הדוגמנות הסטטיסטית של קישוריות קורטיקלית באמצעות אלקטרונצלוגרמות שאינן פולשנית

Summary

טכניקות סטנדרטיות של ניתוח EEG מציעות תובנה מוגבלת בתפקוד מערכת העצבים. באמצעות מודלים סטטיסטיים של קישוריות קורטיקלית מציעה יכולת גדולה הרבה יותר לחקור את הדינמיקה הבסיסית של הרשת. הערכה תפקודית משופרת פותחת אפשרויות חדשות לאבחון, תחזיות, וחיזוי התוצאה במחלות מערכת העצבים.

Abstract

הקלטות אלקטרופיזיולוגיות לא פולשנית שימושיות להערכת תפקוד מערכת העצבים. שיטות אלה הן זולות, מהירות, שכפול ופחות תובעניות ממשאבים מהדמיה. יתר על כן, הנתונים הפונקציונליים המיוצרים יש רזולוציה טמפורלית מעולה, אשר אינו השגה עם הדמיה מבנית.

יישומים נוכחיים של אלקטרונצלוגרמות (EEG) מוגבלים בשיטות עיבוד נתונים. טכניקות ניתוח סטנדרטיות המשתמשות בנתוני סדרת זמן גולמיים בערוצים נפרדים הן שיטות מוגבלות מאוד לחקירת פעילות מערכת העצבים. מידע מפורט יותר על הפונקציה הקורטיקלית ניתן להשיג על ידי בחינת קשרים בין ערוצים לבין הנובעות מודלים סטטיסטיים של איך אזורים מאינטראקציה, המאפשר ויזואליזציה של קישוריות בין רשתות.

כתב יד זה מתאר שיטה ליצור מודלים סטטיסטיים של פעילות רשת קורטיקלית על ידי הקלטת EEG באופן רגיל, ולאחר מכן בחינת האמצעים קוהרנטיות בין האלקטרודות כדי להעריך את היחסים בין האזורים המוקלטת. אינטראקציות בסדר גבוה יותר ניתן לבחון על ידי הערכת השונות המשותפת בין זוגות קוהרנטיות, הפקת "מפות" רב-מימדי של אינטראקציות רשת. מבנים נתונים אלה ניתן לבחון כדי להעריך את תפקוד הרשת הקורטיקלית ואת הקשר שלה לפתולוגיה בדרכים לא השגה עם טכניקות מסורתיות.

גישה זו מציעה רגישות גבוהה יותר לאינטראקציות ברמת הרשת מאשר השגה עם ניתוח סדרת זמן גולמי. עם זאת, היא מוגבלת על-ידי המורכבות של רישום מסקנות מכניסטיות ספציפיות על האוכלוסיות העצביות המשמשות כבסיס והכרכים הגבוהים של הנתונים שנוצרו, ובכך דורשים טכניקות סטטיסטיות מתקדמות יותר להערכה, כולל מימדית הפחתת וגישות מבוססות-מסווג.

Introduction

שיטה זו שואפת לייצר מפות סטטיסטיות של רשתות קורטיטיות מבוסס על הקלטות האלקטרודה שאינם פולשנית באמצעות התקנה קלינית קיימא, כדי לאפשר חקירה של פתולוגיה של מערכת העצבים, ההשפעה של טיפולים חדשניים, ופיתוח של רומן . מסמנים אלקטרולוגיים

EEG מציעה פוטנציאל רב לחקירת תפקוד מערכת העצבים ומחלות^1,2. טכנולוגיה זו היא זולה, זמין בתוך מחקר והגדרות קליניות, ובדרך כלל נסבל היטב. הטבע פשוט, לא פולשני של הקלטות לעשות שימוש קליני פשוט, ואת המסגרת הקיימת של מחלקות EEG קליני מאפשר גישה קלה לטכנולוגיה עבור מטפלים.

מנקודת מבט טכנית, EEG מציע בזמן מצוין החלטה בתחום³. זה חשוב מאוד כאשר חקירת תפקוד מערכת העצבים בשל סולמות הזמן המהיר של אינטראקציות מערכת העצבים ודינמיקה ברשת. בעוד שיטות דימות כגון MRI פונקציונלי להציע רזולוציה מרחבית גדולה יותר בקלות מתרגם תמונות הטבלה, הם הרבה יותר מוגבלים ביכולתם לחקור את תפקוד מערכת העצבים על סולמות הזמן בסדר המוצעים על ידי הקלטות אלקטרופיזיולוגיות ^4,5,6.

יש צורך הולך וגובר ביכולת לחקור את תפקוד מערכת העצבים כדי ליידע אבחון, טיפול ותחזיות של מחלות מערכת העצבים. התפקיד של דינמיקה ברשת קורטיקלית בפתולוגיה של מערכת העצבים מוכר יותר ויותר⁷. פתווגיות רבות של מערכת העצבים לייצר לא נגעים מבניים מאקרוסקופי גלוי עם הדמיה מסורתית, אבל ליקויים המיוצרים ברמת הרשת עשוי להיות גלוי עם שיטות ניתוח מתאים תפקודית.

למרבה הצער, שיטות ניתוח EEG הנוכחי מוגבלות מאוד בהקשר זה. שיטות מסורתיות כרוכות בניתוח של נתוני סדרת זמן פשוטים מאלקטרודות בודדות. אותות אלה מייצגים את הסיכום של פוטנציאל השדה באזורים קורטיקלית גדולה^3,8. ניתוח נתונים מערוצים בודדים בבידוד באמצעות בדיקה חזותית או שיטות סטטיסטיות פשוטות מגביל את השימושיות של הקלטות אלה כדי לזהות חריגות אלקטרופיזיולוגיות ברוטו במיקומים נפרדים, בודדים. עם ההכרה הגוברת של החשיבות של השפעות ברמת הרשת על תפקוד מערכת העצבים ואת הפתולוגיה, אלה שיטות ניתוח פשוט חסרים בבירור בכך שהם לא יוכלו לזהות קשרים עדינים בין אותות, המייצגים חריגות באופן שבו האזורים הקורטיקליים מקיימים אינטראקציה אחד עם השני ברמת הרשת.

שיטה של הנובעות מפות סטטיסטית של קישוריות רשת קורטיקלית מתוך הקלטות האלקטרודה נמוכה מימדי מומחש. שיטה זו מאפשרת חקירה של הדינמיקה של אינטראקציות בין אזורי מוח שונים באופן שאינו אפשרי עם טכניקות ניתוח מסורתיות, כמו גם הדמיה של אינטראקציות אלה ברשת. פעולה זו פותחת את האפשרות עבור חקירה לא פולשנית של השפעות ברמת הרשת ברזולוציות תחום בזמן גבוה בדרכים לא אפשרי בעבר. שיטה זו מבוססת על הנגזרת של מדדים בעלי קוהרנטיות אינטראלקטרודה^9,10. צעדים אלה מאפשרים לחקור כיצד שני אזורים מוקלטים מקיימים אינטראקציה על-ידי הערכת היחסים הסטטיסטיים בין ההקלטות של אזורים אלה¹¹. על ידי הערכת כיצד כל אזור מוקלט מקיים אינטראקציה עם כל אזור מוקלט אחר, ניתן לעשות מפה סטטיסטית של רשתות אלקטרופיזיולוגיות בתוך האזורים המוקלטת. זה מאפשר גילוי של קשרים פונקציונליים שאינם גלויים על הערכה של נתוני ערוץ בידוד.

מוקד כתב היד הזה נמצא בשימוש. בעקביות בסדרת הזמן העצבית כיום, ישנן מספר טכניקות לחקירת קשרי הגומלין בין נתוני סדרת הזמן שניתן להחיל על ערוצים בצורה זיווגים כדי לגזור מודלים של קישוריות קורטיקלית. כמה שיטות, כגון בבימויו החלקית הקשורים קוהרנטיות^12,13, המטרה להסיק את כיוון ההשפעה של זוג אותות נחקר על מנת לאפיין טוב יותר את מבנה הרשתות הבסיסיות, בעוד אחרים שיטות, כגון גריינג'ר סיבתיות^14,15, מנסות להסיק קשרים פונקציונליים דרך היכולת של אות אחת כדי לנבא את הנתונים באחר. שיטות כגון אלה יכולות להיות מיושם בדרכים דומות להפקת דגמים ממדיים גבוהים של רשתות קורטיקלית. עם זאת, היתרונות של קוהרנטיות כאמצעי בחקירת יחסים בין אותות עצביים טמון בהיעדר השערות. ניתן לחקור קשרים סטטיסטיים בין הקלטות בשני אתרים מבלי לעשות הצהרות על בסיס פונקציונלי של קשרים אלה לבנות מודל של קישוריות קורטיקלית מבוסס גרידא על יחסים סטטיסטיים עם הנחות מינימליות בנוגע לרשתות הקורטיפיות היוצרות אותות אלה.

בשל האופי המתמטי גרידא של צעדים אלה, היחסים בין האמצעים קוהרנטיות של הקלטות אלקטרודה על הקרקפת ואת הפעילות העצבית הבסיסית היא מורכבת^16,17. בעוד שיטות אלה מאפשרות את הנגזרת של מבנים סטטיסטיים המתארים יחסים בין הקלטות האלקטרודה להשוואה, ביצוע מסקנות הסיבתי ישירה על הפעילות של אוכלוסיות עצביות ספציפיות הבסיסית אינה . ישיר^3,8,16,17 גישות אלה מאפשרות השוואה בין הפעילות ברמת הרשת בין קבוצות כדי לזהות סמנים בעלי פוטנציאל שימושי, אך מוגבלים מבחינת רישום מסקנות ספציפיות לגבי הקשר בין סמנים אלה לבין מנגנונים עצביים ספציפיים. זה בגלל המספר הגדול של גורמים מייסדים המשפיעים על פעילות מוקלטת³, כמו גם בעיות עם הערכת מקור בקליפת המוח הספציפית של אותות חשמליים שנרשמו ברמה של הקרקפת⁸. במקום זאת, גישות אלה יכולות לייצר מודלים סטטיסטיים של פעילות שניתן לחקור ולהשוות בין קבוצות כדי לקבוע שההבדלים קיימים ברמת הרשת¹⁸ וניתן ליצור מינוף כדי לייצר בסמנים הרומן מבוסס על אלה ונה. עם זאת, לשיטות אלה בלבד יש יכולת מוגבלת להתייחס להבדלים הנראים למנגנונים מסוימים ולפעילויות עצביות בשל המורכבות של המערכת הבסיסית.

השימוש באמצעי רשת כגון קוהרנטיות מבוססת היטב במערכות מדעי המוח^16,17. הפוטנציאל המלא של גישות אלה לדוגמנות וחקירת תפקוד קורטיקלית הוגבלה על ידי חוסר ניצול של מבני נתונים אלה מימדים גבוהים. עבודה זו ממחישה כי ניתן להחיל אמצעים אלה על ערוצי EEG בצורה זיווגים כדי למפות נתונים על מרחב תכונה מימדי גבוהה המבוסס גרידא על היחסים הסטטיסטיים בין פעילות החשמל באזורים קורטיקלית. זה גם מדגים כי, באמצעות טכניקות סטטיסטיות מודרנית, ניתן להשתמש במודלים שנוצרו של פונקציה קורטיקלית לחקור את המודלים האלה מבלי לאבד את המידע שנרכש בתהליך הדוגמנות.

שיטה זו עשויה להיות בעלת ערך רב בהרחבת היקף היישומים של טכנולוגיות EEG קיימות, שיפור היכולת להפיק אמצעים פונקציונליים שימושיים מבלי לדרוש עיבודים לציוד הקלטה קיים^18,19 . על ידי שיפור היכולת לדגמן תפקוד קורטיקלית ולחקור את המודלים האלה, את השאלות שניתן לחקור באמצעות נתוני EEG מורחבים. זה עוד פותח את האפשרות של שילוב גדול יותר של הערכות פונקציונלי ומבניים לחקירת מחלה נוירולוגית^20,21. גישה זו, באמצעות טכנולוגיה שכבר זמין נרחב קלינית, יאפשר חקירה של הפתווגיות בקליפת המין העליון עם הזמן הגבוה ואת הרזולוציה המרחבית.

Protocol

הפרוטוקול הניסיוני הבא הוא בהתאם לכל הנחיות האתיקה המקומיות, הלאומיות והבינלאומיות למחקר אנושי. הנתונים המשמשים לבדיקת הפרוטוקול נרכשו עם אישור של ועדת אתית של אזור טוסקנה-פרוטוקול 2018SMIA112 SI-RE.

הערה: קבצי ה-script המשמשים ליישום הבדיקות המתוארות זמינים ב-https://github.com/conorkeogh/NetworkAnalysis.

1. איסוף נתונים גולמיים

1. . הכן תנאי נושא
   1. כדי להבטיח עקביות על-פני הקלטות, בצע את כל ההקלטות EEG בסביבת הקלטה ייעודית. הסר את כל הציוד או הגירויים שאינם רלוונטיים באופן ישיר לפעילות שתבוצע במהלך הקלטה מהסביבה כדי למנוע הסחת דעת.
      הערה: אם יש לבצע הקלטות מצב מנוחה, הסר את כל מקורות ההסחה מהחדר וחשוף נושאים לסביבת ההקלטה לפני הפעלת ההקלטה כדי להסיר חידוש מהסביבה.
   2. ספק לנושא הוראות ברורות לגבי המשימה שתבוצע. לאחר הגדרת הציוד, להשאיר את הנושא לבד בסביבת ההקלטה כדי להתרגל לסביבה לפני תחילת ההקלטה כדי למזער את התנועה ואת הסחת הדעת.
   3. אם לנושא יש פיגור שכלי, יש לאפשר לו/לה את הזמן הדרוש כדי להגביל את הסביבה לצורך הגבלת הלחץ. לפעמים הדבר עשוי לדרוש ביקורים מרובים ושהייה ממושכת בחדר ההקלטה.
2. . לטעון את האלקטרודות
   1. חברו את כובע האלקטרודה לראש המטופל, והקפידו להבטיח את היישור הנכון. הכנס ג'ל מוליך לתוך כל אחת מיציאות האלקטרודה, החל בקרקפת ונסוג לאט אל פני השטח כדי ליצור מגע חשמלי עם קנה המידה ולשפר את היחס אות לרעש.
   2. הצמד אלקטרודות למכסה האלקטרודה בעזרת מערך אלקטרודה שנקבע מראש על בסיס מערכת 10-20. הצמדת אלקטרודות קרקע מתאימות (למשל לתהליכי הסטואיד).
3. . הגדר את האא ג
   1. חברו את כל האלקטרודות למערכת הקלטה אלקטרופיזיולוגית. קשר את מערכת ההקלטה עם סביבת הקלטה דיגיטלית מתאימה.
   2. בדוק את כל ערוצי ההקלטה כדי להבטיח שההיסט יהיה בטווח המתאים ולהימנע מרעש מוגזם של הערוץ. אם לערוץ יש היסט מוגזם או רעש, ניתן להוסיף ג'ל מוליך נוסף כדי לשפר את החיבור החשמלי, לטפל כדי למנוע את הגישור בין אתרי האלקטרודה.
   3. הנחה את הנושא שהקלטת התחילה ולהימנע מכל התנועות הנחוצות. בצע הקלטת מבחן קצרה כדי לאמת את איכות ההקלטה המתאימה.
4. הכן את משימת ההתנהגות להקלטה.
   1. הבהרת כל ההוראות הקשורות למשימות עם הנושא. חזור על החשיבות של הימנעות מכל התנועות המיותר.
   2. הסבר כי ההקלטה תתחיל באות שהוסכם בבירור (למשל, נקישה על דלת סביבת ההקלטה). השאר את הנושא בסביבת ההקלטה. . תתחיל להקליט . תן את האות המוסכם לנושא
   3. לאחר השלמת הפעילות או התקופה של מצב מנוחה, הפסק את ההקלטה, בדוק חזותית את הנתונים כדי להבטיח איכות ושמור את הנתונים.

2. עיבוד מקדים של נתונים

הערה: הכנת הנתונים וצינור החילוץ מומחש באיור 1.

1. . הכן את התוכנה
   1. טען את נתוני EEG שייניתחו לסביבת ניתוח נתונים. טען ספריות script נוספות הנחוצות, כגון EEGLab²².
2. המר את כל ההקלטות לאותו תבנית נתונים במידת הצורך, עם כל הערוצים במיקומם המתאים.
   1. להיפטר ההתחלה והסוף של כל הקלטה (למשל, 5 דקות) כדי להפחית את הזיהום של חפצי תנועה. פצל את הנתונים לאפוקסי בהתבסס על פעילות או, אם זוהי הקלטה של מצב מנוחה, משך קבוע מראש (לדוגמה, 10 דקות). ראה NetworkAnalysis_Demonstration m (מיצוי תכונות הסעיף) ואיור משלים 1 להדגמה של יישום.
      הערה: הבחירה של אורך אפוק יכול להיות השפעות חשובות על האמצעים של קוהרנטיות. יש להשתמש באפוקסי באורך מספיק כדי להבטיח שמערכות יחסים אמיתיות בין האותות מופיעים בחישובים כדי להימנע מפריטים שאינם מבחינים בהם או כאשר מדובר בסינכרונים מוגזמים ובניפוח מופרז. עם זאת, בעבודה זו לא היה הבדל משמעותי מבחינה סטטיסטית במבנה הרשת הכולל כאשר עשר דקות שבהן הושוו לממוצע של 10 1 דקות בעקבות דחיית חפץ יסודית.
3. בצע דחיית חפץ על-ידי בדיקה חזותית של נתוני התקופה ודחיית נתונים בלתי מתאימים מבחינה חזותית.
   הערה: כמו טכניקת הדוגמנות המתוארת נשענת על היחסים בין אותות, זה חיוני כדי להבטיח דחייה יסודית של חפצים. אלה יכולים להשחית את נתוני הערוץ, המוביל לעליות מלאכותיות (אם החפץ מיוצג על ערוצים מרובים) או מקטין (אם החפץ מיוצג רק על ערוצים מסוימים) של מדדים של קוהרנטיות.
   1. זהה ערוצים פגומים בהקלטות.
      1. לעבור מסנן נתונים ב 0.5 Hz כדי להסיר את הסחף הבסיסית בשל השטח הצף של מערכת הרכישה.
      2. בחר את כל הערוצים הנפגשים עם הקריטריונים הסטטיסטיים המתאימים (למשל, אלה עם סטיית תקן הגדולה משלוש פעמים או פחות משליש אחד מסטיית התקן הממוצעת של הערוץ).
         הערה: הסרת הערוצים עם נתונים שלא סביר שמקורם במקורות עצביים נמנעת מערכות יחסים מזויפות שהוצגו בדגמי הרשת.
      3. בדוק ערוצים אלה כדי לקבוע אם הם מתאימים.
      4. דחה את האפוקסי בערוצים בלתי מתאימים במידת האפשר. לחלופין, הוצא את הערוצים הפגומים והאינטרפולציה על הנתונים בערוצים אלה (לדוגמה, באמצעות אלגוריתם האינטרפולציה של EEGLab).
         הערה: אינטרפולציה על פני מספר רב של ערוצים או עם מספר קטן של ערוצי הקלטה עשוי ליצור נתונים לא מתאימים לניתוח. עוד, זה לא מציג מידע חדש לתוך ערכת הנתונים והוא יכול לגרום לאמצעים גבוהים באופן מלאכותי של קוהרנטיות בין אותות מאינטרפולציה ואותות שמהם הם נגזרים.
   2. בצע את ניתוח הרכיבים העצמאיים על האפוקסי הנותרים (לדוגמה, באמצעות פונקציית ICA של EEGLab). בדוק באופן חזותי את הרכיבים הנגזרים ודחה נתונים שאינם מתאימים לבחינה חזותית.
   3. החל את ספי הסטטיסטיקה המתאימים כדי לזהות את הממצאים הפוטנציאליים שאינם גלויים באופן מיידי על בדיקה חזותית (למשל, בהתבסס על ערכים קיצוניים או ספקטרום חריג). בחן את אלה וקבע אם דחייה מתאימה.
   4. חזור על ניתוח הרכיבים העצמאיים וזיהוי החפץ בתקופות ההישרדות.
   5. זיהוי מוצרי הנתונים שיישמרו לצורך ניתוח נוסף. בטל את כל הנתונים שנדחו. יש לזהות את כל האפוקסי שיינקטו קדימה לצורך ניתוח נוסף.
      הערה: היכן שנדרש תקופה אחת בלבד לכל נושא, בחר בתקופה המתאימה הראשונה לניתוח נוסף.
4. כדי להכין את הנתונים, תקן את קו הבסיס של ההקלטות על ידי הפחתת הממוצע של כל הערוצים מהקלטות כדי למנוע את ההשפעה של נדידה בסיסית במהלך הקלטות ממושכות. התייחסות מחדש לכל הערוצים להפניה מתאימה (למשל, האלקטרודה הקרקעית או הממוצע של כל הערוצים). לקבלת דוגמאות לביצוע, ראה NetworkAnalysis_Demonstration מ, NetworkAnalysis_Preprocess. מ ואיור 2.
   הערה: בחירת הפניות יכולה להיות בעלת אפקטים חשובים באמצעי הרשת. כאשר נתוני הייחוס מופחתים על כל הערוצים המנותחים, כל הנתונים העצביים המיוצגים בערוץ הייחוס יישבו ובכך לא יתרמו ליצירת המודל. זה מנהג נפוץ להשתמש אותות התייחסות שנרשמו על prominences גרמיות ללא מבנה מיידי הבסיסית של מבנים עצביים, כגון תהליך הסטואיד. עם זאת, אלה יכולים להיות מושחתים על ידי נתונים עצביים בשל השפעות ההולכה עוצמה דרך הקרקפת ולכן לעוות את אמצעי הרשת באופן דיפרנציאלי מבוסס על מיקום יחסית להפניה. כתוצאה מכך, עבור נתוני מצב מנוחה עדיף להשתמש בממוצע של כל ערוצי הקרקפת כהפניה. משמעות הדבר היא כי כל הנתונים אינם מוזכרים ביחס למיקום מרחבי מסוים, מעוות מידות, מכיוון שכל הערוצים תורמים להפניה. זה יכול להיות אפקטים כגון לשבור את הפעילות הכללית לכאורה והוא יכול לעוות את האמצעים על ידי הפחתת אותות כי הם מאוד מיוצגים בערוצים מסוימים, ובכך לתרום בכבדות לממוצע. זוהי בעיה גדולה יותר עבור אותות הקשורים לפעילות ולאירועים, אך בדרך כלל לא במקרה של נתוני מצב מנוחה.
   1. סנן באופן דיגיטלי את כל הערוצים כדי לבודד את תדרי הריבית (לדוגמה, 1 Hz-50 Hz). ראה NetworkAnalysis_Demonstration מ, NetworkAnalysis_Preprocess מ ואיור משלים 3 לדוגמאות למימוש.
      הערה: ודא שהשימוש במגבלות התדר המתאים ומסנן פרמטרים עבור הניתוח המיועד כדי להימנע מעיוות התדרים בקיצוניות של אפקטי הטווח וההחלקה הנבדקים. אפס^{שלב-משמרת 4}מסנני באטורת ' שווה לבצע בהתאם. הסינון המתאים מבטיח שפעילות העניין מבודדת לדוגמנות. גם עם מגוון רחב (למשל, 1 Hz-50 Hz), זה מבטיח כי ממצאים בתדר גבוה ונדידה נמוכה בסיסית בתדר לא יפורשו כקוהרנטית בין ערוצים, עיוות צעדים.

3. מיצוי התכונות

1. . להעריך את הכוח הספקטרלי
   1. חישוב ספקטרום הכוח הכולל על ידי ביצוע התמרת פורייה של כל ערוץ מנותח על פני טווח התדרים כולו כדי להעריך (למשל, 1 Hz-50 Hz).
   2. הערכת הפעילות בלהקות בתדר בודד: לבודד את להקת תטה ב 4 הרץ-8 הרץ. בודד את להקת האלפא. ב-8 הרץ-12 הרץ בודד את להקת הדלתא ב-12 הרץ-30 הרץ. בודד את להקת ה> גמא ב-0.5 הרץ-4 הרץ (g. , 30-50 Hz). ראה NetworkAnalysis_Demonstration מ, NetworkAnalysis_FeatureExtraction מ, ואיור משלים 4 לדוגמאות למימוש הנגזרת של ספקטרום ובידוד של להקות תדר.
      הערה: נתוני EEG מחולקים באופן מסורתי לתדר "להקות" לחקירה. הן נקראות בעיקר על בסיס סדר הגילוי, ורוחבי הרוחב הספציפיים משתנים במידת מה. המשמעות הפונקציונלית של תנודות בתדרים מסוימים נשארת שטח של חקירה פעילה. הוא חשב כי תנודות בתוך להקות ספציפיות עשוי להיות קשור לפעילויות עצביות ספציפיות, כגון הופעתה של גל אלפא משרעת גבוהה באזור העורף עם עיניים עצומות, למרות הקשר המדויק בין פונקציות עצביות פעילות מנדנוד בהקלטות EEG נותרת בלתי ברורה.
   3. הערכת הכוח הכולל על פני הקרקפת כולה על ידי חישוב ממוצע של ספקטרום הערוץ הבודד. לנרמל את הכוח בלהקות בודדות ביחס לכוח הכולל כדי לתת מידה של כוח יחסי ולאפשר השוואות מדויקות יותר בין התנאים.
2. בצע מיפוי רשת.
   1. הערכת האינטראקציות בין זוג האלקטרודות הראשון על-ידי התניית מידה של קוהרנטיות בין-אלקטרודה:
      
      ראה NetworkAnalysis_Demonstration מ, NetworkAnalysis_FeatureExtraction מ ואיור משלים 5 לדוגמאות למימוש.
      1. חשב את רוחב הספקטרום של שני הערוצים:
         
         1. חישוב התמרת פורייה של כל אות, X ו- Y
            
         2. חשב את הטווח הרוחב:
            
            כאשר: t הוא מרווח הדגימה, t הוא אורך ההקלטה, x הוא שינוי פורייה של x, ו- Y^* הוא המשלים המורכב של y.
         3. התעלמו מהתדרים השליליים ומהאמצעים הנכונים. המחצית השנייה של ציר התדרים של המחשב יכולה להתעלם במקרה של אותות בעלי ערך אמיתי, ואמצעי ההפעלה המוכפלות בשתיים כדי לתקן זאת.
            הערה: זה שווה ערך לטרנספורמציה פורייה של הקורלציה הצולבת של x ו- y.
      2. לנרמל את הספקטרום החוצה על ידי ספקטרום העוצמה של שני הערוצים:.
         1. מחשב את התמרת פורייה של כל אות:
            
         2. חשב את קשת צריכת החשמל:
            
            כאשר: t הוא מרווח הדגימה, t הוא אורך ההקלטה, x הוא שינוי פורייה של x, ו- x^* הוא המשלים המורכב של x.
         3. התעלם מהתדרים השליליים ומהאמצעים הנכונים: המחצית השנייה של ציר תדירות המחשב יכולה להיות מתעלמת במקרה של אותות בעלי ערך אמיתי, ואמצעי ההפעלה המוכפלות בשתיים כדי לתקן זאת.
         4. השתמש בספקטרום הכוח המחושב כדי לנרמל את הספקטרום הצולב ולהפיק מידה של קוהרנטיות:
            
            הערה: זה יוצר C, מידה של העקביות בין אותות x ו- y בתדרים . זהו מדד של הקשר בין אותות אלה בתדרים שנבדקו, נמדד בקנה מידה בין 0 ל-1. כאשר יש יחסים בפאזה קבועה בין שני אותות נבדק בכל זמן נקודות, קוהרנטיות יהיה ערך של 1, המציין קשר חזק בין אותות בתדרים אלה, רומז כי הפעילות באות אחת היא פונקציונלית הפעילות האחרת (כלומר, יש תקשורת בין השניים). כאשר אין קשר פאזה בין שני האותות, לקוהרנטיות יהיה ערך של 0, המציין כי האותות אינם קשורים.
   2. חזור על הליך זה עבור כל זוג של אלקטרודות ייחודי כדי לפתח מידה של יציבות פאזה בין האותות בכל צמד האלקטרודה, לבנות מודל של קישוריות תפקודית בכל אלקטרודות.
      הערה: עבור מצרף של n אלקטרודות, זה יהיה לייצר אמצעים קוהרנטיות. הדבר מייצג את המיפוי של נתוני סדרת הזמן הנמדדים למישור רב-מימדי, המבוסס על קשרי הגומלין בין אותות מוקלטים, ומאפשר לחקור את אופי האינטראקציות הללו.

4. הדמיית נתונים

1. . לבצע ניתוח כוח ספקטרלי
   1. בדוק את מטריצות החשמל.
      1. מפה את המידות של הכוח הספקטרלי להיות מדמיין על מבנה נתונים דו מימדי שבו כל עמודה היא מיקום אלקטרודה, כל שורה היא להקה תדר, וכל תא הוא הכוח ספקטרלי במיקום זה, בתוך הלהקה.
      2. זיהוי רמות הכוח המרביות והמינימליות בכל התנאים שיש להשוותו. הגדר את אלה במקסימום ובמינימום עבור כל התנאים. מיפוי ערכי העוצמה הספקטרליים בין המקסימום והמינימום לצבעים. ייצוא מפת צבעים מדמיין את הכוח ספקטרלי בכל להקה תדר בכל מיקום האלקטרודה (איור 2).
   2. בצעו מיפוי טופוגרפי.
      1. צור מבנה נתונים המכיל את התוויות של כל אחד ממיקומי האלקטרודה של מערכת 10-20 המשמשים, כדי לאפשר מיפוי של מבנה הנתונים. השימוש בפונקציה של EEGLab () בתפקוד, נתוני כוח ספקטרליים, המקסימלי המזוהה והמינימום, ואת רשימת הערוצים, ליצור עלילה מיפוי התפלגות של כוח ספקטרלי על פני הקרקפת.
2. . להעריך את העקביות
   1. . בדוק את מטריצות הקוהרנטיות
      1. מפה את המידות של קוהרנטיות הבינאלקטרודה להיות דמיינו על מבנה נתונים דו מימדי שבו כל עמודה היא מיקום אלקטרודה, כל שורה היא מיקום אלקטרודה, וכל תא הוא קוהרנטיות בין זוג האלקטרודה המתאים.
      2. מפה את הערכים הקוהרנטיות בין 0 ל -1 לצבעים. ייצוא מפת צבעים המחשה קוהרנטית בין האלקטרודות בין כל צמד האלקטרודה בתוך מגבלות התדר המשמשות (איור 3). חזור על הליך זה עבור כל אחד מרצועות התדרים שייבדקו. ראו איור משלים 6 וproduce_plots. r לקבלת דוגמאות לביצוע. ראה איור 3 לדוגמה פלט.
   2. בצע הדמיית רשת.
      1. כדי להמחיש את האינטראקציות בסדר גבוה בין אזורים קורטיקלית ולמפות את דינמיקה ברשת, לחשב כיצד כל זוג אלקטרודה המדד של האלקטרודות משתנה עם אלה של כל זוג אלקטרודה ייחודי אחרים על פני הספקטרום הכולל בתוך להקות ספציפיות.
      2. מיפוי אמצעי השונות המשותפת לצבעים. ייצוא מפת צבעים מדמיין את דינמיקת הרשת בתוך להקות בתדר הרוחב. ראה produce_plots-r לקבלת דוגמאות לביצוע. ראה איור 4 לדוגמה פלט.

5. ניתוח מודלי רשת

הערה: היישום של שיטות סטטיסטיות מודרנית המודלים הנגזרים מאפשר לנצל את היחסים המודל בחלל הרשת הגבוהה תכונה לחקור פונקציה קורטיקלית. ניתן לנקוט במספר גישות המציעות יתרונות על השוואות מסורתיות של האמצעים הבודדים או הממוצעים של האמצעים הקוהרנטיות. חלק מהגישות הפוטנציאליות בהן מדגמי רשת אלה מאפשרות להקל על המתואר להלן. אלה נדונו רק שטחית כרומז על יישומים פוטנציאליים של דגמי רשת, כי דיון מעמיק של כל טכניקה היא מעבר להיקף של העבודה הנוכחית.

1. בצע הפחתה מימדית.
   הערה: השוואות ברמת המשתנה הבודדת אינן מנצלות את הקשרים המיוצגים על-ידי המודלים שנוצרו, בעוד שביצוע השוואות על כל האמצעים במבנה הממדי שנוצר הוא בעייתי בשל ה ספר עצום של השוואות הנדרשות והכישלון לשלב את המידע ברמה גבוהה הכלול במודלים הסטטיסטיים. מיפוי הנתונים התלת-ממדיים למרחב נמוך-מימדי תוך שמירה על המידע שנוצר על-ידי תהליך יצירת המודל מאפשר ביצוע השוואות משמעותיות תוך ניצול מלא של המבנה העשיר של המודלים.
   1. גזור צעדים להשוואה בין הקבוצות המייצגות את דינמיקת הרשת הכוללת בתוך המודלים הסטטיסטיים שנוצרו באמצעות ניתוח הרכיבים הראשיים. ראו מNetworkAnalysis_Demonstration ואיור משלים 7 לדוגמה למימוש.
      1. כאמור, בנו מטריצה המשותפת למידות השונות של הזיווגים. הדבר יפיק מבנה מימדי של השונות המשותפת שבו . מודל זה הוא אפוא גבוהה מאוד ומאפשר ויזואליזציה של יחסי רשת ברמה גבוהה כפי שמתואר לעיל.
      2. פרק את מטריצת השונות המשותפת לתוך ערך עצמי וערכים מקבילים. הדבר מאפשר זיהוי של הצירים בתוך מרחב תכונת המודל המכיל את השונות הגדולה ביותר, מבלי להיות מוגבל על-ידי האמצעים הקיימים.
      3. דרג את הוקטורים על-ידי ערך הערך עצמי המתאים כדי לזהות את החשבונאות עבור החלק הגדול ביותר של שונות בתוך המודל.
   2. השוואת הרכיבים העיקריים הראשונים הנגזרים מדגמי הרשת. ראו מNetworkAnalysis_Demonstration ואיור משלים 7 לדוגמה למימוש.
      הערה: הרכיב העיקרי הראשון מהווה את מידת השונות הגדולה ביותר במודל. לכן, השוואת מידה זו מאפשרת השוואה בין הדינמיקה הכוללת של הרשת ברחבי המודל כמכלול בין קבוצות עם מבחן סטטיסטי אחד, ומאפשר ניתוח סימולטני של היחסים המורכבים המודלים והימנעות הסוגיות המשויכות להשוואות רבות.
2. בצע ניתוח של התעניינות באזור. המודלים הנגזרים מייצגים את הקישוריות הרשת לאורך כל קליפת המוח, בכל להקות התדרים. אם יש עניין באזורים אנטומיים ספציפיים או בפונקציות בתוך להקות מסוימות, אזורים אלה של המודל יכולים להיות מבודדים ומנותח בנפרד.
   1. לבחור אזור אנטומי של עניין.
      הערה: הגבלת ניתוח לאזורים אנטומיים ספציפיים מאפשרת הערכה של פעילות הרשת בתוך או בין אזורים קורטיקליים ספציפיים כדי לזהות את קשרי הגומלין שלא ניתן לגלות על ניתוח של המודל בכללותה.
      1. זיהוי נתונים קוהרנטיות בתוך המודל המתייחס לתחומי העניין האנטומיים.
      2. גזור מטריצה השונות המשותפת ובצע ניתוח רכיבים ראשיים כמתואר לעיל כדי לחשב מדדים של ארכיטקטורת רשת כוללת בתחומי העניין.
      3. השוואת המידות של דינמיקת רשת בתוך אזורים אנטומיים של עניין בין הקבוצות כמתואר לעיל.
   2. בחר אזור מעניין ופונקציונלי.
      הערה: הגבלת ניתוח לרצועות תדר ספציפיות מאפשרת הערכה של פעילות הרשת בתוך תדרים מסוימים (איור 4).
      1. כמו בניתוחים אנטומיים, לבודד את הנתונים קוהרנטיות בתוך להקות תדר של עניין. ראו NetworkAnalysis_Demonstration ואיור משלים 8 לדוגמאות ליישום, תוך שימוש באינטראקציות בתוך הספקטרום הכללי רק כדוגמה.
      2. בצע ניתוח רכיב ראשי כדי לגזור מדדים של פעילות הרשת הכוללת בתוך להקות הריבית.
      3. השוואת המידות בין קבוצות כדי להעריך את הבדלי הרשת בתדרים ספציפיים.
3. השתמש בלמידה ממוחשבת.
   הערה: גישות למידה סטטיסטית מודרניות יכולות להיות מוחלות על המודלים שנוצרו על מנת לחקור עוד את הקשרים ברמה גבוהה המיוצגים בתוכם.
   1. השתמש בלמידה מונחית.
      הערה: באמצעות נתונים עם מחלקות מוגדרות מראש, מודלים של רשתות קורטיקלית ניתן להשתמש כדי לגזור מסווג כי ניתן להשתמש כדי לזהות חתימות בתוך קשרים מורכבים המיוצגים על ידי המודלים לסווג נתונים חדשים, פתיחת האפשרות לחקור אבחון ומאבחן התחזיות החדשניים, וכו '. יתר על כן, אילו תכונות בתוך המודלים לנהוג סיווגים אלה כדי לקבל תובנות לתוך המנגנונים הבסיסיים ניתן לחקור.
      1. . לגזור את המסווג באמצעות נתונים מוגדרים מראש, ניתן לגזור מסווג כדי לנבא את המחלקה של קבוצת נתונים בהתבסס על מודלי הרשת.
         1. חלק את הנתונים לקבוצה של נתוני נושא עבור הכשרה וערכה לבדיקת המסווג.
         2. הרכבת אלגוריתם סיווג כגון מכונת וקטור תמיכה או יער אקראי על נתוני ההדרכה המסומנת.
         3. להעריך את הביצועים של מסווג מאומן מודל על נתוני הבדיקה.
            הערה: גישות אלה מאפשרות שימוש במודלים הסטטיסטיים כתשומות לגזור סמנים חדשניים.
      2. בצע חיסול רציף.
         הערה: באמצעות המודל כדי להכשיר מסווג, ניתן להסיר את הנתונים בחזרה וניתן לחזור על תהליך ההכשרה כדי לזהות אילו רכיבים של המודל משגעים את יכולת הניבוי שלו, ומאפשרים חקירה של המנגנון הבסיסי.
         1. הרכבת מסווג על המודל כמתואר לעיל.
         2. הסר את תכונת המודל עם השונות הנמוכה ביותר בין קבוצות.
         3. חזור על תהליך ההכשרה והערכת הביצועים.
         4. חזור על הסרת התכונה האיטרטיבית עד לזיהוי התכונות התורמות ביותר לביצועים. אלה הם רכיבי המודל האחראים על היכולת להבדיל בין מחלקות.
   2. לבצע למידה ללא השגחה.
      הערה: באמצעות הדגמים בלבד, ניתן להשיג תובנה לקבוצות שנחקרו. על-ידי דוגמנות הנתונים כמבנים בעלי ממדים גבוהים המבוססים על קשרי הגומלין בין הקלטות, יחסים בין קבוצות שלא נראו ברמה של הקלטות בודדות עלולים להיות גלויים לעין. טכניקות ללא השגחה כגון אלגוריתמים לקיבוץ באשכולות מאפשרות חקירת קשרי גומלין בתוך המודלים מבלי להיות מוגבלים על-ידי המחלקות המוגדרות מראש.
      1. באמצעות מדד מרחק כגון מרחק אוקלידי, חשב את אמצעי המרחק בין הנושאים בשטח המוגדר על-ידי מודל הרשת. לקבלת דוגמה, ראה NetworkAnalysis_Demonstration m ואיור משלים 9 .
      2. באמצעות אלגוריתם האשכול כגון שכנים k-הקרובים ביותר, לזהות את הקבוצות בתוך הנתונים בהתבסס על פרמטרי המודל (איור 5).
      3. חזור על הליך זה באמצעות שגרת חיסול רציפה כמתואר לעיל כדי לחקור כיצד התכונות הבודדות תורמות לקבוצות בתוך המודל.
         הערה: הדבר מאפשר שימוש במודלים הנגזרים כדי לזהות את הקבוצות בתוך הנתונים שלא ברור אחרת. זה עשוי לאפשר את הנגזרת של תת מחלות, קיבוצים פתולוגיים, וכו ', כי הם ברור רק ברמת הרשת.

Representative Results

מדידות של כוח ספקטרלי יפיק מידות n עבור כל פס תדר נמדד, כאשר n הוא מספר הערוצים שנרשמו. צעדים אלה יהיו בדציבלים עבור הכוח הכללי. מדדים של כוח בתוך להקות תדרים בודדים צריכים להתבטא ככוח יחסי (כלומר, שיעור הכוח הכולל המיוצג על-ידי כוח בתוך אותה רצועה) כדי לאפשר השוואות מדויקות בין קבוצות ותנאים.

דוגמה להדמיה של כוח ספקטרלי על פני להקות מרובות ולרוחב ערוצים מוקלטים מוצגת באיור 2. הכוח הספקטרלי יכול להיות מקבל האינטרפולציה על פני הקרקפת, המאפשר הערכה מוגבלת של "מקור" הפעילות.

מדדים אינטראלקטרודה קוהרנטית לייצר מדד עבור כל זוג אלקטרודה ייחודי ( כלומר, כאשר n הוא מספר הערוצים שנרשמו). כל אחד מהצעדים הללו הוא בין 0 ל-1, כאשר 0 מייצג חוסר עקביות בין הקלטות ו-1 מייצג קוהרנטיות מלאה בין הקלטות. זהו מדד למידה שבה הפעילות באזור אחד משתנה בהתאם לפעילות באזור אחר, ומאפשרת הבדלים בכיוון האינטראקציה ובזמן ההשהיה. ערכים גבוהים יותר של קוהרנטיות מרמזות על אינטראקציות בין האזורים, ממנו ניכר כי האזורים המוקלטת מתקשרים זה עם זה. על ידי מדידת האינטראקציות בין כל זוג אלקטרודה ייחודי, מפה סטטיסטית של איך הערוצים המוקלט הם אינטראקציה ניתן לבנות. הדבר מאפשר חקירה של האופן שבו תחומים מתקשרים, ולא מתמקדים באזורים בודדים בבידוד, כמו בשיטות מסורתיות. דוגמה של הדמיה של אמצעים קוהרנטיות עבור מצרף 8-אלקטרודה מוצגת באיור 3.

אלה מדדים קוהרנטיות במהירות לייצר כמויות גדולות של נתונים, ביצוע ניתוח של כל מדידה עם בדיקות סטטיסטיות בודדות אסטרטגיה בלתי מודעת. יתרה מזאת, חקירת אינטראקציות אישיות אינה בהכרח מעניינת או משמעותית בהתחשב באינטראקציות בין רשתות קורטיפיות שלמות. טכניקות הפחתה מימדית כגון ניתוח המרכיב העיקרי מאפשר להעריך את המידות של מבנים סטטיסטיים אלה כדי להקל על השוואות של דינמיקה ברשת כוללת באמצעות שיטות סטטיסטיות מסורתיות. שיטות מבוססות-מסווג, שימוש בטכניקות למידה של מחשב, מציעות שדרה מבטיחה נוספת לאינטגרציה של מבני נתונים עתירי מימדים אלה כדי לסווג נתונים ולחזות תוצאות.

הדמיה של דינמיקת רשת בסדר גבוה יותר מאפשרת הכרה בסוגי האינטראקציות המושווים על-ידי ניתוח רכיב ראשי או טכניקה מבוססת-מסווג. זה יכול להיות מושגת באמצעות מיפוי צבע של מדדים השונות המשותפת של האמצעים קוהרנטיות הבינאלקטרודה של זוגות אלקטרודה. הדבר מעריך כיצד הצעדים הקוהרנטיות בזוג אלקטרודה אחד מתייחסים לשינויים בעקביות בזוג אחר, ומציע אינטראקציות רשת רחבות ואינטגרציה של פעילות ברחבי הקליפה. הדבר מאפשר הדמיה של האופן שבו אזורים מקיימים אינטראקציה באופן שאינו אפשרי עם האמצעים המסורתיים. דוגמה לסוג מפת רשת ממדית גבוהה שניתן ליצור באמצעות טכניקה זו מוצגת באיור 4. זה מדגים את ההבדלים ברור על מיפוי הרשת בין שני נושאים עם פנוטיפים קליניים שונים של הפרעה פסיכיאטרית נוירופסיכולוגית המשפיעים על תפקוד קליפת המוח, שם לא היו הבדלים משמעותיים מבחינה סטטיסטית באמצעות תקן שיטות ניתוח.

איור 1: סכמטית של צינור ניתוח נתונים. מבט כולל על צעדים עיקריים בהכנה של נתונים גולמיים והפקת מדדי ריבית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 2: מטריצה ייצוגית של אמצעי כוח ספקטרלי. כל עמודה מייצגת מיקום אלקטרודה, וכל שורה מייצגת את פס העניין בתדר. עוצמת צבע התא מייצגת את ערך העוצמה היחסית של התדר המתאים במיקום האלקטרודה המתאים. מייצרת מדדים של n x f , כאשר n הוא מספר האלקטרודות של ההקלטה שבשימוש ו- f הוא מספר להקות שכיחות הריבית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 3: מטריצה ייצוגית של אמצעי קוהרנטיות בין-אלקטרודה. כל שורה וכל עמודה מייצגת מיקום אלקטרודה. עוצמת צבע התא מייצגת את הערך של אחידות בין האלקטרודות בין זוג האלקטרודה המתאים. מפיק מדדים עבור כל אחד מתחומי העניין של התדר, כאשר n הוא מספר אלקטרודות ההקלטה המשמשות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 4: הדמיית הנציג של דינמיקה רשת בסדר גבוה, השוואת שני פנוטיפים של הפרעת נוירופסיכיאטרית. כל שורה וכל עמודה מייצגת זוג אלקטרודה ייחודי. עוצמת צבע התא מייצגת את הערך של השונות המשותפת בין צמדי האלקטרודה המתאימים. מפיק מדדים עבור כל תדר של עניין, כאשר p הוא מספר צמדי האלקטרודות הייחודיים המשמשים. (A) מדגים הן בין האינטראקציות בתוך התדר הבין-לאורך בתוך הרשתות הקורטיפיות, בעוד (ב) התמקדות באזור של ניתוח התעניינות המתמקד בדינמיקה של הרשת בתוך ספקטרום הכוח הכולל בלבד. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 5: הדמיית נציג של אלגוריתם התקבצות ללא השגחה. בקבוצה של חולים כנראה בהתאמה טובה עם הפרעת נוירופסיכיאטרית, באשכולות המבוססים על מודל נתונים בלבד קבוצות מזוהה בתוך האוכלוסייה שלא ברור על ניתוחים סטנדרטיים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 1: צילום מסך ממחיש את האפוקסי של נתוני EEG. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 2: צילום מסך מדגים את השלבים החיוניים לעיבוד מקדים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 3: צילום מסך ממחיש סינון לתדרים של עניין. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 4: חישוב ספקטרום הערוצים ובידוד נתונים בתוך להקות בודדות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 5: חישוב אמצעים קוהרנטיות עבור כל זוג אלקטרודה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 6: מיפוי צעדים נגזרים למפות צבע ולהדמיה. איור 3 ואיור 4 הפגינו לדוגמה תפוקות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 7: בניית מטריצות של השונות המשותפת, ביצוע ניתוח רכיבים עיקריים והשוואת קבוצות המבוססות על רכיבים עיקריים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 8: ניתוח אזורי עניין ספציפיים על-ידי בידוד תת-קבוצות של נתונים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור משלים 9: נגזרת של מדד מרחק ושימוש באלגוריתם האשכול כדי לזהות קבוצות באמצעות טכניקות למידה ללא השגחה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Discussion

השיטה המתוארת מאפשרת את הנגזרת של מפות סטטיסטיות של דינמיקה רשת קורטיקלית מנתוני EEG שאינם פולשנית. דבר זה מאפשר לחקירת תופעות שאינן מבחינות בקלות על בחינת נתוני סדרת זמן פשוטים באמצעות הערכה של האופן שבו האזורים המוקלטת מקיימים אינטראקציה זה עם זה, במקום להעריך את המתרחש בכל מיקום בודד ב בידוד. זה יכול לחשוף תובנות חשובות למחלות פתולוגיה¹⁸.

ההיבט המהותי של שיטה זו הוא להבטיח איכות נתונים. הערכת נתונים קפדנית, דחיית חפץ ועיבוד מקדים נדרשים כדי להבטיח שהנתונים יהיו באיכות גבוהה מספיק כדי להפיק תוצאות משמעותיות. בתנאי שהנתונים בהם נעשה שימוש הם באיכות מתאימה, ניתן לשנות בקלות את רכיב החילוץ של התכונה כדי לדגמן אינטראקציות רשת באזורים ספציפיים בלבד, או בתוך מגבלות תדירות שרירותיות, כמו גם מודלים של אינטראקציות מורכבות בין אזורים ספציפיים ולהקות תדרים.

גישה זו מוגבלת על-ידי המידות הגבוהות של התוצאות המופקים, שיכולות להפיק במהירות כמויות עצומות של נתונים, אם נעשה שימוש בערוצים רבים. זה יכול להגביל את היכולות של תוצאות הגלם ולהביא לחישובים ארוכים. השימוש בטכניקות הפחתה מימדית, כגון ניתוח המרכיב העיקרי²³, מצריך אפוא לאפשר השוואות סטטיסטיות משמעותיות שיבוצעו בין קבוצות ללא צורך לבצע מספר עצום של בדיקות סטטיסטיות. יתר על כן, השימוש המיוצר מפות רשת high-מימדי כדי לסייע בקבלת החלטות עשוי לדרוש שימוש מסווג למידה מחשב כדי לאפשר שילוב של כמויות גדולות של נתונים, אשר אינם בקלות לתרגם שולחן באופן ידני ולא ניתן לצמצם בקלות למידה אחת²⁴.

גישה זו מציעה יכולת גדולה בהרבה לחקור שינויים בדינמיקה ברשת מאשר בסדרות זמן גולמי של EEG, תוך שהיא גם מציעה יתרונות משמעותיים בשיטות הדמיה כגון MRI פונקציונלי, כולל קלות נגישות, עלות וזמן רב יותר רזולוציה. יישומים עתידיים של שיטה זו כדי להקליד מחלות נוירולוגיות, חיזוי של תגובת הטיפול, התחזיות המחלה מציעים את האפשרות של הרחבת מאוד את התועלת הקלינית של טכנולוגיות ה-EEG הנוכחית באמצעות שיפור שיטות ניתוח נתונים.

Materials

Name	Company	Catalog Number	Comments
Electrode cap	ElectroCap International		Or any suitable cap
Conductive gel	SignaGel		Or any suitable gel
Pin-type electrodes	BioSemi		Or any suitable electrode
BioSemi Active Two recording system	BioSemi
ActiView recording environment	BioSemi
MATLAB software	Mathworks