АНАЛІЗ МИМОВІЛЬНИХ РУХІВ ПАЦІЄНТІВ ІЗ СИМПТОМАМИ ТРЕМОРУ ПІД ВПЛИВОМ КОГНІТИВНИХ ВПЛИВІВ
DOI:
https://doi.org/10.32782/mathematical-modelling/2024-7-2-14Ключові слова:
тремор, ЕЕГ, когнітивні впливи, контроль рухів, графічний планшет, есенціальний тремор, хвороба ПаркінсонаАнотація
У дослідженні представлено сучасний цифровий підхід до аналізу взаємозв’язку між мимовільними рухами та активністю мозку в пацієнтів із неврологічними розладами, пов’язаними з тремором, як-от хвороба Паркінсона. Дослідження проводилося на реальних пацієнтах, що забезпечує практичний погляд на те, як когнітивні впливи діють на моторний контроль і функцію мозку. Пацієнтам пропонувалося малювати спіралі на графічному планшеті Huion KAMVAS Pro 16, обладнаному сенсорним екраном і стилусом для точного відстеження рухів. Водночас їх мозкову активність реєстрували за допомогою системи NEUROCOM EEG із розташуванням електродів у задній частині голови – ділянки, тісно пов’язаної з моторною координацією. Такий підхід забезпечив синхронізований збір даних про моторну діяльність та нейродинаміку. Основна мета дослідження – виявити взаємозв’язки між мимовільними рухами, що проявлялися як порушення в малюнку спіралі, спричинені тремором, і специфічними патернами мозкової активності, зафіксованими на ЕЕГ. Порівнюючи дані пацієнтів у стані приймання медикаментів та без них, дало змогу виявити значні відмінності в тяжкості тремору та функції мозку. Визначено ключові ділянки мозку, залучені до регуляції моторики, що допомогло глибше зрозуміти механізми розвитку тремору та його модифікації за різних умов. Цей підхід пропонує революційний погляд на діагностику та лікування станів, пов’язаних із тремором. На відміну від традиційних методів, які часто базуються на суб’єктивних оцінках і мають обмеження в реєстрації нейронної активності в реальному часі, цей метод надає більш об’єктивний і детальний аналіз моторних порушень. Інтеграція точних даних про рухи, отриманих із графічного планшета, та нейрофізіологічних сигналів з ЕЕГ демонструє потенціал для створення ефективніших і персоналізованих стратегій лікування таких станів, як хвороба Паркінсона. Отримані результати створюють нові перспективи для використання цифрових інструментів у клінічних дослідженнях, сприяючи глибшому розумінню взаємодії моторних і когнітивних процесів у пацієнтів із симптомами тремору.
Посилання
Haubenberger D., Kalowitz D., Nahab F. B, Toro C., Ippolito D., Luckenbaugh D. A., Wittevrongel L., Hallett M. Validation of Digital Spiral Analysis as Outcome Parameter for Clinical Trials in Essential Tremor. Movement Disorders. 2011. Vol. 26. Issue 11. P. 2073−2080.
Electroencephalography complex NEUROKOM, NEUROLAB. Instructions for medicalapplication AINC.941311.001 I1 U 33.1-02066769-001-2002.
Rajaraman V., Jack D., Adamovich S. V., Hening W., Sage J., Poizner H. A Novel Quantitative Method for 3D Measurement of Parkinsonian Tremor. Clinical Neurophysiology. 2000. Vol. 11. Issue 2. P. 187−369.
Wang J.-S., Chuang F.-C. An Accelerometer-Based Digital Pen with a Trajectory Recognition Algorithm for Handwritten Digit and Gesture Recognition. IEEE Transactions on Industrial Electronics. 2012. Vol. 59. Issue 7. P. 2998−3007. DOI: 10.1109/TIE.2011.2167895.
Xie H., Wang Z. Mean frequency derived via Huang-Hilbert transform with application tofatigue EMG signal analysis. Comput Meth Progr Biomed, 2006. 82. p. 114–20.
Louis E. D., Gillman A., Böschung S., Hess C. W., Yu Q., Pullman S. L. High width Variability during Spiral Drawing: Further Evidence of Cerebellar Dysfunction in Essential Tremor. Cerebellum. 2012. Vol. 11. Issue 4. P. 872−879. DOI: 10.1007/s12311-011-0352-4.
Legrand A.P., Rivals I., Richard A., Apartis E., Roze E., Vidailhet M., Meunier S., Hainque E. New insight in spiral drawing analysis methods – Application to action tremor quantification.J Clinical Neurophysiology. 2017. 128 (10), pp. 1823–1834.
Mudryk I., Petryk M. Hybrid artificial intelligence systems for complex neural network analysisof abnormal neurological movements with multiple cognitive signal nodes. 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP) : Conference, Lviv, 21-25 August 2020. P. 108–111.
Viviani P., Burkhard P.R., Chiuvé S.C., dell’Acqua C.C., Vindras P. Velocity control in Parkinson’s disease: a quantitative analysis of isochrony in scribbling movements. Exp Brain 2009. 194. p. 259–283.
Khimich A.N., Petryk M.R., Mykhalyk D.N., Boyko I.V., Popov A.V., Sydoruk. V.A. Methods for mathematical modeling and identification of complex processes and systems based onvisoproductive computing (neuro- and nanoporous cyber-physical systems with feedback, models with sparse structure data, parallel computing). Monograph, Kiev: National Academy of Sciences of Ukraine. Glushkov Institute of Cybernetics. 2019. 176 p. ISBN: 978-966-02-9188-1.
Salarian А., Russmann H., Wider C., Burkhard P.R., Vingerhoets F.J., Aminian K. Quantificationof tremor and bradykinesia in Parkinson's disease using a novel ambulatory monitoring system, Biomedical Engineering, IEEE Transactions on, 2007. 54. Jg., Nr. 2, pp. 313–322.
Bhidayasiri R., Mari Z. Digital phenotyping in Parkinson's disease: Empowering neurologistsfor measurement-based care. Parkinsonism Relat Disord. 2020 Nov; 80. P. 35–40. DOI: 10.1016/j.parkreldis.2020.08.038.
Lo G., Suresh A. R., Stocco L., González-Valenzuela S., and Leung V. C. A wireless sensor system for motion analysis of Parkinson's disease patients, (PERCOM Workshops), 2011 IEEE International Conference on. IEEE, pp. 372–375.
