Johdanto. Motorisen aivokuoren alueita on aiemmin kartoitettu siltä kannalta, että yksittäisillä lihaksilla on aivokuorella edustusalueita, joista niitä kontrolloidaan. Vähitellen on ymmärretty, että tällaiset edustusalueet ovat päällekkäisiä. Tämän on oletettu olevan osoitus lihasten välisistä synergioista, sekä motorisen aivokuoren toiminnallisista alueista, joista toimintoja ohjataan. Motorisen aivokuoren kartoitukseen liittyvä tutkimus onkin menossa toiminnalliseen suuntaan ns. toimintakarttojen löytämiseksi. Tällaisessa tutkimuksessa olisi edullista, jos tahdonalaisen liikkeen perusteella mitattuja tekijöitä voitaisiin liittää spesifeihin motorisen aivokuoren lokaatioihin. Tämä vaatisi esimerkiksi mahdollisuutta liittää transkraniaalisen magneettisen stimulaation (TMS) indusoimat motoriset herätepotentiaalit (MEP) tahdonalaisesta liikkeestä tallennettuun elektromyografiaan (EMG). Ennen tätä pitäisi tietää, kuinka tarkasti motorisen aivokuoren eri alueet voidaan erottaa toisistaan
näiltä alueilta stimuloitujen MEP–signaalien perusteella. Tätä tarkoitusta varten tämä opinnäytetyö käsittelee useista TMS–menetelmää käyttäen stimuloiduista yläraajan lihaksista tallennettujen MEP–vasteiden luokittelua niitä vastaavien aivokuoren sijaintien mukaisiin luokkiin. Myös erilaisten lihasyhdistelmien vaikutusta luokittelutarkkuuteen tutkittiin.
Menetelmät. Tutkimuksen tulokset saavutettiin mittaamalla seitsemää vapaaehtoista koehenkilöä, joista jokainen osallistui yhteen mittausistuntoon. Abductor pollicis breviksen, flexor carpi radialiksen ja biceps brachiin pitkän pään hotspot–pisteitä stimuloitiin TMS-sekvensseillä intensiteetillä, joka oli 120% lepotilan motorisesta kynnyksestä (rMT). Ärsykkeiden aiheuttamat MEP–vasteet mitattiin 16 yläraajan lihaksesta. Saatua MEP–raakadataa käytettiin monikerroksisten perseptroniverkko– (MLP) luokittimien rakentamiseen ja testaamiseen. Luokittelutarkkuuden perusteella arvioitiin luokittelun tehokkuutta ja eri lihasyhdistelmien kykyä erotella MEP–vasteet hotspot–lokaatioiden muodostamiin luokkiin.
Tulokset. Korkeimpien luokittelutarkkuuksien mediaani oli 0.91 stimulusintensiteetillä ja vastaava parhaiden luokittelutulosten antaneiden lihasyhdistelmäkokojen mediaani oli 7. Tilastollisesti merkitsevästi korkeimman luokitustarkkuuden antaneet lihasyhdistelmät olivat yksilöllisiä sekä yhdistelmän koon että yhdistelmään sisältyvien lihasten suhteen.
Johtopäätökset. Luokittelu onnistuu hyvin, kun luokkina toimivat lihasten hotspot–pisteet motorisella aivokuorella valitaan tässä tutkimuksessa esitetyllä tavalla. Yksittäisten lihasyhdistelmien, jotka antoivat korkeimman luokitustarkkuuden, arvioitiin olevan osoitus hermo–lihaskontrollin yksilöllisyydestä, vaikka näillä ei olekaan yhtä selvää yhteyttä lihassynergioihin, kuin aikaisemmissa tutkimuksissa päällekkäisistä lihasten edustusalueista on arvioitu. Lisätutkimuksia tarvitaan sen selvittämiseksi, kuinka lähellä toisiaan motorisen aivokuoren stimuloidut pisteet voivat olla, jotta luokittelu edelleen onnistuisi.
...
Introduction. In the cerebral cortex, areas of the motor cortex have previously been mapped from the point of view that individual muscles have specific areas in the cortex from which they are controlled. It has gradually been understood that the muscle representation areas on the cortex overlap. This has been assumed to indicate individual synergies between muscles and that the motor cortex contains functional areas from which complex actions are controlled. Thus, research related to the mapping of the motor cortex is going in a functional direction aiming to find so–called action maps. For this kind of research, it would be advantageous if different factors measured from voluntary movement could be connected to specific locations of the motor cortex. This would require, for example, to be able to connect motor evoked potentials (MEP) induced by transcranial magnetic stimulation (TMS) to the electromyography (EMG) recorded from voluntary movement. Before this, one should know how acc
urately different areas of the motor cortex can be separated from each other based on the MEP signals stimulated from these areas. For this purpose, this thesis deals with the classification of cortical stimulus locations according to MEP patterns recorded from multiple upper–limb muscles induced by TMS. The effect of different muscle combinations on classification accuracy was also investigated.
Methods. Results in this study were achieved by measuring seven volunteers, who participated in one measurement session. The hotspot locations of the abductor pollicis brevis, flexor carpi radialis and biceps brachii’s long head were stimulated by TMS sequences at 120% of resting motor threshold (rMT) stimulus intensity. The MEPs elicited by the stimuli were recorded in 16 muscles of the upper limb. The obtained raw MEP data was used to build and test multilayer perceptron (MLP) classifiers. Based on the classification accuracy, the effectiveness of the classification and the ability of different muscle combinations to separate MEP patterns into the classes formed by the hotspot locations were evaluated.
Results. The median of the highest estimated mean classification accuracy was 0.91 and the corresponding median of combination size was 7. The muscle combinations that gave statistically significantly the highest classification accuracy were unique in terms of both the combination size and the muscles included in the combination.
Conclusion. The classification succeeds well when the muscle hotspots on the motor cortex, which act as classes, are selected as presented in this study. Individual muscle combinations giving the highest classification accuracies were assumed to indicate the individual versatility of neuromuscular control, although there is not as clear connection to muscle synergies as previous studies have established. Further studies are needed to clarify how close to each other the stimulated points of the motor cortex can be for the classification to be successful.
...
