Статистическое моделирование кортикальной связи с использованием неинвазивных электроэнцефалограмм

Этот протокол имеет важное значение, поскольку позволяет изутовить корковые сети путем моделирования взаимодействия регионов друг с другом, чтобы выявить различия, не очевидные со стандартными методами анализа. Основным преимуществом этой техники является то, что она позволяет исследовать сетевые функции с использованием широко доступного оборудования, чтобы мы могли получить неинвазивные электрические записи без необходимости в специализированных материалах. Этот метод позволяет неинвазивное исследование нейропсихиатрических заболеваний путем изучения сетевых структур, способствующих разработке новых диагностических методов и терапевтических биомаркеров.

Этот метод имеет широкий спектр применений в клинических нейронауках, особенно по мере того, как роль сетевой функции при болезнях становится все более актуальной. Для сбора данных приложите крышку электрода к голове пациента, заботясь о том, чтобы обеспечить правильное выравнивание. Ввесите проводящий гель в каждый из электродных портов, начиная с кожи головы и медленно отохвая на поверхность крышки, чтобы установить электрический контакт с кожей головы и улучшить соотношение сигнала к шуму.

Затем используйте предопределенный электродный монтаж на основе системы 10-20, чтобы прикрепить электроды к крышке электрода и обеспечить соответствующие наземные электроды. Для настройки ЭЭГ соедините все электроды с системой электрофизиологической записи и свяжите систему записи с соответствующей цифровой средой записи. Изучите все каналы записи, чтобы убедиться, что смещение находится в соответствующем диапазоне и чтобы избежать чрезмерного шума канала.

Алгоритм будет производить результаты независимо от качества данных, поэтому записи должны выполняться в строгих условиях качества данных и должны быть проанализированы до их использования. Затем проинструктируйте пациента о том, что запись началась, и избегайте всех ненужных движений перед проведением короткой тестовой записи, чтобы проверить соответствующее качество записи. В конце анализа загрузите данные ЭЭГ и любые дополнительные библиотеки скриптов по мере необходимости в подходящую среду анализа данных.

Отбросьте первую и последнюю пять минут каждой записи, чтобы уменьшить загрязнение любых артефактов движения и разделить данные на эпохи на основе задачи или если это состояние покоя записи предопределенной продолжительности. Чтобы подготовить данные, скорректируете базовый уровень записей, вычитая среднее значение всех каналов из записей, чтобы избежать воздействия любых базовых странствий во время длительных записей. Переоференция всех каналов на соответствующую ссылку.

Затем цифровой фильтр всех каналов, чтобы изолировать частоты интереса. Чтобы вычислить общие спектры мощности данных, выполните преобразование Фурье каждого канала, анализируемого по всему диапазону частот, который будет оцениваться. Для оценки активности отдельных частотных групп изолируйте тета-группу на уровне от четырех до восьми герц, альфа-группу в 8-12 герц, бета-группу в 12-30 герц, дельта-группу на уровне от 0,5 до 4 герц и гамма-группу на уровне более 30 герц.

Чтобы оценить взаимодействие между первой электродной парой, вы получите меру меж электродной согласованности. Чтобы оценить согласованность, наведать карту измерений согласованности меж электродов, которые должны быть визуализированы на двумерной структуре данных, где каждая колонка является расположением электрода, каждая строка является расположением электрода, и каждая ячейка является согласованности между соответствующей парой электродов и карта значения согласованности между нулем и одним цветом. Затем экспорт цветная карта визуализации меж-электродной согласованности между каждой парой электродов в пределах частоты используется.

Чтобы визуализировать взаимодействие более высокого порядка между корковыми областями и наметить динамику сети, рассчитайте, как каждая пара электродов измеряет коварии с ковари любой другой уникальной электродной парой по всему спектру и в пределах определенных полос. Затем нарисуй эти ковариансные измерения цветов и экспорт цветной карты, визуализируя динамику сети внутри и между частотными диапазонами. Для уменьшения размерности необходимо получить меры для сопоставления групп, представляющих общую динамику сети в рамках статистических моделей, генерируемых с использованием анализа принципиальных компонентов.

Проинструктируйте матрицу коварианса для парных мер согласованности, чтобы позволить визуализацию сетевых отношений высокого уровня и разложить матрицу коварианса на эйгенвекторы и соответствующие эйгенвалю, чтобы позволить идентифицировать ось в пространстве функции модели, которые содержат наибольшую дисперсию, не будучи ограничены существующими мерами. Ранг эйгенвекторов по их соответствующим eigenvalues для выявления тех, кто приходится наибольшая доля дисперсии в модели. Затем сравните первые компоненты принципа, полученные из сетевых моделей.

Чтобы выбрать функциональный регион, представляющий интерес, изолируйте данные о согласованности в диапазонах частот, представляющих интерес. Выполните принципиальный анализ компонентов для получения показателей общей сетевой активности в группах, представляющих интерес. Затем сравните показатели между группами для оценки сетевых различий на определенных осцилляторных частотах.

Для выполнения неконтролируемого обучения с помощью метрики расстояния, такой как евклидовое расстояние, вычислите измерения расстояния между объектами в пространстве, определяемом сетевой моделью. Затем используйте алгоритм кластеризации, такой как k-ближайшие соседи, для идентификации групп в данных на основе параметров модели. Спектральную силу можно визуализировать интерполировали по всей коже головы, что позволяет получить ограниченную оценку источника активности.

Каждая из межэне электродных электродов указывает на степень изменения активности в одной области в зависимости от активности в другой области, что позволяет иметь различия в направлении взаимодействия и времени. Более высокие значения согласованности между электродами предполагают взаимодействие между областями, из которых очевидно, что записанные области общаются друг с другом. Измеряя взаимодействия между каждой уникальной электродной парой, можно составить статистическую карту взаимодействия записанных каналов, позволяющую изумить, как эти области общаются, а не фокусироваться на отдельных областях изоляции.

Визуализация динамики сети более высокого порядка облегчает распознавание видов взаимодействий, сравниваемых с помощью анализа принципиальных компонентов или метода на основе классификатора для оценки того, как измерения согласованности в одной электродной паре соотносяты с изменениями согласованности в другой паре. Например, здесь мы можем визуализировать различия, очевидные в сетевом картировании между двумя субъектами с различными клиническими фенотипами нейропсихиатрического расстройства, влияющие на корковую функцию, где не было статистически значимых различий с использованием стандартных методов анализа. После принятия сетевых мер с использованием этой процедуры можно использовать методы машинного обучения для использования моделей, богатых данными, для обеспечения более сложного диагностического и прогностический анализ.

Этот метод позволил исследование подтипов заболеваний при синдроме Ретта, детской нейропсихиатрической болезни, а также прогнозирование ответов на новые методы лечения и эпилепсии статус.