Summary
標準的な脳波分析技術は、神経系機能に関する限られた洞察を提供する。皮質接続の統計モデルを導き出すには、基礎となるネットワークダイナミクスを調査する能力がはるかに高くなります。機能評価の改善は、神経系疾患における診断、予後、および結果予測の新たな可能性を開きます。
Abstract
非侵襲的な電気生理学的記録は、神経系機能の評価に有用である。これらの手法は、イメージングよりも安価で高速で複製可能で、リソースを大量に消費しません。また、生成される機能データは、構造イメージングでは達成できない時間分解能に優れている。
脳波(EEG)の現在の適用は、データ処理方法によって制限されています。個々のチャネルで生の時系列データを使用する標準的な分析技術は、神経系の活動を問い合わせる非常に限られた方法です。皮質機能に関するより詳細な情報は、チャネル間の関係を調べ、エリアがどのように相互作用しているかの統計モデルを導き出すことによって達成でき、ネットワーク間の接続性を可視化することができます。
本稿では、脳波を標準的な方法で記録し、電極間コヘルス対策を調べて、記録された領域間の関係を評価することにより、皮質ネットワーク活動の統計モデルを導出する方法について説明する。高次相互作用は、コハレンスペア間の共分散を評価し、ネットワーク相互作用の高次元「マップ」を生成することによってさらに調べることができます。これらのデータ構築物は、皮質ネットワーク機能と病理学との関係を、従来の技術では達成できない方法で評価するために調べることができる。
このアプローチでは、生の時系列分析で実現できるよりも、ネットワーク レベルの相互作用に対する感度が高くなります。しかし、基礎となる神経集団と大量のデータに関する特定の機械的結論を導き出す複雑さによって制限され、次元を含む評価のためのより高度な統計的手法が必要になる。削減および分類子ベースのアプローチ。
Introduction
この方法は、臨床的に実行可能なセットアップを使用して非侵襲的な電極記録に基づいて皮質ネットワークの統計マップを生成することを目的とし、神経系の病理の調査、新規治療の影響、および新規の開発を可能にする電気生理学的バイオマーカー。
脳波は、神経系の機能と疾患1、2の調査のための大きな可能性を提供しています。この技術は安価で、研究や臨床現場で容易に入手でき、一般的によく許容されています。録音のシンプルで非侵襲的な性質により、臨床使用が容易になり、臨床脳波部門の既存の枠組みにより、臨床医向けの技術に容易にアクセスできます。
技術的な観点から、脳波は優れた時間領域解像度3を提供しています。これは、神経系の相互作用とネットワークダイナミクスの急速なタイムスケールによる神経系機能を調査する際に非常に重要です.機能MRIなどのイメージング方法は、より大きな空間分解能と容易に解釈可能な画像を提供しますが、電気生理学的記録によって提供される微細なタイムスケールで神経系の機能を問い合わせる能力ははるかに制限されています。4、5、6.
神経系疾患の診断、治療、予後を知らせるために神経系機能を問い合わせる必要性が高まっています。神経系病理学における皮質ネットワークダイナミクスの役割は、ますます認識されている7.神経系の多くの病理は、従来のイメージングで見えるマクロ的な構造病変を生じこさないが、ネットワークレベルで生じる異常は、適切な機能解析方法で明らかである可能性がある。
残念ながら、現在の脳波分析方法は、この点で大幅に制限されています。従来の方法では、個々の電極からの単純な時系列データの分析が含まれます。これらのシグナルは、大きな皮質領域3、8における電界電位の合計を表す。目視検査または単純な統計手法を用いて個々のチャネルからのデータを単独で分析すると、これらの記録の有用性は、個別の個別の場所における総電気生理学的異常の検出に制限されます。神経系の機能および病理学に対するネットワークレベルの影響の重要性の認識が高まってきて、これらの単純な分析方法は明らかにシグナル間の微妙な関係を検出できないという点で欠けている。皮質領域がネットワーク レベルで互いに相互作用する方法の異常。
低次元電極記録から皮質ネットワーク接続の統計マップを導出する方法を実証する。この方法により、従来の解析技術では不可能な方法で様々な脳領域間の相互作用のダイナミクスを調べて、これらのネットワーク相互作用を可視化することができます。これにより、これまで不可能な方法で、高時間ドメイン解像度でのネットワーク レベルの影響を非侵襲的に調査する可能性が開きます。この方法は、電極間コヘランス9、10の対策の導出に基づく。これらの措置は、これらの領域11の記録間の統計的関係を評価することによって、2つの記録された領域がどのように相互作用しているかを調査することを可能にする。各記録された領域が他のすべての記録された領域とどのように相互作用するかを評価することにより、記録された領域内の電気生理学的ネットワークの統計マップを作成することができます。これにより、個々のチャネル データの個別の評価に関しては明らかでない機能関係を特定できます。
この原稿の焦点は、神経時系列における一貫性の使用である。現在、時系列データ間の関係を調べる手法は数多くありますが、チャネルにペアワイズで適用して、皮質接続のモデルを導き出すことができます。関連する部分的な有向コヘランス12、13などのいくつかの方法は、基礎となるネットワークの構造をより良く特徴付けるために調査された信号のペアの影響方向を推測することを目指し、他のグレンジャー因果関係14、15などのメソッドは、あるシグナルが別のシグナルのデータを予測する能力を通じて機能関係を推測しようとする。このような方法は、皮質ネットワークの高次元モデルを生成するために同様の方法で適用することができる。しかし、神経信号間の関係を調査する手段としての一貫性の利点は、仮定の欠如にあります。これらの関係の機能的根拠に関する声明を出すことなく、2つのサイトでの記録間の統計的関係を調査し、純粋に統計的関係に基づいて皮質接続のモデルを構築することが可能です。これらの信号を生成する皮質ネットワークに関する最小限の仮定。
これらの測定の純粋な数学的性質のために、頭皮における電極記録のコヘランス測定値と基礎神経活動との関係は複雑な16、17である。これらの方法は、比較のために電極記録間の関係を記述する統計的構造の導出を可能にするが、特定の基礎神経集団の活性に関する直接的な因果推論を行うことはない簡単な3、8、16、17 。これらのアプローチは、潜在的に有用なバイオマーカーを識別するためにグループ間のネットワークレベルの活動を比較することを可能にするが、特定の神経機構にこれらのマーカーの関係に関する特定の結論を導き出すという点で制限される。これは、記録された活性3に影響を及ぼす多数の混乱因子、ならびに頭皮8のレベルで記録された電気信号の特定の皮質源の推定に関する問題によるものである。むしろ、これらのアプローチは、ネットワークレベル18に差異が存在し、これらに基づいて新しいバイオマーカーを生成するために利用することができることを決定するために、グループ間で問い合わせおよび比較することができる活動の統計モデルを生成することができます構築。しかしながら、これらの方法だけでは、基礎となるシステムの複雑さのために特定のメカニズムや神経活動に見られる差異を関連付ける能力が限られている。
コヘランスなどのネットワーク対策の使用は、システム神経科学16、17において十分に確立されている。皮質機能のモデリングと調査のためのこれらのアプローチの可能性は、これらの高次元データ構造の悪用の欠如によって制限されています。この研究は、皮質領域の電気的活動間の統計的関係に基づいて、データを高次元特徴空間にマッピングするために、これらの測定値をペアワイズでEEGチャネルに適用することができることを示しています。また、現代の統計手法を用いて、生成された皮質関数モデルを使用して、モデリングプロセスで得られた情報を失うことなくこれらのモデルを調査することができることを示しています。
この方法は、既存の脳波技術の応用範囲を拡大し、既存の記録装置18、19への適応を必要とせずに有用な機能的手段を導出する能力を向上させる上で潜在的に貴重である.皮質機能をモデル化し、これらのモデルを調べる能力を向上させることで、脳波データを用いて調査できる質問が拡大される。これはさらに、神経疾患20、21の調査のための機能的および構造的評価のより大きな統合の可能性を開く。このアプローチは、すでに臨床的に広く利用可能な技術を使用して、高い時間的および空間的分解能を有する皮質病理の調査を可能にするであろう。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
以下の実験プロトコルは、人間の研究のためのすべての地域、国、および国際倫理ガイドラインに従っています。プロトコルをテストするために使用されるデータは、地域トスカーナプロトコル2018SMIA112 SI-REの倫理的委員会の承認を得ています。
注:説明した分析の実装に使用するスクリプトは、https://github.com/conorkeogh/NetworkAnalysisで使用できます。
1. 生データ収集
-
サブジェクト条件を準備します。
- 録音間の一貫性を確保するには、専用の記録環境ですべての脳波記録を実行します。注意を避けるために、記録中に実行するタスクに直接関係しないすべての機器または刺激を環境から削除します。
注:休止状態の記録を実行する場合は、部屋から気晴らしのすべてのソースを削除し、記録セッションの前に記録環境に被験者を公開して、環境からノベルティを削除します。 - 実行するタスクに関する明確な指示を件名に指示します。機器をセットアップしたら、記録環境にサブジェクトをそのまま残して、記録を開始する前に環境に慣れ、動きや気晴らしを最小限に抑えます。
- 被験者が知的障害を持っている場合は、ストレスを制限するために環境に慣れるための必要な時間を許可します。これは、複数の訪問とレコーディングルームでの長期滞在を必要とする場合があります。
- 録音間の一貫性を確保するには、専用の記録環境ですべての脳波記録を実行します。注意を避けるために、記録中に実行するタスクに直接関係しないすべての機器または刺激を環境から削除します。
-
電極を取り付けます。
- 正しい位置合わせを確保するために、電極キャップを患者の頭部に取り付けます。各電極ポートに導電性ゲルを注入し、頭皮から始まり、キャップ表面にゆっくりと引き込んでスケールとの電気的接触を確立し、信号対雑音比を改善します。
- 10−20システムに基づく所定の電極モンタージュを使用して電極キャップに電極を取り付けます。適切な接地電極(例えば、乳様突起プロセス)を取り付けます。
-
脳波を設定します。
- すべての電極を電気生理学的記録システムに接続します。記録システムを適切なデジタル記録環境にリンクします。
- すべての録音チャンネルを調べて、オフセットが適切な範囲内にあることを確認し、過度のチャンネルノイズを避けます。チャネルに過度のオフセットやノイズがある場合は、電気的接続を改善するために追加の導電性ゲルを追加し、電極部位間のブリッジングを引き起こさないように注意することができます。
- 録音が開始されたことを主題に指示し、すべての不要な動きを避けるように指示します。短いテスト記録を実行して、適切な記録品質を確認します。
-
記録する動作タスクを準備します。
- 件名を使用して、タスクに関連するすべての指示を明確にします。すべての不必要な動きを避けることの重要性を繰り返します。
- 明確に合意された信号(記録環境のドアのノックなど)で録音が開始されることを説明します。件名は記録環境のままにしておきます。記録を開始します。同意したシグナルを主題に与える。
- タスクまたは休止状態の期間が完了したら、記録を停止し、データを視覚的に調べて品質を確保し、データを保存します。
2. データ前処理
注:データ準備パイプラインと機能抽出パイプラインを図 1に示します。
- ソフトウェアを準備します。
- 分析する脳波データをデータ分析環境にロードします。EEGLab22など、必要な追加のスクリプト ライブラリを読み込みます。
- 必要に応じて、すべてのチャンネルを対応する場所に接続して、すべての録画を同じデータ形式に変換します。
- 各記録の開始と終了(例えば、5分)を破棄して、運動アーティファクトの汚染を減らします。タスクに基づいてデータをエポックに分割するか、または、休止状態記録の場合は、所定の期間(例えば、10分)。実装NetworkAnalysis_Demonstrationのデモンストレーションについては、NetworkAnalysis_Demonstration.m (機能の抽出を参照) および補足図 1を参照してください。
注:エポックの長さの選択は、コハレンスの尺度に重要な影響を与えることができます。十分な長さのエポックを使用して、信号間の真の関係が計算に現れ、過剰な重み付けを持つアーティファクトや一時的なスプリアス同期を回避する必要があります。しかし、この研究では、10分間のエポックを、徹底的なアーティファクト拒絶に続く10分のエポックの平均と比較した場合、ネットワーク構造全体に統計的に有意な差はなかった。
- 各記録の開始と終了(例えば、5分)を破棄して、運動アーティファクトの汚染を減らします。タスクに基づいてデータをエポックに分割するか、または、休止状態記録の場合は、所定の期間(例えば、10分)。実装NetworkAnalysis_Demonstrationのデモンストレーションについては、NetworkAnalysis_Demonstration.m (機能の抽出を参照) および補足図 1を参照してください。
- エポック データを視覚的に検査し、視覚的に不適切なデータを拒否することで、アーティファクトの拒否を実行します。
注:前述のモデリング手法はシグナル間の関係に依存するため、アーティファクトを完全に拒否することが不可欠です。これらはチャネル データを破損し、人工的な増加 (アーティファクトが複数のチャネルで表される場合) や、一貫性のメジャーの減少 (アーティファクトが一部のチャネルでのみ表される場合) につながる可能性があります。- 録音中の不良チャンネルを特定します。
- 0.5Hzのハイパスフィルタデータは、集録システムの浮地によるベースラインドリフトを除去する。
- 適切な統計的基準を満たすすべてのチャンネルを選択します(例えば、標準偏差が3倍以上のチャネルまたは平均チャンネル標準偏差の3分の1未満のものを持つもの)。
注:ニューラル ソースから発生する可能性が低いデータを含むチャネルを削除すると、ネットワーク モデルに導入されるスプリアスリレーションシップを回避できます。 - これらのチャネルが適切かどうかを判断します。
- 可能であれば、不適切なチャネルでエポックを拒否します。または、不良チャネルを除外し、これらのチャネルでデータを補間します(例えば、EEGLabのスプライン補間アルゴリズムを使用)。
注:多数のチャネルにまたがる補間、または少数の記録チャネルのみで、分析に不適切なデータが生成される場合があります。さらに、データセットに新しい情報が生じず、補間された信号とそれらが導出される信号との間の一貫性の測定が人為的に高くなる可能性があります。
- 残りのエポックに対して独立成分分析を実行します(例:脳波研究所のICA機能を使用)。派生コンポーネントを視覚的に検査し、視覚的に不適切なデータを拒否します。
- 適切な統計的しきい値を適用して、目視検査ですぐには明らかでない潜在的なアーティファクトを特定します(極端な値や異常なスペクトルに基づくなど)。これらを調べ、拒否が適切かどうかを判断します。
- 存続中のエポックで独立したコンポーネント分析とアーティファクト識別を繰り返します。
- さらに分析するために保存するデータ エポックを特定します。拒否されたすべてのデータ エポックを破棄します。さらなる分析のために進めるすべてのエポックを特定します。
注: サブジェクトごとに 1 つのエポックのみが必要な場合は、さらに分析するために最初の適切なエポックを選択します。
- 録音中の不良チャンネルを特定します。
- データを準備するには、録画からすべてのチャンネルの平均を差し引いて録画のベースラインを修正し、長時間の録画中のベースライン放浪の影響を回避します。すべてのチャネルを適切な基準(例えば、接地電極またはすべてのチャンネルの平均)に再参照します。実装NetworkAnalysis_Demonstration例については、NetworkAnalysis_Demonstration、NetworkAnalysis_Preprocess、および補足図 2 を参照してください。
注:参照の選択は、ネットワークメジャーに重要な影響を与える可能性があります。参照データはすべての分析されたチャネルの「減算」されるため、参照チャネルで表されるニューラルデータは差し引かれるため、モデル生成には影響しません。乳様突起プロセスのような直ちに基礎となる神経構造なしで、骨の目立つ上に記録された基準信号を使用するのが一般的です。しかし、これらは頭皮を介した体積伝導効果のためにニューラルデータによって破損する可能性があるため、参照に対する位置に基づいてネットワーク測定値が異なって歪みます。その結果、状態データを休止するには、すべての頭皮チャネルの平均を参照として使用することをお勧めします。つまり、すべてのチャネルが参照に寄与するため、すべてのデータが特定の空間位置に対して相対的に参照されるわけではないため、メジャーが歪みます。これは、見かけ上の全体的な活動を減衰させるなどの効果を持つことができるし、一部のチャンネルで非常に強く表現されている信号を差し引くことによって測定を歪め、したがって、平均に大きく寄与する可能性があります。これは、アクティビティおよびイベント関連のシグナルに対する大きな問題ですが、通常は状態データを休止する場合には当てはみありません。- すべてのチャンネルをデジタルフィルタリングして、目的の周波数(例えば、1 Hz-50 Hz)を分離します。実装の例については、NetworkAnalysis_Demonstration、NetworkAnalysis_Preprocess、および補足図 3を参照してください。
注:検査対象範囲とエイリアシング効果の極値で周波数の歪みを回避するために、目的の解析に適切な周波数制限とフィルタパラメータを使用してください。ゼロ位相シフト4番目のオーダーバターワースフィルタが適切に実行されます。適切なフィルタリングにより、対象のアクティビティがモデリング用に分離されます。広い範囲(例えば、1 Hz-50 Hz)でも、高周波アーティファクトと低周波ベースライン放浪がチャネル間のコヒーレントとして解釈されないことを保証し、歪んだ対策を講じます。
- すべてのチャンネルをデジタルフィルタリングして、目的の周波数(例えば、1 Hz-50 Hz)を分離します。実装の例については、NetworkAnalysis_Demonstration、NetworkAnalysis_Preprocess、および補足図 3を参照してください。
3. 機能抽出
- スペクトルパワーを評価します。
- 評価する周波数範囲全体(例えば、1 Hz-50 Hz)にわたって分析される各チャンネルのフーリエ変換を実行して、全体的な電力スペクトルを計算します。
- 個々の周波数帯域でのアクティビティを評価する:4 Hz-8 Hzでシータバンドを分離し、8 Hz-12 Hzでアルファバンドを分離し、ベータバンドを12 Hz-30 Hzで分離します。、30-50 Hz)。スペクトル導出NetworkAnalysis_Demonstration実装と周波数帯域の分離の例については、NetworkAnalysis_Demonstrationm、NetworkAnalysis_FeatureExtraction.m、および補足図 4を参照してください。
注:脳波データは、従来、調査のために周波数「バンド」に分かれています。これらは主に検出された順序に基づいて名前が付けられ、特定の帯域幅は多少異なります。特定の周波数での振動の機能的意義は、依然として積極的な調査の領域です。特定のバンド内の振動は、眼を閉じた後頭部の高振幅アルファ波の出現など、特定の神経活動に関連していると考えられているが、神経機能と脳波記録における振動活動は不明のままである。 - 個々のチャネルスペクトルの平均を計算して、頭皮全体の全体的なパワーを評価します。全体的な電力に対して個々のバンドの電力を正規化して、相対電力の尺度を与え、条件間のより正確な比較を可能にします。
- ネットワーク マッピングを実行します。
- 電極間コテンスの尺度を導出して、第1電極対間の相互作用を評価します。
実装の例については、NetworkAnalysis_Demonstration、NetworkAnalysis_FeatureExtraction、および補足図 5を参照してください。- 2 つのチャネルのクロススペクトルを計算します。
- 各信号 XとYのフーリエ変換を計算する
- クロススペクトルを計算します。
ここで:tはサンプリング間隔、Tは記録の長さ、Xはxのフーリエ変換、Y * はYの複素共役です。 - 負の周波数を無視し、正しいメジャーを使用します。コンピュータ周波数軸の後半は、実値信号の場合は無視でき、これを修正するために電力メジャーに2を掛けることができます。
注:これは、xとyの相互相関のフーリエ変換と同じです。
- 各信号 XとYのフーリエ変換を計算する
- 両方のチャンネルのパワースペクトルによってクロススペクトルを正規化します。
- 各信号のフーリエ変換を計算します。
- パワースペクトルを計算します。
ここで:tはサンプリング間隔、Tは記録の長さ、Xはxのフーリエ変換、X * はXの複素共役です。 - 負の周波数を無視して正しい対策を行う:コンピュータ周波数軸の後半は、実数値信号の場合は無視でき、電力メジャーに2を掛けて補正します。
- 計算された電力スペクトルを使用してクロススペクトルを正規化し、コテンスの尺度を導出します。
注:これはCを生成し、周波数で信号xとyの間の一貫性の尺度を生成します。 これは、0~1のスケールで測定された、調べた周波数でのこれらの信号間の関係の尺度です。すべてのタイムポイントで調べられ、2つの信号の間に一定の位相関係がある場合、コハレンスは値1になり、それらの周波数での信号間の強い関係を示し、1つの信号の活動が機能的であることを示唆する他方の活動に関連する(すなわち、両者の間に通信があること)。2 つのシグナル間に位相関係がない場合、コハレンスの値は 0 になり、シグナルが関連していないことを示します。
- 各信号のフーリエ変換を計算します。
- 2 つのチャネルのクロススペクトルを計算します。
- 電極の固有のペアごとにこの手順を繰り返して、各電極ペアの信号間の位相安定性の尺度を開発し、すべての電極間の機能的接続性のモデルを構築します。
注:n電極のモンタージュの場合、これはコハレンス対策を生成します。これは、記録された信号間の関係に基づいて、測定された時系列データを高次元平面にマッピングすることを表し、これらの相互作用の性質を調査できるようにします。
- 電極間コテンスの尺度を導出して、第1電極対間の相互作用を評価します。
4. データ可視化
-
スペクトル電力解析を実行します。
- 電力行列を調べます。
- 各列が電極位置、各行が周波数帯域、各セルがそのバンド内のその位置のスペクトル電力である 2 次元データ構造に視覚化するスペクトル電力の測定値をマップします。
- 比較するすべての条件の最大電力レベルと最小電力レベルを特定します。これらは、すべての条件の最大値と最小値に設定します。識別された最大値と最小値の間のスペクトル電力値を色にマップします。各電極位置の各周波数帯域のスペクトル電力を視覚化したカラーマップをエクスポートします(図2)。
- 地形マッピングを実行します。
- マップするデータ構造に対応する 10~20 個のシステム電極位置のラベルを含むデータ構造を作成します。EEGLabのtopoplot()関数を使用して、スペクトル電力データ、識別された最大値と最小値、およびチャネルリストは、頭皮全体のスペクトル電力の分布をマッピングするプロットを生成します。
- 電力行列を調べます。
-
一貫性を評価します。
- コハレンス行列を調べます。
- 各列が電極位置、各列が電極位置、各セルが対応する電極対の一貫性である2次元データ構造上に可視化する電極間コヘランスの測定値をマッピングします。
- 0 ~ 1 のコテンス値を色にマップします。使用する周波数限界内の各電極対間の電極間コテンスを可視化するカラーマップをエクスポートする(図3)。調査する周波数帯域ごとにこの手順を繰り返します。実装の例については、補足図 6および produce_plots.r を参照してください。出力の例については、図 3を参照してください。
- ネットワークの視覚化を実行します。
- 皮質領域間の高次相互作用を視覚化し、ネットワークダイナミクスをマッピングするには、各電極ペアのコハレンスメジャーが、スペクトル全体および特定のバンド内で他のすべての一意の電極ペアと共に変化する方法を計算します。
- これらの共分散メジャーを色にマップします。周波数帯域内および非周波数帯域のネットワークダイナミクスを視覚化するカラーマップをエクスポートします。実装の例については、produce_plots.r を参照してください。出力の例については、図 4を参照してください。
- コハレンス行列を調べます。
5. ネットワークモデルの分析
注:派生モデルへの最新の統計的手法の適用により、高次元ネットワーク特徴空間でモデル化された関係を利用して皮質機能を調べることができる。個々のメジャーの従来の比較や一貫性メジャーの平均よりも利点を提供するアプローチの数を取ることができます。これらのネットワーク モデルが容易に行う潜在的なアプローチの一部を以下に示します。これらは、各技術の徹底的な議論が現在の作業の範囲を超えているため、ネットワークモデリングの潜在的なアプリケーションを示すものとして表面的にのみ議論されます。
- 次元削減を実行します。
注:個々の変数レベルでの比較では、作成されたモデルによって表される関係を利用できませんが、作成されたディメンション構造内のすべてのメジャーに対して比較を実行すると、必要な比較の膨大な数と、統計モデルに含まれる高レベルの情報を統合できない。モデル生成プロセスによって生成された情報を維持しながら、高次元データを低次元空間にマッピングすることで、モデルのデータリッチ構造を最大限に活用しながら、意味のある比較のパフォーマンスを得られます。- 主成分分析を使用して生成された統計モデル内の全体的なネットワークダイナミクスを表すグループ間の比較のためのメジャーを導出します。実装NetworkAnalysis_Demonstration例については、NetworkAnalysis_Demonstration.m および補足図 7を参照してください。
- 上記と同様に、ペアワイズコヘレンスメジャーの共分散行列を構築します。これにより、 の次元共分散構造が生成されます。したがって、このモデルは非常に高次元であり、上記で概説したように、高レベルのネットワーク関係を視覚化することができます。
- 共分散行列を固有ベクトルおよび対応する固有値に分解します。これにより、既存のメジャーによって制限されることなく、最大分散を含むモデル フィーチャ空間内の軸を識別できます。
- 対応する固有値で固有ベクトルをランク付けし、モデル内の分散の最大比率を考慮して識別します。
- ネットワーク モデルから派生した最初の主コンポーネントを比較します。実装NetworkAnalysis_Demonstration例については、NetworkAnalysis_Demonstration.m および補足図 7を参照してください。
注:最初の主成分は、モデル内の分散の最大度を占めます。したがって、このメジャーの比較により、単一の統計検定を使用してグループ間でモデル全体のネットワークダイナミクスを比較できるため、モデル化される複雑な関係を同時に分析し、回避することができます。多くの比較に関連する問題。
- 主成分分析を使用して生成された統計モデル内の全体的なネットワークダイナミクスを表すグループ間の比較のためのメジャーを導出します。実装NetworkAnalysis_Demonstration例については、NetworkAnalysis_Demonstration.m および補足図 7を参照してください。
- 対象地域分析を実行します。派生モデルは、すべての周波数帯域にわたる皮質全体のネットワーク接続を表します。特定の解剖学的領域または特定のバンド内の関数に関心がある場合、モデルのこれらの領域を分離して分析できます。
- 対象の解剖学的領域を選択します。
注:分析を特定の解剖学的領域に制限すると、モデル全体の分析で明らかでない可能性のある関係を特定するために、特定の皮質領域内または間のネットワーク活動を評価することができます。- 対象の解剖学的領域に関連するモデル内の一貫性データを特定します。
- 共分散行列を導出し、上記のように主成分分析を実行して、対象地域内の全体的なネットワーク アーキテクチャのメジャーを計算します。
- 上記で概説したように、グループ間の目的の解剖学的領域内のネットワークダイナミクスの測定値を比較します。
- 対象の機能領域を選択します。
注:分析を特定の周波数帯域に制限することで、特定の振動周波数内のネットワークアクティビティを評価できます(図4)。- 解剖学的解析と同様に、目的の周波数帯域内のコヘレンスデータを分離します。実装の例については、NetworkAnalysis_Demonstration.m および補足図 8を参照してください。
- 主成分分析を実行して、関心のあるバンド内の全体的なネットワークアクティビティの測定値を導き出します。
- グループ間のメジャーを比較して、特定の振動周波数でのネットワークの違いを評価します。
- 対象の解剖学的領域を選択します。
- 機械学習を使用します。
注:最新の統計的学習アプローチは、生成されたモデルに適用して、その中で表される高レベルの関係をさらに問い合わせることができます。- 教師あり学習を使用します。
注:定義済みのクラスを持つデータを使用して、皮質ネットワークのモデルを使用して、新しいデータを分類するモデルによって表される複雑な関係内のシグネチャを識別するために使用できる分類子を導き出し、調査の可能性を開くことができます。新規診断・予後バイオマーカーなどさらに、モデル内のどの機能がこれらの分類を駆動し、基礎となるメカニズムに関する洞察を得るために、調査することができます。- 分類子を派生させます。事前ラベル付きデータを使用すると、分類子を派生して、ネットワーク モデルに基づいて一連のデータのクラスを予測できます。
- トレーニング用の一連のサブジェクト データと分類子をテストするためのセットにデータを分割します。
- ラベル付きトレーニング データ上のサポート ベクター マシンやランダム フォレストなどの分類アルゴリズムをトレーニングします。
- テスト データでモデルトレーニング済みの分類子のパフォーマンスを評価します。
注:これらのアプローチにより、統計モデルを入力として使用して新しいバイオマーカーを導き出します。
- 順次除去を実行します。
注:モデルを使用して分類子をトレーニングすることで、データを繰り返し削除し、トレーニング プロセスを繰り返して、モデルのどのコンポーネントが予測能力を駆動しているかを識別し、基になるメカニズムの調査を可能にします。- 上記のように、モデル上の分類子をトレーニングします。
- グループ間の変動性が最も低いモデル フィーチャーを削除します。
- トレーニング プロセスを繰り返し、パフォーマンスを評価します。
- パフォーマンスに最も寄与する機能が特定されるまで、反復機能の削除を繰り返します。これらは、クラスを区別する機能を担当するモデル コンポーネントです。
- 分類子を派生させます。事前ラベル付きデータを使用すると、分類子を派生して、ネットワーク モデルに基づいて一連のデータのクラスを予測できます。
-
教師なし学習を実行します。
注:モデルを単独で使用すると、調査対象のグループに洞察を得ることができます。記録間の関係に基づいてデータを高次元構造としてモデル化することにより、個々の記録のレベルでは見られなかったグループ間の関係が明らかになる場合があります。クラスタリング アルゴリズムなどの教師なし手法を使用すると、定義済みのクラスによって制限されることなく、モデル内のリレーションシップを調査できます。- ユークリッド距離などの距離メトリックを使用して、ネットワーク モデルで定義された空間内の被験者間の距離の測定値を計算します。実装の例については、NetworkAnalysis_Demonstration.m および補足図 9を参照してください。
- k-nearest 近傍などのクラスタリング アルゴリズムを使用して、モデル パラメータに基づいてデータ内のグループを識別します (図 5)。
- 上記の順次消去手順を使用してこの手順を繰り返し、個々のフィーチャがモデル内のグループ化にどのように寄与するかを調べます。
注:これにより、派生モデルを使用して、それ以外では明らかではなかったデータ内のグループを識別できます。これにより、ネットワークレベルでのみ明らかな疾患サブタイプ、病理学的グループ等の導出が可能になる場合があります。
- 教師あり学習を使用します。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
スペクトルパワーの測定値は、測定された周波数帯域ごとにn測定値を生成し、nは記録されたチャンネル数です。これらの措置は、全体的な電力のためにデシベルになります。個々の周波数帯域内の電力の測定値は、グループと条件の間で正確な比較を可能にするために、相対電力(すなわち、その帯域内の電力で表される全体的な電力の割合)として表す必要があります。
複数のバンドおよび記録されたチャネルにわたるスペクトルパワーの可視化の例を図2に示します。スペクトルパワーは頭皮全体に補間して可視化できるため、活動の「ソース」の推定を制限できます。
電極間コヘランス対策は、固有の電極対(すなわち、nは記録されたチャンネル数)ごとに尺度を生成する。これらのメジャーはそれぞれ 0 ~ 1 で、0 はレコーディング間の一貫性を表せず、1 は録音間の完全な一貫性を表します。これは、あるエリアのアクティビティが別のエリアのアクティビティに応じて変化する範囲の尺度であり、相互作用とタイムラグの方向の違いを可能にします。コファーレンスの値が大きいほど、領域間の相互作用が示唆され、そこから記録された領域が相互に通信していることが明らかになります。すべての一意の電極対間の相互作用を測定することにより、記録されたチャネルがどのように相互作用しているかの統計マップを構築することができます。これにより、従来の方法のように、個々の領域に焦点を当てるのではなく、エリアがどのように通信しているかを調査できます。8電極モンタージュのコハーンジェンス対策の可視化の例を図3に示す。
これらの一貫性測定は、大量のデータを迅速に生成し、個々の統計テストを使用して各メジャーを分析することは不可能な戦略になります。さらに、皮質ネットワーク全体の相互作用を考慮する場合、個々の相互作用を調査することは必ずしも興味深くも意味のあるものでもありしません。主成分分析などの次元削減技術により、これらの統計構造からの測定値の評価を可能にし、従来の統計手法を用いてネットワーク全体のダイナミクスを比較しやすくします。機械学習技術を使用した分類子ベースのメソッドは、これらの高次元データ構造を統合してデータを分類し、結果を予測するための追加の有望な手段を提供します。
高次ネットワークダイナミクスの可視化により、主成分分析または分類子ベースの手法によって比較される相互作用の種類を認識できます。これは、電極対の電極間コヘレンス測定の共分散測定のカラーマッピングを用いて達成することができる。これは、ある電極対のコハーレンス測定が別の対のコハーンデンスの変化にどのように関連しているかを評価し、より広範なネットワーク相互作用と皮質全体の活性の統合を示唆する。これにより、従来のメジャーでは不可能な方法で領域がどのように相互作用しているかを視覚化できます。この手法を使用して作成できる高次元ネットワーク マップの例を図 4に示します。これは、標準を使用して統計的に有意な差がなかった皮質機能に影響を与える神経精神障害の異なる臨床表現型を有する2つの被験者間のネットワークマッピングに明らかな違いを示す分析方法。
図 1: データ分析パイプラインの概略図生データの作成と関心のあるメジャーの抽出における主要なステップの概要。この図の大きなバージョンを表示するには、ここをクリックしてください。
図2:スペクトルパワー測定の代表的なマトリックス各列は電極位置を表し、各行は対象の周波数帯域を表します。セル色強度は、対応する電極位置における対応する周波数の相対電力の値を表す。n x fメジャーを生成し、nは使用される記録電極の数、fは対象の周波数帯域の数を生成します。この図の大きなバージョンを表示するには、ここをクリックしてください。
図3:電極間コヘランス対策の代表的なマトリックス各行と各列は、電極の位置を表します。セル色強度は、対応する電極対間の電極間コヘランスの値を表す。対象となる周波数帯域ごとにメジャーを生成します。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図4:高次ネットワークダイナミクスの代表的な可視化、神経精神障害の2つの表現型を比較する。各行と各列は、一意の電極ペアを表します。セル色強度は、対応する電極対間の共分散の値を表す。目的の周波数帯域ごとにメジャーを生成します。 (A) 皮質ネットワーク内の周波数内相互作用と非周波数相互作用の両方を示し、 (B) は、全体的なパワースペクトル内のネットワークダイナミクスに焦点を当てた関心のある分析領域を視覚化します。この図の大きなバージョンを表示するには、ここをクリックしてください。
図 5: 教師なしクラスタリング アルゴリズムの代表的な視覚化明らかによく一致した神経精神障害を有する患者のグループでは、モデルデータのみに基づくクラスタリングは、標準的な分析では明らかではなかった集団内のグループを同定した。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 1: スクリーンショットは、脳波データのエポエイジングを示しています。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 2: スクリーンショットは、基本的な前処理手順を示しています。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 3: スクリーンショットは、対象の周波数のフィルタリングを示しています。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 4: チャネルスペクトルの計算と個々のバンド内のデータの分離この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図5:各電極対のコハーンス測定値を算出する。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 6: 派生メジャーをカラー マップとビジュアライゼーションにマッピングする図 3 と図 4 に出力例を示します。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図7:共分散行列の構築、主成分分析の実行、主成分に基づくグループの比較この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 8: データのサブセットを分離することによって関心のある特定の領域の分析。この図の大きなバージョンを表示するには、ここをクリックしてください。
補足図 9: 距離メトリックの派生とクラスタリング アルゴリズムの使用は、教師なし学習手法を使用してグループを識別します。この図の大きなバージョンを表示するには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
記載された方法は、非侵襲的な脳波データからの皮質ネットワークダイナミクスの統計マップの導出を可能にする。これにより、記録された地域が相互にどのように相互作用しているかを評価し、個々の場所で何が起こっているかを評価するのではなく、単純な時系列データの検査で容易に明らかにされていない現象の調査が可能になります。分離。これは、疾患病理学18に関する重要な洞察を明らかにすることができる。
この方法の重要な側面は、データ品質の確保です。データが有意義な結果を生み出すのに十分な高品質を確保するには、厳格なデータ評価、アーティファクト拒否、および前処理が必要です。使用されるデータが適切な品質である場合、フィーチャ抽出コンポーネントを簡単に変更して、対象地域のみのネットワークインタラクション、または任意の周波数制限内でのネットワークインタラクションのモデル化、および複雑な相互作用のモデリングを容易に行うことができます。特定の領域と周波数帯域。
このアプローチは、生成された結果の高次元性によって制限され、多くのチャネルを使用すると、大量のデータが急速に生成される可能性があります。これにより、生の結果の解釈可能性が制限され、計算時間が長くなる可能性があります。したがって、主成分分析23などの次元還元技術を用いることは、膨大な数の統計的検定を行うことなく、グループ間で有意義な統計的比較を行うことが可能となる必要がある。さらに、作成された高次元ネットワークマップを使用して意思決定を支援するには、機械学習分類器を使用して大量のデータを統合する必要がある場合があります。単一のメジャー24に .
このアプローチは、生の脳波時系列よりもネットワークダイナミクスの変化を調査する能力がはるかに大きく、また、アクセシビリティの容易さ、コスト、およびより大きな時間を含む機能的MRIなどのイメージング技術に比べて大きな利点を提供します解像 度。神経疾患のサブタイピング、治療応答の予測、疾患予後予測に対する今後の応用により、現在の臨床脳波技術の臨床的有用性を向上させることで、その可能性を大きく広げる可能性を提供する。データ分析方法。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者たちは何も開示する必要はない。
Acknowledgments
この原稿の出版は、DTに対するSFIフューチャーネロ出資の調査員助成金によって部分的に支持されています。
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 |
References
- Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
- Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
- Nunez, P., Srinivasan, R. Electric Fields of the Brain: The Neurophysics of EEG. , Oxford University Press. (2006).
- Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).
- Lin, E., Alessio, A. What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT? Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).
- Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
- Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
- Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. Independent component analysis of electroencephalographic data. Advances in neural information processing systems. 8, MIT Press. Cambridge, MA. 145-151 (1996).
- Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
- Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics. Journal of Neuroscience Methods. 166 (1), 41-52 (2007).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
- Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
- Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
- Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
- Hesse, W., Möller, E., Arnold, M., Schack, B. The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies. Journal of Neuroscience Methods. 124, 27-44 (2003).
- Nunez, P. L., et al. EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales. Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).
- Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
- Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333 (2018).
- Peters, J. M., et al. Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity. BMC Medicine. 11, 54 (2013).
- Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
- Zhang, H., et al. Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment. Journal of Alzheimer's Disease. 54, 1095-1112 (2016).
- Delorme, A., Scott, M. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134, 1 (2004).
- Calabrese, B. Encyclopedia of Bioinformatics and Computational Biology. , Elsevier. (2019).
- Colic, S., et al. Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice. Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).