Программно-аппаратный комплекс для реабилитации пациентов с когнитивными и моторными нарушениями

Данное исследование направлено на разработку программно-аппаратного комплекса (ПАК) для реабилитации пациентов с легкими (субклиническими) и выраженными нарушениями когнитивных процессов и моторных функций верхних конечностей, основанного на применении мультимодальной биологической обратной связи, включая транскраниальную магнитную стимуляцию.
Материалы и методы. В работе были использованы данные электроэнцефалографии с дополнительными каналами для записи электромиограммы здоровых добровольцев. Для классификации воображаемых движений использовались пространственный фильтр, линейный дискриминантный анализ, метод дополненной ковариационной матрицы с классификацией в пространстве касательных в многообразии Римана и метод опорных векторов. Результаты. На основе проведенного нейрофизиологического исследования и анализа литературы был разработан ПАК для реабилитации пациентов с легкими (субклиническими) и выраженными нарушениями когнитивных процессов и моторных функций. Показано, что разработанные алгоритмы реального времени обладают средней точностью 86% для классификации двигательного акта, 75% для воображения с анимированным визуальным стимулом и 73% для воображения со статичным визуальным стимулом.
Выводы. Разработан эффективный и универсальный ПАК на основе современных алгоритмов интерфейсов «мозг-компьютер» для реабилитации пациентов с когнитивными и моторными нарушениями

1. Khorev V, Kurkin S, Badarin A, et al. Review on the use of brain computer interface rehabilitation methods for treating mental and neurological conditions. J Integr Neurosci. 2024; 23(7): 125. doi: 10.31083/j.jin2307125.

2. Wang Z, Cao C, Chen L, et al. Multimodal neural response and effect assessment during a BCI-based neurofeedback training after stroke. Frontiers in Neuroscience. 2022; 16: 884420. doi: 10.3389/fnins.2022.884420.

3. Котов С. В., Исакова Е. В., Слюнькова Е. В. Применение технологии нейроинтерфейс «мозг-компьютер»+ экзоскелет в составе комплексной мультимодальной стимуляции при реабилитации пациентов с инсультом // Журнал неврологии и психиатрии им. CC Корсакова. — 2019. — Т.119. — №12-2. — С.37-42.

4. Grigorev NA, Savosenkov AO, Lukoyanov MV, et al. A BCI-Based Vibrotactile Neurofeedback Training Improves Motor Cortical Excitability During Motor Imagery. IEEE Trans Neural Syst Rehabil Eng. 2021; 29: 1583-1592. doi: 10.1109/TNSRE.2021.3102304.

5. Go AS, Mozaffarian D, Roger VL. Heart disease and stroke statistics-2014 update: a report from the American Heart Association. Circulation. 2014; 129(3): 28-292. doi: 10.1161/ 01.cir.0000441139.02102.80.

6. Cifu DX, Stewart DG. Factors affecting functional outcome after stroke: a critical review of rehabilitation interventions. Arch Phys Med Rehabil. 1999; 80(5): 35-39. doi: 10.1016/S0003-9993(99)90101-6.

7. Hramov AE, Maksimenko VA, Pisarchik AN. Physical principles of brain-computer interfaces and their applications for rehabilitation, robotics and control of human brain states. Physics Reports. 2021; 918: 1-133. doi: 10.1016/j.physrep.2021.03.002.

8. Bamdad M, Homayoon Z, Mohammad AA. Application of BCI systems in neurorehabilitation: a scoping review. Disabil Rehabil Assist Technol. 2015; 10(5): 355-364. doi: 10.3109/17483107.2014.961569.

9. Zhuang M, Wu Q, Wan F, et al. State-of-the-art non-invasive brain–computer interface for neural rehabilitation: A review. Journal of Neurorestoratology. 2020; 8(1): 12-25. doi: 10.26599/JNR.2020.9040001.

10. Kho AY, Liu KPY, Chung RCK. Meta- analysis on the effect of mental imagery on motor recovery of the hemiplegic upper extremity function. Aust Occup Ther J. 2014; 61(2): 38-48. doi: 10.1111/1440-1630.12084.

11. Jochumsen M, Khan Niazi I, Samran Navid M, et al. Online multi-class brain-computer interface for detection and classification of lower limb movement intentions and kinetics for stroke rehabilitation. Brain-Computer Interfaces. 2015; 2(4): 202-210. doi: 10.1080/2326263X.2015.1114978.

12. Kardam VS, Taran S, Pandey A. Motor imagery tasks based electroencephalogram signals classification using data-driven features. Neuroscience Informatics. 2023; 3(2): 100128. doi: 10.1016/j.neuri.2023.100128.