Online EEG-Analyse für Neurofeedback in der Neurorehabilitation der unteren Extremitäten nach Schlaganfall

• Antragsteller: Professor Dr.-Ing. Jens Haueisen
• Fachliche Zuordnung: Klinische Neurologie; Neurochirurgie und Neuroradiologie ; Biomedizinische Systemtechnik ; Kognitive, systemische und Verhaltensneurobiologie ; Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 397686322

Schlaganfall ist weltweit eine der häufigsten Ursachen für Behinderungen. Daher hat die Verbesserung der Rehabilitation nach einem Schlaganfall weiterhin hohe Priorität. Insbes. bei motorischen Beeinträchtigungen nach einem Schlaganfall wurde gezeigt, dass Rehabilitation hocheffektiv ist. Die Elektroenzephalographie (EEG) ist unter den bildgebenden Methoden einzigartig, da sie als einzige nicht-invasive Methode eine hohe Zeitauflösung bietet und gleichzeitig sehr mobil, leicht anwendbar und vergleichsweise kostengünstig ist. Diese Eigenschaften machen EEG zu einem attraktiven Werkzeug für Brain-Computer-Interfaces (BCI). BCIs sind vielversprechende Hilfsmittel in der Rehabilitation, da sie direktes visuelles und sensorisches Feedback über das erfolgreiche Absolvieren einer kognitiven Aufgabe, z.B. Bewegungsvorstellung („Motor Imagery“, MI), liefern können. Wir werden den Einsatz von EEG-basierten BCIs in Kombination mit einem Rehabilitationsroboter in der motorischen Rehabilitation der unteren Gliedmaßen nach einem Schlaganfall erforschen. Bislang lag der Schwerpunkt der Anwendung von BCIs in der Rehabilitation nach Schlaganfall auf der motorischen Rehabilitation der oberen Gliedmaßen. Die Anwendung in der motorischen Rehabilitation der unteren Gliedmaßen wurde aufgrund der komplexeren Signalverarbeitung bisher weniger erforscht. Auf der Grundlage neuartiger Algorithmen zur Erkennung von MI wollen wir den Einsatz von BCIs in der motorischen Rehabilitation der unteren Gliedmaßen voranbringen. Wir werden neuartige Klassifizierungsalgorithmen entwickeln, die auf Convolutional Neural Networks basieren und die Online-Analyse von EEG-Quellen und -Konnektivität einbeziehen, um die Klassifizierungsgenauigkeit von MI der unteren Extremitäten zu verbessern. Als ersten Schritt werden wir dafür EEG-Daten von gesunden Probanden und Patienten während passiver Bewegung und MI der unteren Gliedmaßen erfassen. Für die passive Bewegung werden wir einen neuartigen Rehabilitationsroboter einsetzen (Roboterarm mit sechs Freiheitsgraden) der komplexe Trajektorien und exakt getimte Wiederholungen ermöglicht. Die gewonnenen EEG-Daten werden wir auswerten für die Entwicklung neuer Klassifizierungsalgorithmen nutzen. Abschließend werden wir ein Proof-of-Concept-Experiment durchführen, um den Einsatz des Rehabilitationsroboters für ein direktes sensorisches Feedback in einem Closed-Loop-Szenario zu demonstrieren. Die neuartigen Klassifizierungsalgorithmen werden die Genauigkeit bei allen Anwendungen von MI verbessern, insbes. bei BCIs. Das Wissen über die Quellen der Gehirnaktivität und die Konnektivität während komplexer passiver Bewegung und MI der unteren Gliedmaßen wird erweitert. Die Anwendung in einem Closed-Loop-Szenario mit BCI und einem Rehabilitationsroboter hat das Potenzial, die Rehabilitation von motorischen Beeinträchtigungen der unteren Gliedmaßen nach einem Schlaganfall deutlich zu verbessern.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Österreich
• Partnerorganisation: Fonds zur Förderung der wissenschaftlichen Forschung (FWF)
• Kooperationspartner: Professor Dr.-Ing. Daniel Baumgarten