Statistisk modellering av kortikala konnektivitet med icke-invasiva elektroencefalogram

Summary

Standard EEG-analystekniker erbjuder begränsad insikt i nervsystemets funktion. Härleda statistiska modeller av kortikal anslutning erbjuder mycket större förmåga att undersöka underliggande nätverksdynamik. Förbättrad funktionell utvärdering öppnar nya möjligheter för diagnostik, Prognosticering och utfall förutsägelse i nervsystemet sjukdomar.

Abstract

Icke-invasiva elektrofysiologiska inspelningar är användbara för utvärdering av nervsystemets funktion. Dessa tekniker är billiga, snabba, replikerbara och mindre resurskrävande än avbildning. Vidare har de funktionella data som produceras har utmärkt tidsupplösning, vilket inte är möjligt med strukturell avbildning.

Aktuella tillämpningar av elektroencefalograms (EEG) begränsas av databehandlingsmetoder. Standard analystekniker som använder rå tid serie data på enskilda kanaler är mycket begränsade metoder för förhör nervsystemet aktivitet. Mer detaljerad information om kortikal funktion kan uppnås genom att undersöka relationer mellan kanaler och härleda statistiska modeller av hur områden interagerar, vilket möjliggör visualisering av anslutning mellan nätverk.

Detta manuskript beskriver en metod för att härleda statistiska modeller av kortikala nätverk verksamhet genom att registrera EEG på ett standardiserat sätt, sedan undersöka interelektrod konsekvens åtgärder för att bedöma relationerna mellan de registrerade områdena. Högre order interaktioner kan undersökas ytterligare genom att bedöma kovariansen mellan samstämmigheten par, producerar hög-dimensionella "kartor" av nätverkskommunikation. Dessa data konstruktioner kan undersökas för att bedöma kortikal nätverks funktion och dess förhållande till patologi på ett sätt som inte är möjligt med traditionella tekniker.

Den här metoden ger större känslighet för interaktioner på nätverksnivå än vad som kan uppnås med rå tidsserieanalys. Det är dock begränsat av komplexiteten i att dra specifika mekanistiska slutsatser om de underliggande neurala populationerna och de stora mängder data som genereras, vilket kräver mer avancerade statistiska metoder för utvärdering, inklusive dimensionalitet reduktions-och klassificeringsbaserade metoder.

Introduction

Denna metod syftar till att producera statistiska kartor över kortikala nätverk baserade på noninvasiv elektrod inspelningar med en kliniskt livskraftig inställning, för att möjliggöra utredning av nervsystemets patologi, effekterna av nya behandlingar och utvecklingen av nya elektrofysiologiska biomarkörer.

EEG erbjuder stor potential för utredning av nervsystemets funktion och sjukdom^1,2. Denna teknik är billig, lätt tillgänglig i forskning och kliniska inställningar, och i allmänhet tolereras väl. Den enkla, icke-invasiva karaktären av inspelningar gör klinisk användning enkel, och den befintliga ramen för kliniska EEG-avdelningar ger enkel tillgång till tekniken för kliniker.

Ur ett tekniskt perspektiv erbjuder EEG utmärkt tidsdomän lösning³. Detta är av stor betydelse när man undersöker nervsystemets funktion på grund av de snabba tidsskalor av nervsystemet interaktioner och nätverksdynamik. Medan Imaging metoder såsom funktionell MRI erbjuda större rumslig upplösning och lätt interpretable bilder, de är mycket mer begränsade i sin förmåga att förhöra nervsystemet funktion på de fina tidsskalor som erbjuds av elektrofysiologiska inspelningar ^4,5,6.

Det finns ett växande behov av förmågan att förhöra nervsystemet funktion för att informera diagnos, behandling, och Prognosticering av sjukdomar i nervsystemet. Den roll som kortikala nätverk dynamik i nervsystemet patologi erkänns alltmer⁷. Många patologier i nervsystemet producerar inga makroskopiska strukturella lesioner synliga med traditionell avbildning, men de avvikelser som produceras på nätverksnivå kan vara uppenbara med lämpliga funktionella analysmetoder.

Tyvärr är nuvarande EEG-analysmetoder mycket begränsade i detta avseende. Traditionella metoder innebär analys av enkla tidsseriedata från enskilda elektroder. Dessa signalerar föreställer summationen av sätter in potentialer i stora kortikala områden^3,8. Analys av data från enskilda kanaler i isolering med antingen visuell inspektion eller enkla statistiska metoder begränsar nyttan av dessa inspelningar för att upptäcka brutto elektrofysiologiska avvikelser i diskreta, enskilda platser. Med det ökande erkännandet av betydelsen av nätverksnivå effekter på nervsystemets funktion och patologi, dessa enkla analysmetoder är uppenbarligen bristfällig i att de kommer att misslyckas med att upptäcka subtila relationer mellan signaler, som representerar avvikelser i hur kortikala områden interagerar med varandra på nätverksnivå.

En metod för att härleda statistiska kartor över kortikal nätverksanslutning från lågdimensionella elektrod inspelningar demonstreras. Denna metod möjliggör utredning av dynamiken i interaktioner mellan varierande hjärnregioner på ett sätt som inte är möjligt med traditionella analystekniker, samt visualisering av dessa nätverk interaktioner. Detta öppnar möjligheten för icke-invasiv undersökning av nätverksnivå effekter vid hög tidsdomän resolutioner på ett sätt som inte tidigare var möjligt. Denna metod är baserad på härledning av åtgärder av interelektrod sammanhållning^9,10. Dessa åtgärder gör det möjligt att utreda hur två registrerade regioner interagerar genom att utvärdera de statistiska relationerna mellan inspelningarna av dessa områden¹¹. Genom att bedöma hur varje inspelat område interagerar med alla andra inspelade områden kan en statistisk karta över elektrofysiologiska nätverk inom de registrerade områdena göras. Detta gör det möjligt för identifiering av funktionella relationer som inte framgår av utvärderingen av enskilda kanal data i isolering.

Fokus för detta manuskript är om användningen av sammanhållning på neurala tidsserier. För närvarande finns det ett antal tekniker för att undersöka relationerna mellan Time Series-data som kan tillämpas på kanaler på ett Pairwise sätt att härleda modeller av kortikal anslutning. Vissa metoder, såsom den relaterade partiella riktade samstämmigheten^12,13, syftar till att härleda riktningen på inflytandet av de undersökta signalerna för att bättre karakterisera strukturen för de underliggande nätverken, medan andra metoder, såsom Granger kausalitet^14,15, försök att härleda funktionella relationer genom möjligheten av en signal att förutsäga data i en annan. Metoder som dessa kan tillämpas på liknande sätt för att generera högdimensionella modeller av kortikala nätverk. Men fördelarna med samstämmighet som ett sätt att utreda relationerna mellan neurala signaler ligger i dess brist på antaganden. Det är möjligt att undersöka statistiska samband mellan inspelningar på två platser utan att göra uttalanden om den funktionella grunden för dessa relationer och att bygga upp en modell av kortikal konnektivitet baserad enbart på statistiska relationer med minimala antaganden om de kortikala nätverken som genererar dessa signaler.

På grund av den rent matematiska karaktären hos dessa åtgärder är sambandet mellan koherens mått på elektrod inspelningar i hårbotten och den underliggande neurala aktiviteten komplex^16,17. Även om dessa metoder tillåter härledning av statistiska konstruktioner som beskriver förhållandet mellan elektrod inspelningarna för jämförelse, gör direkta kausala slutsatser om aktiviteten hos de specifika underliggande neurala populationerna inte okomplicerad^3,8,16,17. Dessa metoder gör det möjligt att jämföra aktiviteten på nätverksnivå mellan grupper för att identifiera potentiellt användbara biomarkörer men är begränsade när det gäller att dra specifika slutsatser om förhållandet mellan dessa markörer och specifika Neurala mekanismer. Detta beror på det stora antalet confounding faktorer som påverkar den inspelade aktiviteten³, samt problem med att uppskatta den specifika kortikala källan av elektriska signaler som registrerats i nivå med hårbotten⁸. Snarare kan dessa metoder producera statistiska modeller av verksamhet som kan förhöras och jämföras mellan grupper för att fastställa att skillnader finns på nätet nivå¹⁸ och kan utnyttjas för att producera nya biomarkörer baserat på dessa Konstruktioner. Emellertid, dessa metoder ensam har en begränsad kapacitet att relatera skillnaderna sett till specifika mekanismer och neurala aktiviteter på grund av komplexiteten i det underliggande systemet.

Användningen av nätverksåtgärder som sammanhållning är väl etablerad i system neurovetenskap^16,17. Den fulla potentialen hos dessa metoder för modellering och utredning av kortikal funktion har begränsats av bristande utnyttjande av dessa hög-dimensionella datastrukturer. Detta arbete visar att det är möjligt att tillämpa dessa åtgärder på EEG-kanaler på ett Pairwise sätt för att kartlägga data på en hög-dimensionell funktion utrymme bygger enbart på de statistiska relationerna mellan den elektriska aktiviteten i kortikala regioner. Det visar också att med hjälp av moderna statistiska metoder är det möjligt att använda de genererade modellerna av kortikal funktion för att undersöka dessa modeller utan att förlora den information som vunnits i modelleringsprocessen.

Denna metod är potentiellt värdefull för att utvidga tillämpningsområdet för befintlig EEG-teknik, förbättra förmågan att härleda användbara funktionella åtgärder utan att kräva anpassningar till befintlig inspelningsutrustning^18,19 . Genom att förbättra förmågan att modellera kortikal funktion och förhöra dessa modeller utökas de frågor som kan undersökas med hjälp av EEG-data. Detta öppnar ytterligare möjligheten till ökad integration av funktionella och strukturella utvärderingar för utredning av neurologisk sjukdom^20,21. Detta tillvägagångssätt, med hjälp av teknik som redan är allmänt tillgänglig kliniskt, skulle möjliggöra utredning av kortikala sjukdomar med både hög temporal och rumslig upplösning.

Protocol

Följande experimentella protokoll är i enlighet med alla lokala, nationella och internationella etiska riktlinjer för mänsklig forskning. De uppgifter som används för att testa protokollet har erhållits med bemyndigande av etiska kommittén i region Toscana-protokoll 2018SMIA112 SI-RE.

Anmärkning: Skripten som används för att implementera de beskrivna analyserna finns på https://github.com/conorkeogh/NetworkAnalysis.

1. insamling av rå data

1. Förbered ämnes förhållanden.
   1. För att säkerställa enhetlighet mellan inspelningar, genomför alla EEG-inspelningar i en dedikerad inspelnings miljö. Ta bort all utrustning eller alla stimuli som inte är direkt relevanta för den uppgift som ska utföras under inspelningen från omgivningen för att undvika distraktion.
      Anmärkning: Om vilotillstånd inspelningar ska utföras, ta bort alla källor för distraktion från rummet och utsätta ämnen till inspelnings miljön före inspelningen för att ta bort nyhet från miljön.
   2. Ge ämnet tydliga instruktioner om vilken uppgift som ska utföras. När utrustningen har ställts in, lämna motivet ensam i inspelnings miljön för att vänja sig vid miljön innan du påbörjar inspelningen för att minimera rörelse och distraktion.
   3. Om ämnet har intellektuella funktionshinder, tillåta honom/henne den tid som krävs för att vänja sig vid miljön för att begränsa eventuella stress. Ibland kan detta kräva flera besök och en längre vistelse i inspelnings rummet.
2. Montera elektroderna.
   1. Fäst elektrod locket på patientens huvud, var noga med att säkerställa korrekt anpassning. Injicera ledande gel i varje elektrod portar, med början i hårbotten och sakta tillbaka till locket ytan för att etablera elektrisk kontakt med skalan och förbättra signal-brus-förhållande.
   2. Fäst elektroderna på elektrod locket med ett förutbestämt elektrod montage baserat på 10 − 20-systemet. Fäst lämpliga jordelektroder (t. ex. till mastoida processer).
3. Ställ in EEG.
   1. Anslut alla elektroder till ett Elektro fysiologiskt inspelningssystem. Koppla inspelningssystemet till en lämplig Digital inspelnings miljö.
   2. Undersök alla inspelnings kanaler för att säkerställa att förskjutningen ligger inom ett lämpligt intervall och för att undvika överdrivet kanal brus. Om en kanal har en överdriven offset eller brus, ytterligare ledande gel kan läggas till för att förbättra den elektriska anslutningen, noga med att undvika att överbrygga mellan elektrod platser.
   3. Instruera motivet att inspelningen har startat och för att undvika alla onödiga rörelser. Utför en kort testinspelning för att kontrollera lämplig inspelningskvalitet.
4. Förbered den beteendemässiga uppgiften för inspelning.
   1. Klargöra alla uppgiftsrelaterade instruktioner med ämnet. Upprepa vikten av att undvika alla onödiga rörelser.
   2. Förklara att inspelningen kommer att påbörjas på en tydligt överenskommen signal (t. ex. en knackning på inspelnings miljön). Lämna motivet i inspelnings miljön. Starta inspelningen. Ge den överenskomna signalen till motivet.
   3. Efter slutförandet av uppgiften eller viloläge, stoppa inspelningen, visuellt undersöka data för att säkerställa kvalitet och spara data.

2. förbehandling av uppgifter

Anmärkning: Pipelinen för förberedelse av data och funktionen extraktion illustreras i figur 1.

1. Förbered programvaran.
   1. Ladda EEG-data som ska analyseras i en dataanalys miljö. Läs in alla ytterligare skript bibliotek som behövs, till exempel EEGLab²².
2. Konvertera alla inspelningar till samma dataformat om det behövs, med alla kanaler på motsvarande platser.
   1. Kassera början och slutet av varje inspelning (t. ex. 5 min) för att minska kontaminering av rörelse artefakter. Dela upp data i epoker baserat på uppgift eller, om det är en vilotillstånd inspelning, förutbestämd varaktighet (t. ex., 10 min). Se NetworkAnalysis_Demonstration. m (avsnitt funktion extraktion) och kompletterande figur 1 för en demonstration av genomförandet.
      Anmärkning: Valet av epoklängden kan ha viktigt verkställer på mäter av sammanhållning. Epoker av tillräcklig längd bör användas för att säkerställa att sanna relationer mellan signalerna framträder i beräkningarna för att undvika obemärkt artefakter eller övergående, falska synkroniseringar som har en överdriven viktning. Men i detta arbete fanns det ingen statistiskt signifikant skillnad i den övergripande nätstrukturen när tio minuters epoker jämfördes med ett genomsnitt på 10 1-minuters epoker efter noggrann artefakt förkastande.
3. Utför artefakt avslag genom att visuellt inspektera epokdata och avvisa visuellt olämpliga data.
   Anmärkning: eftersom modellerings tekniken beskrivs förlitar sig på relationerna mellan signalerna, är det viktigt att säkerställa ett grundligt avvisande av artefakter. Dessa kan förstöra kanal data, vilket leder till konstgjorda ökningar (om artefakten representeras på flera kanaler) eller minskningar (om artefakten representeras endast på vissa kanaler) av mått på samstämmighet.
   1. Identifiera dåliga kanaler i inspelningarna.
      1. Högpassfilter data vid 0,5 Hz för att ta bort baslinjedrift på grund av den flytande marken i förvärvs systemet.
      2. Välj alla kanaler som uppfyller de tillämpliga statistiska kriterierna (t. ex. de med en standardavvikelse som är större än tre gånger eller mindre än en tredjedel av den genomsnittliga kanal standardavvikelsen).
         Anmärkning: Ta bort kanaler med data som är osannolikt att ha sitt ursprung från neurala källor undviker falska relationer förs in i nätverks modellerna.
      3. Undersök dessa kanaler för att avgöra om de är lämpliga.
      4. Avvisa epoker med olämpliga kanaler om möjligt. Du kan också utesluta de dåliga kanalerna och interpolera data på dessa kanaler (t. ex. med Eeglabs spline-interpolationsalgoritm).
         Anmärkning: Interpolering över ett stort antal kanaler eller med endast ett litet antal inspelnings kanaler kan generera olämpliga data för analys. Vidare införs ingen ny information i datauppsättningen och kan resultera i artificiellt höga mått på samstämmighet mellan interpolerade signaler och de signaler från vilka de härleds.
   2. Utföra den oberoende komponent analysen på de återstående epokerna (t. ex. med Eeglabs ICA-funktion). Inspektera de härledda komponenterna visuellt och avvisa visuellt olämpliga data.
   3. Tillämpa lämpliga statistiska tröskelvärden för att identifiera potentiella artefakter som inte omedelbart framgår av visuell inspektion (t. ex. baserat på extrema värden eller onormala spektra). Undersök dessa och bestäm om avslag är lämpligt.
   4. Upprepa den oberoende komponenten analys och artefakt identifiering på överlevande epoker.
   5. Identifiera data epokerna som ska sparas för vidare analys. Kassera alla avvisade data epoker. Identifiera alla epoker som ska tas fram för vidare analys.
      Obs: om endast en epok per ämne krävs, Välj den första lämpliga epoken för vidare analys.
4. För att förbereda data, korrigera baslinjen för inspelningarna genom att subtrahera medelvärdet av alla kanaler från inspelningarna för att undvika effekterna av baslinjen vandra under längre inspelningar. Re-Reference alla kanaler till en lämplig referens (t. ex. marken elektroden eller genomsnittet av alla kanaler). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m och kompletterande figur 2 för exempel på genomförande.
   Obs: referens urvalet kan ha viktiga effekter på nätverks åtgärderna. Eftersom referensdata "subtrauteras" från alla analyserade kanaler, kommer alla neurala data som representeras på referens kanalen att dras ut och därmed inte bidra till modellgenerering. Det är vanligt att använda referens signaler inspelade över beniga prominenser utan omedelbart underliggande neurala strukturer, såsom mastoideus processen. Emellertid, dessa kan skadas av neurala data på grund av volym lednings effekter genom hårbotten och därför snedvrida nätverksåtgärder Differentiellt baserat på plats i förhållande till referensen. Som ett resultat, för vilande tillståndsdata är det bäst att använda ett genomsnitt av alla hårbotten kanaler som referens. Det innebär att alla data inte refereras i förhållande till en viss geografisk plats, vilket snedvrider åtgärder, eftersom alla kanaler bidrar till referensen. Detta kan ha effekter som att dämpa den uppenbara totala aktiviteten och kan snedvrida åtgärder genom att subtrahera signaler som är mycket starkt representerade på vissa kanaler och därmed bidra kraftigt till genomsnittet. Detta är ett större problem för aktivitets-och händelserelaterade signaler, men är vanligtvis inte fallet med vilande tillståndsdata.
   1. Filtrera alla kanaler digitalt för att isolera frekvenser av intresse (t. ex. 1 Hz-50 Hz). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m och kompletterande figur 3 för exempel på genomförande.
      Anmärkning: Se till att lämpliga frekvensgränser och filterparametrar används för den avsedda analysen för att undvika att frekvenserna vid de extrema gränserna för det undersökta området och kantutjämning-effekterna snedvrids. Zero Phase-Shift 4^th-Beställ Butterworth filter utföra på lämpligt sätt. Lämplig filtrering säkerställer att aktiviteten av intresse är isolerad för modellering. Även med ett brett spektrum (t. ex. 1 Hz-50 Hz), Detta säkerställer att högfrekventa artefakter och lågfrekventa baslinjen vandrande inte tolkas som sammanhängande mellan kanaler, snedvridande åtgärder.

3. extrahering av funktionen

1. Bedöma spektraleffekt.
   1. Beräkna total effekt spektra genom att utföra en Fouriertransformering av varje kanal som analyseras över hela frekvensområdet som ska bedömas (t. ex. 1 Hz-50 Hz).
   2. Bedöm aktiviteten i enskilda frekvensband: isolera theta-bandet vid 4 Hz-8 Hz. isolera alfa bandet vid 8 Hz-12 Hz. isolera beta bandet vid 12 Hz-30 Hz. isolera delta-bandet vid 0,5 Hz-4Hz. isolera gamma bandet vid > 30 Hz (t. ex. , 30-50 Hz). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m, och kompletterande figur 4 för exempel på implementering av spektra härledning och isolering av frekvensband.
      Anmärkning: EEG-data delas traditionellt in i frekvensband för utredning. Dessa namnges främst baserat på i vilken ordning de upptäcktes och de specifika bandbredder varierar något. Den funktionella betydelsen av svängningar vid specifika frekvenser är fortfarande ett område med aktiv utredning. Det är tänkt att svängningar inom specifika band kan vara relaterade till specifika neurala aktiviteter, såsom uppkomsten av en hög amplitud alfa våg i occipital regionen med slutna ögon, även om den exakta relationen mellan neurala funktioner och oscillatoriska aktiviteten i EEG-inspelningar är oklar.
   3. Utvärdera total effekt över hela hårbotten genom att beräkna medelvärdet av enskilda kanalspektra. Normalisera kraften i enskilda band med avseende på den totala kraften för att ge ett mått av relativ effekt och möjliggöra mer exakta jämförelser mellan förhållanden.
2. Utför nätverksmappning.
   1. Utvärdera samspelet mellan det första elektrod paret genom att härleda ett mått av interelektrod sammanhållning:
      
      Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m och kompletterande figur 5 för exempel på genomförande.
      1. Beräkna tvär spektrum av de två kanalerna:
         
         1. Beräkna Fouriertransformeringen av varje signal, X och Y
            
         2. Beräkna Cross-Spectrum:
            
            Var: t är provtagnings intervallet, t är längden på inspelningen, x är Fouriertransformationen av x, och y^* är det komplexa konjugatet av y.
         3. Ignorera de negativa frekvenserna och korrekta åtgärder. Den andra halvan av datorns frekvens axel kan ignoreras när det gäller signaler med verklig värde, och effektmåtten multipliceras med två för att korrigera detta.
            Anmärkning: Detta motsvarar Fouriertransformationen av tvär korrelationen mellan x och y.
      2. Normalisera Cross-Spectrum av Power Spectra av båda kanalerna: .
         1. Beräkna Fouriertransformeringen av varje signal:
            
         2. Beräkna effekt spektrumet:
            
            Var: t är provtagnings intervallet, t är längden på inspelningen, x är fouriertransformeringen av x, och x^* är det komplexa konjugatet av x.
         3. Ignorera de negativa frekvenserna och korrekta åtgärder: den andra halvan av datorns frekvens axel kan ignoreras när det gäller verkliga värden signaler, och effekten åtgärder multiplicerat med två för att korrigera för detta.
         4. Använd de beräknade effekt spektra för att normalisera tvär spektrumet och härleda ett mått på samstämmighet:
            
            Anmärkning: Detta genererar C, ett mått på samstämmigheten mellan signalerna x och y vid frekvenserna . Detta är ett mått på sambandet mellan dessa signaler vid de undersökta frekvenserna, mätt på en skala från 0 till 1. Om det finns ett konstant fas förhållande mellan de två signaler som undersöks vid alla tidpunkter, kommer samstämmigheten att ha värdet 1, vilket indikerar ett starkt samband mellan signalerna vid dessa frekvenser, vilket innebär att aktivitet i en signal är funktionellt verksamhet i den andra (dvs. att det finns kommunikation mellan de två). Om det inte finns något fas förhållande mellan de två signalerna, kommer samstämmigheten att ha värdet 0, vilket indikerar att signalerna inte är relaterade.
   2. Upprepa proceduren för varje unikt elektropar för att utveckla ett mått på fas stabiliteten mellan signalerna vid varje elektrodpar och bygga upp en modell av funktionell anslutning över alla elektroder.
      Anmärkning: För ett montage av n -elektroder kommer detta att leda till konsekvens åtgärder. Detta representerar mappning av uppmätta tidsseriedata till ett högdimensionellt plan baserat på förhållandet mellan inspelade signaler, vilket gör att arten av dessa interaktioner kan undersökas.

4. visualisering av data

1. Utför spektrala effektanalys.
   1. Undersök kraftmatriserna.
      1. Mappa mätningar av spektralkraften som ska visualiseras på en tvådimensionell datastruktur där varje kolumn är en elektrod plats, varje rad är ett frekvensband, och varje cell är den spektrala kraften på den platsen, inom det bandet.
      2. Identifiera de högsta och lägsta effektnivåerna över alla förhållanden som ska jämföras. Ange dessa på högsta och lägsta för alla villkor. Mappa de spektrala effektvärden mellan identifierade maximum och minimum till färger. Exportera en färgkarta som visualiserar spektralkraften vid varje frekvensband vid varje elektrod plats (figur 2).
   2. Utför topografisk kartläggning.
      1. Skapa en datastruktur som innehåller etiketterna för var och en av de 10-20 system elektrod platser som används, för att motsvara den datastruktur som ska mappas. Med EEGLab ' s topoplot () funktion, spektrala effektdata, identifierade högsta och lägsta, och kanallistan, generera en tomt kartlägga fördelningen av spektralkraft över hårbotten.
2. Bedöma samstämmigheten.
   1. Undersök konsekvens matriserna.
      1. Mappa mätningar av interelektrod konsekvens för att visualiseras på en tvådimensionell datastruktur där varje kolumn är en elektrod plats, varje rad är en elektrod plats, och varje cell är samstämmigheten mellan motsvarande elektrodpar.
      2. Mappa konsekvens värden mellan 0 och 1 till färger. Exportera en färgkarta som visualiserar interelektrod överensstämmelsen mellan varje elektrodpar inom de frekvensgränser som används (figur 3). Upprepa proceduren för varje frekvensband som ska undersökas. Se kompletterande figur 6 och produce_plots. r för exempel på genomförande. Se figur 3 till exempel output.
   2. Utför nätverks visualisering.
      1. För att visualisera högre ordningens interaktioner mellan kortikala områden och kartlägga nätverksdynamiken, beräkna hur varje elektrod pars konsekvens mått samvarierar med alla andra unika elektrodpar över hela spektrumet och inom specifika band.
      2. Mappa dessa kovariansmått till färger. Exportera en färgkarta som visualiserar nätverkdynamiken inom och mellan frekvensbanden. Se produce_plots. r för exempel på genomförande. Se figur 4 till exempel output.

5. analysera nätverks modeller

Anmärkning: Tillämpningen av moderna statistiska metoder till de modeller som härleds gör det möjligt att dra nytta av de relationer modellerade i den höga-dimensionella nätverk funktionen utrymme för att undersöka kortikal funktion. Ett antal tillvägagångssätt som ger fördelar jämfört med traditionella jämförelser av enskilda åtgärder eller medelvärden av konsekvens åtgärder kan vidtas. Några av de potentiella metoder som dessa nätverks modeller underlättar beskrivs nedan. Dessa diskuteras endast ytligt som ett tecken på de potentiella tillämpningarna av nätverks modellering, eftersom en grundlig diskussion om varje teknik är bortom omfattningen av det nuvarande arbetet.

1. Utför dimensionalitet reduktion.
   ANMÄRKNINGAR: jämförelser på individuell variabel nivå misslyckas med att dra nytta av de relationer som representeras av de modeller som skapats, medan jämförelser på alla åtgärder i de dimensionella konstruktioner som skapas är problematiskt på grund av stort antal jämförelser som krävs och underlåtenheten att integrera den information på hög nivå som finns i de statistiska modellerna. Kartlägga de högdimensionella data på en lägre-dimensionell rymd samtidigt som den information som genereras av modellen generation processen möjliggör utförandet av meningsfulla jämförelser samtidigt som full nytta av modellerna data-rika struktur.
   1. Härleda mått för jämförelse mellan de grupper som representerar den övergripande nätverksdynamiken inom de statistiska modeller som genereras med hjälp av huvudkomponent analysen. Se NetworkAnalysis_Demonstration. m och kompletterande figur 7 för ett exempel på implementering.
      1. Som ovan, konstruera en kovariansmatris för Pairwise konsekvens åtgärder. Detta kommer att generera en dimensionell kovarianskonstruktion där . Denna modell är därför extremt hög-dimensionell och möjliggör visualisering av högnivå nätverks relationer som beskrivs ovan.
      2. Sönderdela kovariansmatrisen till egenvektorer och motsvarande Eigenvalues. Detta gör det möjligt att identifiera axlarna i modell funktions utrymmet som innehåller den största avvikelsen, utan att begränsas av de befintliga måtten.
      3. Rangordna egenvektorer med motsvarande egen värdes att identifiera dessa redovisning för största andelen av variansen i modellen.
   2. Jämför de första huvudkomponenterna som härleds från nätverks modellerna. Se NetworkAnalysis_Demonstration. m och kompletterande figur 7 för ett exempel på implementering.
      Anmärkning: Den första huvudkomponenten står för den största graden av avvikelse i modellen. Därför kan en jämförelse av denna åtgärd göra det möjligt att jämföra den övergripande nätverksdynamiken genom hela modellen mellan grupper med ett enda statistiskt test, vilket möjliggör samtidig analys av de komplicerade förhållanden som modelleras och undviker de frågor som är förknippade med många jämförelser.
2. Utför en intresse region analys. De modeller som härleds representerar nätverksanslutning över hela cortex, över alla frekvensband. Om det finns intresse för specifika anatomiska områden eller i funktioner inom specifika band, kan dessa regioner i modellen isoleras och analyseras separat.
   1. Välj en anatomisk region av intresse.
      Anmärkning: Att begränsa analysen till specifika anatomiska områden gör det möjligt att utvärdera nätverksaktiviteten inom eller mellan specifika kortikala områden för att identifiera de förhållanden som inte kan vara uppenbara vid analys av modellen som helhet.
      1. Identifiera de konsekvens uppgifter som finns i modellen för de anatomiska områden som är av intresse.
      2. Härleda en kovariansmatris och utför en huvudkomponent analys enligt beskrivningen ovan för att beräkna mått på övergripande nätverksarkitektur inom intresseområdena.
      3. Jämför de åtgärder för nätverksdynamik inom de anatomiska områden av intresse mellan de grupper som beskrivs ovan.
   2. Välj en funktionell region av intresse.
      Anmärkning: Genom att begränsa analysen till specifika frekvensband kan man bedöma nätverksaktiviteten inom specifika oscillerande frekvenser (figur 4).
      1. Som med anatomiska analyser, isolera samstämmigheten data inom frekvensbanden av intresse. Se NetworkAnalysis_Demonstration. m och kompletterande figur 8 för exempel på implementering, med hjälp av interaktioner inom det övergripande spektrumet endast som ett exempel.
      2. Utföra huvudkomponent analys för att härleda åtgärder av övergripande nätverksaktivitet inom de band av intresse.
      3. Jämför åtgärderna mellan grupperna för att utvärdera nätverks skillnaderna vid specifika oscillatoriska frekvenser.
3. Använd maskininlärning.
   Obs: moderna statistiska inlärningsmetoder kan tillämpas på de modeller som genereras för att ytterligare förhöra de högnivå relationer som representeras inom dem.
   1. Använd övervakad inlärning.
      Anmärkning: Med hjälp av data med fördefinierade klasser kan modellerna av kortikala nätverk användas för att härleda klassificerare som kan användas för att identifiera signaturer inom de komplexa relationer som representeras av modellerna för att klassificera nya data, vilket öppnar möjligheten att undersöka nya diagnostiska och prognostiska biomarkörer, etc. Dessutom, vilka funktioner i modellerna driva dessa klassificeringar för att få insikter i de bakomliggande mekanismerna kan undersökas.
      1. Härleda klassificerarna. Med hjälp av förmärkta data kan en klassificerare härledas för att förutsäga klassen för en uppsättning data baserat på nätverks modellerna.
         1. Dela upp data i en uppsättning ämnesdata för utbildning och en uppsättning för att testa klassificeraren.
         2. Träna en klassificeringsalgoritm som en stödvektormaskin eller en slumpmässig skog på de markerade träningsdata.
         3. Utvärdera prestandan för den modellutbildade klassificeraren på testdata.
            Anmärkning: Dessa metoder gör det möjligt att använda de statistiska modellerna som indata för att härleda nya biomarkörer.
      2. Utför sekventiell eliminering.
         Anmärkning: Genom att använda modellen för att utbilda en klassificerare kan data tas bort iterativt och utbildningsprocessen kan upprepas för att identifiera vilka komponenter i modellen som driver dess prediktiva förmåga, vilket möjliggör utredning av de bakomliggande mekanismerna.
         1. Träna en klassificerare på modellen enligt beskrivningen ovan.
         2. Ta bort modell funktionen med den lägsta variationen mellan grupper.
         3. Upprepa träningsprocessen och Bedöm prestandan.
         4. Upprepa den iterativa funktionen borttagning tills de funktioner som bidrar mest till prestanda identifieras. Dessa är de modell komponenter som ansvarar för förmågan att skilja mellan klasserna.
   2. Utföra oövervakad inlärning.
      Anmärkning: att använda modellerna ensam, insikt kan vinnas in i de grupper som utreds. Genom att modellera data som hög-dimensionella konstruktioner baserat på relationerna mellan inspelningar, kan relationer mellan grupper som inte sågs på nivån för enskilda inspelningar bli uppenbara. Oövervakade tekniker som klusteralgoritmer möjliggör utredning av relationer inom modellerna utan att begränsas av de fördefinierade klasserna.
      1. Med hjälp av ett avståndsmått som Euclidean Distance beräknar du avstånds måtten mellan ämnen inom det utrymme som definieras av nätverks modellen. Se NetworkAnalysis_Demonstration. m och kompletterande figur 9 för ett exempel på genomförande.
      2. Med hjälp av en klusteralgoritm som k-närmaste grannar, identifiera grupper inom data baserat på modell parametrarna (figur 5).
      3. Upprepa proceduren med en sekventiell elimineringsprocedur enligt beskrivningen ovan för att undersöka hur enskilda funktioner bidrar till grupperingarna i modellen.
         Anmärkning: Detta gör det möjligt att använda de härledda modellerna för att identifiera grupperna inom de data som inte var uppenbara annars. Detta kan möjliggöra härledning av sjukdoms undertyper, patologiska grupperingar, etc., som endast är uppenbara på nätverksnivå.

Representative Results

Mätningar av spektraleffekten kommer att ge n åtgärder för varje uppmätt frekvensband, där n är antalet inspelade kanaler. Dessa åtgärder kommer att vara i decibel för den totala makten. Mått på effekt inom individuella frekvensband bör uttryckas som relativ effekt (dvs. den andel av den totala effekten som representeras av kraft inom det bandet) för att möjliggöra noggranna jämförelser mellan grupper och villkor.

Ett exempel på visualisering av spektralkraft över flera band och över inspelade kanaler visas i figur 2. Spektralkraft kan visualiseras interpoleras över hårbotten, vilket möjliggör begränsad uppskattning av "källa" av aktivitet.

Interelektrod konsekvens åtgärder ger en åtgärd för varje unik elektrodpar (dvs , där n är antalet kanaler som registrerats). Var och en av dessa åtgärder är mellan 0 och 1, där 0 representerar ingen samstämmighet mellan inspelningar och 1 representerar full samstämmighet mellan inspelningar. Detta är ett mått på i vilken utsträckning aktiviteten i ett område förändras beroende på aktiviteten i ett annat område, vilket möjliggör skillnader i riktning mot interaktion och tidsfördröjning. Högre värden av samstämmighet tyder på interaktion mellan områdena, där det framgår att de registrerade områdena kommunicerar med varandra. Genom att mäta samspelet mellan varje unikt elektrodpar kan man bygga upp en statistisk karta över hur de inspelade kanalerna interagerar. Detta möjliggör utredning av hur områden kommunicerar, snarare än att fokusera på enskilda områden i isolering, som i traditionella metoder. Ett exempel på visualisering av konsekvens åtgärder för en 8-elektrod montage visas i figur 3.

Dessa konsekvens åtgärder producerar snabbt stora mängder data och gör analyser av varje åtgärd med individuella statistiska tester en ohållbar strategi. Ytterligare, undersöka enskilda interaktioner är inte nödvändigtvis intressant eller meningsfull när man överväger interaktioner över hela kortikala nätverk. Dimensionalitet reduktions teknik såsom huvudkomponent analys gör det möjligt att bedöma åtgärder från dessa statistiska konstruktioner för att underlätta jämförelser av övergripande nätverksdynamik med hjälp av traditionella statistiska metoder. Klassificerare-baserade metoder, med hjälp av maskininlärningstekniker, erbjuder en ytterligare lovande aveny för att integrera dessa hög-dimensionella data konstruktioner för att klassificera data och förutsäga resultat.

Visualisering av högre ordningens nätverkdynamik gör det möjligt att erkänna de typer av interaktioner som jämförs med en huvudsaklig komponent analys, eller en klassificerare-baserad teknik. Detta kan åstadkommas med hjälp av färg mappning av kovariansmått av interelektrod konsekvens åtgärder elektrodpar. Detta utvärderar hur konsekvens åtgärderna vid ett elektrodpar relaterar till förändringar i samstämmighet vid ett annat par, vilket tyder på bredare nätverkskommunikation och integration av aktivitet över cortex. Detta möjliggör visualisering av hur områden interagerar på ett sätt som inte är möjligt med traditionella mått. Ett exempel på den typ av hög-dimensionell Nätverkskarta som kan skapas med hjälp av denna teknik visas i figur 4. Detta visar de skillnader som framgår av nätverksmappningen mellan två försökspersoner med olika kliniska fenotyper av en neuropsykiatrisk störning som påverkar kortikal funktion, där det inte fanns några statistiskt signifikanta skillnader med standard analysmetoder.

Figur 1: Schematisk dataanalys pipeline. Översikt över viktiga steg i utarbetandet av rådata och utvinning av åtgärder av intresse. Vänligen klicka här för att se en större version av denna siffra.

Figur 2: representativ matris med spektrala effektmått. Varje kolumn representerar en elektrod plats och varje rad representerar ett frekvensband av intresse. Cellfärgintensiteten representerar värdet av relativ effekt för motsvarande frekvens vid motsvarande elektrod plats. Producerar n x f -mått, där n är antalet inspelnings elektroder som används och f är antalet frekvensband av intresse. Vänligen klicka här för att se en större version av denna siffra.

Figur 3: representativ matris med konsekvens åtgärder för interelektrod. Varje rad och varje kolumn representerar en elektrod plats. Cellfärgintensiteten representerar värdet av interelektrod konsekvens mellan motsvarande elektrodpar. Producerar åtgärder för varje frekvensband av intresse, där n är antalet inspelnings elektroder som används. Vänligen klicka här för att se en större version av denna siffra.

Figur 4: representativ visualisering av högre ordningens nätverksdynamik, där två fenotyper av neuropsykiatrisk sjukdom jämförs. Varje rad och varje kolumn representerar ett unikt elektrodpar. Cellfärgintensiteten representerar värdet av kovariansen mellan motsvarande elektrodpar. Producerar åtgärder för varje frekvensband av intresse, där p är antalet unika elektrodpar som används. (A) visar både inom-och över-frekvens interaktioner inom kortikala nätverk, medan (B) visualiserar en region av intresse analys inriktad på nätverksdynamik inom det totala effekt spektrumet bara. Vänligen klicka här för att se en större version av denna siffra.

Figur 5: representativ visualisering av oövervakad klustringsalgoritm. I en grupp av till synes väl matchade patienter med neuropsykiatrisk störning identifierade klustring enbart baserat på modelldata grupper inom befolkningen som inte var uppenbara på standardanalyser. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 1: skärmdumpen visar eposning av EEG-data. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 2: skärmdumpen visar de viktigaste förbehandlings stegen. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 3: skärmdumpen visar filtrering för frekvenser av intresse. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 4: beräkna kanalspektra och isolera data inom enskilda band. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 5: beräkning av konsekvens mått för varje elektrodpar. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 6: mappa härledda mått till färgkartor och visualisering. Figur 3 och figur 4 visar prov utgångar. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 7: konstruktion av kovariansmatriser, utföra huvudkomponent analys och jämföra grupper baserade på huvudkomponenter. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 8: analys av specifika regioner av intresse genom att isolera delmängder av data. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 9: bestämning av avståndsmått och användning av en klusteralgoritm för att identifiera grupper med oövervakad inlärningsteknik. Vänligen klicka här för att se en större version av denna siffra.

Discussion

Metoden som beskrivs gör det möjligt att härleda statistiska kartor över kortikal nätverksdynamik från icke-invasiva EEG-data. Detta gör det möjligt att utreda fenomen som inte är lätt synliga vid undersökning av enkla tidsseriedata genom bedömning av hur de inspelade regionerna interagerar med varandra, snarare än att utvärdera vad som händer på varje enskild plats i Isolering. Detta kan avslöja viktiga insikter i sjukdoms patologi¹⁸.

Den viktigaste aspekten av denna metod är att säkerställa datakvalitet. Rigorösa datautvärdering, artefakt avvisande och förbehandling krävs för att säkerställa att data är av tillräckligt hög kvalitet för att ge meningsfulla resultat. Förutsatt att de data som används är av lämplig kvalitet, kan funktionen extraktion komponenten enkelt ändras för att modellera nätverkskommunikation i specifika regioner av intresse, eller inom godtyckliga frekvensgränser, samt modellering komplexa interaktioner mellan specifika regioner och frekvensband.

Detta tillvägagångssätt begränsas av den höga dimensionalitet av de producerade resultaten, som snabbt kan producera stora mängder data om många kanaler används. Detta kan begränsa tolkningsbarhet av rå resultat och resultera i långa beräkningstider. Användningen av dimensions reducerings tekniker, såsom huvudkomponent analys²³, är därför nödvändig för att möjliggöra meningsfulla statistiska jämförelser mellan grupper utan att behöva utföra ett enormt antal statistiska tester. Vidare kan användningen av det producerade högdimensionella nätverket kartor till stöd beslutsfattande kräva användning av maskininlärning klassificerare för att möjliggöra integrering av stora mängder data, som inte är lätt att tolka manuellt och kan inte lätt reduceras till en enda åtgärd²⁴.

Detta tillvägagångssätt erbjuder en mycket större kapacitet att undersöka förändringar i nätverksdynamik än rå EEG-tidserie, samtidigt som den erbjuder betydande fördelar jämfört med avbildningstekniker som funktionell MRI, inklusive enkel tillgänglighet, kostnad och större tid Upplösning. Framtida tillämpningar av denna metod för att subtypning av neurologiska sjukdomar, förutsägelse av behandlingssvar, och sjukdom Prognostication erbjuder möjligheten att kraftigt utvidga den kliniska nyttan av nuvarande kliniska EEG-teknik genom förbättrad dataanalysmetoder.

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