Home Neurologie Neurorehabilitation nach Schlaganfall: Was bewirken Maschinen in unserem Gehirn?
22 | 07 | 2018
Medizin
- Anzeigen -

Awards
Veranstaltungen
Login
DocCheck





DocCheck Account beantragen »
PDF Drucken

Neurorehabilitation nach Schlaganfall

Was bewirken Maschinen in unserem Gehirn?

 

Tübingen (3. August 2015) - Die Neuroprothetik beschäftigt sich damit, wie Menschen Technologien – wie einen Computer, eine Prothese oder einen Rollstuhl – durch die Kraft ihrer Gedanken steuern können. In der Medizin sollen solche Mensch-Maschine-Schnittstellen eingesetzt werden, um beispielsweise gelähmten Patienten dabei zu helfen, wieder selbstständig ihren Alltag zu bewältigen. Was geschieht in den Gehirnen derer, die solche Neuroprothesen nutzen? Treten anhaltende Veränderungen der Hirnfunktion auf, die für die Anwender auch längerfristig von Nutzen sind? Wissenschaftler um den Neurochirurgen Professor Dr. Alireza Gharabaghi vom Universitätsklinikum Tübingen haben hierzu neue Erkenntnisse beigetragen.


Sonja P.* hat vor einem Jahr einen Schlaganfall erlitten. Seitdem ist sie halbseitig gelähmt, kann ihrer Arbeit nicht mehr nachgehen und ist auf fremde Hilfe angewiesen. Obwohl sie einige Monate in der Reha-Klinik verbracht hat und auch heute noch mehrmals die Woche zur Physiotherapie geht, verbessert sich ihre Situation nicht. Besonders belastet sie, dass sie ihre Hand nicht mehr im Alltag einsetzen kann.

Sie hat sich an den Arzt und Neurowissenschaftler Gharabaghi gewandt, der sich mit seiner Forschergruppe am Universitätsklinikum Tübingen mit Gehirn-Computer-Schnittstellen zur Kommunikation und Funktionswiederherstellung nach Lähmungen befasst. Ziel ist es, effektivere Therapien für die Neurorehabilitation gelähmter Patientinnen und Patienten zu entwickeln.

Die Tübinger Arbeitsgruppe hat wesentliche Fortschritte auf diesem Gebiet erzielt. Während in der Vergangenheit die meisten Neuroprothetik-Wissenschaftler sich darauf konzentriert haben, eine möglichst genaue Ansteuerung von Maschinen durch das Gehirn zu erreichen, haben die Tübinger Forscher aktuell genauer ergründet, was im Gehirn der Anwender selbst geschieht, wenn sie z.B. einen Handroboter mit ihren Gedanken steuern: Netzwerke im Gehirn werden in ähnlicher Weise aktiviert, wie bei einer richtigen Bewegung ohne Unterstützung. Dieser Effekt wird im Hirn nicht erreicht, wenn man sich diese Bewegung nur vorstellt (1). Dabei ist besonders wichtig, dass die Anwender diese Bewegung auch wirklich spüren, z.B. durch die roboter-assistierte Unterstützung (2). Solche Gehirn-Roboter-Übungen sind schwierig und verlangen Ausdauer, vergleichbar mit dem Erlernen eines Musikinstrumentes. Wie andere Herausforderungen kann auch das Roboter-Training zu Frustrationen führen (3). Interessanterweise konnten die Tübinger Forscher an der im Elektroenzephalogramm (EEG) gemessenen Hirnaktivität schon vor der Übung erkennen, wer bei diesem Training besonders gefordert sein und wem es eher leicht fallen würde (3).

Da Patienten, z.B. nach einem Schlaganfall, schnell an ihre Belastungsgrenze gelangen können, ist es besonders wichtig, objektive Kriterien zu entwickeln, mit denen das Training mit den Rehabilitationsrobotern an die Bedürfnisse der Betroffenen angepasst werden kann (4). Die Gruppe um Gharabaghi konnte in diesem Zusammenhang zeigen, wie sich die Maschinen besonders gut an die Anwender anpassen lassen, damit diese gefördert aber auch gefordert werden und so ihr Lernpotential optimal ausschöpfen (5).

Mit diesem Ansatz wurde in Tübingen erstmals gezeigt, dass Mensch-Maschine-Schnittstellen, wenn sie richtig eingesetzt werden, genau die Netzwerke und Hirnwellen aktivieren, die für die Rehabilitation Gelähmter besonders wichtig sind; diese Hirnwellenmuster waren sogar noch nach dem Training präsent (6). Erste Untersuchungen mit Patienten nach einem Schlaganfall unterstreichen, dass es wichtig ist, die Aktivitäten von Mensch und Maschine genau aufeinander abzustimmen, um Erfolge zu erreichen (7).


Auch Sonja P.* hat mit diesen neuen Technologien trainiert und bereits kleine Fortschritte gemacht; um ihr Ziel zu erreichen, wird sie aber noch einige Trainingseinheiten benötigen.

 

Anmerkung

 

  • * Name geändert


Aktuelle Publikationen der AG zum Thema

  1. Bauer R, Fels M, Vukelić M, Ziemann U, Gharabaghi A. Bridging the gap between motor imagery and motor execution with a brain-robot interface. Neuroimage. 2015 Mar;108:319-27.
  2. Vukelić M, Gharabaghi A. Oscillatory entrainment of the motor cortical network during motor imagery is modulated by the feedback modality. Neuroimage. 2015 May 1;111:1-11.
  3. Fels M, Bauer R, Gharabaghi A. Predicting workload profiles of brain-robot interface and electromygraphic neurofeedback with cortical resting-state networks: personal trait or task-specific challenge? J Neural Eng. 2015 Aug;12(4):046029.
  4. Bauer R, Gharabaghi A. Estimating cognitive load during self-regulation of brain activity and neurofeedback with therapeutic brain-computer interfaces. Front Behav Neurosci. 2015 Feb 16;9:21.
  5. Bauer R, Gharabaghi A. Reinforcement learning for adaptive threshold control of restorative brain-computer interfaces: a Bayesian simulation. Front Neurosci. 2015 Feb 12;9:36.
  6. Vukelić M, Gharabaghi A. Self-regulation of circumscribed brain activity modulates spatially selective and frequency specific connectivity of distributed resting state networks. Front. Behav. Neurosci. 2015 9:181.
  7. Naros G, Gharabaghi A. Reinforcement learning of self-regulated β-oscillations for motor restoration in chronic stroke. Front Hum Neurosci. 2015 Jul 3;9:391.

 


Quelle: Universitätsklinikum Tübingen, 03.08.2015 (tB).

 
Anzeigen

Medical News
Schmerz - PainCare
Wundversorgung
Diabetes
Ernährung
Onkologie
Multiple Sklerose
Parkinson