गैर-आक्रामक इलेक्ट्रोएन्सेफेलोग्राम का उपयोग करके कॉर्टिकल कनेक्टिविटी का सांख्यिकीय मॉडलिंग

Summary

मानक ईईजी विश्लेषण तकनीक तंत्रिका तंत्र समारोह में सीमित अंतर्दृष्टि प्रदान करते हैं. cortical कनेक्टिविटी के सांख्यिकीय मॉडल deriving अंतर्निहित नेटवर्क गतिशीलता की जांच करने के लिए कहीं अधिक से अधिक क्षमता प्रदान करता है. बेहतर कार्यात्मक मूल्यांकन तंत्रिका तंत्र रोगों में निदान, पूर्वानुमान, और परिणाम भविष्यवाणी के लिए नई संभावनाओं को खोलता है।

Abstract

गैर इनवेसिव electrophysiological रिकॉर्डिंग तंत्रिका तंत्र समारोह के मूल्यांकन के लिए उपयोगी होते हैं. इन तकनीकों सस्ती कर रहे हैं, तेजी से, प्रतिकृति, और इमेजिंग से कम संसाधन गहन. इसके अलावा, उत्पादन कार्यात्मक डेटा उत्कृष्ट लौकिक संकल्प है, जो संरचनात्मक इमेजिंग के साथ प्राप्त नहीं है.

इलेक्ट्रोएन्सेफेलोग्राम (ईईजी) के वर्तमान अनुप्रयोग डेटा प्रोसेसिंग विधियों द्वारा सीमित हैं। अलग-अलग चैनलों पर कच्चे समय श्रृंखला डेटा का उपयोग मानक विश्लेषण तकनीक तंत्रिका तंत्र गतिविधि पूछताछ के बहुत सीमित तरीके हैं. cortical समारोह के बारे में अधिक विस्तृत जानकारी चैनलों के बीच संबंधों की जांच और कैसे क्षेत्रों बातचीत कर रहे हैं के सांख्यिकीय मॉडल प्राप्त करके प्राप्त किया जा सकता है, नेटवर्क के बीच कनेक्टिविटी के दृश्य की अनुमति.

इस पांडुलिपि एक मानक तरीके से ईईजी रिकॉर्डिंग द्वारा cortical नेटवर्क गतिविधि के सांख्यिकीय मॉडल प्राप्त करने के लिए एक विधि का वर्णन है, तो दर्ज क्षेत्रों के बीच संबंधों का आकलन करने के लिए interelectrode सामंजस्य उपायों की जांच. उच्च आदेश बातचीत आगे सामंजस्य जोड़े के बीच सहप्रसरण का आकलन करके जांच की जा सकती है, नेटवर्क बातचीत के उच्च आयामी "नक्शे" का उत्पादन. इन आंकड़ों के निर्माण cortical नेटवर्क समारोह और पारंपरिक तकनीकों के साथ प्राप्त नहीं तरीके में विकृति के लिए अपने रिश्ते का आकलन करने के लिए जांच की जा सकती है.

इस दृष्टिकोण से कच्चे समय श्रृंखला विश्लेषण के साथ प्राप्त किया जा सकता है नेटवर्क स्तर बातचीत के लिए अधिक से अधिक संवेदनशीलता प्रदान करता है. यह है, तथापि, अंतर्निहित तंत्रिका आबादी और उत्पन्न डेटा की उच्च मात्रा के बारे में विशिष्ट मशीनी निष्कर्ष ड्राइंग की जटिलता द्वारा सीमित है, मूल्यांकन के लिए और अधिक उन्नत सांख्यिकीय तकनीकों की आवश्यकता होती है, आयामीता सहित कमी और वर्गीकर आधारित दृष्टिकोण.

Introduction

इस विधि के लिए एक नैदानिक रूप से व्यवहार्य सेटअप का उपयोग कर गैर इनवेसिव इलेक्ट्रोड रिकॉर्डिंग के आधार पर cortical नेटवर्क के सांख्यिकीय नक्शे का उत्पादन करना है, तंत्रिका तंत्र विकृति की जांच के लिए अनुमति देने के लिए, उपन्यास उपचार के प्रभाव, और उपन्यास के विकास इलेक्ट्रोफिजियोलॉजिकल बायोमार्कर।

ईईजी तंत्रिका तंत्र समारोह और रोग^1,2की जांच के लिए महान क्षमता प्रदान करता है . इस तकनीक सस्ती है, अनुसंधान और नैदानिक सेटिंग्स में आसानी से उपलब्ध है, और आम तौर पर अच्छी तरह से सहन. रिकॉर्डिंग के सरल, गैर इनवेसिव प्रकृति नैदानिक उपयोग सीधा बनाने के लिए, और नैदानिक ईईजी विभागों के मौजूदा ढांचे चिकित्सकों के लिए प्रौद्योगिकी के लिए आसान पहुँच के लिए अनुमति देता है.

एक तकनीकी दृष्टिकोण से, ईईजी उत्कृष्ट समय डोमेन संकल्प³प्रदान करता है. तंत्रिका तंत्र बातचीत और नेटवर्क गतिशीलता के तेजी से timescales के कारण तंत्रिका तंत्र समारोह की जांच करते समय यह बहुत महत्व का है. जबकि इस तरह के कार्यात्मक एमआरआई के रूप में इमेजिंग तरीकों अधिक से अधिक स्थानिक संकल्प और आसानी से interpretable छवियों की पेशकश, वे अभी तक उनके ठीक समय electrophysiological रिकॉर्डिंग द्वारा की पेशकश तराजू पर तंत्रिका तंत्र समारोह पूछताछ करने की क्षमता में सीमित हैं ^4,5,6.

तंत्रिका तंत्र के निदान, उपचार, और तंत्रिका तंत्र के रोगों के पूर्वानुमान को सूचित करने के लिए तंत्रिका तंत्र समारोह से पूछताछ करने की क्षमता के लिए एक बढ़ती हुई आवश्यकता है। तंत्रिका तंत्र विकृति विज्ञान में cortical नेटवर्क गतिशीलता की भूमिका तेजी से मान्यता प्राप्त है⁷. तंत्रिका तंत्र के कई रोगों पारंपरिक इमेजिंग के साथ दिखाई कोई स्थूल संरचनात्मक घावों का उत्पादन, लेकिन नेटवर्क स्तर पर उत्पादित असामान्यताओं उचित कार्यात्मक विश्लेषण विधियों के साथ स्पष्ट हो सकता है.

दुर्भाग्य से, वर्तमान ईईजी विश्लेषण विधियों बहुत इस संबंध में सीमित हैं. पारंपरिक तरीकों व्यक्तिगत इलेक्ट्रोड से सरल समय श्रृंखला डेटा का विश्लेषण शामिल है. ये संकेत बडे कोरटिकल क्षेत्रों 3^,8में क्षेत्र संभाव्यता के संकलन का प्रतिनिधित्व करते हैं . दृश्य निरीक्षण या सरल सांख्यिकीय तरीकों का उपयोग कर अलगाव में अलग-अलग चैनलों से डेटा का विश्लेषण असतत, अलग-अलग स्थानों में सकल इलेक्ट्रोफिजियोलॉजिकल असामान्यताओं का पता लगाने के लिए इन रिकॉर्डिंग की उपयोगिता को सीमित करता है। तंत्रिका तंत्र समारोह और विकृति के लिए नेटवर्क स्तर के प्रभाव के महत्व की बढ़ती मान्यता के साथ, इन सरल विश्लेषण विधियों में स्पष्ट रूप से कमी है कि वे संकेतों के बीच सूक्ष्म संबंधों का पता लगाने में विफल हो जाएगा रहे हैं, प्रतिनिधित्व कैसे cortical क्षेत्रों में असामान्यताओं नेटवर्क के स्तर पर एक दूसरे के साथ बातचीत कर रहे हैं.

निम्न-आयामी इलेक्ट्रोड रिकॉर्डिंग से cortical नेटवर्क कनेक्टिविटी के सांख्यिकीय नक्शे प्राप्त करने की एक विधि का प्रदर्शन किया है. इस विधि पारंपरिक विश्लेषण तकनीकों के साथ संभव नहीं है कि एक तरह से अलग मस्तिष्क क्षेत्रों के बीच बातचीत की गतिशीलता की जांच की अनुमति देता है, साथ ही इन नेटवर्क बातचीत के दृश्य. यह पहले संभव नहीं तरीके में उच्च समय डोमेन समाधानों पर नेटवर्क स्तर प्रभाव के गैर इनवेसिव जांच के लिए संभावना को खोलता है. यह विधि अंतर-इलेक्ट्रोड सामंजस्य^9,10के उपायों के व्युत्पत्ति पर आधारित है . इन उपायों से यह पता चल जाता है कि इन क्षेत्रों की रिकॉर्डिंग^केबीच सांख्यिकीय संबंधों का मूल्यांकन करके दो अभिलेखित क्षेत्र किस प्रकार बातचीत कर रहे हैं . प्रत्येक दर्ज क्षेत्र हर दूसरे दर्ज क्षेत्र के साथ सूचना का आदान-पास कैसे का आकलन करके, दर्ज क्षेत्रों के भीतर electrophysiological नेटवर्क के एक सांख्यिकीय नक्शा बनाया जा सकता है. यह कार्यात्मक संबंधों है कि अलगाव में अलग-अलग चैनल डेटा के मूल्यांकन पर स्पष्ट नहीं कर रहे हैं की खोज के लिए अनुमति देता है.

इस पांडुलिपि का ध्यान तंत्रिका समय श्रृंखला पर सामंजस्य के उपयोग पर है. वर्तमान में, समय श्रृंखला डेटा है कि एक pairwise फैशन में चैनलों के लिए लागू किया जा सकता है cortical कनेक्टिविटी के मॉडल प्राप्त करने के बीच संबंधों की जांच के लिए तकनीकों की एक संख्या हैं. कुछ विधियाँ, जैसे संबंधित आंशिक निर्देशित सामंजस्य^12,13, का उद्देश्य अंतर्निहित नेटवर्क की संरचना को बेहतर ढंग से परिरित करने के लिए जांच किए गए संकेतों की जोड़ी के प्रभाव की दिशा का अनुमान लगाना है, जबकि अन्य विधि, जैसे Granger कारण^14,15, एक संकेत की क्षमता के माध्यम से कार्यात्मक संबंधों का अनुमान लगाने के लिए एक और में डेटा की भविष्यवाणी करने का प्रयास. इस तरह के रूप में तरीकों cortical नेटवर्क के उच्च आयामी मॉडल उत्पन्न करने के लिए इसी तरह के तरीके में लागू किया जा सकता है। हालांकि, तंत्रिका संकेतों के बीच संबंधों की जांच के एक साधन के रूप में सामंजस्य के फायदे मान्यताओं की कमी में निहित है. यह इन संबंधों के कार्यात्मक आधार के बारे में बयान देने के बिना दो साइटों पर रिकॉर्डिंग के बीच सांख्यिकीय संबंधों की जांच करने के लिए और के साथ सांख्यिकीय संबंधों पर आधारित cortical कनेक्टिविटी का एक मॉडल बनाने के लिए संभव है इन संकेतों को पैदा करने वाले cortical नेटवर्क के बारे में न्यूनतम मान्यताओं.

इन उपायों की विशुद्ध गणितीय प्रकृति के कारण, खोपड़ी पर इलेक्ट्रोड रिकॉर्डिंग के सामंजस्य उपायों और अंतर्निहित तंत्रिका गतिविधि के बीच संबंध जटिल^16,17है। जबकि इन तरीकों की तुलना के लिए इलेक्ट्रोड रिकॉर्डिंग के बीच संबंधों का वर्णन सांख्यिकीय निर्माण के व्युत्पत्ति की अनुमति, विशिष्ट अंतर्निहित तंत्रिका आबादी की गतिविधि के बारे में प्रत्यक्ष कारण अनुमान बनाने नहीं है सीधा^3,8,16,17. इन दृष्टिकोण समूहों के बीच नेटवर्क स्तर की गतिविधि की तुलना के लिए संभावित उपयोगी biomarkers की पहचान करने के लिए अनुमति देते हैं, लेकिन विशिष्ट तंत्रिका तंत्र के लिए इन मार्करों के संबंध के बारे में विशिष्ट निष्कर्ष ड्राइंग के मामले में सीमित हैं. यह रिकॉर्ड की गई गतिविधि³को प्रभावित करने वाले बडी संख्या में अनुकूल कारकों के साथ - साथ खोपड़ी⁸के स्तर पर दर्ज किए गए विद्युत संकेतों के विशिष्ट वल्कुट स्रोत का आकलन करने वाले मुद्दों के कारण है . बल्कि, इन दृष्टिकोण ों गतिविधि है कि पूछताछ की जा सकती है और समूहों के बीच तुलना में निर्धारित करने के लिए कि मतभेद नेटवर्क स्तर पर मौजूद¹⁸ और इन पर आधारित उपन्यास biomarkers का उत्पादन करने के लिए leveraged जा सकता है के सांख्यिकीय मॉडल का उत्पादन कर सकते हैं Constructs. हालांकि, इन तरीकों अकेले अंतर्निहित प्रणाली की जटिलता के कारण विशिष्ट तंत्र और तंत्रिका गतिविधियों के लिए देखा मतभेदों से संबंधित करने के लिए एक सीमित क्षमता है.

नेटवर्क उपायों जैसे सामंजस्य का उपयोग तंत्र तंत्रिका विज्ञान^16,17में अच्छी तरह से स्थापित है . मॉडलिंग और cortical समारोह की जांच के लिए इन दृष्टिकोण ों की पूरी क्षमता इन उच्च आयामी डेटा संरचनाओं के शोषण की कमी से सीमित किया गया है. यह काम दर्शाता है कि यह एक pairwise फैशन में ईईजी चैनलों के लिए इन उपायों को लागू करने के क्रम में एक उच्च आयामी सुविधा अंतरिक्ष पर डेटा नक्शा विशुद्ध रूप से cortical क्षेत्रों में विद्युत गतिविधि के बीच सांख्यिकीय संबंधों पर आधारित संभव है. यह भी दर्शाता है कि, आधुनिक सांख्यिकीय तकनीकों का उपयोग कर, यह cortical समारोह के उत्पन्न मॉडल का उपयोग करने के लिए मॉडलिंग की प्रक्रिया में प्राप्त जानकारी खोने के बिना इन मॉडलों की जांच संभव है.

इस विधि मौजूदा ईईजी प्रौद्योगिकियों के अनुप्रयोगों के दायरे के विस्तार में संभावित मूल्यवान है, मौजूदा रिकॉर्डिंग उपकरण के लिए अनुकूलन की आवश्यकता के बिना उपयोगी कार्यात्मक उपायों को प्राप्त करने की क्षमता में सुधार^18,19 . cortical समारोह मॉडल और इन मॉडलों से पूछताछ करने की क्षमता में सुधार करके, सवाल है कि ईईजी डेटा का उपयोग कर जांच की जा सकती है विस्तार कर रहे हैं. इससे स्नायविक रोग^20,21की जांच के लिए कार्यात्मक और संरचनात्मक मूल्यांकनों के अधिक एकीकरण की संभावना और भी खुल जाती है . यह दृष्टिकोण, प्रौद्योगिकी है कि पहले से ही व्यापक रूप से नैदानिक रूप से उपलब्ध है का उपयोग कर, दोनों उच्च लौकिक और स्थानिक संकल्प के साथ cortical रोगों की जांच की अनुमति होगी.

Protocol

निम्नलिखित प्रयोगात्मक प्रोटोकॉल मानव अनुसंधान के लिए सभी स्थानीय, राष्ट्रीय, और अंतरराष्ट्रीय नैतिकता के दिशा निर्देशों के अनुसार है. प्रोटोकॉल का परीक्षण करने के लिए इस्तेमाल किया डेटा क्षेत्र Tuscany-प्रोटोकॉल 2018SMIA112 एसआई-आरई की नैतिक समिति के प्राधिकरण के साथ अधिग्रहण किया गया है।

नोट: वर्णित विश्लेषणों को लागू करने के लिए उपयोग की जाने वाली स्क्रिप्ट https://github.com/conorkeogh/NetworkAnalysis पर उपलब्ध हैं।

1. कच्चे डेटा संग्रह

1. विषय शर्तें तैयार करें.
   1. रिकॉर्डिंग में स्थिरता सुनिश्चित करने के लिए, एक समर्पित रिकॉर्डिंग वातावरण में सभी ईईजी रिकॉर्डिंग का संचालन करें। सभी उपकरण या उत्तेजनाओं कि सीधे पर्यावरण से रिकॉर्डिंग के दौरान किया जा करने के लिए कार्य करने के लिए प्रासंगिक नहीं है निकालें व्याकुलता से बचने के लिए.
      नोट: आराम राज्य रिकॉर्डिंग किया जा करने के लिए कर रहे हैं, कमरे से व्याकुलता के सभी स्रोतों को हटाने और रिकॉर्डिंग सत्र से पहले रिकॉर्डिंग वातावरण के लिए विषयों का पर्दाफाश पर्यावरण से नवीनता को दूर करने के लिए।
   2. किए जाने वाले कार्य के बारे में विषय को स्पष्ट निर्देश प्रदान करें. एक बार उपकरण स्थापित किया गया है, रिकॉर्डिंग वातावरण में अकेले विषय छोड़ आंदोलन और व्याकुलता को कम करने के लिए रिकॉर्डिंग शुरू करने से पहले पर्यावरण के लिए इस्तेमाल किया पाने के लिए.
   3. यदि विषय में बौद्धिक अक्षमता है, तो उसे किसी भी तनाव को सीमित करने के लिए पर्यावरण के अनुकूल करने के लिए आवश्यक समय की अनुमति दें। कभी कभी यह कई यात्राओं और रिकॉर्डिंग रूम में एक विस्तारित रहने की आवश्यकता हो सकती है.
2. इलेक्ट्रोड माउंट.
   1. रोगी के सिर के लिए इलेक्ट्रोड टोपी संलग्न, सही संरेखण सुनिश्चित करने के लिए देखभाल. इलेक्ट्रोड बंदरगाहों में से प्रत्येक में प्रवाहकीय जेल इंजेक्शन, खोपड़ी पर शुरुआत और धीरे धीरे टोपी सतह को वापस लेने के पैमाने के साथ बिजली के संपर्क स्थापित करने और संकेत करने के लिए शोर अनुपात में सुधार.
   2. इलेक्ट्रोड 10-20 प्रणाली के आधार पर एक पूर्व निर्धारित इलेक्ट्रोड असेंबल का उपयोग कर इलेक्ट्रोड टोपी के लिए इलेक्ट्रोड संलग्न करें। उपयुक्त जमीन इलेक्ट्रोड संलग्न करें (उदा., mastoid प्रक्रियाओं के लिए).
3. ईईजी सेट करें।
   1. एक इलेक्ट्रोफिजियोलॉजिकल रिकॉर्डिंग सिस्टम के लिए सभी इलेक्ट्रोड कनेक्ट करें। एक उपयुक्त डिजिटल रिकॉर्डिंग वातावरण के साथ रिकॉर्डिंग प्रणाली लिंक.
   2. ऑफसेट एक उचित सीमा के भीतर है यह सुनिश्चित करने के लिए और अत्यधिक चैनल शोर से बचने के लिए सभी रिकॉर्डिंग चैनलों की जांच. यदि एक चैनल एक अत्यधिक ऑफसेट या शोर है, अतिरिक्त प्रवाहकीय जेल आदेश में बिजली के कनेक्शन में सुधार करने के लिए जोड़ा जा सकता है, इलेक्ट्रोड साइटों के बीच ब्रिजिंग के कारण से बचने के लिए देखभाल.
   3. विषय है कि रिकॉर्डिंग शुरू कर दिया है और सभी अनावश्यक आंदोलनों से बचने के लिए निर्देश. उचित रिकॉर्डिंग गुणवत्ता सत्यापित करने के लिए एक छोटी परीक्षण रिकॉर्डिंग का संचालन करें।
4. रिकॉर्डिंग के लिए व्यवहार कार्य तैयार करें।
   1. विषय के साथ सभी कार्य-संबंधित निर्देशों को स्पष्ट करें. सभी अनावश्यक आंदोलनों से बचने के महत्व को दोहराते हैं।
   2. समझाओ कि रिकॉर्डिंग एक स्पष्ट रूप से सहमत संकेत पर शुरू हो जाएगा (उदा., रिकॉर्डिंग पर्यावरण के दरवाजे पर एक दस्तक). रिकॉर्डिंग वातावरण में विषय छोड़ दें. रिकॉर्डिंग प्रारंभ करें। विषय पर सहमत संकेत दें।
   3. कार्य या आराम राज्य की अवधि के पूरा होने के बाद, रिकॉर्डिंग बंद करो, नेत्रहीन गुणवत्ता सुनिश्चित करने के लिए डेटा की जांच, और डेटा को बचाने के लिए।

2. डेटा पूर्व संसाधन

नोट: डेटा तैयारी और सुविधा निष्कर्षण पाइपलाइन चित्र 1में सचित्र है।

1. सॉफ्टवेयर तैयार करें.
   1. डेटा विश्लेषण परिवेश में विश्लेषण किए जाने के लिए ईईजी डेटा लोड करें. किसी भी अतिरिक्त स्क्रिप्ट पुस्तकालयों आवश्यक लोड, जैसे EEGLab²².
2. सभी रिकॉर्डिंग को एक ही डेटा प्रारूप में कनवर्ट करें यदि आवश्यक हो, तो उनके संबंधित स्थानों में सभी चैनलों के साथ।
   1. आंदोलन कलाकृतियों के संदूषण को कम करने के लिए प्रत्येक रिकॉर्डिंग (उदा., 5 मिनट) की शुरुआत और अंत को छोड़ दें। डेटा को कार्य के आधार पर युगों में विभाजित करें या, यदि यह एक आराम राज्य रिकॉर्डिंग, पूर्व निर्धारित अवधि (उदा., 10 मिनट) है। कार्यान्वयन के प्रदर्शन के लिए NetworkAnalysis_Demonstration.m (अनुभाग फ़ीचर निष्कर्षण) और अनुपूरक चित्र 1 देखें.
      नोट: युग लंबाई के चयन सामंजस्य के उपायों पर महत्वपूर्ण प्रभाव हो सकता है. एक पर्याप्त लंबाई के युग ों का उपयोग यह सुनिश्चित करने के लिए किया जाना चाहिए कि संकेतों के बीच वास्तविक संबंध किसी न किसी रूप में कलाकृतियों या क्षणिक, नकली तुल्यकालन ों से बचने के लिए गणना में उभरने के लिए अत्यधिक भार वाले। हालांकि, इस काम में समग्र नेटवर्क संरचना में कोई सांख्यिकीय महत्वपूर्ण अंतर नहीं था जब दस मिनट के युग ों की तुलना में गहन कलाकृति अस्वीकृति के बाद दस एक मिनट के युग के औसत से तुलना की गई थी।
3. नेत्रहीन युग डेटा का निरीक्षण और नेत्रहीन अनुपयुक्त डेटा को अस्वीकार करके कलाकृति अस्वीकृति प्रदर्शन करते हैं।
   नोट: के रूप में मॉडलिंग तकनीक वर्णित संकेतों के बीच संबंधों पर निर्भर करता है, यह कलाकृतियों की पूरी तरह से अस्वीकृति सुनिश्चित करने के लिए आवश्यक है. ये चैनल डेटा को दूषित कर सकते हैं, जिससे कृत्रिम वृद्धि होती है (यदि आर्टीफैक्ट एकाधिक चैनलों पर प्रदर्शित किया जाता है) या घट जाता है (यदि कलाकृति केवल कुछ चैनलों पर प्रस्तुत की जाती है) सामंजस्य के उपायों के.
   1. रिकॉर्डिंग में खराब चैनलों की पहचान करें.
      1. अधिग्रहण प्रणाली के अस्थायी जमीन के कारण आधार रेखा बहाव को दूर करने के लिए 0.5 हर्ट्ज पर उच्च पास फिल्टर डेटा।
      2. उपयुक्त सांख्यिकीय मापदंड को पूरा करने वाले सभी चैनलों का चयन करें (उदा., औसत चैनल मानक विचलन के तीन गुना या उससे कम से अधिक मानक विचलन वाले चैनल).
         नोट: डेटा है कि तंत्रिका स्रोतों से उत्पन्न होने की संभावना नहीं कर रहे हैं के साथ चैनलों को हटाने नकली रिश्तों नेटवर्क मॉडल में पेश किया जा रहा से बचा जाता है.
      3. यह निर्धारित करने के लिए कि क्या वे उपयुक्त हैं, इन चैनलों की जाँच करें.
      4. यदि संभव हो तो अनुपयुक्त चैनलों के साथ युगों को अस्वीकार करें। वैकल्पिक रूप से, खराब चैनलों को बाहर करें और इन चैनलों पर डेटा को इंटरपोल करें (उदा., EEGLab के स्प्लेन अंतर्वेशन एल्गोरिथ्म का उपयोग करके).
         नोट: चैनलों की एक बड़ी संख्या में या रिकॉर्डिंग चैनलों की केवल एक छोटी संख्या के साथ इंटरवेशन विश्लेषण के लिए अनुपयुक्त डेटा उत्पन्न कर सकते हैं. इसके अलावा, यह डेटासेट में कोई नई जानकारी का परिचय देता है और इसके परिणामस्वरूप interpolated संकेतों और संकेतों के बीच सामंजस्य के कृत्रिम रूप से उच्च उपाय हो सकते हैं जिनसे वे प्राप्त किए जाते हैं।
   2. शेष युगों पर स्वतंत्र घटक विश्लेषण निष्पादित करें (उदाहरण के लिए, EEGLab के ICA फ़ंक्शन का उपयोग करके)। विज़ुअल व्युत्पन्न घटकों का निरीक्षण और नेत्रहीन अनुपयुक्त डेटा अस्वीकार.
   3. दृश्य निरीक्षण पर तुरंत स्पष्ट नहीं संभावित कलाकृतियों की पहचान करने के लिए उपयुक्त सांख्यिकीय सीमा लागू करें (जैसे, चरम मूल्यों या असामान्य स्पेक्ट्रम के आधार पर). इन की जांच करें और निर्धारित करें कि अस्वीकृति उचित है या नहीं।
   4. जीवित युगों पर स्वतंत्र घटक विश्लेषण और कलाकृति पहचान दोहराएँ।
   5. आगे के विश्लेषण के लिए सहेजे जाने वाले डेटा युगों की पहचान करें। सभी अस्वीकृत डेटा युगों को छोड़ दें. आगे के विश्लेषण के लिए आगे ले जाने के लिए सभी युगों की पहचान.
      नोट: जहां प्रति विषय केवल एक युग की आवश्यकता है, आगे के विश्लेषण के लिए पहले उपयुक्त युग का चयन करें.
4. डेटा तैयार करने के लिए, लंबे समय तक रिकॉर्डिंग के दौरान भटक आधार रेखा के प्रभाव से बचने के लिए रिकॉर्डिंग से सभी चैनलों के माध्य घटाकर रिकॉर्डिंग की आधार रेखा को सही। एक उचित संदर्भ के लिए सभी चैनलों को फिर से संदर्भ (उदा., जमीन इलेक्ट्रोड या सभी चैनलों के औसत). कार्यान्वयन के उदाहरणों के लिए NetworkAnalysis_Demonstration.m, NetworkAnalysis_Preprocess.m. और अनुपूरक चित्र 2 देखें.
   नोट: संदर्भ चयन नेटवर्क उपायों पर महत्वपूर्ण प्रभाव हो सकते हैं। के रूप में संदर्भ डेटा कर रहे हैं "बाहर subtracted" सभी विश्लेषण चैनलों की, किसी भी तंत्रिका डेटा है कि संदर्भ चैनल पर प्रतिनिधित्व कर रहे हैं बाहर घटाया जाएगा और इस तरह मॉडल पीढ़ी के लिए योगदान नहीं. यह तुरंत अंतर्निहित तंत्रिका संरचनाओं के बिना बोनी प्रमुखता पर दर्ज संदर्भ संकेतों का उपयोग करने के लिए आम बात है, जैसे मास्टॉइड प्रक्रिया। हालांकि, इन खोपड़ी के माध्यम से मात्रा चालन प्रभाव के कारण तंत्रिका डेटा द्वारा भ्रष्ट किया जा सकता है और इसलिए संदर्भ के सापेक्ष स्थान के आधार पर अंतर नेटवर्क उपायों विकृत. एक परिणाम के रूप में, राज्य डेटा आराम के लिए यह संदर्भ के रूप में सभी खोपड़ी चैनलों के एक औसत का उपयोग करने के लिए सबसे अच्छा है. इसका मतलब यह है कि सभी डेटा एक विशिष्ट स्थानिक स्थान के सापेक्ष संदर्भित नहीं कर रहे हैं, उपायविकृत, क्योंकि सभी चैनलों के संदर्भ में योगदान. यह इस तरह के स्पष्ट समग्र गतिविधि dampening के रूप में प्रभाव हो सकता है और संकेत है कि बहुत दृढ़ता से कुछ चैनलों पर प्रतिनिधित्व कर रहे हैं और इस तरह औसत करने के लिए भारी योगदान कर रहे हैं subtracting द्वारा उपायों को विकृत कर सकते हैं. यह गतिविधि- और ईवेंट-संबंधित संकेतों के लिए एक बड़ा मुद्दा है, लेकिन आमतौर पर राज्य डेटा को आराम देने वाला मामला नहीं होता है.
   1. डिजिटल ब्याज की आवृत्तियों को अलग करने के लिए सभी चैनलों फिल्टर (उदा., 1 हर्ट्ज-50 हर्ट्ज). कार्यान्वयन के उदाहरणों के लिए NetworkAnalysis_Demonstration.m, NetworkAnalysis_Preprocess और अनुपूरक चित्र 3 देखें.
      नोट: जांच की रेंज और उपनाम प्रभाव के चरम पर आवृत्तियों के विरूपण से बचने के लिए इच्छित विश्लेषण के लिए उपयुक्त आवृत्ति सीमा और फिल्टर मापदंडों का उपयोग सुनिश्चित करें। शून्य चरण-shift 4^वें-आदेश बटरवर्थ फिल्टर उचित रूप से प्रदर्शन करते हैं। उपयुक्त फ़िल्टरिंग सुनिश्चित करता है कि ब्याज की गतिविधि मॉडलिंग के लिए अलग है. यहां तक कि एक व्यापक रेंज के साथ (जैसे, 1 हर्ट्ज-50 हर्ट्ज), यह सुनिश्चित करता है कि उच्च आवृत्ति कलाकृतियों और कम आवृत्ति आधारभूत भटक चैनलों के बीच सुसंगत के रूप में व्याख्या नहीं कर रहे हैं, उपायविकृत.

3. फ़ीचर निष्कर्षण

1. वर्णक्रमीय शक्ति का आकलन करें।
   1. मूल्यांकन किया जा करने के लिए पूरी आवृत्ति रेंज भर में विश्लेषण किया जा रहा प्रत्येक चैनल के एक फूरिये रूपांतरण प्रदर्शन करके समग्र शक्ति स्पेक्ट्रम की गणना (उदा., 1 हर्ट्ज-50 हर्ट्ज).
   2. व्यक्तिगत आवृत्ति बैंड में गतिविधि का आकलन करें: 4 हर्ट्ज-8 हर्ट्ज पर थीटा बैंड को अलग करें। अल्फा बैंड को 8 हर्ट्ज-12 हर्ट्ज पर अलग करें। बीटा बैंड को 12 हर्ट्ज-30 हर्ट्ज पर अलग करें। डेल्टा बैंड को 0.5 हर्ट्ज-4हर्ट्ज पर अलग करें। गामा बैंड को अलग करें। , 30-50 हर्ट्ज). स्पेक्ट्रम व्युत्पत्ति और आवृत्ति बैंड के पृथक्करण के कार्यान्वयन के उदाहरण के लिए NetworkAnalysis_Demonstration.मी., NetworkAnalysis_FeatureExtraction और अनुपूरक चित्र 4 देखें।
      नोट: ईईजी डेटा पारंपरिक रूप से जांच के लिए आवृत्ति "बैंड" में विभाजित कर रहे हैं. ये मुख्य रूप से जिस क्रम में वे खोज रहे थे के आधार पर नामित कर रहे हैं, और विशिष्ट बैंडविड्थ कुछ भिन्न. विशिष्ट आवृत्तियों पर दोलनों का कार्यात्मक महत्व सक्रिय जांच का एक क्षेत्र बना हुआ है। यह सोचा है कि विशिष्ट बैंड के भीतर दोलनों विशिष्ट तंत्रिका गतिविधियों से संबंधित हो सकता है, इस तरह के बंद आंखों के साथ पश्चकपाल क्षेत्र में एक उच्च amplitude अल्फा लहर के उद्भव के रूप में, हालांकि तंत्रिका कार्यों और के बीच सटीक संबंध ईईजी रिकॉर्डिंग में दोलन गतिविधि स्पष्ट नहीं है।
   3. व्यक्तिगत चैनल स्पेक्ट्रा के मतलब की गणना करके पूरे खोपड़ी भर में समग्र शक्ति का मूल्यांकन. सापेक्ष शक्ति का एक उपाय देने के लिए और शर्तों के बीच और अधिक सटीक तुलना की अनुमति देने के लिए समग्र शक्ति के संबंध में अलग-अलग बैंड में शक्ति सामान्य।
2. नेटवर्क मैपिंग निष्पादित करें।
   1. interelectrode सामंजस्य का एक उपाय प्राप्त करके पहले इलेक्ट्रोड जोड़ी के बीच बातचीत का मूल्यांकन:
      
      कार्यान्वयन के उदाहरणों के लिए NetworkAnalysis_Demonstration.m, NetworkAnalysis_FeatureExtraction और अनुपूरक चित्र 5 देखें.
      1. दो चैनलों के पार स्पेक्ट्रम की गणना:
         
         1. प्रत्येक संकेत, एक्स और वाई के फूरिये रूपांतर की गणना करें
            
         2. क्रॉस स्पेक्ट्रम की गणना करें:
            
            कहाँ: टी नमूना अंतराल है, टी रिकॉर्डिंग की लंबाई है, एक्स एक्सके फूरिये रूपांतरण है , और Y^* Yके जटिल संयुग्मी है।
         3. नकारात्मक आवृत्तियों और सही उपायों पर ध्यान न दें. कंप्यूटर आवृत्ति अक्ष की दूसरी छमाही वास्तविक मूल्य संकेतों के मामले में उपेक्षा की जा सकती है, और बिजली उपायों दो से गुणा करने के लिए इस के लिए सही है.
            नोट: यह ग तथा टके परस्पर सहसंबंध के फूरिये रूपांतर के समतुल्य है।
      2. दोनों चैनलों की शक्ति स्पेक्ट्रम द्वारा पार स्पेक्ट्रम सामान्य: |
         1. प्रत्येक संकेत के फूरिये रूपांतरण की गणना करें:
            
         2. बिजली स्पेक्ट्रम की गणना:
            
            कहाँ: टी नमूना अंतराल है, टी रिकॉर्डिंग की लंबाई है, एक्स एक्सके फूरिये रूपांतरण है, और एक्स^* एक्सके जटिल संयुग्मी है।
         3. नकारात्मक आवृत्तियों और सही उपायों पर ध्यान न दें: कंप्यूटर आवृत्ति अक्ष की दूसरी छमाही वास्तविक मूल्य संकेतों के मामले में उपेक्षा की जा सकती है, और बिजली उपायों दो से गुणा इस के लिए सही करने के लिए.
         4. क्रॉस स्पेक्ट्रम को सामान्य करने और सामंजस्य का एक उपाय प्राप्त करने के लिए परिकलित पावर स्पेक्ट्रम का उपयोग करें:
            
            नोट: यह सीउत्पन्न करता है , आवृत्तियों पर संकेतों x और y के बीच सामंजस्य का एक उपाय . यह जांच की आवृत्तियों पर इन संकेतों के बीच संबंध का एक उपाय है, 0 से 1 में एक पैमाने पर मापा. जहां सभी समय बिंदुओं पर जांच की दो संकेतों के बीच एक निरंतर चरण संबंध है, सामंजस्य 1 का एक मूल्य होगा, उन आवृत्तियों पर संकेतों के बीच एक मजबूत संबंध का संकेत है, जिसका अर्थ है कि एक संकेत में गतिविधि कार्यात्मक है दूसरे में गतिविधि से संबंधित (यानी, कि दोनों के बीच संचार है). जहां दो संकेतों के बीच कोई चरण संबंध नहीं है, सामंजस्य 0 का मान होगा, यह दर्शाता है कि सिग्नल संबंधित नहीं हैं।
   2. इलेक्ट्रोड के प्रत्येक अद्वितीय जोड़ी के लिए इस प्रक्रिया को दोहराएँ प्रत्येक इलेक्ट्रोड जोड़ी पर संकेतों के बीच चरण स्थिरता का एक उपाय विकसित करने के लिए, सभी इलेक्ट्रोड भर में कार्यात्मक कनेक्टिविटी का एक मॉडल का निर्माण.
      नोट: n इलेक्ट्रोड के एक असेंबल के लिए, यह सामंजस्य उपायों का उत्पादन होगा. यह रिकॉर्ड किए गए संकेतों के बीच संबंधों के आधार पर एक उच्च-आयामी विमान पर मापित समय श्रृंखला डेटा मैपिंग का प्रतिनिधित्व करता है, जिससे इन इंटरैक्शन की प्रकृति की जांच की जा सकती है.

4. डेटा विज़ुअलाइज़ेशन

1. वर्णक्रमीय शक्ति विश्लेषण प्रदर्शन.
   1. पावर matrices की जाँच करें।
      1. एक दो आयामी डेटा संरचना जहां प्रत्येक स्तंभ एक इलेक्ट्रोड स्थान है पर visualized किया जा करने के लिए वर्णक्रमीय शक्ति की माप मानचित्र, प्रत्येक पंक्ति एक आवृत्ति बैंड है, और प्रत्येक सेल उस स्थान पर वर्णक्रमीय शक्ति है, उस बैंड के भीतर.
      2. तुलना की जा करने के लिए सभी शर्तों में अधिकतम और न्यूनतम बिजली के स्तर की पहचान करें। इन्हें सभी शर्तों के लिए अधिकतम और न्यूनतम पर सेट करें. पहचान की अधिकतम और रंग के लिए न्यूनतम के बीच वर्णक्रमीय शक्ति मूल्यों मैप. प्रत्येक इलेक्ट्रोड स्थान पर प्रत्येक आवृत्ति बैंड पर वर्णक्रमीय शक्ति को विज़ुअलाइज़ करने वाला रंग मानचित्र निर्यात करें (चित्र 2).
   2. स्थलाकृतिक मैपिंग निष्पादित करें.
      1. एक डेटा संरचना बनाएँ जिसमें उपयोग किए गए 10-20 सिस्टम इलेक्ट्रोड स्थानों में से प्रत्येक के लेबल हों, जो मैप किए जाने वाले डेटा संरचना से संबंधित हों. EEGLab के topoplot() समारोह का उपयोग करना, वर्णक्रमीय शक्ति डेटा, की पहचान की अधिकतम और न्यूनतम, और चैनल सूची, खोपड़ी भर में वर्णक्रमीय शक्ति के वितरण मानचित्रण एक साजिश उत्पन्न करते हैं.
2. सामंजस्य का आकलन करें।
   1. सामंजस्य matrices की जाँच करें।
      1. एक दो आयामी डेटा संरचना जहां प्रत्येक स्तंभ एक इलेक्ट्रोड स्थान है पर visualized किया जा करने के लिए interelectrode सामंजस्य की माप मैप, प्रत्येक पंक्ति एक इलेक्ट्रोड स्थान है, और प्रत्येक सेल इसी इलेक्ट्रोड जोड़ी के बीच सामंजस्य है.
      2. 0 और 1 से रंगों के बीच सामंजस्य मान मैप करें. उपयोग की गई आवृत्ति सीमाओं के भीतर प्रत्येक इलेक्ट्रोड युग्म के बीच अंतर-इलेक्ट्रोड सामंजस्य को विज़ुअलाइज़ करने वाले रंग मानचित्र को निर्यात करें (चित्र 3) । जांच की जा करने के लिए प्रत्येक आवृत्ति बैंड के लिए इस प्रक्रिया को दोहराएँ. कार्यान्वयन के उदाहरणों के लिए अनुपूरक चित्र 6 और produce_plots.r देखें. उदाहरण के लिए आउटपुट के लिए चित्र 3 देखें।
   2. नेटवर्क दृश्यावलोकन निष्पादित करें.
      1. cortical क्षेत्रों के बीच उच्च क्रम बातचीत कल्पना और नेटवर्क गतिशीलता बाहर नक्शा करने के लिए, गणना कैसे प्रत्येक इलेक्ट्रोड जोड़ी सामंजस्य समग्र स्पेक्ट्रम भर में और विशिष्ट बैंड के भीतर हर दूसरे अद्वितीय इलेक्ट्रोड जोड़ी के उन लोगों के साथ covaries उपाय.
      2. रंगों के लिए इन सहप्रसरण उपायों को मैप करें। के भीतर और पार आवृत्ति बैंड नेटवर्क गतिशीलता visualizing एक रंग मानचित्र निर्यात करें। कार्यान्वयन के उदाहरण के लिए produce_plots.r देखें. उदाहरण के लिए आउटपुट के लिए चित्र 4 देखें।

5. नेटवर्क मॉडल का विश्लेषण

नोट: प्राप्त मॉडल के लिए आधुनिक सांख्यिकीय तरीकों के आवेदन cortical समारोह की जांच करने के लिए उच्च आयामी नेटवर्क सुविधा अंतरिक्ष में मॉडलिंग रिश्तों का लाभ लेने के लिए अनुमति देता है. दृष्टिकोण है कि व्यक्तिगत उपायों या सामंजस्य उपायों के औसत के पारंपरिक तुलना पर लाभ प्रदान की एक संख्या लिया जा सकता है. संभावित दृष्टिकोण इन नेटवर्क मॉडल की सुविधा के कुछ नीचे उल्लिखित हैं. ये केवल सतही रूप से नेटवर्क मॉडलिंग के संभावित अनुप्रयोगों के संकेत के रूप में चर्चा कर रहे हैं, क्योंकि प्रत्येक तकनीक की एक पूरी तरह से चर्चा वर्तमान काम के दायरे से बाहर है.

1. विमीयता में कमी करें.
   नोट: अलग-अलग चर स्तर पर तुलना बनाया आयामी constructs में सभी उपायों पर तुलना प्रदर्शन करते समय बनाए गए मॉडल द्वारा प्रतिनिधित्व संबंधों का लाभ लेने के लिए विफल, के कारण समस्याग्रस्त है आवश्यक तुलना की बड़ी संख्या और सांख्यिकीय मॉडल में निहित उच्च स्तरीय जानकारी को एकीकृत करने में विफलता. मॉडल पीढ़ी की प्रक्रिया द्वारा उत्पन्न जानकारी को बनाए रखते हुए उच्च-आयामी डेटा को निम्न-आयामी स्थान पर मैप करना मॉडल की डेटा-रिच संरचना का पूरा लाभ उठाते हुए सार्थक तुलनाओं के निष्पादन की अनुमति देता है.
   1. मुख्य घटक विश्लेषण का उपयोग करके उत्पन्न किए गए सांख्यिकीय मॉडलों के भीतर समग्र नेटवर्क गतिशीलता का प्रतिनिधित्व करने वाले समूहों के बीच तुलना के लिए व्युत्पन्न उपाय. कार्यान्वयन के एक उदाहरण के लिए NetworkAnalysis_Demonstration.m और अनुपूरक चित्र 7 देखें.
      1. जैसा कि ऊपर, युग्मवार सामंजस्य उपायों के लिए एक सहप्रसरण मैट्रिक्स का निर्माण करें। यह एक आयामी सहप्रसरण निर्माण उत्पन्न होगा जहां . इस मॉडल इसलिए अत्यंत उच्च आयामी है और उच्च स्तर के नेटवर्क संबंधों के दृश्य के रूप में ऊपर उल्लिखित की अनुमति देता है.
      2. सहप्रसरण मैट्रिक्स को igenvectors और इसी eigenvalues में विरूपित करें। यह मौजूदा उपायों से घिरा हुआ किया जा रहा बिना, सबसे बड़ा विचरण होते हैं कि मॉडल सुविधा स्थान के भीतर अक्षों की पहचान की अनुमति देता है।
      3. मॉडल के भीतर प्रसरण का सबसे बड़ा अनुपात के लिए लेखांकन उन की पहचान करने के लिए इसी eigenvalue द्वारा eigenvectors रैंक.
   2. नेटवर्क मॉडल से व्युत्पन्न पहले मुख्य घटकों की तुलना करें। कार्यान्वयन के एक उदाहरण के लिए NetworkAnalysis_Demonstration.m और अनुपूरक चित्र 7 देखें.
      नोट: पहले प्रमुख घटक मॉडल के भीतर विचरण की सबसे बड़ी डिग्री के लिए खातों. इसलिए, इस उपाय की तुलना एक एकल सांख्यिकीय परीक्षण के साथ समूहों के बीच एक पूरे के रूप में मॉडल भर में समग्र नेटवर्क गतिशीलता की तुलना के लिए अनुमति देता है, जटिल रिश्तों के एक साथ विश्लेषण के लिए अनुमति मॉडलिंग की जा रही है और परहेज कई तुलनाओं से संबंधित समस्याएँ.
2. ब्याज विश्लेषण के एक क्षेत्र प्रदर्शन. मॉडल व्युत्पन्न पूरे प्रांतस्था भर में नेटवर्क कनेक्टिविटी का प्रतिनिधित्व करते हैं, सभी आवृत्ति बैंड भर में. यदि विशिष्ट शारीरिक क्षेत्रों में या विशिष्ट बैंड के भीतर कार्यों में रुचि है, मॉडल के इन क्षेत्रों को अलग और अलग से विश्लेषण किया जा सकता है.
   1. ब्याज के एक शारीरिक क्षेत्र का चयन करें।
      नोट: विश्लेषण को विशिष्ट शारीरिक क्षेत्रों में प्रतिबंधित करने से विशिष्ट cortical क्षेत्रों के भीतर या उसके बीच नेटवर्क गतिविधि के मूल्यांकन की अनुमति मिल जाती है ताकि उन संबंधों की पहचान की जा सके जो पूरे मॉडल के विश्लेषण पर स्पष्ट नहीं हो सकते हैं.
      1. ब्याज के शारीरिक क्षेत्रों से संबंधित मॉडल के भीतर सामंजस्य डेटा की पहचान करें।
      2. ब्याज के क्षेत्रों के भीतर समग्र नेटवर्क वास्तुकला के उपायों की गणना करने के लिए ऊपर वर्णित के रूप में एक सहप्रसरण मैट्रिक्स व्युत्पन्न और मुख्य घटक विश्लेषण करते हैं।
      3. ऊपर उल्लिखित के रूप में समूहों के बीच ब्याज के शारीरिक क्षेत्रों के भीतर नेटवर्क गतिशीलता के उपायों की तुलना करें.
   2. ब्याज का एक कार्यात्मक क्षेत्र चुनें.
      नोट: विश्लेषण को विशिष्ट आवृत्ति बैंडों तक सीमित करने से विशिष्ट दोलन आवृत्तियों में नेटवर्क गतिविधि का मूल्यांकन किया जासकता है( चित्र 4 ) ।
      1. शारीरिक विश्लेषण के साथ के रूप में, ब्याज की आवृत्ति बैंड के भीतर सामंजस्य डेटा को अलग. केवल एक उदाहरण के रूप में समग्र स्पेक्ट्रम में इंटरैक्शन का उपयोग करते हुए कार्यान्वयन के उदाहरणों के लिए NetworkAnalysis_Demonstration.m और अनुपूरक चित्र 8 देखें.
      2. ब्याज के बैंड के भीतर समग्र नेटवर्क गतिविधि के उपाय प्राप्त करने के लिए मुख्य घटक विश्लेषण प्रदर्शन.
      3. विशिष्ट दोलनीय आवृत्तियों पर नेटवर्क अंतरों का मूल्यांकन करने के लिए समूहों के बीच के मापों की तुलना करें।
3. मशीन लर्निंग का उपयोग करें.
   नोट: आधुनिक सांख्यिकीय सीखने के दृष्टिकोण आगे उनके भीतर प्रतिनिधित्व उच्च स्तरीय संबंधों पूछताछ करने के क्रम में उत्पन्न मॉडल के लिए लागू किया जा सकता है.
   1. पर्यवेक्षित अधिगम का उपयोग करें.
      नोट: पूर्वनिर्धारित वर्गों के साथ डेटा का उपयोग करना, cortical नेटवर्क के मॉडल वर्गीकर प्राप्त करने के लिए इस्तेमाल किया जा सकता है कि नए डेटा वर्गीकृत करने के लिए मॉडल द्वारा प्रतिनिधित्व जटिल संबंधों के भीतर हस्ताक्षर की पहचान करने के लिए इस्तेमाल किया जा सकता है, जांच के लिए संभावना खोलने उपन्यास नैदानिक और पूर्वानुमान biomarkers, आदि इसके अलावा, जो मॉडल के भीतर सुविधाओं अंतर्निहित तंत्र में अंतर्दृष्टि हासिल करने के क्रम में इन वर्गीकरण ड्राइव जांच की जा सकती है.
      1. वर्गीकरों को व्युत्पन्न करें। पूर्व-लेबल डेटा का उपयोग करके, नेटवर्क मॉडल पर आधारित डेटा के सेट के वर्ग की भविष्यवाणी करने के लिए एक वर्गीकर प्राप्त किया जा सकता है।
         1. डेटा को प्रशिक्षण के लिए विषय डेटा के सेट और वर्गीकर के परीक्षण के लिए एक सेट में विभाजित करें.
         2. एक वर्गीकरण एल्गोरिथ्म जैसे कि एक समर्थन वेक्टर मशीन या लेबल किए गए प्रशिक्षण डेटा पर यादृच्छिक फ़ॉरेस्ट को प्रशिक्षित करें।
         3. परीक्षण डेटा पर मॉडल-प्रशिक्षित वर्गीकर के प्रदर्शन का आकलन करें।
            नोट: इन दृष्टिकोणों उपन्यास biomarkers प्राप्त करने के लिए आदानों के रूप में सांख्यिकीय मॉडल के उपयोग की अनुमति देते हैं.
      2. अनुक्रमिक उन्मूलन करें।
         नोट: एक वर्गीकर को प्रशिक्षित करने के लिए मॉडल का उपयोग करना, डेटा iteratively हटाया जा सकता है और प्रशिक्षण प्रक्रिया की पहचान करने के लिए जो मॉडल के घटकों अपनी भविष्य कहनेवाला क्षमता चला रहे हैं दोहराया जा सकता है, अंतर्निहित तंत्र की जांच के लिए अनुमति देता है.
         1. ऊपर वर्णित मॉडल पर एक वर्गीकर को प्रशिक्षित करें.
         2. समूहों के बीच सबसे कम परिवर्तनशीलता के साथ मॉडल सुविधा निकालें।
         3. प्रशिक्षण प्रक्रिया को दोहराएँ और प्रदर्शन का आकलन करें।
         4. पुनरावर्ती सुविधा निकालने को दोहराएँ जब तक कि प्रदर्शन के लिए सबसे अधिक योगदान करने वाली सुविधाओं की पहचान नहीं की जाती है. ये वर्गों के बीच अंतर करने की क्षमता के लिए जिम्मेदार मॉडल घटक हैं.
   2. बिना देखरेख के सीखने का कार्य करें।
      नोट: अकेले मॉडल का उपयोग करना, अंतर्दृष्टि की जांच की जा रही समूहों में प्राप्त किया जा सकता है. रिकॉर्डिंग के बीच संबंधों के आधार पर उच्च आयामी constructs के रूप में डेटा मॉडलिंग करके, व्यक्तिगत रिकॉर्डिंग के स्तर पर नहीं देखा गया था कि समूहों के बीच संबंधों को स्पष्ट हो सकता है. क्लस्टरिंग एल्गोरिदम जैसे unsupervised तकनीक पूर्वनिर्धारित वर्गों द्वारा प्रतिबंधित किया जा रहा बिना मॉडल के भीतर संबंधों की जांच के लिए अनुमति देते हैं.
      1. यूक्लिडीय दूरी जैसे दूरी मीट्रिक का उपयोग करके, नेटवर्क मॉडल द्वारा परिभाषित स्थान के भीतर विषयों के बीच दूरी के उपायों की गणना करें। कार्यान्वयन के एक उदाहरण के लिए NetworkAnalysis_Demonstration.m और अनुपूरक चित्र 9 देखें.
      2. k -सबसेपास के पड़ोसियों के रूप में एक क्लस्टरिंग एल्गोरिथ्म का उपयोग करना, मॉडल पैरामीटर के आधार पर डेटा के भीतर समूहों की पहचान (चित्र 5) .
      3. कैसे अलग-अलग सुविधाओं मॉडल के भीतर समूहीकरण करने के लिए योगदान की जांच करने के लिए ऊपर वर्णित के रूप में एक अनुक्रमिक उन्मूलन प्रक्रिया का उपयोग कर इस कार्यविधि को दोहराएँ।
         नोट: यह व्युत्पन्न मॉडल का उपयोग करने के लिए डेटा है कि अन्यथा स्पष्ट नहीं थे के भीतर समूहों की पहचान करने की अनुमति देता है. यह रोग उपप्रकार, रोग समूहों, आदि के व्युत्पत्ति के लिए अनुमति दे सकता है, कि केवल नेटवर्क के स्तर पर स्पष्ट कर रहे हैं.

Representative Results

वर्णक्रमीय शक्ति के मापन प्रत्येक आवृत्ति बैंड मापा, जहां n दर्ज चैनलों की संख्या है के लिए n उपायों का उत्पादन होगा. ये उपाय समग्र विद्युत के लिए डेसीबल में होंगे। व्यक्तिगत आवृत्ति बैंड के भीतर शक्ति के उपाय रिश्तेदार शक्ति के रूप में व्यक्त किया जाना चाहिए (यानी, समग्र शक्ति का अनुपात है कि बैंड के भीतर शक्ति का प्रतिनिधित्व) समूहों और शर्तों के बीच सटीक तुलना की अनुमति देने के लिए.

अनेक बैंडों और अभिलेखित चैनलों में स्पेक्ट्रमी विद्युत के दृश्य का एक उदाहरण चित्र 2में दर्शाया गया है। स्पेक्ट्रल शक्ति खोपड़ी भर में interpolated कल्पना की जा सकती है, गतिविधि के "स्रोत" के सीमित आकलन की अनुमति.

Interelectrode सामंजस्य उपाय प्रत्येक अद्वितीय इलेक्ट्रोड जोड़ी के लिए एक उपाय का उत्पादन (यानी, जहां n दर्ज चैनलों की संख्या है). इन उपायों में से प्रत्येक 0 और 1 के बीच है, जहां 0 रिकॉर्डिंग के बीच कोई सामंजस्य का प्रतिनिधित्व करता है और 1 रिकॉर्डिंग के बीच पूर्ण सामंजस्य का प्रतिनिधित्व करता है। यह उस सीमा का माप है जिस के लिए एक क्षेत्र में गतिविधि दूसरे क्षेत्र में गतिविधि के आधार पर बदलती है, जिससे अन्योन्यक्रिया और समय अंतराल की दिशा में अंतर हो जाता है। सामंजस्य के उच्च मान उन क्षेत्रों के बीच पारस्परिक क्रिया का सुझाव देते हैं, जिनसे यह स्पष्ट होता है कि अभिलेखित क्षेत्र एक-दूसरे के साथ संवाद स्थापित कर रहे हैं। हर अद्वितीय इलेक्ट्रोड जोड़ी के बीच बातचीत को मापने के द्वारा, कैसे दर्ज चैनलों बातचीत कर रहे हैं की एक सांख्यिकीय नक्शा बनाया जा सकता है. यह कैसे क्षेत्रों संवाद कर रहे हैं की जांच की अनुमति देता है, बजाय अलगाव में अलग-अलग क्षेत्रों पर ध्यान केंद्रित, पारंपरिक तरीकों के रूप में. 8-इलेक्ट्रोड असेंबल के लिए सामंजस्य उपायों के दृश्य का एक उदाहरण चित्र 3 में दर्शायागया है।

इन सामंजस्य उपायों तेजी से डेटा की बड़ी मात्रा का उत्पादन, व्यक्तिगत सांख्यिकीय परीक्षण एक अस्थिर रणनीति के साथ प्रत्येक उपाय का विश्लेषण कर रही है. इसके अलावा, व्यक्तिगत बातचीत की जांच जरूरी दिलचस्प या सार्थक जब पूरे cortical नेटवर्क भर में बातचीत पर विचार नहीं है. इस तरह के मुख्य घटक विश्लेषण के रूप में आयाम में कमी तकनीक पारंपरिक सांख्यिकीय तरीकों का उपयोग कर समग्र नेटवर्क गतिशीलता की तुलना की सुविधा के लिए इन सांख्यिकीय निर्माण से उपायों के आकलन के लिए अनुमति देता है. वर्गीकर-आधारित विधियाँ, मशीन लर्निंग तकनीकों का उपयोग करके, डेटा को वर्गीकृत करने और परिणामों की भविष्यवाणी करने के लिए इन उच्च-आयामी डेटा निर्माणों को एकीकृत करने के लिए एक अतिरिक्त आशाजनक अवसर प्रदान करती हैं।

उच्च क्रम नेटवर्क गतिशीलता के दृश्य एक प्रमुख घटक विश्लेषण, या एक वर्गीकर आधारित तकनीक द्वारा तुलना की जा रही बातचीत के प्रकार की मान्यता की अनुमति देता है. यह इलेक्ट्रोड युग्मों के अंतर-इलेक्ट्रोड सामंजस्य उपायों के सहप्रसरण उपायों के रंग मानचित्रण का उपयोग करके प्राप्त किया जा सकता है। यह मूल्यांकन कैसे एक इलेक्ट्रोड जोड़ी पर सामंजस्य उपायों एक और जोड़ी पर सामंजस्य में परिवर्तन से संबंधित हैं, व्यापक नेटवर्क बातचीत और प्रांतस्था भर में गतिविधि के एकीकरण का सुझाव. यह कैसे क्षेत्रों एक तरीका है कि पारंपरिक उपायों के साथ संभव नहीं है में बातचीत कर रहे हैं के दृश्य की अनुमति देता है. इस तकनीक का उपयोग करके बनाए जा सकने वाले उच्च-आयामी नेटवर्क मानचित्र का एक उदाहरण चित्र 4में दर्शाया गया है। यह cortical समारोह को प्रभावित करने वाले एक neuropsychiatric विकार के विभिन्न नैदानिक phenotypes के साथ दो विषयों के बीच नेटवर्क मानचित्रण पर स्पष्ट मतभेद को दर्शाता है, जहां मानक का उपयोग कर कोई सांख्यिकीय महत्वपूर्ण मतभेद थे विश्लेषण के तरीके.

चित्र 1: डेटा विश्लेषण पाइपलाइन का Schematic. कच्चे डेटा की तैयारी और ब्याज के उपायों की निकासी में प्रमुख कदम का अवलोकन. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

चित्र 2: वर्णक्रमीय शक्ति उपायों के प्रतिनिधि मैट्रिक्स. प्रत्येक स्तंभ एक इलेक्ट्रोड स्थान का प्रतिनिधित्व करता है, और प्रत्येक पंक्ति ब्याज की एक आवृत्ति बैंड का प्रतिनिधित्व करता है. सेल रंग तीव्रता इसी इलेक्ट्रोड स्थान पर इसी आवृत्ति के सापेक्ष शक्ति के मूल्य का प्रतिनिधित्व करता है. n x f उपायों का उत्पादन करता है, जहाँ द उपयोग किए गए रेकेन्ग की संख्या है और च ब्याज की आवृत्ति बैंडों की संख्या है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

चित्र 3: अंतर-इलेक्ट्रोड सामंजस्य उपायों के प्रतिनिधि मैट्रिक्स। प्रत्येक पंक्ति और प्रत्येक स्तंभ एक इलेक्ट्रोड स्थान का प्रतिनिधित्व करता है। सेल रंग तीव्रता इसी इलेक्ट्रोड जोड़ी के बीच interelectrode सामंजस्य के मान का प्रतिनिधित्व करता है. ब्याज की प्रत्येक आवृत्ति बैंड के लिए उपाय पैदा करता है, जहां n इस्तेमाल किया रिकॉर्डिंग इलेक्ट्रोड की संख्या है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

चित्रा 4: उच्च क्रम नेटवर्क गतिशीलता के प्रतिनिधि दृश्य, neuropsychiatric विकार के दो phenotypes की तुलना. प्रत्येक पंक्ति और प्रत्येक स्तंभ एक अद्वितीय इलेक्ट्रोड जोड़ी का प्रतिनिधित्व करता है. सेल रंग तीव्रता इसी इलेक्ट्रोड युग्मों के बीच सहप्रसरण के मान का प्रतिनिधित्व करता है। ब्याज की प्रत्येक आवृत्ति बैंड के लिए उपाय पैदा करता है, जहां च अद्वितीय इलेक्ट्रोड जोड़े का उपयोग की संख्या है. (क)कॉर्टिकल नेटवर्क के भीतर और परस्पर-आवृत्ति दोनों बातचीत का प्रदर्शन करता है, जबकि (बी) केवल समग्र शक्ति स्पेक्ट्रम के भीतर नेटवर्क गतिशीलता पर केंद्रित ब्याज विश्लेषण के एक क्षेत्र की कल्पना करता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

चित्र 5: unsupervised क्लस्टरिंग एल्गोरिथ्म के प्रतिनिधि दृश्य। जाहिरा तौर पर अच्छी तरह से मिलान एक neuropsychiatric विकार के साथ रोगियों के एक समूह में, अकेले जनसंख्या के भीतर समूहों की पहचान की है कि मानक विश्लेषण पर स्पष्ट नहीं थे मॉडल डेटा के आधार पर क्लस्टरिंग. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 1: स्क्रीनशॉट ईईजी डेटा के युगांतर को दर्शाता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 2: स्क्रीनशॉट आवश्यक पूर्व प्रक्रमण चरणों को दर्शाता है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 3: स्क्रीनशॉट ब्याज की आवृत्तियों के लिए फ़िल्टरिंग दर्शाता है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 4: चैनल स्पेक्ट्रम की गणना और अलग-अलग बैंड के भीतर डेटा अलग-थलग. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 5: प्रत्येक इलेक्ट्रोड युग्म के लिए सामंजस्य उपायों की गणना करना। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 6: मानचित्रीकरण ने मानचित्रों और दृश्यावलोकन के लिए व्युत्पन्न उपाय ों की जानकारी प्राप्त की. चित्र 3 और चित्र 4 नमूना आउटपुट प्रदर्शित करता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 7: सहप्रसरण मैट्रिक का निर्माण, मुख्य घटक विश्लेषण करना और मुख्य घटकों के आधार पर समूहों की तुलना करना। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 8: डेटा के सबसेटों को अलग-अलग करके रुचि के विशिष्ट क्षेत्रों का विश्लेषण. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अनुपूरक चित्र 9: दूरस्थ मीट्रिक का व्युत्पत्ति और बिना निगरानी की गई अधिगम तकनीकों का उपयोग करने वाले समूहों की पहचान करने के लिए गुच्छन एल्गोरिथ्म का उपयोग. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Discussion

वर्णित विधि गैर इनवेसिव ईईजी डेटा से cortical नेटवर्क गतिशीलता के सांख्यिकीय नक्शे के व्युत्पत्ति की अनुमति देता है. यह कैसे दर्ज क्षेत्रों में प्रत्येक व्यक्ति के स्थान में हो रहा है मूल्यांकन के बजाय, एक दूसरे के साथ बातचीत कर रहे हैं के आकलन के माध्यम से सरल समय श्रृंखला डेटा की परीक्षा पर आसानी से स्पष्ट नहीं घटना की जांच की अनुमति देता है अलगाव. यह रोग विकृति विज्ञान¹⁸में महत्वपूर्ण अंतर्दृष्टि प्रकट कर सकते हैं .

इस विधि का आवश्यक पहलू डेटा की गुणवत्ता सुनिश्चित कर रहा है. कठोर डेटा मूल्यांकन, कलाकृति अस्वीकृति, और पूर्व प्रसंस्करण सुनिश्चित करने के लिए आवश्यक हैं डेटा सार्थक परिणाम का उत्पादन करने के लिए पर्याप्त उच्च गुणवत्ता के हैं। इस्तेमाल किया डेटा एक उचित गुणवत्ता की है, सुविधा निष्कर्षण घटक आसानी से केवल ब्याज के विशिष्ट क्षेत्रों में मॉडल नेटवर्क बातचीत करने के लिए संशोधित किया जा सकता है, या मनमाने ढंग से आवृत्ति सीमा के भीतर, साथ ही मॉडलिंग जटिल बातचीत भर में विशिष्ट क्षेत्रों और आवृत्ति बैंड.

इस दृष्टिकोण का उत्पादन परिणाम है, जो तेजी से डेटा की भारी मात्रा में उत्पादन कर सकते हैं अगर कई चैनलों का उपयोग किया जाता है की उच्च आयामीता द्वारा सीमित है. यह कच्चे परिणामों की interpretability सीमित कर सकते हैं और लंबे समय गणना समय में परिणाम. इस तरह के प्रमुख घटक विश्लेषण²³के रूप में आयामीता में कमी तकनीकों का उपयोग, इसलिए सांख्यिकीय परीक्षणों की भारी संख्या में प्रदर्शन करने की आवश्यकता के बिना समूहों के बीच सार्थक सांख्यिकीय तुलना की अनुमति देने के लिए आवश्यक है। इसके अलावा, उत्पादन उच्च आयामी नेटवर्क नक्शे का उपयोग करने के लिए निर्णय लेने में सहायता करने के लिए मशीन सीखने classifiers के उपयोग की आवश्यकता हो सकती है डेटा की बड़ी मात्रा के एकीकरण की अनुमति है, जो आसानी से मैन्युअल रूप से व्याख्या योग्य नहीं हैं और आसानी से कम नहीं किया जा सकता एक ही उपाय करने के लिए²⁴.

यह दृष्टिकोण कच्चे ईईजी समय श्रृंखला की तुलना में नेटवर्क गतिशीलता में परिवर्तन की जांच करने के लिए एक कहीं अधिक क्षमता प्रदान करता है, जबकि यह भी इस तरह के कार्यात्मक एमआरआई के रूप में इमेजिंग तकनीक पर महत्वपूर्ण लाभ की पेशकश, पहुँच में आसानी सहित, लागत, और अधिक से अधिक समय संकल्प. स्नायविक रोग के subtyping के लिए इस विधि के भविष्य के अनुप्रयोगों, उपचार प्रतिक्रिया की भविष्यवाणी, और रोग पूर्वानुमान बहुत सुधार के माध्यम से वर्तमान नैदानिक ईईजी प्रौद्योगिकियों के नैदानिक उपयोगिता का विस्तार करने की संभावना प्रदान करते हैं डेटा विश्लेषण विधियाँ.

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