方法文章

使用非侵入性脑电图进行皮层连接性的统计建模

5.2K 次观看

⸱

DOI：

10.3791/60249

⸱

2019年11月1日

 ,  ,  , 
1University Hospital Limerick, 2Tuscany Rett Center, Ospedale Versilia, 3Neuropsychiatric Genetics, Trinity Centre for Health Sciences, St. James Hospital

本文内容

摘要

标准脑电图分析技术对神经系统功能的洞察有限。构建皮层连接性的统计模型能够更深入地研究潜在的网络动态。改进的功能评估为神经系统疾病的诊断、预后判断和结局预测开辟了新的可能性。

摘要

无创电生理记录可用于评估神经系统功能。这些技术成本低廉、速度快、可重复，且比成像技术更节省资源。此外，所获得的功能性数据具有优异的时间分辨率，这是结构成像无法实现的。

脑电图（EEG）目前的应用受到数据处理方法的限制。使用单个通道的原始时间序列数据进行分析是探究神经系统活动的有限手段。通过研究通道之间的关系，并建立脑区间相互作用的统计模型，可以更详细地了解皮层功能，从而实现对脑网络间连接性的可视化。

本文描述了一种通过标准方式记录脑电图（EEG），进而分析电极间相干性指标以评估记录区域之间关系，从而建立大脑皮层网络活动统计模型的方法。通过评估相干性配对之间的协方差，可进一步研究高阶相互作用，生成高维数据 "地图" 网络相互作用的数据结构可用于评估皮层网络功能及其与病理之间的关系，这是传统技术无法实现的。

与原始时间序列分析相比，该方法对网络层面的相互作用具有更高的敏感性。然而，该方法受限于对潜在神经元群体的特定机制性结论难以推导，以及所产生的数据量较大，需要采用更高级的统计技术进行评估，包括降维和基于分类器的方法。

引言

该方法旨在利用临床可行的设置，基于非侵入性电极记录生成皮层网络的统计图谱，以促进对神经系统病理学、新型治疗手段的影响以及新型电生理生物标志物开发的研究。

脑电图（EEG）在神经系统功能与疾病研究方面具有巨大潜力1,2。该技术成本低廉，在科研和临床环境中广泛可用，且通常耐受性良好。记录过程操作简便、无创，便于临床应用，而现有的临床脑电图部门架构也使临床医生能够便捷地获取该技术。

从技术角度来看，脑电图（EEG）具有优异的时间域分辨率3。由于神经系统相互作用和网络动态的时间尺度非常短暂，这一特性在研究神经系统功能时尤为重要。尽管功能磁共振成像（fMRI）等成像方法具有更高的空间分辨率，并能提供易于解读的图像，但它们在探究神经系统功能方面的时间精细度远不及电生理记录技术4,5,6。

随着对神经系统疾病诊断、治疗和预后判断的需求日益增长，迫切需要具备探究神经系统功能的能力。皮层网络动力学在神经系统病理过程中的作用正受到越来越多的关注7。许多神经系统疾病在传统影像学检查中不产生可观察到的宏观结构损伤，但在网络层面所引发的异常，可能通过适当的功能分析方法得以显现。

遗憾的是，目前的脑电图（EEG）分析方法在这方面存在很大局限性。传统方法涉及对单个电极记录的简单时间序列数据进行分析，这些信号代表了大脑皮层大范围区域场电位的总和3,8。仅通过对单个通道数据进行视觉检查或使用简单的统计方法进行孤立分析，限制了这些记录在检测离散、独立位点上明显电生理异常方面的应用价值。随着人们对神经系统功能与病理过程中网络水平效应重要性的日益认识，这些简单的分析方法显然存在不足，因其无法检测信号之间微妙的关系，从而难以发现皮层区域在网络水平上相互作用方式的异常。

本文演示了一种从低维电极记录中推导皮层网络连接性统计图的方法。该方法能够以传统分析技术无法实现的方式，研究不同脑区之间相互作用的动态特性，并可视化这些网络交互。这为以此前无法实现的高时间域分辨率进行无创性网络水平效应研究提供了可能。该方法基于电极间相干性指标的推导9,10。这些指标通过评估不同脑区记录信号之间的统计关系，来研究两个记录区域之间的相互作用方式11。通过系统评估每一个记录区域与其他所有记录区域之间的相互作用，可在记录区域内构建电生理网络的统计图。这有助于发现仅通过孤立分析单个通道数据时难以察觉的功能性关联。

本文的重点是研究神经时间序列中的相干性。目前，已有多种技术可用于研究时间序列数据之间的关系，这些技术可成对地应用于通道，以构建皮层连接性的模型。一些方法，例如部分定向相干性12,13，旨在推断所研究信号对之间影响的方向，以更好地刻画底层网络的结构；而另一些方法，例如格兰杰因果性14,15，则试图通过一个信号预测另一个信号数据的能力来推断其功能关系。此类方法可被类似地应用，以生成高维的皮层网络模型。然而，使用相干性作为研究神经信号间关系的手段，其优势在于所需假设极少。人们可以在两个记录位点之间研究其统计学关系，而无需对这些关系的功能基础做出判断，从而仅基于统计学关系、并以对产生这些信号的皮层网络最少的假设来构建皮层连接性模型。

由于这些测量方法具有纯粹的数学性质，头皮电极记录信号的相干性度量与潜在神经活动之间的关系十分复杂16,17。尽管这些方法可用于构建描述电极记录信号之间关系的统计模型，以便进行比较，但要据此对特定潜在神经群体活动做出直接的因果推断并不容易3,8,16,17。这些方法可用于比较不同组别之间的网络水平活动，以识别潜在有用的生物标志物，但在将这些标志物与特定神经机制之间的关系得出具体结论方面存在局限性。这主要是因为记录到的信号受到大量混杂因素的影响3，以及在估计头皮记录的电信号具体皮层来源方面存在困难8。相反，这些方法能够生成可被检验和组间比较的活动统计模型，从而确定网络水平上存在差异18，并可利用这些模型构建基于此类统计结构的新生物标志物。然而，由于神经系统本身的复杂性，仅依靠这些方法难以将观察到的差异与特定机制和神经活动直接关联起来。

在系统神经科学中，使用诸如相干性等网络度量方法已有充分的研究基础16,17。然而，由于未能充分挖掘这些高维数据结构的潜力，这些方法在建模和研究皮层功能方面的应用受到限制。本研究证明，可以以成对方式将这些度量方法应用于脑电图（EEG）通道，从而仅基于皮层区域间电活动的统计关系，将数据映射到高维特征空间。同时，本研究还表明，利用现代统计技术，可以在不丢失建模过程中所获取信息的前提下，对生成的皮层功能模型进行深入分析与研究。

该方法有望拓展现有脑电图（EEG）技术的应用范围，提升在无需改造现有记录设备的情况下获取有用功能指标的能力18,19。通过增强对皮层功能建模及对这些模型进行分析的能力，可利用脑电图数据研究的科学问题也随之扩展。这进一步为功能与结构评估在神经系统疾病研究中的更深入整合提供了可能20,21。该方法所依赖的技术已在临床中广泛可用，因而能够以高时间分辨率和高空间分辨率对皮层病理进行研究。

访问受限。请登录或开始试用以查看此内容。

方案

以下实验方案符合所有适用于人类研究的本地、国家和国际伦理准则。用于测试该方案的数据已获得托斯卡纳地区伦理委员会的授权（编号：2018SMIA112 SI-RE）。

注意：用于实现所述分析的脚本可在 https://github.com/conorkeogh/NetworkAnalysis 获取。

1. 原始数据采集

  1. 准备受试者条件。
    1. 为确保记录的一致性，所有脑电图（EEG）记录均应在专用的记录环境中进行。移除环境中与记录期间执行任务无直接关联的所有设备或刺激物，以避免干扰。
      注意： 若需进行静息态记录，应从房间内移除所有可能引起分心的来源，并在正式记录前让受试者提前接触记录环境，以消除环境的新奇性影响。
    2. 向受试者提供有关待执行任务的清晰指示。设备设置完成后，让受试者独自留在记录环境中，以适应环境，从而在正式开始记录前尽量减少移动和分心。
    3. 若受试者存在智力障碍，应允许其有足够时间适应环境，以限制任何可能的应激反应。有时这可能需要多次访问及在记录室中延长停留时间。
  2. 安装电极。
    1. 将电极帽固定在受试者头部，并注意确保其正确对齐。从头皮开始，向电极孔内注入导电凝胶，并缓慢撤回到帽表面，以建立与头皮的电接触，提高信噪比。
    2. 根据10−20系统，使用预设的电极布局将电极连接至电极帽。连接适当的接地电极（例如，连接至乳突部位）。
  3. 设置脑电图设备。
    1. 将所有电极连接至电生理记录系统，并将记录系统与合适的数字记录环境连接。
    2. 检查所有记录通道，确保偏移量处于适当范围内，并避免通道噪声过高。若某通道偏移或噪声过大，可额外添加导电凝胶以改善电连接，但需注意避免电极位点之间发生短路。
    3. 告知受试者记录已开始，并要求其避免一切不必要的动作。进行一段短暂的测试记录，以验证记录质量是否合适。
  4. 准备用于记录的行为任务。
    1. 与受试者明确所有与任务相关的指示，再次强调避免一切不必要动作的重要性。
    2. 说明记录将在一个明确约定的信号（例如，敲击记录环境的门）后开始。让受试者留在记录环境中，开始记录，并向受试者发出约定的信号。
    3. 在任务完成或静息态记录结束后，停止记录，目视检查数据以确保质量，并保存数据。

2. 数据预处理

注意： 数据准备和特征提取流程如图1所示。

  1. 准备软件。
    1. 将待分析的脑电图数据载入数据分析环境，并载入必要的附加脚本库，例如 EEGLab22.
  2. 如有必要，将所有记录转换为相同的数据格式，并确保所有通道位于相应的导联位置。
    1. 丢弃每次记录的开头和结尾部分（例如，5 分钟），以减少运动伪迹的污染。根据任务将数据分割为若干片段，或在静息态记录的情况下，按预设时长（例如，10 分钟）进行分割。参见 NetworkAnalysis_Demonstration.m（特征提取部分）和 补充图1 以演示实施过程。
      注意： 选择 epoch 长度可能对相干性测量结果产生重要影响。应使用足够长的 epoch 以确保信号间的真实关系在计算中得以显现，从而避免未被察觉的人工伪迹或短暂的虚假同步对结果产生过度权重。然而，在本研究中，在经过充分的伪迹剔除后，将十分钟的 epoch 与十个一分钟 epoch 的平均结果进行比较时，整体网络结构并无统计学上的显著差异。
  3. 通过目视检查片段数据并剔除目视不合格的数据来执行伪迹剔除。
    注意：     由于所描述的建模技术依赖于信号之间的关系，因此必须充分排除伪迹。伪迹可能污染通道数据，导致相干性测量值出现人为升高（若伪迹出现在多个通道上）或降低（若伪迹仅出现在部分通道上）。
    1. 识别记录中的不良通道。
      1. 使用0.5 Hz高通滤波器对数据进行滤波，以消除由于采集系统接地漂浮引起的基线漂移。
      2. 选择所有符合相应统计标准的通道（例如，标准差大于平均通道标准差三倍或小于其三分之一的通道）。
        注意： 移除那些数据不太可能源自神经源的通道，可避免在网络模型中引入虚假关联。
      3. 检查这些通道以确定其是否合适。
      4. 如果可能，剔除包含不合适通道的脑电片段；或者，排除坏通道，并对这些通道的数据进行插值（例如，使用 EEGLab 的样条插值算法）。
        注意： 在通道数量较多或记录通道数量较少的情况下进行插值，可能会产生不适合分析的数据。此外，这种方法并未向数据集引入任何新信息，反而可能导致插值信号与其源信号之间的相干性度量人为偏高。
    2. 对剩余的脑电片段进行独立成分分析（例如，使用 EEGLab 的 ICA 功能）。目视检查所获得的成分，并剔除目视判断为不合适的成分。
    3. 应用适当的统计学阈值，以识别肉眼检查不易察觉的潜在人为假象（例如，基于极端值或异常光谱）。对这些假象进行审查，并判断是否应予以剔除。
    4. 对剩余的有效片段重复进行独立成分分析及伪迹识别。
    5. 确定需保存以进行进一步分析的数据时段。剔除所有被拒绝的数据时段。确定所有需用于后续分析的时段。
      注意：若每名受试者仅需一个时间段，则选择第一个合适的时间段用于进一步分析。
  4. 为准备数据，通过从记录中减去所有通道的均值来校正基线，以避免长时间记录过程中基线漂移的影响。将所有通道重新参考至适当的参考电极（例如接地电极或所有通道的平均值）。有关实现示例，请参见 NetworkAnalysis_Demonstration.m、NetworkAnalysis_Preprocess.m 和补充图2。
    注意：     参考电极的选择可能对网络测量指标产生重要影响。由于参考信号会被从所有分析通道中“减去”，因此任何出现在参考通道上的神经活动都将被消除，从而无法参与模型构建。通常的做法是将记录于缺乏直接下方神经结构的骨性突起处的信号作为参考，例如乳突。然而，由于容积传导效应，头皮传导可能导致这些参考电极受到神经信号的污染，进而根据通道相对于参考电极的位置不同，差异性地扭曲网络测量结果。因此，对于静息态数据，最佳做法是采用所有头皮通道信号的平均值作为参考。这意味着所有数据不再相对于某一特定空间位置进行参考，避免因参考位置局限而造成的测量失真，因为此时所有通道均参与参考值的构成。但这种方法也可能带来一定影响，例如减弱表观的整体活动水平，并可能因某些通道上信号过强而显著影响平均值，导致这些信号被过度减除，从而扭曲测量结果。这一问题在与活动或事件相关的信号中更为突出，但在静息态数据中通常不显著。
    1. 对所有通道进行数字滤波以分离感兴趣的频率范围（例如，1 Hz–50 Hz）。参见 NetworkAnalysis_Demonstration.m、NetworkAnalysis_Preprocess.m 和 补充图3 以实施实例为例。
      注意： 确保使用适当的频率范围和滤波参数，以避免在分析频段极端处出现频率失真及混叠效应。零相位偏移 4th-order Butterworth 滤波器表现适当。适当的滤波可确保将感兴趣的活动分离出来用于建模。即使在较宽的频率范围（例如 1 Hz–50 Hz）下，这也能防止高频伪迹和低频基线漂移被误判为通道间的相干性，从而避免对测量结果产生扭曲。

3. 特征提取

  1. 评估频谱功率。
    1. 通过对所分析的每个通道在整个待评估频率范围（例如，1 Hz–50 Hz）内进行傅里叶变换，计算总体功率谱。
    2. 评估各个频段的活动：分离4 Hz-8 Hz的theta频段。分离8 Hz-12 Hz的alpha频段。分离12 Hz-30 Hz的beta频段。分离0.5 Hz-4 Hz的delta频段。分离gamma频段于 >30 Hz（例如，30–50 Hz）。参见 NetworkAnalysis_Demonstration.m、NetworkAnalysis_FeatureExtraction.m 和 补充图4 有关光谱推导及频率带分离实现方法的示例。
      注意： 脑电图数据传统上按频率“频段”进行划分以供研究。这些频段主要依据其被发现的先后顺序命名，具体的频带范围略有差异。特定频率下振荡活动的功能意义仍是当前活跃的研究领域。人们认为，特定频段内的振荡可能与特定的神经活动相关，例如闭眼时枕叶区域出现高幅alpha波，但神经功能与脑电记录中振荡活动之间的确切关系仍不明确。
    3. 通过计算各个通道频谱的平均值，评估整个头皮的总体功率。将各频段的功率相对于总体功率进行归一化处理，以获得相对功率的度量，从而实现不同条件间更准确的比较。
  2. 进行网络映射。
    1. 通过计算电极对之间的相干性指标，评估第一对电极之间的相互作用：
      相关公式 \( C(\omega) \)，用于谱相干性分析的方程。
      参见 NetworkAnalysis_Demonstration.m、NetworkAnalysis_FeatureExtraction.m 和 补充图5 以实施实例为例。
      1. 计算两个通道的互谱：
        互谱密度公式 \( S_{xy}(\omega) \) 用于信号分析。
        1. 计算每个信号的傅里叶变换， X 和 Y
          离散傅里叶变换公式；Σ x[n] e^(-i2πkn/N)；数学方程
        2. 计算互谱：
          静力平衡方程；Sxy=t2/T XY*；物理学概念的数学公式
          其中： t 是采样间隔， T 为记录时长， X 是……的傅里叶变换 x，以及 Y* 是……的复共轭 Y.
        3. 忽略负频率和校正测量值。对于实值信号，可忽略计算机频率轴的后半部分，并将功率测量值乘以 2 以对此进行校正。
          注意： 这相当于互相关函数的傅里叶变换 x 和 y.
      2. 将互功率谱除以两个通道的功率谱进行归一化： 功率谱密度，Sxx(ω) 和 Syy(ω)，方程；用于信号处理分析。.
        1. 计算每个信号的傅里叶变换：
          傅里叶变换方程，Σxn·e^(-i2π/Nkn)，数学公式，信号分析。
        2. 计算功率谱：
          统计分析公式，用于数据方差计算的 Sxx 方程，数学概念
          何处： t 是采样间隔， T 为记录时长， X 是……的傅里叶变换 x，以及 X* 是……的复共轭 X.
        3. 忽略负频率并校正测量值：对于实值信号，可忽略计算机频率轴的后半部分，并将功率测量值乘以2以对此进行校正。
        4. 利用计算得到的功率谱对互谱进行归一化，从而得到相干性度量：
          谱相干性分析的相关公式，\( C(\omega) \)。
          注意：这将生成 C，信号间相干性的度量 x 和 y 在以下频率 静力平衡，ΣFx=0，方程示意图，物理教学概念，受力平衡分析。这是对在所考察频率上两个信号之间关系的一种度量，其数值范围为0到1。当在所有时间点上，所考察的两个信号之间具有恒定的相位关系时，相干性值为1，表明在这些频率上信号之间存在强相关性，提示一个信号的活动与另一个信号的活动在功能上相关联（即两者之间存在通信）。当两个信号之间不存在相位关系时，相干性值为0，表明信号之间无关联。
    2. 对每一对独特的电极重复此步骤，以评估各电极对之间信号的相位稳定性，进而构建覆盖所有电极的功能连接性模型。
      注意： 用于制作一个组合图像 n 电极，这将产生 组合数学公式 n(n-1)/2；成对组合计算示意图 相干性测量。这表示基于记录信号之间的关系，将测量的时间序列数据映射到高维平面上，从而能够探究这些相互作用的本质。

4. 数据可视化

  1. 进行频谱功率分析。
    1. 检查功率矩阵。
      1. 将待可视化的频谱功率测量值映射到一个二维数据结构中，其中每一列代表一个电极位置，每一行代表一个频带，每个单元格表示在该位置、该频带内的频谱功率。
      2. 确定所有待比较条件下的最大和最小功率水平，并将这些值设为所有条件的上下限。将介于该最大值与最小值之间的频谱功率值映射为颜色。导出一幅颜色图，用于可视化每个电极位置在各频带的频谱功率（图2）。
    2. 执行地形图映射。
      1. 创建一个数据结构，按与待映射数据结构相对应的顺序，包含所用10-20系统电极位置的标签。利用EEGLab的topoplot()函数，结合频谱功率数据、已确定的最大值和最小值以及通道列表，生成一幅显示头皮上频谱功率分布的图。
  2. 评估相干性。
    1. 检查相干性矩阵。
      1. 将待可视化的电极间相干性测量值映射到一个二维数据结构中，其中每一列代表一个电极位置，每一行也代表一个电极位置，每个单元格表示相应电极对之间的相干性。
      2. 将介于0和1之间的相干性值映射为颜色。导出一幅颜色图，用于可视化在所用频率范围内每对电极之间的电极间相干性（图3）。对每个待研究的频带重复此过程。参见补充图6及produce_plots.r文件以了解实现示例。参见图3以查看输出示例。
    2. 执行网络可视化。
      1. 为可视化皮层区域间的高阶相互作用并描绘网络动态，计算每对电极的相干性度量在整个频谱范围及特定频带内与其他所有唯一电极对的相干性度量之间的协方差。
      2. 将这些协方差度量映射为颜色。导出一幅颜色图，用于可视化频带内及跨频带的网络动态。参见produce_plots.r文件以了解实现示例。参见图4以查看输出示例。

5. 分析网络模型

注意： 对所得到的模型应用现代统计方法，能够利用高维网络特征空间中建模的关系来研究皮层功能。相较于传统的对单个指标或相干性指标平均值的比较方法，这些方法具有多方面的优势。下文概述了网络模型可能支持的一些分析途径。此处仅简要讨论这些方法，旨在说明网络建模的潜在应用价值，因为对每种技术的深入探讨均超出本研究的范围。

  1. 进行降维处理。
    注意：    在单个变量层面进行比较无法充分利用模型所呈现的关系，而直接在模型生成的 组合数学公式 n(n-1)/2；成对组合计算示意图。 维结构上对所有测量指标进行比较，则因所需比较数量巨大且无法整合统计模型中包含的高层信息而存在困难。将高维数据映射到低维空间，同时保留模型生成过程所产生的信息，可实现有意义的比较，并充分挖掘模型中丰富的数据结构。
    1. 利用主成分分析法，从生成的统计模型中提取能够代表网络整体动态特征的测度，用于组间比较。参见 NetworkAnalysis_Demonstration.m 和 补充图7 以了解具体实现示例。
      1. 同上，构建成对相干性测度的协方差矩阵。这将生成一个 组合公式 p(p-1)/2，表示可能的配对，数学概念。 维协方差结构，其中 组合计算公式 p = n(n-1)/2 的方程，数学公式图示。。该模型因此具有极高的维度，可如上所述可视化高层网络关系。
      2. 将协方差矩阵分解为特征向量及其对应的特征值。这有助于识别模型特征空间中方差最大的轴，而不受现有测度的限制。
      3. 按特征值大小对特征向量进行排序，以识别对模型中方差贡献最大的成分。
    2. 比较从网络模型中提取的第一主成分。参见 NetworkAnalysis_Demonstration.m 和 补充图7 以了解具体实现示例。
      注意：第一主成分解释了模型中最大程度的方差。因此，对该测度的比较可通过单个统计检验实现对整体网络动态在各组之间的全面比较，从而同步分析模型中复杂的关联关系，并避免多重比较带来的问题。
  2. 进行感兴趣区域分析。所生成的模型代表了全皮层、所有频段范围内的网络连接性。若关注特定解剖区域或特定频段内的功能，则可将模型中的这些区域分离出来并进行独立分析。
    1. 选择一个解剖学感兴趣区域。
      注意：将分析限定于特定解剖区域，有助于评估特定皮层区域内部或之间的网络活动，从而识别在整体模型分析中可能不明显的关联。
      1. 识别模型中与所关注解剖区域相关的相干性数据。
      2. 如上所述，构建协方差矩阵并进行主成分分析，以计算感兴趣区域内整体网络结构的测度。
      3. 如上所述，在各组之间比较感兴趣解剖区域内的网络动态测度。
    2. 选择一个功能感兴趣区域。
      注意：将分析限定于特定频段，可评估特定振荡频率范围内的网络活动（图4）。
      1. 与解剖学分析类似，提取与所关注频段相关的相干性数据。参见 NetworkAnalysis_Demonstration.m 和 补充图8 以了解实现示例，其中仅以整体频谱内的相互作用为例。
      2. 进行主成分分析，以提取所关注频段内整体网络活动的测度。
      3. 在各组之间比较这些测度，以评估特定振荡频率下的网络差异。
  3. 使用机器学习方法。
    注意：    现代统计学习方法可应用于所生成的模型，以进一步探究其中所表征的高层级关系。
    1. 使用监督学习。
      注意：利用具有预定义类别的数据，可基于皮层网络模型构建分类器，用于识别模型所表征的复杂关系中的特征模式，从而对新数据进行分类，为探索新的诊断和预后生物标志物等提供可能。此外，还可探究模型中哪些特征驱动了分类结果，以深入了解其潜在机制。
      1. 构建分类器。利用预先标注的数据，可构建一个基于网络模型预测数据类别的分类器。
        1. 将数据划分为用于训练分类器的受试者数据集和用于测试的独立数据集。
        2. 在标注的训练数据上训练分类算法，如支持向量机或随机森林。
        3. 在测试数据上评估模型训练所得分类器的性能。
          注意：这些方法允许将统计模型作为输入，用于推导新的生物标志物。
      2. 进行序列消除分析。
        注意：利用模型训练分类器后，可迭代地移除数据并重复训练过程，以识别模型中驱动其预测能力的关键成分，从而探究其潜在机制。
        1. 如上所述，在模型上训练一个分类器。
        2. 移除组间变异性最低的模型特征。
        3. 重复训练过程并评估性能。
        4. 持续进行迭代特征移除，直至识别出对分类性能贡献最大的特征。这些即为模型中负责区分不同类别的关键成分。
    2. 进行无监督学习。
      注意：      仅利用模型本身，即可获得对所研究组别的深入理解。通过将数据建模为基于记录间关系的高维结构，可能揭示在单个记录层面无法观察到的组间关系。聚类算法等无监督技术可在不受预定义类别限制的情况下，探究模型内部的关系。
      1. 使用欧氏距离等距离度量，在网络模型所定义的空间中计算受试者之间的距离测度。参见 NetworkAnalysis_Demonstration.m 和 补充图9 以了解具体实现示例。
      2. 使用如 k-近邻等聚类算法，基于模型参数识别数据中的聚类分组（图5）。
      3. 重复上述序列消除过程，以探究单个特征如何影响模型中的聚类分组。
        注意：这使得所构建的模型可用于识别原本不明显的组别，可能有助于发现仅在网络层面才显现的疾病亚型或病理分组等。

访问受限。请登录或开始试用以查看此内容。

结果

频谱功率的测量将为每个被测频段产生 n 个测量值，其中 n 为记录的通道数。这些测量值的总功率以分贝（dB）表示。各个频段内的功率测量应表示为相对功率（即该频段内功率占总功率的比例），以便在不同组别和条件下进行准确比较。

在图2中展示了在多个频段和记录通道上频谱功率的可视化示例。频谱功率可在头皮表面进行插值可视化，从而对活动的“源”进行有限估计。

电极间相干性测量为每一对独特的电极组合提供一个数值（即组合数学公式 n(n-1)/2；成对组合计算示意图。，其中n为记录的通道数...

访问受限。请登录或开始试用以查看此内容。

讨论

所述方法能够从非侵入性脑电图（EEG）数据中推导出皮层网络动态的统计图谱。这使得研究人员能够通过评估记录区域之间的相互作用方式，而非孤立地分析各个单独位置发生的变化，来探究仅通过简单时间序列数据难以察觉的现象。该方法可为疾病病理机制提供重要的深入见解18。

该方法的关键在于确保数据质量。必须进行严格的数据评估、伪迹剔除和预处理，以保证数据具有足够高的质量，从而产生有意义的结果。只要所使用的数据质量适当，特征提取部分便可轻松修改，以仅针对特定感兴趣区域或在任意频率范围内建模网络相互作用，也可用于建模特定区域和频段之间的复杂相互作用。

该方法受限于所产生的结果具有高维度特性，若使用多个通道，数据量可能迅速变得极为庞大。这会限制对原始结果的解读，并导致较长的计算时间。因此，有必要采用降维技术（如主成分分析23），以便在组间进行有意义的统计比较，而无需执行大量统计检验。此外，利用所生成的高维网络图谱辅助决策时，可能需要借助机器学习分类器来整...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本论文的发表部分得到了SFI FutureNeuro资助研究员项目对DT的资助支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
电极帽ElectroCap International或任何适用的电极帽
导电凝胶SignaGel或任何适用的凝胶
针型电极BioSemi或任何适用的电极
BioSemi Active Two 记录系统BioSemi
ActiView 记录环境BioSemi
MATLAB 软件Mathworks

参考文献

  1. Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
  2. Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
  3. Nunez, P., Srinivasan, R. Electric Fields of the Brain: The Neurophysics of EEG. , Oxford University Press. (2006).
  4. Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii(2011).
  5. Lin, E., Alessio, A. What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT? Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).
  6. Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
  7. Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
  8. Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. Independent component analysis of electroencephalographic data. Advances in neural information processing systems. 8, MIT Press. Cambridge, MA. 145-151 (1996).
  9. Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
  10. Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics. Journal of Neuroscience Methods. 166 (1), 41-52 (2007).
  11. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
  12. Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
  13. Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
  14. Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
  15. Hesse, W., Möller, E., Arnold, M., Schack, B. The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies. Journal of Neuroscience Methods. 124, 27-44 (2003).
  16. Nunez, P. L., et al. EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales. Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).
  17. Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
  18. Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333(2018).
  19. Peters, J. M., et al. Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity. BMC Medicine. 11, 54(2013).
  20. Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
  21. Zhang, H., et al. Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment. Journal of Alzheimer's Disease. 54, 1095-1112 (2016).
  22. Delorme, A., Scott, M. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134, 1(2004).
  23. Calabrese, B. Encyclopedia of Bioinformatics and Computational Biology. , Elsevier. (2019).
  24. Colic, S., et al. Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice. Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章