Sprzężenie proste - intensywność

Pętla pierwszego poziomu. Sprzężenie proste - intensywność

Systemy interfejsów nerwowych stymulujących i robotów rehabilitacyjnych są sprzężone z układem organizmu pacjenta w sposób prosty (a nie zwrotny jak w przypadku urządzeń do biofeedbacku) i oddziałują na pętle pierwszego poziomu (Ryc.6). Różne techniki fizjoterapeutyczne, podobnie jak roboty rehabilitacyjne, również oddziałują na Pacjenta na drodze sprzężenia prostego. Różnica między tradycyjnymi metodami fizjoterapeutycznymi oraz robotami rehabilitacyjnymi a interfejsami nerwowymi polega na tym, że te pierwsze oddziałują na receptory czuciowe, mięśnie i stawy Pacjenta w sposób pośredni; natomiast NI poprzez pola energii elektrycznej lub magnetycznej oddziałują bezpośrednio na miocyty lub płytkę nerwowo-mięśniową (powodując np. skurcz tężcowy), komórki nerwowe, glejowe, aksony, dendryty i synapsy (depolaryzując błonę lub modulując próg pobudzenia/ EPSP, IPSP). Oznacza to, że sprzężenie między interfejsami nerwowymi a konkretnymi podsystemami Pacjenta jest silniejsze.

Dodatkowo, interfejsy nerwowe są quasi-selektywnie sprzężone z układami Pacjenta, dzięki czemu zwiększa się dokładność i precyzja oddziaływania, a tym samym sterowania procesami fizjologicznymi Pacjenta. Nie oznacza to bynajmniej, że interfejsy nerwowe działają doskonale wybiórczo. Problem selektywności jest znacznym ograniczeniem wielu metod, takich jak tFES czy BCI/EEG; natomiast poziom dokładności i precyzji lokalizacji oddziaływania lub odbioru informacji jest mimo wszystko wyższy niż w wielu tradycyjnych technikach neurorehabilitacyjnych. Dzięki zastosowaniu interfejsów nerwowych zwiększamy intensywność oddziaływania interwencji neurorehabilitacyjnych na Pacjenta. Przykładowo, dzięki przezskórnej stymulacji funkcjonalnej (tFES) możemy generować silną odpowiedź czuciową pochodzącą ze stymulowanego mięśnia. Stosując stymulację elektryczną mózgu (tDCS) zwiększamy szansę wystąpienia zjawisk długotrwałego wzmocnienia lub osłabienia synaptycznego (LTP/LTD) w konkretnym obszarze kory mózgu, a stosując TMS możemy aktywować de- lub hiperpolaryzację neuronów znajdujących się w obszarze oddziaływania pola magnetycznego.

Roboty rehabilitacyjne nie posiadają wszystkich zalet interfejsów nerwowych, ale niewątpliwie stanowią urządzenie medyczne, które wspomaga proces neurorehabilitacji, dlatego ta klasa urządzeń zgadza się z koncepcją modelu NWU. Robot rehabilitacyjny wspomaga siłowo wykonanie zadania ruchowego przez Pacjenta. Jednak, jeśli Pacjent nie jest dodatkowo sprzężony z urządzeniami BFDB lub NI - proces neurorehabilitacji traci na precyzji, dokładności oraz intensywności efektów interwencji z użyciem tych urządzeń.


Bibliografia

  1. Allen S.J., Watson J.J., Shoemark D.K. i in., GDNF, NGF and BDNF as therapeutic options for neurodegeneration, Pharmacology & Therapeutics, 2013.
  2. Błaszczyk J., Modele cybernetyczne wybranych struktur i funkcji układu nerwowego, [w:] Neurocybernetyka Teoretyczna, red. R. Tadeusiewicz, Wyd. Uniwersytetu Warszawskiego, Warszawa, 2009.
  3. Casadio M., Tamagnone I., Summa S., Sanguineti V., Neuromotor recovery from stroke: computational models at central, functional, and muscle synergy level, źródło: http://www.ncbi.nlm.nih.gov/pubmed/23986688 [dostęp: 1.06.2014].
  4. Cudo A., Zabielska E., Bałaj B., Wprowadzenie w zagadnienie interfejsów mózg-komputer, [w:] Studia z Psychologii w KUL, tom 17, s. 189-211, red. Gorbaniuk O., Kostrubiec-Wojtachnio B., Musiał D. i in.
  5. De Miranda M.A., Doggett M.A., Evans T.J., Medical Technology: Contexts and Contend in Science and Technology, źródło: http://people.wku.edu/mark.doggett/MedTechPrimer6.0.pdf [dostęp: 11.10.2016]
  6. Gajda J., Pomiary i identyfikacja w diagnostyce medycznej, [w:] Podstawy inżynierii Biomedycznej. Tom I, red. Tadeusiewicz R., Augustyniak P., Wydawnictwa AGH, Kraków, 2009.
  7. Garczyk A., Namysł J., Wstęp teoretyczny do treningu EMG Biofeedback i ETS w terapii zaburzeń neuromotorycznych po uszkodzeniach ośrodkowego układu nerwowego, [w:] Biofeedback Innowacje, red. Borkowski P., Wydawnictwo Akademii im. Jana Długosza w Częstochowie, Częstochowa, 2015.
  8. Gerven M., Farquhar J., Schaefer R. i in., The Brain-Computer Interfaces Cycle, Journal of Neural Engineering, Wrzesień, 2009.
  9. Giggins O., McCarthy Persson U., Caulfield B. (2013), Biofeedback in rehabilitation, Journal of NeuroEngineering and Rehabilitation, 10:60.
  10. Gwiazdowska B., Pawlicki G., Fizyku Medyczny - gdzie twoje miejsce? Historia i perspektywy fizyki medycznej w Polsce, Polish Journal of Medical Physics and Engineering, 2006.
  11. Hess G. (2009), Przekaźnictwo synaptyczne i plastyczność synaptyczna, [w:] Neurocybernetyka Teoretyczna, red. R. Tadeusiewicz, Wyd. Uniwersytetu Warszawskiego, Warszawa.
  12. http://www.ted.com/talks/daniel_wolpert_the_real_reason_for_brains#t-1178711 [dostęp: 11.10.2016]
  13. Jaśkowski P. (2004), Zarys psychofizjologii, Wyższa Szkoła Finansów i Zarządzania, Warszawa.
  14. Kossut M., Synapsy i plastyczność mózgu, źródło: http://fundacjarozwoju-nauki.pl/res/Tom1/Nauka%20swiatowa%20i%20polska%5B1%5D. Rozdzial%2009.pdf [dostęp: 1.06.2014].
  15. Krakauer J.W. (2006), Motor learning: its relevance to stroke recovery and neurorehabilitation, „Current Opinion in Neurology”, nr 19, s. 84–90.
  16. Mazur M. (1999), Cybernetyka i charakter, Wyższa Szkoła Zarządzania i Przedsiębiorczości im.Bogdana Jańskiego, Warszawa.
  17. Merzenich M.M., Van Vleet T.M., Nahum M., Brain plasticity-based therapeutics, Frontiers In Human Neuroscience, 2014.
  18. Ojanguren E.I., Kostic M., Bejarano N.C., Keller T., Workshop on Transcutaneous Functional Electrical Stimulation, [w:] Emerging Therapies in Neurorehabilitation II, red. Pons J.L, Raya R., González J., Springer International Publishing, 2016.
  19. Purves D., Augustine G.J., Fitzpatrick D. i in., Neuroscience, 2nd edition, źródło: https://www.ncbi.nlm.nih.gov/books/NBK10799/ [dostęp: 11.10.2016]
  20. Pąchalska M. Rehabilitacja neuropsychologiczna. UMCS, Lublin, 2008.
  21. Razavi S., Nazem G., Mardani M., Neurotrophic factors and their effects in the treatment of multiple sclerosis, Advanced Biomedical Research, 2015.
  22. Tadeusiewicz R., Biocybernetyka, Wydawnictwa Zakładu Narodowego im. Ossolińskich i Polskiej Akademii Nauk, Wrocław, 1988.
  23. Tadeusiewicz R., Izworski A., Majewski J.: Biometria, Wydawnictwa AGH, Kraków, 1993.
  24. Tadeusiewicz R.: Neurocybernetyka Teoretyczna, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa 2009.
  25. The Neurobiology of Neurofeedback, Wikipedia-Books, źródło: http://en.wikipedia.org/wiki/Book:The_Neurobiology_of_Neurofeedback [dostęp: 11.10.2016]
  26. Thomson M., Thomson L. (2012), Neurofeedback, Biomed Neurotechnologie, Wrocław.
  27. Wang W., Collinger J.L, Perez A.M. i in., Neural Interface Technology for Rehabilitation: Exploiting and Promoting Neuroplasticity, źródło: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2788507/ [dostęp: 11.10.2016]
  28. Wolpaw R.J, Winter Wolpaw E., Brain-Computer Interfaces: Principles and Practice, Oxford University Press, New York, 2012
  29. Zawada J.: Wybrane zagadnienia z podstaw metrologii, Wydawnictwo Politechniki Łódzkiej, Łódź, 2002.

Przypisy

  1. Sama proteza dłoni nie jest interfejsem nerwowym ani neuroprotezą. Neuroprotezą jest system zastępujący elementy układu czuciowego. Wg autorów neuroproteza oddziałująca mechanicznie na układ człowieka należy do interfejsów HMI/HCI, a ze względu na funkcję/cel do technologii wspomagających (AT).
  2. Zdaniem autorów, neurofeedback formalnie należy do biofeedbacku fizjologicznego. Zastosowane rozdzielenie neurofeedbacku od biofeedbacku ma wymiar czysto praktyczny, polegający na odróżnieniu sygnałów pochodzących z mózgu od innych sygnałów fizjologicznych.
  3. Podział zaproponowany przez Giggins i in. 2013 [9]
  4. Modele jakościowe sprowadzają się do opisu przepływu informacji za pomocą diagramów (schematów blokowych) i, w przeciwieństwie do modeli ilościowych, nie wykorzystują matematycznego opisu zjawisk, przez co są znacznie bardziej ogólne i nie pozwalają na precyzyjną analizę zachowania się systemu [2]. Modele jakościowe mają wartość przede wszystkim edukacyjną i w tym aspekcie są lepsze niz modele ilościowe ponieważ pozwalają na łatwiejsze zrozumienie procesów zachodzących w obrebie systemu który modelują.