Статистическое моделирование кортикальной связи с использованием неинвазивных электроэнцефалограмм

Summary

Стандартные методы анализа ЭЭГ предлагают ограниченное понимание функции нервной системы. Производные статистические модели корковых подключений дают гораздо большую способность исследовать базовую динамику сети. Улучшенная функциональная оценка открывает новые возможности для диагностики, прогнозирования и прогнозирования результатов при заболеваниях нервной системы.

Abstract

Неинвазивные электрофизиологические записи полезны для оценки функции нервной системы. Эти методы являются недорогими, быстрыми, реплицируемыми и менее ресурсоемкими, чем изображения. Кроме того, полученные функциональные данные имеют отличное временное разрешение, что не достижимо при структурной визуализации.

Текущее применение электроэнцефалограмм (ЭЭГ) ограничено методами обработки данных. Стандартные методы анализа с использованием необработанных данных временных рядов на отдельных каналах являются очень ограниченными методами изучения активности нервной системы. Более подробная информация о корковой функции может быть достигнута путем изучения взаимосвязи между каналами и получения статистических моделей взаимодействия областей, что позволяет визуализировать связь между сетями.

Данная рукопись описывает метод получения статистических моделей корковой сетевой активности путем стандартного учета ЭЭГ, а затем изучения мер интерэлектродной согласованности для оценки взаимосвязи между зарегистрированными областями. Взаимодействия более высокого порядка можно дополнительно изучить путем оценки ковариантности между парами согласованности, создавая высокомерные «карты» сетевых взаимодействий. Эти конструкции данных могут быть изучены для оценки функции корковой сети и ее связи с патологией способами, недостижимыми с традиционными методами.

Такой подход обеспечивает большую чувствительность к взаимодействию на уровне сети, чем это достижимо при анализе необработанных временных рядов. Однако она ограничена сложностью составления конкретных механистических выводов о базовых нейронных популяциях и больших объемах генерируемых данных, требующих более передовых статистических методов оценки, включая размерность подходов, основанных на сокращении и классификации.

Introduction

Этот метод направлен на составление статистических карт корковых сетей на основе неинвазивных записей электродов с использованием клинически жизнеспособной установки, чтобы позволить исследование патологии нервной системы, влияние новых методов лечения, а также развитие романа электрофизиологические биомаркеры.

ЭЭГ предлагает большой потенциал для исследования функции нервной системы и заболевания^1,2. Эта технология является недорогим, легко доступны в научных исследованиях и клинических условиях, и, как правило, хорошо переносится. Простой, неинвазивный характер записей делает клиническое использование простым, а существующая структура клинических отделений ЭЭГ обеспечивает легкий доступ к технологии для клиницистов.

С технической точки зрения, ЭЭГ предлагает отличное разрешение домена времени³. Это имеет большое значение при изучении функции нервной системы из-за быстрых временных шкал взаимодействия нервной системы и сетевой динамики. В то время как методы визуализации, такие как функциональные МРТ предлагают большее пространственное разрешение и легко интерпретируемые изображения, они гораздо более ограничены в своей способности допрашивать функции нервной системы на тонких временных масштабах, предлагаемых электрофизиологических записей ^4,5,6.

Растет потребность в способности допрашивать функцию нервной системы для информирования о диагностике, лечении и прогнозации заболеваний нервной системы. Роль динамики корковой сети в патологии нервной системы все чаще признается^7. Многие патологии нервной системы не производят макроскопических структурных повреждений, видимых при традиционной визуализации, но аномалии, производимые на уровне сети, могут быть очевидны с помощью соответствующих методов функционального анализа.

К сожалению, нынешние методы анализа ЭЭГ в этом отношении значительно ограничены. Традиционные методы включают анализ простых данных временных рядов с отдельных электродов. Эти сигналы представляют собой суммирование полевых потенциалов в больших корковых областях^3,8. Анализ данных по отдельным каналам в изоляции с использованием либо визуального осмотра или простых статистических методов ограничивает полезность этих записей для обнаружения грубых электрофизиологических аномалий в отдельных местах. С растущим признанием важности сетевого уровня эффектов для функции нервной системы и патологии, эти простые методы анализа явно не хватает в том, что они не смогут обнаружить тонкие отношения между сигналами, представляющие аномалии в том, как корковые области взаимодействуют друг с другом на уровне сети.

Демонстрируется метод получения статистических карт корковых сетей связи с низкомерными электродными записями. Этот метод позволяет исследует динамику взаимодействий между различными областями мозга таким образом, что это невозможно с помощью традиционных методов анализа, а также визуализацию этих сетевых взаимодействий. Это открывает возможность для неинвазивного исследования эффектов сетевого уровня в разрешении доменов на высоком времени способами, которые ранее не возможны. Данный метод основан на выводе показателей межэлектродной согласованности^9,10. Эти меры позволяют иссмотреть, как два зарегистрированных региона взаимодействуют путем оценки статистических взаимосвязей между записями этих областей¹¹. Оценивая, как каждая зарегистрированная область взаимодействует с любой другой зарегистрированной областью, можно составить статистическую карту электрофизиологических сетей в зарегистрированных областях. Это позволяет открывать функциональные связи, которые не очевидны при оценке данных отдельных каналов в изоляции.

Основное внимание в этой рукописи уделяется использованию согласованности нейронных временных рядов. В настоящее время существует ряд методов для изучения взаимосвязи между данными временных рядов, которые могут быть применены к каналам в парной форме для получения моделей корковой связи. Некоторые методы, такие как связанная частичная направленная согласованность^12,13 ,^{направлены}на вывод направления влияния пары исследуемых сигналов, чтобы лучше охарактеризовать структуру базовых сетей, в то время как другие методы, такие как причинность Грейнджера^14,15, попытка сделать вывод функциональных отношений через способность одного сигнала предсказать данные в другом. Такие методы могут быть применены аналогичным образом для создания высокомерных моделей корковых сетей. Однако преимущества согласованности как средства исследования взаимосвязи между нейронными сигналами заключаются в отсутствии допущений. Можно исследовать статистические связи между записями на двух сайтах без заявлений о функциональной основе этих отношений и создать модель корковой связи, основанной исключительно на статистических отношениях с минимальные предположения о корковых сетях, генерирующих эти сигналы.

Из-за чисто математической природы этих мер, связь между показателями согласованности электродов на коже головы и основной нейронной активности является^{сложной 16,17}. Хотя эти методы позволяют производные статистических конструкций, описывающих отношения между электродных записей для сравнения, делая прямые причинно-следственные выводы о деятельности конкретных базовых нейронных популяций не просто^3,8,16,17. Эти подходы позволяют проводить сравнение активности на сетевом уровне между группами для выявления потенциально полезных биомаркеров, но ограничены с точки зрения сопоставления конкретных выводов относительно связи этих маркеров с конкретными нейронными механизмами. Это связано с большим количеством смешанных факторов, влияющих на зарегистрированную активность^3,а также проблемами с оценкой специфического коркового источника электрических сигналов, зарегистрированных на уровне кожи головы^8. Скорее, эти подходы могут производить статистические модели деятельности, которые могут быть допрошены и сопоставлены между группами, чтобы определить, что различия существуют на сетевом уровне¹⁸ и могут быть использованы для производства новых биомаркеров на основе этих Конструкции. Однако только эти методы имеют ограниченную способность соотносить различия, наблюдаемые с конкретными механизмами и нейронной деятельностью из-за сложности базовой системы.

Использование сетевых мер, таких как согласованность хорошо зарекомендовала себя в системах нейронауки^16,17. Весь потенциал этих подходов к моделированию и исследованию корковой функции был ограничен отсутствием эксплуатации этих высокомерных структур данных. Эта работа показывает, что эти меры можно применять к каналам ЭЭГ в паре, чтобы сопоставить данные на пространстве высокомерных объектов, основанном исключительно на статистических взаимосвязях между электрической активностью в корковых регионах. Это также свидетельствует о том, что с использованием современных статистических методов можно использовать генерируемые модели корковой функции для исследования этих моделей без потери информации, полученной в процессе моделирования.

Этот метод потенциально ценен в расширении сферы применения существующих технологий ЭЭГ, улучшая способность получать полезные функциональные меры, не требуя адаптации к существующему записывающем оборудованию^18,19 . Улучшая способность моделировать корковую функцию и допрашивать эти модели, расширяются вопросы, которые могут быть исследованы с помощью данных ЭЭГ. Это также открывает возможность большей интеграции функциональных и структурных оценок для исследования неврологических заболеваний^20,21. Такой подход, использующий технологию, которая уже широко доступна клинически, позволит проводить исследования корковых патологий как с высоким временным, так и с пространственным разрешением.

Protocol

Следующий экспериментальный протокол соответствует всем местным, национальным и международным руководящим принципам этики для исследований человека. Данные, использованные для проверки протокола, были получены с разрешения Комитета по этике региона Тоскана-протокол 2018SMIA112 SI-RE.

ПРИМЕЧАНИЕ: Сценарии, используемые для реализации описанных анализов, доступны в https://github.com/conorkeogh/NetworkAnalysis.

1. Сбор необработанных данных

1. Подготовьте условия темы.
   1. Для обеспечения согласованности записей, проводить все записи ЭЭГ в специальной среде записи. Удалите все оборудование или стимулы, которые не имеют прямого отношения к задаче, которая будет выполняться во время записи из окружающей среды, чтобы избежать отвлечения внимания.
      ПРИМЕЧАНИЕ: Если записи состояния отдыха должны быть выполнены, удалить все источники отвлечения из комнаты и подвергать субъектов к записи среды до записи сессии, чтобы удалить новинку из окружающей среды.
   2. Предоставьте субъекту четкие инструкции относительно задачи, которая будет выполнена. После того, как оборудование было настроено, оставьте объект в покое в среде записи, чтобы привыкнуть к окружающей среде до начала записи, чтобы свести к минимуму движение и отвлечение внимания.
   3. Если субъект имеет интеллектуальные недостатки, дайте ему нужное время, чтобы приучить к окружающей среде, чтобы ограничить любой стресс. Иногда это может потребовать нескольких посещений и длительного пребывания в комнате звукозаписи.
2. Смонтировать электроды.
   1. Прикрепите крышку электрода к голове пациента, заботясь о том, чтобы обеспечить правильное выравнивание. Впрысните проводящий гель в каждый из электродных портов, начиная с кожи головы и медленно выводя на поверхность крышки, чтобы установить электрический контакт с шкалой и улучшить соотношение сигнала к шуму.
   2. Прикрепите электроды к крышке электрода с помощью заданного электродного монтажа на основе системы 10 х 20. Прикрепите соответствующие молотые электроды (например, к мастоидных процессам).
3. Настройка ЕГЭ.
   1. Подключите все электроды к электрофизиологической системе записи. Свяжите систему записи с соответствующей цифровой средой записи.
   2. Изучите все каналы записи, чтобы убедиться, что смещение находится в соответствующем диапазоне и чтобы избежать чрезмерного шума канала. Если канал имеет чрезмерное смещение или шум, дополнительный проводящий гель может быть добавлен для того, чтобы улучшить электрическое соединение, заботясь, чтобы избежать возникновения преодоления между участками электрода.
   3. Проинструктируйте тему, что запись началась, и чтобы избежать всех ненужных движений. Проведите короткую тестовую запись для проверки соответствующего качества записи.
4. Подготовьте поведенческую задачу для записи.
   1. Уточните все инструкции, связанные с выполнением задач, с предметом. Повторите важность избежания ненужных движений.
   2. Объясните, что запись начнется по четко согласованному сигналу (например, стук в дверь среды записи). Оставьте объект в среде записи. Начните запись. Дайте согласованный сигнал субъекту.
   3. После завершения задачи или периода состояния покоя прекратите запись, визуально изучите данные для обеспечения качества и сохраните данные.

2. Предварительная обработка данных

ПРИМЕЧАНИЕ: Конвейер подготовки данных и извлечения функций иллюстрируется на рисунке 1.

1. Подготовьте программное обеспечение.
   1. Загрузите данные ЭЭГ для анализа в среду анализа данных. Загрузите любые необходимые библиотеки скриптов, такие как EEGLab^22.
2. При необходимости конвертировать все записи в один и тот же формат данных со всеми каналами в соответствующих местах.
   1. Откажитесь от начала и конца каждой записи (например, 5 мин), чтобы уменьшить загрязнение артефактов движения. Разделение данных на эпохи на основе задачи или, если это запись состояния покоя, предопределенная продолжительность (например, 10 мин). Смотрите NetworkAnalysis_Demonstration.m (раздел Извлечение функций) и дополнительную диаграмму 1 для демонстрации реализации.
      ПРИМЕЧАНИЕ: Выбор эпохи может иметь важное влияние на меры согласованности. Эпохи достаточной длины должны использоваться для обеспечения того, чтобы истинные отношения между сигналами возникали в вычислениях, чтобы избежать незамеченных артефактов или переходных, ложных синхронизаций, имеющих чрезмерное взвешивание. Однако в этой работе не было статистически значимой разницы в общей структуре сети, когда десятиминутные эпохи сравнивались со средними десятью одноминутными эпохами после тщательного отторжения артефактов.
3. Выполните отторжение артефактов, визуально проверяя данные эпохи и отвергая визуально неподходящие данные.
   ПРИМЕЧАНИЕ: Поскольку описанная методика моделирования опирается на взаимосвязь между сигналами, важно обеспечить тщательный отказ от артефактов. Они могут повредить данные канала, что приводит к искусственному увеличению (если артефакт представлен на нескольких каналах) или уменьшению (если артефакт представлен только на некоторых каналах) мер согласованности.
   1. Определите плохие каналы в записях.
      1. Данные фильтра высокого прохода на уровне 0,5 Гц для удаления исходного дрейфа из-за плавающей земли системы приобретения.
      2. Выберите все каналы, отвечающие соответствующим статистическим критериям (например, каналы со стандартным отклонением, превышающее три раза или менее одной трети от среднего стандартного отклонения канала).
         ПРИМЕЧАНИЕ: Удаление каналов с данными, которые вряд ли возникли из нейронных источников, позволяет избежать ложных отношений, внедряемых в сетевые модели.
      3. Изучите эти каналы, чтобы определить, подходят ли они.
      4. По возможности отбросьте эпохи с неподходящими каналами. Кроме того, исключите плохие каналы и интерполируете данные на этих каналах (например, используя алгоритм сферной интерполации EEGLab).
         ПРИМЕЧАНИЕ: Интерполяция по большому количеству каналов или лишь с небольшим числом каналов записи может генерировать неподходящие данные для анализа. Кроме того, это не вводит никакой новой информации в набор данных и может привести к искусственно высоким показателям согласованности между интерполированными сигналами и сигналами, из которых они получены.
   2. Выполните независимый анализ компонентов по оставшимся эпохам (например, с использованием функции ICA EEGLab). Визуально проверяйте полученные компоненты и отклоняйте визуально неподходящие данные.
   3. Применение соответствующих статистических пороговых значений для выявления потенциальных артефактов, не сразу очевидных при визуальном осмотре (например, на основе экстремальных значений или аномальных спектров). Изучите их и определите, является ли отказ целесообразным.
   4. Повторите независимый анализ компонентов и идентификацию артефактов в сохранившиеся эпохи.
   5. Определите эпохи данных, которые необходимо сохранить для дальнейшего анализа. Откажитесь от всех эпох отклоненных данных. Определите все эпохи, которые необходимо провести для дальнейшего анализа.
      ПРИМЕЧАНИЕ: Там, где требуется только одна эпоха на предмет, выберите первую подходящую эпоху для дальнейшего анализа.
4. Чтобы подготовить данные, исправьте базовый участок записей, вычитая среднее количество всех каналов из записей, чтобы избежать воздействия базовых блужданий во время длительных записей. Перессылка всех каналов на соответствующую ссылку (например, наземный электрод или среднее значение всех каналов). Примеры реализации сNetworkAnalysis_Demonstration.м., NetworkAnalysis_Preprocess.м. и дополнительной диаграммой 2.
   ПРИМЕЧАНИЕ: Выбор ссылок может иметь важные последствия для сетевых показателей. Поскольку справочные данные «вычитаются» из всех проанализированных каналов, любые нейронные данные, представленные на справочном канале, будут вычтены и, таким образом, не будут способствовать созданию модели. Это обычная практика для использования эталонных сигналов, записанных на костлявые известность без непосредственной основе нейронных структур, таких как процесс мастоид. Тем не менее, они могут быть повреждены нейронных данных из-за эффектов проводки громкости через кожу головы и, следовательно, искажают сетевые измерения дифферезационно, основанные на местоположении относительно ссылки. В результате, для данных состояния покоя лучше всего использовать в среднем все каналы кожи головы в качестве ссылки. Это означает, что все данные не ссылаются относительно конкретного пространственного местоположения, искажая меры, потому что все каналы вносят свой вклад в ссылку. Это может иметь такие последствия, как увлажнение очевидной общей активности, и может исказить меры, вычитая сигналы, которые очень сильно представлены на некоторых каналах и, таким образом, вносят значительный вклад в средний показатель. Это более большая проблема для сигналов, связанных с деятельностью и событиями, но, как правило, это не относится к данным состояния покоя.
   1. Цифровой фильтр всех каналов для изоляции частот, представляющих интерес (например, 1 Гц-50 Гц). Примеры реализации NetworkAnalysis_Demonstration.00, NetworkAnalysis_Preprocess.m. и дополнительной диаграммы 3.
      ПРИМЕЧАНИЕ: Обеспечить использование соответствующих частотных пределов и параметров фильтра для предполагаемого анализа, чтобы избежать искажения частот в крайности исследуемого диапазона и эффектов псевдонима. Нулевая фаза-сдвиг^4-йпорядок Butterworth фильтры работают надлежащим образом. Соответствующая фильтрация гарантирует, что интересующая деятельность изолирована для моделирования. Даже при широком диапазоне (например, 1 Гц-50 Гц) это гарантирует, что высокочастотные артефакты и низкочастотные базовые блуждания не интерпретируются как согласованные между каналами, искажающие меры.

3. Извлечение функций

1. Оцените спектральную силу.
   1. Рассчитайте общие спектры мощности, выполняя преобразование каждого канала, анализируемого по всему частотному диапазону для оценки (например, 1 Гц-50 Гц).
   2. Оцените активность в отдельных частотных диапазонах: изолировать тета-диапазон на уровне 4 Гц-8 Гц. Изолировать альфа-диапазон при 8 Гц-12 Гц. Изолировать бета-диапазон на уровне 12 Гц-30 Гц. Изолировать дельта-диапазон на уровне 0,5 Гц-4 Гц. Изолировать гамма-диапазон при , 30-50 Гц). Примеры реализации спектровых производной и изоляции частотных полос можно NetworkAnalysis_Demonstration,м. NetworkAnalysis_FeatureExtraction и дополнительной рисунке 4.
      ПРИМЕЧАНИЕ: Данные ЭЭГ традиционно делятся на частотные "полосы" для исследования. Они в первую очередь названы на основе порядка, в котором они были обнаружены, и конкретные полосы пропускания несколько различаются. Функциональное значение колебаний на определенных частотах остается областью активного исследования. Считается, что колебания в определенных диапазонах могут быть связаны с конкретными нейронными действиями, такими как появление альфа-волны высокой амплитуды в затылочной области с закрытыми глазами, хотя точная связь между нервными функциями и колебляная активность в записях ЭЭГ остается неясной.
   3. Оцените общую мощность по всей скальп, вычисляя среднее количество спектров отдельных каналов. Нормализация власти в отдельных диапазонах по отношению к общей мощности, чтобы дать меру относительной мощности и позволяют более точное сравнение между условиями.
2. Выполните сетевое отображение.
   1. Оцените взаимодействие между первой парой электродов, выражая меру межэлектродной согласованности:
      
      Примеры реализации NetworkAnalysis_Demonstration.m.m.m., NetworkAnalysis_FeatureExtraction.m. и дополнительной диаграммы 5.
      1. Рассчитайте межспектральный спектр двух каналов:
         
         1. Вычислите преобразование Фурье каждого сигнала, X и Y
            
         2. Рассчитайте кросс-спектр:
            
            Где: t является интервалом выборки, T - длина записи, X - преобразование Фурье х,а Y^q - сложный конъюгировать Y.
         3. Игнорировать отрицательные частоты и правильные меры. Вторая половина оси частоты компьютера может быть проигнорирована в случае реальных сигналов, и меры мощности умножаются на два, чтобы исправить это.
            ПРИМЕЧАНИЕ: Это эквивалентно преобразованию Фурье перекрестной корреляции x и y.
      2. Нормализация кросс-спектра по спектру питания обоих каналов: .
         1. Вычислите преобразование Фурье каждого сигнала:
            
         2. Рассчитайте спектр мощности:
            
            Где: t является интервалом выборки, T - длина записи, X - преобразование Фурье х,а X^- сложный конъюгировать X.
         3. Игнорировать отрицательные частоты и правильные меры: вторая половина оси частоты компьютера может быть проигнорирована в случае реальных сигналов, а меры мощности умножаются на два, чтобы исправить это.
         4. Используйте расчетные спектры мощности для нормализации межспектра и получения меры согласованности:
            
            ПРИМЕЧАНИЕ: Это генерирует C, мера согласованности между сигналами x и y на частотах. Это мера взаимосвязи между этими сигналами на исследуемых частотах, измеренных по шкале от 0 до 1. В тех случаях, когда существует постоянная фазовая связь между двумя сигналами, исследуемыми во всех временных точках, согласованность будет иметь значение 1, что указывает на сильную связь между сигналами на этих частотах, подразумевая, что активность в одном сигнале функционально связанных с деятельностью в другом (т.е. что существует связь между ними). В тех случаях, когда между этими двумя сигналами нет фазовой связи, согласованность будет иметь значение 0, что указывает на то, что сигналы не связаны между собой.
   2. Повторите эту процедуру для каждой уникальной пары электродов, чтобы разработать меру фазовой стабильности между сигналами на каждой паре электродов, создавая модель функциональной связи во всех электродах.
      ПРИМЕЧАНИЕ: Для монтажа n электродов, это будет производить меры согласованности. Это представляет собой отображение измеренных данных временных рядов на высокомерной плоскости, основанной на взаимосвязи между записанными сигналами, что позволяет исследовать характер этих взаимодействий.

4. Визуализация данных

1. Выполняйте спектральный анализ мощности.
   1. Изучите силовые матрицы.
      1. Карта измерений спектральной мощности, которая будет визуализироваться на двухмерной структуре данных, где каждый столбец является расположением электрода, каждая строка представляет собой частотную полосу, и каждая ячейка является спектральной силой в этом месте, в пределах этой полосы.
      2. Определите максимальные и минимальные уровни мощности во всех условиях, которые необходимо сравнить. Установите их на максимальный и минимум для всех условий. Карта спектральных значений мощности между идентифицированным максимумом и минимумом к цветам. Экспорт цветной карты визуализации спектральной мощности на каждой частотной полосе в каждом месте электрода(рисунок 2).
   2. Выполните топографическую картографию.
      1. Создайте структуру данных, содержащую метки каждого из 10-20 используемых электродов системы, в порядке, соответствующем структуре данных, которая должна быть отображана. Используя функцию Тополота () EEGLab, данные спектральной мощности, идентифицированный максимум и минимум, а также список каналов, генерирующие сюжет, отображающий распределение спектральной силы по всей коже головы.
2. Оцените согласованность.
   1. Изучите матрицы согласованности.
      1. Карта измерений интерэлектродной согласованности, которая будет визуализироваться на двухмерную структуру данных, где каждый столбец является расположением электрода, каждая строка является местом электрода, и каждая ячейка представляет собой согласованность между соответствующей парой электродов.
      2. Карта значения согласованности между 0 и 1 до цветов. Экспорт цветной карты визуализации межэлектродной согласованности между каждой парой электродов в пределах частоты используется(рисунок 3). Повторите эту процедуру для каждого диапазона частоты, которые будут исследованы. Примеры реализации дополнительную диаграмму 6 и produce_plots.r. Например, на рисунке можно ознакомиться на рисунке по рисунку 3.
   2. Выполняйте визуализацию сети.
      1. Чтобы визуализировать взаимодействие более высокого порядка между корковыми областями и наметить динамику сети, вычислите, как согласованность каждой пары электродей измеряет коварность с взаимодействием любой другой уникальной пары электродов по всему спектру и в пределах определенных диапазонов.
      2. Карта этих мер ковариантного измерения к цветам. Экспорт цветной карты визуализации динамики сети внутри и через частоты полос. Примеры реализации produce_plots.r. Например, на рисунке можно найти рисунок 4.

5. Анализ сетевых моделей

ПРИМЕЧАНИЕ: Применение современных статистических методов к полученным моделям позволяет воспользоваться преимуществами взаимоотношений, смоделированных в пространстве высокомерных сетевых функций для исследования корковой функции. Может быть принят ряд подходов, которые дают преимущества по сравнению с традиционными сопоставлениями индивидуальных показателей или средних показателей согласованности. Ниже приведены некоторые из потенциальных подходов, которые эти сетевые модели облегчают. Они обсуждаются лишь поверхностно, как показатель потенциальных применений сетевого моделирования, поскольку тщательное обсуждение каждого метода выходит за рамки настоящей работы.

1. Выполните уменьшение размерности.
   ПРИМЕЧАНИЕ: Сравнения на индивидуальном переменном уровне не могут воспользоваться отношениями, представленными созданными моделями, в то время как выполнение сравнений по всем мерам в созданных размерных конструкций проблематично из-за требуется огромное количество сопоставлений и неспособность интегрировать информацию высокого уровня, содержащуюся в статистических моделях. Отображение высокомерных данных на низкомерном пространстве при сохранении информации, генерируемой процессом генерации моделей, позволяет проводить значимые сравнения, в полной мере пользуясь структурой, богатой данными моделей.
   1. Показатели получения для сравнения между группами, представляющими общую динамику сети в рамках статистических моделей, генерируемых с использованием анализа основных компонентов. Пример омование NetworkAnalysis_Demonstration.m. и дополнительной диаграммы 7.
      1. Как указано выше, постройте матрицу ковариантности для парных мер согласованности. Это будет генерировать мерные конструкции ковариантного, где . Таким образом, эта модель является чрезвычайно высокомерной и позволяет визуализировать сетевые отношения высокого уровня, как указано выше.
      2. Разложить матрицу ковариантного на эйгенветоры и соответствующие эйгенврики. Это позволяет идентифицировать оси в пространстве функции модели, которые содержат наибольшую дисперсию, не ограничиваясь существующими мерами.
      3. Ранжировать эйгенвекторы по соответствующему eigenvalue для определения тех, на кого приходится наибольшая доля дисперсии в модели.
   2. Сравните первые основные компоненты, полученные из сетевых моделей. Пример омование NetworkAnalysis_Demonstration.m. и дополнительной диаграммы 7.
      ПРИМЕЧАНИЕ: Первый основной компонент учитывает наибольшую степень дисперсии в модели. Таким образом, сравнение этой меры позволяет сопроводить общую динамику сети по всей модели в целом между группами с единым статистическим тестом, что позволяет одновременно анализировать сложные отношения, моделируемые и избегая вопросы, связанные со многими сравнениями.
2. Выполните анализ региона интересов. Полученные модели представляют сетевую связь по всей коре головного мозга, во всех частотных диапазонах. Если есть интерес к конкретным анатомическим областям или к функциям в пределах определенных диапазонов, эти области модели могут быть изолированы и проанализированы отдельно.
   1. Выберите анатомическую область, интересуемую.
      ПРИМЕЧАНИЕ: Ограничение анализа конкретными анатомическими областями позволяет оценивать активность сети в определенных корковых областях или между ними, с тем чтобы определить взаимосвязи, которые могут быть не очевидными при анализе модели в целом.
      1. Определите данные о согласованности в модели, относящиеся к анатомическим областям, представляющим интерес.
      2. Выработать матрицу ковариантного анализа и выполнить анализ основных компонентов, описанных выше, чтобы вычислить измерения общей сетевой архитектуры в регионах, представляющих интерес.
      3. Сравните показатели сетевой динамики в анатомических регионах, представляющих интерес, между группами, изложенными выше.
   2. Выберите функциональный интересуемый регион.
      ПРИМЕЧАНИЕ: Ограничение анализа конкретными частотными диапазонами позволяет оценивать активность сети в пределах конкретных колебаний(рисунок 4).
      1. Как и в анатомическом анализе, изолировать данные о согласованности в диапазонах частот, представляющих интерес. Примеры реализации NetworkAnalysis_Demonstration.m и дополнительной рисунки 8, используя взаимодействия в рамках общего спектра только в качестве примера.
      2. Выполните анализ основных компонентов для получения показателей общей сетевой активности в пределах групп интересов.
      3. Сравните показатели между группами для оценки сетевых различий на определенных колеблях частотах.
3. Используйте машинное обучение.
   ПРИМЕЧАНИЕ: Современные подходы к статистическому обучению могут применяться к моделям, созданным для дальнейшего изучения отношений высокого уровня, представленных в них.
   1. Используйте контролируемое обучение.
      ПРИМЕЧАНИЕ: Используя данные с предопределенными классами, модели корковых сетей могут быть использованы для получения классификаторов, которые могут быть использованы для идентификации подписей в сложных отношениях, представленных моделями для классификации новых данных, открывая возможность для исследования новые диагностические и прогностический биомаркеры и т.д. Кроме того, какие функции в моделях диск эти классификации для того, чтобы получить представление о основных механизмов могут быть исследованы.
      1. Выизвуем классификаторы. Используя предварительно маркированные данные, можно получить классификатор для прогнозирования класса набора данных на основе сетевых моделей.
         1. Разделите данные на набор данных предмета для обучения и набор для тестирования классификатора.
         2. Обучите алгоритм классификации, такой как машина вектора поддержки или случайный лес, на помеченных обучаемых данных.
         3. Оцените производительность классификатора, подготовленного моделью, на данных тестирования.
            ПРИМЕЧАНИЕ: Эти подходы позволяют использовать статистические модели в качестве входных данных для получения новых биомаркеров.
      2. Выполните последовательное устранение.
         ПРИМЕЧАНИЕ: Используя модель для обучения классификатора, данные могут быть удалены итеративно и процесс обучения может быть повторен, чтобы определить, какие компоненты модели управляют ее прогностической способностью, что позволяет иссмотреть основные механизмы.
         1. Поезд классификатор на модели, как описано выше.
         2. Удалите функцию модели с наименьшей изменчивостью между группами.
         3. Повторите тренировочный процесс и оцените производительность.
         4. Повторяйте удаление итеративной функции до тех пор, пока не будут определены функции, которые вносят наибольший вклад в производительность. Это компоненты модели, отвечающие за способность различать классы.
   2. Выполняйте неконтролируемое обучение.
      ПРИМЕЧАНИЕ: Используя только модели, понимание может быть получено в исследуемых группах. Моделируя данные как высокомерные конструкции, основанные на взаимосвязи между записями, могут стать очевидными отношения между группами, которые не были замечены на уровне отдельных записей. Неконтролируемые методы, такие как алгоритмы кластеризации, позволяют иссмотреть взаимосвязи внутри моделей без ограничения предопределенными классами.
      1. Используя метрику расстояния, такую как евклидовое расстояние, вычислите измерения расстояния между объектами в пространстве, определяемом сетевой моделью. Пример омование NetworkAnalysis_Demonstration.m. и дополнительной рисунке 9.
      2. Используя алгоритм кластеризации, такой как k-ближайшие соседи, определите группы в данных на основе параметров модели(рисунок 5).
      3. Повторите эту процедуру, используя процедуру последовательной ликвидации, как описано выше, чтобы исследовать, как отдельные функции способствуют группировки в модели.
         ПРИМЕЧАНИЕ: Это позволяет использовать полученные модели для идентификации групп в данных, которые не были очевидны в противном случае. Это может позволить производные подтипы заболеваний, патологические группы и т.д., которые проявляются только на сетевом уровне.

Representative Results

Измерения спектральной мощности будут производить n измерения для каждого измеренного диапазона частот, где n является числом записанных каналов. Эти меры будут в децибелах для общей мощности. Измерения силы в отдельных частотных диапазонах должны быть выражены как относительная сила (т.е. доля общей власти, представленной властью в пределах этой полосы), с тем чтобы обеспечить точное сопоставление между группами и условиями.

Пример визуализации спектральной мощности в нескольких диапазонах и в записанных каналах показан на рисунке 2. Спектральная мощность может быть визуализирована интерполировать сядок головы, что позволяет сограниченно оценивать «источник» активности.

Измерения интерэлектродной согласованности дают меру для каждой уникальной пары электродов (т.е. когда n является числом зарегистрированных каналов). Каждая из этих мер составляет от 0 до 1, где 0 не представляет согласованности между записями и 1 представляет собой полную согласованность между записями. Это показатель степени изменения активности в одной области в зависимости от активности в другой области, что позволяет упускать различия в направлении взаимодействия и временной лаг. Более высокие значения согласованности предполагают взаимодействие между областями, из которых очевидно, что записанные области взаимодействуют друг с другом. Путем измерять взаимодействия между каждой уникально парой электрода, статистическая карта как записанные каналы взаимодействуют можно создать вверх. Это позволяет исследует, как регионы общаются, а не сосредоточиваются на отдельных областях в изоляции, как это делают традиционные методы. Пример визуализации мер согласованности 8-электродного монтажа показан на рисунке 3.

Эти меры согласованности быстро производят большие объемы данных, что делает анализ каждой меры с помощью отдельных статистических тестов несостоятельной стратегией. Кроме того, изучение индивидуальных взаимодействий не обязательно интересно или значимо при рассмотрении взаимодействия между целыми корковых сетей. Методы снижения размерности, такие, как анализ основных компонентов, позволяют проводить оценку показателей, полученных в рамках этих статистических конструкций, для облегчения сопоставления общей динамики сети с использованием традиционных статистических методов. Методы, основанные на классификаторах, с использованием методов машинного обучения, предлагают дополнительный перспективный путь для интеграции этих высокомерных построений данных для классификации данных и прогнозирования результатов.

Визуализация сетевой динамики более высокого порядка позволяет распознавание видов взаимодействий, сравниваемых с помощью анализа основных компонентов, или метода, основанного на классификации. Это может быть достигнуто с помощью цветового картирования ковариантных показателей межэлектродных показателей согласованности электродных пар. Это оценивает, как меры согласованности в одной паре электродо в одной паре электрод связаны с изменениями в согласованности в другой паре, предлагая более широкие сетевые взаимодействия и интеграции активности через кору. Это позволяет визуализировать, как области взаимодействуют таким образом, что это невозможно с традиционными мерами. Пример высокомерной сетевой карты, которая может быть создана с помощью этой методики,показан на рисунке 4 . Это демонстрирует различия, очевидные на сетевом картировании между двумя субъектами с различными клиническими фенотипами нейропсихиатрического расстройства, влияющих на корковую функцию, где не было статистически значимых различий с использованием стандартных методы анализа.

Рисунок 1: Схема конвейера анализа данных. Обзор основных шагов по подготовке необработанных данных и извлечению мер, представляющих интерес. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 2: Представительная матрица спектральных показателей мощности. Каждая колонка представляет расположение электрода, и каждая строка представляет диапазон частот, представляющий интерес. Интенсивность цвета ячейки представляет значение относительной силы соответствующей частоты в соответствующем расположении электрода. Производит n х f меры, где n является число записи электродов, используемых и f является число частотных полос интереса. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 3: Представительная матрица мер интерэлектродной согласованности. Каждая строка и каждая колонка представляют собой расположение электрода. Интенсивность цвета клеток представляет собой значение межэлектродной согласованности между соответствующей парой электродов. Производит меры для каждой частотной полосы интереса, где n является число записи электродов, используемых. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 4: Репрезентативная визуализация динамики сети более высокого порядка, сравнение двух фенотипов нейропсихиатрического расстройства. Каждая строка и каждая колонка представляют собой уникальную электронную пару. Интенсивность цвета ячейки представляет собой значение ковариантности между соответствующими парами электродов. Производит меры для каждой частотной полосы интереса, где р является число уникальных электрических пар, используемых. (A) Демонстрирует как внутри, так и через частоту взаимодействия в корковых сетях, в то время как (B) визуализирует область анализа интересов сосредоточены на динамике сети только в рамках общего спектра мощности. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 5: Репрезентативная визуализация неконтролируемого алгоритма кластеризации. В группе явно хорошо совмещенных пациентов с нейропсихиатрическим расстройством, кластеризация на основе только типовых данных определила группы населения, которые не были очевидны на стандартных анализах. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 1: Скриншот демонстрирует разновидности данных ЭЭГ. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 2: Скриншот демонстрирует основные шаги предварительной обработки. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 3: Скриншот демонстрирует фильтрацию для частот, представляющих интерес. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 4: Вычисление спектра каналов и изоляция данных в отдельных диапазонах. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 5: Расчет показателей согласованности для каждой пары электродов. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 6: Картирование полученных мер для цветных карт и визуализации. На рисунке 3 и рисунке 4 показаны примеры выходов. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 7: Строительство матриц ковариантной, выполнение анализа основных компонентов и сравнение групп на основе основных компонентов. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная цифра 8: Анализ конкретных регионов, представляющих интерес путем изоляции подмножеств данных. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная диаграмма 9: Определение метрики расстояния и использование алгоритма кластеризации для выявления групп, использующих неконтролируемые методы обучения. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Discussion

Описанный метод позволяет производные статистические карты динамики корковых сетей на основе неинвазивных данных ЭЭГ. Это позволяет исследует явления, не всегда очевидные при изучении простых данных временных рядов путем оценки того, как зарегистрированные регионы взаимодействуют друг с другом, а не оценивать то, что происходит в каждом отдельном месте в Изоляции. Это может выявить важные идеи в патологии болезни¹⁸.

Существенным аспектом этого метода является обеспечение качества данных. Для обеспечения достаточно высокого качества данных для получения значимых результатов требуется тщательная оценка данных, отторжение артефактов и предварительная обработка. При условии, что используемые данные имеют соответствующее качество, компонент извлечения функций может быть легко модифицирован для моделирования сетевых взаимодействий только в определенных регионах, представляющих интерес, или в пределах произвольных частот, а также моделирования сложных взаимодействий по определенные области и частотные диапазоны.

Этот подход ограничен высокомерностью полученных результатов, которые могут быстро производить огромные объемы данных при использовании многих каналов. Это может ограничить интерпретацию необработанных результатов и привести к длительным вычислениям. Поэтому использование методов сокращения размеров, таких, как анализ основных компонентов^23,необходимо для проведения значимых статистических сопоставлений между группами без необходимости проведения огромного числа статистических тестов. Кроме того, использование созданных высокомерных сетевых карт для принятия решений может потребовать использования классификаторов машинного обучения для интеграции больших объемов данных, которые не легко интерпретировать вручную и не могут быть легко уменьшены к одной мере²⁴.

Такой подход предлагает гораздо большую способность исследовать изменения в динамике сети, чем необработанные временные ряды ЭЭГ, а также предлагает значительные преимущества перед методами визуализации, такими как функциональные МРТ, включая простоту доступности, стоимость и большее время Разрешение. Будущие применения этого метода для субтипирования неврологических заболеваний, прогнозирования ответных мер на лечение и прогнозирования заболеваний дают возможность значительно расширить клиническую полезность современных клинических технологий ЭЭГ за счет усовершенствования методы анализа данных.

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