Natürliches Gehen nach einer Rückenmarksverletzung mithilfe eines Gehirns

Nature Band 618, Seiten 126–133 (2023)Diesen Artikel zitieren

257.000 Zugriffe

1 Zitate

6358 Altmetrisch

Details zu den Metriken

Eine Rückenmarksverletzung unterbricht die Kommunikation zwischen dem Gehirn und der Region des Rückenmarks, die das Gehen auslöst, was zu einer Lähmung führt1,2. Hier haben wir diese Kommunikation mit einer digitalen Brücke zwischen Gehirn und Rückenmark wiederhergestellt, die es einer Person mit chronischer Tetraplegie ermöglicht, in gemeinschaftlichen Umgebungen auf natürliche Weise zu stehen und zu gehen. Diese Gehirn-Wirbelsäule-Schnittstelle (BSI) besteht aus vollständig implantierten Aufzeichnungs- und Stimulationssystemen, die eine direkte Verbindung zwischen kortikalen Signalen3 und der analogen Modulation epiduraler elektrischer Stimulation herstellen, die auf die Rückenmarksregionen abzielt, die an der Produktion des Gehens beteiligt sind4,5,6. Ein äußerst zuverlässiger BSI ist innerhalb weniger Minuten kalibriert. Diese Zuverlässigkeit blieb über ein Jahr stabil, auch bei unabhängiger Nutzung zu Hause. Der Teilnehmer berichtet, dass das BSI eine natürliche Kontrolle über die Bewegungen seiner Beine beim Stehen, Gehen, Treppensteigen und sogar beim Überqueren komplexer Gelände ermöglicht. Darüber hinaus verbesserte die vom BSI unterstützte Neurorehabilitation die neurologische Genesung. Der Teilnehmer konnte auch bei ausgeschaltetem BSI wieder mit Krücken über dem Boden gehen. Diese digitale Brücke schafft einen Rahmen zur Wiederherstellung der natürlichen Bewegungskontrolle nach einer Lähmung.

Beim Gehen übermittelt das Gehirn ausführende Befehle an die Neuronen im lumbosakralen Rückenmark7. Obwohl die meisten Rückenmarksverletzungen diese Neuronen nicht direkt schädigen, unterbricht die Störung der absteigenden Bahnen die vom Gehirn abgeleiteten Befehle, die diese Neuronen zum Gehen benötigen8. Die Folge ist eine dauerhafte Lähmung.

Wir haben zuvor gezeigt, dass die epidurale elektrische Stimulation, die auf die einzelnen dorsalen Wurzeleintrittszonen des lumbosakralen Rückenmarks abzielt, die Modulation spezifischer Beinmotorpools ermöglicht9,10,11,12. Die Rekrutierung dieser dorsalen Wurzeleintrittszonen mit vorprogrammierten räumlich-zeitlichen Sequenzen reproduziert wiederum die physiologische Aktivierung der Beinmotorpools, die dem Stehen und Gehen zugrunde liegen4,5,11,13,14. Diese Stimulationssequenzen stellten das Stehen und normale Gehen bei Menschen mit Lähmungen aufgrund einer Rückenmarksverletzung wieder her. Diese Erholung erforderte jedoch tragbare Bewegungssensoren, um motorische Absichten aus Restbewegungen zu erkennen, oder Kompensationsstrategien, um die vorprogrammierten Stimulationssequenzen auszulösen5. Folglich wurde die Kontrolle des Gehens nicht als völlig natürlich empfunden. Darüber hinaus zeigten die Teilnehmer eine begrenzte Fähigkeit, die Beinbewegungen an verändertes Gelände und willkürliche Anforderungen anzupassen.

Hier schlagen wir vor, dass eine digitale Brücke13,15,16,17,18,19 zwischen Gehirn und Rückenmark eine willentliche Kontrolle über den Zeitpunkt und die Amplitude der Muskelaktivität ermöglichen und so bei Menschen mit eingeschränkter Mobilität eine natürlichere und adaptivere Kontrolle des Stehens und Gehens wiederherstellen würde Lähmung aufgrund einer Rückenmarksverletzung.

Um diese digitale Brücke zu etablieren, haben wir zwei vollständig implantierte Systeme integriert, die die Aufzeichnung der kortikalen Aktivität und Stimulation des lumbosakralen Rückenmarks drahtlos und in Echtzeit ermöglichen (Abb. 1a).

a: Zwei kortikale Implantate bestehend aus 64 Elektroden werden epidural über dem sensomotorischen Kortex positioniert, um ECoG-Signale zu sammeln. Eine Verarbeitungseinheit sagt motorische Absichten voraus und übersetzt diese Vorhersagen in die Modulation epiduraler elektrischer Stimulationsprogramme, die auf die dorsalen Wurzeleintrittszonen des lumbosakralen Rückenmarks abzielen. Die Stimulation erfolgt durch einen implantierbaren Impulsgenerator, der an eine Paddelleitung mit 16 Elektroden angeschlossen ist. b, Bilder zur präoperativen Planung kortikaler Implantatpositionen und zur postoperativen Bestätigung. L, links; R, richtig. c, Personalisiertes Rechenmodell, das die optimale Lokalisierung der Paddle-Elektrode vorhersagt, um die dorsalen Wurzeleintrittszonen zu erreichen, die mit den Muskeln der unteren Extremitäten verbunden sind, und postoperative Bestätigung.

Um elektrokortikografische (ECoG) Signale des sensomotorischen Kortex zu überwachen, nutzten wir die WIMAGINE-Technologie3,20. WIMAGINE-Implantate bestehen aus einem 8x8-Raster aus 64 Elektroden (4 mm × 4,5 mm Abstand in der anteroposterioren bzw. mediolateralen Achse) und einer Aufzeichnungselektronik, die in ein kreisförmiges Titangehäuse mit 50 mm Durchmesser eingebettet ist Dicke wie der Schädel. Die Geometrie des Systems begünstigt einen engen und stabilen Kontakt zwischen den Elektroden und der Dura mater und macht die Geräte unsichtbar, sobald sie im Schädel implantiert sind.

Zwei externe Antennen sind in ein personalisiertes Headset eingebettet, das eine zuverlässige Kopplung mit den Implantaten gewährleistet. Die erste Antenne versorgt die implantierte Elektronik durch induktive Kopplung (Hochfrequenz, 13,56 MHz), während die zweite Ultrahochfrequenzantenne (UHF, 402–405 MHz) ECoG-Signale in Echtzeit an eine tragbare Basisstation und Verarbeitungseinheit überträgt, die diese erzeugt Online-Vorhersagen motorischer Absichten auf Basis dieser Signale (Extended Data Abb. 1).

Die entschlüsselten motorischen Absichten werden dann in Stimulationsbefehle umgewandelt, die an eine maßgeschneiderte Software übertragen werden, die auf derselben Verarbeitungseinheit läuft.

Diese Befehle werden an den implantierbaren Impulsgenerator ACTIVA RC (Abb. 1a) übermittelt, der üblicherweise zur Tiefenhirnstimulation bei Patienten mit Parkinson-Krankheit eingesetzt wird. Wir haben dieses Implantat mit drahtlosen Kommunikationsmodulen aufgerüstet, die eine Echtzeitanpassung von Ort und Zeitpunkt der epiduralen elektrischen Stimulation mit einer Latenz von etwa 100 ms ermöglichten (Extended Data Abb. 1).

Mithilfe der implantierbaren Paddle-Elektrode Specify 5-6-5, die aus einem Array mit 16 Elektroden besteht, werden dann elektrische Ströme an die gezielten dorsalen Wurzeleintrittszonen abgegeben.

Diese integrierte Kette aus Hardware und Software stellte eine drahtlose digitale Brücke zwischen dem Gehirn und dem Rückenmark her: eine Gehirn-Wirbelsäule-Schnittstelle (BSI), die kortikale Aktivität in die analoge Modulation epiduraler elektrischer Stimulationsprogramme umwandelt, um die Aktivierung der unteren Extremitätenmuskulatur und somit zu optimieren nach einer Lähmung aufgrund einer Rückenmarksverletzung wieder stehen und gehen können (Ergänzungsvideo 1).

Im Rahmen der klinischen Stimulation Movement Overground (STIMO)-BSI-Studie (clinicaltrials.gov, NCT04632290) haben wir einen 38-jährigen Mann aufgenommen, der sich bei einem Fahrradunfall eine unvollständige Halswirbelsäulenverletzung (C5/C6) zugezogen hatte zehn Jahre zuvor. Zuvor hatte er an der klinischen STIMO-Studie (clinicaltrials.gov, NCT02936453) teilgenommen, die ein fünfmonatiges Neurorehabilitationsprogramm umfasste, das durch gezielte epidurale elektrische Stimulation des Rückenmarks unterstützt wurde4,5. Dieses Programm ermöglichte es ihm, mit Hilfe eines Vorderradgehers wieder die Fähigkeit zum Gehen zu erlangen. Trotz fortgesetzter Anwendung der Stimulation zu Hause hatte er etwa drei Jahre lang ein neurologisches Erholungsplateau erreicht, das ihn dazu motivierte, sich bei STIMO-BSI anzumelden.

Um die Implantation des BSI zu steuern, haben wir präoperative Planungsverfahren entwickelt, die es uns ermöglichten, die Positionierung der Aufzeichnungs- und Stimulationsimplantate über dem Gehirn und dem Rückenmark zu optimieren.

Der BSI erfordert die Erkennung neuronaler Merkmale im Zusammenhang mit der Absicht, die linken und rechten unteren Gliedmaßen zu bewegen. Um die kortikalen Regionen zu identifizieren, die am stärksten auf den Versuch reagieren, jedes Gelenk der unteren Extremitäten zu bewegen, haben wir anatomische und funktionelle Bilddaten auf der Grundlage von Computertomographie und Magnetenzephalographie erfasst (Abb. 1b). Diese Akquisitionen identifizierten die Regionen der Großhirnrinde, die stärker auf die Absicht reagierten, die linken und rechten unteren Gliedmaßen zu bewegen. Wir haben diese Informationen mit anatomischen Einschränkungen verknüpft, um die optimale Positionierung der beiden ECoG-Aufzeichnungsimplantate zu definieren, die darauf abzielen, Bewegungen der linken und rechten unteren Gliedmaßen zu dekodieren. Die Position beider Implantate wurde in ein Neuronavigationssystem hochgeladen, um die präoperative Planung des neurochirurgischen Eingriffs zu erstellen.

Unter Vollnarkose wurde ein bikoronaler Einschnitt in die Kopfhaut durchgeführt, um zwei kreisförmige Kraniotomien über den geplanten Stellen der linken und rechten Hemisphäre zu ermöglichen, wobei ein maßgeschneiderter kreisförmiger Trepan verwendet wurde, der dem Durchmesser der Implantate entsprach. Anschließend ersetzten wir die Knochenlappen durch die beiden implantierbaren Aufnahmegeräte, bevor wir die Kopfhaut verschlossen.

Die Paddelleitung wurde während der klinischen STIMO-Studie über den dorsalen Wurzeleintrittszonen des lumbalen Rückenmarks positioniert. Die optimale Position der Elektrode wurde anhand eines personalisierten Modells der Wirbelsäule ermittelt, das aus hochauflösender Strukturbildgebung5 erstellt wurde (Abb. 1c). Die endgültige Lokalisierung wurde intraoperativ anhand elektrophysiologischer Aufzeichnungen4,5 optimiert. Der implantierbare Impulsgenerator, der mit der Elektrode verbunden war, wurde in eine subkutane Bauchtasche eingeführt.

Der Teilnehmer wurde 24 Stunden nach jedem neurochirurgischen Eingriff entlassen.

Die Kalibrierung des BSI erforderte zwei unabhängige Verfahren zur Auswahl der Merkmale von ECoG-Aufzeichnungen, die die Bewegungsabsicht unterscheiden, und zur Konfiguration von Stimulationsprogrammen, die bestimmte Ensembles der Muskeln der unteren Extremitäten modulieren.

Das erste Verfahren bestand darin, die räumlichen, spektralen und zeitlichen Merkmale der ECoG-Signale zu extrahieren, die mit der Absicht verbunden waren, jedes Gelenk beider unterer Gliedmaßen zu mobilisieren. Zu diesem Zweck wurde der Teilnehmer gebeten, im Sitzen Hüft-, Knie- und Knöchelbewegungen der linken und rechten Seite zu versuchen, wobei gleichzeitig ECoG-Signale aufgezeichnet wurden. Diese Kartierung ermöglichte die Identifizierung der Elektroden, Spektralmerkmale und Zeitfenster, die die größere Menge an bewegungsbezogenen Informationen erfassten4,21,22,23,24 (Abb. 2a und erweiterte Daten Abb. 2). Die Elektroden, die mit den Beinbewegungen korrelierende neuronale Signale maßen, befanden sich auf der medialsten Seite des Implantats, rostral des zentralen Sulcus, wie auf der Grundlage präoperativer magnetoenzephalographischer Aufzeichnungen zu erwarten war. Die räumliche Verteilung dieser Elektroden folgte einer Somatotopie, die die genaue Unterscheidung von Hüft-, Knie- und Knöchelbewegungen ermöglichte (Extended Data Abb. 2c). Andererseits fielen die Bewegungen der oberen Gliedmaßen mit der Modulation der ECoG-Signale zusammen, die über Elektroden an der lateralen Seite des Implantats gemessen wurden (Erweiterte Daten, Abb. 2f). Bewegungsbezogene Informationen waren im gesamten Bereich der Beta- und Gamma-Frequenzbänder der ECoG-Signale enthalten (Abb. 2a und erweiterte Daten Abb. 2g). Dieses Verfahren ermöglichte es uns, die Implantate mit optimalen Eigenschaften zu konfigurieren, um dem Teilnehmer die Bedienung des BSI zu ermöglichen (Extended Data Abb. 2f, g).

a, Identifizierung der räumlichen und spektralen Verteilungen der ECoG-Merkmalsgewichte im Zusammenhang mit versuchten Beugungen der linken Hüfte. b, Kalibrierung von Anoden-/Kathodenkonfigurationen und Stimulationsparametern (Frequenz, Amplitudenbereich), um Beugungen der linken Hüfte hervorzurufen, einschließlich elektromyographischer Signale von den Muskeln der unteren Extremitäten. Das Polardiagramm zeigt die relative Amplitude der Muskelreaktionen für die optimale Konfiguration, um die linken Hüftbeuger über den Bereich der funktionellen Stimulationsamplituden (300 µs, 40 Hz, 14–16 mA) anzusprechen. c, Online-Kalibrierung des BSI, um eine willentliche Hüftbeugung in sitzender Position zu ermöglichen. Repräsentatives Sequenzberichtsspektrogramm, Dekodierungswahrscheinlichkeit und proportionale Modulation der Stimulationsamplituden zusammen mit der resultierenden Muskelaktivität und dem resultierenden Drehmoment. Das Diagramm zeigt die Konvergenz des Modells im Zeitverlauf und erreicht nach 90 s 97 ± 0,4 %. d, Ähnliche Darstellungen nach der Kalibrierung des BSI, um die Kontrolle über Hüft-, Knie- und Knöchelgelenke der unteren Gliedmaßen zu ermöglichen. e, Verwirrungsmatrizen, die die Dekodierungsgenauigkeit für jedes Gelenk (74 ± 7 % SEM) und die Genauigkeit der Stimulation für jede Zielmuskelgruppe (83 ± 6 % SEM) angeben.

Das zweite Verfahren bestand aus der Konfiguration von Stimulationsprogrammen (Abb. 2b). Die epidurale elektrische Stimulation des Rückenmarks kann durch die Rekrutierung der dorsalen Wurzeleintrittszonen, die in die Rückenmarksregionen hineinragen, in denen sich diese Motorpools befinden, spezifische Ensembles von Motorpools modulieren9,25. Optimierte Konfigurationen von Anoden und Kathoden wiederum können elektrische Felder auf bestimmte Teilmengen von dorsalen Wurzeleintrittszonen lenken, um wohldefinierte Ensembles von Motoneuronenpools zu modulieren5,9,25. Dieses physiologische Prinzip ermöglicht die Regulierung der Streck- und Beugebewegungen jedes Gelenks. Wir nutzten dieses Prinzip, um eine Bibliothek gezielter epiduraler Elektrostimulationsprogramme zu konfigurieren, die die Hüft-, Knie- und Knöchelgelenke von beiden Seiten mobilisierten. Konkret haben wir Kombinationen aus Anoden und Kathoden, Stimulationsfrequenzen und -amplituden konfiguriert, um elektrische Ströme zu steuern und eine schrittweise Kontrolle über die Aktivität der Zielmuskelgruppen zu erreichen (Erweiterte Daten, Abb. 2b–d).

Anschließend nutzten wir die Konfigurationen kortikaler und spinaler Implantate, um den BSI auf der Grundlage eines rekursiven, exponentiell gewichteten multilinearen Aksenova/Markov-Switching-Algorithmus zu kalibrieren, der ECoG-Signale mit der Steuerung epiduraler elektrischer Stimulationsparameter verknüpfte (Extended Data Abb. 1).

Der Algorithmus wurde entwickelt, um zwei separate Vorhersagen zu generieren. Zunächst berechnete ein Gating-Modell die Wahrscheinlichkeit der Absicht, ein bestimmtes Gelenk zu bewegen. Zweitens sagte ein unabhängiges multilineares Modell die Amplitude und Richtung der beabsichtigten Bewegung voraus. Die adaptiven Eigenschaften des Algorithmus ermöglichten eine inkrementelle Online-Parametrisierung der Modelle während des gesamten Kalibrierungszeitraums. Ein verstecktes Markov-Modell gewährleistete die Stabilität und Robustheit der Vorhersagen26.

Anschließend übersetzten wir die Vorhersagen des Algorithmus in einen analogen Controller, der die Amplitude gelenkspezifischer Stimulationsbefehle anpasste. Diese aktualisierten Befehle wurden alle 300 ms an den implantierbaren Impulsgenerator übermittelt.

Bereits in der ersten Sitzung nach dem neurochirurgischen Eingriff kalibrierte der Algorithmus einen BSI, der es dem Teilnehmer ermöglichte, die relative Beugung der linken und rechten Hüfte eines auf einen Bildschirm projizierten Avatars zu steuern (Ergänzungsvideo 2). Anschließend haben wir die analoge Steuerung der Stimulationsamplitude in den Algorithmus integriert. Aus liegender Position konnte der Teilnehmer innerhalb von weniger als zwei Minuten die Aktivität der Hüftmuskulatur steuern, um ein Drehmoment mit einer Genauigkeit von 97 % zu erzeugen (Abb. 2c).

Anschließend haben wir dieses BSI-Framework erweitert, um es dem Teilnehmer zu ermöglichen, die relative Amplitude von Hüft-, Knie- und Knöchelgelenken bilateral zusammen mit dem Ruhezustand zu steuern, was insgesamt sieben Zustände ergibt. Mit diesem proportionalen BSI, der sieben Zustände kombiniert, erreichte der Teilnehmer eine schrittweise Kontrolle über die Bewegung jedes Gelenks bilateral mit einer Genauigkeit von 74 ± 7 %, während die Wahrscheinlichkeit auf 14 % begrenzt war (Abb. 2d, e). Die Latenz des Decoders betrug für die sieben Zustände nur 1,1 s (±0,15 s SEM).

Diese ersten Sitzungen validierten das Verfahren für die schnelle, robuste und genaue Kalibrierung eines BSI, der über mehrere Dimensionen hinweg arbeitet.

Als nächstes fragten wir, ob dieses Verfahren die Kalibrierung eines BSI unterstützt, der die natürliche Kontrolle über das Gehen wiederherstellt.

Beim Gehen sind klar definierte Sequenzen von Muskelaktivierungsmustern erforderlich, die die Gewichtsakzeptanz, den Antrieb und das Schwingen der linken und rechten unteren Gliedmaßen unterstützen. Diese Sequenzen fallen mit der Aktivierung von Motorpools zusammen, die sich in gut getrennten Regionen des lumbosakralen Rückenmarks befinden4,27. Daher haben wir die Stimulationsprogramme in der Bibliothek ausgewählt, die auf Muskeln abzielen, die mit Gewichtsakzeptanz-, Antriebs- und Schwungfunktionen verbunden sind, und diese Programme mit der Dekodierung von Wahrscheinlichkeiten verknüpft. Wir haben den BSI kalibriert, um es dem Teilnehmer zu ermöglichen, die relative Amplitude von Stimulationsprogrammen für Gewichtsakzeptanz und Schwungfunktionen zu steuern.

Wir haben diesen BSI zunächst beim freiwilligen Anheben des Fußes im Stehen getestet. Nach nur 5 Minuten Kalibrierung unterstützte der BSI eine kontinuierliche Kontrolle der Aktivität der Hüftbeugemuskeln, wodurch der Teilnehmer eine fünffache Steigerung der Muskelaktivität im Vergleich zu Versuchen ohne BSI erreichen konnte (Abb. 3a).

a, Versuche, freiwillige Hüftbeugungen ohne und mit dem BSI durchzuführen, einschließlich Fotos, vertikaler Anhebung des Knies und Aktivität der Hüftbeugermuskulatur. Balkendiagramme geben die Mittelwerte dieser Messungen an. (n = 3 Versuche pro Bedingung, ungepaarter einseitiger t-Test, ***P < 0,001.) b, Chronofotografie beim Gehen mit ein-, ausgeschaltetem und wieder eingeschaltetem BSI. Beachten Sie die beiden entschlüsselten Versuche, die weder zu Muskelaktivität noch zur Ausführung von Schritten führen. c, Bereich der Stimulationsamplitude beim Gehen. d, Balkendiagramme mit Mittelwerten der kinematischen und Muskelaktivitätsparameter beim Gehen mit ein- und ausgeschaltetem BSI (n = 3 bzw. 8 Versuche für BSIOFF bzw. BSION, ungepaarter einseitiger t-Test, ***P < 0,001, P(Iliopsoas-Aktivierung) = 3,4 × 10−4, P(Schritthöhe) = 5,1 × 10−10, P(Hüftwinkel) = 2,7 × 10−5, P(Kniewinkel) = 1,6 × 10−9) . e, Chronofotografie des Stehens (freiwillige Pause) und Gehens mit dem BSI im Freien. Das Spektrogramm, die Wahrscheinlichkeiten von Links- und Rechtsschritten und die Modulation der Stimulationsamplituden veranschaulichen die Robustheit der Leistung und das Fehlen falsch-positiver Erkennungen während der freiwilligen Pause. f, Diagramme geben die Wahrscheinlichkeit von Beugungen der rechten Hüfte über aufeinanderfolgende Schritte an, gemessen während der ersten Sitzung nach der neurochirurgischen Implantation (n = 13 Schritte, Genauigkeit = 0,92 ± 0,1 sd, w = 2,66 ± 0,6 s sd) und bei 2 (n = 46 Schritte, Genauigkeit = 0,93 ± 0,1 sd, w = 2,64 ± 0,6 s sd), 6 (n = 41 Schritte, Genauigkeit = 0,97 ± 0,1 sd, w = 2,56 ± 0,9 s sd) und 11 Monate (n = 29 Schritte, Genauigkeit = 0,97 ± 0,1 sd, w = 1,71 ± 0,4 s sd) nach der ersten Aktivierung des BSI unter Verwendung aktualisierter Modelle (Extended Data Abb. 5).

Wir haben die gleiche Konfiguration bereitgestellt, um das Gehen mit Krücken zu unterstützen. Der BSI ermöglichte eine kontinuierliche, intuitive und robuste Kontrolle des Gehens (Abb. 3b). Wenn der BSI ausgeschaltet wurde, verlor der Teilnehmer sofort die Fähigkeit, einen Schritt auszuführen, obwohl aufgrund der Modulation der kortikalen Aktivität Gehversuche festgestellt wurden. Das Gehen konnte wieder aufgenommen werden, sobald das BSI wieder eingeschaltet wurde. Der Teilnehmer konnte entscheiden, ob er mit dem Treten beginnen, kontinuierlich gehen, anhalten oder ruhig stehen sollte, ohne dass Fehlalarme erkannt wurden, die die Stehleistung beeinträchtigen würden (Extended Data, Abb. 3). Tatsächlich ergaben Untersuchungen der Berg Balance Scale, dass der BSI die allgemeinen Gleichgewichtsfähigkeiten nicht beeinträchtigte, sondern sogar leicht verbesserte (Erweiterte Daten, Abb. 3c).

Der Teilnehmer berichtete, dass der BSI eine natürliche Kontrolle über seine Bewegungen beim Gehen ermöglichte (Ergänzungsvideo 2). Unser Ziel war es, diese subjektive Wahrnehmung mit quantifizierten Ergebnissen zu erfassen. Zu diesem Zweck haben wir eine Hauptkomponentenanalyse auf die Ganzkörperkinematik und Muskelaktivität angewendet, die beim Gehen auf einem Laufband mit dem BSI oder mit den gleichen Stimulationsprogrammen, die in einem geschlossenen Regelkreis auf der Grundlage von an den Füßen angebrachten Bewegungssensoren gesteuert werden, erfasst wurden. Im Vergleich zur alleinigen Stimulation ermöglichte der BSI das Gehen mit Gangmerkmalen, die deutlich näher an denen lagen, die bei gesunden Personen quantifiziert wurden (Erweiterte Daten, Abb. 4a). Das BSI stellte eine kontinuierliche Verbindung zwischen der beabsichtigten Bewegung und der Modulation der Stimulationsprotokolle sicher, was sich in der Fähigkeit niederschlug, mit Krücken selbstständig über Boden zu gehen. Als die beabsichtigten Bewegungen von den Bewegungssensoren erkannt wurden, berichtete der Teilnehmer über eine häufige zeitliche Diskrepanz zwischen den Erkennungen und seinen Absichten, was seine Gehfähigkeit unter diesen Bedingungen beeinträchtigte (Extended Data Abb. 4b).

Als nächstes wollten wir untersuchen, ob der BSI eine intuitive und natürliche Kontrolle über komplexe Aktivitäten des täglichen Lebens ermöglichen kann, die ohne den BSI nicht möglich wären.

Als sich der Teilnehmer sieben Jahre nach seinem Unfall bei STIMO anmeldete, war er nicht in der Lage, selbstständig zu gehen. Der Abschluss dieser klinischen Studie ermöglichte es ihm, bei eingeschalteter Stimulation wieder grundlegende Gehfähigkeiten zu erlangen, allerdings erforderte diese Erholung kompensatorische Strategien, um die Stimulationssequenzen basierend auf dem Anheben der Ferse auszulösen. Er erlangte auch ohne Stimulation eine teilweise Beweglichkeit zurück. Allerdings hatte er Schwierigkeiten beim Übergang vom Stehen zum Gehen und Anhalten und konnte nur über ebene Flächen gehen. Darüber hinaus war er nicht in der Lage, die Bewegungen der unteren Gliedmaßen an das Überwinden von Rampen, das Überwinden von Hindernissen oder das Treppensteigen anzupassen – was zur Unterstützung der Mobilität im Alltag erforderlich ist.

Um zu zeigen, dass das BSI diese Einschränkungen behoben hat, haben wir eine Reihe von Modellen entworfen, die die Bedingungen nachahmen, die diesen Aktivitäten des täglichen Lebens zugrunde liegen.

Wir fragten zunächst, ob der Teilnehmer in der Lage sei, auf steilem Gelände zu gehen, was eine adaptive Modulation der Amplitude der Muskelaktivität erforderte. Mit dem BSI kletterte der Teilnehmer mühelos eine steile Rampe hinauf und hinunter und bewältigte diese Aufgabe doppelt so schnell wie ohne Stimulation. Der BSI ermöglichte auch eine hohe Stufenfreiheit, die zum Überwinden mehrerer Treppen, zum Überwinden von Hindernissen und zum Überqueren wechselnden Geländes erforderlich ist (Erweiterte Daten, Abb. 4c, d). Alle diese Aufgaben wurden mit derselben BSI-Konfiguration ausgeführt, die sich als äußerst zuverlässig erwies und eine Vielzahl von Aufgaben mit sehr unterschiedlichen Einschränkungen unterstützte (Erweiterte Daten, Abb. 4c, d).

Als nächstes versuchten wir, die Stabilität des BSI zu beurteilen. Zu diesem Zweck haben wir die Stabilität kortikaler Signale und Decoder im Zeitverlauf sowie die Notwendigkeit einer Anpassung der Stimulationsprogramme quantifiziert.

Nach einem vorübergehenden Zeitraum von einem Monat, in dem kortikale Signale geringfügige Änderungen im Spektralinhalt der verschiedenen Frequenzbänder aufwiesen, blieben die ECoG-Signale in den folgenden Monaten stabil (Erweiterte Daten, Abb. 5a). Die Abnahme der spektralen Leistung wurde auf durchschnittlich 0,03 dB pro Tag begrenzt. Diese Stabilität ermöglichte eine robuste Leistung. Wir fanden zum Beispiel heraus, dass derselbe Decoder es dem Teilnehmer ermöglichte, trotz eines zweimonatigen Abstands zwischen beiden Sitzungen schrittweise die Kontrolle über sechs Gelenke zu erlangen (Extended Data Abb. 6). Diese Robustheit haben wir uns bei der Neurorehabilitation zunutze gemacht, da wir den BSI nur dann neu kalibriert haben, wenn der Teilnehmer und/oder Physiotherapeuten dies für notwendig erachtet haben, um die bestmögliche funktionelle Leistung zu fördern. Trotz dieser Neukalibrierungen blieben die Funktionen der Decoder im Laufe der Zeit bemerkenswert stabil (Extended Data Abb. 5b). Tatsächlich sind die Signalqualität und die Decodierungsgenauigkeit während des Gehens über fast ein Jahr der Nutzung hinweg weltweit unverändert geblieben (Abb. 3f und erweiterte Daten, Abb. 5d). Während die kortikalen Merkmale im Laufe der Zeit stabil blieben, stellten wir eine fortschreitende Verstärkung ihrer Modulationstiefe fest, was eine allmähliche Verbesserung der Fähigkeit des Teilnehmers zeigte, seine kortikale Aktivität bei der Bedienung des BSI zu modulieren (Extended Data, Abb. 5e).

Die Bibliothek der Stimulationsprogramme zeigte die gleiche Stabilität. Der optimale Bereich der Stimulationsamplituden hing von der spezifischen Konfiguration der Elektroden und Zielmuskeln ab (Erweiterte Daten, Abb. 5c). Diese Stimulationsamplitudenbereiche blieben jedoch über ein Jahr lang stabil und die Stimulationsschwellen änderten sich im Laufe der Zeit nicht.

Ziel der klinischen Studie war es zu untersuchen, ob die vom BSI unterstützte Neurorehabilitation die neurologische Genesung weiter verbessert (Abb. 4a). Vor der Anmeldung bei STIMO-BSI hatte der Teilnehmer die klinische Studie STIMO abgeschlossen, die es ihm ermöglichte, die willentliche Kontrolle über zuvor gelähmte Muskeln wiederzugewinnen und seine Steh- und Gehfunktionen zu verbessern. Nach drei Jahren regelmäßigen Trainings nur mit Stimulation hatte er jedoch ein Plateau der Erholung erreicht (Abb. 4d–f).

a, Chronofotografie, die die Gehfähigkeit des Teilnehmers ohne jegliche Stimulation vor der Anmeldung zur klinischen STIMO-Studie (vor STIMO), nach deren Abschluss (nach STIMO) und nach Abschluss der klinischen STIMO-BSI-Studie (nach BSI) veranschaulicht. b, Zeitleiste der beiden klinischen Studien, einschließlich eines Kreisdiagramms, das die Zeit angibt, in der die verschiedenen Arten von Neurorehabilitationsübungen durchgeführt wurden, sowie die Heimanwendung des BSI. c, Fotos, die die maximale Hüftbeugung und die damit verbundene Beugemuskelaktivität vor und nach der Neurorehabilitation zeigen. d, Veränderungen der motorischen Werte der unteren Extremitäten im Verlauf beider klinischer Studien. e, Diagramme, die Verbesserungen der WISCI II-Werte im Verlauf beider klinischer Studien melden. Die vom BSI unterstützte Neurorehabilitation stellte die Fähigkeit wieder her, mit Krücken ohne Hilfe oder Stimulation über 10 m zu gehen. f–h, Diagramme mit Quantifizierungen des 6-Minuten-Gehtests (f), der Belastbarkeit, der Auf- und Ablaufzeit, der Berg-Balance-Skala (g) und der beobachtenden Ganganalyse (h) (jeder Punkt bezieht sich auf die Ergebnisse eines Physiotherapeuten ( n = 6, gepaarter einseitiger t-Test; **P = 0,002). N/A, nicht verfügbar.

Der Teilnehmer absolvierte 40 Neurorehabilitationssitzungen (Abb. 4b). Dazu gehörten Gehen mit BSI, Einzelgelenkbewegungen mit BSI, Gleichgewicht mit BSI und Standardphysiotherapie. Da die Beeinträchtigungen in den Hüftbeugemuskeln stärker ausgeprägt waren, konzentrierten wir uns bei den Trainingsübungen und BSI-Konfigurationen hauptsächlich auf die Kontrolle dieser Muskeln.

Dieses Neurorehabilitationsprogramm führte zu einer deutlichen Verbesserung der Willenskontrolle der Hüftbeugemuskeln und der damit verbundenen Hüftbeugebewegungen ohne Stimulation (Abb. 4c). Diese Erholung korrelierte mit Zuwächsen bei den sensorischen (4 Punkte bei der Bewertung der leichten Berührungssensorik) und motorischen Werten (Abb. 4d) sowie verbesserten Steh- und Gehfähigkeiten, die sich in einem Anstieg der WISCI II-Werte von 6 vor STIMO auf 16 nach STIMO niederschlugen. BSI (Abb. 4e). Konkret zeigte der Teilnehmer Verbesserungen bei allen konventionellen klinischen Beurteilungen, wie z. B. dem Sechs-Minuten-Gehtest, der Belastbarkeit, dem Time-Up-and-Go, der Berg-Balance-Skala und der Gehqualität, die anhand der beobachtenden Ganganalyseskala28 von Physiotherapeuten beurteilt wurde, die keine Ahnung davon hatten Studie (Abb. 4d – h und erweiterte Datentabelle 3). Diese Verbesserungen ohne Stimulation führten zu einer deutlichen Steigerung der Lebensqualität, wie z. B. dem selbstständigen Gehen im Haus, dem Ein- und Aussteigen in ein Auto oder dem Trinken eines Getränks mit Freunden an einer Bar (Ergänzungsvideo 3).

Das BSI verbesserte die Steh- und Gehfähigkeiten der Teilnehmer, was uns dazu veranlasste, ein BSI-Rahmenwerk für die unabhängige Nutzung zu Hause zu entwickeln.

Wir haben ein System entwickelt, das vom Teilnehmer ohne fremde Hilfe bedient werden kann. Dieses System umfasst einen Gehwagen, der mit einem integrierten Gehäuse ausgestattet ist, in dem alle Komponenten des BSI eingebettet sind (Extended Data Abb. 7). Über eine taktile Schnittstelle kann der Teilnehmer mit der maßgeschneiderten Software interagieren, um eine Aktivität zu starten, die Platzierung des Headsets zu überprüfen und die minimalen und maximalen Amplituden der Stimulationsprogramme anzupassen. Die Konfiguration der Hardware und Software ist mit minimalen Benutzereingaben in weniger als 5 Minuten abgeschlossen. Anschließend kann der Teilnehmer das BSI zur Neurorehabilitation oder zur Unterstützung von Aktivitäten des täglichen Lebens nutzen (Ergänzungsvideo 4). Der Teilnehmer nutzte das System über einen Zeitraum von 7 Monaten regelmäßig mit stabiler Decodierungsleistung (Extended Data Abb. 7c). Diese Heimnutzung führte zu einer deutlichen Steigerung der vom Teilnehmer wahrgenommenen Vorteile, wie durch den Fragebogen „Psychosocial Impact of Assistive Devices Scale“ (PIADS) quantifiziert (erweiterte Datentabelle 4). Sicherheit, Geschicklichkeit und Teilnahmefähigkeit wurden in diesem Fragebogen als die maximal möglichen Zugewinne eingestuft.

Wir haben eine drahtlose, digitale Brücke zwischen Gehirn und Rückenmark konzipiert, die nach einer Lähmung aufgrund einer Rückenmarksverletzung die natürliche Kontrolle über die Bewegungen der unteren Gliedmaßen wiederherstellt, um auf komplexem Gelände zu stehen und zu gehen. Darüber hinaus führte die Neurorehabilitation zu neurologischen Verbesserungen, die auch nach Abschalten der Brücke anhielten.

Die Validierung dieser digitalen Brücke war auf eine einzelne Person mit schwerer, aber teilweiser Schädigung des Rückenmarks beschränkt und es bleibt daher unklar, ob der BSI auf andere Verletzungsorte und -schweregrade anwendbar ist. Mehrere Beobachtungen deuten jedoch darauf hin, dass dieser Ansatz auf eine breite Population von Personen mit Lähmungen anwendbar sein wird. Erstens wurden die physiologischen Prinzipien, die der gezielten epiduralen elektrischen Stimulation des Rückenmarks zugrunde liegen, inzwischen bei neun von neun behandelten Personen mit unvollständigen4 und vollständigen5 Verletzungen6 validiert. Zweitens haben wir Verfahren entwickelt, die eine einfache, schnelle und stabile Kalibrierung der Verbindung zwischen kortikaler Aktivität und Stimulationsprogrammen unterstützen und es dem Teilnehmer ermöglichen, das BSI zu Hause ohne Aufsicht zu bedienen. Drittens wurde nun bei zwei weiteren Personen mit Tetraplegie eine vergleichbare Robustheit und Stabilität dieses rechnerischen und technologischen Gehirndekodierungsrahmens beobachtet3,26,29. Obwohl die vorherige Erfahrung des Teilnehmers mit der Stimulation die Konfiguration des BSI beschleunigte, erwarten wir keine größeren Hindernisse für die Implementierung eines BSI bei neuen Personen. Tatsächlich konnten wir Stimulationsprogramme konfigurieren, die bei drei Teilnehmern mit vollständiger sensomotorischer Lähmung das Treten innerhalb eines Tages wiederherstellten5.

Die Abgabe einer epiduralen Elektrostimulation über das Lendenwirbelsäulenmark hat es vielen Menschen mit Rückenmarksverletzungen ermöglicht, die adaptive Kontrolle über die Aktivität ansonsten gelähmter Muskeln wiederzugewinnen. Diese Erholung wurde in verschiedenen unabhängigen Studien dokumentiert, unter anderem bei Teilnehmern mit vollständiger sensomotorischer Lähmung5,6,30,31,32,33,34. Diese Beobachtungen deuten darauf hin, dass anatomisch intakte, aber funktionell stille Bahnen vom Gehirn den Einfluss der epiduralen Elektrostimulation auf die Aktivität des Rückenmarks unterhalb der Verletzung modulieren können. Allerdings erkennen diese Studien auch eine Reihe von Einschränkungen an. Zunächst müssen die Stimulationsparameter auf der Grundlage des Zielmuskels oder der gewünschten motorischen Funktion fein abgestimmt werden. Zweitens muss der Beginn der Stimulation genau mit der motorischen Absicht synchronisiert werden. Drittens erfordert eine fein abgestufte Kontrolle der Muskelaktivität die Modulation der Stimulationsamplitude. Das BSI beseitigt diese drei Einschränkungen. In diesem Szenario laufen die verbleibenden und prothetischen Bahnen auf denselben Neuronen unterhalb der Verletzung zusammen und ermöglichen so eine abgestufte und dauerhafte Kontrolle über die Muskelaktivität. Diese Zusammenarbeit spielt wahrscheinlich eine wesentliche Rolle bei der Neuorganisation neuronaler Pfade, die die neurologische Erholung als Reaktion auf die Neurorehabilitation mit dem BSI vermitteln. Vergleichbare Beobachtungen wurden berichtet, als elektroenzephalographische Signale während der Gangrehabilitation bei Menschen mit Rückenmarksverletzungen an ein Exoskelett oder eine funktionelle elektrische Stimulation der Muskeln gekoppelt wurden22,24,35. Die schlechte Qualität der elektroenzephalographischen Signale unter mobilen Bedingungen sowie die Unpraktikabilität dieses technologischen Rahmens stellen jedoch ein Hindernis für die klinische Umsetzung dieser nicht-invasiven Strategien dar.

Die durch die digitale Brücke unterstützte Neurorehabilitation führte nach drei Jahren stabiler Leistung zu zusätzlichen neurologischen Verbesserungen, trotz fortgesetzter Anwendung der epiduralen Elektrostimulation zu Hause. Diese Verbesserungen fanden vor allem bei der Kontrolle der Hüftmuskulatur statt, die das Hauptziel gehirngesteuerter Stimulationsprogramme während der Neurorehabilitation war. Obwohl der Fokus auf einer Muskelgruppe lag, führte diese neurologische Erholung zu der Fähigkeit, das Bein ohne Stimulation gegen die Schwerkraft anzuheben. Diese Erholung unterstützte das selbstständige Gehen mit Krücken.

In präklinischen Modellen löste die durch eine digitale Brücke unterstützte Neurorehabilitation im Vergleich zur alleinigen epiduralen Elektrostimulation eine bessere Genesung aus15. Die gehirngesteuerte neuromuskuläre Stimulation führte auch nach einem Schlaganfall36 und einer Rückenmarksverletzung zu dauerhaften Funktionsverbesserungen der beanspruchten Muskeln22,24,37. Da der Teilnehmer zuvor nach intensiver Rehabilitation mit Rückenmarksstimulation allein ein Erholungsplateau erreicht hatte, kann man davon ausgehen, dass der BSI eine Reorganisation neuronaler Bahnen auslöste, die für die zusätzliche neurologische Erholung verantwortlich war. Diese Ergebnisse legen nahe, dass die Herstellung einer kontinuierlichen Verbindung zwischen Gehirn und Rückenmark die Neuorganisation verbleibender neuronaler Pfade fördert, die diese beiden Regionen unter normalen physiologischen Bedingungen verbinden38,39,40,41. Die Ausweitung des Konzepts einer digitalen Brücke auf das Halswirbelsäulenmark kann auch die Arm- und Handbewegungen nach einer Rückenmarksverletzung42 und einem Schlaganfall43 wiederherstellen. Es ist jedoch wichtig zu verstehen, dass das relative Ausmaß der neurologischen Erholung zwangsläufig mit der Schwere der Läsion korreliert.

Der Ausbau dieser digitalen Brücke erfordert mehrere Entwicklungen. Erstens erfordert die praktische Nutzung des kortikalen Implantats eine Miniaturisierung der Basisstation, der Recheneinheit und der nicht wahrnehmbaren Antennen. Durch Druckmessung und dynamische Anpassung der abgetasteten Elektroden und Merkmale könnte der Platzbedarf kortikaler Geräte weiter reduziert werden. Zweitens muss das Wirbelsäulenimplantat über ultraschnelle Kommunikationsfähigkeiten, vielseitige Stimulationsparameter und eine direkte drahtlose Steuerung durch die tragbare Recheneinheit verfügen. Schließlich könnten die kortikalen und spinalen Implantate durch einen einzigen integrierten Schaltkreis mit geringem Stromverbrauch gesteuert werden, der einen neuromorphen Prozessor mit Selbstkalibrierungsfunktion enthält, der die kortikale Aktivität autonom in Aktualisierungen von Stimulationsprogrammen umwandelt. Obwohl diese Entwicklungen Zeit und Ressourcen erfordern, erwarten wir keine technischen Hürden, um diesen Übergang zu realisieren.

Das Konzept einer digitalen Brücke zwischen Gehirn und Rückenmark läutet eine neue Ära in der Behandlung motorischer Defizite aufgrund neurologischer Störungen ein.

Alle Experimente wurden im Rahmen der laufenden klinischen Machbarkeitsstudie STIMO-BSI („Brain-controlled Spinal Cord Stimulation in Patients With Spinal Cord Injury“) durchgeführt, die die Sicherheit und vorläufige Wirksamkeit einer gehirngesteuerten Rückenmarkstimulation nach Rückenmarksverletzungen untersucht Verletzung (clinicaltrials.gov, NCT04632290). Alle chirurgischen und experimentellen Eingriffe wurden am Universitätsklinikum Lausanne (CHUV) durchgeführt, mit Ausnahme der Magnetenzephalographie-Experimente, die in den CEA Clinatec-Einrichtungen (Grenoble) durchgeführt wurden. Die Studie umfasste funktionelle Beurteilungen vor der Implantation der kortikalen Geräte, den neurochirurgischen Eingriff, einen sechswöchigen Zeitraum, in dem verschiedene Decoder kalibriert und Bibliotheken zur Rückenmarksstimulation erstellt wurden, sowie einen 15-wöchigen Zeitraum der Neurorehabilitation mit Physiotherapeuten. Das waren insgesamt 40 Sitzungen mit einer Dauer von ein bis drei Stunden. Das Neurorehabilitationsprogramm wurde auf Grundlage der Fortschritte des Teilnehmers personalisiert. Am Ende der Neurorehabilitationsphase verließ der Teilnehmer die aktive Teilnahmephase der klinischen Studie und erhielt die Möglichkeit, das BSI zu Hause weiter zu verwenden. Der Teilnehmer wird derzeit vom Studienteam bis zum Ende der dreijährigen Studienverlängerungsphase zur Heimnutzung des Systems regelmäßig nachbeobachtet.

Vor der Aufnahme in die STIMO-BSI-Studie hatte der Teilnehmer das klinische Protokoll STIMO („STIMO: Epidural Electrical Simulation (EES) With Robot-assisted Rehabilitation in Patients With Spinal Cord Injury“, NCT02936453) abgeschlossen, bei dem ein Rückenmarkstimulationssystem eingesetzt wurde ihm wurde ein Implantat implantiert und er hatte ein fünfmonatiges intensives Neurorehabilitationsprogramm mit Unterstützung der EES absolviert, gefolgt von einer zweijährigen Phase der unabhängigen Anwendung zu Hause.

Darüber hinaus unterzog sich der Teilnehmer ein Jahr vor seinem Beitritt zur STIMO-BSI-Studie einem chirurgischen Eingriff mit: (1) talonavikulärer Arthrodese, Übertragung der Zehenstrecker auf den Peroneus tertius; und Übertragung des Tibialis posterior auf den Tibialis anterior und den Musculus extensor digitorum longus; und (2) Tenotomie aller langen Zehenbeuger und interphalangeale Arthrodese des Hallux. Beide wurden bilateral durchgeführt und könnten sich aufgrund der Veränderung der Spastik und der mechanischen Eigenschaften des Gelenks auf die Zuverlässigkeit der Werte für die Motorik des langen Zehenstreckmuskels vor und während der Studie ausgewirkt haben. Aus diesem Grund haben wir uns entschieden, den Wert für die Motorik des langen Zehenstreckers in unserer Analyse nicht zu berücksichtigen.

Vor Eintritt in die klinische STIMO-BSI-Studie wurde dem Teilnehmer bereits ein Rückenmarkssystem implantiert, das nicht MRT-kompatibel war. Daher konnten wir keine anatomische oder funktionelle MRT des Gehirns durchführen. Die Magnetenzephalographie (MEG) reagiert bei der Quellenrekonstruktion weniger empfindlich auf anatomische Ungenauigkeiten als die Elektroenzephalographie (EEG)44. Aus diesem Grund haben wir uns entschieden, MEG zu verwenden, um die Aktivität abzubilden, die mit den motorischen Absichten der Gliedmaßen korreliert.

Vor dem neurochirurgischen Eingriff zur Platzierung der kortikalen Implantate wurde die MEG-Aktivität in einem magnetisch abgeschirmten Raum mit einem 306-Kanal-Array für die gesamte Kopfhaut (204 planare Gradiometer und 102 Magnetometer) des Elekta Neuromag-Systems (Elekta Neuromag) gemessen. Elektrokardiogramm und Elektrookulogramm wurden gleichzeitig aufgezeichnet. Die Aufnahme-Abtastrate betrug 1.000 Hz. Während der Experimente wurden kontinuierlich Kopfpositionsanzeigesignale aufgezeichnet, um die Kopfbewegungen der Versuchsperson zu verfolgen. Vor dem Experimentieren wurde ein dreidimensionales (3D) Digitalisierungssystem (Isotrak II, Polhemus) verwendet, um anatomische Bezugspunkte für die spätere Koregistrierung mit der Computertomographie (CT) des Kopfes zu lokalisieren. Mithilfe der Software MaxFilter v.3.0 (Elekta) wurde eine zeitliche Signalraumtrennung (tSSS) angewendet, um das Rauschen in den MEG-Daten zu reduzieren. Erstens ermöglichte die manuelle Überprüfung der Rohdaten die Markierung fehlerhafter Kanäle. Zweitens wurde der tSSS-Filter mit Kopfbewegungskompensation und automatischer Kanalfehlerkorrektur angewendet. Die Hauptparameter wurden auf den Standardwerten belassen (tSSS-Korrelationsschwelle von 0,98, Expansionsordnungen für „in“- und „out“-Komponenten des Signals auf 8 bzw. 3 eingestellt und ein Zeitpuffer von 10 s). Eine Kerbfilterung bei 50 Hz und Oberschwingungen (100 Hz, 150 Hz, 200 Hz und 250 Hz) wurde ebenfalls angewendet, um Verunreinigungen aus der Stromleitung zu entfernen. Stereotype Artefakte (Herz, Auge) wurden durch unabhängige Komponentenanalyse mit der MNE-Python-Software45 identifiziert und beim visuellen Screening verworfen (Infomax-Methode, getrennt für Magnetometer und Gradiometer unter Verwendung von 64 Komponenten berechnet). Die Kopf-, Schädel- und Kortexgeometrien wurden aus einem CT-Scan mithilfe der in der Brainstorm-Software enthaltenen MRT-Segmentierungsroutine46 berechnet, gefolgt von der Berechnung des Kopfmodells mithilfe der Methode der überlappenden Kugeln. Ein 3D-Inversionskernel wurde mithilfe der Brainstorm-Implementierung der Minimum Norm Imaging-Methode mit Standardparametern berechnet. Es ermöglichte die Rekonstruktion bereinigter Rohdaten auf Gehirnquellenebene für die nachfolgenden Berechnungen. Schließlich wurde die MSA-Methode47 verwendet, um die Gehirnaktivität im Zusammenhang mit motorischen Versuchen im Handgelenk, in der Hüfte und im Knöchel zu rekonstruieren. Um aufgabenspezifische Gehirnaktivierungen abzuschätzen, verwendet MSA eine kreuzvalidierte, verschobene, multiple Pearson-Korrelation, die aus dem Zeit-Frequenz-transformierten Gehirnsignal und dem binären Signal von Reizen berechnet wird. 3D-Schnappschüsse dieser maximalen Aktivierungen wurden als DICOM im ursprünglichen CT-Scan-Referenzrahmen zur Verwendung in Neuronavigationstools exportiert. Zum Rendern segmentierten wir das Gehirn manuell aus dem präoperativen CT-Scan des Patienten mit Slicer (slicer.org) und verwendeten Blender zum Rendern. Wir haben das MEG-Signal mit einem roten Farbverlauf neu eingefärbt und es dann mit dem 3D-Rendering des Gehirns überlagert.

Das implantierbare Aufzeichnungssystem WIMAGINE wurde für die bilaterale epidurale Implantation über dem sensomotorischen Kortex20 entwickelt. Elektronische Komponenten waren in einem Titangehäuse (50 mm Durchmesser, 7–12 mm Dicke und konvexe Außenfläche) untergebracht. Auf der flachen Innenseite des Geräts befanden sich eine Anordnung von 64 Aufzeichnungselektroden aus Platin-Iridium (90:10) für das epidurale ECoG (2 mm Durchmesser, 4–4,5 mm Abstand) und fünf Referenzelektroden. Die ECoG-Daten wurden dank eines anwendungsspezifischen integrierten Schaltkreises48 aufgezeichnet, der eine Mehrkanalverstärkung und Digitalisierung mit einem eingangsbezogenen Rauschen von weniger als 0,7 μV quadratischem Mittelwert im Bereich von 0,5 Hz bis 300 Hz ermöglichte. Die Daten wurden per Funk über eine Ultrahochfrequenzantenne (402–405 MHz) gesendet. Die Stromversorgung erfolgte ferngesteuert über eine induktive Hochfrequenzantenne mit 13,56 MHz. Beide Antennen waren in einer Silikonklappe eingebettet, die sich über den subkutanen Raum erstreckte. Um die Signalstabilität bei hoher Frequenz (586 Hz) im Hinblick auf die begrenzte Bandbreite zu gewährleisten, wurden für jedes Implantat 32 der 64 Kontakte verwendet. Für die drahtlose Verbindung wurden zwei externe Antennen verwendet, die über ein speziell entwickeltes Headset vor den Rekordern gehalten wurden. Die technischen Spezifikationen des Geräts sind in der erweiterten Datentabelle 1 aufgeführt.

Die Operation wurde unter Vollnarkose durchgeführt. Eine Neuronavigationstation (StealthStation, Medtronic) wurde verwendet, um das Zentrum der Kraniotomien auf jeder Hemisphäre zu lokalisieren. Die aus der MEG- und CT-Bildgebung gewonnenen anatomischen und funktionellen Informationen ermöglichten die Auswahl der Eintrittspunkte, um die Abdeckung der Beinregion des sensomotorischen Kortex zu maximieren und gleichzeitig einen sicheren Abstand zum sagittalen Sinusbereich zu gewährleisten. Nach einem koronalen Einschnitt wurden zwei kreisförmige Kraniotomien mit einem Durchmesser von 5 cm unter Verwendung eines speziell angefertigten Trepans durchgeführt. Die Knochenlappen wurden entfernt, um die Dura mater freizulegen. Die beiden WIMAGINE-Implantate wurden über der Dura platziert und dann vorsichtig aufgehängt und mit nicht resorbierbaren Nähten befestigt. Anschließend wurde die Haut über den Implantaten vernäht. Der Teilnehmer wurde am nächsten Tag entlassen. Nach einer Ruhezeit von zwei Wochen wurde die Kalibrierungsphase eingeleitet.

ECoG-Daten wurden von 32 Kanälen pro Implantat bei einer Erfassungsfrequenz von 586 Hz erfasst. Die Signale wurden zwischen 1 Hz und 300 Hz bandpassgefiltert. Die Daten wurden über die Fieldtrip-Toolbox an eine maßgeschneiderte Dekodierungssoftware gestreamt, die in der Matlab Runtime Environment (Mathworks) läuft.

Um die Absicht, Bewegungen der unteren Gliedmaßen auszuführen, zu entschlüsseln, haben wir eine Variante des rekursiven exponentiell gewichteten Markov-Switching Multilinear Model (REW-MSLM)-Algorithmus implementiert, den wir zuvor entwickelt hatten, um Bewegungen der oberen Gliedmaßen zu dekodieren26. REW-MSLM ist eine Mischung aus multilinearen Algorithmen von Experten. Es besteht aus einem Hidden-Markov-Modell-Klassifikator (HMM), genannt „Gate“, und einer Reihe unabhängiger Regressionsmodelle, genannt „Experten“. Jeder Experte widmet sich im Allgemeinen der Kontrolle einer Gruppe von Freiheitsgraden, einer bestimmten Gliedmaße oder Bewegung (z. B. Gelenkbewegung). Der HMM-basierte Klassifikator sagt die Wahrscheinlichkeit einer solchen spezifischen Gliedmaßen- oder Bewegungsaktivierung (Zustände) voraus, die mit einem bestimmten Experten verbunden sind. Die resultierende Decoder-Ausgabe resultiert aus einer sanften Mischung von Expertenvorhersagen gemäß geschätzten Wahrscheinlichkeiten.

Der Gate-HMM-basierte Klassifikator sagt den Zustand voraus und geht davon aus, dass die Zustandsfolge Z(t) einer Markov-Ketten-Hypothese erster Ordnung folgt. Folglich hängt die Wahrscheinlichkeit eines Zustands in jedem Zeitschritt von der Kombination des vorherigen Zustands und der neu erfassten ECoG-Daten ab. Der HMM-basierte Klassifikator besteht aus einem Emissions- und Übergangswahrscheinlichkeitsmodell. Bei jedem Zeitschritt wird die Emissionswahrscheinlichkeit aus den Beobachtungen der ECoG-Signale unabhängig von der Zustandssequenz geschätzt. In der aktuellen Studie wurde ein linearer diskriminierender Klassifikator für das Emissionswahrscheinlichkeitsmodell verwendet. Für K Zustände/Klassen (in unserem Fall K = 7 Zustände, Ruhe, Hüfte, Knie, Knöchel, bilateral) wurde die Klassifikatorausgabe wie folgt berechnet:

Hier sind βgate und bgate Matrizen von Koeffizienten und Bias linearer diskriminierender Klassifikatoren. Dann ist der Emissionswahrscheinlichkeitsvektor \({\alpha }^{{\rm{e}}{\rm{m}}{\rm{i}}{\rm{s}}{\rm{s}}{ \rm{i}}{\rm{o}}{\rm{n}}}\,(t)\,=\) \(\left({\alpha }_{1}^{{\rm{ Emission}}}\,(t),\ldots ,{\alpha }_{K}^{{\rm{Emission}}}\,(t)\right)\) wird aus der Klassifikatorausgabe dgate(t) erhalten ) durch die Softmax-Normalisierung:

Schließlich werden die Emissionswahrscheinlichkeiten mit der HMM-Zustandsübergangswahrscheinlichkeitsmatrix T gewichtet, wobei T eine K-mal-K-Matrix mit Koeffizienten ist, die durch die kumulative Anzahl von Übergängen zwischen markierten Zuständen definiert sind.

Die wahrscheinlichste Zustandsfolge \(\hat{Z}\left(t\right)\) kann durch Maximieren der Zustandswahrscheinlichkeit \(\hat{\alpha }(t)\) im Schritt t ausgegeben werden. Der Zustandswahrscheinlichkeitsvektor kann zum Mischen der Decoder-Experten verwendet werden oder als eine der Decoder-Ausgaben betrachtet werden.

Für Experten wurde ein multilineares Regressionsmodell verwendet:

wobei \({\beta }_{k}^{{\rm{Experte}}}\) und \({b}_{k}^{{\rm{Experte}}}\) die Koeffizienten des k-ten Experten zusammenfassen , k ∈ [1, K]. Schließlich wird die Mischung aus Expertenausgabe U(t) aus Expertenvorhersagen φk(t) und geschätzten Wahrscheinlichkeiten \({\hat{\alpha }}_{k}\left(t\right)\) aus der folgenden Gleichung berechnet : \({U}_{k}\left(t\right)={\phi }_{k}\left(t\right)\times {\hat{\alpha }}_{k}\left( t\right)\times \prod _{i\ne k}(1-{\hat{\alpha }}_{i}\left(t\right))\).

Ausgehend von dieser Decoder-Architektur haben wir zwei verschiedene Steuerungsmodelle implementiert, um die epidurale Rückenmarksstimulation voranzutreiben.

Für die Steuerung von sechs Gelenken unter statischen Bedingungen haben wir eine Mischung aus Expertenvorhersagen implementiert, um dem Teilnehmer eine proportionale Kontrolle über die Stimulationsamplitude zu ermöglichen. U(t) enthält die analoge Vorhersage der relativen gewünschten Amplitude der Gelenkbewegung zu einem bestimmten Zeitpunkt. Die Bewegung jedes Gelenks ist mit einem spezifischen Stimulationsprotokoll (Elektrodenkonfiguration, Frequenz und Impulsbreite) verknüpft, das in der Bibliothek der Stimulationsprogramme definiert ist (Extended Data Abb. 2b–d), während die Vorhersagen, die U(t) bilden, linear neu skaliert werden Stimulationsamplitude (in mA) innerhalb eines vom Experimentator vordefinierten Wertebereichs.

Bei der Kontrolle des Stehens und Gehens unter dynamischen Bedingungen haben wir berücksichtigt, dass diese Aktivitäten keine gleichzeitige Kontrolle der Amplitude der linken und rechten Hüftbeugung erfordern, da linke und rechte Schritte nicht gleichzeitig erfolgen dürfen. Daher haben wir die Ebene der Expertenmischung entfernt und stattdessen ein Steuerungsmodell implementiert, das Stimulationsamplituden aus der Ausgabe des Gate-Modells steuert. Dieses Steuerungsmodell vermeidet die gleichzeitige Stimulation aller Gelenke. Folglich wird die Amplitude jeweils nur für ein Gelenk geändert. Im Gegenzug verwendeten wir die maximale geschätzte Zustandswahrscheinlichkeit \(\max (\hat{\alpha }\left(t\right))\), um dem Teilnehmer eine proportionale Kontrolle über die Stimulationsamplitude zu ermöglichen.

REW-MSLM ist ein adaptiver Decoder mit geschlossenem Regelkreis. Parallel zur aktuellen Modellnutzung für Vorhersagen aktualisieren die REW-MSLM-Decoder ihre Parameter auf der Grundlage neuer eingehender Daten, was die Optimierung der Parameter des Modells in Echtzeit während der gesamten Kalibrierungssitzung ermöglicht26. Das lineare Emissionswahrscheinlichkeitsmodell und die Expertenmodelle wurden mithilfe eines rekursiven exponentiell gewichteten N-Wege-Partial-Least-Square-Algorithmus (REW-NPLS) identifiziert. Dieser Algorithmus wurde speziell für das inkrementelle und adaptive Lernen von multilinearen Decodern in Echtzeit entwickelt49. Die Übergangsmatrix wurde durch direkte Zustandsübergangszählung während der Kalibrierungssitzung identifiziert. Der resultierende Decoder war in der Lage, mentale Zustände sowie kontinuierliche Bewegungen vorherzusagen.

Die Eingabemerkmale X(t) wurden aus den ECoG-Signalen berechnet und dann dem Decoder zugeführt. Es wurden Epochen von 200 bis 500 ms ECoG-Signalen von den 64 Elektroden erzeugt, um ein gleitendes Fenster von 100 ms zu erzeugen. Die Epochen wurden mit der komplexen kontinuierlichen Wavelet-Transformation (CCWT) auf den zeitlichen Frequenzraum abgebildet. Die vom Morlet-Mutter-Wavelet abgeleiteten Wavelets sind um bestimmte Frequenzen zentriert (2, 5:5:100, 125, 150, 200 Hz). Der absolute Wert der Ausgabe des CCWT wurde dann dezimiert, um 2–5 Punkte entlang der zeitlichen Modalität zu erhalten, die die Epoche definierte. Die Vorhersage wurde alle 100 ms berechnet. Während der Experimente aktualisierte der REW-MSLM-Algorithmus die Experten und Gate-Koeffizienten alle 15 s rekursiv. Die Trainingsdaten bestehen aus 15-s-Batches von Eingabe-EKoG-Merkmalen, die mit Ausgabe-Bewegungsmerkmalen verknüpft sind. Die Ausgabemerkmale werden entsprechend den spezifischen Aufgaben generiert, die dem Teilnehmer zur Durchführung motorischer Vorstellungen gegeben werden, einschließlich des gewünschten mentalen Zustands für die Gate-Aktualisierung und einer gewünschten kontinuierlichen Bewegung (falls vorhanden) für die Aktualisierung durch den verantwortlichen Experten.

Wenn Sie ein Modell von Grund auf neu erstellen, kann der Decoder-Ausgabe Unterstützung vom System hinzugefügt werden. Dies ermöglicht es dem Teilnehmer, Bewegungen bereits ausführen zu lassen, auch wenn der Decoder sie nicht korrekt vorhersagt. Die Unterstützung nimmt mit der Kalibrierung des Modells zunehmend ab, sodass der Teilnehmer schließlich die volle Kontrolle behält.

Modellaktualisierung:

Schritt 1: Sammeln Sie Rohdaten und beschriften Sie dgate und φ über 15 s.

Schritt 2: Berechnen Sie den entsprechenden Merkmalsvektor X(t).

Schritt 3: Führen Sie die partiellen Regressionen der kleinsten Quadrate für das Gating dgate und die Experten φ durch, um die Koeffizienten (βgate, bgate, βexpert, bexpert) zu aktualisieren.

Schritt 4: Aktualisieren Sie die Übergangsmatrix, indem Sie die Anzahl der Übergänge hinzufügen. T(i,j) ≤ T(i,j) + sum((Z(t + 1),Z(t)) = (i,j)).

Vorhersageberechnung:

Schritt 1: Berechnen Sie die linearen Vorhersagen von Gate und Experten aus den aktuellen Koeffizienten.

Schritt 2: Wenden Sie die exponentielle Normalisierung und den HMM-Übergangsschritt an.

Schritt 3: Mischen Sie die Vorhersage aus dem Gating- und dem Expertenmodell.

Um die räumlichen und spektralen Informationen in den ECoG-Signalen zur Unterscheidung einer bestimmten Aufgabe zu bewerten, haben wir die linearen Regressionsgewichte berechnet, die mit motorischen Versuchen mit Hinweisen verbunden sind. Um die Merkmale im Zusammenhang mit Bewegungen der unteren Gliedmaßen (Hüfte, Knie, Knöchel beidseitig) abzubilden, zeichneten wir kortikale Signale während 57 (±6 SEM) Wiederholungen jedes Bewegungsversuchs auf, was einer Gesamtdauer von 226 s (±25 s SEM) in jedem Zustand entspricht. Die aus diesem Datensatz generierten Gewichte wurden auf die räumliche Dimension für verschiedene Frequenzbänder (0,5–10 Hz, 10–40 Hz, 40–100 Hz und 100–200 Hz) oder auf die spektrale Dimension projiziert.

Das Implantat zur Abgabe einer epiduralen elektrischen Stimulation (erweiterte Datentabelle 2) bestand aus einem implantierbaren ACTIVA RC-Impulsgenerator (Modell 37612, Medtronic), der mit der Specify Surescan 5-6-5 Paddle-Elektrode (Modell 977C190, Medtronic) verbunden war. Eine spezielle Firmware ermöglichte das Hochladen von Stimulationstabellen in Echtzeit, um die Wellenformen der elektrischen Stimulation zu steuern5. Das Patientenprogrammiergerät (SPTM, Modell 09103) wurde an einem Gürtel getragen, um seine Position mit dem implantierbaren Impulsgenerator auszurichten. Wir haben ein maßgeschneidertes Stimulationsprogramm5 entwickelt, das über eine Bluetooth/Infrarot-Funkbrücke Befehle an das Patientenprogrammiergerät sendet. Das Stimulationsprogramm ermöglichte die Definition von Stimulationskonfigurationen (Kathoden und Anoden) und Parametern (Pulsbreite, Frequenzen und Amplitudenbereiche) durch einen erfahrenen Benutzer5. Diese Kette aus Software und Hardware ermöglichte die Echtzeitsteuerung von Stimulationsprotokollen mit einer Latenz von weniger als 150 ms (Lit. 4).

Die elektromyographische (EMG) Aktivität wurde bilateral von den Muskeln Iliopsoas, Rectus femoris, Vastus lateralis, Semitendinosus, Tibialis anterior, medialer Gastrocnemius und Soleus mit drahtlosen bipolaren Oberflächenelektroden (Delsys Trigno) aufgezeichnet. Jedes Elektrodenpaar wurde über dem Bauch des Zielmuskels platziert und in Längsrichtung zu den Muskelfasern ausgerichtet. Zur Hautvorbereitung wurde Schleifpaste (Nuprep, 4Weaver) verwendet, um den Elektroden-Haut-Widerstand zu verringern und die EMG-Signalqualität zu verbessern. Ein zusätzliches Paar Oberflächen-EMG-Elektroden wurde über der Wirbelsäule am thorakolumbalen Übergang angebracht, um Stimulationsartefakte zu erkennen und so die Muskelreaktionen auf den Beginn der Stimulation auszurichten. Kontinuierliche EMG-Signale wurden mit 2 kHz abgetastet und auf einem Desktop-Computer gespeichert. EMG-Signale wurden zwischen 20 und 450 Hz bandpassgefiltert. Rekrutierungskurven wurden mit Impulsen zunehmender Stimulationsamplituden durchgeführt, die jede Sekunde abgegeben wurden. Wir haben ein Rastersuchmodell implementiert, um die verschiedenen Elektrodenkonfigurationen und -frequenzen zu untersuchen und die Konfigurationen von Kathoden und Anoden auszuwählen, um eine maximale Selektivität bei der Rekrutierung der Zielmuskelgruppen zu erreichen4. Die Amplitude der Muskelreaktionen wurde durch Z-Scoring über alle Konfigurationen hinweg normalisiert. Für jede Stimulationsperiode wurde der durchschnittliche absolute Wert des Z-Scores berechnet. Der Z-Score wurde dann in einem Polarplot dargestellt.

Während der Kalibrierung der Decoder erhielt der Teilnehmer über eine maßgeschneiderte Schnittstelle visuelle Hinweise, die den Zielzustand mit oder ohne Bewegungsrichtung anzeigten. Die Hinweise wurden als pseudozufällige Sequenz mit programmierbarer Dauer (2/4 s pro Zustand) oder manuell vom Experimentator generiert. Die Dekodierungsumgebung ermöglichte die Visualisierung der in jedem Zustand verbrachten Zeit sowie der Anzahl der Übergänge zwischen den Zuständen. Sobald die Leistung des Decoders vom Teilnehmer und Experimentator als ausreichend beurteilt wurde, wurde das Cueing abgebrochen und der Teilnehmer konnte das Modell ohne weitere Kalibrierung verwenden. Von Tag zu Tag wurden die Modelle aktualisiert, wenn dies als notwendig erachtet wurde. Der iterative Charakter der Implementierung erleichterte diese Aktualisierungen. Typischerweise wurde das Modell, das die Kontrolle über die Beugung der linken und rechten Hüfte beim Gehen unterstützt, auf der Grundlage von 30 Wiederholungen jedes aktiven Zustands trainiert, während der Ruhezustand anhand von 3 Minuten ECoG-Daten vorhergesagt wurde, die erfasst wurden, während der Teilnehmer unspezifische Handbewegungen ausführte und Rumpfbewegungen sowie das Sprechen, um die Robustheit der Vorhersagen sicherzustellen.

Die Genauigkeit der Dekodierungsvorhersagen wurde durch Berechnung der normalisierten Kreuzkorrelation zwischen dem dekodierten Zustand \(\hat{Z}\) und dem Cued-Zustand Z nach Verzögerungskompensation quantifiziert:

wobei τ dem Zeitpunkt entspricht, zu dem das Maximum der Kreuzkorrelation zwischen dem Cued-Zustand und der decodierten Zustandswahrscheinlichkeit erreicht wird.

Die Genauigkeit der Muskelreaktionen wurde durch Berechnung der normalisierten Kreuzkorrelation zwischen dem dekodierten Zustand \(\hat{Z}\) und der Schwellenwert-EMG-Hüllkurve erhalten, die mit einem Schiebefenster von T = 200 ms erhalten wurde:

Beim freien Gehen gab es keinen Hinweis zur Quantifizierung der Dekodierungsgenauigkeit. Um eine Quantifizierung zu ermöglichen, haben wir ein Profil der Wahrscheinlichkeitskurven erstellt, die während des Gehens dekodiert wurden, und den Spitzenwert und die Breite der Wahrscheinlichkeitskurven analysiert, die mit linken und rechten Hüftbeugungen verbunden sind. Wir haben diese Analyse während des Gehens zu verschiedenen Zeitpunkten durchgeführt, von der ersten Sitzung bis zu Sitzungen, die fast ein Jahr nach dem neurochirurgischen Eingriff zur Platzierung des kortikalen Implantats stattfanden. Für jeden Zeitpunkt wurden der mittlere Höchstwert der Wahrscheinlichkeiten sowie die mittlere Halbwertsbreite (± SD) berechnet.

Um Spektrogramme von ECoG-Signalen zu erzeugen, haben wir eine kontinuierliche Wavelet-Transformation mit einem Fenster von 500 ms und einer Schrittgröße von 100 ms angewendet. Der Unterschied zwischen den gemittelten Spektrogrammen beider Implantate wurde berechnet und normalisiert, indem Z-Scores über jedes Frequenzband angewendet wurden. Die Farbkarten der normalisierten Durchschnittsspektrogramme wurden zur Visualisierung zwischen –0,5 und 0,5 oder zwischen –0,5 und 1 skaliert.

Die Signalstabilität wurde durch Quantifizierung der Signalleistung im Ruhezustand in den verschiedenen Frequenzbändern beurteilt50. Der Teilnehmer saß mit geschlossenen Augen in seinem Rollstuhl, während über 2 Minuten ECoG-Signale erfasst wurden. Für jede Sitzung wurde ein Fenster von 90 Sekunden, beginnend 20 Sekunden nach Beginn der Aufzeichnung, für die Analyse ausgewählt. Die Leistungsspektrumdichte wurde mit der Welch-Methode geschätzt. Der quadratische Mittelwert wurde über das gesamte Frequenzband (0,5–292 Hz) berechnet. Die Bandleistung wurde für die folgenden vier Frequenzbänder gemessen: 0,5–10 Hz, 10–40 Hz, 40–100 Hz und 100–200 Hz. Um die unterschiedlichen Frequenzbandbreiten zu kompensieren, wurden die erhaltenen Bandleistungen vor der Umrechnung in dB normiert. Das Signal-Rausch-Verhältnis wurde für jedes Band als Verhältnis der Bandleistung zur Rauschbandleistung berechnet, die aufgrund des numerischen Filters auf 250–260 Hz geschätzt wurde. Der quadratische Mittelwert, die Bandleistung und das Signal-Rausch-Verhältnis wurden schließlich über alle Elektroden gemittelt.

Wir analysierten die Verstärkung kortikaler Merkmale im Zusammenhang mit Hüftbeugungsversuchen, indem wir die mittleren Spektrogramme um die Beugungsreize in vier verschiedenen Zeiträumen berechneten, um 100 Ereignisse pro Zeitraum zu erfassen (–2 s bis +2 s um das Ereignis herum). Für jede Elektrode haben wir die Standardabweichung der Spektrogramme über alle Frequenzen während der 4 Sekunden rund um die Ereignisse berechnet. Wir führten eine lineare Anpassung über die 64 Elektroden und vier Zeiträume durch.

Um die Stabilität der Gehmodelle zu analysieren, haben wir für jedes Modell eine Hauptkomponentenanalyse (PCA) über die Koeffizienten jedes Tors (Leerlauf, linke Hüftbeugung, rechte Hüftbeugung) angewendet. Die Gate-Vektoren wurden aus Koeffizienten (64 Kanäle × 24 Frequenzen) durch Mittelung der zeitlichen Dimension zusammengesetzt. Die PCA wurde an Proben (3 Gate × 44 Modelle) über einen Zeitraum von 4 Monaten durchgeführt. Die Daten wurden in den ersten drei Komponenten der PCA dargestellt. Wir haben ein Ellipsoid aus 1.600 Datenpunkten erstellt, das die Konturkurve darstellt, die einer Standardabweichung von 1,4 für eine 3D-Gauß-Verteilung mit der Kovarianz und dem Mittelwert jedes Zustands entspricht.

Die EMG-Aktivität während des Gehens wurde bilateral bei 1.259 Hz mithilfe von 16-Kanal-Funksensoren (Delsys Trigno) erfasst, die über den Iliopsoas, dem Rectus femoris, dem Vastus lateralis), dem Semitendinosus, dem Tibialis anterior und dem medialen Gastrocnemius platziert wurden. Kinematische Aufnahmen wurden mit einem 3D-Motion-Capture-System (Vicon Motion Systems) erfasst. Ein Netzwerk aus 14 Infrarotkameras, das einen 12 × 4 × 2,5 m3 großen Arbeitsbereich abdeckte, wurde verwendet, um die Bewegung von Markierungen aufzuzeichnen, die an Körpermarkierungen angebracht waren. Die Daten wurden mit einer Abtastrate von 100 Hz erfasst. Eine PCA wurde auf insgesamt 26 kinematische und EMG-Parameter angewendet, die für jeden Gangzyklus berechnet wurden, wie zuvor beschrieben4. Folgende Parameter wurden berücksichtigt: Schrittlänge, Schritthöhe, Kniehöhe, Kniewinkel und maximaler Kniewinkel, Hüftwinkel und maximaler Hüftwinkel, Gliedmaßenwinkel, Aktivierung des Vastus lateralis, Aktivierung des Standes des Vastus lateralis, Aktivierung des Schwungs des Vastus lateralis, Aktivierung des Tibialis anterior, Tibialis-anterior-Standaktivierung, Tibialis-anterior-Schwungaktivierung, Rectus-femoris-Aktivierung, Rectus-femoris-Standaktivierung, Rectus-femoris-Schwungaktivierung, Iliopsoas-Aktivierung, Iliopsoas-Standaktivierung, Iliopsoas-Schwungaktivierung, Semitendinosus-Aktivierung, Semitendinosus-Standaktivierung, Semitendinosus-Schwungaktivierung, mediale Gastrocnemius-Aktivierung, Aktivierung des medialen Gastrocnemius-Standes, Aktivierung des medialen Gastrocnemius-Schwings. Die Daten wurden während des Gehens mit dem BSI und mit geschlossener Stimulationssteuerung basierend auf an den Füßen angebrachten Bewegungssensoren quantifiziert5. Diese Daten wurden mit identischen Aufzeichnungen von gesunden Personen verglichen. Beim oberirdischen Gehen mit Krücken wurden Schrittversuche erkannt, wenn der Kniewinkel unter 135 Grad abfiel und mindestens 2 Sekunden zwischen den Schritten lagen. Stufen galten als ausgefallen, wenn die Stufenlänge weniger als 10 cm betrug.

Um die Gangqualität anhand von Videoaufzeichnungen zu analysieren, wurde eine Gruppe von Physiotherapeuten (n = 6), die für die experimentellen Bedingungen blind waren und nicht an klinischen STIMO- oder STIMO-BSI-Studien beteiligt waren, gebeten, verschiedene Gehversuche anhand von Elementen in einer validierten Bewertung zu bewerten Dieses Bewertungsblatt fasst Elemente aus den validierten Fragebögen GAIT28, SCI-FAI51, Tinetti Test52 und ref zusammen. 53.

Der neurologische Status wurde von einem erfahrenen Neurologen auf der Grundlage der International Standards for Neurological Classification of Spinal Cord Injury (ISNCSCI) beurteilt, einer umfassenden, vom Arzt durchgeführten neurologischen Untersuchung der verbleibenden sensorischen und motorischen Funktion, die den Schweregrad der Rückenmarksverletzung quantifiziert.

Die Ausdauer wurde anhand der Distanz beurteilt, die innerhalb von sechs Minuten mit einem Standard-Vierradgeher, jedoch ohne externe Hilfe, über der Erde zurückgelegt wurde. Dieser Test wurde vor und am Ende jeder Phase der Neurorehabilitation des STIMO und STIMO-BSI durchgeführt. Die Daten wurden mit einer Exponentialkurve angepasst.

Die Gehgeschwindigkeit wurde durch einen zeitgesteuerten 10-Meter-Gehtest ohne externe Hilfe ermittelt. Der Teilnehmer wurde angewiesen, mit dem bevorzugten Hilfsmittel so schnell wie möglich zu gehen.

In jeder Abbildung sind einzelne Datenpunkte dargestellt. Die Messungen wurden an verschiedenen Proben durchgeführt, mit Ausnahme der beobachtenden Ganganalyse, für die die erfahrenen Physiotherapeuten dieselben Videos unabhängig voneinander bewerteten. Sofern nicht anders angegeben, haben wir einen gepaarten (falls zutreffend) oder ungepaarten einseitigen t-Test mit α = 0,05 verwendet. P-Werte werden mit ***P < 0,001, **P < 0,01 und *P < 0,05 angegeben.

Aufgrund einer subkutanen Infektion mit Staphylococcus aureus an der Stelle des kortikalen Implantats auf der rechten Seite entschied sich der Hauptforscher, das Gerät 167 Tage nach der Implantation zu explantieren. Das zweite Implantat wies keine Anzeichen einer Infektion auf und blieb an Ort und Stelle und voll funktionsfähig. Nach der Genesung von der Operation und der per-os-Antibiotikabehandlung konnten die Neurorehabilitation und die tägliche Anwendung wie im Protokoll vorgesehen fortgesetzt werden. Die Implantation eines neuen kortikalen Implantats wurde am 9. März 2023 durchgeführt.

Die STIMO-BSI-Studie wurde von den Schweizer Behörden genehmigt (Swissethics-Protokollnummer CER-VD2020-01814, Swissmedic 10000766, EUDAMED CIV-20-07-034126) und wurde in Übereinstimmung mit der Deklaration von Helsinki durchgeführt. Die STIMO-BSI-Studie ist bei ClinicalTrials.gov (NCT04632290) registriert. Die STIMO-Studie wurde von den Schweizer Behörden genehmigt (Swissethics-Protokollnummer CER-VD PB_2016-00886, Swissmedic 10000234, EUDAMED CIV-16-02-014664), bei ClinicalTrials.gov registriert (NCT02936453) und in Übereinstimmung mit der Erklärung durchgeführt von Helsinki. Der Teilnehmer unterzeichnete vor der Teilnahme eine schriftliche Einverständniserklärung. Darüber hinaus hat der Teilnehmer sein Einverständnis gegeben, dass das ihn selbst darstellende Material im Beitrag erscheint und in der Zeitschrift und den zugehörigen Werken ohne zeitliche Begrenzung der Veröffentlichung, in welcher Form und auf welchem ​​Medium auch immer, veröffentlicht wird.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Portfolio Reporting Summary.

Die in diesem Manuskript präsentierten Daten sind hier verfügbar: https://doi.org/10.5281/zenodo.7680471.

Unterstützende MATLAB-Skripte sind hier verfügbar: https://doi.org/10.5281/zenodo.7680471.

Bickenbach, J. et al. Internationale Perspektiven auf Rückenmarksverletzungen: Zusammenfassung (WHO, 2013); https://apps.who.int/iris/handle/10665/94192.

Ahuja, CS et al. Traumatische Rückenmarksverletzung. Nat. Rev. Dis. Grundierung 3, 17018 (2017).

Artikel Google Scholar

Benabid, AL et al. Ein Exoskelett, das durch eine epidurale drahtlose Gehirn-Maschine-Schnittstelle bei einem tetraplegischen Patienten gesteuert wird: eine Proof-of-Concept-Demonstration. Lancet Neurol. https://doi.org/10.1016/S1474-4422(19)30321-7 (2019).

Wagner, FB et al. Gezielte Neurotechnologie stellt bei Menschen mit Rückenmarksverletzung das Gehen wieder her. Natur 563, 65–71 (2018).

Artikel ADS CAS PubMed Google Scholar

Rowald, A. et al. Die aktivitätsabhängige Neuromodulation des Rückenmarks stellt die motorischen Funktionen von Rumpf und Beinen nach vollständiger Lähmung schnell wieder her. Nat. Med. 28, 260–271 (2022).

Artikel CAS PubMed Google Scholar

Käthe, C. et al. Die Neuronen, die nach einer Lähmung das Gehen wiederherstellen. Natur 611, 540–547 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Arber, S. & Costa, RM Verbinden neuronaler Schaltkreise für Bewegung. Wissenschaft 360, 1403–1404 (2018).

Artikel ADS CAS PubMed Google Scholar

Courtine, G. & Sofroniew, MV Rückenmarksreparatur: Fortschritte in Biologie und Technologie. Nat. Med. 25, 898–908 (2019).

Artikel CAS PubMed Google Scholar

Capogrosso, M. et al. Ein Rechenmodell für die epidurale elektrische Stimulation der sensomotorischen Schaltkreise der Wirbelsäule. J. Neurosci. 33, 19326–19340 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Wenger, N. et al. Die geschlossene Neuromodulation der sensomotorischen Schaltkreise der Wirbelsäule steuert die verfeinerte Fortbewegung nach einer vollständigen Rückenmarksverletzung. Wissenschaft. Übers. Med. 6, 255ra133 (2014).

Artikel PubMed Google Scholar

Wenger, N. et al. Räumlich-zeitliche Neuromodulationstherapien, die Muskelsynergien nutzen, verbessern die motorische Kontrolle nach einer Rückenmarksverletzung. Nat. Med. 22, 138–145 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Moraud, EM et al. Mechanismen, die der Neuromodulation spinaler Schaltkreise zur Korrektur von Gang- und Gleichgewichtsdefiziten nach einer Rückenmarksverletzung zugrunde liegen. Neuron 89, 814–828 (2016).

Artikel CAS PubMed Google Scholar

Capogrosso, M. et al. Eine Schnittstelle zwischen Gehirn und Wirbelsäule zur Linderung von Gangdefiziten nach einer Rückenmarksverletzung bei Primaten. Natur 539, 284–288 (2016).

Artikel ADS PubMed PubMed Central Google Scholar

Minev, IR et al. Biomaterialien. Elektronische Dura Mater für langfristige multimodale neuronale Schnittstellen. Wissenschaft 347, 159–163 (2015).

Artikel ADS CAS PubMed Google Scholar

Bonizzato, M. et al. Die gehirngesteuerte Modulation der Wirbelsäulenkreisläufe verbessert die Genesung nach einer Rückenmarksverletzung. Nat. Komm. 9, 3015 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Lorach, H., Charvet, G., Bloch, J. & Courtine, G. Gehirn-Wirbelsäulen-Schnittstellen zur Umkehrung der Lähmung. Natl. Sci. Rev. 9, nwac009 (2022).

Artikel PubMed PubMed Central Google Scholar

Willett, FR, Avansino, DT, Hochberg, LR, Henderson, JM & Shenoy, KV Hochleistungsfähige Gehirn-zu-Text-Kommunikation per Handschrift. Natur 593, 249–254 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Vansteensel, MJ et al. Vollständig implantierte Gehirn-Computer-Schnittstelle bei einem eingesperrten Patienten mit ALS. N. engl. J. Med. 375, 2060–2066 (2016).

Artikel PubMed PubMed Central Google Scholar

Moses, DA et al. Neuroprothese zur Sprachdekodierung bei einer gelähmten Person mit Anarthrie. N. engl. J. Med. 385, 217–227 (2021).

Artikel PubMed PubMed Central Google Scholar

Mestais, CS et al. WIMAGINE: Drahtloses 64-Kanal-EKOG-Aufzeichnungsimplantat für langfristige klinische Anwendungen. IEEE Trans. Neuronales System. Rehabilitation. Ing. 23, 10–21 (2015).

Artikel PubMed Google Scholar

Seeber, M., Scherer, R., Wagner, J., Solis-Escalante, T. & Müller-Putz, GR EEG-Beta-Unterdrückung und niedrige Gammamodulation sind verschiedene Elemente des aufrechten Gehens des Menschen. Vorderseite. Summen. Neurosci. 8, 485–485 (2014).

Artikel PubMed PubMed Central Google Scholar

Donati, ARC et al. Langfristiges Training mit einem auf der Gehirn-Maschine-Schnittstelle basierenden Gangprotokoll führt bei querschnittsgelähmten Patienten zu einer teilweisen neurologischen Erholung. Wissenschaft. Rep. 6, 30383 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

McCrimmon, CM et al. Elektrokortikographische Kodierung des menschlichen Gangs im primären motorischen Kortex des Beins. Großhirn. Cortex 28, 2752–2762 (2017).

Artikel PubMed Central Google Scholar

Selfslagh, A. et al. Nicht-invasive, gehirngesteuerte funktionelle Elektrostimulation zur Fortbewegungsrehabilitation bei Personen mit Querschnittslähmung. Wissenschaft. Rep. 9, 6782 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Greiner, N. et al. Rekrutierung von Motoneuronen der oberen Extremitäten mit epiduraler elektrischer Stimulation des zervikalen Rückenmarks. Nat. Komm. 12, 435 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Moly, A. et al. Ein adaptiver ECoG-Decoder mit geschlossenem Regelkreis für die langfristige und stabile bimanuelle Steuerung eines Exoskeletts durch einen Tetraplegiker. J. Neural Eng. 19, 026021 (2022).

Artikel ADS Google Scholar

Cappellini, G., Ivanenko, YP, Dominici, N., Poppele, RE & Lacquaniti, F. Die Migration der Motorpoolaktivität im Rückenmark spiegelt die Körpermechanik bei der menschlichen Fortbewegung wider. J. Neurophysiol. 104, 3064–3073 (2010).

Artikel PubMed Google Scholar

Daly, JJ et al. Entwicklung und Erprobung des Gait Assessment and Intervention Tool (GAIT): ein Maß für koordinierte Gangkomponenten. J. Neurosci. Methoden 178, 334–339 (2009).

Artikel CAS PubMed Google Scholar

Larzabal, C. et al. Langzeitstabilität des chronischen epiduralen drahtlosen Rekorders WIMAGINE bei tetraplegischen Patienten. J. Neural Eng. 18, 056026 (2021).

Artikel ADS Google Scholar

Harkema, S. et al. Wirkung der epiduralen Stimulation des lumbosakralen Rückenmarks auf willkürliche Bewegung, Stehen und unterstütztes Gehen nach motorischer vollständiger Querschnittslähmung: eine Fallstudie. Lancet 377, 1938–1947 (2011).

Artikel PubMed PubMed Central Google Scholar

Rejc, E., Angeli, CA, Atkinson, D. & Harkema, SJ Motorische Erholung nach aktivitätsbasiertem Training mit epiduraler Stimulation des Rückenmarks bei einem chronisch motorischen, vollständig querschnittsgelähmten Patienten. Wissenschaft. Rep. 7, 13476 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Angeli, CA et al. Wiederherstellung des oberirdischen Gehens nach einer chronischen motorischen vollständigen Rückenmarksverletzung. N. engl. J. Med. 379, 1244–1250 (2018).

Artikel PubMed Google Scholar

Gill, ML et al. Die Neuromodulation lumbosakraler Wirbelsäulennetzwerke ermöglicht das selbstständige Gehen nach vollständiger Querschnittslähmung. Nat. Med. 24, 1677–1682 (2018).

Artikel CAS PubMed Google Scholar

Darrow, D. et al. Die epidurale Rückenmarkstimulation erleichtert die sofortige Wiederherstellung ruhender motorischer und autonomer supraspinaler Bahnen nach einer chronischen neurologisch vollständigen Rückenmarksverletzung. J. Neurotrauma 36, ​​2325–2336 (2019).

Artikel PubMed PubMed Central Google Scholar

Shokur, S. et al. Training mit Gehirn-Maschine-Schnittstellen, visuell-taktilem Feedback und unterstützter Fortbewegung verbessert sensomotorische, viszerale und psychologische Symptome bei chronisch querschnittsgelähmten Patienten. PLoS ONE 13, e0206464 (2018).

Artikel PubMed PubMed Central Google Scholar

Biasiucci, A. et al. Gehirngesteuerte funktionelle Elektrostimulation führt zu einer dauerhaften Erholung der Armmotorik nach einem Schlaganfall. Nat. Komm. 9, 2421 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Jovanovic, LI et al. Wiederherstellung der Funktion der oberen Gliedmaßen nach chronisch schwerer Hemiplegie: ein Fallbericht über die Machbarkeit einer über eine Gehirn-Computer-Schnittstelle gesteuerten funktionellen Elektrostimulationstherapie. Bin. J. Phys. Med. Rehabilitation. 99, e35–e40 (2020).

Artikel PubMed Google Scholar

Nishimura, Y., Perlmutter, SI, Eaton, RW & Fetz, EE Spike-Timing-abhängige Plastizität in kortikospinalen Verbindungen von Primaten, die während des freien Verhaltens induziert wird. Neuron 80, 1301–1309 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Moorjani, S., Walvekar, S., Fetz, EE & Perlmutter, SI Bewegungsabhängige elektrische Stimulation zur willentlichen Stärkung kortikaler Verbindungen bei sich verhaltenden Affen. Proz. Natl Acad. Wissenschaft. USA 119, e2116321119 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Guggenmos, DJ et al. Wiederherstellung der Funktion nach einer Hirnschädigung mittels einer Nervenprothese. Proz. Natl Acad. Wissenschaft. USA 110, 21177–21182 (2013).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Noga, BR & Guest, JD Kombinierte neuromodulatorische Ansätze im Zentralnervensystem zur Behandlung von Rückenmarksverletzungen. Curr. Meinung. Neurol. 34, 804–811 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Barra, B. et al. Epidurale elektrische Stimulation der zervikalen Rückenwurzeln stellt bei gelähmten Affen die freiwillige Kontrolle der oberen Gliedmaßen wieder her. Nat. Neurosci. 25, 924–934 (2022).

Artikel CAS PubMed Google Scholar

Powell, MP et al. Epidurale Stimulation des zervikalen Rückenmarks bei Paresen der oberen Extremitäten nach einem Schlaganfall. Nat. Med. https://doi.org/10.1038/s41591-022-02202-6 (2023).

Knösche, TR & Haueisen, J. EEG/MEG Source Reconstruction: Lehrbuch für Elektro- und Magnetoenzephalographie (Springer, 2022).

Gramfort, A. et al. MEG- und EEG-Datenanalyse mit MNE-Python. Vorderseite. Neurosci. 7, 267 (2013).

Artikel PubMed PubMed Central Google Scholar

Tadel, F., Baillet, S., Mosher, JC, Pantazis, D. & Leahy, RM Brainstorm: eine benutzerfreundliche Anwendung für die MEG/EEG-Analyse. Berechnen. Intel. Neurosci. 2011, 879716 (2011).

Artikel PubMed PubMed Central Google Scholar

Auboiroux, V. et al. Raum-Zeit-Frequenz-Multisensoranalyse zur Lokalisierung des motorischen Kortex mittels Magnetenzephalographie. Sensoren 20, 2706 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Robinet, S. et al. Eine 32-Kanal-Mixed-Signal-Schaltung mit geringem Stromverbrauch und 0,7 μVrms für ECoG-Aufzeichnungen. IEEE J. Emerg. Sel. Spitze. Schaltungen Syst. 1, 451–460 (2011).

Artikel ADS Google Scholar

Eliseyev, A. et al. Rekursive exponentiell gewichtete N-Wege-Regression der partiellen kleinsten Quadrate mit rekursiver Validierung von Hyperparametern in Gehirn-Computer-Schnittstellenanwendungen. Wissenschaft. Rep. 7, 16281–16281 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Sauter-Starace, F. et al. Langfristige Schafimplantation von WIMAGINE®, einem drahtlosen 64-Kanal-Elektrokortikogramm-Rekorder. Vorderseite. Neurosci. 13, 847 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Perry, J., Garrett, M., Gronley, JK & Mulroy, SJ Klassifizierung der Gehbehinderung in der Schlaganfallpopulation. Strich 26, 982–989 (1995).

Artikel CAS PubMed Google Scholar

Tinetti, ME, Franklin Williams, T. & Mayewski, R. Sturzrisikoindex für ältere Patienten basierend auf der Anzahl chronischer Behinderungen. Bin. J. Med. 80, 429–434 (1986).

Artikel CAS PubMed Google Scholar

Ermel, J. Von Fuß bis Kopf: Ganganalyse Teil 2: Anwendung in der Praxis. physiopraxis 4, 30–34 (2006).

Artikel Google Scholar

Referenzen herunterladen

Wir danken unserem Testpiloten für sein Engagement und sein Vertrauen. Unterstützt durch die Defitech Foundation, den Rolex Award for Enterprise, die International Foundation for Research in Paraplegia, den Translational Medical Research Award 2021 der Leenaards Foundation, die Pictet Group Charitable Foundation, ONWARD Medical, Medtronic, den Schweizerischen Nationalfonds durch das Nationale Forschungskompetenzzentrum in Robotik (51NF40-185543), Sinergia (CRSII5-183519), dem Lead Agency Program der französischen Nationalen Forschungsagentur (Think2Move SNF-32003BE-205563, ANR-21-CE19-0038), AF Harvey Prize Award, Swiss Innovation Agency InnoSuisse (CTI-41871.1 IP-LS Bridge), Eurostars (E!12743 Confirm und E!113969 Prep2Go), die Europäische Kommission (ERC-2019-PoC Braingait 875660, EIC 2021-TransitionChallenges-01-01 ReverseParalysis 101057450, Horizon-EIC -2021-Pathfinderchallenges-01-02 NEMO-BMI 101070891), Fonds de dotation Clinatec (WIMAGINE-Implantatentwicklung) und Institut Carnot Leti. ETH-Bereich PHRT-Stipendium 2022-279.

Open-Access-Finanzierung durch die EPFL Lausanne.

Diese Autoren haben gleichermaßen beigetragen: Henri Lorach, Andrea Galvez

Diese Autoren haben diese Arbeit gemeinsam betreut: Guillaume Charvet, Jocelyne Bloch, Grégoire Courtine

NeuroX Institute, School of Life Sciences, Eidgenössische Technische Hochschule Lausanne (EPFL), Genf, Schweiz

Henri Lorach, Andrea Galvez, Valeria Spagnolo, Nadine Intering, Molywan Vat, Cathal Harte, Salif Komi, Jimmy Ravier, Thibault Collin, Laure Coquoz, Icare Sakr, Edeny Baaklini, Sergio Daniel Hernandez-Charpak, Gregory Dumont, Leonie Asboth, Robin Demesmaeker , Jocelyne Bloch & Gregoire Courtine

Abteilung für klinische Neurowissenschaften, Universitätsklinikum Lausanne (CHUV) und Universität Lausanne (UNIL), Lausanne, Schweiz

Henri Lorach, Andrea Galvez, Valeria Spagnolo, Nadine Intering, Molywan Vat, Cathal Harte, Salif Komi, Jimmy Ravier, Thibault Collin, Laure Coquoz, Icare Sakr, Edeny Baaklini, Sergio Daniel Hernandez-Charpak, Gregory Dumont, Leonie Asboth, Stefano Carda , Robin Demesmaeker, Jocelyne Bloch & Grégoire Courtine

NeuroRestore, Defitech Center for Interventional Neurotherapies, EPFL/CHUV/UNIL, Lausanne, Schweiz

Henri Lorach, Andrea Galvez, Valeria Spagnolo, Nadine Intering, Molywan Vat, Cathal Harte, Salif Komi, Jimmy Ravier, Thibault Collin, Laure Coquoz, Icare Sakr, Edeny Baaklini, Sergio Daniel Hernandez-Charpak, Gregory Dumont, Leonie Asboth, Robin Demesmaeker , Jocelyne Bloch & Gregoire Courtine

Univ. Grenoble Alpes, CEA, LETI, Clinatec, Grenoble, Frankreich

Felix Martel, Serpil Karakas, Olivier Faivre, Lucas Struber, Fabien Sauter-Starace, Vincent Auboiroux, Stephan Chabardes, Tetiana Aksenova und Guillaume Charvet

Medtronic, Minneapolis, MN, USA

Rik Buschman, Nicholas Buse und Tim Denison

Fakultät für Ingenieurwissenschaften, Universität Oxford, Oxford, Großbritannien

Tim Denison

Abteilung für Rehabilitation, Sint Maartenskliniek, Nijmegen, Niederlande

Ilse van Ness

ONWARD Medical, Lausanne, Schweiz

Anne Watrin

Univ. Grenoble Alpes, CHU Grenoble Alpes, Clinatec, Grenoble, Frankreich

Lilia Langar & Stephan Chabardes

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

HL, AG, VS, MV, NI, TC, LC, IS, EB, SDH-C., GD, IvN, FS-S., VA, S.Carda, JB und GC führten Experimente durch und analysierten Daten. HL, AG, FM, S.Karakas, OF, CH, S.Komi, RB, NB, TD, FS-S., VA, TA, RD und G.Charvet haben Hardware und/oder Software entworfen, entwickelt und/oder hergestellt . JR, SDH-C. und GD führte Simulationen durch. NI, EB, LA und IvN überwachten und führten die Physiotherapie durch. HL, AG, MV und AW verwalteten die regulatorischen Angelegenheiten. HL, AG und JR erstellten Illustrationen. S.Chabardes und JB führten neurochirurgische Eingriffe durch. HL, G.Charvet, JB und G.Courtine konzipierten und überwachten die Studie. G.Courtine hat den Aufsatz zusammen mit JB, HL und AG verfasst, und alle Autoren haben an der Bearbeitung mitgewirkt.

Korrespondenz mit Guillaume Charvet, Jocelyne Bloch oder Grégoire Courtine.

G.Courtine, JB, HL, RD, LA, TA, FM, G.Charvet und FS-S. halten verschiedene Patente oder Anmeldungen im Zusammenhang mit der vorliegenden Arbeit (EP4108289A1, EP2623025A1, EP2649936B1, EP3190480B1 und EP4088659A1). G.Courtine und JB sind Berater für ONWARD Medical. AW ist Mitarbeiter von ONWARD Medical. G.Courtine und JB sind Minderheitsaktionäre von ONWARD, einem Unternehmen mit potenziellem kommerziellem Interesse an dem präsentierten Werk. Die übrigen Autoren erklären keine konkurrierenden Interessen.

Nature dankt James Guest, Nick Ramsey und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

a, Fotos, die die Geometrie und Merkmale des WIMAGINE-Implantats zeigen, einschließlich 64 Platin-Iridium-Elektroden (90:10) mit einem Abstand von 4 mm x 4,5 mm (in der antero-posterioren bzw. mediolateralen Achse). Im Implantat sind zwei externe Antennen eingebettet. Die erste Antenne versorgt die implantierte Elektronik durch induktive Kopplung mit Hochfrequenz (HF, 13,56 MHz), während die zweite Ultrahochfrequenzantenne (UHF, 402-405 MHz) die aufgezeichneten Signale außerhalb des Körpers überträgt. b: Zwei externe Antennen, die in ein personalisiertes 3D-gedrucktes Headset eingebettet sind, versorgen das Implantat mit Strom und stellen die gestreamten Signale wieder her, die dann an eine Basisstation übertragen werden. Diese Basisstation verwaltet die Stromversorgung der Implantate, die Synchronisierung und die Aufbereitung der Rohdaten. c: Eine Dekodierungspipeline berechnet zeitliche, spektrale und räumliche Merkmale, die in die ECoG-Signale eingebettet sind und sich auf die Bewegungsabsicht beziehen. Diese Merkmale werden dann in den Dekodierungsalgorithmus hochgeladen, der die Versuche, die unteren Gliedmaßen zu bewegen, auf der Grundlage eines maßgeschneiderten, rekursiven, exponentiell gewichteten, multilinearen Markov-Switching-Modellalgorithmus26 dekodiert. Dieser Algorithmus ist eine Mischung aus einem multilinearen Expertenalgorithmus, der einen Hidden-Markov-Modell-Klassifikator (HMM), genannt Gating, und eine Reihe unabhängiger Regressionsmodelle, sogenannte Experten, integriert. Der Gating-Klassifikator sagt das Gelenk voraus, das mobilisiert werden soll (z. B. Hüfte, Knie oder Knöchel auf jeder Seite) sowie den Ruhezustand, während sich jeder Experte der Vorhersage der Richtung und relativen Amplitude der beabsichtigten Bewegung widmet. Wenn die Aktualisierung zulässig ist, werden alle 15 s die Koeffizienten beider linearer Regressionen (βgate, bgate, βexpert, bexpert) durch rekursive partielle Methode der kleinsten Quadrate zusammen mit den Koeffizienten der Übergangsmatrix T entsprechend der Anzahl der Übergänge zwischen den einzelnen Zuständen währenddessen aktualisiert dieser 15s-Zeitraum (also 150 neue Übergänge). Um die Produktion von Stehen und Gehen zu unterstützen, werden die Ergebnisse des Modells in Aktualisierungen gelenkspezifischer Stimulationsprogramme kodiert, die auf vorab festgelegte funktionelle Amplitudenbereiche beschränkt sind. d: Eine maßgeschneiderte, medizinische Software sendet diese Aktualisierungen über eine Kette drahtloser Kommunikationssysteme an den implantierten Impulsgenerator und liefert die Stimulation schließlich über eine Paddelanordnung, die epidural über dem lumbosakralen Rückenmark implantiert wird.

a: Postoperative Lokalisierung der kortikalen Implantate über dem segmentierten Gehirn des Teilnehmers, die die richtige Positionierung der 64-Elektroden-Gitter über den aktivierten Regionen des primären motorischen Kortex bestätigt, die auf versuchte Bewegungen der unteren Gliedmaßen reagieren, gemessen während funktioneller magnetoenzephalographischer Aufzeichnungen . b: Postoperative Lokalisierung der Paddelleitung über dem lumbosakralen Rückenmark, um die Muskeln der unteren Extremitäten anzusprechen. c, Projektion linearer Regressionsgewichte, die mit verschiedenen Bewegungen der unteren Gliedmaßen (dargestellt in Körperschemata) verbunden sind, auf die Position der Implantate, wodurch die räumliche Trennung bewegungsspezifischer Merkmale sichtbar wird. d: Elektromyographische Aktivität, aufgezeichnet von mehreren Muskeln der unteren Extremitäten nach einem Ausbruch epiduraler elektrischer Stimulation unter Verwendung der selektiveren Elektrodenkonfigurationen (Schemata) und Parameter (berichtet), übersetzt in Polardiagramme, die die Amplitude der Muskelreaktionen angeben. e, Räumliche Verteilung der linearen Regressionsgewichte im Zusammenhang mit Bewegungen der oberen und unteren Gliedmaßen über das Raster von 64 Elektroden von jedem kortikalen Implantat. Die Firmware ermöglichte die Auswahl von 32 Elektroden innerhalb der 64 Elektroden jedes Implantats. Die roten Punkte zeigen die 32 ausgewählten Elektroden jedes Implantats basierend auf der Menge der identifizierten bewegungsbezogenen Informationen für jede der 64 Elektroden. f, Spektrale Verteilung der linearen Regressionsgewichte im Zusammenhang mit Bewegungen der oberen und unteren Gliedmaßen, was die Bedeutung einer hohen Abtastdichte bei niedrigen Frequenzen im Vergleich zu hohen Frequenzen hervorhebt. Dieses Ensemble von Merkmalen leitete die Parametrisierung der Decoder. g, Detaillierte Darstellung der räumlichen und spektralen Verteilung der Gewichte im Zusammenhang mit der Dekodierung der 6 verschiedenen Gelenkbewegungen der unteren Extremitäten.

a, Chronofotografie und zugehöriges Spektrogramm, Wahrscheinlichkeiten linker und rechter Schritte, Modulation der Muskelaktivität, Knöchelhöhe und Spitzenwahrscheinlichkeit von Schrittzyklen während einer Sequenz, die Gehen, eine freiwillige Pause (30 s, angewiesen) und das Wiederaufnehmen des Gehens umfasst. Das Fehlen falsch positiver Erkennungen verdeutlicht die Robustheit des BSI. b: Das Balkendiagramm gibt die maximale Wahrscheinlichkeit des Gehens (aktiv) im Vergleich zum Ruhezustand an, zusammen mit den Verwirrungsmatrizen, die die erkannten Ruhezustände im Vergleich zum linken und rechten Schwungzustand angeben (n = 31 und n = 49 Stichproben für den Ruhezustand bzw. den aktiven Zustand, ungepaart). einseitiger t-Test ***, P < 0,001). c, Fotos, die die Sitz-Steh-Kapazität ohne und mit dem BSI veranschaulichen, einschließlich Balkendiagrammen, die die Gleichgewichtskapazitäten (Scores) anzeigen, gemessen mit der Berg Balance Scale.

a, Hauptkomponentenanalyse (PC), angewendet auf kinematische und Muskelaktivitätsparameter beim Gehen auf einem Laufband mit alleiniger Stimulation im Vergleich zum BSI. Unter reinen Stimulationsbedingungen bestimmt ein Regelkreis, der auf an den unteren Gliedmaßen angebrachten Bewegungssensoren basiert, die Stimulationsparameter. Jeder Punkt repräsentiert einen Gangzyklus. Das Balkendiagramm gibt den euklidischen Abstand im PC-Raum zwischen jeder Probe und dem Schwerpunkt der gesunden Schritte an. (n = 119, n = 30 und n = 61 Schritte für gesunde, nur EES bzw. BSI, ungepaarter einseitiger t-Test ***, P < 0,001). Im Vergleich zur alleinigen Stimulation ermöglichte der BSI das Gehen mit Gangmerkmalen, die näher an denen quantifizierter gesunder Personen lagen. Diese Ähnlichkeit wird in den Balkendiagrammen hervorgehoben, die die Mittelwerte der kinematischen Parameter mit einer hohen Faktorbelastung auf PC1 angeben. b, Quantitatives Maß der Schrittlänge beim Gehen mit Krücken. Schritte unter 10 cm gelten als fehlgeschlagen, wie im Stick-Plot-Diagramm dargestellt. Die reine EES-Bedingung zeigte eine deutlich kürzere Schrittlänge aufgrund der Zunahme fehlgeschlagener Schritte (n = 26, n = 43 für nur EES bzw. BSI, einseitiger Mann-Whitney-U-Test **, P < 0,01). c, Fotos, die die Gehfähigkeit veranschaulichen, zusammen mit Balkendiagrammen, die Quantifizierungen der Leistung während der Ausführung verschiedener Gehparadigmen angeben, einschließlich des Auf- und Absteigens einer Rampe, des Treppensteigens und des Gehens mit Krücken über der Erde. d) Gehen auf wechselndem Gelände mit Hindernissen und unterschiedlicher Beschaffenheit (6 Oberflächen), wie im Schema links dargestellt. Die Konventionen sind die gleichen wie in den vorherigen Abbildungen. Die Dekodierungsstabilität wird durch überlagerte Wahrscheinlichkeitskurven der Beugungen der rechten Hüfte über aufeinanderfolgende Schritte (n = 13 Schritte, linke Genauigkeit = 0,89 +/− 0,1 Std., w = 2,06 s +/− 0,6 s Std.) und linke Genauigkeit (n = 13) gezeigt Schritte, Genauigkeit = 0,91 +/− 0,1 std, w = 2,06 s +/− 0,4 s std).

a: Es wurden regelmäßig Aufzeichnungen des Ruhezustands erfasst, um die Entwicklung der Signalqualität im Laufe der Zeit zu bewerten. Rohspuren und Leistungsspektrum eines ECoG-Signals, das von einer ausgewählten Elektrode gemessen wurde, werden angezeigt, um die Stabilität der aufgezeichneten Signale zu veranschaulichen. Das Diagramm zeigt die Mittelwerte des Leistungsspektrums, quantifiziert über 2 Minuten Ruhezustand, die in regelmäßigen Abständen über einen Zeitraum von fast einem Jahr aufgezeichnet wurden, und zeigt eine stetige, aber vernachlässigbare Abnahme der Signalqualität über die Zeit (–0,03 dB/Tag). b, Diagramme mit einer Hauptkomponentenanalyse der Gating-Koeffizienten aller Modelle, die zur Unterstützung des Gehens über die gesamte Dauer der Studie verwendet wurden. Die Größe jedes Datenpunkts erfasst die relative Zeit, in der jedes Modell verwendet wurde. c, Diagramme, die den Bereich der Stimulationsamplituden und -frequenzen angeben, die während des gesamten Verlaufs des Neurorehabilitationsprogramms verwendet wurden, und die Robustheit des BSI über einen fast sechsmonatigen Einsatz verdeutlichen. d, Spektrogramme und Dekodierungsleistung zusammen mit der vom BSI ermöglichten Modulation der Stimulationsamplitude (relativ) während des selbstgesteuerten Gehens. Diagramme geben die Wahrscheinlichkeit von linken und rechten Hüftbeugungsereignissen (Schwung) an, die über aufeinanderfolgende Schritte gemessen und in regelmäßigen Abständen über den gesamten Zeitverlauf der klinischen Studie wiederholt werden. e, mittlere Spektrogramme um die Beugungsversuche der rechten Hüfte während verschiedener Zeiträume während des Trainings (n = 100 Versuche in jedem Zeitraum). Die durchschnittlichen gleichgerichteten Modulationen zeigen einen signifikanten Anstieg mit der Zeit (n = 64 Elektroden, R2 = 0,68, P < 0,001).

Das gleiche Modell wurde verwendet, um dem Teilnehmer zu ermöglichen, während zweier Sitzungen mit Ausnahme von zwei Monaten die Kontrolle über sechs Gelenke von beiden Seiten auszuüben. Die Konventionen sind die gleichen wie in den vorherigen Abbildungen.

a: Ein integrierter Gehwagen wurde entworfen und hergestellt, um die verschiedenen Hardwareteile des BSI zu integrieren und so die Praktikabilität der technologischen Plattform für den Einsatz zu Hause zu maximieren. Das System ist batteriebetrieben und kann ca. 2 Stunden lang autonom und ohne Aufsicht betrieben werden. b, Sequenz, die die verschiedenen Schritte zur Konfiguration des BSI zeigt, einschließlich der Positionierung des Kommunikations-Headsets, des Hochladens eines BSI-Programms, der Überwachung der Signalqualität, um die richtige Platzierung der Antennen sicherzustellen, und der Anpassung der minimalen und maximalen Amplituden der Stimulation. Der Teilnehmer nutzt das BSI seit fast einem Jahr selbstständig zur Unterstützung der Neurorehabilitation und bei Aktivitäten im täglichen Leben. Die Positionierung der Hardware und die Konfiguration des BSI benötigen ca. 5 Minuten. c, Nutzungsprotokoll und Leistungsquantifizierung des Teilnehmers nach der Hauptphase der Studie als kumulative Anzahl dekodierter Schritte und kumulative Nutzungsdauer über einen Zeitraum von 181 Tagen, d. h. seit der Teilnehmer nach Hause zurückgekehrt ist.

Design der Schnittstelle zwischen Gehirn und Wirbelsäule.

Implementierung der Gehirn-Wirbelsäule-Schnittstelle.

Neurorehabilitation und neurologische Erholung durch die Schnittstelle zwischen Gehirn und Wirbelsäule.

Eigenständige Nutzung des BSI durch den Teilnehmer.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Lorach, H., Galvez, A., Spagnolo, V. et al. Natürliches Gehen nach einer Rückenmarksverletzung mithilfe einer Schnittstelle zwischen Gehirn und Wirbelsäule. Natur 618, 126–133 (2023). https://doi.org/10.1038/s41586-023-06094-5

Zitat herunterladen

Eingegangen: 01. August 2022

Angenommen: 17. April 2023

Veröffentlicht: 24. Mai 2023

Ausgabedatum: 01. Juni 2023

DOI: https://doi.org/10.1038/s41586-023-06094-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Natur (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.