Artykuł metodologiczny

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

5.2K wyświetleń

⸱

DOI:

10.3791/60249

⸱

1 listopada 2019

 ,  ,  , 
1University Hospital Limerick, 2Tuscany Rett Center, Ospedale Versilia, 3Neuropsychiatric Genetics, Trinity Centre for Health Sciences, St. James Hospital

W tym artykule

Podsumowanie

Standardowe techniki analizy EEG oferują ograniczony wgląd w funkcjonowanie układu nerwowego. Wyprowadzanie modeli statystycznych połączeń korowych daje znacznie większe możliwości badania podstawowej dynamiki sieci. Poprawa oceny funkcjonalnej otwiera nowe możliwości diagnozowania, prognozowania i przewidywania wyników w chorobach układu nerwowego.

Streszczenie

Nieinwazyjne zapisy elektrofizjologiczne są przydatne do oceny funkcji układu nerwowego. Techniki te są niedrogie, szybkie, powtarzalne i mniej zasobożerne niż obrazowanie. Co więcej, uzyskane dane funkcjonalne mają doskonałą rozdzielczość czasową, co nie jest osiągalne w przypadku obrazowania strukturalnego.

Obecne zastosowania elektroencefalogramów (EEG) są ograniczone przez metody przetwarzania danych. Standardowe techniki analizy wykorzystujące surowe dane szeregów czasowych na poszczególnych kanałach są bardzo ograniczonymi metodami badania aktywności układu nerwowego. Bardziej szczegółowe informacje na temat funkcji kory mózgowej można uzyskać, badając relacje między kanałami i wyprowadzając modele statystyczne interakcji między obszarami, co pozwala na wizualizację połączeń między sieciami.

Ten manuskrypt opisuje metodę wyprowadzania modeli statystycznych aktywności sieci korowej poprzez rejestrację EEG w standardowy sposób, a następnie badanie miar koherencji międzyelektrodowej w celu oceny relacji między zarejestrowanymi obszarami. Interakcje wyższego rzędu można dalej badać, oceniając kowariancję między parami koherencji, tworząc wysokowymiarowe "mapy" interakcji sieciowych. Te konstrukty danych mogą być badane w celu oceny funkcji sieci korowej i jej związku z patologią w sposób nieosiągalny przy użyciu tradycyjnych technik.

To podejście oferuje większą czułość na interakcje na poziomie sieci, niż jest to możliwe do osiągnięcia przy użyciu surowej analizy szeregów czasowych. Jest ona jednak ograniczona ze względu na złożoność wyciągania konkretnych wniosków mechanistycznych na temat leżących u podstaw populacji neuronalnych oraz duże ilości generowanych danych, co wymaga bardziej zaawansowanych technik statystycznych do oceny, w tym redukcji wymiarowości i podejść opartych na klasyfikatorach.

Wprowadzenie

Ta metoda ma na celu stworzenie statystycznych map sieci korowych na podstawie nieinwazyjnych zapisów elektrod przy użyciu klinicznie użytecznego układu, aby umożliwić badanie patologii układu nerwowego, wpływ nowych terapii i rozwój nowych biomarkerów elektrofizjologicznych.

EEG oferuje ogromny potencjał do badania funkcji układu nerwowego i chorób1,2. Technologia ta jest niedroga, łatwo dostępna w warunkach badawczych i klinicznych i ogólnie dobrze tolerowana. Prosty, nieinwazyjny charakter zapisów sprawia, że zastosowanie kliniczne jest proste, a istniejące ramy klinicznych oddziałów EEG pozwalają na łatwy dostęp do technologii dla klinicystów.

Z technicznego punktu widzenia, EEG oferuje doskonałą rozdzielczość w dziedzinie czasu3. Ma to ogromne znaczenie przy badaniu funkcji układu nerwowego ze względu na szybkie skale czasowe interakcji układu nerwowego i dynamikę sieci. Podczas gdy metody obrazowania, takie jak funkcjonalny rezonans magnetyczny, oferują większą rozdzielczość przestrzenną i łatwe do interpretacji obrazy, są znacznie bardziej ograniczone pod względem zdolności do badania funkcji układu nerwowego w precyzyjnych skalach czasowych oferowanych przez zapisy elektrofizjologiczne4,5,6.

Rośnie zapotrzebowanie na możliwość badania funkcji układu nerwowego w celu informowania o diagnozie, leczeniu i prognozowaniu chorób układu nerwowego. Rola dynamiki sieci korowej w patologii układu nerwowego jest coraz częściej uznawana7. W wielu patologiach układu nerwowego nie powstają makroskopowe zmiany strukturalne widoczne przy tradycyjnym obrazowaniu, ale nieprawidłowości powstałe na poziomie sieci mogą być widoczne przy zastosowaniu odpowiednich metod analizy funkcjonalnej.

Niestety, obecne metody analizy EEG są pod tym względem bardzo ograniczone. Tradycyjne metody polegają na analizie prostych danych szeregów czasowych z poszczególnych elektrod. Sygnały te reprezentują sumę potencjałów pola w dużych obszarach kory mózgowej3,8. Analiza danych z poszczególnych kanałów w izolacji za pomocą oględzin lub prostych metod statystycznych ogranicza przydatność tych nagrań do wykrywania rażących nieprawidłowości elektrofizjologicznych w wydzielonych, indywidualnych lokalizacjach. Wraz z rosnącym uznaniem znaczenia efektów na poziomie sieci dla funkcjonowania układu nerwowego i patologii, te proste metody analizy są wyraźnie niewystarczające, ponieważ nie są w stanie wykryć subtelnych relacji między sygnałami, reprezentujących nieprawidłowości w tym, jak obszary kory mózgowej oddziałują ze sobą na poziomie sieci.

Pokazano metodę wyprowadzania map statystycznych połączeń sieci korowej z niskowymiarowych zapisów elektrod. Metoda ta pozwala na badanie dynamiki interakcji między różnymi obszarami mózgu w sposób, który nie jest możliwy przy użyciu tradycyjnych technik analizy, a także wizualizację tych interakcji sieciowych. Otwiera to możliwość nieinwazyjnego badania efektów na poziomie sieci w wysokich rozdzielczościach czasowych w domenie w sposób, który wcześniej nie był możliwy. Metoda ta opiera się na wyprowadzeniu miar koherencji międzyelektrodowej9,10. Miary te pozwalają na zbadanie, w jaki sposób dwa zarejestrowane regiony oddziałują na siebie, oceniając relacje statystyczne między nagraniami tych obszarów11. Oceniając, w jaki sposób każdy zarejestrowany obszar oddziałuje z każdym innym zarejestrowanym obszarem, można stworzyć statystyczną mapę sieci elektrofizjologicznych w obrębie zarejestrowanych obszarów. Pozwala to na odkrycie zależności funkcjonalnych, które nie są widoczne przy ocenie danych z poszczególnych kanałów w izolacji.

Nacisk tego manuskryptu skupia się na wykorzystaniu koherencji w neuronowych szeregach czasowych. Obecnie istnieje wiele technik badania relacji między danymi szeregów czasowych, które można zastosować do kanałów w sposób parami w celu uzyskania modeli połączeń korowych. Niektóre metody, takie jak powiązana częściowa ukierunkowana koherencja12,13, mają na celu wywnioskowanie kierunku wpływu badanej pary sygnałów, aby lepiej scharakteryzować strukturę sieci leżących u ich podstaw, podczas gdy inne metody, takie jak przyczynowość Grangera14,15, próba wywnioskowania zależności funkcjonalnych poprzez zdolność jednego sygnału do przewidywania danych w innym. Metody takie jak te mogą być stosowane w podobny sposób do generowania wielowymiarowych modeli sieci korowych. Jednak zalety koherencji jako metody badania relacji między sygnałami neuronowymi polegają na braku założeń. Możliwe jest zbadanie zależności statystycznych między nagraniami w dwóch miejscach bez formułowania stwierdzeń na temat funkcjonalnych podstaw tych relacji oraz zbudowanie modelu połączeń korowych opartego wyłącznie na związkach statystycznych z minimalnymi założeniami dotyczącymi sieci korowych generujących te sygnały.

Ze względu na czysto matematyczną naturę tych pomiarów, związek między pomiarami koherencji nagrań elektrod na skórze głowy a leżącą u ich podstaw aktywnością neuronalną jest złożony16,17. Chociaż metody te pozwalają na wyprowadzenie konstrukcji statystycznych opisujących relacje między zapisami elektrod w celu porównania, wyciąganie bezpośrednich wniosków przyczynowo-skutkowych na temat aktywności określonych podstawowych populacji neuronów nie jest proste3,8,16,17. Podejścia te pozwalają na porównanie aktywności na poziomie sieci między grupami w celu zidentyfikowania potencjalnie użytecznych biomarkerów, ale są ograniczone pod względem wyciągania konkretnych wniosków dotyczących związku tych markerów z określonymi mechanizmami neuronalnymi. Wynika to z dużej liczby czynników zakłócających wpływających na rejestrowaną aktywność3, a także problemów z oszacowaniem konkretnego korowego źródła sygnałów elektrycznych zarejestrowanych na poziomie skóry głowy8. Podejścia te mogą raczej prowadzić do tworzenia statystycznych modeli aktywności, które można badać i porównywać między grupami w celu ustalenia, czy różnice istnieją na poziomie sieci18 i można je wykorzystać do tworzenia nowych biomarkerów opartych na tych konstruktach. Jednak same te metody mają ograniczoną zdolność do powiązania obserwowanych różnic z określonymi mechanizmami i aktywnościami neuronalnymi ze względu na złożoność systemu leżącego u podstaw systemu.

Stosowanie miar sieciowych, takich jak koherencja, jest dobrze znane w neuronauce systemów16,17. Pełny potencjał tych podejść do modelowania i badania funkcji kory mózgowej został ograniczony przez brak wykorzystania tych wielowymiarowych struktur danych. Praca ta pokazuje, że możliwe jest zastosowanie tych pomiarów do kanałów EEG w sposób parami w celu odwzorowania danych na wysokowymiarową przestrzeń cech opartą wyłącznie na statystycznych związkach między aktywnością elektryczną w obszarach kory mózgowej. Wykazano również, że przy użyciu nowoczesnych technik statystycznych możliwe jest wykorzystanie wygenerowanych modeli funkcji kory mózgowej do zbadania tych modeli bez utraty informacji uzyskanych w procesie modelowania.

Ta metoda jest potencjalnie cenna w rozszerzaniu zakresu zastosowań istniejących technologii EEG, poprawiając zdolność do uzyskiwania użytecznych środków funkcjonalnych bez konieczności adaptacji do istniejącego sprzętu rejestrującego18,19. Poprawiając zdolność do modelowania funkcji kory mózgowej i przesłuchiwania tych modeli, rozszerzono pytania, które można zbadać za pomocą danych EEG. To dodatkowo otwiera możliwość większej integracji ocen funkcjonalnych i strukturalnych w celu badania chorób neurologicznych20,21. Podejście to, wykorzystujące technologię, która jest już powszechnie dostępna klinicznie, umożliwiłoby badanie patologii kory mózgowej zarówno z wysoką rozdzielczością czasową, jak i przestrzenną.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Poniższy protokół eksperymentalny jest zgodny ze wszystkimi lokalnymi, krajowymi i międzynarodowymi wytycznymi etycznymi dotyczącymi badań z udziałem ludzi. Dane wykorzystane do przetestowania protokołu zostały pozyskane za zgodą Komisji Etycznej regionu Toskanii-protokół 2018SMIA112 SI-RE.

UWAGA: Skrypty wykorzystane do przeprowadzenia opisanych analiz są dostępne pod adresem https://github.com/conorkeogh/NetworkAnalysis.

1. Gromadzenie surowych danych

  1. Przygotowanie warunków dla badanego.
    1. Aby zapewnić spójność wszystkich pomiarów, należy przeprowadzać wszystkie zapisy EEG w dedykowanym środowisku pomiarowym. Z pomieszczenia należy usunąć wszelki sprzęt lub bodźce niezwiązane bezpośrednio z zadaniem wykonywanym podczas pomiaru, aby uniknąć rozproszenia uwagi.
      UWAGA: Jeśli planowane są pomiary w stanie spoczynku, należy usunąć z pomieszczenia wszystkie źródła rozproszenia, a badanych zapoznać ze środowiskiem pomiarowym przed sesją, aby wyeliminować efekt nowości otoczenia.
    2. Przekazać badanemu jasne instrukcje dotyczące zadania do wykonania. Po przygotowaniu sprzętu należy zostawić badanego samego w środowisku pomiarowym, aby mógł się do niego przyzwyczaić przed rozpoczęciem zapisu, co zminimalizuje ruchy i rozproszenie.
    3. W przypadku osób z niepełnosprawnością intelektualną należy zapewnić im czas niezbędny do oswojenia się z otoczeniem, aby ograniczyć stres. Może to wymagać wielokrotnych wizyt i dłuższego pobytu w pomieszczeniu pomiarowym.
  2. Montaż elektrod.
    1. Założyć czepek z elektrodami na głowę pacjenta, dbając o jego prawidłowe ustawienie. Wprowadzić żel przewodzący do każdego z portów elektrod, zaczynając od skóry głowy i powoli wycofując się w stronę powierzchni czepka, aby nawiązać kontakt elektryczny ze skórą i poprawić stosunek sygnału do szumu.
    2. Zamocować elektrody w czepku zgodnie z określonym montażem elektrod opartym na systemie 10−20. Podłączyć odpowiednie elektrody odniesienia (np. do wyrostków sutkowatych).
  3. Konfiguracja EEG.
    1. Podłączyć wszystkie elektrody do systemu rejestracji elektrofizjologicznej. Połączyć system rejestracji z odpowiednim programem do zapisu cyfrowego.
    2. Sprawdzić wszystkie kanały rejestracji, aby upewnić się, że offset mieści się w odpowiednim zakresie i aby uniknąć nadmiernego szumu w kanałach. Jeśli kanał wykazuje zbyt wysoki offset lub szum, można dodać więcej żelu przewodzącego w celu poprawy połączenia elektrycznego, uważając, aby nie doprowadzić do powstania mostków między miejscami rozmieszczenia elektrod.
    3. Poinformować badanego o rozpoczęciu pomiaru i poprosić o unikanie wszelkich zbędnych ruchów. Przeprowadzić krótki pomiar próbny, aby zweryfikować jakość zapisu.
  4. Przygotowanie zadania behawioralnego do pomiaru.
    1. Wyjaśnić badanemu wszystkie instrukcje związane z zadaniem. Ponownie podkreślić wagę unikania wszelkich zbędnych ruchów.
    2. Wyjaśnić, że pomiar rozpocznie się po wyraźnym, uzgodnionym sygnale (np. zapukaniu do drzwi pomieszczenia pomiarowego). Zostawić badanego w środowisku pomiarowym. Rozpocząć rejestrację. Podać badanemu uzgodniony sygnał.
    3. Po zakończeniu zadania lub okresu spoczynku przerwać rejestrację, dokonać wizualnej oceny jakości danych, a następnie zapisać dane.

2. Przetwarzanie wstępne danych

UWAGA: Potok przygotowania danych i ekstrakcji cech został przedstawiony na Rysunku 1.

  1. Przygotuj oprogramowanie.
    1. Wczytaj dane EEG przeznaczone do analizy do środowiska analizy danych. Wczytaj wszystkie niezbędne dodatkowe biblioteki skryptów, takie jak EEGLab.22.
  2. W razie potrzeby przekonwertuj wszystkie nagrania do tego samego formatu danych, zachowując wszystkie kanały w odpowiadających im lokalizacjach.
    1. Odrzuć początek i koniec każdego nagrania (np. 5 min), aby ograniczyć zanieczyszczenie artefaktami ruchowymi. Podziel dane na epoki w zależności od zadania lub, w przypadku nagrań w stanie spoczynku, zgodnie z określonym czasem trwania (np. 10 min). Zobacz NetworkAnalysis_Demonstration.m (sekcja Feature Extraction) oraz Rysunek uzupełniający 1 do demonstracji wdrożenia.
      UWAGA: Wybór długości epoki może mieć istotny wpływ na miary koherencji. Należy stosować epoki o wystarczającej długości, aby zapewnić wyłonienie się w obliczeniach rzeczywistych zależności między sygnałami, co pozwoli uniknąć niezauważonych artefaktów lub nadmiernego obciążenia wyników przez przejściowe, pozorne synchronizacje. Jednakże w niniejszej pracy, po dokładnym odrzuceniu artefaktów, nie stwierdzono statystycznie istotnych różnic w ogólnej strukturze sieci przy porównaniu epok dziesięciominutowych ze średnią z dziesięciu epok jednominutowych.
  3. Przeprowadź odrzucanie artefaktów poprzez wizualną inspekcję danych z epok i odrzucenie danych nieodpowiednich pod względem wizualnym.
    UWAGA:     Ponieważ opisana technika modelowania opiera się na relacjach między sygnałami, niezbędne jest zapewnienie dokładnego usunięcia artefaktów. Mogą one zakłócić dane kanałowe, prowadząc do sztucznego wzrostu (jeśli artefakt występuje w wielu kanałach) lub spadku (jeśli artefakt występuje tylko w niektórych kanałach) miar koherencji.
    1. Zidentyfikuj uszkodzone kanały w rejestracjach.
      1. Zastosowano filtr górnoprzepustowy o częstotliwości odcięcia 0,5 Hz w celu usunięcia dryftu linii bazowej wynikającego z pływającego punktu odniesienia systemu akwizycji.
      2. Wybierz wszystkie kanały spełniające odpowiednie kryteria statystyczne (np. te, których odchylenie standardowe jest większe niż trzykrotność lub mniejsze niż jedna trzecia średniego odchylenia standardowego kanałów).
        UWAGA: Usunięcie kanałów z danymi, które z dużym prawdopodobieństwem nie pochodzą ze źródeł neuronalnych, pozwala uniknąć wprowadzenia do modeli sieciowych sztucznych zależności.
      3. Należy zbadać te kanały, aby określić, czy są one odpowiednie.
      4. Jeśli to możliwe, odrzuć epoki z nieodpowiednimi kanałami. Alternatywnie wyklucz wadliwe kanały i dokonaj interpolacji danych w tych kanałach (np. używając algorytmu interpolacji splajnowej w EEGLab).
        UWAGA: Interpolacja w przypadku bardzo dużej liczby kanałów lub przy użyciu jedynie niewielkiej liczby kanałów rejestrujących może generować dane nieprzydatne do analizy. Ponadto proces ten nie wprowadza do zbioru danych żadnych nowych informacji i może prowadzić do sztucznie zawyżonych wartości koherencji między sygnałami interpolowanymi a sygnałami, z których zostały one wyprowadzone.
    2. Przeprowadź analizę komponentów niezależnych (ICA) dla pozostałych epok (np. korzystając z funkcji ICA w programie EEGLab). Dokonaj wizualnej inspekcji uzyskanych komponentów i odrzuć dane, które w ocenie wizualnej są nieodpowiednie.
    3. Zastosuj odpowiednie progi statystyczne, aby zidentyfikować potencjalne artefakty, które nie są widoczne podczas bezpośredniej inspekcji wizualnej (np. na podstawie wartości ekstremalnych lub nieprawidłowych widm). Przeanalizuj je i zdecyduj, czy ich odrzucenie jest zasadne.
    4. Powtórz analizę komponentów niezależnych oraz identyfikację artefaktów w zachowanych epokach.
    5. Zidentyfikuj epoki danych, które mają zostać zapisane do dalszej analizy. Odrzuć wszystkie odrzucone epoki danych. Wyznacz wszystkie epoki, które zostaną przekazane do dalszej analizy.
      UWAGA: W przypadku, gdy wymagana jest tylko jedna epoka na osobę badaną, do dalszej analizy należy wybrać pierwszą odpowiednią epokę.
  4. W celu przygotowania danych należy skorygować linię bazową rejestracji, odejmując średnią ze wszystkich kanałów od zapisów, aby uniknąć wpływu dryftu linii bazowej podczas długotrwałych pomiarów. Wszystkie kanały należy ponownie odnieść do odpowiedniego punktu odniesienia (np. elektrody uziemiającej lub średniej ze wszystkich kanałów). Przykłady implementacji znajdują się w plikach NetworkAnalysis_Demonstration.m, NetworkAnalysis_Preprocess.m oraz na Rycinie uzupełniającej 2.
    UWAGA:     Wybór referencji może mieć istotny wpływ na miary sieciowe. Ponieważ dane referencyjne są „odejmowane” ze wszystkich analizowanych kanałów, wszelkie dane neuronalne reprezentowane w kanale referencyjnym zostaną odjęte, a tym samym nie będą wnosić wkładu w generowanie modelu. Powszechną praktyką jest stosowanie sygnałów referencyjnych rejestrowanych nad wypukłościami kostnymi bez bezpośrednio przylegających struktur neuronalnych, takich jak wyrostek sutkowaty. Mogą one być jednak zanieczyszczone danymi neuronalnymi ze względu na efekty przewodnictwa objętościowego przez skórę głowy i w związku z tym różnicować zniekształcenia miar sieciowych w zależności od lokalizacji względem referencji. W rezultacie w przypadku danych w stanie spoczynku najlepiej stosować średnią ze wszystkich kanałów skóry głowy jako referencję. Oznacza to, że wszystkie dane nie są referencyjne względem konkretnej lokalizacji przestrzennej, co zapobiega zniekształcaniu miar, ponieważ wszystkie kanały przyczyniają się do referencji. Może to powodować efekty takie jak tłumienie pozornej aktywności ogólnej oraz zniekształcać miary poprzez odejmowanie sygnałów, które są bardzo silnie reprezentowane w niektórych kanałach i tym samym znacząco wpływają na średnią. Jest to poważniejszy problem w przypadku sygnałów związanych z aktywnością i zdarzeniami, lecz zazwyczaj nie występuje w przypadku danych w stanie spoczynku.
    1. Przeprowadź cyfrową filtrację wszystkich kanałów, aby wyizolować interesujące częstotliwości (np. 1 Hz–50 Hz). Zob. NetworkAnalysis_Demonstration.m, NetworkAnalysis_Preprocess.m oraz Rysunek uzupełniający 3 do przykładów implementacji.
      UWAGA: Należy zastosować odpowiednie ograniczenia częstotliwości oraz parametry filtrów dla planowanej analizy, aby uniknąć zniekształceń częstotliwości na krańcach badanego zakresu oraz efektów aliasingu. Zerowe przesunięcie fazowe 4thFiltry Butterwortha odpowiedniego rzędu działają prawidłowo. Właściwe filtrowanie zapewnia wyizolowanie interesującej aktywności na potrzeby modelowania. Nawet w przypadku szerokiego zakresu (np. 1 Hz–50 Hz) zapobiega to interpretowaniu artefaktów wysokoczęstotliwościowych oraz niskoczęstotliwościowych dryftów linii bazowej jako spójnych między kanałami, co zniekształciłoby wyniki pomiarów.

3. Ekstrakcja cech

  1. Ocena mocy widmowej.
    1. Oblicz całkowite widma mocy, wykonując transformatę Fouriera dla każdego analizowanego kanału w całym zakresie częstotliwości poddanym ocenie (np. 1 Hz-50 Hz).
    2. Oceń aktywność w poszczególnych pasmach częstotliwości: wyodrębnij pasmo theta w zakresie 4 Hz-8 Hz. Wyodrębnij pasmo alfa w zakresie 8 Hz-12 Hz. Wyodrębnij pasmo beta w zakresie 12 Hz-30 Hz. Wyodrębnij pasmo delta w zakresie 0,5 Hz-4 Hz. Wyodrębnij pasmo gamma dla >30 Hz (np. 30-50 Hz). Przykłady implementacji wyprowadzania widm i wyodrębniania pasm częstotliwości znajdują się w plikach NetworkAnalysis_Demonstration.m, NetworkAnalysis_FeatureExtraction.m oraz na Ryc. uzupełniającej 4.
      UWAGA: Dane EEG są tradycyjnie dzielone na pasma częstotliwości w celu ich badania. Są one nazwane głównie według kolejności ich odkrycia, a konkretne szerokości pasm nieco się różnią. Funkcjonalne znaczenie oscylacji przy konkretnych częstotliwościach pozostaje obszarem aktywnych badań. Uważa się, że oscylacje w określonych pasmach mogą być powiązane z konkretnymi aktywnościami neuronalnymi, takimi jak pojawienie się wysokiej amplitudy fali alfa w regionie potylicznym przy zamkniętych oczach, choć dokładna zależność między funkcjami neuronalnymi a aktywnością oscylacyjną w zapisach EEG pozostaje niejasna.
    3. Oceń całkowitą moc dla całej powierzchni skóry głowy, obliczając średnią z widm poszczególnych kanałów. Znormalizuj moc w poszczególnych pasmach w stosunku do mocy całkowitej, aby uzyskać miarę mocy względnej i umożliwić dokładniejsze porównania między warunkami.
  2. Mapowanie sieci.
    1. Oceń interakcje między pierwszą parą elektrod, wyprowadzając miarę koherencji międzyelektrodowej:
      Wzór korelacji, \( C(\omega) \), równanie dla analizy koherencji widmowej.
      Przykłady implementacji znajdują się w plikach NetworkAnalysis_Demonstration.m, NetworkAnalysis_FeatureExtraction.m oraz na Ryc. uzupełniającej 5.
      1. Oblicz widmo wzajemne dwóch kanałów:
        Wzór gęstości widmowej wzajemnej \( S_{xy}(\omega) \) równanie do analizy sygnałów.
        1. Oblicz transformatę Fouriera dla każdego sygnału, X i Y
          Wzór dyskretnej transformaty Fouriera; Σ x[n] e^(-i2πkn/N); równanie matematyczne.
        2. Oblicz widmo wzajemne:
          Równanie równowagi statycznej; Sxy=t2/T XY*; wzór matematyczny dla pojęć fizycznych
          Gdzie: t to odstęp próbkowania, T to długość zapisu, X to transformata Fouriera sygnału x, a Y* to sprzężony zespolony Y.
        3. Zignoruj częstotliwości ujemne i skoryguj pomiary. W przypadku sygnałów o wartościach rzeczywistych można pominąć drugą połowę osi częstotliwości komputerowej, a pomiary mocy pomnożyć przez dwa w celu korekty.
          UWAGA: Jest to równoważne transformacie Fouriera korelacji wzajemnej x i y.
      2. Znormalizuj widmo wzajemne przez widma mocy obu kanałów: Gęstość widmowa mocy, równania Sxx(ω) i Syy(ω); stosowane w analizie przetwarzania sygnałów..
        1. Oblicz transformatę Fouriera dla każdego sygnału:
          Równanie transformaty Fouriera, Σxn·e^(-i2π/Nkn), wzór matematyczny, analiza sygnałów.
        2. Oblicz widmo mocy:
          Wzór analizy statystycznej, równanie Sxx do obliczania wariancji danych, pojęcie matematyczne.
          Gdzie: t to odstęp próbkowania, T to długość zapisu, X to transformata Fouriera sygnału x, a X* to sprzężony zespolony X.
        3. Zignoruj częstotliwości ujemne i skoryguj pomiary: w przypadku sygnałów o wartościach rzeczywistych można pominąć drugą połowę osi częstotliwości komputerowej, a pomiary mocy pomnożyć przez dwa w celu korekty.
        4. Wykorzystaj obliczone widma mocy do normalizacji widma wzajemnego i wyprowadzenia miary koherencji:
          Wzór korelacji, \( C(\omega) \), równanie dla analizy koherencji widmowej.
          UWAGA: Pozwala to wyznaczyć C, miarę koherencji między sygnałami x i y przy częstotliwościach Równowaga statyczna, ΣFx=0, schemat równania, edukacyjne pojęcie fizyczne, analiza bilansu sił.. Jest to miara związku między tymi sygnałami w badanych częstotliwościach, mierzona w skali od 0 do 1. Gdy między dwoma badanymi sygnałami występuje stała zależność fazowa we wszystkich punktach czasowych, koherencja przyjmuje wartość 1, co wskazuje na silny związek między sygnałami przy tych częstotliwościach, sugerując, że aktywność jednego sygnału jest funkcjonalnie powiązana z aktywnością drugiego (tj. że zachodzi między nimi komunikacja). Gdy między dwoma sygnałami nie ma zależności fazowej, koherencja przyjmuje wartość 0, co wskazuje, że sygnały nie są ze sobą powiązane.
    2. Powtórz tę procedurę dla każdej unikalnej pary elektrod, aby opracować miarę stabilności fazy między sygnałami w każdej parze elektrod, budując model łączności funkcjonalnej dla wszystkich elektrod.
      UWAGA: Dla montażu n elektrod zostanie wygenerowanych Kombinatoryczny wzór matematyczny n(n-1)/2; schemat obliczania kombinacji parzystych. miar koherencji. Reprezentuje to rzutowanie zmierzonych danych szeregów czasowych na płaszczyznę wielowymiarową w oparciu o relacje między zarejestrowanymi sygnałami, co pozwala na zbadanie charakteru tych interakcji.

4. Wizualizacja danych

  1. Przeprowadź analizę mocy widmowej.
    1. Przeanalizuj macierze mocy.
      1. Przenieś pomiary mocy widmowej przeznaczone do wizualizacji na dwuwymiarową strukturę danych, w której każda kolumna odpowiada lokalizacji elektrody, każdy wiersz pasmu częstotliwości, a każda komórka mocy widmowej w danej lokalizacji w obrębie tego pasma.
      2. Zidentyfikuj maksymalne i minimalne poziomy mocy we wszystkich porównywanych warunkach. Ustal je jako wartości maksymalną i minimalną dla wszystkich warunków. Przypisz wartości mocy widmowej między zidentyfikowanym maksimum a minimum do kolorów. Wyeksportuj mapę kolorów wizualizującą moc widmową w każdym pasmie częstotliwości w każdej lokalizacji elektrody (Rysunek 2).
    2. Wykonaj mapowanie topograficzne.
      1. Utwórz strukturę danych zawierającą etykiety każdej z użytych lokalizacji elektrod systemu 10-20, w kolejności odpowiadającej strukturze danych przeznaczonej do mapowania. Używając funkcji topoplot() programu EEGLab, danych mocy widmowej, zidentyfikowanego maksimum i minimum oraz listy kanałów, wygeneruj wykres mapujący rozkład mocy widmowej na skórze głowy.
  2. Oceń koherencję.
    1. Przeanalizuj macierze koherencji.
      1. Przenieś pomiary koherencji międzyelektrodowej przeznaczone do wizualizacji na dwuwymiarową strukturę danych, w której każda kolumna i każdy wiersz odpowiadają lokalizacji elektrody, a każda komórka koherencji między odpowiadającą parą elektrod.
      2. Przypisz wartości koherencji z zakresu od 0 do 1 do kolorów. Wyeksportuj mapę kolorów wizualizującą koherencję międzyelektrodową dla każdej pary elektrod w użytych granicach częstotliwości (Rysunek 3). Powtórz tę procedurę dla każdego badanego pasma częstotliwości. Przykłady implementacji znajdują się w Supplementary Figure 6 oraz w pliku produce_plots.r. Przykładowy wynik przedstawia Rysunek 3.
    2. Wykonaj wizualizację sieci.
      1. Aby zwizualizować oddziaływania wyższego rzędu między obszarami kory i zmapować dynamikę sieci, oblicz, w jaki sposób miara koherencji każdej pary elektrod współzmienia się z miarami każdej innej unikalnej pary elektrod w całym widmie oraz w obrębie konkretnych pasm.
      2. Przypisz te miary kowariancji do kolorów. Wyeksportuj mapę kolorów wizualizującą dynamikę sieci w obrębie pasm częstotliwości oraz pomiędzy nimi. Przykłady implementacji znajdują się w pliku produce_plots.r. Przykładowy wynik przedstawia Rysunek 4.

5. Analiza modeli sieciowych

UWAGA: Zastosowanie nowoczesnych metod statystycznych do wyprowadzonych modeli pozwala na wykorzystanie relacji zamodelowanych w wysokowymiarowej przestrzeni cech sieci do badania funkcji kory mózgowej. Można zastosować szereg podejść, które oferują przewagę nad tradycyjnymi porównaniami poszczególnych pomiarów lub średnich z miar koherencji. Poniżej przedstawiono niektóre z potencjalnych podejść, które umożliwiają te modele sieciowe. Są one omówione jedynie powierzchownie jako przykłady potencjalnych zastosowań modelowania sieciowego, ponieważ szczegółowe omówienie każdej z tych technik wykracza poza zakres niniejszej pracy.

  1. Przeprowadź redukcję wymiarowości.
    UWAGA:     Porównania na poziomie poszczególnych zmiennych nie pozwalają na wykorzystanie relacji reprezentowanych przez stworzone modele, natomiast przeprowadzanie porównań na wszystkich miarach w konstrukcjach wymiarowych Kombinatoryczny wzór matematyczny n(n-1)/2; schemat obliczania kombinacji parzystych. jest problematyczne ze względu na ogromną liczbę wymaganych porównań oraz brak integracji wysokopoziomowych informacji zawartych w modelach statystycznych. Mapowanie danych wysokowymiarowych na przestrzeń niskowymiarową przy jednoczesnym zachowaniu informacji wygenerowanych przez proces tworzenia modelu pozwala na przeprowadzenie znaczących porównań, w pełni wykorzystując bogatą w dane strukturę modeli.
    1. Wyznacz miary do porównania grup reprezentujące ogólną dynamikę sieci w ramach modeli statystycznych wygenerowanych za pomocą analizy głównych składowych. Przykład implementacji znajduje się w pliku NetworkAnalysis_Demonstration.m oraz na Rysunku uzupełniającym 7.
      1. Jak wyżej, zbuduj macierz kowariancji dla parzystych miar koherencji. Wygeneruje to konstrukt kowariancji o wymiarze Wzór kombinatoryczny p(p-1)/2 reprezentujący możliwe pary, koncepcja matematyczna., gdzie Równanie do obliczeń kombinatorycznych, p = n(n-1)/2, ilustracja wzoru matematycznego.. Model ten jest zatem ekstremalnie wysokowymiarowy i pozwala na wizualizację wysokopoziomowych relacji sieciowych, zgodnie z powyższym opisem.
      2. Rozłóż macierz kowariancji na wektory własne i odpowiadające im wartości własne. Pozwala to na identyfikację osi w przestrzeni cech modelu, które zawierają największą wariancję, bez ograniczeń narzucanych przez istniejące miary.
      3. Uszereguj wektory własne według odpowiadających im wartości własnych, aby zidentyfikować te, które odpowiadają za największą część wariancji w modelu.
    2. Porównaj pierwsze główne składowe wyprowadzone z modeli sieciowych. Przykład implementacji znajduje się w pliku NetworkAnalysis_Demonstration.m oraz na Rysunku uzupełniającym 7.
      UWAGA: Pierwsza główna składowa odpowiada za największy stopień wariancji w modelu. W związku z tym porównanie tej miary pozwala na porównanie ogólnej dynamiki sieci w całym modelu pomiędzy grupami za pomocą jednego testu statystycznego, co umożliwia jednoczesną analizę złożonych relacji będących przedmiotem modelowania i pozwala uniknąć problemów związanych z wielokrotnymi porównaniami.
  2. Przeprowadź analizę obszaru zainteresowania (ROI). Wyprowadzone modele reprezentują łączność sieciową w całej korze, we wszystkich pasmach częstotliwości. W przypadku zainteresowania konkretnymi obszarami anatomicznymi lub funkcjami w określonych pasmach, regiony te w modelu mogą zostać wyizolowane i przeanalizowane osobno.
    1. Wybierz anatomiczny obszar zainteresowania.
      UWAGA: Ograniczenie analizy do konkretnych obszarów anatomicznych pozwala na ocenę aktywności sieci w obrębie lub pomiędzy określonymi obszarami kory w celu zidentyfikowania relacji, które mogą nie być widoczne podczas analizy modelu jako całości.
      1. Zidentyfikuj w modelu dane dotyczące koherencji odnoszące się do anatomicznych obszarów zainteresowania.
      2. Wyznacz macierz kowariancji i przeprowadź analizę głównych składowych, jak opisano powyżej, aby obliczyć miary ogólnej architektury sieci w obrębie obszarów zainteresowania.
      3. Porównaj miary dynamiki sieci w anatomicznych obszarach zainteresowania pomiędzy grupami, zgodnie z powyższym opisem.
    2. Wybierz funkcjonalny obszar zainteresowania.
      UWAGA: Ograniczenie analizy do konkretnych pasm częstotliwości pozwala na ocenę aktywności sieci w określonych częstotliwościach oscylacyjnych (Rysunek 4).
      1. Podobnie jak w analizach anatomicznych, wyizoluj dane o koherencji w interesujących pasmach częstotliwości. Przykłady implementacji, wykorzystujące interakcje w całym spektrum jedynie jako przykład, znajdują się w pliku NetworkAnalysis_Demonstration.m oraz na Rysunku uzupełniającym 8.
      2. Przeprowadź analizę głównych składowych, aby wyznaczyć miary ogólnej aktywności sieci w interesujących pasmach.
      3. Porównaj miary między grupami, aby ocenić różnice w sieciach przy określonych częstotliwościach oscylacyjnych.
  3. Wykorzystaj uczenie maszynowe.
    UWAGA:     Nowoczesne podejścia do uczenia statystycznego mogą zostać zastosowane do wygenerowanych modeli w celu dalszego zbadania reprezentowanych w nich wysokopoziomowych relacji.
    1. Zastosuj uczenie nadzorowane.
      UWAGA: Wykorzystując dane z zdefiniowanymi klasami, modele sieci korowych mogą służyć do tworzenia klasyfikatorów, które identyfikują sygnatury w złożonych relacjach reprezentowanych przez modele w celu klasyfikacji nowych danych, co otwiera możliwość badania nowych biomarkerów diagnostycznych i prognostycznych itp. Ponadto można zbadać, które cechy w modelach determinują te klasyfikacje, aby uzyskać wgląd w leżące u ich podstaw mechanizmy.
      1. Wyprowadź klasyfikatory. Wykorzystując uprzednio etykietowane dane, można stworzyć klasyfikator do przewidywania klasy zestawu danych na podstawie modeli sieciowych.
        1. Podziel dane na zestaw danych podmiotów do trenowania oraz zestaw do testowania klasyfikatora.
        2. Wytrenuj algorytm klasyfikacji, taki jak maszyna wektorów nośnych (SVM) lub las losowy, na etykietowanych danych treningowych.
        3. Oceń wydajność klasyfikatora wytrenowanego na modelu na danych testowych.
          UWAGA: Podejścia te pozwalają na wykorzystanie modeli statystycznych jako danych wejściowych do wyznaczania nowych biomarkerów.
      2. Przeprowadź sekwencyjną eliminację.
        UWAGA: Używając modelu do trenowania klasyfikatora, dane mogą być usuwane iteracyjnie, a proces trenowania powtarzany, aby zidentyfikować, które komponenty modelu determinują jego zdolność predykcyjną, co umożliwia badanie leżących u podstaw mechanizmów.
        1. Wytrenuj klasyfikator na modelu, jak opisano powyżej.
        2. Usuń cechę modelu o najniższej zmienności między grupami.
        3. Powtórz proces trenowania i oceń wydajność.
        4. Powtarzaj iteracyjne usuwanie cech do momentu zidentyfikowania tych, które w największym stopniu wpływają na wydajność. Są to komponenty modelu odpowiedzialne za zdolność do rozróżniania klas.
    2. Przeprowadź uczenie nienadzorowane.
      UWAGA:       Korzystając z samych modeli, można uzyskać wgląd w badane grupy. Poprzez modelowanie danych jako konstruktów wysokowymiarowych opartych na relacjach między zapisami, mogą stać się widoczne relacje między grupami, które nie były dostrzegalne na poziomie pojedynczych zapisów. Techniki nienadzorowane, takie jak algorytmy klastrowania, pozwalają na badanie relacji w modelach bez ograniczeń narzucanych przez zdefiniowane wcześniej klasy.
      1. Używając metryki odległości, np. odległości euklidesowej, oblicz miary odległości między podmiotami w przestrzeni zdefiniowanej przez model sieci. Przykład implementacji znajduje się w pliku NetworkAnalysis_Demonstration.m oraz na Rysunku uzupełniającym 9.
      2. Używając algorytmu klastrowania, takiego jak k-najbliższych sąsiadów, zidentyfikuj grupy w danych na podstawie parametrów modelu (Rysunek 5).
      3. Powtórz tę procedurę, stosując procedurę sekwencyjnej eliminacji opisaną powyżej, aby zbadać, w jaki sposób poszczególne cechy wpływają na grupowanie w modelu.
        UWAGA: Pozwala to na wykorzystanie wyprowadzonych modeli do identyfikacji grup w danych, które nie były wcześniej widoczne. Może to umożliwić wyłonienie podtypów chorób, grup patologicznych itp., które są widoczne jedynie na poziomie sieciowym.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Pomiary mocy widmowej dostarczą n wartości dla każdego zmierzonego pasma częstotliwości, gdzie n oznacza liczbę zarejestrowanych kanałów. Wartości te dla mocy całkowitej będą wyrażone w decybelach. Pomiary mocy w poszczególnych pasmach częstotliwości powinny być wyrażone jako moc względna (tj. proporcja mocy w danym pasmie do mocy całkowitej), aby umożliwić dokładne porównania między grupami i warunkami.

Przykład wizualizacji mocy spektralnej ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Opisana metoda pozwala na wyprowadzenie map statystycznych dynamiki sieci korowej na podstawie nieinwazyjnych danych EEG. Pozwala to na badanie zjawisk, które nie są łatwo widoczne podczas badania prostych danych szeregów czasowych poprzez ocenę, w jaki sposób zarejestrowane regiony oddziałują ze sobą, a nie ocenę tego, co dzieje się w każdym pojedynczym miejscu w izolacji. Może to dostarczyć ważnych informacji na temat patologii choroby18.

Istotnym aspektem tej metody ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Publikacja tego manuskryptu została częściowo wsparta przez grant SFI FutureNeruro-Funded Investigator dla DT.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Nasadka elektrodyElectroCap InternationalLub dowolna odpowiednia nasadka
Żel przewodzącySignaGelLub dowolny odpowiedni żel
Elektrody typu pinowegoBioSemiLub dowolna odpowiednia elektroda
BioSemi Active Dwa systemy nagrywaniaBioSemi
ActiZobacz środowisko nagrywaniaBioSemi
Oprogramowanie MATLABMathworks

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Analiza EEGkoherencja mi dzyelektrodowadynamika siecianaliza g wnych sk adowychredukcja wymiarowo cianaliza pasm cz stotliwo cizastosowania uczenia maszynowegozaburzenia neuropsychiatryczne

Powiązane artykuły