Waiting
Elaborazione accesso...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

비침습적 뇌전도를 이용한 피질 연결의 통계적 모델링

Published: November 1, 2019 doi: 10.3791/60249
Automatic Translation
1, 2, 2, 3
1University Hospital Limerick, 2Tuscany Rett Center, Ospedale Versilia, 3Neuropsychiatric Genetics, Trinity Centre for Health Sciences, St. James Hospital

Summary

표준 뇌파 분석 기술은 신경계 기능에 대한 제한된 통찰력을 제공합니다. 피질 연결의 통계 모델을 도출하면 기본 네트워크 역학을 조사할 수 있는 훨씬 더 큰 기능을 제공합니다. 향상된 기능 평가는 신경계 질병에 있는 진단, 예후 및 결과 예측을 위한 새로운 가능성을 엽니다.

Abstract

비침습적 전기생리학적 기록은 신경계 기능의 평가에 유용하다. 이러한 기술은 이미징보다 저렴하고 빠르며 복제가 용이하며 리소스 집약적입니다. 또한, 생성된 기능적 데이터는 구조적 이미징으로는 달성할 수 없는 우수한 시간적 해상도를 가지고 있습니다.

뇌전도(EEG)의 현재 응용은 데이터 처리 방법에 의해 제한됩니다. 개별 채널에서 원시 열주체 데이터를 사용하는 표준 분석 기술은 신경계 활동을 심문하는 매우 제한된 방법입니다. 피질 기능에 대한 자세한 정보는 채널 간의 관계를 검사하고 영역이 상호 작용하는 방식에 대한 통계 모델을 도출하여 네트워크 간 연결을 시각화할 수 있도록 하여 얻을 수 있습니다.

이 원고는 EEG를 표준 방식으로 기록한 다음 기록된 영역 간의 관계를 평가하기 위해 전극 간 일관성 측정을 검토하여 피질 네트워크 활동의 통계 모델을 도출하는 방법을 설명합니다. 더 높은 차수 상호 작용은 네트워크 상호 작용의 고차원 "지도"를 생성, 일관성 쌍 사이의 공변을 평가하여 추가로 검사 할 수 있습니다. 이러한 데이터 구문은 피질 네트워크 기능과 전통적인 기술로는 달성 할 수없는 방법으로 병리학과의 관계를 평가하기 위해 검사 할 수 있습니다.

이 접근 방식은 원시 열주계 분석을 통해 달성할 수 있는 것보다 네트워크 수준 상호 작용에 더 큰 민감도를 제공합니다. 그러나 기본 신경 인구와 생성된 대량의 데이터에 대한 특정 기계론적 결론을 도출하는 복잡성에 의해 제한되며, 차원을 포함한 평가를 위한 보다 진보된 통계 기술이 필요합니다. 감소 및 분류기 기반 접근 방식.

Introduction

이 방법은 임상적으로 실행 가능한 설정을 사용하여 비 침습적 전극 기록을 기반으로 피질 네트워크의 통계지도를 생성하는 것을 목표로, 신경계 병리학의 조사를 허용, 새로운 치료의 영향, 그리고 소설의 개발 전기 생리학적 바이오마커.

뇌파는 신경계 기능 및 질병1,2의조사에 큰 잠재력을 제공합니다. 이 기술은 저렴 하 고, 연구 및 임상 설정에서 쉽게 사용할 수, 그리고 일반적으로 잘 용납. 기록의 간단하고 비침습적 특성으로 인해 임상 사용이 간단해지 않으며 임상 EEG 부서의 기존 프레임워크를 통해 임상의를 위한 기술에 쉽게 액세스할 수 있습니다.

기술적 관점에서, EEG는 우수한 시간 도메인해상도를제공합니다 3 . 이것은 신경계 상호 작용 및 네트워크 역학의 급속한 기간 때문에 신경계 기능을 조사할 때 매우 중요합니다. 기능성 MRI와 같은 이미징 방법은 더 큰 공간 해상도와 쉽게 해석 가능한 이미지를 제공하지만, 전기 생리학적 기록에서 제공하는 미세한 시간 척도에서 신경계 기능을 심문하는 능력이 훨씬 더 제한적입니다. 4,5,6.

신경계 질병의 진단, 치료 및 예후를 알리기 위해 신경계 기능을 심문하는 능력에 대한 필요성이 증가하고 있습니다. 신경계 병리학에서 피질 네트워크 역학의 역할은 점점 더인식7. 신경계의 많은 병리는 전통적인 화상 진찰로 보이는 거시적인 구조적인 병변을 일으키지 않습니다, 그러나 네트워크 수준에서 생성된 이상은 적당한 기능적인 분석 방법으로 명백할 지도 모릅니다.

불행히도, 현재의 EEG 분석 방법은 이점에서 크게 제한된다. 기존의 방법은 개별 전극에서 간단한 열열 데이터의 분석을 포함한다. 이러한 신호는 큰 피질영역에서필드 전위3,8의합계를 나타냅니다. 육안 검사 또는 간단한 통계 방법을 사용하여 개별 채널의 데이터를 격리하여 분석하면 이러한 기록의 유용성이 개별 개별 위치에서 총 전기 생리학적 이상을 감지하는 데 제한이 있습니다. 신경계 기능 및 병리학에 대한 네트워크 수준의 효과의 중요성에 대한 인식이 증가함에 따라 이러한 간단한 분석 방법은 신호 간의 미묘한 관계를 감지하지 못한다는 점에서 명확히 결핍되어 있습니다. 네트워크 수준에서 피질 영역이 서로 상호 작용하는 방식의 이상.

저차원 전극 기록에서 피질 네트워크 연결의 통계지도를 도출하는 방법이 입증되었습니다. 이 방법을 사용하면 전통적인 분석 기법으로는 불가능한 방식으로 다양한 뇌 영역 간의 상호 작용역학을 조사할 수 있으며 이러한 네트워크 상호 작용의 시각화도 가능합니다. 이렇게 하면 이전에는 불가능했던 방식으로 높은 시간 도메인 해상도에서 네트워크 수준 효과를 비침습적으로 조사할 수 있습니다. 이 방법은 전극 간 일관성 의 측정의 파생에 기초9,10. 이러한 측정값을 통해 이러한 영역의 기록 간의 통계적 관계를 평가하여 기록된 두 영역이 상호 작용하는 방식을 조사할 수있습니다 11. 각 기록 된 영역이 다른 모든 기록 된 영역과 상호 작용하는 방법을 평가함으로써 기록 된 영역 내의 전기 생리 학적 네트워크의 통계지도를 만들 수 있습니다. 이를 통해 개별 채널 데이터를 격리하여 평가할 때 명백하지 않은 기능 관계를 검색할 수 있습니다.

이 원고의 초점은 신경 시간시리즈에 일관성을 사용하는 것입니다. 현재, 피질 연결의 모델을 파생하기 위해 쌍으로 방식으로 채널에 적용 할 수있는 시계열 데이터 사이의 관계를 조사하기위한 여러 가지 기술이 있습니다. 관련 부분 지향일관성(12,13)과같은 일부 방법은 기본 네트워크의 구조를 더 잘 특성화하기 위해 조사된 신호 쌍의 영향 방향을 추론하는 것을 목표로 하고, 다른 그랜저 인과 관계14,15와같은 방법은 한 신호의 기능을 통해 다른 신호의 데이터를 예측하는 기능을 통해 기능적 관계를 추론하려고 시도합니다. 이와 같은 방법은 피질 네트워크의 고차원 모델을 생성하는 유사한 방법으로 적용될 수 있다. 그러나, 신경 신호 간의 관계를 조사 하는 수단으로 일관성의 장점은 가정의 부족에 있다. 이러한 관계의 기능적 기초에 대한 진술을 하지 않고 두 사이트의 기록 간의 통계적 관계를 조사하고 순전히 통계적 관계를 기반으로 피질 연결 모델을 구축할 수 있습니다. 이러한 신호를 생성하는 피질 네트워크에 대한 최소한의 가정.

이러한 측정의 순수한 수학적 특성으로 인해 두피에서의 전극 기록의 일관성 측정과 기본 신경 활성 사이의 관계는16,17에복잡하다. 이러한 방법을 통해 비교를 위해 전극 기록 간의 관계를 설명하는 통계 적 구문의 유도를 허용하지만, 특정 기본 신경 집단의 활동에 대한 직접적인 인과 적 추론을 하는 것은 아닙니다. 직함3,8,16,17. 이러한 접근법은 잠재적으로 유용한 바이오마커를 식별하기 위해 그룹 간의 네트워크 수준 활성의 비교를 허용하지만 특정 신경 메커니즘에 대한 이러한 마커의 관계에 관한 구체적인 결론을 도출하는 측면에서 제한적입니다. 이는 기록된 활성3에영향을 미치는 많은 수의 혼란 요인뿐만 아니라 두피8의수준에서 기록된 전기 신호의 특정 피질 공급원을 추정하는 문제 때문입니다. 오히려, 이러한 접근법은 네트워크 수준18에 차이가 존재한다는 것을 결정하기 위해 그룹 간에 심문및 비교될 수 있는 활동의 통계적 모델을 생성할 수 있으며, 이를 기반으로 새로운 바이오마커를 생산하는 데 활용될 수 있다. 구문을. 그러나, 이러한 방법만으로도 기본 시스템의 복잡성으로 인해 특정 메커니즘 및 신경 활동과 관련된 차이를 구별할 수 있는 제한된 용량이 있다.

일관성과 같은 네트워크 측정의 사용은 신경 과학16,17계에서잘 확립되어 있다. 피질 기능을 모델링하고 조사하기 위한 이러한 접근법의 잠재력은 이러한 고차원 데이터 구조의 악용 부족으로 제한되었습니다. 이 작품은 피질 영역의 전기 적 활동 사이의 통계적 관계에 순전히 기반의 고차원 기능 공간에 데이터를 매핑하기 위해 쌍으로 EEG 채널에 이러한 측정을 적용 할 수 있음을 보여줍니다. 또한, 현대 통계 기술을 사용하여, 모델링 과정에서 얻은 정보를 잃지 않고 이러한 모델을 조사하기 위해 피질 함수의 생성 된 모델을 사용할 수 있음을 보여줍니다.

이 방법은 기존 EEG 기술의 적용 범위를 확대하고, 기존 기록장비(18,19)에 적응할 필요 없이 유용한 기능적 측정을 도출하는 능력을 향상시키는 데 잠재적으로 유용하다. . 피질 기능을 모델링하고 이러한 모델을 심문하는 기능을 개선함으로써 EEG 데이터를 사용하여 조사 할 수있는 질문이 확장됩니다. 이는20,21의신경질환 조사를 위한 기능적 및 구조적 평가의 더 큰 통합가능성을 열어준다. 이미 임상적으로 널리 이용 가능한 기술을 사용하는 이 접근법은 높은 시간적 및 공간적 해상도를 가진 피질 병리학의 조사를 허용할 것입니다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

다음 의정서는 인간 연구를 위한 모든 지역, 국가 및 국제 윤리 지침에 따른다. 프로토콜을 테스트하는 데 사용되는 데이터는 지역 토스카나 프로토콜 2018SMIA112 SI-RE의 윤리위원회의 승인을 얻어 획득되었습니다.

참고: 설명된 분석을 구현하는 데 사용되는 스크립트는 https://github.com/conorkeogh/NetworkAnalysis 사용할 수 있습니다.

1. 원시 데이터 수집

  1. 주제 조건을 준비합니다.
    1. 레코딩 전반에 걸쳐 일관성을 유지하려면 전용 레코딩 환경에서 모든 EEG 레코딩을 수행합니다. 주의 산만을 피하기 위해 환경에서 기록하는 동안 수행할 작업과 직접적으로 관련이 없는 모든 장비 또는 자극을 제거합니다.
      참고: 휴지 상태 기록을 수행하려면 실내에서 산만의 모든 소스를 제거하고 녹화 세션 전에 피사체를 레코딩 환경에 노출하여 환경에서 참신함을 제거합니다.
    2. 수행할 작업에 대한 명확한 지침을 주체에게 제공합니다. 장비가 설정되면 피사체를 녹음 환경에 그대로 두어 녹음을 시작하기 전에 환경에 익숙해지므로 이동과 주의산만을 최소화할 수 있습니다.
    3. 피사체에 지적 장애가 있는 경우, 환경에 익숙해지는 데 필요한 시간을 허용하여 스트레스를 제한하십시오. 때로는 여러 번 방문하고 녹음실에서 장기 체류해야 할 수도 있습니다.
  2. 전극을 장착합니다.
    1. 올바른 정렬을 보장하기 위해 주의를 기울여 환자의 머리에 전극 캡을 부착하십시오. 전도성 겔을 각 전극 포트에 주입하여 두피에서 시작하여 캡 표면으로 천천히 인출하여 스케일과 전기적 접촉을 설정하고 신호 대 잡음 비율을 개선합니다.
    2. 10−20 시스템을 기반으로 소정의 전극 몽타주를 사용하여 전극 캡에 전극을 부착합니다. 적절한 접지 전극(예: 유동 공정)을 부착합니다.
  3. EEG를 설정합니다.
    1. 모든 전극을 전기 생리학적 기록 시스템에 연결합니다. 적절한 디지털 레코딩 환경과 레코딩 시스템을 연결합니다.
    2. 모든 레코딩 채널을 검사하여 오프셋이 적절한 범위 내에 있는지 확인하고 과도한 채널 소음을 방지합니다. 채널에 과도한 오프셋 또는 노이즈가 있는 경우 전기 연결을 개선하기 위해 추가 전도성 겔을 추가할 수 있으며, 전극 사이트 간의 브리징을 유발하지 않도록 주의해야 합니다.
    3. 녹음이 시작되었음을 피사체에 지시하고 불필요한 움직임을 모두 피하도록 지시합니다. 짧은 테스트 레코딩을 수행하여 적절한 레코딩 품질을 확인합니다.
  4. 기록할 동작 작업을 준비합니다.
    1. 주제와 함께 모든 작업 관련 지침을 명확히 합니다. 모든 불필요한 움직임을 피하는 것의 중요성을 되풀이한다.
    2. 녹음은 명확하게 합의된 신호(예: 녹음 환경 도어의 노크)에서 시작됩니다. 피사체를 레코딩 환경에 둡니다. 녹화를 시작합니다. 합의된 신호를 피사체에 지정합니다.
    3. 작업 또는 휴지 상태의 기간이 완료되면 기록을 중지하고 데이터를 시각적으로 검사하여 품질을 보장하고 데이터를 저장합니다.

2. 데이터 전처리

참고: 데이터 준비 및 기능 추출 파이프라인은 그림 1에나와 있습니다.

  1. 소프트웨어를 준비합니다.
    1. 분석할 EEG 데이터를 데이터 분석 환경으로 로드합니다. EEGLab22와같은 필요한 추가 스크립트 라이브러리를 로드합니다.
  2. 필요한 경우 모든 레코딩을 해당 위치에 있는 모든 채널을 사용하여 동일한 데이터 형식으로 변환합니다.
    1. 각 기록의 시작과 끝(예: 5분)을 폐기하여 이동 아티팩트의 오염을 줄입니다. 작업을 기반으로 데이터를 시대로 분할하거나 휴식 상태 기록인 경우 미리 정해진 기간(예: 10분)으로 분할합니다. 구현 데모는 NetworkAnalysis_Demonstration(기능 추출 섹션) 및 추가 그림 1을 참조하십시오.
      참고: 획기적인 길이를 선택하면 일관성 측정에 중요한 영향을 미칠 수 있습니다. 충분한 길이의 에포크는 신호 간의 진정한 관계가 계산에서 나타나과도한 가중치를 갖는 눈에 띄지 않는 아티팩트 또는 과도, 스퓨리어스 동기화를 피하기 위해 사용되어야 합니다. 그러나 이 작업에서는 철저한 아티팩트 거부 후 10분 의 평균 10분 시대와 비교했을 때 전체 네트워크 구조에 통계적으로 유의한 차이가 없었습니다.
  3. 획기적인 데이터를 시각적으로 검사하고 시각적으로 적합하지 않은 데이터를 거부하여 아티팩트 거부를 수행합니다.
    참고:     설명된 모델링 기술은 신호 간의 관계에 의존하므로 아티팩트를 철저히 거부하는 것이 중요합니다. 이러한 채널 데이터가 손상되어 인위적인 증가(아티팩트가 여러 채널에 표시되는 경우) 일관성 측정값의 감소(아티팩트가 일부 채널에서만 표시되는 경우)로 이어질 수 있습니다.
    1. 레코딩에서 잘못된 채널을 식별합니다.
      1. 0.5Hz의 하이 패스 필터 데이터를 통해 수집 시스템의 부동 접지로 인한 기준 선도 를 제거합니다.
      2. 적절한 통계 기준을 충족하는 모든 채널(예: 표준 편차가 평균 채널 표준 편차의 3배 이상 또는 3분의 1 미만인 채널)을 선택합니다.
        참고: 신경망에서 유래할 가능성이 없는 데이터로 채널을 제거하면 네트워크 모델에 스퓨리어스 관계가 유입되는 것을 방지할 수 있습니다.
      3. 이러한 채널을 검사하여 적합한지 확인합니다.
      4. 가능하면 부적절한 채널로 시대를 거부하십시오. 또는 불량 채널을 제외하고 이러한 채널에서 데이터를 보간합니다(예: EEGLab의 스프라인 보간 알고리즘 사용).
        참고: 많은 수의 채널에서 보간하거나 적은 수의 기록 채널만 으로 보간을 사용하면 분석에 적합하지 않은 데이터가 생성될 수 있습니다. 또한 데이터 집합에 새로운 정보가 도입되지 않으며 보간된 신호와 파생되는 신호 간의 일관성 측정이 인위적으로 높아질 수 있습니다.
    2. 나머지 에보치에 대한 독립적인 성분 분석을 수행합니다(예: EEGLab의 ICA 함수 사용). 파생 된 구성 요소를 시각적으로 검사 하 고 시각적으로 부적합 한 데이터를 거부 합니다.
    3. 적절한 통계 임계값을 적용하여 육안 검사에서 즉시 명확하지 않은 잠재적인 아티팩트를 식별합니다(예: 극단적인 값 또는 비정상적인 스펙트럼에 따라). 이러한 사항을 검사하고 거부가 적절한지 확인합니다.
    4. 생존 시대에 독립적인 구성 요소 분석 및 아티팩트 식별을 반복합니다.
    5. 추가 분석을 위해 저장할 데이터 시대를 식별합니다. 거부된 모든 데이터 시대를 폐기합니다. 추가 분석을 위해 앞으로 나아갈 모든 시기를 식별합니다.
      참고: 주제당 하나의 에보만 필요한 경우 추가 분석을 위해 가장 적합한 첫 번째 시기를 선택합니다.
  4. 데이터를 준비하려면 레코딩에서 모든 채널의 평균을 빼서 장시간 레코딩 중에 베이스라인 방황의 영향을 피하여 레코딩의 기준선을 수정합니다. 모든 채널을 적절한 참조(예: 접지 전극 또는 모든 채널의 평균)로 다시 참조합니다. 구현 예는 NetworkAnalysis_Demonstration, NetworkAnalysis_Preprocess 및 추가 그림 2를 참조하십시오.
    참고:     참조 선택은 네트워크 측정값에 중요한 영향을 미칠 수 있습니다. 참조 데이터가 분석된 모든 채널에서 "빼기"되므로 참조 채널에 표시되는 모든 신경 데이터가 빼서 모델 생성에 기여하지 않습니다. 유배 과정과 같은 근본적인 신경 구조없이 뼈 가루위에 기록 된 참조 신호를 사용하는 것이 일반적입니다. 그러나, 이들은 두피를 통해 부피 전도 효과로 인해 신경 데이터에 의해 손상될 수 있으므로 참조에 비해 위치에 따라 네트워크 측정을 다르게 왜곡할 수 있습니다. 결과적으로, 휴식 상태 데이터의 경우 모든 두피 채널의 평균을 참조로 사용하는 것이 가장 좋습니다. 즉, 모든 채널이 참조에 기여하기 때문에 모든 데이터가 특정 공간 위치를 기준으로 참조되지 않고 측정값이 왜곡됩니다. 이는 명백한 전체 활동을 약화시키는 등의 효과를 가질 수 있으며 일부 채널에서 매우 강하게 표현되는 신호를 빼서 측정값을 왜곡할 수 있으므로 평균에 크게 기여할 수 있습니다. 이는 활동 및 이벤트 관련 신호에 더 큰 문제이지만 일반적으로 휴지 상태 데이터의 경우는 아닙니다.
    1. 모든 채널을 디지털 방식으로 필터링하여 관심 주파수(예: 1Hz-50Hz)를 분리합니다. 구현 예제는 NetworkAnalysis_Demonstration, NetworkAnalysis_Preprocess 및 추가 그림 3을 참조하십시오.
      참고: 검사된 범위 및 별칭 효과의 극단에서 주파수왜곡을 방지하기 위해 의도된 해석에 적합한 주파수 제한 및 필터 매개변수를 사용해야 합니다. 제로 위상 이동 4차-순서 버터 워스 필터는 적절하게 수행됩니다. 적절한 필터링을 통해 관심 있는 활동이 모델링을 위해 격리되도록 합니다. 넓은 범위(예: 1Hz-50Hz)에서도 고주파 아티팩트와 저주파 베이스라인 방황이 채널 간의 일관된 것으로 해석되지 않고 왜곡된 측정값으로 해석되지 않습니다.

3. 기능 추출

  1. 스펙트럼 전력을 평가합니다.
    1. 평가할 전체 주파수 범위에서 분석되는 각 채널의 푸리에 변환을 수행하여 전체 전력 스펙트럼을 계산합니다(예: 1Hz-50Hz).
    2. 개별 주파수 대역의 활성 평가: 세타 대역을 4Hz-8Hz에서 분리. 8Hz-12Hz에서 알파 대역을 분리. 베타 대역을 12Hz-30 Hz에서 격리. , 30-50 Hz). 주파수 대역의 스펙트럼 유도 및 격리 구현에 대한 예는 NetworkAnalysis_Demonstration, NetworkAnalysis_FeatureExtraction 및 보충 그림 4를 참조하십시오.
      참고: EEG 데이터는 전통적으로 조사를 위해 주파수 "대역"으로 나뉩니다. 이러한 이름은 주로 검색된 순서에 따라 지정되며 특정 대역폭은 다소 다릅니다. 특정 주파수에서 진동의 기능적 중요성은 활성 조사의 영역으로 남아 있습니다. 특정 대역 내의 진동은 신경 기능과 사이의 정확한 관계이지만 눈을 감고 후두 부위의 높은 진폭 알파 파의 출현과 같은 특정 신경 활동과 관련이있을 수 있다고 생각됩니다. EEG 기록의 진동 활동은 불분명합니다.
    3. 개별 채널 스펙트럼의 평균을 계산하여 두피 전체의 전체 전력을 평가합니다. 전체 전력에 대해 개별 밴드의 전력을 정규화하여 상대전력을 측정하고 조건 간 보다 정확한 비교를 허용합니다.
  2. 네트워크 매핑을 수행합니다.
    1. 전극 간 일관성의 측정값을 도출하여 첫 번째 전극 쌍 간의 상호 작용을 평가합니다.

      구현 예제는 NetworkAnalysis_Demonstration, NetworkAnalysis_FeatureExtraction 및 추가 그림 5를 참조하십시오.
      1. 두 채널의 교차 스펙트럼 계산:
        1. 각 신호, X 및 Y의 푸리에 변환 계산
        2. 교차 스펙트럼 계산:

          여기서: t는 샘플링 간격이고, T는 기록 길이이고, X는 x의푸리에 변환이고 Y *는 Y의복잡한 컨쥬게이트입니다.
        3. 음수 주파수를 무시하고 올바른 측정값을 지정합니다. 컴퓨터 주파수 축의 후반부는 실제 값 신호의 경우 무시할 수 있으며, 전원 측정값에 이를 수정하기 위해 2를 곱합니다.
          참고: 이는 x와 y의상호 상관관계의 푸리에 변환과 동일합니다.
      2. 두 채널의 전력 스펙트럼에 따라 교차 스펙트럼을 정규화합니다.
        1. 각 신호의 푸리에 변환 계산:
        2. 전력 스펙트럼 계산:

          여기서: t는 샘플링 간격이고, T는 기록 길이이고, X는 x의푸리에 변환이고 X *는 X의복잡한 컨쥬게이트입니다.
        3. 음의 주파수와 올바른 측정을 무시: 컴퓨터 주파수 축의 두 번째 절반은 실제 값 신호의 경우 무시할 수 있으며, 전원 측정값에 이값을 수정하기 위해 두 배곱할 수 있습니다.
        4. 계산된 전력 스펙트럼을 사용하여 교차 스펙트럼을 정규화하고 일관성 측정값을 도출합니다.

          참고: 이렇게 하면 주파수에서 신호 x와 y 사이의 일관성을 측정하는 C가생성됩니다. 이는 0에서 1까지의 척도로 측정된 검사된 주파수에서 이러한 신호 간의 관계를 측정한 값입니다. 모든 시점에서 검사되는 두 신호 간의 일정한 위상 관계가 있는 경우, 일관성은 1의 값을 가지며, 이는 해당 주파수에서 신호 간의 강한 관계를 나타내며, 이는 하나의 신호의 활동이 기능적으로 존재함을 의미합니다. 다른 활동의 활동과 관련이 있습니다(즉, 둘 사이에 통신이 있음). 두 신호 사이에 위상 관계가 없는 경우 일관성은 0값을 가지며 신호가 관련되지 않음을 나타냅니다.
    2. 각 고유 의 전극 쌍에 대해 이 절차를 반복하여 각 전극 쌍의 신호 간의 위상 안정성 측정값을 개발하여 모든 전극에 걸쳐 기능적 연결 모델을 구축합니다.
      참고: n 전극의 몽타주에 대 한, 이것은 일관성 측정을 생성 합니다. 이는 기록된 신호 간의 관계를 기반으로 측정된 열렬 데이터를 고차원 평면에 매핑하여 이러한 상호 작용의 특성을 조사할 수 있도록 합니다.

4. 데이터 시각화

  1. 스펙트럼 전력 분석을 수행합니다.
    1. 전원 행렬을 검사합니다.
      1. 각 컬럼이 전극 위치이고, 각 행이 주파수 대역이고, 각 셀이 해당 대역 내의 스펙트럼 전력인 2차원 데이터 구조에 시각화할 스펙트럼 전력의 측정값을 매핑합니다.
      2. 비교할 모든 조건에서 최대 및 최소 전력 레벨을 식별합니다. 모든 조건에 대해 최대 및 최소값으로 설정합니다. 식별된 최대 값과 최소값 사이의 스펙트럼 전력 값을 색상에 매핑합니다. 각 전극 위치에서 각 주파수 대역에서 스펙트럼 전력을 시각화하는 컬러맵을내보냅니다(그림 2).
    2. 지형 매핑을 수행합니다.
      1. 매핑될 데이터 구조에 해당하는 순서로 사용되는 10-20개의 시스템 전극 위치 각각의 레이블을 포함하는 데이터 구조를 작성합니다. EEGLab의 토포플로트(topoplot() 함수를 사용하여 스펙트럼 전력 데이터, 식별된 최대 및 최소 값 및 채널 목록을 사용하여 두피에 걸쳐 스펙트럼 전력의 분포를 매핑하는 플롯을 생성합니다.
  2. 일관성을 평가합니다.
    1. 일관성 행렬을 검사합니다.
      1. 각 컬럼이 전극 위치인 2차원 데이터 구조상에 시각화될 전극 일관성의 측정을 매핑하고, 각 행은 전극 위치이고, 각 셀은 해당 전극 쌍 사이의 일관성이다.
      2. 0에서 1 사이의 일관성 값을 색상으로 매핑합니다. 사용된 주파수 한계 내에서 각 전극 쌍 간의 전극 간 일관성을 시각화하는 색상 맵을 내보냅니다(그림3). 조사할 각 주파수 대역에 대해 이 절차를 반복합니다. 구현 예제는 추가 그림 6 및 produce_plots.r을 참조하십시오. 예제 출력은 그림 3을 참조하십시오.
    2. 네트워크 시각화를 수행합니다.
      1. 피질 영역 간의 고차 상호 작용을 시각화하고 네트워크 역학을 매핑하려면 각 전극 쌍의 일관성이 전체 스펙트럼 및 특정 대역 내에서 다른 모든 고유 전극 쌍의 코바리를 측정하는 방법을 계산합니다.
      2. 이러한 공분산 측정값을 색상에 매핑합니다. 주파수 대역 내 및 전체 네트워크 역학을 시각화하는 색상 맵을 내보냅니다. 구현 의 예는 produce_plots.r을 참조하십시오. 예를 들어 출력은 그림 4를 참조하십시오.

5. 네트워크 모델 분석

참고: 파생된 모델에 현대 통계 적 방법을 적용하면 고차원 네트워크 기능 공간에서 모델링 된 관계를 활용하여 피질 기능을 조사 할 수 있습니다. 개별 측정값의 전통적인 비교 또는 일관성 측정의 평균에 비해 이점을 제공하는 여러 가지 접근 방식을 취할 수 있습니다. 이러한 네트워크 모델이 용이하게 하는 잠재적인 접근 방식 중 일부는 아래에 설명되어 있습니다. 각 기술에 대한 철저한 논의가 본 작업의 범위를 벗어나기 때문에 이러한 방법은 네트워크 모델링의 잠재적 응용 을 나타내는 것으로만 표면적으로 논의됩니다.

  1. 차원 감소를 수행합니다.
    참고:     개별 변수 수준에서의 비교는 생성된 모델로 표시되는 관계를 활용하지 못하며, 생성된 차원 구문에서 모든 측정값에 대한 비교를 수행하는 것은 통계 모델에 포함된 높은 수준의 정보를 통합하는 데 실패하는 엄청난 수의 비교가 필요했습니다. 모델 생성 프로세스에 의해 생성된 정보를 유지하면서 낮은 차원 공간에 고차원 데이터를 매핑하면 모델의 풍부한 구조를 최대한 활용하면서 의미 있는 비교를 수행할 수 있습니다.
    1. 주 성분 분석을 사용하여 생성된 통계 모델 내의 전체 네트워크 역학을 나타내는 그룹 간의 비교를 위한 측정값을 도출합니다. 구현의 예는 NetworkAnalysis_Demonstration 및 보충 그림 7을 참조하십시오.
      1. 위와 같이 쌍순 일관성 측정에 대한 공분산 행렬을 구성합니다. 이렇게 하면 차원 공분산 구문이 생성됩니다. 따라서 이 모델은 매우 높은 차원이며 위에서 설명한 대로 높은 수준의 네트워크 관계를 시각화할 수 있습니다.
      2. 공분산 행렬을 고유 벡터 및 해당 고유 값으로 분해합니다. 이렇게 하면 기존 측정값에 의해 경계가 두지 않고 가장 큰 분산을 포함하는 모델 피쳐 공간 내의 축을 식별할 수 있습니다.
      3. 해당 고유값으로 고유 벡터의 순위를 지정하여 모델 내에서 가장 큰 분산 비율을 차지하는 비율을 식별합니다.
    2. 네트워크 모델에서 파생된 첫 번째 주 성분을 비교합니다. 구현의 예는 NetworkAnalysis_Demonstration 및 보충 그림 7을 참조하십시오.
      참고: 첫 번째 주성분은 모델 내에서 가장 큰 분산 정도를 차지합니다. 따라서 이 측정값을 비교하면 단일 통계 테스트를 통해 그룹 전체에서 전체 네트워크 역학을 비교할 수 있으므로 모델링되는 복잡한 관계를 동시에 분석하고 피할 수 있습니다. 많은 비교와 관련된 문제.
  2. 관심 영역 분석을 수행합니다. 파생된 모델은 모든 주파수 대역에서 전체 피질에 걸쳐 네트워크 연결을 나타냅니다. 특정 해부학 영역 또는 특정 대역 내의 함수에 관심이 있는 경우 모델의 이러한 영역을 개별적으로 격리하고 분석할 수 있습니다.
    1. 관심 있는 해부학 영역을 선택합니다.
      참고: 분석을 특정 해부학 영역으로 제한하면 모델 전체분석에서 명백하지 않을 수 있는 관계를 식별하기 위해 특정 피질 영역 내 또는 특정 피질 영역 간의 네트워크 활동을 평가할 수 있습니다.
      1. 관심 있는 해부학 적 영역과 관련된 모델 내의 일관성 데이터를 식별합니다.
      2. 공분산 행렬을 도출하고 위에서 설명한 대로 주 성분 분석을 수행하여 관심 영역 내의 전체 네트워크 아키텍처의 측정값을 계산합니다.
      3. 위에서 설명한 대로 그룹 간의 관심 있는 해부학 영역 내의 네트워크 역학 측정값을 비교합니다.
    2. 관심 있는 기능 영역을 선택합니다.
      참고: 분석을 특정 주파수 대역으로 제한하면 특정 진동 주파수 내에서 네트워크 활동을 평가할 수있습니다(그림 4).
      1. 해부학 적 분석과 마찬가지로 관심있는 주파수 대역 내의 일관성 데이터를 분리합니다. NetworkAnalysis_Demonstration.m 및 추가 그림 8에서는 전체 스펙트럼 내의 상호 작용을 예로 만 사용하여 구현 예제를 참조하십시오.
      2. 주 성분 분석을 수행하여 관심 있는 대역 내의 전체 네트워크 활동의 측정값을 도출합니다.
      3. 그룹 간의 측정값을 비교하여 특정 진동 주파수에서 네트워크 차이를 평가합니다.
  3. 기계 학습을 사용합니다.
    참고:     최신 통계 학습 접근 방식은 생성된 모델에 적용하여 그 안에 표현되는 높은 수준의 관계를 더욱 심문할 수 있습니다.
    1. 감독 학습을 사용합니다.
      참고: 미리 정의된 클래스가 있는 데이터를 사용하여 피질 네트워크 모델을 사용하여 모델로 표현되는 복잡한 관계 내에서 서명을 식별하는 데 사용할 수 있는 분류기를 파생하여 새 데이터를 분류하여 조사할 수 있습니다. 새로운 진단 및 예후 바이오마커 등 또한 모델 내의 피처는 기본 메커니즘에 대한 통찰력을 얻기 위해 이러한 분류를 구동합니다.
      1. 분류자를 파생합니다. 미리 레이블이 지정된 데이터를 사용하여 분류기를 파생하여 네트워크 모델을 기반으로 하는 데이터 집합의 클래스를 예측할 수 있습니다.
        1. 학습을 위한 주체 데이터 집합과 분류자 테스트를 위한 집합으로 데이터를 나눕니다.
        2. 레이블이 지정된 학습 데이터에 대한 지원 벡터 컴퓨터 또는 임의 포리스트와 같은 분류 알고리즘을 학습합니다.
        3. 테스트 데이터에 대한 모델 학습 분류자의 성능을 평가합니다.
          참고: 이러한 접근법은 새로운 바이오마커를 유도하기 위한 입력으로서 통계적 모델을 사용할 수 있게 한다.
      2. 순차적 제거를 수행합니다.
        참고: 모델을 사용하여 분류기를 학습할 때 데이터를 반복적으로 제거할 수 있으며 학습 프로세스를 반복하여 모델의 예측 능력을 구동하는 구성 요소를 식별하여 기본 메커니즘을 조사할 수 있습니다.
        1. 위에서 설명한 대로 모델에서 분류자 학습합니다.
        2. 그룹 간 가변성이 가장 낮은 모델 피쳐를 제거합니다.
        3. 교육 프로세스를 반복하고 성과를 평가합니다.
        4. 성능에 가장 많이 기여하는 기능이 식별될 때까지 반복 기능 제거를 반복합니다. 클래스를 구분하는 기능을 담당하는 모델 구성 요소입니다.
    2. 자율 학습을 수행합니다.
      참고:       모델만 사용하여 조사 중인 그룹에 대한 통찰력을 얻을 수 있습니다. 레코딩 간의 관계를 기반으로 데이터를 고차원 구문으로 모델링하면 개별 레코딩 수준에서 볼 수 없었던 그룹 간의 관계가 명백해질 수 있습니다. 클러스터링 알고리즘과 같은 감독되지 않은 기술을 사용하면 미리 정의된 클래스에 의해 제한되지 않고 모델 내의 관계를 조사할 수 있습니다.
      1. 유클리드 거리와 같은 거리 메트릭을 사용하여 네트워크 모델에 정의된 공간 내의 피사체 간의 거리 측정값을 계산합니다. 구현의 예는 NetworkAnalysis_Demonstration 및 추가 그림 9를 참조하십시오.
      2. k-가장가까운 이웃과 같은 클러스터링 알고리즘을 사용하여 모델 매개 변수를 기반으로 데이터 내의 그룹을 식별합니다(그림5).
      3. 위에서 설명한 대로 순차적 제거 절차를 사용하여 이 절차를 반복하여 개별 피처가 모델 내의 그룹화에 어떻게 기여하는지 조사합니다.
        참고: 이렇게 하면 파생 모델을 사용하여 그렇지 않으면 명확하지 않은 데이터 내의 그룹을 식별할 수 있습니다. 이것은 네트워크 수준에서만 명백한 질병 아류형, 병리학 적 그룹, 등의 유도를 허용할 수 있습니다.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

스펙트럼 전력의 측정은 측정된 각 주파수 대역에 대한 n 측정값을 생성하며, 여기서 n은 기록된 채널 수입니다. 이러한 조치는 전체 전력에 대한 데시벨에있을 것입니다. 개별 주파수 대역 내의 전력 측정값은 그룹과 조건 간의 정확한 비교를 허용하기 위해 상대 전력(즉, 해당 대역 내의 전력으로 표시되는 전체 전력의 비율)으로 표현되어야 합니다.

여러 대역과 기록된 채널에서 스펙트럼 전력을 시각화하는 예는 그림 2에나와 있습니다. 스펙트럼 전력은 두피에 걸쳐 보간된 시각화될 수 있으므로 활동의 "소스"를 제한적으로 추정할 수 있습니다.

전극 간 일관성 측정은 각 고유 전극 쌍에 대한 측정값을 생성합니다(즉, n이 기록된 채널 수). 이러한 각 측정값은 0과 1 사이이며, 여기서 0은 레코딩 간의 일관성을 나타내지 않으며 1은 레코딩 간의 완전한 일관성을 나타냅니다. 이는 한 영역의 활동이 다른 영역의 활동에 따라 변경되는 정도를 측정한 값으로, 상호 작용 및 시간 지연 방향의 차이를 허용합니다. 일관성값이 높을수록 영역 간의 상호 작용이 암시되며, 이 영역에서는 기록된 영역이 서로 통신하고 있음을 분명히 합니다. 모든 고유한 전극 쌍 간의 상호 작용을 측정하여 기록된 채널이 상호 작용하는 방식에 대한 통계적 지도를 구축할 수 있습니다. 이를 통해 기존의 방법과 같이 개별 영역에 초점을 맞추기보다는 영역이 어떻게 통신되는지 조사할 수 있습니다. 그림 3에8-전극 몽타주에 대한 일관성 측정의 시각화 예가 나와 있습니다.

이러한 일관성 측정은 대용량 데이터를 빠르게 생성하므로 개별 통계 테스트를 통해 각 측정값을 분석하는 것이 불가능한 전략입니다. 또한, 개별 상호 작용을 조사하는 것은 반드시 흥미롭거나 전체 피질 네트워크에 걸쳐 상호 작용을 고려할 때 의미가 없습니다. 주 성분 분석과 같은 치수 감소 기법을 사용하면 이러한 통계 구조의 측정값을 평가하여 기존의 통계 방법을 사용하여 전체 네트워크 역학을 쉽게 비교할 수 있습니다. 기계 학습 기술을 사용하는 분류기 기반 방법은 이러한 고차원 데이터 구문들을 통합하여 데이터를 분류하고 결과를 예측하기 위한 추가적인 유망한 방법을 제공합니다.

고차 네트워크 역학의 시각화를 통해 주 성분 분석 또는 분류기 기반 기법에서 비교되는 상호 작용 종류를 인식할 수 있습니다. 이는 전극 쌍의 전극 간 일관성 측정의 공변량 측정의 색상 매핑을 사용하여 달성될 수 있습니다. 이것은 한 전극 쌍의 일관성 측정이 다른 쌍의 일관성 변화와 어떻게 관련이 있는지 평가하여 피질 전반에 걸친 광범위한 네트워크 상호 작용 및 활동 통합을 제안합니다. 이를 통해 영역이 기존 측정값에서는 불가능한 방식으로 상호 작용하는 방식을 시각화할 수 있습니다. 이 기술을 사용하여 생성할 수 있는 고차원 네트워크 맵의 종류는 그림 4에나와 있습니다. 이것은 피질 기능에 영향을 미치는 신경 정신 장애의 다른 임상 표현형을 가진 두 과목 사이의 네트워크 매핑에 명백한 차이를 보여줍니다, 표준을 사용하여 통계적으로 유의한 차이가 없었다 분석 방법을 제공합니다.

Figure 1
그림 1: 데이터 분석 파이프라인의 회로도입니다. 원시 데이터 준비 및 관심 측정값 추출에 대한 주요 단계 개요. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 2
그림 2: 스펙트럼 전력 측정의 대표적인 매트릭스입니다. 각 열은 전극 위치를 나타내고 각 행은 관심 있는 주파수 대역을 나타냅니다. 셀 색상 강도는 해당 전극 위치에서 해당 주파수의 상대 전력 값을 나타냅니다. n은 n이 사용되는 기록 전극의 수이고 f는 관심 있는 주파수 대역의 수인 n x f 측정값을 생성합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 3
그림 3: 전극 간 일관성 측정의 대표적인 매트릭스. 각 행과 각 열은 전극 위치를 나타냅니다. 셀 색상 강도는 해당 전극 쌍 간의 전극 간 일관성 값을 나타냅니다. 관심 있는 각 주파수 대역에 대한 측정값을 생성하며, 여기서 n은 사용되는 기록 전극의 수입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 4
그림 4: 고차 네트워크 역학의 대표적인 시각화, 신경 정신 장애의 두 표현형을 비교. 각 행과 각 열은 고유한 전극 쌍을 나타냅니다. 셀 색상 강도는 해당 전극 쌍 간의 공변값을 나타냅니다. p가 사용되는 고유 전극 쌍의 수인 관심 있는 각 주파수 대역에 대한 측정값을 생성합니다. (A)피질 네트워크 내에서 및 주파수 간 상호 작용을 모두 보여 주는 반면,(B)전체 전력 스펙트럼 내에서만 네트워크 역학에 초점을 맞춘 관심 영역을 시각화합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 5
그림 5: 감독되지 않은 클러스터링 알고리즘의 대표 시각화입니다. 신경 정신 장애를 가진 명백하게 잘 일치하는 환자의 단에서, 표준 분석에 분명하지 않은 인구 내의 모형 데이터에 근거를 둔 군집. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 1
보조 그림 1: 스크린샷은 EEG 데이터의 에포칭을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 2
추가 그림 2: 스크린샷은 필수적인 전처리 단계를 보여 줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 3
보조 그림 3: 스크린샷은 관심 주파수에 대한 필터링을 보여 줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 4
추가 그림 4: 채널 스펙트럼 계산 및 개별 대역 내의 데이터 격리. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 5
보충 그림 5: 각 전극 쌍에 대한 일관성 측정 계산. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 6
추가 그림 6: 파생 측정값을 색상 맵 및 시각화에 매핑합니다. 그림 3 과 그림 4는 샘플 출력을 보여 줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 7
보충 그림 7: 공변행렬 구성, 주성분 분석 수행 및 주 성분을 기반으로 그룹 비교. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 8
추가 그림 8: 데이터의 하위 집합을 격리하여 관심 있는 특정 영역을 분석합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Supplementary Figure 9
추가 그림 9: 거리 메트릭의 파생 및 클러스터링 알고리즘을 사용하여 자율 학습 기술을 사용하여 그룹을 식별합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

설명된 방법은 비침습적 EEG 데이터로부터 피질 네트워크 역학의 통계적 지도의 도출을 허용한다. 이를 통해 기록된 영역이 각 개별 위치에서 일어나는 일을 평가하는 대신 기록된 영역이 서로 상호 작용하는 방식을 평가하여 간단한 열렬 데이터를 검사할 때 쉽게 드러나는 현상을 조사할 수 있습니다. 격리. 이것은 질병병리학18에중요한 통찰력을 드러낼 수 있습니다.

이 방법의 필수 측면은 데이터 품질을 보장하는 것입니다. 데이터가 의미 있는 결과를 생성하기에 충분히 높은 품질을 보장하기 위해 엄격한 데이터 평가, 아티팩트 거부 및 전처리가 필요합니다. 사용된 데이터가 적절한 품질인 경우, 기능 추출 구성 요소는 특정 관심 지역 또는 임의 주파수 제한 내에서네트워크 상호 작용을 모델링하고 복잡한 상호 작용을 모델링하기 위해 쉽게 수정할 수 있습니다. 특정 지역 및 주파수 대역을 참조하십시오.

이러한 접근 방식은 생성된 결과의 높은 치수성에 의해 제한되며, 많은 채널을 사용하는 경우 엄청난 양의 데이터를 신속하게 생성할 수 있습니다. 이렇게 하면 원시 결과의 해석가능성이 제한되고 계산 시간이 길어질 수 있습니다. 따라서 주성분분석(23)과같은 치수 감소 기법의 사용은 엄청난 수의 통계적 테스트를 수행할 필요 없이 그룹 간에 의미 있는 통계적 비교가 이루어질 수 있도록 할 필요가 있다. 또한, 의사 결정을 돕기 위해 생산된 고차원 네트워크 맵을 사용하면 대량의 데이터를 수동으로 쉽게 해석할 수 없고 쉽게 줄일 수 없는 대량의 데이터를 통합할 수 있도록 기계 학습 분류기를 사용해야 할 수 있습니다. 단일 측정24에.

이 접근 방식은 원시 EEG 타임 시리즈보다 네트워크 역학의 변화를 조사하는 훨씬 더 큰 용량을 제공하며 접근성, 비용 및 더 큰 시간을 포함하여 기능적 MRI와 같은 이미징 기술에 비해 상당한 이점을 제공합니다. 해상도. 이 방법의 향후 응용은 신경 질환의 서브 타이핑, 치료 반응의 예측, 및 질병 예후개선을 통해 현재 임상 EEG 기술의 임상 적 유용성을 크게 확대 할 수있는 가능성을 제공합니다 데이터 분석 방법을 제공합니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

저자는 공개 할 것이 없다.

Acknowledgments

이 원고의 출판은 DT에 SFI 퓨처네루로 자금 조사관 보조금에 의해 부분적으로 지원되었습니다.

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

DOWNLOAD MATERIALS LIST

References

  1. Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
  2. Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
  3. Nunez, P., Srinivasan, R. Electric Fields of the Brain: The Neurophysics of EEG. , Oxford University Press. (2006).
  4. Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).
  5. 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).
  6. Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
  7. Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
  8. 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).
  9. Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
  10. 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).
  11. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
  12. Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
  13. Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
  14. Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
  15. 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).
  16. 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).
  17. Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
  18. Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333 (2018).
  19. 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).
  20. Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
  21. 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).
  22. 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).
  23. Calabrese, B. Encyclopedia of Bioinformatics and Computational Biology. , Elsevier. (2019).
  24. 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).

Tags

신경 과학 문제 153 EEG 연결 피질 비 침습적 모델링 기능
비침습적 뇌전도를 이용한 피질 연결의 통계적 모델링
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Keogh, C., Pini, G., Gemo, I.,… More

Keogh, C., Pini, G., Gemo, I., Tropea, D. Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms. J. Vis. Exp. (153), e60249, doi:10.3791/60249 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter