Modelagem estatística da conectividade cortical usando eletroencefalogramas não invasivos

Este protocolo é significativo, pois permite a investigação de redes corticais modelando como as regiões interagem entre si para revelar diferenças não evidentes com técnicas de análise padrão. A principal vantagem dessa técnica é que ela nos permite investigar funções de rede utilizando equipamentos amplamente disponíveis para que possamos obter gravações elétricas não invasivas sem a necessidade de materiais especializados. Esta técnica permite a investigação não invasiva de doenças neuropsiquiátricas, examinando estruturas de rede facilitando o desenvolvimento de novos métodos diagnósticos e biomarcadores terapêuticos.

Este método tem uma ampla gama de aplicações dentro das neurociências clínicas, particularmente à medida que o papel da função de rede na doença se torna cada vez mais relevante. Para coleta de dados, conecte a tampa do eletrodo à cabeça do paciente tomando cuidado para garantir um alinhamento correto. Injete gel condutor em cada uma das portas de eletrodos começando no couro cabeludo e lentamente se retirando para a superfície da tampa para estabelecer contato elétrico com o couro cabeludo e melhorar a relação sinal-ruído.

Em seguida, use uma montagem de eletrodo predeterminado baseada no sistema 10-20 para anexar os eletrodos à tampa do eletrodo e fixar os eletrodos terrestres apropriados. Para configurar o EEG, conecte todos os eletrodos a um sistema de gravação eletrofisiológica e vincule o sistema de gravação a um ambiente de gravação digital adequado. Examine todos os canais de gravação para garantir que o deslocamento esteja dentro de um intervalo apropriado e para evitar ruídos excessivos do canal.

O algoritmo produzirá resultados independentemente da qualidade dos dados, de modo que as gravações devem ser realizadas sob rigorosas condições de qualidade de dados e devem ser analisadas antes de seu uso. Em seguida, instrua o paciente que a gravação foi iniciada e evite todos os movimentos desnecessários antes de realizar uma gravação de teste curta para verificar a qualidade adequada da gravação. No final da análise, carregue os dados do EEG e quaisquer bibliotecas adicionais de script conforme necessário em um ambiente adequado de análise de dados.

Descarte o primeiro e os últimos cinco minutos de cada gravação para reduzir a contaminação de quaisquer artefatos de movimento e divida os dados em épocas com base na tarefa ou se for um estado de repouso registrando a duração predeterminada. Para preparar os dados, corrija a linha de base das gravações subtraindo a média de todos os canais das gravações para evitar o impacto de qualquer linha de base vagando durante gravações prolongadas. Rereferir todos os canais para uma referência apropriada.

Em seguida, filtrar digitalmente todos os canais para isolar as frequências de interesse. Para calcular o espectro geral de energia dos dados, realize uma transformação fourier de cada canal que está sendo analisado em toda a faixa de frequência a ser avaliada. Para avaliar a atividade de bandas de frequência individual, isolar a banda theta em quatro a oito hertz, a banda alfa de oito a 12 hertz, a banda beta em 12 a 30 hertz, a banda delta em 0,5 a quatro hertz, e a banda gama em mais de 30 hertz.

Para avaliar as interações entre o primeiro par de eletrodos, derivam uma medida de coerência inter-eletrodo. Para avaliar a coerência, mapeie as medidas da coerência inter-eletrodo a serem visualizadas em uma estrutura de dados bidimensionais onde cada coluna é um local de eletrodo, cada linha é um local de eletrodo, e cada célula é a coerência entre o par de eletrodos correspondente e mapear os valores de coerência entre zero e uma cores. Em seguida, exporte um mapa de cores visualizando a coerência entre cada par de eletrodos dentro dos limites de frequência utilizados.

Para visualizar interações de ordem mais altas entre áreas corticais e mapear a dinâmica da rede, calcule como cada par de eletrodos mede coerência com as de cada outro par de eletrodos únicos em todo o espectro geral e dentro de bandas específicas. Em seguida, mapeie essas medidas de covariância para cores e exporte um mapa de cores visualizando a dinâmica da rede dentro e entre bandas de frequência. Para realizar uma redução de dimensionalidade, derivam medidas para comparação entre os grupos que representam a dinâmica geral da rede dentro dos modelos estatísticos gerados utilizando a análise dos componentes-princípio.

Instrua uma matriz de covariância para as medidas de coerência em pares para permitir a visualização das relações de rede de alto nível e decompor a matriz de covariância em eigenvetores e correspondentes eigenvalues para permitir a identificação do eixo dentro do espaço de característica modelo que contenha a maior variância sem ser delimitada pelas medidas existentes. Classificar os eigenvetores por seus correspondentes eigenvalues para identificar aqueles que representam a maior proporção de variância dentro do modelo. Em seguida, compare os primeiros componentes de princípio derivados dos modelos de rede.

Para selecionar uma região funcional de interesse, isole os dados de coerência dentro das faixas de frequência de interesse. Realize uma análise de componentes de princípio para obter medidas da atividade geral da rede dentro das faixas de interesse. Em seguida, compare as medidas entre os grupos para avaliar as diferenças de rede em frequências oscilatórias específicas.

Para realizar um ensino não supervisionado utilizando uma métrica à distância, como a distância euclidiana, calcule as medidas de distância entre os sujeitos dentro do espaço definido pelo modelo de rede. Em seguida, use um algoritmo de clustering, como vizinhos k-mais próximos para identificar os grupos dentro dos dados com base nos parâmetros do modelo. O poder espectral pode ser visualizado interpolado através do couro cabeludo permitindo uma estimativa limitada da fonte de atividade.

Cada uma das medidas do eletrodo inter eletrodo indica até que ponto a atividade em uma área muda dependendo da atividade em outra área permitindo diferenças na direção da interação e de defasagem de tempo. Valores mais elevados de coerência inter-eletrodo sugerem interações entre áreas a partir das quais é evidente que as áreas registradas estão se comunicando entre si. Medindo as interações entre cada par de eletrodos únicos, um mapa estatístico de como os canais gravados estão interagindo pode ser construído permitindo a investigação de como as áreas estão se comunicando em vez de se concentrar em áreas individuais de isolamento.

A visualização da dinâmica da rede de ordem superior facilita o reconhecimento dos tipos de interações que estão sendo comparados por uma análise de componentes principais ou uma técnica baseada em classificação para avaliar como as medidas de coerência em um par de eletrodos se relacionam com mudanças na coerência em outro par. Por exemplo, aqui podemos visualizar diferenças evidentes no mapeamento da rede entre dois sujeitos com diferentes fenótipos clínicos de uma desordem neuropsiquiátrica que afeta a função cortical onde não houve diferenças estatisticamente significativas usando métodos de análise padrão. Após a derivação de medidas de rede utilizando esse procedimento, técnicas de machine learning podem ser empregadas para alavancar os modelos ricos em dados produzidos para permitir análises diagnósticas e prognósticos mais sofisticadas.

Essa técnica permitiu a investigação de subtipos da doença na síndrome de Rett, doença neuropsiquiátrica pediátrica, bem como a previsão de respostas a novos tratamentos e status de epilepsia.