Name: 非侵襲的脳波を用いた皮質接続の統計的モデリング (動画) | JoVE Journal
Uploaded: 2019-11-01T13:30:00.000+00:00
Duration: 8 min 51 s
Description: 学ぶ、非侵襲的脳波記録を用いた皮質ネットワークの統計的モデリング手法。電極間コヒーレンス解析により神経精神疾患の新規診断法と治療バイオマーカー開発を支援する。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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。

<ol><li>Rosenow, F., Klein, K. M., Hamer, H. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Non-invasive+EEG+evaluation+in+epilepsy+diagnosis%5BTitle%5D)+AND+%22Expert+Review+of+Neurotherapeutics%22%5BJournal%5D)">Non-invasive EEG evaluation in epilepsy diagnosis.</a> Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).</li>
<li>Sharmila, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Epilepsy+detection+from+EEG+signals%3A+a+review%5BTitle%5D)+AND+%22Journal+of+Medical+Engineering+%26+Technology%22%5BJournal%5D)">Epilepsy detection from EEG signals: a review.</a> Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).</li>
<li>Nunez, P., Srinivasan, R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aNunez%2C+P+%22Electric+Fields+of+the+Brain%3A+The+Neurophysics+of+EEG%22">Electric Fields of the Brain: The Neurophysics of EEG</a>. , Oxford University Press. (2006).</li>
<li>Glover, G. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Overview+of+functional+magnetic+resonance+imaging%5BTitle%5D)+AND+%22Neurosurgery+Clinics+of+North+America%22%5BJournal%5D)">Overview of functional magnetic resonance imaging.</a> Neurosurgery Clinics of North America. 22 (2), 133-vii(2011).</li>
<li>Lin, E., Alessio, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What+are+the+basic+concepts+of+temporal%2C+contrast%2C+and+spatial+resolution+in+cardiac+CT%3F%5BTitle%5D)+AND+%22Journal+of+Cardiovascular+Computed+Tomography%22%5BJournal%5D)">What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT?</a> Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).</li>
<li>Kim, S., Richter, W., Uǧurbil, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Limitations+of+temporal+resolution+in+functional+MRI%5BTitle%5D)+AND+%22Magnetic+Resonance+in+Medicine%22%5BJournal%5D)">Limitations of temporal resolution in functional MRI.</a> Magnetic Resonance in Medicine. 37, 631-636 (1997).</li>
<li>Fox, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+Symptoms+to+Brain+Networks+with+the+Human+Connectome%5BTitle%5D)+AND+%22New+England+Journal+of+Medicine%22%5BJournal%5D)">Mapping Symptoms to Brain Networks with the Human Connectome.</a> New England Journal of Medicine. 379, 2237-2245 (2018).</li>
<li>Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Independent+component+analysis+of+electroencephalographic+data%5BTitle%5D)+AND+%22Advances+in+neural+information+processing+systems%22%5BJournal%5D)">Independent component analysis of electroencephalographic data.</a> Advances in neural information processing systems. 8, MIT Press. Cambridge, MA. 145-151 (1996).</li>
<li>Bowyer, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Coherence+a+measure+of+the+brain+networks%3A+past+and+present%5BTitle%5D)+AND+%22Neuropsychiatric+Electrophysiology%22%5BJournal%5D)">Coherence a measure of the brain networks: past and present.</a> Neuropsychiatric Electrophysiology. , (2016).</li>
<li>Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+and+MEG+coherence%3A+measures+of+functional+connectivity+at+distinct+spatial+scales+of+neocortical+dynamics%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics.</a> Journal of Neuroscience Methods. 166 (1), 41-52 (2007).</li>
<li>Bullmore, E., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+brain+networks%3A+graph+theoretical+analysis+of+structural+and+functional+systems%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Complex brain networks: graph theoretical analysis of structural and functional systems.</a> Nature Reviews Neuroscience. 10, 186-198 (2009).</li>
<li>Baccalá, L., Sameshima, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Partial+directed+coherence%3A+a+new+concept+in+neural+structure+determination%5BTitle%5D)+AND+%22Biological+Cybernetics%22%5BJournal%5D)">Partial directed coherence: a new concept in neural structure determination.</a> Biological Cybernetics. 84, 463-474 (2001).</li>
<li>Sameshima, K., Baccalá, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+partial+directed+coherence+to+describe+neuronal+ensemble+interactions%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Using partial directed coherence to describe neuronal ensemble interactions.</a> Journal of Neuroscience Methods. 94, 93-103 (1999).</li>
<li>Seth, A., Barrett, A. B., Barnett, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Granger+causality+analysis+in+neuroscience+and+neuroimaging%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Granger causality analysis in neuroscience and neuroimaging.</a> Journal of Neuroscience. 35, 3293-3297 (2015).</li>
<li>Hesse, W., Möller, E., Arnold, M., Schack, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+use+of+time-variant+EEG+Granger+causality+for+inspecting+directed+interdependencies+of+neural+assemblies%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies.</a> Journal of Neuroscience Methods. 124, 27-44 (2003).</li>
<li>Nunez, P. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+coherency.+I%3A+Statistics%2C+reference+electrode%2C+volume+conduction%2C+Laplacians%2C+cortical+imaging%2C+and+interpretation+at+multiple+scales%5BTitle%5D)+AND+%22Electroencephalography+and+Clinical+Neurophysiology%22%5BJournal%5D)">EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales.</a> Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).</li>
<li>Nunez, P. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+coherency+II%3A+experimental+comparisons+of+multiple+measures%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">EEG coherency II: experimental comparisons of multiple measures.</a> Clinical Neurophysiology. 110, 469-486 (1999).</li>
<li>Keogh, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+and+genetic+Rett+syndrome+variants+are+defined+by+stable+electrophysiological+profiles%5BTitle%5D)+AND+%22BMC+Pediatrics%22%5BJournal%5D)">Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles.</a> BMC Pediatrics. 18 (1), 333(2018).</li>
<li>Peters, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain+functional+networks+in+syndromic+and+non-syndromic+autism%3A+a+graph+theoretical+study+of+EEG+connectivity%5BTitle%5D)+AND+%22BMC+Medicine%22%5BJournal%5D)">Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity.</a> BMC Medicine. 11, 54(2013).</li>
<li>Jie, B., Wee, C., Shen, D., Zhang, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hyper-connectivity+of+functional+networks+for+brain+disease+diagnosis%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Hyper-connectivity of functional networks for brain disease diagnosis.</a> Medical Image Analysis. 32, 84-100 (2016).</li>
<li>Zhang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topographical+Information-Based+High-Order+Functional+Connectivity+and+Its+Application+in+Abnormality+Detection+for+Mild+Cognitive+Impairment%5BTitle%5D)+AND+%22Journal+of+Alzheimer%27s+Disease%22%5BJournal%5D)">Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment.</a> Journal of Alzheimer's Disease. 54, 1095-1112 (2016).</li>
<li>Delorme, A., Scott, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEGLAB%3A+an+open+source+toolbox+for+analysis+of+single-trial+EEG+dynamics+including+independent+component+analysis%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis.</a> Journal of Neuroscience Methods. 134, 1(2004).</li>
<li>Calabrese, B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCalabrese%2C+B+%22Encyclopedia+of+Bioinformatics+and+Computational+Biology%22">Encyclopedia of Bioinformatics and Computational Biology</a>. , Elsevier. (2019).</li>
<li>Colic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Support+Vector+Machines+Using+EEG+Features+of+Cross-Frequency+Coupling+Can+Predict+Treatment+Outcome+in+Mecp2-Deficient+Mice%5BTitle%5D)+AND+%22Conference+Proceedings+of+the+IEEE+Engineering+in+Medicine+and+Biology+Society%22%5BJournal%5D)">Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice.</a> Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).</li>
</ol>

著者たちは何も開示する必要はない。

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...

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。

<table><tbody><tr><td>電極キャップ</td><td>エレクトロキャップインターナショナル</td><td></td><td>または任意の適切なキャップ</td></tr><tr><td>導電性ゲル</td><td>SignaGel</td><td></td><td>または任意の適切なゲル</td></tr><tr><td>ピン型電極</td><td>BioSemi</td><td></td><td>または任意の適切な電極</td></tr><tr><td>BioSemi Active Two 記録システム</td><td>BioSemi</td><td></td><td></td></tr><tr><td>ActiView 記録環境</td><td>BioSemi</td><td></td><td></td></tr><tr><td>MATLAB ソフトウェア</td><td>Mathworks</td><td></td><td></td></tr></tbody></table>

非侵襲的脳波を用いた皮質接続の統計的モデリング

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

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。

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(<img src="/files/ftp_upload/60249/60249eq7...

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。

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, ...

このプロトコルは、領域が互いにどのように相互作用するかをモデル化することによって皮質ネットワークの調査を可能にし、標準的な分析技術では明らかでない違いを明らかにすることができるので重要です。この技術の主な利点は、広く利用可能な機器を使用してネットワーク機能を調査することができるので、特殊な材料を必要とせずに非侵襲的な電気記録を得ることができるということです。この技術は、新しい診断方法および治療バイオマーカーの開発を促進するネットワーク構造を調べることによって、神経精神疾患の非侵襲的な調査を可能にする。この方法は、特に疾患におけるネットワーク機能の役割がますます関連しつつあるため、臨床神経科学における幅広い応用範囲を有する。データ収集の場合は、正しい位置合わせを確実に行うため、患者の頭部に電極キャップを取り付けます。頭皮から始まる電極ポートに導電性ゲルを注入し、キャップ表面にゆっくりと引きこみ、頭皮との電気的接触を確立し、信号対雑音比を改善します。次に、10-20系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、適切な接地電極を固定する。脳波をセットアップするには、すべての電極を電気生理学的記録システムに接続し、適切なデジタル記録環境で記録システムをリンクします。すべての記録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、チャンネルノイズが過剰にならないようにします。このアルゴリズムはデータ品質に関係なく結果を生成するため、記録は厳密なデータ品質条件下で実行され、使用前に分析する必要があります。次に、記録が開始されたことを患者に指示し、適切な記録品質を検証するために短いテスト記録を行う前にすべての不要な動きを避けるように指示します。解析の最後に、必要に応じて、EEG データと追加のスクリプト ライブラリを適切なデータ分析環境に読み込みます。各記録の最初と最後の5分間を破棄して、動きアーティファクトの汚染を減らし、タスクに基づいてデータをエポックに分割するか、または所定の期間を記録している静止状態である場合。データを準備するには、録画の平均を減算して録画のベースラインを修正し、長時間の録画中にベースラインが放浪する影響を回避します。すべてのチャネルを適切な参照に再参照します。その後、デジタルですべてのチャンネルをフィルタリングし、対象の周波数を分離します。データの全体的な電力スペクトルを計算するには、評価対象の周波数範囲全体にわたって解析される各チャンネルのフーリエ変換を実行します。個々の周波数帯域の活性を評価するには、シータバンドを4~8ヘルツ、アルファバンドを8~12ヘルツ、ベータバンドを12~30ヘルツ、デルタバンドを0.5~4ヘルツ、ガンマバンドを30ヘルツ以上で分離します。第1電極対間の相互作用を評価するために、電極間一貫性の尺度を導出する。一貫性を評価するために、視覚化する電極間コヘレンスの測定値を、各列が電極位置、各行が電極位置、各セルが対応する電極対の間の一貫性を示す2次元データ構造にマッピングし、一貫性値をゼロから1色の間にマッピングします。次に、使用される周波数制限内の各電極対間の電極間コヘレンスを可視化するカラーマップをエクスポートします。皮質領域間のより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、各電極ペアのコヒレンスが、スペクトル全体および特定のバンド内で他のすべてのユニークな電極ペアのペアとの共変化をどのように測定するかを計算します。次に、これらの共分散メジャーを色にマップし、周波数帯域内および周波数帯全体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。次元縮小を実行するには、主成分分析を使用して生成された統計モデル内のネットワークダイナミクス全体を表すグループ間の比較のメジャーを導き出します。ペアワイズコヘレンスメジャーの共分散行列に指示して、高レベルのネットワーク関係を視覚化し、共分散行列を固有ベクトルと対応する固有値に分解して、既存のメジャーに制限されることなく最大の分散を含むモデル特徴空間内の軸を識別できるようにします。固有ベクトルを対応する固有値でランク付けして、モデル内の分散の最大の割合を占めるものを識別します。次に、ネットワーク モデルから派生した最初の基本コンポーネントを比較します。目的の機能領域を選択するには、目的の周波数帯域内でコヘレンス データを分離します。対象の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すために、原則コンポーネント分析を実行します。次に、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差を評価します。ユークリッド距離などの距離メトリックを使用して教師なし学習を実行するには、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計測値を計算します。次に、k-nearest 隣接などのクラスター化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。スペクトルパワーは、頭皮全体に補間して視覚化することができ、活動源の限られた推定を可能にする。電極間電極測定のそれぞれは、相互作用とタイムラグの方向の違いを可能にする別の領域での活動に応じて、ある領域の活動がどの程度変化するかを示す。電極間コテレンスの値が高いほど、記録された領域が互いに通信していることが明らかな領域間の相互作用が示唆されます。すべてのユニークな電極ペア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、個々の孤立領域に焦点を当てるのではなく、領域がどのように通信しているかを調査することができます。高次ネットワークダイナミクスの可視化により、原理成分分析または分類器ベースの手法によって比較される相互作用の種類の認識が容易にし、ある電極ペアでのコヘレンス測定が別のペアでの一貫性の変化にどのように関連しているかを評価します。例えば、標準的な分析法を用いて統計的に有意な差がなかった皮質機能に影響を及ぼす神経精神疾患の異なる臨床フェノタイプを有する2つの被験者間のネットワークマッピングにおける明らかな差異を可視化することができる。この手順を使用したネットワーク対策の導出に続いて、機械学習技術を使用して、より高度な診断および予後分析を可能にするために、生成されたデータ豊富なモデルを活用することができます。この技術により、小児神経精神疾患であるレット症候群の疾患サブタイプの調査と、新しい治療およびてんかんの状態に対する応答の予測が可能になった。

statistical-modelling-cortical-connectivity-using-non-invasive

Research

JoVE Journal

Neuroscience

神経科学

我々は侵襲的なてんかんの監視を受けているヒトから研究目的electrocorticographic信号を収集するための手法を提案する。我々は、データ収集、信号処理と刺激プレゼンテーションのためBCI2000ソフトウェアプラットフォームを使用する方法を示します。具体的には、SIGFRIED、リアルタイム脳機能マッピングのためのBCI2000ベースのツールを示しています。...

神経科学の研究とリアルタイム機能皮質マッピングのためのヒトElectrocorticographic（ECOG）信号を記録

我々は、磁気共鳴画像法（MRI）によって捕捉解剖学的情報と組み合わせ磁気と脳波（MEG /...

同時MEG / EEGおよび解剖学的に制約のある最小ノルム推定値を使用してマッピング皮質ダイナミクス：聴覚注意の例

近年、認知神経科学実験のために頭皮測定された電気的活動の皮質源を推定する関心が高まっている。この記事では、高密度脳波を取得した方法と、録音はロンドン赤ちゃんラボで2歳以上の小児の皮質源推定のために処理される方法について説明します。...

子供高密度脳波記録の皮質ソース解析

マルチモーダルImaging-とてんかんの患者で接続関連の脳の興奮性を評価するの刺激に基づく方法

このプロトコルは、側頭葉てんかん(TLE)患者における近心ネットワーク測定の進展を追跡する手順を説明しています。これは、頭蓋内記録とデータ分析のための新しい数値技術の組み合わせに基づいています。具体的には、卵円孔の記録のネットワーク解析のためのプロトコルを提示します。...

薬剤耐性側頭葉てんかん患者における孔開存電極レコーディングのネットワーク解析

慢性経頭蓋高密度脳波モンタージュの低コストな構築と外科的移植のための指示書が提供されています。信号の記録、抽出、および処理技術についても説明します。...

低コストかつオープンソースのリソースの使用げっ歯類モデルにおける高密度脳波取得

イメージング法、イメージング法、時空間的な fMRI に制約のある脳波ソースとして知られている脳波 fMRI マルチ モーダルを次に紹介します。提案手法では、条件付きでアクティブな fMRI...

同時脳波と機能的 MRI 皮質活動の動的イメージングのための統合解析

統計的パラメトリック マッピング (SPM) ソフトウェアを使用して頭蓋内脳波データを分析するために使用できる 2 つの分析のプロトコルを提案する: 時間周波数統計的パラメトリック マッピング解析神経活動と動的因果関係内間 regional...

神経活動と Spm と頭蓋内脳波データを使用した接続の分析

実験プロトコルは、脳卒中患者の上肢運動中の脳波(EEG)信号を取得および分析するためのパラダイムを示しています。低ベータ脳波周波数帯の機能的ネットワークの変化は、障害のある上肢の運動中に観察され、運動障害の程度と関連していました。...

慢性脳卒中における上肢障害のバイオマーカーとしての脳波ネットワーク指標

皮質ネットワークの脳波記録(TMS-EEG)マッピングと組み合わせたパーソナライズされた経頭蓋磁気刺激のための新しいプロトコルで、複数の磁気共鳴画像法(MRI)データモダリティによって通知されます。...

リアルタイム皮質ネットワークマッピングのためのニューロイメージングガイド下TMS-EEG

本プロトコルは、物理に基づく神経シミュレーションを用いて神経療法の電気生理学的バイオマーカーを解釈し、神経回路への影響を明らかにし、神経治療開発に基づいたメカニズム的アプローチを提供します。...

ヒト新皮質ニューロソルバーを用いて脳波電波に対する神経治療効果の神経メカニズムを明らかにするためのプロトコル

学ぶ、非侵襲的脳波記録を用いた皮質ネットワークの統計的モデリング手法。電極間コヒーレンス解析により神経精神疾患の新規診断法と治療バイオマーカー開発を支援する。

非侵襲的脳波を用いた皮質接続の統計的モデリング

さらに動画を探す