten der Forschung nur teilweise. Das Finden, Beobachten und Überwachen von neurophysiologischen Korrelaten des Erholungsvorgangs könnte helfen, die Gehirnaktivität vor und während einer solchen Behandlung besser zu verstehen. Durch die Entdeckung solcher “Biomarker” und davon abgeleiteter Vorhersagemodelle könnten neuartige Therapien entwickelt und gezieltere klinische Studien entworfen werden.\\ In dieser Dissertation werden mehrere Analysen von neurophysiologischen Daten der Gehirn- und Muskelaktivität von Gesunden und schwerst gelähmten chronischen Schlaganfallpatienten vorgestellt. Das Potential verschiedener Biomarker wird auf Basis dieser Daten bewertet. Zunächst wurde die Desynchronisierung des Sensorimotorischen Rhythmus’ untersucht. Die Gehirnaktivität von chronisch gelähmten Schlaganfallpatienten wurde während der Ausführung von Bewegungen des gelähmten Arms analysiert. Es ergab sich eine Korrelation zwischen der Erholung der Bewegungsfähigkeit und dem Verlauf der Desynchronisierung des Sensorimotorischen Rhythmus’ sowie dessen Lateralisation zwischen beiden Hemisphären. Die Position der Läsion scheint zudem einen Einfluss auf die Stärke der Desynchronisierung zu haben. Außerdem gab es beim Vergleich von Schlaganfallpatienten und Gesunden Unterschiede in der individuellen dominanten Frequenz des Rhythmus’. In einer weiteren Analyse wurde die Gehirnaktivität in niedrigen Frequenzen des Aktivitätsspektrums untersucht. Diese erhöhte sich bei den Patienten über der Läsion, was Ergebnisse früherer Arbeiten mit Tiermodellen und weniger stark gelähmten Schlaganfallpatienten bestätigt. Darüberhinaus wird eine Vorgehensweise für die Analyse von kohärenten Oszillationen im Gehirn während der Ausführung von Bewegungen vorgestellt. Erste Ergebnisse zeigen, dass sich die Verbindungen innerhalb der beschädigten Gehirnhälfte und zwischen den beiden Gehirnhälften mit der Therapie verstärken. Zuletzt wird ein Experiment vorgestellt, worin die möglichen Effekte der intensiven robotischen Therapie auf die Muskelaktivität der Patienten untersucht werden. Die Ergebnisse zeigten keinen ermüdenden Effekt des Trainings auf die Muskeln.\\ Im letzten Kapitel werden weiterführende Arbeiten für die Erweiterung von bereits existierenden Brain-Machine interface-Therapien vorgestellt. Ein virtuelles Exoskelett wurde zur Verbesserung des visuellen Feedbacks, das die Patienten während des Bewegungstraining mit dem Roboter erhalten, implementiert. Außerdem wurde hier ein umfassendes Training in eine “gamifizierte” Rehabilitationsumgebung integriert, um die Immersion und damit die Motivation der Patienten zu erhöhen.\\ Die hier vorgestellten Biomarker könnten als Bausteine für Modelle von Neurorehabilitation dienen und den Trainingsfortschritt der Patienten in solchen neuartigen Rehabilitationsumgebungen beobachtbar und visualisierbar machen. Die Übertragung der hier vorgestellten Forschungsergebnisse in neue oder verbesserte moderne Behandlungsmethoden könnten Millionen von Schlaganfallpatienten helfen, in Zukunft ihre Bewegungsfähigkeit wiederzuerlangen. The most common repercussion of stroke is disability, affecting millions of survivors globally each year. More than half of the victims develop chronic motor impairments. There is no efficient standardized therapy for this group. The processes in the brain of patients who recover their motor ability are poorly understood, even after decades of research. Finding, observing and tracking neurophysiological correlates of stroke and recovery could facilitate the interpretation of the brain activity before and during treatment. New therapies could be devised and studies designed, based on models and predicitions derived from these biomarkers. This thesis presents analyses of neurophysiological data of brain and muscles of healthy individuals and chronic stroke patients with severe motor impairments. Candidates for biomarkers are presented and their potential evaluated. First, desynchronization of the Sensorimotor Rhythm was considered. The brain activity of chronic stroke patients was analyzed during movement attempts of the paretic arm. There was a correlation between motor impairment and the evolution of desynchronization strength as well as the hemispheric laterality of the desynchronization. Moreover, the location of the lesion might have an effect on the strength of desynchronization. Furthermore, there was a significant difference of the peak center frequency of the rhythm compared between stroke patients and healthy individuals. Secondly, low-frequency activity of the brain during movement attempts of the stroke patients increased from before to after the intervention, confirming previous work in animal models and patients with less severe impairment. Thirdly, a methodology for the analysis of coherent brain oscillations during movement attempts is presented. First results show that connectivity within the hemisphere of the lesion as well as the communication between the hemispheres increased with the therapy. Finally, an experiment investigating potential effects of intensive robot-based interventions on muscle activity is presented. Results from four stroke patients did not indicate that the rehabilitation training induces muscular fatigue. The final chapter presents complementary work on enhancing existing Brain-Machine interface therapies. Sensory feedback to the patient is improved by way of displaying a virtual representation of an exoskeleton for training of movements of hand and arm. Furthermore, a rehabilitation training was embedded in a gamified environment for maximizing immersion and motivation of the patient. The biomarkers presented in these studies could serve as building blocks for modeling neurorehabilitation and to track and visualize recovery in such enriched training environments. The transition of this research to new or improved modern therapeutic approaches in clinical practice could serve millions of stroke victims.

Additional file 1. TIDieR-Checklist.pdf (TIDieR Checklist).

While earlier Brain-Computer Interface (BCI) studies have mostly focused on modulating specific brain regions or signals, new developments in pattern classification of brain states are enabling real-time decoding and modulation of an entire functional network. The present study proposes a new method for real-time pattern classification and neurofeedback of brain states from electroencephalographic (EEG) signals. It involves the creation of a fused classification model based on the method of Common Spatial Patterns (CSPs) from data of several healthy individuals. The subject-independent model is then used to classify EEG data in real-time and provide feedback to new individuals. In a series of offline experiments involving training and testing of the classifier with individual data from 27 healthy subjects, a mean classification accuracy of 75.30% was achieved, demonstrating that the classification system at hand can reliably decode two types of imagery used in our experiments, i.e., happy emotional imagery and motor imagery. In a subsequent experiment it is shown that the classifier can be used to provide neurofeedback to new subjects, and that these subjects learn to “match” their brain pattern to that of the fused classification model in a few days of neurofeedback training. This finding can have important implications for future studies on neurofeedback and its clinical applications on neuropsychiatric disorders.