Modellazione statistica della connettività corticale mediante elettroencefalogrammi non invasivi

Questo protocollo è significativo in quanto consente lo studio delle reti corticali modellando il modo in cui le regioni interagiscono tra loro per rivelare differenze non evidenti con le tecniche di analisi standard. Il vantaggio principale di questa tecnica è che ci consente di indagare le funzioni di rete utilizzando apparecchiature ampiamente disponibili in modo da poter ottenere registrazioni elettriche non invasive senza la necessità di materiali specializzati. Questa tecnica consente l'indagine non invasiva delle malattie neuropsichiatriche esaminando le strutture di rete facilitando lo sviluppo di nuovi metodi diagnostici e biomarcatori terapeutici.

Questo metodo ha una vasta gamma di applicazioni all'interno delle neuroscienze cliniche, in particolare poiché il ruolo della funzione di rete nelle malattie diventa sempre più rilevante. Per la raccolta dei dati, collegare il tappo dell'elettrodo alla testa del paziente facendo attenzione a garantire un corretto allineamento. Iniettare gel conduttivo in ciascuna delle porte dell'elettrodo a partire dal cuoio capelluto e ritirarsi lentamente sulla superficie del cappuccio per stabilire il contatto elettrico con il cuoio capelluto e migliorare il rapporto segnale-rumore.

Quindi utilizzare un montaggio dell'elettrodo predeterminato basato sul sistema 10-20 per fissare gli elettrodi al tappo dell'elettrodo e fissare gli elettrodi di terra appropriati. Per impostare l'EEG, collegare tutti gli elettrodi a un sistema di registrazione elettrofisiologia e collegare il sistema di registrazione con un ambiente di registrazione digitale appropriato. Esaminare tutti i canali di registrazione per assicurarsi che l'offset si trova entro un intervallo appropriato ed evitare un rumore eccessivo del canale.

L'algoritmo produrrà risultati indipendentemente dalla qualità dei dati, quindi le registrazioni devono essere eseguite in condizioni rigorose di qualità dei dati e devono essere analizzate prima del loro utilizzo. Quindi istruire il paziente che la registrazione è iniziata ed evitare tutti i movimenti non necessari prima di condurre una breve registrazione di prova per verificare l'adeguata qualità di registrazione. Al termine dell'analisi, caricare i dati EEG e tutte le librerie di script aggiuntive, se necessario, in un ambiente di analisi dei dati adatto.

Scartare il primo e gli ultimi cinque minuti di ogni registrazione per ridurre la contaminazione di eventuali artefatti di movimento e dividere i dati in epoche basate sull'attività o se si tratta di uno stato di riposo che registra una durata predeterminata. Per preparare i dati, correggere la linea di base delle registrazioni sottraendo la media di tutti i canali dalle registrazioni per evitare l'impatto di qualsiasi vagabondaggio di base durante registrazioni prolungate. Riferenziare tutti i canali a un riferimento appropriato.

Quindi filtrare digitalmente tutti i canali per isolare le frequenze di interesse. Per calcolare gli spettri di potenza complessivi dei dati, eseguire una trasformata di Fourier di ogni canale analizzata nell'intero intervallo di frequenza da valutare. Per valutare l'attività delle singole bande di frequenza, isolare la banda theta a quattro-otto hertz, la banda alfa da otto a 12 hertz, la banda beta a 12-30 hertz, la banda delta a 0,5-quattro hertz e la banda gamma a più di 30 hertz.

Per valutare le interazioni tra la prima coppia di elettrodi, derivare una misura della coerenza tra elettrodi. Per valutare la coerenza, mappare le misure della coerenza tra elettrodi da visualizzare su una struttura dati bidimensionale in cui ogni colonna è una posizione dell'elettrodo, ogni riga è una posizione dell'elettrodo, e ogni cella è la coerenza tra la coppia di elettrodi corrispondente e mappare i valori di coerenza tra zero e un colore. Quindi esportare una mappa dei colori che visualizza la coerenza tra elettrodi tra ogni coppia di elettrodi entro i limiti di frequenza utilizzati.

Per visualizzare interazioni di ordine superiore tra aree corticali e per mappare la dinamica di rete, calcolare come ogni coppia di elettrodi misura le covaries con quelle di ogni altra coppia di elettrodi univoca attraverso lo spettro complessivo e all'interno di bande specifiche. Quindi mappare queste misure di covarianza ai colori ed esportare una mappa dei colori che visualizza le dinamiche di rete all'interno e tra le bande di frequenza. Per eseguire una riduzione dimensionale, derivare misure di confronto tra i gruppi che rappresentano la dinamica di rete complessiva all'interno dei modelli statistici generati utilizzando l'analisi dei componenti principali.

Istruisci una matrice di covarianza per le misure di coerenza a coppie per consentire la visualizzazione delle relazioni di rete di alto livello e decomporre la matrice di covarianza in autovettori e autovalori corrispondenti per consentire l'identificazione dell'asse all'interno dello spazio delle feature del modello che contengono la maggiore varianza senza essere delimitati dalle misure esistenti. Classificare gli autovettori in base ai loro corrispondenti autovalori per identificare quelli che rappresentano la maggior parte della varianza all'interno del modello. Quindi confrontare i primi componenti principali derivati dai modelli di rete.

Per selezionare un'area di interesse funzionale, isolare i dati di coerenza all'interno delle bande di frequenza di interesse. Eseguire un'analisi dei componenti principali per derivare misure dell'attività complessiva della rete all'interno delle bande di interesse. Quindi confrontare le misure tra i gruppi per valutare le differenze di rete a specifiche frequenze oscillatorie.

Per eseguire l'apprendimento non supervisionato utilizzando una metrica a distanza come la distanza euclidea, calcolare le misure di distanza tra i soggetti all'interno dello spazio definito dal modello di rete. Quindi utilizzare un algoritmo di clustering come k-nearest neighbors per identificare i gruppi all'interno dei dati in base ai parametri del modello. La potenza spettrale può essere vista interpolata attraverso il cuoio capelluto permettendo una stima limitata della fonte di attività.

Ciascuna misura dell'elettrodo interelettrodo indica la misura in cui l'attività in un'area cambia a seconda dell'attività in un'altra area, tenendo conto delle differenze nella direzione dell'interazione e del ritardo. Valori più elevati di coerenza tra elettrodi suggeriscono interazioni tra aree da cui è evidente che le aree registrate comunicano tra loro. Misurando le interazioni tra ogni coppia di elettrodi unica, è possibile costruire una mappa statistica di come interagiscono i canali registrati, consentendo di investigare come le aree comunicano piuttosto che concentrarsi su singole aree di isolamento.

La visualizzazione della dinamica di rete di ordine superiore facilita il riconoscimento dei tipi di interazioni confrontate da un'analisi dei componenti principali o da una tecnica basata su classificatori per valutare come le misurazioni di coerenza in una coppia di elettrodi si relazionano ai cambiamenti di coerenza in un'altra coppia. Ad esempio, qui possiamo visualizzare le differenze evidenti nella mappatura della rete tra due soggetti con diversi fenotipi clinici di un disturbo neuropsichiatrico che influisce sulla funzione corticale dove non c'erano differenze statisticamente significative usando metodi di analisi standard. In seguito alla derivazione di misure di rete utilizzando questa procedura, le tecniche di machine learning possono essere utilizzate per sfruttare i modelli ricchi di dati prodotti per consentire analisi diagnostiche e prognostiche più sofisticate.

Questa tecnica ha permesso l'indagine dei sottotipi di malattia nella sindrome di Rett, una malattia neuropsichiatrica pediatrica, nonché la previsione delle risposte a nuovi trattamenti e stato di epilessia.