النمذجة الاحصائيه للربط القشري باستخدام التصوير الكهربي غير الغازي

Summary

توفر تقنيات تحليل التخطيط الدماغي القياسية رؤية محدوده لوظيفة الجهاز العصبي. وتوفر النماذج الاحصائيه للتوصيليه القشرية قدره أكبر بكثير علي التحقيق في ديناميات الشبكة الاساسيه. ويفتح التقييم الوظيفي المحسن إمكانيات جديده للتشخيص والتكهن والتنبؤ بالنتائج في امراض الجهاز العصبي.

Abstract

التسجيلات الكهربية غير الغازية مفيده لتقييم وظيفة الجهاز العصبي. هذه التقنيات غير مكلفه وسريعة وقابله للتكرار واقل كثافة في استخدام الموارد من التصوير. علاوة علي ذلك ، فان البيانات الوظيفية المنتجة لها دقه زمنيه ممتازة ، والتي لا يمكن تحقيقها مع التصوير الهيكلي.

التطبيقات الحالية لصور الدماغ الكهربي (تخطيط الدماغ) محدوده بطرق معالجه البيانات. تقنيات التحليل القياسية باستخدام بيانات السلسلة الزمنيه الخام في القناات الفردية هي طرق محدوده جدا لاستجواب نشاط الجهاز العصبي. يمكن تحقيق المزيد من المعلومات التفصيلية حول وظيفة القشرية عن طريق فحص العلاقات بين القناات واشتقاق النماذج الاحصائيه لكيفيه تفاعل المناطق ، مما يسمح بتصور الاتصال بين الشبكات.

تصف هذه المخطوطة طريقه لاشتقاق النماذج الاحصائيه لنشاط الشبكة القشرية عن طريق تسجيل تخطيط الدماغ بطريقه قياسيه ، ثم دراسة تدابير الترابط بين الأقطاب لتقييم العلاقات بين المناطق المسجلة. ويمكن اجراء مزيد من الدراسة للتفاعلات بالترتيب الأعلى من خلال تقييم التباين بين أزواج التماسك ، وإنتاج "خرائط" عاليه الابعاد للتفاعلات الشبكية. ويمكن فحص هذه البيانات بنيات لتقييم وظيفة الشبكة القشرية وعلاقتها بعلم الامراض بطرق لا يمكن تحقيقها مع التقنيات التقليدية.

هذا النهج يوفر حساسية أكبر للتفاعلات علي مستوي الشبكة مما يمكن تحقيقه مع تحليل السلسلة الزمنيه الخام. بيد انه يحد من تعقيد التوصل إلى استنتاجات ميكانيكيه محدده بشان السكان العصبيين الأساسيين والكميات الكبيرة من البيانات المتولدة ، مما يتطلب تقنيات احصائيه أكثر تقدما للتقييم ، بما في ذلك الابعاد الحد والنهج القائمة علي المصنفات.

Introduction

هذا الأسلوب يهدف إلى إنتاج الخرائط الاحصائيه للشبكات القشرية علي أساس التسجيلات الكهربائية غير الغازية باستخدام الاعداد القابلة للاستمرار سريريا ، للسماح للتحقيق في امراض الجهاز العصبي ، وتاثير العلاجات الجديدة ، وتطوير الرواية الحيوية الفسيولوجية الكهربائية.

تخطيط الدماغ يوفر إمكانات كبيره للتحقيق في وظيفة الجهاز العصبي والمرض^1،2. هذه التكنولوجيا غير مكلفه ، ومتاحه بسهوله في البحوث والإعدادات السريرية ، وعموما جيد التحمل. الطبيعة البسيطة وغير الغازية للتسجيلات تجعل الاستخدام السريري مباشرا ، والإطار الحالي لأقسام تخطيط الدماغ السريرية يسمح بسهوله الوصول إلى التكنولوجيا للأطباء.

من الناحية الفنية ، يوفر تخطيط الدماغ المجال الزمني الممتاز القرار³. هذا هو من اهميه كبيره عند التحقيق في وظيفة الجهاز العصبي بسبب الجداول الزمنيه السريعة للتفاعلات الجهاز العصبي وديناميات الشبكة. في حين ان طرق التصوير مثل الرنين المغناطيسي الوظيفي توفر قدرا أكبر من الدقة المكانية والصور التفسيره بسهوله ، فهي محدوده أكثر بكثير في قدرتها علي استجواب وظيفة الجهاز العصبي علي الموازين الزمنيه الدقيقة التي تقدمها التسجيلات الكهربية ^4،5،6.

هناك حاجه متزايدة للقدرة علي استجواب وظيفة الجهاز العصبي لاعلام التشخيص والعلاج ، والتكهن من امراض الجهاز العصبي. ويتزايد الاعتراف بدور ديناميات الشبكة القشرية في علم امراض الجهاز العصبي⁷. العديد من امراض الجهاز العصبي لا تنتج آلافات الهيكلية المجهرية مرئية مع التصوير التقليدي ، ولكن التشوات التي تنتج علي مستوي الشبكة قد تكون واضحة مع أساليب التحليل الوظيفي المناسبة.

ولسوء الحظ ، فان أساليب تحليل تخطيط الدماغ الحالي محدوده للغاية في هذا الصدد. تتضمن الأساليب التقليدية تحليل بيانات السلاسل الزمنيه البسيطة من الأقطاب الكهربائية الفردية. هذه الإشارات تمثل الجمع بين الإمكانات الميدانية في المناطق القشرية الكبيرة^3,8. تحليل البيانات من القناات الفردية في عزله باستخدام اما التفتيش البصري أو الطرق الاحصائيه البسيطة يحد من فائده هذه التسجيلات للكشف عن التشوات الكهربية الاجماليه في مواقع منفصلة وفردية. مع تزايد الاعتراف باهميه الآثار علي مستوي الشبكة لوظيفة الجهاز العصبي وعلم الامراض ، وهذه الأساليب تحليل بسيطه ناقصه بوضوح في انها سوف تفشل في الكشف عن علاقات خفيه بين الإشارات ، والتي تمثل تشوات في كيفيه تفاعل المناطق القشرية مع بعضها البعض علي مستوي الشبكة.

وهناك طريقه لاشتقاق الخرائط الاحصائيه للربط بين الشبكات القشرية والتسجيلات الكهربائية المنخفضة الابعاد. هذا الأسلوب يسمح بالتحقيق في ديناميات التفاعلات بين مناطق الدماغ المختلفة بطريقه غير ممكنة مع تقنيات التحليل التقليدية ، فضلا عن التصور من هذه التفاعلات الشبكة. هذا يفتح امكانيه التحقيق غير الغازية من تاثيرات مستوي الشبكة في قرارات المجال عاليه الوقت بطرق غير ممكنة سابقا. ويستند هذا الأسلوب علي اشتقاق تدابير الترابط بين الأقطاب^9،10. وتسمح هذه التدابير بالتحقيق في كيفيه تفاعل منطقتين مسجلتين من خلال تقييم العلاقات الاحصائيه بين تسجيلات هذه المناطق¹¹. ومن خلال تقييم كيفيه تفاعل كل منطقه مسجله مع كل منطقه مسجله أخرى ، يمكن وضع خريطة احصائيه للشبكات الكهربائية الفسيولوجية داخل المناطق المسجلة. وهذا يسمح باكتشاف العلاقات الوظيفية التي لا تظهر علي تقييم البيانات الفردية للقناه بمعزل عن غيرها.

تركز هذه المخطوطة علي استخدام التماسك في السلاسل الزمنيه العصبية. حاليا ، هناك عدد من التقنيات للتحقيق في العلاقات بين البيانات المتسلسلة الزمنيه التي يمكن تطبيقها علي القناات بطريقه التزاوج لاشتقاق نماذج من الاتصال القشري. وتهدف بعض الأساليب ، مثل الاتساق الجزئي ذي الصلة الموجه^12،13، إلى استنباط اتجاه تاثير زوج الإشارات الذي تم التحقيق فيه من أجل تحسين توصيف هيكل الشبكات الاساسيه ، بينما الأساليب ، مثل السببية جرانجر^14،15، محاولة لاستنتاج العلاقات الوظيفية من خلال قدره اشاره واحده للتنبؤ البيانات في آخر. طرق مثل هذه يمكن تطبيقها بطرق مماثله لتوليد نماذج عاليه الابعاد من الشبكات القشرية. ومع ذلك ، فان مزايا الاتساق كوسيلة للتحقيق في العلاقات بين الإشارات العصبية تكمن في افتقارها إلى الافتراضات. فمن الممكن التحقيق في العلاقات الاحصائيه بين التسجيلات في موقعين دون الادلاء ببيانات حول الأساس الوظيفي لهذه العلاقات وبناء نموذج للاتصال القشرية استنادا فقط علي العلاقات الاحصائيه مع الحد الأدنى من الافتراضات حول الشبكات القشرية توليد هذه الإشارات.

نظرا للطبيعة الرياضية البحتة لهذه التدابير ، فان العلاقة بين مقاييس التماسك لتسجيلات القطب الكهربي في فروه الراس والنشاط العصبي الأساسي معقده^16،17. وفي حين تسمح هذه الأساليب اشتقاق الثوابت الاحصائيه التي تصف العلاقات بين تسجيلات القطب للمقارنة ، مما يجعل الاستدلالات السببية المباشرة حول نشاط السكان العصبية الاساسيه المحددة ليست مباشره^3,8,16,17. وتسمح هذه النهج بمقارنه النشاط علي مستوي الشبكة بين المجموعات لتحديد المؤشرات الحيوية التي يحتمل ان تكون مفيده ولكنها محدوده من حيث استخلاص استنتاجات محدده بشان علاقة هذه العلامات باليات العصبية المحددة. ويرجع ذلك إلى العدد الكبير من العوامل المربكة التي تؤثر علي النشاط المسجل³، فضلا عن القضايا المتعلقة بتقدير المصدر القشري المحدد للإشارات الكهربائية المسجلة علي مستوي فروه الراس⁸. وبدلا من ذلك ، يمكن ان تنتج هذه النهج نماذج احصائيه للنشاط يمكن استجوابها ومقارنتها بين المجموعات لتحديد ان الاختلافات موجودة علي مستوي الشبكة¹⁸ ويمكن الاستفادة منها لإنتاج العلامات الحيوية الجديدة علي أساس هذه نيات. ومع ذلك ، فان هذه الأساليب وحدها لديها قدره محدوده لربط الخلافات التي ينظر اليها أليات محدده والانشطه العصبية بسبب تعقيد النظام الأساسي.

واستخدام تدابير الشبكة مثل الاتساق راسخ تماما في نظم العلوم العصبية^16و17. وقد تم تقييد الإمكانات الكاملة لهذه النهج لنمذجة الوظائف القشرية والتحقيق فيها بسبب عدم استغلال هياكل البيانات العالية الابعاد هذه. ويوضح هذا العمل انه من الممكن تطبيق هذه الإجراءات علي قنوات تخطيط الدماغ بطريقه التزاوج من أجل رسم البيانات علي مساحة المعالم العالية الابعاد التي تعتمد بشكل بحت علي العلاقات الاحصائيه بين النشاط الكهربائي في المناطق القشرية. ويبين أيضا انه باستخدام التقنيات الاحصائيه الحديثة ، من الممكن استخدام النماذج المتولدة من الوظيفة القشرية للتحقيق في هذه النماذج دون فقدان المعلومات المكتسبة في عمليه وضع النماذج.

ومن المحتمل ان تكون هذه الطريقة ذات قيمه في توسيع نطاق تطبيقات تكنولوجيات تخطيط الدماغ الحالية ، وتحسين القدرة علي استنباط تدابير وظيفية مفيده دون الحاجة إلى إدخال تعديلات علي معدات التسجيل الحالية^18و19 . من خلال تحسين القدرة علي نمذجة وظيفة القشرية واستجواب هذه النماذج ، يتم توسيع الاسئله التي يمكن التحقيق فيها باستخدام بيانات تخطيط الدماغ. وهذا يفتح المزيد من الفرص لزيادة تكامل التقييمات الوظيفية والهيكلية للتحقيق في الامراض العصبية^20،21. هذا النهج ، وذلك باستخدام التكنولوجيا المتاحة علي نطاق واسع بالفعل سريريا ، من شانه ان يسمح التحقيق في الامراض القشرية مع كل من الدقة الزمنيه والمكانية عاليه.

Protocol

ويتفق البروتوكول التجريبي التالي مع جميع المبادئ التوجيهية الاخلاقيه المحلية والوطنية والدولية للبحوث البشرية. تم الحصول علي البيانات المستخدمة لاختبار البروتوكول باذن من اللجنة الاخلاقيه للمنطقة توسكانا-بروتوكول 2018سميث112 SI-RE.

ملاحظه: والبرامج النصية المستخدمة لتنفيذ التحليلات الموصوفة متاحه في https://github.com/conorkeogh/NetworkAnalysis.

1. جمع البيانات الخام

1. اعداد شروط الموضوع.
   1. لضمان التناسق عبر التسجيلات ، يمكنك اجراء جميع تسجيلات تخطيط الدماغ في بيئة تسجيل مخصصه. أزاله جميع المعدات أو المحفزات التي ليست ذات صله مباشره للمهمة التي سيتم تنفيذها اثناء التسجيل من البيئة لتجنب الهاء.
      ملاحظه: إذا كانت التسجيلات حاله الراحة ليتم تنفيذها ، وأزاله جميع مصادر الهاء من الغرفة وفضح المواضيع إلى بيئة التسجيل قبل جلسة التسجيل لأزاله الجدة من البيئة.
   2. تزويد الموضوع بتعليمات واضحة فيما يتعلق بالمهمة التي سيتم تنفيذها. وبمجرد اعداد المعدات ، اترك الموضوع وحده في بيئة التسجيل لتعتاد علي البيئة قبل بدء التسجيل للتقليل من الحركة والهاء.
   3. وإذا كان للموضوع إعاقات ذهنيه ، فانه يتيح له الوقت اللازم لتعويد إلى البيئة للحد من اي إجهاد. في بعض الأحيان قد يتطلب ذلك زيارات متعددة وأقامه مطوله في غرفه التسجيل.
2. جبل الأقطاب.
   1. نعلق غطاء القطب الكهربائي علي راس المريض ، مع الحرص علي ضمان المحاذاة الصحيحة. حقن هلام موصل في كل من الموانئ الكهربائي ، بدءا من فروه الراس والانسحاب ببطء إلى سطح الغطاء لأقامه اتصال كهربائي مع المقياس وتحسين نسبه الاشاره إلى الضوضاء.
   2. نعلق الأقطاب الكهربائية إلى غطاء القطب باستخدام المونتاج الكهربائي سلفا علي أساس نظام 10 − 20. نعلق الأقطاب الارضيه المناسبة (علي سبيل المثال ، إلى العمليات الخشاء).
3. قم باعداد التخطيط الدماغي.
   1. قم بتوصيل جميع الأقطاب الكهربائية بنظام تسجيل إلكتروفيزيولوجي. اربط نظام التسجيل ببيئة تسجيل رقمي مناسبه.
   2. افحص جميع قنوات التسجيل للتاكد من ان الازاحه ضمن نطاق مناسب ولتجنب الضوضاء المفرطة للقناه. إذا كانت القناة تحتوي علي أزاحه أو ضجيج زائد ، يمكن أضافه هلام موصل إضافي من أجل تحسين الاتصال الكهربائي ، مع الحرص علي تجنب التسبب في الربط بين مواقع الأقطاب.
   3. إرشاد الموضوع الذي بدا التسجيل وتجنب جميع الحركات غير الضرورية. اجراء تسجيل اختبار قصير للتحقق من جوده التسجيل المناسبة.
4. اعداد المهمة السلوكية للتسجيل.
   1. توضيح جميع التعليمات المتعلقة بالمهمة مع الموضوع. التاكيد علي اهميه تجنب جميع التحركات غير الضرورية.
   2. اشرح ان التسجيل سيبدا علي اشاره متفق عليها بوضوح (علي سبيل المثال ، تدق علي باب بيئة التسجيل). اترك الموضوع في بيئة التسجيل. أبدا التسجيل. أعط الاشاره المتفق عليها للموضوع.
   3. بعد الانتهاء من المهمة أو فتره الراحة ، توقف عن التسجيل ، افحص البيانات بصريا لضمان الجودة ، واحفظ البيانات.

2. المعالجة المسبقة للبيانات

ملاحظه: ويوضح الشكل 1اعداد البيانات وخط أنابيب استخراج الميزات.

1. اعداد البرنامج.
   1. تحميل بيانات تخطيط الدماغ ليتم تحليلها في بيئة تحليل البيانات. تحميل اي مكتبات نصيه اضافيه ضرورية ، مثل EEGLab²².
2. تحويل جميع التسجيلات إلى نفس تنسيق البيانات إذا لزم الأمر ، مع جميع القناات في مواقعها المقابلة.
   1. تجاهل بداية ونهاية كل تسجيل (علي سبيل المثال ، 5 دقائق) للحد من تلوث القطع الاثريه الحركة. تقسيم البيانات إلى عهود استنادا إلى المهمة أو ، إذا كان تسجيل حاله يستريح ، مده محدده مسبقا (علي سبيل المثال ، 10 دقيقه). انظر الNetworkAnalysis_Demonstration (القسم استخراج الميزات) والشكل التكميلي 1 لإظهار التنفيذ.
      ملاحظه: ويمكن ان يكون لاختيار طول الحقبة اثار هامه علي مقاييس الاتساق. وينبغي استخدام العهود من طول كاف لضمان ان العلاقات الحقيقية بين الإشارات تظهر في الحسابات لتجنب التحف دون ان يلاحظها أحد أو عابره ، والتزامن زائفه وجود الترجيح المفرط. ومع ذلك ، في هذا العمل لم يكن هناك فرق كبير من الناحية الاحصائيه في بنيه الشبكة العامة عندما تم مقارنه العهود عشر دقائق إلى متوسط من 10 1 دقيقه العهود بعد رفض ملموسه الشوائب.
3. تنفيذ رفض القطعة الاثريه من خلال فحص البيانات التاريخية بصريا ورفض البيانات غير الملائمة بصريا.
   ملاحظه: بما ان تقنيه النمذجة الموصوفة تعتمد علي العلاقات بين الإشارات ، فمن الضروري ضمان الرفض الشامل للتحف. هذه يمكن ان تفسد بيانات القناة ، مما يؤدي إلى زيادات مصطنعه (إذا كانت القطعة الاثريه ممثله علي قنوات متعددة) أو النقصان (إذا كانت القطعة الاثريه ممثله فقط علي بعض القناات) من مقاييس الاتساق.
   1. تحديد القناات السيئة في التسجيلات.
      1. بيانات مرشح التمرير العالي عند 0.5 هرتز لأزاله الانحراف الأساسي بسبب الأرض العائمة لنظام الاستحواذ.
      2. حدد جميع القناات التي تستوفي المعايير الاحصائيه المناسبة (علي سبيل المثال ، تلك التي لديها انحراف معياري أكبر من ثلاث مرات أو اقل من ثلث متوسط الانحراف المعياري للقناه).
         ملاحظه: أزاله القناات مع البيانات التي من غير المرجح ان تكون نشات من المصادر العصبية يتجنب العلاقات الزائفة التي يتم إدخالها في نماذج الشبكة.
      3. افحص هذه القناات لتحديد ما إذا كانت مناسبه ام لا.
      4. رفض العهود مع قنوات غير مناسبه إذا كان ذلك ممكنا. بدلا من ذلك ، استبعاد القناات السيئة واستكمال البيانات في هذه القناات (علي سبيل المثال ، وذلك باستخدام خوارزميه الاستيفاء شريحة في eeglab).
         ملاحظه: وقد يؤدي الاستيفاء عبر عدد كبير من القناات أو مع عدد قليل من قنوات التسجيل إلى توليد بيانات غير ملائمة للتحليل. وعلاوة علي ذلك ، لا يقدم هذا معلومات جديده في مجموعه البيانات ويمكن ان يؤدي إلى تدابير عاليه بشكل مصطنع للاتساق بين الإشارات المحرفة والإشارات المستمدة منها.
   2. اجراء تحليل المكونات المستقلة علي العهود المتبقية (علي سبيل المثال ، باستخدام وظيفة EEGLab ICA). افحص المكونات المشتقة بصريا وارفض البيانات غير الملائمة بصريا.
   3. تطبيق العتبات الاحصائيه المناسبة لتحديد التحف المحتملة غير الواضحة علي الفور في الفحص البصري (علي سبيل المثال ، استنادا إلى القيم المتطرفة أو الأطياف غير الطبيعية). افحص هذه وحدد ما إذا كان الرفض مناسبا ام لا.
   4. كرر تحليل المكونات المستقلة وتحديد العناصر الملموسة علي العهود الباقية.
   5. تحديد عهود البيانات التي سيتم حفظها لمزيد من التحليل. تجاهل كافة عهود البيانات المرفوضة. تحديد جميع العهود التي سيتم المضي قدما لمزيد من التحليل.
      ملاحظه: عندما تكون هناك حاجه لحقبه واحده فقط لكل موضوع ، حدد الحقبة المناسبة الاولي لمزيد من التحليل.
4. لاعداد البيانات ، صحح خط الأساس للتسجيلات عن طريق طرح متوسط جميع القناات من التسجيلات لتجنب تاثير تجول الأساس اثناء التسجيلات المطولة. أعاده الرجوع إلى جميع القناات للاشاره المناسبة (علي سبيل المثال ، القطب الأرضي أو متوسط جميع القناات). انظر NetworkAnalysis_Demonstration ، NetworkAnalysis_Preprocess ، والشكل التكميلي 2 للاطلاع علي أمثله للتنفيذ.
   ملاحظه: يمكن ان يكون للتحديد المرجعي تاثيرات هامه علي مقاييس الشبكة. وبما ان البيانات المرجعية "تطرح" من جميع القناات المحللة ، فان اي بيانات عصبيه ممثله في القناة المرجعية ستطرح التالي لا تسهم في إنشاء النموذج. ومن الممارسات الشائعة استخدام الإشارات المرجعية المسجلة علي البروز العظمية دون الهياكل العصبية الكامنة علي الفور ، مثل عمليه الخشاء. ومع ذلك ، يمكن ان تتلف هذه البيانات العصبية بسبب تاثيرات التوصيل الحجمي من خلال فروه الراس التالي تشوه مقاييس الشبكة بشكل مختلف استنادا إلى الموقع بالنسبة إلى المرجع. ونتيجة لذلك ، لبيانات حاله الراحة فمن الأفضل استخدام متوسط جميع قنوات فروه الراس كمرجع. وهذا يعني انه لا تتم الاشاره إلى جميع البيانات بالنسبة إلى موقع مكاني محدد ، والتدابير المشوهة ، لان جميع القناات تسهم في المرجع. ويمكن ان يكون لذلك اثار مثل تثبيط النشاط العام الظاهر ويمكن ان يشوه التدابير عن طريق طرح إشارات ممثله بقوة في بعض القناات التالي المساهمة بشكل كبير في المتوسط. هذه مشكله أكبر للإشارات المتعلقة بالنشاط والحدث ، ولكنها عاده ما لا تكون الحالة مع بيانات حاله الراحة.
   1. تصفيه رقميا جميع القناات لعزل الترددات من الفائدة (علي سبيل المثال ، 1 هرتز-50 هرتز). انظر الNetworkAnalysis_Demonstration ، NetworkAnalysis_Preprocess ، والشكل التكميلي 3 للاطلاع علي أمثله للتنفيذ.
      ملاحظه: ضمان استخدام حدود التردد المناسبة ومعلمات التصفية للتحليل المقصود لتجنب تشويه الترددات عند الحد الأقصى للنطاق المدروس وتاثيرات الصقل. صفر المرحلة التحول⁴المرشحات بترورث النظام أداء بشكل مناسب. وتضمن التصفية المناسبة عزل نشاط الفائدة لأغراض النمذجة. حتى مع مجموعه واسعه (مثلا ، 1 هرتز-50 هرتز) ، وهذا يضمن ان القطع الاثريه عاليه التردد والتردد المنخفض الخط القاعدي لا تفسر علي انها متماسكة بين القناات ، والتدابير المشوهة.

3. ميزه استخراج

1. تقييم القدرة الطيفية.
   1. حساب أطياف الطاقة الاجماليه من خلال اجراء تحويل Fourier لكل قناه يتم تحليلها عبر نطاق الترددات بالبالكامل ليتم تقييمها (علي سبيل المثال ، 1 هرتز-50 هرتز).
   2. تقييم النشاط في نطاقات التردد الفردية: عزل الفرقة ثيتا في 4 هرتز-8 هرتز. عزل الفرقة الفا في 8 هرتز-12 هرتز. عزل الفرقة بيتا في 12 هرتز-30 هرتز. عزل الفرقة دلتا في 0.5 هرتز-4 هرتز. عزل الفرقة غاما في > 30 هرتز (علي سبيل المثال ، 30-50 هرتز). انظر الNetworkAnalysis_Demonstration ، NetworkAnalysis_FeatureExtraction ، والشكل التكميلي 4 للاطلاع علي أمثله لتنفيذ اشتقاق الأطياف وعزل نطاقات الترددات.
      ملاحظه: وتنقسم بيانات تخطيط الدماغ تقليديا إلى "نطاقات" تردد للتحقيق. وتسمي هذه التسميات أساسا علي الترتيب الذي اكتشفت فيه ، وتختلف عروض النطاقات المحددة إلى حد ما. وتظل الاهميه الوظيفية للتقلبات في ترددات محدده مجالا للتحقيق النشط. ويعتقد ان التذبذبات داخل نطاقات محدده قد تكون ذات صله بأنشطه عصبيه محدده ، مثل ظهور موجه الفا عاليه السعه في المنطقة القذالي مع إغلاق العينين ، علي الرغم من ان العلاقة الدقيقة بين الوظائف العصبية لا يزال النشاط المتذبذب في تسجيلات تخطيط الدماغ غير واضح.
   3. تقييم الطاقة الكلية عبر فروه الراس بأكملها من خلال حساب متوسط أطياف القناات الفردية. تطبيع السلطة في النطاقات الفردية فيما يتعلق بالقوة الشاملة لإعطاء قياس للقوه النسبية والسماح باجراء مقارنات أكثر دقه بين الظروف.
2. تنفيذ تعيين شبكه الاتصال.
   1. تقييم التفاعلات بين زوج القطب الكهربي الأول عن طريق اشتقاق مقياس للاتساق بين الأقطاب:
      
      انظر NetworkAnalysis_Demonstration ، NetworkAnalysis_FeatureExtraction ، والشكل التكميلي 5 للاطلاع علي أمثله للتنفيذ.
      1. حساب الطيف عبر القناتين:
         
         1. حساب تحويل Fourier لكل اشاره ، X و Y
            
         2. حساب الطيف الترددي المتعدد:
            
            حيث: t هو الفاصل الزمني لأخذ العينات ، t هو طول التسجيل ، x هو تحويل fourier x، و y^* هو المقارن المعقدة من y.
         3. تجاهل الترددات السلبية والتدابير الصحيحة. يمكن تجاهل النصف الثاني من محور تردد الكمبيوتر في حاله الإشارات ذات القيمة الحقيقية ، ويتم ضرب مقاييس الطاقة بمقدار اثنين لتصحيح ذلك.
            ملاحظه: وهذا يعادل تحويل فورير من الارتباط المتبادل بين x و y.
      2. تطبيع الطيف عبر أطياف السلطة من كلا القناتين :.
         1. حساب تحويل Fourier لكل اشاره:
            
         2. حساب طيف الطاقة:
            
            حيث: t هو الفاصل الزمني لأخذ العينات ، t هو طول التسجيل ، x هو تحويل fourier x، و x^* هو المقارن المعقدة من x.
         3. تجاهل الترددات السلبية والتدابير الصحيحة: يمكن تجاهل النصف الثاني من محور تردد الكمبيوتر في حاله الإشارات ذات القيمة الحقيقية ، وقياسات الطاقة مضروبه في اثنين لتصحيح ذلك.
         4. استخدام أطياف الطاقة المحسوبة لتطبيع الطيف الترددي المتعدد واستخلاص قدر من التماسك:
            
            ملاحظه: هذا يولد C، مقياسا للاتساق بين الإشارات x و y عند الترددات . وهذا مقياس للعلاقة بين هذه الإشارات عند الترددات المفحوصة ، مقيسا علي مقياس من صفر إلى 1. وإذا كانت هناك علاقة مستمرة بين الإشارتين المفحوصتين في جميع النقاط الزمنيه ، فان الاتساق سيكون له قيمه 1 ، مما يدل علي وجود علاقة قويه بين الإشارات في تلك الترددات ، مما يعني ان النشاط في اشاره واحده هو من الناحية الوظيفية تتعلق بالنشاط في الآخر (اي ان هناك اتصال بين الاثنين). وحيث لا توجد علاقة مرحله بين الإشارتين ، فان التماسك سيكون له قيمه 0 ، مما يشير إلى ان الإشارات ليست ذات صله.
   2. كرر هذا الاجراء لكل زوج من الأقطاب الكهربائية الفريدة لتطوير مقياس لاستقرار المرحلة بين الإشارات في كل زوج من القطب الكهربي ، وبناء نموذج للتوصيل الوظيفي عبر جميع الأقطاب الكهربائية.
      ملاحظه: للحصول علي مونتاج من أقطاب n ، وهذا سوف تنتج تدابير الاتساق. وهذا يمثل تعيين بيانات السلاسل الزمنيه المقاسه علي مستوي عالي الابعاد استنادا إلى العلاقات بين الإشارات المسجلة ، مما يسمح بالتحقيق في طبيعة هذه التفاعلات.

4. المرئيات البيانات

1. اجراء تحليل الطاقة الطيفية.
   1. افحص مصفوفات الطاقة
      1. تعيين قياسات القدرة الطيفية التي يمكن تصورها علي بنيه بيانات ثنائيه الابعاد حيث يكون كل عمود موقع قطبي ، وكل صف هو نطاق ترددي ، وكل خليه هي القوه الطيفية في ذلك الموقع ، داخل ذلك النطاق.
      2. تحديد مستويات الطاقة القصوى والدنيا في جميع الظروف التي يجب مقارنتها. تعيين هذه في الحد الأقصى والحد الأدنى لجميع الشروط. تعيين قيم الطاقة الطيفية بين الحد الأقصى المحدد والحد الأدنى للألوان. تصدير خريطة ملونه تصور الطاقة الطيفية عند كل نطاق تردد في كل موقع قطبي (الشكل 2).
   2. تنفيذ الخرائط الطبوغرافية.
      1. إنشاء بنيه بيانات تحتوي علي التسميات الخاصة بكل موقع من مواقع أقطاب النظام 10-20 المستخدمة ، وذلك بالترتيب المطابق لهيكل البيانات الذي سيتم تعيينه. باستخدام وظيفة الحبكة السطحية EEGLab () ، وبيانات الطاقة الطيفية ، والحد الأقصى المحدد والحد الأدنى ، وقائمه القناات ، فانها تولد رسم خرائط لتوزيع الطاقة الطيفية عبر فروه الراس.
2. تقييم الاتساق.
   1. فحص مصفوفات التناسق.
      1. خريطة قياسات الترابط بين الأقطاب ليتم تصورها علي هيكل البيانات ثنائيه الابعاد حيث كل عمود هو موقع قطبي ، كل صف هو موقع قطبي ، وكل خليه هي التماسك بين زوج القطب المقابل.
      2. تعيين قيم التناسق بين 0 و 1 إلى ألوان. تصدير خريطة ملونه تصور الترابط بين الأقطاب الكهربية بين كل زوج قطبي داخل حدود التردد المستخدمة (الشكل 3). كرر هذا الاجراء لكل نطاق تردد ليتم التحقيق فيه. انظر الشكل التكميلي 6 والproduce_plots r للاطلاع علي أمثله للتنفيذ. انظر الشكل 3 علي سبيل المثال الإخراج.
   2. تنفيذ التصور الشبكة.
      1. لتصور تفاعلات الترتيب الأعلى بين المناطق القشرية وخريطة ديناميات الشبكة ، احسب كيف يختلف قياس تناسق كل زوج قطبي مع تلك الخاصة بكل زوج من الأقطاب الكهربائية الفريدة عبر الطيف الكلي وضمن نطاقات محدده.
      2. تعيين مقاييس التباين المختلط هذه للألوان. تصدير خريطة ملونه تصور ديناميات الشبكة داخل ونطاقات الترددات المختلفة. انظر الproduce_plots r للاطلاع علي أمثله للتنفيذ. انظر الشكل 4 علي سبيل المثال الإخراج.

5. تحليل نماذج الشبكة

ملاحظه: تطبيق الأساليب الاحصائيه الحديثة للنماذج المستمدة يسمح للاستفادة من العلاقات علي غرار في الفضاء ميزه الشبكة عاليه الابعاد للتحقيق في وظيفة القشرية. ويمكن اتخاذ عدد من النهج التي توفر مزايا علي المقارنات التقليدية للتدابير الفردية أو متوسطات تدابير الاتساق. وترد أدناه بعض النهج المحتملة التي تسهلها نماذج الشبكة هذه. ولا تناقش هذه الإجراءات الا علي نحو سطحي باعتبارها مؤشرا علي التطبيقات المحتملة لنمذجة الشبكات ، لان المناقشة المستفيضة لكل تقنيه تتجاوز نطاق العمل الحالي.

1. اجراء تخفيض الابعاد.
   ملاحظه: المقارنات في مستوي المتغير الفردية تفشل في الاستفادة من العلاقات التي تمثلها النماذج التي تم إنشاؤها ، اثناء اجراء مقارنات علي كافة المقاييس في ثوابت الابعاد التي تم إنشاؤها مشكله بسبب عدد كبير من المقارنات المطلوبة وعدم إدماج المعلومات الرفيعة المستوي الواردة في النماذج الاحصائيه. تخطيط البيانات عاليه الابعاد علي مساحة اقل الابعاد مع الحفاظ علي المعلومات التي تم إنشاؤها بواسطة عمليه إنشاء نموذج يسمح لأداء مقارنات ذات مغزى مع الاستفادة الكاملة من النماذج ' بنيه غنيه بالبيانات.
   1. استنباط تدابير للمقارنة بين المجموعات التي تمثل ديناميات الشبكة العامة داخل النماذج الاحصائيه المتولدة باستخدام تحليل المكون الرئيسي. انظر الNetworkAnalysis_Demonstration والشكل 7 التكميلي للاطلاع علي مثال للتنفيذ.
      1. وعلي النحو الوارد أعلاه ، وضع مصفوفة للفرق المختلطة من أجل تدابير الاتساق الاقران. سيؤدي هذا إلى إنشاء التباين المختلط الابعاد حيث. هذا النموذج هو بالتالي عاليه الابعاد للغاية ويسمح التصور للعلاقات شبكه عاليه المستوي كما هو موضح أعلاه.
      2. تحلل مصفوفة التباين المصاحب إلى المتجات الوراثية والقيم الوراثية المناظرة. وهذا يسمح بتحديد المحاور داخل مساحة ميزه الطراز التي تحتوي علي أكبر فرق ، دون ان تكون مقيده بالمقاييس الموجودة.
      3. ترتيب المتجات الوراثية بقيمه متجات المقابلة لتحديد تلك التي تمثل أكبر نسبه من التباين داخل النموذج.
   2. مقارنه المكونات الرئيسية الاولي المشتقة من نماذج الشبكة. انظر الNetworkAnalysis_Demonstration والشكل 7 التكميلي للاطلاع علي مثال للتنفيذ.
      ملاحظه: ويمثل العنصر الرئيسي الأول أكبر درجه من التباين داخل النموذج. ولذلك ، فان مقارنه هذا التدبير تسمح بالمقارنة بين ديناميات الشبكة العامة في جميع انحاء النموذج ككل بين المجموعات ذات الاختبار الإحصائي الواحد ، مما يسمح بالتحليل المتزامن للعلاقات المعقدة التي يجري نمذجتها وتجنب المشكلات المقترنة بالعديد من المقارنات.
2. اجراء تحليل لمنطقه الاهتمام. وتمثل النماذج المشتقة اتصال الشبكة عبر القشرة الكاملة ، عبر جميع نطاقات الترددات. إذا كان هناك اهتمام في المناطق التشريحية المحددة أو في وظائف داخل نطاقات محدده ، يمكن عزل هذه المناطق من النموذج وتحليلها بشكل منفصل.
   1. اختيار منطقه التشريحية من الفائدة.
      ملاحظه: ويسمح تقييد التحليل للمناطق التشريحية المحددة بتقييم نشاط الشبكة داخل أو بين مناطق قشريه محدده من أجل تحديد العلاقات التي قد لا تكون ظاهره علي تحليل النموذج ككل.
      1. تحديد بيانات الاتساق في النموذج المتعلق بمجالات الاهتمام التشريحية.
      2. اشتقاق مصفوفة التباين المختلط واجراء تحليل المكونات الرئيسية كما هو موضح أعلاه لحساب مقاييس بنيه الشبكة العامة داخل المناطق ذات الاهتمام.
      3. قارن مقاييس ديناميات الشبكة داخل المناطق التشريحية ذات الاهتمام بين المجموعات كما هو موضح أعلاه.
   2. اختر المنطقة الوظيفية التي تهمك.
      ملاحظه: ويسمح تقييد التحليل لنطاقات تردديه محدده بتقييم نشاط الشبكة ضمن ترددات ذبذبه محدده (الشكل 4).
      1. كما في التحليلات التشريحية ، عزل بيانات التناسق ضمن نطاقات التردد ذات الاهميه. انظر الNetworkAnalysis_Demonstration والشكل التكميلي 8 للاطلاع علي أمثله للتنفيذ ، باستخدام التفاعلات داخل الطيف العام فقط كمثال.
      2. اجراء تحليل المكونات الرئيسية لاشتقاق مقاييس النشاط العام للشبكة ضمن نطاقات الاهتمام.
      3. قارن المقاييس بين المجموعات لتقييم اختلافات الشبكة عند ترددات ذبذبه محدده.
3. استخدام التعلم الألى.
   ملاحظه: يمكن تطبيق نهج التعلم الإحصائي الحديثة علي النماذج التي تم إنشاؤها من أجل مواصله استجواب العلاقات رفيعه المستوي الممثلة فيها.
   1. استخدام التعلم تحت الاشراف.
      ملاحظه: باستخدام البيانات مع الفئات المعرفة مسبقا ، يمكن استخدام نماذج الشبكات القشرية لاشتقاق مصنفات التي يمكن استخدامها لتحديد التواقيع ضمن العلاقات المعقدة التي تمثلها النماذج لتصنيف البيانات الجديدة ، وفتح امكانيه التحقيق رواية التشخيص والعلامات البيولوجية نذير ، الخ. وعلاوة علي ذلك ، فان السمات التي تنطوي عليها النماذج تدفع هذه التصنيفات من أجل الحصول علي رؤى ثاقبه في أليات الاساسيه يمكن التحقيق فيها.
      1. اشتقاق المصنفات. باستخدام بيانات مسماه مسبقا ، يمكن اشتقاق مصنف للتنبؤ بفئة مجموعه من البيانات استنادا إلى نماذج الشبكة.
         1. تقسيم البيانات إلى مجموعه من بيانات الموضوع للتدريب ومجموعه لاختبار المصنف.
         2. تدريب خوارزميه تصنيف مثل جهاز ناقل الدعم أو غابه عشوائية علي بيانات التدريب المسمية.
         3. تقييم أداء المصنف المدرب الطراز علي بيانات الاختبار.
            ملاحظه: وتسمح هذه النهج باستخدام النماذج الاحصائيه كمدخلات لاشتقاق العلامات البيولوجية الجديدة.
      2. تنفيذ الازاله المتسلسلة.
         ملاحظه: وباستخدام النموذج لتدريب المصنف ، يمكن أزاله البيانات تكراريا ويمكن تكرار عمليه التدريب لتحديد مكونات النموذج التي تقود قدرته التنبؤيه ، مما يسمح بالتحقيق في أليات الاساسيه.
         1. تدريب المصنف علي النموذج كما هو موضح أعلاه.
         2. أزاله ميزه الطراز بأقل تباين بين المجموعات.
         3. كرر عمليه التدريب وتقييم الأداء.
         4. كرر أزاله الميزة التكرارية حتى يتم تحديد الميزات التي تساهم بشكل أكبر في الأداء. هذه هي المكونات النموذجية المسؤولة عن القدرة علي التفريق بين الفئات.
   2. اجراء التعلم دون اشراف.
      ملاحظه: باستخدام النماذج وحدها ، يمكن الحصول علي البصيرة في المجموعات التي يجري التحقيق فيها. ومن خلال نمذجة البيانات علي انها ثوابت عاليه الابعاد تستند إلى العلاقات بين التسجيلات ، قد تصبح العلاقات بين المجموعات التي لم ينظر اليها علي مستوي التسجيلات الفردية واضحة. تقنيات غير خاضعه للاشراف مثل خوارزميات التجميع تسمح للتحقيق في العلاقات داخل النماذج دون تقييدها من قبل الفئات المعرفة مسبقا.
      1. باستخدام مقياس مسافة مثل المسافة الاقليديه ، احسب مقاييس المسافة بين الموضوعات ضمن المساحة المحددة بواسطة نموذج الشبكة. انظر الNetworkAnalysis_Demonstration والشكل 9 التكميلي للاطلاع علي مثال للتنفيذ.
      2. باستخدام خوارزميه تجميع مثل ك-أقرب الجيران ، تحديد المجموعات ضمن البيانات استنادا إلى معلمات الطراز (الشكل 5).
      3. كرر هذا الاجراء باستخدام اجراء استبعاد متسلسل كما هو موضح أعلاه للتحقيق في كيفيه مساهمه الميزات الفردية في المجموعات داخل الطراز.
         ملاحظه: ويسمح ذلك باستخدام النماذج المشتقة لتحديد المجموعات الموجودة ضمن البيانات التي لم تكن واضحة بخلاف ذلك. وهذا قد يسمح لاشتقاق الأنواع الفرعية للامراض ، والتجمعات المرضية ، وما إلى ذلك ، التي هي واضحة فقط علي مستوي الشبكة.

Representative Results

ستنتج قياسات القدرة الطيفية مقاييس n لكل نطاق ترددي يقاس ، حيث ان n هو عدد القناات المسجلة. ستكون هذه التدابير بالنسبة للقوه العامة. وينبغي التعبير عن تدابير السلطة داخل نطاقات الترددات الفردية باعتبارها قوه نسبيه (اي نسبه القوه الاجماليه الممثلة بالسلطة داخل تلك النطاق) للسماح باجراء مقارنات دقيقه بين المجموعات والظروف.

ويرد في الشكل 2مثال علي تصور القدرة الطيفية عبر النطاقات المتعددة وعبر القناات المسجلة. يمكن تصور الطاقة الطيفية محرف عبر فروه الراس ، مما يسمح بتقدير محدود ل "مصدر" النشاط.

وتنتج تدابير الاتساق بين الأقطاب الكهربية مقياسا لكل زوج من الأقطاب الكهربائية الفريدة (اي ، حيث ان n هو عدد القناات المسجلة). وكل من هذه التدابير يتراوح بين صفر و 1 ، حيث لا يمثل الاتساق بين التسجيلات و 1 يمثل الاتساق الكامل بين التسجيلات. وهذا مقياس للمدى الذي يتغير فيه النشاط في أحد المجالات اعتمادا علي النشاط في مجال آخر ، مما يسمح بالاختلافات في اتجاه التفاعل والتاخر الزمني. وتوحي القيم الأعلى للاتساق بوجود تفاعلات بين المجالات التي يتضح منها ان المناطق المسجلة تتواصل مع بعضها البعض. ومن خلال قياس التفاعلات بين كل زوج من الأقطاب الكهربائية الفريدة ، يمكن بناء خريطة احصائيه لكيفيه تفاعل القناات المسجلة. وهذا يسمح بالتحقيق في الكيفية التي تتواصل بها المجالات ، بدلا من التركيز علي المناطق الفردية المنعزلة ، كما هو الحال في الأساليب التقليدية. ويرد في الشكل 3مثال علي التصور المتعلق بتدابير الاتساق الخاصة بالمونتاج الثماني الأقطاب.

وتنتج هذه التدابير المتسقة بسرعة كميات كبيره من البيانات ، مما يجعل تحليل كل تدبير مع الاختبارات الاحصائيه الفردية استراتيجية لا يمكن الدفاع عنها. علاوة علي ذلك ، التحقيق في التفاعلات الفردية ليست بالضرورة مثيره للاهتمام أو ذات مغزى عند النظر في التفاعلات عبر الشبكات القشرية كله. وتسمح تقنيات الحد من الابعاد ، مثل تحليل المكونات الرئيسية ، بتقييم التدابير المستمدة من هذه الثوابت الاحصائيه لتيسير مقارنات ديناميات الشبكة العامة باستخدام الأساليب الاحصائيه التقليدية. توفر الأساليب المستندة إلى المصنف ، باستخدام تقنيات التعلم الألى ، وسيله واعده اضافيه لدمج هذه البيانات العالية الابعاد لتصنيف البيانات والتنبؤ بالنتائج.

يتيح التصور الخاص بديناميكيات الشبكة العالية الترتيب التعرف علي أنواع التفاعلات التي يتم مقارنتها بواسطة تحليل المكون الرئيسي أو التقنية المستندة إلى المصنف. ويمكن تحقيق ذلك باستخدام رسم الخرائط اللونية لمقاييس التباين المشترك لمقاييس التماسك بين الأقطاب الكهربائية لأزواج الأقطاب. وهذا يقيم كيف ان تدابير الاتساق في أحد الأقطاب الكهربائية تتصل بالتغيرات في الاتساق عند زوج آخر ، مما يوحي بتفاعلات شبكه أوسع وتكامل النشاط عبر القشرة. وهذا يسمح بتصور للكيفية التي تتفاعل بها المناطق بطريقه غير ممكنة مع التدابير التقليدية. ويرد مثال لنوع خريطة الشبكة العالية الابعاد التي يمكن إنشاؤها باستخدام هذه التقنية في الشكل 4. وهذا يدل علي الاختلافات الواضحة في رسم الخرائط الشبكية بين موضوعين مع مختلف الأنماط الظاهرية السريرية للاضطراب العصبي النفساني التي تؤثر علي وظيفة القشرية ، حيث لم تكن هناك اختلافات ذات دلاله احصائيه باستخدام معيار أساليب التحليل.

الشكل 1: تخطيط خط أنابيب تحليل البيانات. لمحه عامه عن الخطوات الرئيسية في اعداد البيانات الاوليه واستخلاص التدابير ذات الاهميه. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل 2: مصفوفة تمثيليه لمقاييس القدرة الطيفية. يمثل كل عمود موقع الكترود ، ويمثل كل صف نطاق تردد للفائدة. تمثل كثافة لون الخلية قيمه القوه النسبية للتردد المطابق في موقع القطب المطابق. تنتج مقاييس n x f ، حيث n هو عدد أقطاب التسجيل المستخدمة و f هو عدد نطاقات الترددات ذات الاهميه. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل 3: مصفوفة تمثيليه لتدابير الاتساق بين الأقطاب الكهربائية. كل صف وكل عمود يمثل موقع قطب كهربائي. تمثل كثافة لون الخلية قيمه الترابط بين الأقطاب الكهربية بين زوج القطب الكهربائي المطابق. تنتج تدابير لكل نطاق تردد الفائدة ، حيث n هو عدد أقطاب التسجيل المستخدمة. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل 4: التصور التمثيلي لديناميكيات الشبكة العالية الترتيب ، مقارنه بين النمطين الظاهريين للاضطراب العصبي النفساني. كل صف وكل عمود يمثل زوج القطب الكهربائي فريدة من نوعها. تمثل كثافة لون الخلية قيمه التباين المختلط بين أزواج القطب الكهربي المطابق. تنتج تدابير لكل نطاق ترددي من الفائدة ، حيث p هو عدد أزواج القطب الكهربائي الفريدة المستخدمة. (ا) يوضح التفاعلات داخل الشبكات القشرية وعبرها علي حد سواء ، في حين ان (ب) يصور تحليلا لمنطقه الاهتمام يركز علي ديناميات الشبكة داخل طيف الطاقة الكلي فقط. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل 5: التصور التمثيلي لخوارزميه التجميع غير الخاضعة للاشراف. وفي مجموعه من المرضي الذين يبدو انهم مصابون باضطرابات نفسيه عصبيه ، فان التكتلات القائمة علي بيانات نموذجيه وحدها هي التي حددت مجموعات داخل السكان لم تكن واضحة في التحليلات القياسية. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 1: تظهر لقطه الشاشة البيانات الاوليه لتخطيط الدماغ. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 2: تظهر لقطه الشاشة الخطوات الاساسيه للمعالجة المسبقة. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 3: توضح لقطه الشاشة التصفية للترددات ذات الفائدة. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 4: حساب أطياف القناات وعزل البيانات داخل النطاقات الفردية. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 5: حساب مقاييس الاتساق لكل زوج من الأقطاب الكهربائية. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 6: رسم خرائط التدابير المستمدة من الخرائط الملونة والتصور. ويبين الشكل 3 والشكل 4 نواتج العينات. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 7: إنشاء مصفوفات الفرق المختلطة ، واجراء تحليل للمكونات الرئيسية ، ومقارنه المجموعات استنادا إلى العناصر الرئيسية. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 8: تحليل مناطق اهتمام محدده عن طريق عزل مجموعات فرعيه من البيانات. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

الشكل التكميلي 9: اشتقاق مقياس للمسافة واستخدام خوارزميه تجميع لتحديد المجموعات التي تستخدم تقنيات التعلم غير الخاضعة للاشراف. يرجى النقر هنا لعرض نسخه أكبر من هذا الرقم.

Discussion

تسمح الطريقة الموصوفة باشتقاق الخرائط الاحصائيه لديناميكيات الشبكة القشرية من بيانات تخطيط الدماغ غير الغازية. وهذا يسمح بالتحقيق في الظواهر التي لا تظهر بسهوله عند فحص بيانات السلاسل الزمنيه البسيطة من خلال تقييم كيفيه تفاعل المناطق المسجلة مع بعضها البعض ، بدلا من تقييم ما يحدث في كل موقع علي حده في العزله. وهذا يمكن ان تكشف عن رؤى هامه في امراض المرض¹⁸.

والجانب الأساسي لهذه الطريقة هو ضمان جوده البيانات. ويتطلب الأمر تقييما دقيقا للبيانات ، ورفضا للقطع الاثريه ، وتجهيزا مسبقا لضمان ان تكون البيانات ذات جوده عاليه بما فيه الكفاية لتحقيق نتائج ذات مغزى. وبشرط ان تكون البيانات المستخدمة ذات نوعيه ملائمة ، يمكن تعديل مكون استخراج الميزات بسهوله ليناسب تفاعلات الشبكة النموذجية في مناطق معينه من الاهتمام فقط ، أو ضمن حدود التردد التعسفي ، فضلا عن نمذجة التفاعلات المعقدة عبر مناطق محدده ونطاقات تردديه معينه.

وهذا النهج محدود بالابعاد العالية للنتائج المنتجة ، التي يمكن ان تنتج بسرعة كميات ضخمه من البيانات إذا استخدمت قنوات عديده. هذا يستطيع حدت التفسير من الخام نتيجات ونتيجة في طويلة حساب أوقات. ولذلك فان استخدام تقنيات الحد من الابعاد ، مثل تحليل المكونات الرئيسية²³، ضروري للسماح باجراء مقارنات احصائيه مجديه بين المجموعات دون الحاجة إلى اجراء اعداد ضخمه من الاختبارات الاحصائيه. وعلاوة علي ذلك ، فان استخدام خرائط الشبكات العالية الابعاد المنتجة للمساعدة في صنع القرار قد يتطلب استخدام مصنفات التعلم الألى للسماح بدمج كميات كبيره من البيانات ، التي لا يمكن التفسيرها يدويا بسهوله ولا يمكن تخفيضها بسهوله إلى مقياس واحد²⁴.

ويوفر هذا النهج قدره أكبر بكثير علي التحقيق في التغيرات في ديناميات الشبكة من السلسلة الزمنيه الخام لتخطيط الدماغ ، في حين يقدم أيضا مزايا كبيره علي تقنيات التصوير مثل الرنين المغناطيسي الوظيفي ، بما في ذلك سهوله الوصول ، والتكلفة ، والمزيد من الوقت القرار. التطبيقات المستقبلية لهذه الطريقة للكتابة الفرعية للامراض العصبية ، والتنبؤ باستجابة العلاج ، والتكهن بالمرض توفر امكانيه توسيع الفائدة السريرية لتقنيات تخطيط الدماغ السريري الحالية بشكل كبير من خلال تحسين أساليب تحليل البيانات.

Materials

Name	Company	Catalog Number	Comments
Electrode cap	ElectroCap International		Or any suitable cap
Conductive gel	SignaGel		Or any suitable gel
Pin-type electrodes	BioSemi		Or any suitable electrode
BioSemi Active Two recording system	BioSemi
ActiView recording environment	BioSemi
MATLAB software	Mathworks