Modélisation statistique de la connectivité corticale à l'aide d'électroencéphalogrammes non invasifs

Summary

Les techniques standard d'analyse de l'EEG offrent un aperçu limité de la fonction du système nerveux. La dérivation de modèles statistiques de connectivité corticale offre une capacité beaucoup plus grande d'étudier la dynamique du réseau sous-jacente. L'évaluation fonctionnelle améliorée ouvre de nouvelles possibilités pour le diagnostic, le pronostic, et la prévision de résultat dans les maladies de système nerveux.

Abstract

Les enregistrements électrophysiologiques non invasifs sont utiles pour l'évaluation de la fonction du système nerveux. Ces techniques sont peu coûteuses, rapides, reproductibles et moins gourmandes en ressources que l'imagerie. En outre, les données fonctionnelles produites ont une excellente résolution temporelle, ce qui n'est pas réalisable avec l'imagerie structurelle.

Les applications actuelles des électroencéphalogrammes (EEG) sont limitées par des méthodes de traitement des données. Les techniques d'analyse standard utilisant des données brutes de série de temps à des canaux individuels sont des méthodes très limitées d'interroger l'activité du système nerveux. Des informations plus détaillées sur la fonction corticale peuvent être obtenues en examinant les relations entre les canaux et en dérivant des modèles statistiques de la façon dont les zones interagissent, permettant la visualisation de la connectivité entre les réseaux.

Ce manuscrit décrit une méthode pour dériver des modèles statistiques de l'activité du réseau cortical en enregistrant l'EEG d'une manière standard, puis en examinant les mesures de cohérence interélectrodes pour évaluer les relations entre les zones enregistrées. Les interactions d'ordre supérieur peuvent être examinées plus en évaluant la covariance entre les paires de cohérence, produisant des « cartes » de haute dimension des interactions réseau. Ces constructions de données peuvent être examinées pour évaluer la fonction du réseau cortical et son rapport à la pathologie d'une manière qui n'est pas réalisable avec les techniques traditionnelles.

Cette approche offre une plus grande sensibilité aux interactions au niveau du réseau qu'il n'est possible d'obtenir l'analyse des séries chronologiques brutes. Elle est toutefois limitée par la complexité de tirer des conclusions mécanistes spécifiques sur les populations neuronales sous-jacentes et les volumes élevés de données générées, nécessitant des techniques statistiques plus avancées pour l'évaluation, y compris la dimensionnalité d'approches de réduction et de classificateur.

Introduction

Cette méthode vise à produire des cartes statistiques des réseaux corticaux à partir d'enregistrements d'électrodes non invasives à l'aide d'une configuration cliniquement viable, afin de permettre l'étude de la pathologie du système nerveux, l'impact de nouveaux traitements, et le développement de nouveaux biomarqueurs électrophysiologiques.

EEG offre un grand potentiel pour l'étude de la fonction du système nerveux et la maladie^1,2. Cette technologie est peu coûteuse, facilement disponible dans les milieux de recherche et cliniques, et généralement bien tolérée. La nature simple et non invasive des enregistrements facilite l'utilisation clinique, et le cadre existant des départements cliniques d'EEG permet un accès facile à la technologie pour les cliniciens.

D'un point de vue technique, EEG offre une excellente résolution de domaine temporel³. Ceci est d'une grande importance lors de l'étude de la fonction du système nerveux en raison des échelles de temps rapides des interactions du système nerveux et la dynamique du réseau. Bien que les méthodes d'imagerie telles que l'IRM fonctionnelle offrent une plus grande résolution spatiale et des images facilement interprétables, elles sont beaucoup plus limitées dans leur capacité à interroger le fonctionnement du système nerveux sur les échelles de temps finoffertes offertes par les enregistrements électrophysiologiques. ^4,5,6.

Il y a un besoin croissant pour la capacité d'interroger la fonction de système nerveux pour éclairer le diagnostic, le traitement, et le pronostic des maladies de système nerveux. Le rôle de la dynamique de réseau cortical dans la pathologie du système nerveux est de plus en plus reconnu⁷. Beaucoup de pathologies du système nerveux ne produisent aucune lésion structurale macroscopique visible avec la formation image traditionnelle, mais les anomalies produites au niveau du réseau peuvent être apparentes avec les méthodes fonctionnelles appropriées d'analyse.

Malheureusement, les méthodes actuelles d'analyse de l'EEG sont très limitées à cet égard. Les méthodes traditionnelles impliquent l'analyse de données simples de séries chronologiques à partir d'électrodes individuelles. Ces signaux représentent la somme des potentiels de champ dans de grandes zones corticales^3,8. L'analyse des données provenant de différents canaux isolés à l'aide d'une inspection visuelle ou de simples méthodes statistiques limite l'utilité de ces enregistrements à la détection d'anomalies électrophysiologiques brutes dans des endroits distincts et individuels. Avec la reconnaissance croissante de l'importance des effets au niveau du réseau pour la fonction et la pathologie du système nerveux, ces méthodes d'analyse simples sont clairement déficientes en ce qu'elles ne détecteront pas les relations subtiles entre les signaux, représentant anomalies dans la façon dont les zones corticales interagissent les unes avec les autres au niveau du réseau.

Une méthode de dérivation des cartes statistiques de la connectivité réseau corticale à partir d'enregistrements d'électrodes de faible dimension est démontrée. Cette méthode permet d'enquêter sur la dynamique des interactions entre les différentes régions du cerveau d'une manière qui n'est pas possible avec les techniques d'analyse traditionnelles, ainsi que la visualisation de ces interactions réseau. Cela ouvre la possibilité d'une étude non invasive des effets au niveau du réseau à haute résolution de domaine de temps d'une manière qui n'était pas possible auparavant. Cette méthode est basée sur la dérivation de mesures de cohérence interélectrodes^9,10. Ces mesures permettent d'évaluer comment deux régions enregistrées interagissent en évaluant les relations statistiques entre les enregistrements de ces zones¹¹. En évaluant comment chaque zone enregistrée interagit avec chaque autre zone enregistrée, une carte statistique des réseaux électrophysiologiques dans les zones enregistrées peut être faite. Cela permet de découvrir des relations fonctionnelles qui ne sont pas apparentes lors de l'évaluation des données des canaux individuels dans l'isolement.

L'accent de ce manuscrit est sur l'utilisation de la cohérence sur les séries chronologiques neuronales. Actuellement, il existe un certain nombre de techniques pour étudier les relations entre les données des séries chronologiques qui peuvent être appliquées aux canaux d'une manière paire wise pour dériver des modèles de connectivité corticale. Certaines méthodes, telles que la cohérence dirigée partielle connexe^12,13, visent à déduire la direction d'influence de la paire de signaux étudiés afin de mieux caractériser la structure des réseaux sous-jacents, tandis que d'autres méthodes, telles que la causalité Granger^14,15, tenter d'inférer des relations fonctionnelles par la capacité d'un signal de prédire les données dans un autre. De telles méthodes peuvent être appliquées de manière similaire pour générer des modèles de réseaux corticaux à haute dimension. Cependant, les avantages de la cohérence en tant que moyen d'étudier les relations entre les signaux neuronaux réside dans son manque d'hypothèses. Il est possible d'étudier les relations statistiques entre les enregistrements sur deux sites sans faire de déclarations sur la base fonctionnelle de ces relations et de construire un modèle de connectivité corticale basé uniquement sur les relations statistiques avec hypothèses minimales sur les réseaux corticaux générant ces signaux.

En raison de la nature purement mathématique de ces mesures, la relation entre les mesures de cohérence des enregistrements d'électrodes au cuir chevelu et l'activité neuronale sous-jacente est complexe^16,17. Bien que ces méthodes permettent la dérivation de constructions statistiques décrivant les relations entre les enregistrements d'électrodes à des fins de comparaison, faire des inférences causales directes sur l'activité des populations neuronales sous-jacentes spécifiques n'est pas simple^3,8,16,17. Ces approches permettent de comparer l'activité au niveau du réseau entre les groupes pour identifier les biomarqueurs potentiellement utiles, mais elles sont limitées en termes de tirer des conclusions spécifiques concernant la relation de ces marqueurs avec des mécanismes neuronaux spécifiques. Cela est dû au grand nombre de facteurs de confusion influençant l'activité enregistrée³, ainsi que des problèmes avec l'estimation de la source corticale spécifique des signaux électriques enregistrés au niveau du cuir chevelu⁸. Ces approches peuvent plutôt produire des modèles statistiques d'activité qui peuvent être interrogés et comparés entre les groupes afin de déterminer que des différences existent au niveau du réseau¹⁸ et peuvent être exploitées pour produire de nouveaux biomarqueurs basés sur ces Construit. Cependant, ces méthodes à elles seules ont une capacité limitée de relier les différences observées à des mécanismes spécifiques et des activités neuronales en raison de la complexité du système sous-jacent.

L'utilisation de mesures de réseau telles que la cohérence est bien établie dans les systèmes^{neurosciences 16,17}. Le plein potentiel de ces approches pour la modélisation et l'étude de la fonction corticale a été limité par un manque d'exploitation de ces structures de données de haute dimension. Ce travail démontre qu'il est possible d'appliquer ces mesures aux canaux EEG d'une manière bigraphique afin de cartographier les données sur un espace de fonctionnalités de haute dimension basé uniquement sur les relations statistiques entre l'activité électrique dans les régions corticales. Il démontre également que, en utilisant des techniques statistiques modernes, il est possible d'utiliser les modèles générés de la fonction corticale pour étudier ces modèles sans perdre les informations acquises dans le processus de modélisation.

Cette méthode est potentiellement utile pour élargir la portée des applications des technologies EEG existantes, en améliorant la capacité d'obtenir des mesures fonctionnelles utiles sans nécessiter d'adaptations à l'équipement d'enregistrement existant^18,19 . En améliorant la capacité de modéliser la fonction corticale et d'interroger ces modèles, les questions qui peuvent être étudiées à l'aide des données EEG sont élargies. Cela ouvre en outre la possibilité d'une plus grande intégration des évaluations fonctionnelles et structurelles pour l'étude de la maladie neurologique^20,21. Cette approche, utilisant la technologie qui est déjà largement disponible médicalement, permettrait d'enquêter sur les pathologies corticales avec la résolution temporelle et spatiale élevée.

Protocol

Le protocole expérimental suivant est conforme à toutes les lignes directrices locales, nationales et internationales en matière d'éthique pour la recherche humaine. Les données utilisées pour tester le protocole ont été acquises avec l'autorisation du Comité d'éthique de la région Toscane-protocole 2018SMIA112 SI-RE.

REMARQUE: Les scripts utilisés pour la mise en œuvre des analyses décrites sont disponibles à https://github.com/conorkeogh/NetworkAnalysis.

1. Collecte de données brutes

1. Préparer les conditions du sujet.
   1. Pour assurer la cohérence entre les enregistrements, effectuez tous les enregistrements EEG dans un environnement d'enregistrement dédié. Retirez tout l'équipement ou les stimuli qui ne sont pas directement pertinents pour la tâche à effectuer lors de l'enregistrement de l'environnement pour éviter toute distraction.
      REMARQUE: Si des enregistrements d'état au repos doivent être exécutés, supprimez toutes les sources de distraction de la pièce et exposez les sujets à l'environnement d'enregistrement avant la session d'enregistrement pour supprimer la nouveauté de l'environnement.
   2. Fournir au sujet des instructions claires concernant la tâche à accomplir. Une fois que l'équipement a été mis en place, laissez le sujet seul dans l'environnement d'enregistrement pour s'habituer à l'environnement avant de commencer l'enregistrement pour minimiser le mouvement et la distraction.
   3. Si le sujet a une déficience intellectuelle, accordez-lui le temps nécessaire pour s'habituer à l'environnement afin de limiter tout stress. Parfois, cela peut nécessiter de multiples visites et un séjour prolongé dans la salle d'enregistrement.
2. Montez les électrodes.
   1. Fixez le bouchon d'électrode à la tête du patient, en prenant soin d'assurer un alignement correct. Injecter du gel conducteur dans chacun des ports d'électrodes, en commençant par le cuir chevelu et en se retirant lentement à la surface du capuchon pour établir un contact électrique avec l'échelle et améliorer le rapport signal-bruit.
   2. Fixez des électrodes au bouchon d'électrode à l'aide d'un montage d'électrode prédéterminé basé sur le système 10-20. Fixez les électrodes de sol appropriées (p. ex., aux processus mastoïdes).
3. Configurez l'EEG.
   1. Connectez toutes les électrodes à un système d'enregistrement électrophysiologique. Associez le système d'enregistrement à un environnement d'enregistrement numérique approprié.
   2. Examinez tous les canaux d'enregistrement pour vous assurer que le décalage se situe dans une plage appropriée et pour éviter le bruit excessif du canal. Si un canal a un décalage excessif ou un bruit, gel conducteur supplémentaire peut être ajouté afin d'améliorer la connexion électrique, en prenant soin d'éviter de provoquer des ponts entre les sites d'électrodes.
   3. Instruisez le sujet que l'enregistrement a commencé et pour éviter tous les mouvements inutiles. Effectuer un court enregistrement de test pour vérifier la qualité d'enregistrement appropriée.
4. Préparer la tâche comportementale pour l'enregistrement.
   1. Clarifier toutes les instructions liées aux tâches avec le sujet. Réitérez l'importance d'éviter tous les mouvements inutiles.
   2. Expliquez que l'enregistrement commencera sur un signal clairement convenu (p. ex., un coup à la porte de l'environnement d'enregistrement). Laissez le sujet dans l'environnement d'enregistrement. Commencez à enregistrer. Donnez le signal convenu au sujet.
   3. Après l'achèvement de la tâche ou de la période de repos, arrêtez d'enregistrer, examinez visuellement les données pour assurer la qualité et enregistrez les données.

2. Prétraitement des données

REMARQUE: Le pipeline de préparation et d'extraction des caractéristiques de données est illustré à la figure 1.

1. Préparer le logiciel.
   1. Chargez les données eEG pour être analysées dans un environnement d'analyse de données. Chargez toutes les bibliothèques de script supplémentaires nécessaires, telles que EEGLab²².
2. Convertir tous les enregistrements au même format de données si nécessaire, avec tous les canaux dans leurs emplacements correspondants.
   1. Jetez le début et la fin de chaque enregistrement (p. ex., 5 min) pour réduire la contamination des artefacts de mouvement. Divisez les données en époques en fonction de la tâche ou, s'il s'agit d'un enregistrement d'état de repos, de durée prédéterminée (p. ex., 10 min). Voir NetworkAnalysis_Demonstration.m (section Feature Extraction) et la figure 1 supplémentaire pour une démonstration de mise en œuvre.
      REMARQUE: La sélection de la longueur de l'époque peut avoir des effets importants sur les mesures de cohérence. Des époques d'une longueur suffisante devraient être utilisées pour s'assurer que de véritables relations entre les signaux apparaissent dans les computations afin d'éviter les artefacts inaperçus ou les synchronisations transitoires et fallacieuses ayant une pondération excessive. Cependant, dans ce travail, il n'y avait aucune différence statistiquement significative dans la structure globale du réseau lorsque les époques de dix minutes ont été comparées à une moyenne de dix époques d'une minute à la suite d'un rejet complet de l'artefact.
3. Effectuer le rejet d'artefacts en inspectant visuellement les données de l'époque et en rejetant les données visuellement inadaptées.
   REMARQUE : Comme la technique de modélisation décrite repose sur les relations entre les signaux, il est essentiel d'assurer un rejet complet des artefacts. Celles-ci peuvent corrompre les données du canal, entraînant des augmentations artificielles (si l'artefact est représenté sur plusieurs canaux) ou des diminutions (si l'artefact n'est représenté que sur certains canaux) des mesures de cohérence.
   1. Identifiez les mauvais canaux dans les enregistrements.
      1. Données de filtre de passage élevé à 0,5 Hz pour supprimer la dérive de base due au sol flottant du système d'acquisition.
      2. Sélectionnez tous les canaux répondant aux critères statistiques appropriés (p. ex., ceux qui ont un écart type supérieur à trois fois ou moins d'un tiers de l'écart standard moyen du canal).
         REMARQUE: Supprimer les canaux avec des données qui sont peu susceptibles d'avoir provenu de sources neuronales évite les relations fausses introduites dans les modèles de réseau.
      3. Examinez ces canaux pour déterminer s'ils conviennent.
      4. Rejetez les époques avec des canaux inappropriés si possible. Sinon, excluez les mauvais canaux et interpolez les données à ces canaux (par exemple, en utilisant l'algorithme d'interpolation spline d'EEGLab).
         REMARQUE: L'interpolation sur un grand nombre de canaux ou avec seulement un petit nombre de canaux d'enregistrement peut générer des données inappropriées pour l'analyse. En outre, cela n'introduit aucune nouvelle information dans l'ensemble de données et peut entraîner des mesures artificiellement élevées de cohérence entre les signaux interpolés et les signaux dont ils sont dérivés.
   2. Effectuer l'analyse indépendante des composants sur les époques restantes (p. ex., à l'aide de la fonction ICA d'EEGLab). Inspectez visuellement les composants dérivés et rejetez les données visuellement inadaptées.
   3. Appliquer les seuils statistiques appropriés pour identifier les artefacts potentiels qui ne sont pas immédiatement évidents lors de l'inspection visuelle (p. ex., en fonction de valeurs extrêmes ou de spectres anormaux). Examinez-les et déterminez si le rejet est approprié.
   4. Répétez l'analyse indépendante des composants et l'identification des artefacts sur les époques survivantes.
   5. Identifiez les époques de données à enregistrer pour une analyse plus approfondie. Jetez toutes les époques de données rejetées. Identifiez toutes les époques à faire pour une analyse plus approfondie.
      REMARQUE : Lorsqu'une seule époque par sujet est requise, sélectionnez la première époque appropriée pour une analyse plus approfondie.
4. Pour préparer les données, corrigez la ligne de base des enregistrements en soustrayant la moyenne de tous les canaux des enregistrements afin d'éviter l'impact de l'errance de base pendant les enregistrements prolongés. Re-repositionne tous les canaux à une référence appropriée (par exemple, l'électrode de sol ou la moyenne de tous les canaux). Voir NetworkAnalysis_Demonstration,m, NetworkAnalysis_Preprocess,m, et la figure 2 supplémentaire pour obtenir des exemples de mise en œuvre.
   REMARQUE : La sélection de référence peut avoir des effets importants sur les mesures du réseau. Comme les données de référence sont « soustraites » de tous les canaux analysés, toutes les données neuronales qui sont représentées sur le canal de référence seront soustraites et ne contribueront donc pas à la génération modèle. Il est pratique courante d'utiliser des signaux de référence enregistrés sur les proéminences osseuses sans sous-tendre immédiatement les structures neuronales, comme le processus mastoïde. Cependant, ceux-ci peuvent être corrompus par des données neuronales dues aux effets de conduction de volume à travers le cuir chevelu et donc déformer les mesures du réseau différentielment en fonction de l'emplacement par rapport à la référence. En conséquence, pour les données d'état de repos, il est préférable d'utiliser une moyenne de tous les canaux du cuir chevelu comme référence. Cela signifie que toutes les données ne sont pas référencées par rapport à un emplacement spatial spécifique, des mesures de distorsion, parce que tous les canaux contribuent à la référence. Cela peut avoir des effets tels que l'amortissement de l'activité globale apparente et peut fausser les mesures en soustrayant les signaux qui sont très fortement représentés sur certains canaux et contribuent ainsi fortement à la moyenne. Il s'agit d'un problème plus important pour les signaux liés à l'activité et à l'événement, mais ce n'est généralement pas le cas pour les données d'état au repos.
   1. Filtrer numériquement tous les canaux pour isoler les fréquences d'intérêt (par exemple, 1 Hz-50 Hz). Voir NetworkAnalysis_Demonstration,m, NetworkAnalysis_Preprocess,m, et la figure 3 supplémentaire pour obtenir des exemples de mise en œuvre.
      REMARQUE: Assurer l'utilisation de limites de fréquence appropriées et de paramètres de filtre pour l'analyse prévue afin d'éviter la distorsion des fréquences aux extrémités de la plage examinée et des effets d'aliasing. Zéro décalage de phase 4^e-ordreLes filtres Butterworth fonctionnent correctement. Un filtrage approprié permet d'isoler l'activité d'intérêt pour la modélisation. Même avec une large gamme (p. ex., 1 Hz-50 Hz), cela garantit que les artefacts à haute fréquence et l'errance de base à basse fréquence ne sont pas interprétés comme cohérents entre les canaux, déformant les mesures.

3. Extraction de fonctionnalités

1. Évaluer la puissance spectrale.
   1. Calculer les spectres de puissance globaux en effectuant une transformation Fourier de chaque canal analysé sur l'ensemble de la plage de fréquences à évaluer (p. ex., 1 Hz-50 Hz).
   2. Évaluer l'activité dans les bandes de fréquences individuelles : isoler la bande de theta au 4 Hz-8 Hz. Isoler la bande alpha au 8 Hz-12 Hz. Isoler la bande bêta à 12 Hz-30 Hz. Isoler la bande delta à 0,5 Hz-4Hz. Isoler la bande gamma à l'adresse suivante : hz (p. ex. , 30-50 Hz). Voir NetworkAnalysis_Demonstration,m, NetworkAnalysis_FeatureExtraction, et la figure 4 supplémentaire pour des exemples de la mise en œuvre de la dérivation spectrale et de l'isolement des bandes de fréquences.
      REMARQUE: Les données de l'EEG sont traditionnellement divisées en « bandes » de fréquence séminaude aux fins d'enquête. Ceux-ci sont principalement nommés en fonction de l'ordre dans lequel ils ont été découverts, et les bandes passantes spécifiques varient quelque peu. La signification fonctionnelle des oscillations à des fréquences spécifiques demeure un domaine d'investigation active. On pense que les oscillations au sein de bandes spécifiques peuvent être liées à des activités neuronales spécifiques, telles que l'émergence d'une onde alpha à haute amplitude dans la région occipitale avec les yeux fermés, bien que la relation exacte entre les fonctions neuronales et l'activité oscillatoire dans les enregistrements d'EEG reste peu claire.
   3. Évaluer la puissance globale sur l'ensemble du cuir chevelu en calculant la moyenne des spectres de canaux individuels. Normaliser le pouvoir dans les bandes individuelles par rapport au pouvoir global de donner une mesure de puissance relative et de permettre des comparaisons plus précises entre les conditions.
2. Effectuer la cartographie réseau.
   1. Évaluer les interactions entre la première paire d'électrodes en dérivant une mesure de cohérence interélectrode :
      
      Voir NetworkAnalysis_Demonstration,m, NetworkAnalysis_FeatureExtraction, et la figure 5 supplémentaire pour obtenir des exemples de mise en œuvre.
      1. Calculer le spectre transversal des deux canaux :
         
         1. Calculez la transformation Fourier de chaque signal, X et Y
            
         2. Calculer le spectre transversal :
            
            Où: t est l'intervalle d'échantillonnage, T est la longueur de l'enregistrement, X est la transformation Fourier de x, et Y^est la conjugaison complexe de Y.
         3. Ignorer les fréquences négatives et les mesures correctes. La seconde moitié de l'axe de fréquence de l'ordinateur peut être ignorée dans le cas des signaux de valeur réelle, et les mesures de puissance multipliées par deux pour corriger cela.
            REMARQUE: Cela équivaut à la transformation Fourier de la corrélation croisée de x et y.
      2. Normaliser le spectre transversal par les spectres de puissance des deux canaux: .
         1. Calculez la transformation Fourier de chaque signal :
            
         2. Calculer le spectre de puissance :
            
            Où: t est l'intervalle d'échantillonnage, T est la longueur de l'enregistrement, X est la transformation Fourier de x, et X^est la conjugaison complexe de X.
         3. Ignorer les fréquences négatives et les mesures correctes: la seconde moitié de l'axe de fréquence de l'ordinateur peut être ignorée dans le cas des signaux de valeur réelle, et les mesures de puissance multipliées par deux pour corriger pour cela.
         4. Utilisez les spectres de puissance calculés pour normaliser le spectre transversal et obtenir une certaine cohérence :
            
            REMARQUE: Cela génère C, une mesure de la cohérence entre les signaux x et y aux fréquences . Il s'agit d'une mesure de la relation entre ces signaux aux fréquences examinées, mesurées sur une échelle de 0 à 1. Lorsqu'il existe une relation de phase constante entre les deux signaux examinés à tout moment, la cohérence aura une valeur de 1, ce qui indique une forte relation entre les signaux à ces fréquences, ce qui implique que l'activité dans un signal est fonctionnellement activité dans l'autre (c'est-à-dire qu'il y a communication entre les deux). Lorsqu'il n'y a pas de relation de phase entre les deux signaux, la cohérence aura une valeur de 0, ce qui indique que les signaux ne sont pas liés.
   2. Répétez cette procédure pour chaque paire unique d'électrodes pour développer une mesure de la stabilité de phase entre les signaux à chaque paire d'électrodes, la construction d'un modèle de connectivité fonctionnelle à travers toutes les électrodes.
      REMARQUE: Pour un montage d'électrodes n, cela produira des mesures de cohérence. Il s'agit de cartographier les données mesurées des séries chronologiques sur un plan de haute dimension en fonction des relations entre les signaux enregistrés, ce qui permet d'étudier la nature de ces interactions.

4. Visualisation des données

1. Effectuer une analyse de puissance spectrale.
   1. Examinez les matrices de puissance.
      1. Cartographiez les mesures de la puissance spectrale à visualiser sur une structure de données bidimensionnelle où chaque colonne est un emplacement d'électrode, chaque ligne est une bande de fréquence, et chaque cellule est la puissance spectrale à cet endroit, dans cette bande.
      2. Identifiez les niveaux de puissance maximum et minimum dans toutes les conditions à comparer. Fixez-les au maximum et au minimum pour toutes les conditions. Cartographiez les valeurs de puissance spectrale entre le maximum identifié et le minimum aux couleurs. Exporter une carte couleur visualisant la puissance spectrale à chaque bande de fréquence à chaque emplacement d'électrode (Figure 2).
   2. Effectuer la cartographie topographique.
      1. Créer une structure de données contenant les étiquettes de chacun des 10-20 emplacements d'électrodes du système utilisés, afin de correspondre à celle de la structure de données à cartographier. En utilisant la fonction topoplot() d'EEGLab, les données de puissance spectrale, le maximum et le minimum identifiés, et la liste de canaux, génèrent une parcelle cartographiant la distribution de la puissance spectrale à travers le cuir chevelu.
2. Évaluer la cohérence.
   1. Examiner les matrices de cohérence.
      1. Cartographiez les mesures de la cohérence interélectrode à visualiser sur une structure de données bidimensionnelle où chaque colonne est un emplacement d'électrode, chaque ligne est un emplacement d'électrode, et chaque cellule est la cohérence entre la paire d'électrode correspondante.
      2. Cartographiez les valeurs de cohérence entre 0 et 1 aux couleurs. Exporter une carte couleur visualisant la cohérence interélectrode entre chaque paire d'électrodes dans les limites de fréquence utilisées (Figure 3). Répétez cette procédure pour chaque bande de fréquence à étudier. Voir La figure 6 et produce_plots.r supplémentaires pour des exemples de mise en œuvre. Voir Figure 3 par exemple sortie.
   2. Effectuer la visualisation du réseau.
      1. Pour visualiser les interactions d'ordre supérieur entre les zones corticales et cartographier la dynamique du réseau, calculez comment la cohérence de chaque paire d'électrodes mesure covaries avec celles de chaque autre paire d'électrodes unique dans l'ensemble du spectre et au sein de bandes spécifiques.
      2. Cartographion de ces mesures de covariance aux couleurs. Exportez une carte couleur visualisant la dynamique du réseau au sein des bandes de fréquences et à travers. Voir produce_plots.r pour des exemples de mise en œuvre. Voir Figure 4 par exemple sortie.

5. Analyse des modèles de réseau

REMARQUE: L'application de méthodes statistiques modernes aux modèles dérivés permet de tirer parti des relations modélisées dans l'espace de fonctionnalitéréseau de haute dimension pour étudier la fonction corticale. Un certain nombre d'approches qui offrent des avantages par rapport aux comparaisons traditionnelles des mesures individuelles ou des moyennes des mesures de cohérence peuvent être prises. Certaines des approches potentielles que ces modèles de réseau facilitent sont décrites ci-dessous. Ceux-ci ne sont discutés que superficiellement comme indicatifs des applications potentielles de la modélisation réseau, parce qu'une discussion approfondie de chaque technique est au-delà de la portée du travail actuel.

1. Effectuer la réduction de la dimensionnalité.
   REMARQUE : Les comparaisons au niveau variable individuel ne parviennent pas à tirer parti des relations représentées par les modèles créés, tandis que l'exécution de comparaisons sur toutes les mesures dans les constructions dimensionnelles créées est problématique en raison de la un grand nombre de comparaisons requises et l'absence d'intégration des informations de haut niveau contenues dans les modèles statistiques. Cartographier les données de haute dimension sur un espace de dimensions inférieures tout en maintenant les informations générées par le processus de génération de modèles permet la performance de comparaisons significatives tout en tirant pleinement parti de la structure riche en données des modèles.
   1. Dériver des mesures de comparaison entre les groupes qui représentent la dynamique globale du réseau dans les modèles statistiques générés à l'aide de l'analyse des composants principaux. Voir NetworkAnalysis_Demonstration.m et la figure 7 supplémentaire pour un exemple de mise en œuvre.
      1. Comme ci-dessus, construire une matrice de covariance pour les mesures de cohérence pairewise. Cela générera une construction de covariance dimensionnelle où . Ce modèle est donc extrêmement haut-dimensionnel et permet la visualisation des relations réseau de haut niveau comme indiqué ci-dessus.
      2. Décomposez la matrice de covariance en eigenvectors et eigenvalues correspondantes. Cela permet d'identifier les axes dans l'espace de fonctionnalité du modèle qui contiennent la plus grande variance, sans être délimité par les mesures existantes.
      3. Classez les eigenvectors par la valeur eigenvalue correspondante pour identifier ceux qui représentent la plus grande proportion de variance dans le modèle.
   2. Comparez les premiers composants principaux dérivés des modèles réseau. Voir NetworkAnalysis_Demonstration.m et la figure 7 supplémentaire pour un exemple de mise en œuvre.
      REMARQUE: Le premier élément principal représente le plus grand degré de variance au sein du modèle. Par conséquent, la comparaison de cette mesure permet de comparer la dynamique globale du réseau dans l'ensemble du modèle entre les groupes ayant un seul test statistique, permettant une analyse simultanée des relations complexes modélisées et évitant les questions associées à de nombreuses comparaisons.
2. Effectuer une analyse de la région d'intérêt. Les modèles dérivés représentent la connectivité réseau à travers tout le cortex, à travers toutes les bandes de fréquences. S'il y a un intérêt pour des zones anatomiques spécifiques ou dans des fonctions au sein de bandes spécifiques, ces régions du modèle peuvent être isolées et analysées séparément.
   1. Choisissez une région anatomique d'intérêt.
      REMARQUE: La restriction de l'analyse à des zones anatomiques spécifiques permet d'évaluer l'activité du réseau à l'intérieur ou entre des zones corticales spécifiques afin d'identifier les relations qui peuvent ne pas être apparentes lors de l'analyse du modèle dans son ensemble.
      1. Identifier les données de cohérence dans le modèle concernant les zones anatomiques d'intérêt.
      2. Dériver une matrice de covariance et effectuer l'analyse des composants principaux tel que décrit ci-dessus pour calculer les mesures de l'architecture globale du réseau dans les régions d'intérêt.
      3. Comparez les mesures de la dynamique des réseaux dans les régions anatomiques d'intérêt entre les groupes comme indiqué ci-dessus.
   2. Choisissez une région d'intérêt fonctionnelle.
      REMARQUE: La limitation de l'analyse à des bandes de fréquences spécifiques permet d'évaluer l'activité du réseau dans des fréquences oscillatoires spécifiques (Figure 4).
      1. Comme pour les analyses anatomiques, isolez les données de cohérence dans les bandes de fréquences d'intérêt. Voir NetworkAnalysis_Demonstration.m et la figure 8 supplémentaire pour des exemples de mise en œuvre, en utilisant les interactions dans le spectre global seulement à titre d'exemple.
      2. Effectuer l'analyse des composantes principales afin de tirer des mesures de l'activité globale du réseau au sein des bandes d'intérêt.
      3. Comparez les mesures entre les groupes pour évaluer les différences de réseau à des fréquences oscillatoires spécifiques.
3. Utilisez l'apprentissage automatique.
   REMARQUE : Des approches modernes d'apprentissage statistique peuvent être appliquées aux modèles générés afin d'interroger davantage les relations de haut niveau qui y sont représentées.
   1. Utiliser l'apprentissage supervisé.
      REMARQUE: À l'aide de données avec des classes prédéfinies, les modèles de réseaux corticaux peuvent être utilisés pour dériver des classificateurs qui peuvent être utilisés pour identifier les signatures dans les relations complexes représentées par les modèles pour classer les nouvelles données, ouvrant la possibilité d'enquêter nouveaux biomarqueurs diagnostiques et pronostiques, etc. En outre, les caractéristiques des modèles conduisent ces classifications afin d'obtenir un aperçu des mécanismes sous-jacents peuvent être étudiés.
      1. Détirez les classificateurs. À l'aide de données préétiquetées, un classificateur peut être dérivé pour prédire la classe d'un ensemble de données en fonction des modèles réseau.
         1. Divisez les données en un ensemble de données d'objet pour la formation et un ensemble pour tester le classificateur.
         2. Formez un algorithme de classification tel qu'une machine à vecteur de support ou une forêt aléatoire sur les données de formation étiquetées.
         3. Évaluer le rendement du classificateur formé au modèle sur les données du test.
            REMARQUE: Ces approches permettent d'utiliser les modèles statistiques comme intrants pour tirer de nouveaux biomarqueurs.
      2. Effectuer l'élimination séquentielle.
         REMARQUE: En utilisant le modèle pour former un classificateur, les données peuvent être supprimées itérativement et le processus de formation peut être répété pour identifier les composants du modèle qui sont à l'origine de sa capacité prédictive, permettant d'enquêter sur les mécanismes sous-jacents.
         1. Entraînez un classificateur sur le modèle tel que décrit ci-dessus.
         2. Supprimer la fonction de modèle avec la plus faible variabilité entre les groupes.
         3. Répétez le processus de formation et évaluez le rendement.
         4. Répétez l'élimination des fonctionnalités itératives jusqu'à ce que les fonctionnalités qui contribuent le plus à la performance soient identifiées. Ce sont les composants du modèle responsables de la capacité de différencier entre les classes.
   2. Effectuer un apprentissage non supervisé.
      REMARQUE : En utilisant les seuls modèles, il est possible d'obtenir un aperçu des groupes étudiés. En modélisant les données en tant que constructions de haute dimension basées sur les relations entre les enregistrements, les relations entre les groupes qui n'ont pas été vus au niveau des enregistrements individuels peuvent devenir évidentes. Les techniques non supervisées telles que les algorithmes de clustering permettent d'enquêter sur les relations au sein des modèles sans être limitées par les classes prédéfinies.
      1. À l'aide d'une mesure de distance telle que la distance eucliden, calculez les mesures de la distance entre les sujets dans l'espace défini par le modèle réseau. Voir NetworkAnalysis_Demonstration.m et la figure 9 supplémentaire pour un exemple de mise en œuvre.
      2. À l'aide d'un algorithme de clustering tel que k-nearestneighbors, identifiez les groupes dans les données en fonction des paramètres du modèle (Figure 5).
      3. Répétez cette procédure à l'aide d'une procédure d'élimination séquentielle décrite ci-dessus pour étudier comment les caractéristiques individuelles contribuent aux regroupements dans le modèle.
         REMARQUE: Cela permet d'utiliser les modèles dérivés pour identifier les groupes dans les données qui n'étaient pas apparentes autrement. Cela peut permettre la dérivation de sous-types de maladies, de groupes pathologiques, etc., qui ne sont évidents qu'au niveau du réseau.

Representative Results

Les mesures de la puissance spectrale produiront des mesures n pour chaque bande de fréquence mesurée, où n est le nombre de canaux enregistrés. Ces mesures seront en décibels pour l'ensemble du pouvoir. Les mesures du pouvoir au sein des bandes de fréquences individuelles devraient être exprimées comme une puissance relative (c.-à-d. la proportion de puissance globale représentée par le pouvoir au sein de cette bande) afin de permettre des comparaisons précises entre les groupes et les conditions.

Un exemple de visualisation de la puissance spectrale sur plusieurs bandes et sur les canaux enregistrés est montré dans la figure 2. La puissance spectrale peut être visualisée interpolée sur le cuir chevelu, ce qui permet une estimation limitée de la « source » de l'activité.

Les mesures de cohérence interélectrodes produisent une mesure pour chaque paire d'électrodes unique (c.-à-d. , où n est le nombre de canaux enregistrés). Chacune de ces mesures se situe entre 0 et 1, où 0 ne représente aucune cohérence entre les enregistrements et 1 représente une cohérence totale entre les enregistrements. Il s'agit d'une mesure de la mesure dans laquelle l'activité dans un domaine change en fonction de l'activité dans un autre domaine, ce qui permet des différences dans la direction de l'interaction et le décalage horaire. Des valeurs plus élevées de cohérence suggèrent des interactions entre les zones, à partir desquelles il est évident que les zones enregistrées communiquent entre elles. En mesurant les interactions entre chaque paire d'électrodes unique, une carte statistique de la façon dont les canaux enregistrés interagissent peut être établie. Cela permet d'enquêter sur la façon dont les zones communiquent, plutôt que de se concentrer sur les zones individuelles isolées, comme dans les méthodes traditionnelles. Un exemple de visualisation des mesures de cohérence pour un montage à 8 électrodes est présenté dans la figure 3.

Ces mesures de cohérence produisent rapidement de grands volumes de données, ce qui rend l'analyse de chaque mesure avec des tests statistiques individuels une stratégie intenable. En outre, l'étude des interactions individuelles n'est pas nécessairement intéressante ou significative lorsque l'on considère les interactions entre l'ensemble des réseaux corticaux. Les techniques de réduction de la dimensionnalité telles que l'analyse des composants principaux permettent d'évaluer les mesures de ces constructions statistiques afin de faciliter la comparaison de la dynamique globale des réseaux à l'aide de méthodes statistiques traditionnelles. Les méthodes basées sur le classificateur, utilisant des techniques d'apprentissage automatique, offrent une avenue prometteuse supplémentaire pour intégrer ces constructions de données de haute dimension pour classer les données et prédire les résultats.

La visualisation de la dynamique des réseaux d'ordre supérieur permet de reconnaître les types d'interactions comparées par une analyse des composants principaux, ou une technique basée sur le classificateur. Ceci peut être réalisé en utilisant la cartographie des couleurs des mesures de covariance des mesures de cohérence interélectrodes des paires d'électrodes. Ceci évalue comment les mesures de cohérence à une paire d'électrodes se rapportent aux changements de cohérence à une autre paire, suggérant des interactions réseau plus larges et l'intégration de l'activité à travers le cortex. Cela permet de visualiser la façon dont les zones interagissent d'une manière qui n'est pas possible avec les mesures traditionnelles. Un exemple du type de carte réseau haute dimensionnelle qui peut être créé à l'aide de cette technique est montré dans la figure 4. Ceci démontre les différences évidentes sur la cartographie de réseau entre deux sujets avec différents phénotypes cliniques d'un désordre neuropsychiatrique affectant la fonction corticale, où il n'y avait aucune différence statistiquement significative utilisant standard méthodes d'analyse.

Figure 1 : Schéma du pipeline d'analyse de données. Aperçu des principales étapes de la préparation des données brutes et de l'extraction des mesures d'intérêt. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 2 : Matrice représentative des mesures de puissance spectrale. Chaque colonne représente un emplacement d'électrode, et chaque ligne représente une bande de fréquence d'intérêt. L'intensité de la couleur cellulaire représente la valeur de la puissance relative de la fréquence correspondante à l'emplacement correspondant de l'électrode. Produit n x f mesures, où n est le nombre d'électrodes d'enregistrement utilisés et f est le nombre de bandes de fréquence d'intérêt. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 3 : Matrice représentative des mesures de cohérence interélectrodes. Chaque ligne et chaque colonne représente un emplacement d'électrode. L'intensité de la couleur cellulaire représente la valeur de la cohérence interélectrode entre la paire d'électrodes correspondante. Produit des mesures pour chaque bande d'intérêt de fréquence, où n est le nombre d'électrodes d'enregistrement utilisées. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4 : Visualisation représentative de la dynamique des réseaux d'ordre supérieur, comparant deux phénotypes de troubles neuropsychiatriques. Chaque ligne et chaque colonne représente une paire d'électrodes unique. L'intensité de la couleur cellulaire représente la valeur de la covariance entre les paires d'électrodes correspondantes. Produit des mesures pour chaque bande d'intérêt de fréquence, où p est le nombre de paires d'électrodes uniques utilisées. (A) Démontre les interactions à l'intérieur et à travers les fréquences au sein des réseaux corticaux, tandis que (B) visualise une analyse de la région d'intérêt axée sur la dynamique du réseau au sein du spectre de puissance global seulement. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5 : Visualisation représentative de l'algorithme de clustering non supervisé. Dans un groupe de patients apparemment bien assortis présentant un désordre neuropsychiatrique, le regroupement basé sur des données de modèle seulement a identifié des groupes au sein de la population qui n'étaient pas évidents sur des analyses standard. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 1 : La capture d'écran démontre l'époching des données d'EEG. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 2 : Capture d'écran démontre les étapes essentielles du prétraitement. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 3 : Capture d'écran démontre le filtrage des fréquences d'intérêt. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 4 : Calcul des spectres des canaux et l'isolation des données au sein de différentes bandes. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 5 : Calcul des mesures de cohérence pour chaque paire d'électrodes. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 6 : Cartographier les mesures dérivées des cartes en couleur et de la visualisation. La figure 3 et la figure 4 montrent les extrants de l'échantillon. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 7 : Construction de matrices de covariance, analyse des composantes principales et comparaison des groupes en fonction des principaux composants. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 8 : Analyse de régions d'intérêt spécifiques en isolant des sous-ensembles de données. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure supplémentaire 9 : Dérivation d'une mesure de distance et utilisation d'un algorithme de regroupement pour identifier les groupes utilisant des techniques d'apprentissage non supervisées. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Discussion

La méthode décrite permet la dérivation de cartes statistiques de la dynamique des réseaux corticaux à partir de données EEG non invasives. Cela permet d'examiner des phénomènes qui ne sont pas facilement apparents lors de l'examen de données simples sur les séries chronologiques par l'évaluation de la façon dont les régions enregistrées interagissent les unes avec les autres, plutôt que d'évaluer ce qui se passe dans chaque endroit individuel isolation. Ceci peut révéler des perspicacités importantes dans la pathologie de la maladie¹⁸.

L'aspect essentiel de cette méthode est d'assurer la qualité des données. Une évaluation rigoureuse des données, le rejet des artefacts et le prétraitement sont nécessaires pour s'assurer que les données sont d'une qualité suffisante pour produire des résultats significatifs. Si les données utilisées sont de qualité appropriée, le composant d'extraction des fonctionnalités peut être facilement modifié pour modéliser les interactions réseau dans des régions d'intérêt spécifiques seulement, ou dans des limites de fréquence arbitraires, ainsi que la modélisation d'interactions complexes à travers régions et bandes de fréquences spécifiques.

Cette approche est limitée par la grande dimensionnalité des résultats produits, qui peuvent rapidement produire d'énormes quantités de données si de nombreux canaux sont utilisés. Cela peut limiter l'interprétabilité des résultats bruts et entraîner de longs temps de calcul. L'utilisation de techniques de réduction de la dimensionnalité, telles que l'analyse des composants principaux²³, est donc nécessaire pour permettre des comparaisons statistiques significatives entre les groupes sans avoir besoin d'effectuer un grand nombre de tests statistiques. En outre, l'utilisation des cartes réseau de haute dimension produites pour faciliter la prise de décision peut nécessiter l'utilisation de classificateurs d'apprentissage automatique pour permettre l'intégration des grandes quantités de données, qui ne sont pas facilement interprétables manuellement et ne peuvent pas être facilement réduites à une seule mesure²⁴.

Cette approche offre une capacité beaucoup plus grande d'étudier les changements dans la dynamique du réseau que les séries chronologiques brutes de l'EEG, tout en offrant des avantages significatifs par rapport aux techniques d'imagerie telles que l'IRM fonctionnelle, y compris la facilité d'accessibilité, le coût et un temps plus long. résolution. Les applications futures de cette méthode au sous-typage de la maladie neurologique, à la prévision de la réponse de traitement, et au pronostic de la maladie offrent la possibilité d'augmenter considérablement l'utilité clinique des technologies cliniques actuelles d'EEG par l'amélioration méthodes d'analyse des données.

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