Modélisation statistique de la connectivité corticale à l'aide d'électroencéphalogrammes non invasifs

Ce protocole est significatif car il permet l’étude des réseaux corticals en modélisant comment les régions interagissent les unes avec les autres pour révéler des différences qui ne sont pas évidentes avec les techniques d’analyse standard. Le principal avantage de cette technique est qu’elle nous permet d’étudier les fonctions réseau à l’aide d’équipements largement disponibles afin que nous puissions obtenir des enregistrements électriques non invasifs sans avoir besoin de matériaux spécialisés. Cette technique permet l’investigation non invasive des maladies neuropsychiatriques en examinant les structures réseau facilitant le développement de nouvelles méthodes diagnostiques et biomarqueurs thérapeutiques.

Cette méthode a un large éventail d’applications au sein des neurosciences cliniques, en particulier à mesure que le rôle de la fonction réseau dans la maladie devient de plus en plus pertinent. Pour la collecte de données, fixez le bouchon d’électrode à la tête du patient en prenant soin d’assurer un alignement correct. Injecter du gel de conductrice dans chacun des ports d’électrode commençant par le cuir chevelu et se retirant lentement à la surface du bouchon pour établir un contact électrique avec le cuir chevelu et pour améliorer le rapport signal-bruit.

Utilisez ensuite un montage d’électrode prédéterminé basé sur le système 10-20 pour fixer les électrodes au bouchon d’électrode et sécuriser les électrodes au sol appropriées. Pour configurer l’EEG, connectez toutes les électrodes à un système d’enregistrement électrophysiologique et reliez le système d’enregistrement à un environnement d’enregistrement numérique approprié. Examinez tous les canaux d’enregistrement pour vous assurer que le décalage se trouve dans une plage appropriée et pour éviter le bruit excessif du canal.

L’algorithme produira des résultats indépendamment de la qualité des données, de sorte que les enregistrements doivent être effectués dans des conditions strictes de qualité des données et doivent être analysés avant leur utilisation. Demandez ensuite au patient que l’enregistrement a commencé et d’éviter tous les mouvements inutiles avant d’effectuer un court enregistrement de test pour vérifier la qualité d’enregistrement appropriée. À la fin de l’analyse, chargez les données EEG et toutes les bibliothèques de script supplémentaires au besoin dans un environnement d’analyse de données approprié.

Jetez les cinq premières et dernières minutes de chaque enregistrement pour réduire la contamination des artefacts de mouvement et divisez les données en époques basées sur la tâche ou s’il s’agit d’un état de repos enregistrant une durée prédéterminée. Pour préparer les données, corrigez la ligne de base des enregistrements en soustrayant la moyenne de tous les canaux des enregistrements afin d’éviter l’impact de toute errance de base pendant les enregistrements prolongés. Reréférencé tous les canaux à une référence appropriée.

Filtrez ensuite numériquement tous les canaux pour isoler les fréquences d’intérêt. Pour calculer les spectres de puissance globaux des données, effectuez une transformation Fourier de chaque canal analysé sur l’ensemble de la plage de fréquences à évaluer. Pour évaluer l’activité des bandes de fréquences individuelles, isoler la bande de theta à quatre à huit hertz, la bande alpha à huit à 12 hertz, la bande bêta à 12 à 30 hertz, la bande delta à 0,5 à quatre hertz, et la bande gamma à plus de 30 hertz.

Pour évaluer les interactions entre la première paire d’électrodes, dérivez une mesure de cohérence inter-électrode. Pour évaluer la cohérence, cartographier les mesures de la cohérence inter-électrode à visualiser sur une structure de données bidimensionnelle où chaque colonne est un emplacement d’électrode, chaque ligne est un emplacement d’électrode, et chaque cellule est la cohérence entre la paire d’électrodes correspondante et la carte des valeurs de cohérence entre zéro et une couleur. Exportez ensuite une carte couleur visualisant la cohérence inter-électrode entre chaque paire d’électrodes dans les limites de fréquence utilisées.

Pour visualiser les interactions d’ordre supérieur entre les zones corticales et pour cartographier la dynamique du réseau, calculez comment chaque paire d’électrodes mesure les ovaires avec ceux de toutes les autres paires d’électrodes uniques dans l’ensemble du spectre et dans des bandes spécifiques. Ensuite, cartographiez ces mesures de covariance aux couleurs et exportez une carte des couleurs visualisant la dynamique du réseau à l’intérieur et à travers les bandes de fréquences. Pour effectuer une réduction de la dimensionnalité, prendre des mesures de comparaison entre les groupes qui représentent la dynamique globale du réseau dans les modèles statistiques générés à l’aide de l’analyse des composants principaux.

Instruire une matrice de covariance pour les mesures de cohérence en couple afin de permettre la visualisation des relations réseau de haut niveau et de décomposer la matrice de covariance en eigenvectors et en eigenvalues correspondantes pour permettre l’identification de l’axe dans l’espace de fonctionnalité du modèle qui contiennent la plus grande variance sans être délimité par les mesures existantes. Classer les eigenvectors par leurs eigenvalues correspondantes pour identifier ceux qui représentent la plus grande proportion de variance dans le modèle. Comparez ensuite les premiers composants principaux dérivés des modèles réseau.

Pour sélectionner une région fonctionnelle d’intérêt, isolez les données de cohérence dans les bandes de fréquences d’intérêt. Effectuer une analyse des composantes principales pour obtenir des mesures de l’activité globale du réseau au sein des bandes d’intérêt. Comparez ensuite les mesures entre les groupes pour évaluer les différences de réseau à des fréquences oscillatoires spécifiques.

Pour effectuer un apprentissage non supervisé à l’aide d’une mesure de distance telle que la distance euclidean, calculez les mesures de la distance entre les sujets dans l’espace défini par le modèle réseau. Utilisez ensuite un algorithme de clustering tel que les voisins k-nearest pour identifier les groupes dans les données en fonction des paramètres du modèle. La puissance spectrale peut être visualisée interpolée sur le cuir chevelu permettant une estimation limitée de la source d’activité.

Chacune des mesures d’électrode inter-électrodes indique dans quelle mesure l’activité dans une zone change en fonction de l’activité dans un autre domaine, ce qui permet des différences dans la direction de l’interaction et du décalage horaire. Des valeurs plus élevées de cohérence inter-électrodes suggèrent des interactions entre les zones d’où il est évident que les zones enregistrées communiquent entre elles. En mesurant les interactions entre chaque paire d’électrodes unique, une carte statistique de la façon dont les canaux enregistrés interagissent peut être construite permettant d’étude de la façon dont les zones communiquent plutôt que de se concentrer sur les différents domaines d’isolement.

La visualisation de la dynamique réseau de l’ordre supérieur facilite la reconnaissance des types d’interactions comparées par une analyse de composant principal ou une technique basée sur le classificateur pour évaluer comment les mesures de cohérence d’une paire d’électrodes se rapportent aux changements de cohérence à une autre paire. Par exemple, ici nous pouvons visualiser des différences évidentes dans la cartographie de réseau entre deux sujets avec les phénotypes cliniques différents d’un désordre neuropsychiatrique affectant la fonction corticale où il n’y avait aucune différence statistiquement significative utilisant des méthodes standard d’analyse. Suite à la dérivation des mesures réseau utilisant cette procédure, des techniques d’apprentissage automatique peuvent être utilisées pour tirer parti des modèles riches en données produits pour permettre des analyses diagnostiques et pronostiques plus sophistiquées.

Cette technique a permis l’investigation des sous-types de maladie dans le syndrome de Rett, une maladie neuropsychiatrique pédiatrique, aussi bien que la prédiction des réponses aux traitements nouveaux et au statut d’épilepsie.