Name: Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów (Wideo) | JoVE Journal
Uploaded: 2019-11-01T13:30:00.000+00:00
Duration: 8 min 51 s
Description: Poznaj modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów. Ta metoda umożliwia badanie dynamiki sieci nerwowej i rozwój nowych metod diagnostycznych.

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

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

<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>

Autorzy nie mają nic do ujawnienia.

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 ...

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.

<table><tbody><tr><td>Nasadka elektrody</td><td>ElectroCap International</td><td></td><td>Lub dowolna odpowiednia nasadka</td></tr><tr><td>Żel przewodzący</td><td>SignaGel</td><td></td><td>Lub dowolny odpowiedni żel</td></tr><tr><td>Elektrody typu pinowego</td><td>BioSemi</td><td></td><td>Lub dowolna odpowiednia elektroda</td></tr><tr><td>BioSemi Active Dwa systemy nagrywania</td><td>BioSemi</td><td></td><td></td></tr><tr><td>ActiZobacz środowisko nagrywania</td><td>BioSemi</td><td></td><td></td></tr><tr><td>Oprogramowanie MATLAB</td><td>Mathworks</td><td></td><td></td></tr></tbody></table>

modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

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.

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 ...

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.

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

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

Protokół ten jest istotny, ponieważ umożliwia badanie sieci korowych poprzez modelowanie, w jaki sposób regiony oddziałują ze sobą, aby ujawnić różnice, które nie są widoczne przy użyciu standardowych technik analizy. Główną zaletą tej techniki jest to, że pozwala nam badać funkcje sieci za pomocą powszechnie dostępnego sprzętu, dzięki czemu możemy uzyskać nieinwazyjne nagrania elektryczne bez konieczności stosowania specjalistycznych materiałów. Technika ta pozwala na nieinwazyjne badanie chorób neuropsychiatrycznych poprzez badanie struktur sieciowych ułatwiających rozwój nowych metod diagnostycznych i biomarkerów terapeutycznych.Metoda ta ma szeroki zakres zastosowań w neuronaukach klinicznych, zwłaszcza że rola funkcji sieci w chorobie staje się coraz bardziej istotna. W celu zebrania danych przymocuj nasadkę elektrody do głowy pacjenta, zwracając uwagę na prawidłowe ustawienie. Wstrzyknij żel przewodzący do każdego z portów elektrod, zaczynając od skóry głowy i powoli wycofując się na powierzchnię nasadki, aby nawiązać kontakt elektryczny ze skórą głowy i poprawić stosunek sygnału do szumu.Następnie użyj z góry ustalonego montażu elektrod opartego na systemie 10-20, aby przymocować elektrody do nasadki elektrody i zabezpieczyć odpowiednie elektrody uziemiające. Aby skonfigurować EEG, podłącz wszystkie elektrody do systemu rejestracji elektrofizjologicznej i połącz system rejestracji z odpowiednim środowiskiem zapisu cyfrowego. Sprawdź wszystkie kanały nagrywania, aby upewnić się, że przesunięcie mieści się w odpowiednim zakresie i aby uniknąć nadmiernego szumu kanału.Algorytm będzie generował wyniki niezależnie od jakości danych, dlatego nagrania powinny być wykonywane w ścisłych warunkach jakości danych i powinny być analizowane przed ich użyciem. Następnie poinstruuj pacjenta, że nagrywanie się rozpoczęło i aby unikał wszelkich niepotrzebnych ruchów przed przeprowadzeniem krótkiego zapisu testowego w celu sprawdzenia odpowiedniej jakości zapisu. Na koniec analizy załaduj dane EEG i wszelkie dodatkowe biblioteki skryptów, jeśli to konieczne, do odpowiedniego środowiska analizy danych.Odrzuć pierwsze i ostatnie pięć minut każdego nagrania, aby zmniejszyć zanieczyszczenie wszelkich artefaktów ruchu i podziel dane na epoki w zależności od zadania lub jeśli jest to zapis w stanie spoczynku, z góry określony czas trwania. Aby przygotować dane, należy skorygować linię bazową nagrań, odejmując średnią wszystkich kanałów od nagrań, aby uniknąć wpływu jakiegokolwiek błądzenia linii bazowej podczas przedłużających się nagrań. Ponownie odnieś wszystkie kanały do odpowiedniego odwołania.Następnie przefiltruj cyfrowo wszystkie kanały, aby wyizolować interesujące Cię częstotliwości. Aby obliczyć ogólne widma mocy danych, wykonaj transformację Fouriera dla każdego analizowanego kanału w całym zakresie częstotliwości, który ma być oceniany. Aby ocenić aktywność poszczególnych pasm częstotliwości, należy wyizolować pasmo theta na częstotliwości od czterech do ośmiu herców, pasmo alfa od ośmiu do 12 herców, pasmo beta od 12 do 30 herców, pasmo delta od 0,5 do czterech herców i pasmo gamma od czterech do czterech herców.Aby ocenić interakcje między pierwszą parą elektrod, wyprowadź miarę koherencji między elektrodami. Aby ocenić koherencję, odwzoruj pomiary koherencji międzyelektrodowej, które mają być zobrazowane, na dwuwymiarowej strukturze danych, w której każda kolumna jest lokalizacją elektrody, każdy wiersz jest lokalizacją elektrody, a każda komórka jest spójnością między odpowiednią parą elektrod i odwzoruj wartości koherencji na kolory od zera do jednego. Następnie wyeksportuj kolorową mapę wizualizującą spójność między elektrodami między każdą parą elektrod w ramach zastosowanych limitów częstotliwości.Aby zobrazować interakcje wyższego rzędu między obszarami kory mózgowej i zmapować dynamikę sieci, oblicz, w jaki sposób koherencja każdej pary elektrod mierzy współzmienne z każdą inną unikalną parą elektrod w całym spektrum i w określonych pasmach. Następnie zmapuj te miary kowariancji na kolory i wyeksportuj mapę kolorów wizualizującą dynamikę sieci w obrębie pasm częstotliwości i między nimi. Aby przeprowadzić redukcję wymiarowości, należy wyprowadzić miary do porównania między grupami, które reprezentują ogólną dynamikę sieci w modelach statystycznych wygenerowanych przy użyciu analizy składowych głównych.Poinstruuj macierz kowariancji dla miar koherencji parami, aby umożliwić wizualizację relacji sieciowych wysokiego poziomu i zdekomponować macierz kowariancji na wektory własne i odpowiadające im wartości własne, aby umożliwić identyfikację osi w przestrzeni cech modelu, które zawierają największą wariancję bez ograniczania przez istniejące miary. Uszereguj wektory własne według odpowiadających im wartości własnych, aby zidentyfikować te, które odpowiadają za największą część wariancji w modelu. Następnie porównaj pierwsze podstawowe składowe wywodzące się z modeli sieciowych.Aby wybrać interesujący nas obszar funkcjonalny, należy wyizolować dane dotyczące koherencji w pasmach częstotliwości będących przedmiotem zainteresowania. Przeprowadź analizę składowych zasadniczych, aby uzyskać miary ogólnej aktywności sieci w pasmach zainteresowania. Następnie porównaj miary między grupami, aby ocenić różnice w sieci przy określonych częstotliwościach oscylacyjnych.Aby przeprowadzić uczenie nienadzorowane przy użyciu metryki odległości, takiej jak odległość euklidesowa, należy obliczyć miary odległości między obiektami w przestrzeni zdefiniowanej przez model sieci. Następnie użyj algorytmu klastrowania, takiego jak k-najbliższych sąsiadów, aby zidentyfikować grupy w danych na podstawie parametrów modelu. Moc spektralna może być wizualizowana interpolowana na skórze głowy, co pozwala na ograniczone oszacowanie źródła aktywności.Każda z miar elektrod międzyelektrodowych wskazuje stopień, w jakim aktywność w jednym obszarze zmienia się w zależności od aktywności w innym obszarze, uwzględniając różnice w kierunku interakcji i opóźnienie czasowe. Wyższe wartości koherencji międzyelektrodowej sugerują interakcje między obszarami, z których widać, że rejestrowane obszary komunikują się ze sobą. Mierząc interakcje między każdą unikalną parą elektrod, można skonstruować statystyczną mapę interakcji zarejestrowanych kanałów, co pozwala na zbadanie, w jaki sposób obszary się komunikują, zamiast skupiać się na poszczególnych obszarach izolacji.Wizualizacja dynamiki sieci wyższego rzędu ułatwia rozpoznawanie rodzajów porównywanych oddziaływań za pomocą analizy składowych głównych lub techniki opartej na klasyfikatorze w celu oceny, w jaki sposób pomiary koherencji w jednej parze elektrod odnoszą się do zmian koherencji w innej parze. Na przykład tutaj możemy zwizualizować różnice widoczne w mapowaniu sieci między dwoma osobami o różnych fenotypach klinicznych zaburzenia neuropsychiatrycznego wpływającego na funkcję kory mózgowej, gdzie nie było statystycznie istotnych różnic przy użyciu standardowych metod analizy. Po wyprowadzeniu miar sieciowych przy użyciu tej procedury, techniki uczenia maszynowego mogą zostać wykorzystane do wykorzystania bogatych w dane modeli w celu umożliwienia bardziej zaawansowanych analiz diagnostycznych i prognostycznych.Technika ta pozwoliła na zbadanie podtypów choroby w zespole Retta, dziecięcej chorobie neuropsychiatrycznej, a także na przewidywanie odpowiedzi na nowe metody leczenia i stan padaczki.

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

Research

JoVE Journal

Neuroscience

Neuronauka

Przedstawiamy metodę pozyskiwania sygnałów elektrokortykograficznych do celów badawczych u ludzi poddawanych inwazyjnemu monitorowaniu epilepsji. Pokazujemy, jak wykorzystać platformę programową BCI2000 do zbierania danych, przetwarzania sygnałów oraz prezentacji bodźców. W szczególności prezentujemy SIGFRIED, narzędzie oparte na BCI2000 służące do funkcjonalnego mapowania mózgu w czasie rzeczywistym.

Rejestracja ludzkich sygnałów elektrokortykograficznych (ECoG) w badaniach neuronaukowych i funkcjonalnym mapowaniu kory mózgowej w czasie rzeczywistym

Wykorzystujemy magnetoencefalografię i elektroencefalografię (MEG/EEG), w połączeniu z informacjami anatomicznymi uzyskanymi za pomocą obrazowania rezonansem magnetycznym (MRI), aby zmapować dynamikę sieci korowej związanej z uwagą słuchową.

Mapowanie dynamiki korowej z wykorzystaniem jednoczesnej MEG/EEG oraz oszacowań minimalnej normy z ograniczeniami anatomicznymi: przykład uwagi słuchowej

W ostatnich latach wzrosło zainteresowanie szacowaniem kory mózgowej mierzonej aktywności elektrycznej dla eksperymentów neuronauki poznawczej. W tym artykule opisano, w jaki sposób pozyskiwane jest EEG o wysokiej gęstości i jak zapisy są przetwarzane w celu oszacowania źródła korowego u dzieci w wieku od 2 lat w London Baby Lab.

Analiza źródła korowego zapisów EEG o dużej gęstości u dzieci

Rezonans magnetyczny funkcjonalnej łączności w stanie spoczynku zidentyfikował nieprawidłowości u pacjentów z szerokim zakresem zaburzeń neuropsychiatrycznych, w tym padaczką spowodowaną wadami rozwojowymi kory mózgowej. Przezczaszkowa stymulacja magnetyczna w połączeniu z EEG może wykazać, że pacjenci z padaczką mają nadpobudliwość kory mózgowej w regionach o nieprawidłowej łączności.

Multimodalna metoda obrazowania i stymulacji oceny pobudliwości mózgu związanej z łącznością u pacjentów z padaczką

Ten protokół opisuje procedurę śledzenia ewolucji pomiarów sieci mezjalnej u pacjentów z padaczką skroniową (TLE). Opiera się on na połączeniu zapisów wewnątrzczaszkowych z nowatorską techniką numeryczną do analizy danych. W szczególności przedstawiamy protokół do analiz sieciowych nagrań otworu owalnego.

Analiza sieciowa zapisów elektrod otworu owalnego u pacjentów z lekooporną padaczką skroniową

Instrukcje dotyczące taniego konstruowania i chirurgicznego wszczepiania myszom przewlekłego przezczaszkowego montażu elektroencefalograficznego o dużej gęstości są dostarczone. Opisano również techniki nagrywania, ekstrakcji i przetwarzania sygnału.

Akwizycja elektroencefalograficzna o dużej gęstości w modelu gryzoni przy użyciu tanich zasobów typu open source

Metoda obrazowania multimodalnego EEG-fMRI, znana jako metoda obrazowania źródła EEG ograniczona czasoprzestrzennie za pomocą fMRI, jest opisana tutaj. Przedstawiona metoda wykorzystuje warunkowo aktywne submapy fMRI lub wcześniejsze mapy, aby pokierować lokalizacją źródła EEG w sposób, który poprawia specyficzność przestrzenną i ogranicza błędne wyniki.

Jednoczesny zapis EEG i funkcjonalny rezonans magnetyczny oraz analiza integracji w celu dynamicznego obrazowania aktywności kory mózgowej

Prezentujemy dwa protokoły analityczne, które mogą być użyte do analizy danych elektroencefalografii wewnątrzczaszkowej za pomocą oprogramowania do statystycznego mapowania parametrycznego (SPM): analiza statystycznego mapowania parametrycznego dla aktywności neuronalnej w czasie i częstotliwości: dynamiczne modelowanie przyczynowe odpowiedzi indukowanych dla połączeń wewnątrz- i międzyregionalnych.

Analiza aktywności neuronalnej i łączności przy użyciu wewnątrzczaszkowych danych EEG z oprogramowaniem SPM

Protokół eksperymentalny demonstruje paradygmat pozyskiwania i analizowania sygnałów elektroencefalografii (EEG) podczas ruchu kończyn górnych u osób po udarze. Zmianę funkcjonalnej sieci pasm częstotliwości EEG o niskiej wartości beta obserwowano podczas ruchu upośledzonej kończyny górnej i wiązało się to ze stopniem upośledzenia ruchowego.

Wskaźniki sieci elektroencefalograficznej jako biomarkery upośledzenia kończyny górnej w przewlekłym udarze mózgu

Nowatorski protokół spersonalizowanej przezczaszkowej stymulacji magnetycznej w połączeniu z mapowaniem sieci korowych za pomocą elektroencefalografii (TMS–EEG), oparty na wielu modalnościach obrazowania metodą rezonansu magnetycznego (MRI).

Neuroobrazowanie TMS-EEG do mapowania sieci korowej w czasie rzeczywistym

Ten protokół pokazuje, jak symulacje neuronalne oparte na fizyce mogą być wykorzystywane do interpretacji biomarkerów elektro fizjologicznych neuroterapeutyków i ujawniania ich wpływu na obwody neuronalne, zapewniając uzasadnione mechanistycznie podejście do rozwoju neuroterapeutyki.

Protokół do ujawnienia neuronalnych mechanizmów działania neuroterapeutycznego na elektroencefalografii z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu

Wprowadzenie

W ostatnich latach neuroterapia stała się coraz bardziej popularna jako metoda leczenia różnych zaburzeń psychicznych i neurologicznych. Jednak mechanizmy działania neuroterapii na poziomie neuronalnym pozostają częściowo niejasne. Elektroencefalografia (EEG) jest jednym z najczęściej stosowanych narządów diagnostycznych w neuroterapii, ponieważ umożliwia rejestrację aktywności elektrycznej mózgu w czasie rzeczywistym. W tym artykule przedstawiamy protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG za pomocą ludzkiego neurosolvera kory nowej mózgu.

Materiał i metody

1. Przygotowanie danych

Aby rozpocząć, zebrane zostaną dane EEG od pacjentów, którzy przechodzą neuroterapię. Dane te będą przetwarzane w celu usunięcia artefaktów i zakłóceń, a następnie zostaną przefiltrowane w celu uzyskania odpowiednich zakresów częstotliwości.

2. Modelowanie matematyczne

Następnie, wykorzystując ludzki neurosolver kory nowej mózgu, dane EEG zostaną przekształcone w model matematyczny opisujący aktywność neuronalną w korze nowej mózgu. Neurosolver kory nowej mózgu jest zaawansowanym narzędziem komputerowym, które pozwala na symulację działania neuronów i sieci neuronowych w korze mózgu.

3. Analiza wrażliwości

Po utworzeniu modelu matematycznego, przeprowadzona zostanie analiza wrażliwości w celu zidentyfikowania kluczowych parametrów i zmiennych, które mają wpływ na działanie neuroterapii. Analiza ta pomoże zrozumieć, jak neuroterapia modyfikuje aktywność neuronalną w korze mózgu i jak te zmiany wpływają na działanie terapeutyczne.

4. Weryfikacja modelu

Na koniec, model matematyczny zostanie zweryfikowany poprzez porównanie jego prognoz z rzeczywistymi danymi EEG pacjentów, którzy przeszli neuroterapię. Ta weryfikacja pomoże określić dokładność i przydatność modelu w przewidywaniu działania neuroterapii.

Wyniki

Protokół ten pozwoli na lepsze zrozumienie mechanizmów działania neuroterapii na poziomie neuronalnym. Dzięki zastosowaniu ludzkiego neurosolvera kory nowej mózgu, będziemy w stanie zidentyfikować kluczowe elementy aktywności neuronalnej, które są modyfikowane przez neuroterapię i które mają bezpośredni wpływ na efekty terapeutyczne.

Podsumowanie

Przedstawiony protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu zapewnia nowatorskie podejście do zrozumienia i ulepszania neuroterapii. Dzięki temu protokołowi będziemy w stanie lepiej zrozumieć, jak neuroterapia działa na poziomie neuronalnym i jak te informacje mogą być wykorzystane do ulepszania metod leczenia różnych zaburzeń psychicznych i neurologicznych.

Poznaj modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów. Ta metoda umożliwia badanie dynamiki sieci nerwowej i rozwój nowych metod diagnostycznych.

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

Przeglądaj więcej filmów