Name: 使用非侵入性脑电图的皮质连通性统计建模 (视频) | JoVE Journal
Uploaded: 2019-11-01T13:30:00.000+00:00
Duration: 8 min 51 s
Description: 学习使用非侵入性脑电图进行皮质连通性统计建模的方法，通过电极间相干性分析神经网络动态。该技术有助于开发神经精神疾病的新型诊断方法和治疗生物标志物。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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。

<ol><li>Rosenow, F., Klein, K. M., Hamer, H. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Non-invasive+EEG+evaluation+in+epilepsy+diagnosis%5BTitle%5D)+AND+%22Expert+Review+of+Neurotherapeutics%22%5BJournal%5D)">Non-invasive EEG evaluation in epilepsy diagnosis.</a> Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).</li>
<li>Sharmila, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Epilepsy+detection+from+EEG+signals%3A+a+review%5BTitle%5D)+AND+%22Journal+of+Medical+Engineering+%26+Technology%22%5BJournal%5D)">Epilepsy detection from EEG signals: a review.</a> Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).</li>
<li>Nunez, P., Srinivasan, R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aNunez%2C+P+%22Electric+Fields+of+the+Brain%3A+The+Neurophysics+of+EEG%22">Electric Fields of the Brain: The Neurophysics of EEG</a>. , Oxford University Press. (2006).</li>
<li>Glover, G. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Overview+of+functional+magnetic+resonance+imaging%5BTitle%5D)+AND+%22Neurosurgery+Clinics+of+North+America%22%5BJournal%5D)">Overview of functional magnetic resonance imaging.</a> Neurosurgery Clinics of North America. 22 (2), 133-vii(2011).</li>
<li>Lin, E., Alessio, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What+are+the+basic+concepts+of+temporal%2C+contrast%2C+and+spatial+resolution+in+cardiac+CT%3F%5BTitle%5D)+AND+%22Journal+of+Cardiovascular+Computed+Tomography%22%5BJournal%5D)">What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT?</a> Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).</li>
<li>Kim, S., Richter, W., Uǧurbil, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Limitations+of+temporal+resolution+in+functional+MRI%5BTitle%5D)+AND+%22Magnetic+Resonance+in+Medicine%22%5BJournal%5D)">Limitations of temporal resolution in functional MRI.</a> Magnetic Resonance in Medicine. 37, 631-636 (1997).</li>
<li>Fox, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+Symptoms+to+Brain+Networks+with+the+Human+Connectome%5BTitle%5D)+AND+%22New+England+Journal+of+Medicine%22%5BJournal%5D)">Mapping Symptoms to Brain Networks with the Human Connectome.</a> New England Journal of Medicine. 379, 2237-2245 (2018).</li>
<li>Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Independent+component+analysis+of+electroencephalographic+data%5BTitle%5D)+AND+%22Advances+in+neural+information+processing+systems%22%5BJournal%5D)">Independent component analysis of electroencephalographic data.</a> Advances in neural information processing systems. 8, MIT Press. Cambridge, MA. 145-151 (1996).</li>
<li>Bowyer, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Coherence+a+measure+of+the+brain+networks%3A+past+and+present%5BTitle%5D)+AND+%22Neuropsychiatric+Electrophysiology%22%5BJournal%5D)">Coherence a measure of the brain networks: past and present.</a> Neuropsychiatric Electrophysiology. , (2016).</li>
<li>Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+and+MEG+coherence%3A+measures+of+functional+connectivity+at+distinct+spatial+scales+of+neocortical+dynamics%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics.</a> Journal of Neuroscience Methods. 166 (1), 41-52 (2007).</li>
<li>Bullmore, E., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+brain+networks%3A+graph+theoretical+analysis+of+structural+and+functional+systems%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Complex brain networks: graph theoretical analysis of structural and functional systems.</a> Nature Reviews Neuroscience. 10, 186-198 (2009).</li>
<li>Baccalá, L., Sameshima, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Partial+directed+coherence%3A+a+new+concept+in+neural+structure+determination%5BTitle%5D)+AND+%22Biological+Cybernetics%22%5BJournal%5D)">Partial directed coherence: a new concept in neural structure determination.</a> Biological Cybernetics. 84, 463-474 (2001).</li>
<li>Sameshima, K., Baccalá, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+partial+directed+coherence+to+describe+neuronal+ensemble+interactions%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Using partial directed coherence to describe neuronal ensemble interactions.</a> Journal of Neuroscience Methods. 94, 93-103 (1999).</li>
<li>Seth, A., Barrett, A. B., Barnett, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Granger+causality+analysis+in+neuroscience+and+neuroimaging%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Granger causality analysis in neuroscience and neuroimaging.</a> Journal of Neuroscience. 35, 3293-3297 (2015).</li>
<li>Hesse, W., Möller, E., Arnold, M., Schack, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+use+of+time-variant+EEG+Granger+causality+for+inspecting+directed+interdependencies+of+neural+assemblies%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies.</a> Journal of Neuroscience Methods. 124, 27-44 (2003).</li>
<li>Nunez, P. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+coherency.+I%3A+Statistics%2C+reference+electrode%2C+volume+conduction%2C+Laplacians%2C+cortical+imaging%2C+and+interpretation+at+multiple+scales%5BTitle%5D)+AND+%22Electroencephalography+and+Clinical+Neurophysiology%22%5BJournal%5D)">EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales.</a> Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).</li>
<li>Nunez, P. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+coherency+II%3A+experimental+comparisons+of+multiple+measures%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">EEG coherency II: experimental comparisons of multiple measures.</a> Clinical Neurophysiology. 110, 469-486 (1999).</li>
<li>Keogh, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+and+genetic+Rett+syndrome+variants+are+defined+by+stable+electrophysiological+profiles%5BTitle%5D)+AND+%22BMC+Pediatrics%22%5BJournal%5D)">Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles.</a> BMC Pediatrics. 18 (1), 333(2018).</li>
<li>Peters, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain+functional+networks+in+syndromic+and+non-syndromic+autism%3A+a+graph+theoretical+study+of+EEG+connectivity%5BTitle%5D)+AND+%22BMC+Medicine%22%5BJournal%5D)">Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity.</a> BMC Medicine. 11, 54(2013).</li>
<li>Jie, B., Wee, C., Shen, D., Zhang, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyper-connectivity+of+functional+networks+for+brain+disease+diagnosis%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Hyper-connectivity of functional networks for brain disease diagnosis.</a> Medical Image Analysis. 32, 84-100 (2016).</li>
<li>Zhang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topographical+Information-Based+High-Order+Functional+Connectivity+and+Its+Application+in+Abnormality+Detection+for+Mild+Cognitive+Impairment%5BTitle%5D)+AND+%22Journal+of+Alzheimer%27s+Disease%22%5BJournal%5D)">Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment.</a> Journal of Alzheimer's Disease. 54, 1095-1112 (2016).</li>
<li>Delorme, A., Scott, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEGLAB%3A+an+open+source+toolbox+for+analysis+of+single-trial+EEG+dynamics+including+independent+component+analysis%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis.</a> Journal of Neuroscience Methods. 134, 1(2004).</li>
<li>Calabrese, B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCalabrese%2C+B+%22Encyclopedia+of+Bioinformatics+and+Computational+Biology%22">Encyclopedia of Bioinformatics and Computational Biology</a>. , Elsevier. (2019).</li>
<li>Colic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Support+Vector+Machines+Using+EEG+Features+of+Cross-Frequency+Coupling+Can+Predict+Treatment+Outcome+in+Mecp2-Deficient+Mice%5BTitle%5D)+AND+%22Conference+Proceedings+of+the+IEEE+Engineering+in+Medicine+and+Biology+Society%22%5BJournal%5D)">Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice.</a> Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).</li>
</ol>

作者无任何利益冲突需要披露。

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...

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。

<table><tbody><tr><td>电极帽</td><td>ElectroCap International</td><td></td><td>或任何适用的电极帽</td></tr><tr><td>导电凝胶</td><td>SignaGel</td><td></td><td>或任何适用的凝胶</td></tr><tr><td>针型电极</td><td>BioSemi</td><td></td><td>或任何适用的电极</td></tr><tr><td>BioSemi Active Two 记录系统</td><td>BioSemi</td><td></td><td></td></tr><tr><td>ActiView 记录环境</td><td>BioSemi</td><td></td><td></td></tr><tr><td>MATLAB 软件</td><td>Mathworks</td><td></td><td></td></tr></tbody></table>

使用非侵入性脑电图进行皮层连接性的统计建模

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

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 &#34;地图&#34; 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。

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<img src="/files/ftp_upload/60249/60249eq7.jpg" alt="组合数学公式 n(n-1)/2；成对组合计算示意图。" data-altupdatedat="1788282455000" data-alt="Equation7">，其中n为记录的通道数...

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。

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……

该方案具有重要意义，因为它通过建模脑区间如何相互作用，揭示了标准分析技术无法显现的差异，从而实现了对皮层网络的研究。该技术的主要优势在于，它使我们能够利用广泛可得的设备来研究网络功能，从而无需特殊材料即可获得无创的电生理记录。该技术通过检测网络结构，实现了对神经精神疾病的无创性研究，有助于开发新的诊断方法和治疗性生物标志物。该方法在临床神经科学领域具有广泛的应用前景，尤其是在脑网络功能在疾病中的作用日益受到关注的背景下。进行数据采集时，将电极帽佩戴在患者头部，并注意确保其位置正确对齐。从头皮开始，向每个电极孔中注入导电凝胶，然后缓慢回抽至帽表面，以建立与头皮的电接触，并提高信噪比。然后根据10-20系统，使用预先确定的电极排列方式将电极连接至电极帽，并固定适当的接地电极。设置脑电图（EEG）时，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相连接。检查所有记录通道，确保偏移量处于适当范围内，并避免通道噪声过大。无论数据质量如何，该算法都会生成结果，因此应在严格的数据质量条件下进行记录，并在使用前对记录数据进行分析。然后告知患者记录已开始，并在进行简短的测试记录以验证记录质量是否合适之前，避免所有不必要的动作。分析结束后，将脑电图数据及任何必要的附加脚本库加载到合适的数据分析环境中。弃去每次记录的前五分钟和后五分钟，以减少任何运动伪影的污染，并根据任务或将静息态记录按预设的固定时长将数据分割为若干时段。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。然后对所有通道进行数字滤波，以分离出感兴趣的频率。为了计算数据的总体功率谱，需对每个待分析通道在整个待评估频率范围内进行傅里叶变换。为评估各个频段的活动情况，需分别分离出4至8赫兹的theta频段、8至12赫兹的alpha频段、12至30赫兹的beta频段、0.5至4赫兹的delta频段，以及高于30赫兹的gamma频段。为了评估第一对电极之间的相互作用，需计算电极间相干性指标。为评估相干性，将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，并将相干性值映射为从零到一的颜色范围。然后导出一幅颜色图，以可视化在所用频率范围内各电极对之间的电极间相干性。为了可视化大脑皮层区域之间的高阶相互作用并绘制出网络动态图谱，需计算每一对电极的相干性测量值在全频谱范围以及特定频段内与其他所有唯一电极对的相干性测量值之间的协方差。随后将这些协方差测量值映射为颜色，并导出一幅颜色图，以可视化不同频段内及跨频段的网络动态。为了进行降维分析，可通过主成分分析生成的统计模型，提取能够代表整体网络动态的指标，用于组间比较。构建一个协方差矩阵，用于表示成对相干性测量结果，以可视化高水平的网络关系，并将该协方差矩阵分解为特征向量及对应的特征值，从而识别模型特征空间中方差最大的轴，且不受现有测量指标的限制。根据特征值对特征向量进行排序，以确定对模型中方差贡献最大的成分。然后比较从网络模型中提取的前几个主成分。为了选择一个功能性的感兴趣区域，需在感兴趣的频段内提取相干性数据。通过主成分分析来获得这些频段内整体网络活动的度量指标。随后比较各组之间的这些指标，以评估特定振荡频率下的网络差异。为了使用欧氏距离等距离度量进行无监督学习，需计算在网络模型所定义的空间中各个受试者之间的距离度量。然后利用k近邻等聚类算法，根据模型参数识别数据中的分组。可通过在头皮上进行插值可视化谱功率，从而对活动来源进行有限估计。每一对电极间的相干性指标反映了某一区域的活动随另一区域活动变化的程度，同时考虑了相互作用的方向性和时间滞后性。电极间相干性值越高，表明所记录的脑区之间存在较强的相互作用，说明这些脑区正在相互传递信息。通过测量所有唯一电极组合之间的相互作用，可以构建出记录通道间相互作用的统计图谱，从而研究不同脑区之间的信息交流方式，而非仅仅关注孤立的个别脑区。可视化高阶网络动态有助于识别主成分分析或基于分类器的技术所比较的相互作用类型，从而评估一对电极的相干性测量值与另一对电极相干性变化之间的关系。例如，此处我们可以观察到两名患有影响皮层功能的神经精神疾病但临床表型不同的受试者之间，在网络映射中存在明显差异，而使用标准分析方法时并未发现具有统计学意义的差异。在通过本流程获得网络测量指标后，可进一步采用机器学习技术，利用由此产生的数据丰富的模型，实现更复杂的诊断和预后分析。该技术已实现了对雷特综合征（一种儿童神经精神疾病）疾病亚型的研究，以及对新型治疗反应和癫痫状态的预测。

statistical-modelling-cortical-connectivity-using-non-invasive

Research

科研

JoVE Journal

Neuroscience

神经科学

使用非侵入性脑电图的皮质连通性统计建模

我们介绍一种从接受有创癫痫监测的患者中采集皮层脑电图信号以用于研究目的的方法。我们展示了如何使用BCI2000软件平台进行数据采集、信号处理和刺激呈现。具体而言，我们演示了SIGFRIED——一种基于BCI2000的实时功能性脑图谱绘制工具。...

记录人类颅内脑电图（ECoG）信号用于神经科学研究与实时功能性皮层定位

我们采用脑磁图和脑电图（MEG/EEG），结合磁共振成像（MRI）获取的解剖学信息，来绘制与听觉注意相关的皮层网络动态图谱。...

利用同步脑磁图/脑电图与基于解剖约束的最小范数估计绘制皮层动态：以听觉注意为例

近年来，人们对认知神经科学研究中头皮记录的电活动的皮层源定位越来越感兴趣。本文介绍了在伦敦婴儿实验室如何对2岁及以上儿童进行高密度脑电图（EEG）数据的采集，以及如何处理记录数据以进行皮层源估计。...

儿童高密度脑电图记录的皮层源分析

静息态功能连接磁共振成像已发现，包括因大脑皮层发育畸形所致癫痫在内的多种神经精神疾病患者均存在异常。经颅磁刺激联合脑电图可证实，癫痫患者在功能连接异常的脑区表现出皮层过度兴奋性。...

一种基于多模态成像与刺激的癫痫患者脑连接相关兴奋性评估方法

本方案描述了一种用于追踪颞叶癫痫（TLE）患者内侧网络测量指标演变过程的方法。该方法基于颅内记录与一种新颖的数值数据分析技术的结合。具体而言，我们提出了一种针对卵圆孔记录数据的网络分析方案。...

耐药性颞叶癫痫患者卵圆孔电极记录的网络分析

本文提供了在小鼠中低成本构建和外科植入慢性经颅高密度脑电图蒙太奇的详细说明，同时描述了信号记录、提取和处理技术。...

使用低成本开源资源在啮齿类动物模型中进行高密度脑电图采集

本文介绍了一种脑电图-功能磁共振成像（EEG-fMRI）多模态成像方法，即时空fMRI约束的脑电图源成像方法。该方法采用条件激活的功能磁共振成像子图（或先验信息），以提高脑电图源定位的空间特异性，并减少错误结果。...

同步脑电图与功能磁共振成像记录及整合分析用于动态皮层活动成像

我们介绍了两种可使用统计参数映射（Statistical Parametric Mapping,...

使用SPM软件分析颅内脑电图数据中的神经活动与脑连接

该实验方案展示了在脑卒中患者上肢运动过程中采集和分析脑电图（EEG）信号的范式。在受损上肢运动期间，低-beta频段EEG功能网络的改变被观察到，并与运动功能障碍程度相关。...

慢性卒中患者上肢功能障碍的脑电图网络指标作为生物标志物

一种结合多种磁共振成像（MRI）数据模态指导下的个性化经颅磁刺激与脑电图（TMS-EEG）皮层网络定位的新方案。...

神经影像引导的经颅磁刺激–脑电图用于实时皮层网络定位

本方案展示了如何利用基于物理的神经模拟来解读神经治疗药物的电生理生物标志物，并揭示其对神经回路的影响，从而为神经治疗药物的开发提供一种具有机制基础的方法。...

利用人类新皮层神经求解器揭示神经治疗对脑电图影响的神经机制研究方案

学习使用非侵入性脑电图进行皮质连通性统计建模的方法，通过电极间相干性分析神经网络动态。该技术有助于开发神经精神疾病的新型诊断方法和治疗生物标志物。

使用非侵入性脑电图进行皮层连接性的统计建模

探索更多视频