Non-invaziv Elektroensefalogramlar Kullanarak Kortikal Bağlantının İstatistiksel Modellemesi

Summary

Standart EEG analiz teknikleri sinir sistemi fonksiyonu hakkında sınırlı bilgi sunar. Kortikal bağlantıistatistiksel modeller türetilmesi, altta yatan ağ dinamiklerini araştırmak için çok daha fazla yetenek sunar. Geliştirilmiş fonksiyonel değerlendirme sinir sistemi hastalıklarında tanı, prognostikasyon ve sonuç tahmini için yeni olanaklar sunar.

Abstract

Non-invaziv elektrofizyolojik kayıtlar sinir sistemi fonksiyonunun değerlendirilmesi için yararlıdır. Bu teknikler, görüntülemeden daha ucuz, hızlı, çoğaltılabedilebilir ve daha az kaynak yoğundur. Ayrıca, üretilen fonksiyonel veriler, yapısal görüntüleme ile elde edilemez mükemmel zamansal çözünürlüğe sahiptir.

Elektroensefalogramların (EEG) mevcut uygulamaları veri işleme yöntemleri ile sınırlıdır. Tek tek kanallarda ham zaman serisi verilerini kullanan standart analiz teknikleri sinir sistemi aktivitesini sorgulamanın çok sınırlı yöntemleridir. Kortikal fonksiyon hakkında daha ayrıntılı bilgi kanallar arasındaki ilişkileri inceleyerek ve alanların nasıl etkileşime girdiğine ilişkin istatistiksel modeller üreterek ağlar arasındaki bağlantının görselleştirilmesine olanak sağlar.

Bu makale, eeg'yi standart bir şekilde kaydederek kortikal ağ aktivitesinin istatistiksel modellerini elde etmek için bir yöntemi açıklar, daha sonra kaydedilen alanlar arasındaki ilişkileri değerlendirmek için elektrotlar arası tutarlılık ölçütlerini inceler. Daha yüksek sıralı etkileşimler, ağ etkileşimlerinin yüksek boyutlu "haritaları" üreterek, tutarlılık çiftleri arasındaki tutarlılık değerlendirilerek daha fazla incelenebilir. Bu veri yapıları kortikal ağ fonksiyonu ve patoloji ile ilişkisini geleneksel tekniklerle ulaşılamayan şekillerde değerlendirmek için incelenebilir.

Bu yaklaşım, ham zaman serisi analizi ile ulaşılabilecek daha ağ düzeyi etkileşimleri için daha fazla duyarlılık sağlar. Bununla birlikte, altta yatan nöral popülasyonlar ve üretilen yüksek hacimli veriler hakkında belirli mekanik sonuçlar çıkarmanın karmaşıklığı ile sınırlıdır ve boyutsallık da dahil olmak üzere değerlendirme için daha gelişmiş istatistiksel teknikler gerektirir. azaltma ve sınıflandırıcı tabanlı yaklaşımlar.

Introduction

Bu yöntem, sinir sistemi patolojisinin araştırılmasına, yeni tedavilerin etkisine ve yeni romanın gelişimine olanak sağlamak amacıyla, klinik olarak uygun bir kurulum kullanarak kortikal ağların invaziv olmayan elektrot kayıtlarına dayalı istatistiksel haritalar oluşturmayı amaçlamaktadır. elektrofizyolojik biyobelirteçler.

EEG sinir sistemi fonksiyonu ve hastalık 1 soruşturma için büyük bir potansiyel sunuyor^1,2. Bu teknoloji ucuz, kolayca araştırma ve klinik ortamlarda kullanılabilir, ve genellikle iyi tolere. Kayıtların basit, non-invaziv doğası klinik kullanımı basit hale getirir ve klinik EEG departmanlarının mevcut çerçevesi klinisyenler için teknolojiye kolay erişim sağlar.

Teknik açıdan Bakıldığında, EEG mükemmel zaman etki alanı çözünürlüğü³sunuyor. Sinir sistemi etkileşimleri ve ağ dinamiklerinin hızlı zaman ölçekleri nedeniyle sinir sistemi fonksiyonu araştırılırken bu büyük önem taşımaktadır. Fonksiyonel MRG gibi görüntüleme yöntemleri daha fazla uzamsal çözünürlük ve kolayca yorumlanabilir görüntüler sunarken, elektrofizyolojik kayıtların sunduğu ince zaman ölçeklerinde sinir sistemi fonksiyonlarını sorgulama yetenekleri çok daha sınırlıdır. ^4,5,6.

Sinir sistemi hastalıklarının tanı, tedavi ve prognostiğini bildirmek için sinir sistemi fonksiyonunu sorgulama yeteneğine ihtiyaç artmaktadır. Sinir sistemi patolojisinde kortikal ağ dinamiğinin rolü giderek daha fazla kabul edilmektedir⁷. Sinir sisteminin birçok patolojisi geleneksel görüntüleme ile görünür makroskopik yapısal lezyonlar üretmek, ancak ağ düzeyinde üretilen anormallikler uygun fonksiyonel analiz yöntemleri ile belirgin olabilir.

Ne yazık ki, mevcut EEG analiz yöntemleri bu konuda büyük ölçüde sınırlıdır. Geleneksel yöntemler, tek tek elektrotlardan elde edilen basit zaman serisi verilerinin analizini içerir. Bu sinyaller büyük kortikal alanlarda alan potansiyellerinin toplamı temsil^3,8. Görsel inceleme veya basit istatistiksel yöntemlerle izole olarak izole edilen kanallardan elde edilen verilerin analizi, bu kayıtların yararlılığını, ayrı, ayrı konumlardaki brüt elektrofizyolojik anormalliklerin saptanmasıyla sınırlar. Sinir sistemi fonksiyonu ve patolojisi için ağ düzeyindeki etkilerin öneminin giderek daha fazla tanınması ile, bu basit analiz yöntemleri açıkça sinyalleri arasındaki ince ilişkileri tespit etmek için başarısız olacak, temsil kortikal alanların ağ düzeyinde birbirleriyle nasıl etkileştiğine yönelik anormallikler.

Düşük boyutlu elektrot kayıtlarından kortikal ağ bağlantısının istatistiksel haritalarını elde etme yöntemi gösterilmiştir. Bu yöntem, geleneksel analiz teknikleri ile mümkün olmayan bir şekilde değişen beyin bölgeleri arasındaki etkileşimdinamikleri incelenmesine olanak sağlar, hem de bu ağ etkileşimleri görselleştirme. Bu, daha önce mümkün olmayan şekillerde yüksek zaman etki alanı çözünürlüklerinde ağ düzeyi etkilerinin non-invaziv araştırma olanağı nı açar. Bu yöntem elektrot lar arası tutarlılık önlemlerinin türemiş türemiş dayanmaktadır^9,10. Bu önlemler, bu alanların kayıtları arasındaki istatistiksel ilişkileri değerlendirerek kaydedilen iki bölgenin nasıl etkileşime girdiğinin araştırılmasına olanak sağlar¹¹. Kaydedilen her alanın diğer tüm kaydedilen alanlarla nasıl etkileştiğini değerlendirerek, kaydedilen alanlar içindeki elektrofizyolojik ağların istatistiksel bir haritası yapılabilir. Bu, tek tek kanal verilerinin tek tek ayrı değerlendirilmesinde belirgin olmayan işlevsel ilişkilerin keşfedilmesine olanak tanır.

Bu makalenin odak noktası nöral zaman serilerinde tutarlılık kullanımıdır. Şu anda, kortikal bağlantı modelleri türetmek için çift yönünde bir şekilde kanallara uygulanabilir zaman serisi verileri arasındaki ilişkileri araştırmak için teknikler vardır. Bazı yöntemler, ilgili kısmi yönelimli tutarlılık^12,13, daha iyi altta yatan ağların yapısını karakterize etmek için araştırılan sinyalleri çiftin inetki yönünü çıkarmak için, diğer granger nedensellik^14,15gibi yöntemler, başka bir veri tahmin etmek için bir sinyal yeteneği ile fonksiyonel ilişkiler çıkartmak için çalışır. Bu gibi yöntemler kortikal ağların yüksek boyutlu modellerini oluşturmak için benzer şekillerde uygulanabilir. Ancak, nöral sinyaller arasındaki ilişkileri araştırmak için bir araç olarak tutarlılık avantajları varsayımlar onun eksikliği yatıyor. Bu ilişkilerin işlevsel temeli hakkında açıklamalar yapmadan iki sitedeki kayıtlar arasındaki istatistiksel ilişkileri araştırmak ve tamamen istatistiksel ilişkilere dayalı bir kortikal bağlantı modeli oluşturmak mümkündür. bu sinyalleri üreten kortikal ağlar hakkında en az varsayımlar.

Bu önlemlerin tamamen matematiksel doğası nedeniyle, kafa derisi elektrot kayıtlarının tutarlılık ölçüleri ile altta yatan nöral aktivite arasındaki ilişki^{karmaşıktır 16,17}. Bu yöntemler karşılaştırma için elektrot kayıtları arasındaki ilişkileri açıklayan istatistiksel yapılar türetme sağlarken, belirli altta yatan nöral popülasyonların aktivitesi hakkında doğrudan nedensel çıkarımlar yapma basit^3,8,16,17. Bu yaklaşımlar, potansiyel olarak yararlı biyobelirteçleri belirlemek için gruplar arasındaki ağ düzeyindeki aktivitenin karşılaştırılmasına olanak sağlar, ancak bu belirteçlerin belirli nöral mekanizmalarla ilişkisine ilişkin özel sonuçlar çıkarma açısından sınırlıdır. Bu kafa derisi düzeyinde kaydedilen elektrik sinyalleri belirli kortikal kaynağı tahmin ile ilgili sorunların yanı sıra, kaydedilen aktivite³etkileyen kafa karıştırıcı faktörlerin çok sayıda kaynaklanmaktadır⁸. Bunun yerine, bu yaklaşımlar, ağ düzeyinde^18'de farklılıkların mevcut olduğunu belirlemek için gruplar arasında sorgulanabilen ve karşılaştırılabilir istatistiksel aktivite modelleri üretebilir ve bunlara dayalı yeni biyobelirteçler üretmek için kullanılabilir Yapıları. Ancak, bu yöntemler tek başına belirli mekanizmalar ve nöral faaliyetler için temel sistemin karmaşıklığı nedeniyle görülen farklılıklar ilişki sınırlı bir kapasiteye sahiptir.

Tutarlılık gibi ağ önlemlerinin kullanımı iyi sistemleri^{nöroloji16,17}kurulmuştur. Kortikal fonksiyonumodelleme ve araştırmak için bu yaklaşımların tam potansiyeli, bu yüksek boyutlu veri yapılarının sömürülmemesi ile sınırlandırılmıştır. Bu çalışma, bu önlemlerin eeg kanallarına, sadece kortikal bölgelerdeki elektriksel aktivite arasındaki istatistiksel ilişkiye dayalı yüksek boyutlu bir özellik alanına veri haritalayabilmek için çift yönlü olarak uygulanmasının mümkün olduğunu göstermektedir. Ayrıca, modern istatistiksel teknikler kullanılarak, modelleme sürecinde elde edilen bilgileri kaybetmeden bu modelleri araştırmak için kortikal fonksiyonun oluşturulan modellerini kullanmak mümkün olduğunu göstermektedir.

Bu yöntem, mevcut EEG teknolojilerinin uygulamalarının kapsamını genişletmede, mevcut kayıt ekipmanlarına adaptasyon gerektirmeden yararlı işlevsel önlemler alma yeteneğini geliştirmede potansiyel olarak değerlidir^18,19 . Kortikal fonksiyonu modelleme ve bu modelleri sorgulama yeteneğini geliştirerek, EEG verileri kullanılarak araştırılabilen sorular genişletilir. Bu daha fazla nörolojik hastalığın araştırılması için fonksiyonel ve yapısal değerlendirmelerin daha fazla entegrasyon olasılığını açar^20,21. Bu yaklaşım, zaten klinik olarak yaygın olarak kullanılabilir teknolojiyi kullanarak, yüksek zamansal ve mekansal çözünürlük ile kortikal patolojilerin araştırılmasına olanak sağlayacak.

Protocol

Aşağıdaki deneysel protokol, insan araştırmaları için tüm yerel, ulusal ve uluslararası etik yönergelerine uygundur. Protokolü test etmek için kullanılan veriler, Bölge Toskana-protokolü 2018SMIA112 SI-RE Etik Komitesi'nin onayı ile elde edilmiştir.

NOT: Açıklanan analizleri uygulamak için kullanılan komut dosyaları https://github.com/conorkeogh/NetworkAnalysis mevcuttur.

1. Ham Veri Toplama

1. Konu koşullarını hazırlayın.
   1. Kayıtlar arasında tutarlılık sağlamak için, tüm EEG kayıtlarını özel bir kayıt ortamında gerçekleştirin. Dikkat dağınıklığı önlemek için kayıt sırasında yapılacak görevle doğrudan ilgili olmayan tüm ekipmanı veya uyaranları ortamdan çıkarın.
      NOT: Dinlenme durumu kayıtları yapılacaksa, odadaki tüm dikkat dağıtıcı kaynakları kaldırın ve çevredeki yenilikleri kaldırmak için kayıt oturumundan önce nesneleri kayıt ortamına maruz bırakın.
   2. Yapılacak görevle ilgili olarak özneye açık talimatlar sağlayın. Ekipman kurulduktan sonra, hareket ve dikkat dağınıklığı en aza indirmek için kayıt başlamadan önce çevreye alışmak için kayıt ortamında konuyu yalnız bırakın.
   3. Deneğin zihinsel engelli olması durumunda, stresi sınırlamak için çevreye alışması için gerekli zamanı ona verin. Bazen bu birden fazla ziyaret ve kayıt odasında uzun bir süre kalmak gerektirebilir.
2. Elektrotları dağın.
   1. Elektrot kapağını hastanın kafasına takın ve doğru hizalamayı sağlamaya özen takın. Kafa derisinden başlayarak ve kireçle elektriksel temas kurmak ve sinyal-gürültü oranını artırmak için yavaşça kapak yüzeyine çekilerek elektrot bağlantı noktalarının her birine iletken jel enjekte edin.
   2. Elektrot kapağına 10−20 sistemine dayalı önceden belirlenmiş bir elektrot montajı ile elektrot takma. Uygun yer elektrotlarını (örn. mastoid proseslerine) takın.
3. EEG'yi ayarlayın.
   1. Tüm elektrotları elektrofizyolojik kayıt sistemine bağlayın. Kayıt sistemini uygun bir dijital kayıt ortamına bağlayın.
   2. Ofsetin uygun aralıkta olduğundan emin olmak ve aşırı kanal gürültüsünü önlemek için tüm kayıt kanallarını inceleyin. Bir kanalaşırı ofset veya gürültü varsa, elektrot siteleri arasında köprü neden önlemek için özen, elektrik bağlantısını geliştirmek için ek iletken jel eklenebilir.
   3. Kaydın başladığı konuya talimat ver ve tüm gereksiz hareketlerden kaçının. Uygun kayıt kalitesini doğrulamak için kısa bir test kaydı yapın.
4. Kayıt için davranışsal görevi hazırlayın.
   1. Konuyla ilgili tüm görevle ilgili yönergeleri netleştirin. Tüm gereksiz hareketlerden kaçınmanın önemini yineleyin.
   2. Kaydın açıkça kararlaştırılan bir sinyalle başlayacağını açıklayın (örn. kayıt ortamı kapısının çalınması). Konuyu kayıt ortamında bırakın. Kayda başla. Kararlaştırılan sinyali konuya verin.
   3. Görevin veya dinlenme durumunun tamamlanmasının ardından, kaydı durdurun, kaliteyi sağlamak için verileri görsel olarak inceleyin ve verileri kaydedin.

2. Veri Önİşleme

NOT: Veri hazırlama ve özellik çıkarma boru hattı Şekil 1'degösterilmiştir.

1. Yazılımı hazırlayın.
   1. Analiz edilecek EEG verilerini veri analizi ortamına yükleyin. EEGLab 22 gibi gerekli ek komut dosyası kitaplıklarını^yükleyin.
2. Gerekirse tüm kanalları karşılık gelen konumlarda olan tüm kayıtları aynı veri biçimine dönüştürün.
   1. Hareket yapıtlarının kontaminasyonunu azaltmak için her kaydın başlangıcını ve sonunu (örn. 5 dakika) atın. Verileri göreve göre çağlara veya dinlenme durumu kaydıysa önceden belirlenmiş süreye (örn. 10 dk) bölün. Uygulamanın gösterimi için NetworkAnalysis_Demonstration.m (bölüm Özellik Çıkarma) ve Ek Şekil 1'e bakın.
      NOT: Çağın uzunluğunun seçilmesi tutarlılık ölçüleri üzerinde önemli etkilere sahip olabilir. Sinyaller arasındaki gerçek ilişkilerin, fark edilmeyen yapıları veya aşırı ağırlıklandırmaya sahip geçici, sahte senkronizasyonları önlemek için hesaplamalarda ortaya çıkmasını sağlamak için yeterli uzunluktaki çağlar kullanılmalıdır. Ancak, bu çalışmada on dakikalık çağlar ayrıntılı eser reddi aşağıdaki on bir dakikalık çağlar ortalama karşılaştırıldığında genel ağ yapısı istatistiksel olarak anlamlı bir fark yoktu.
3. Dönem verilerini görsel olarak inceleyerek ve görsel olarak uygun olmayan verileri reddederek yapı reddi gerçekleştirin.
   NOT: Açıklanan modelleme tekniği sinyaller arasındaki ilişkilere dayandığından, yapıtların tam olarak reddini sağlamak esastır. Bunlar kanal verilerini bozarak yapay artışlara (yapı birden çok kanalda temsil ediliyorsa) yol açabilir veya (yapı yalnızca bazı kanallarda temsil ediliyorsa) tutarlılık ölçülerini azaltabilir.
   1. Kayıtlardaki kötü kanalları tanımlayın.
      1. Yüksek geçiş filtresi verileri 0,5 Hz'de, satın alma sisteminin kayan zemini nedeniyle taban çizgisi sürüklenmesini kaldırmak için kullanılır.
      2. Uygun istatistiksel ölçütleri karşılayan tüm kanalları seçin (örneğin, standart sapma ortalamasının üç katından fazla veya üçte birinden daha azına sahip olan kanalları).
         NOT: Nöral kaynaklardan kaynaklanmış olması beklenmeyen verilerle kanalların kaldırılması, ağ modellerine sahte ilişkilerin girmesini önler.
      3. Uygun olup olmadıklarını belirlemek için bu kanalları inceleyin.
      4. Mümkünse uygun olmayan kanallarla çağları reddedin. Alternatif olarak, kötü kanalları hariç takın ve bu kanallardaki verileri enterpolasyona tabi tut (örneğin, EEGLab'ın spline enterpolasyon algoritmasını kullanarak).
         NOT: Çok sayıda kanal arasında veya yalnızca az sayıda kayıt kanalıyla interpolasyon, çözümleme için uygun olmayan veriler oluşturabilir. Ayrıca, bu veri setine yeni bir bilgi getirmez ve enterpolasyonlu sinyaller ile türetildiği sinyaller arasında yapay olarak yüksek tutarlılık ölçülerine neden olabilir.
   2. Kalan çağlarda bağımsız bileşen analizini gerçekleştirin (örn. EEGLab'ın ICA işlevini kullanarak). Türetilen bileşenleri görsel olarak inceleyin ve görsel olarak uygun olmayan verileri reddedin.
   3. Görsel incelemede hemen belirgin olmayan potansiyel yapıları belirlemek için uygun istatistiksel eşikleri uygulayın (örn. aşırı değerlere veya anormal spektrumlara dayalı). Bunları inceleyin ve reddin uygun olup olmadığını belirleyin.
   4. Bağımsız bileşen çözümlemesi ve kalan çağlarda eser tanımlamatekrarlayın.
   5. Daha fazla analiz için kaydedilecek veri dönemlerini tanımlayın. Reddedilen tüm veri dönemlerini atın. Daha fazla analiz için ileriye alınacak tüm çağları belirleyin.
      NOT: Konu başına yalnızca bir dönem gerektiğinde, daha fazla analiz için ilk uygun çağı seçin.
4. Verileri hazırlamak için, uzun süreli kayıtlar sırasında taban çizgisinin etkisini önlemek için tüm kanalların ortalamasını kayıtlardan çıkararak kayıtların taban çizgisini düzeltin. Tüm kanalları uygun bir referansa (örn. yer elektrodu veya tüm kanalların ortalaması) yeniden yönlendirin. Uygulama örnekleri için NetworkAnalysis_Demonstration,m, NetworkAnalysis_Preprocess ve Ek Şekil 2'ye bakın.
   NOT: Başvuru seçiminin ağ ölçüleri üzerinde önemli etkileri olabilir. Referans verileri tüm analiz edilen kanallardan "çıkarılır" diye, referans kanalında temsil edilen tüm nöral veriler çıkarılır ve böylece model oluşumuna katkıda bulunmaz. Mastoid süreci gibi hemen altta yatan nöral yapılar olmadan kemik çıkıntıları üzerinde kaydedilen referans sinyalleri kullanmak yaygın bir uygulamadır. Ancak, bunlar kafa derisi aracılığıyla hacim iletim etkileri nedeniyle nöral veriler tarafından bozulabilir ve bu nedenle referansa göre konuma göre farklı olarak ağ ölçülerini bozabilir. Sonuç olarak, durum verilerini dinlendirmek için başvuru olarak tüm kafa derisi kanallarının ortalamasını kullanmak en iyisidir. Bu, tüm kanallar başvuruya katkıda bulunduğundan, tüm verilerin belirli bir uzamsal konuma göre başvurulmaması, ölçümleri bozduğu anlamına gelir. Bu, görünen genel etkinliği sönümleme gibi etkilere sahip olabilir ve bazı kanallarda çok güçlü bir şekilde temsil edilen sinyalleri çıkararak önlemleri bozabilir ve böylece ortalamaya büyük ölçüde katkıda bulunabilir. Bu, etkinlik ve olayla ilgili sinyaller için daha büyük bir sorundur, ancak genellikle dinlenme durumu verileri ile durum böyle değildir.
   1. İlgi sıklıklarını yalıtmak için tüm kanalları dijital olarak filtreleyin (örn. 1 Hz-50 Hz). Uygulama örnekleri için NetworkAnalysis_Demonstration, NetworkAnalysis_Preprocess ve Ek Şekil 3'e bakın.
      NOT: İncelenen aralığın uçlarında frekansların bozulmasını ve diğer ad efektlerini önlemek için amaçlanan analiz için uygun frekans limitlerinin ve filtre parametrelerinin kullanılmasını sağlayın. Sıfır faz-shift 4^-siparişButterworth filtreler uygun şekilde gerçekleştirin. Uygun filtreleme, ilgi alanı etkinliğinin modelleme için yalıtılmış olmasını sağlar. Geniş bir aralıkta bile (örneğin, 1 Hz-50 Hz), bu yüksek frekanslı eserler ve düşük frekanslı temel gezinme kanallar arasında tutarlı olarak yorumlanmamasını sağlar, çarpık önlemler.

3. Özellik Çıkarma

1. Spektral gücü değerlendirin.
   1. Değerlendirilecek tüm frekans aralığında analiz edilen her kanalın Fourier dönüşümünü gerçekleştirerek genel güç spektrumunu hesaplayın (örn. 1 Hz-50 Hz).
   2. Etkinliği tek tek frekans bantlarında değerlendirin: 4 Hz-8 Hz'de teta bandı izole edin. 8 Hz-12 Hz'de alfa bandı izole edin. Beta bandı 12 Hz-30 Hz.'de izole edin. Delta bandını 0,5 Hz-4Hz'de izole edin. , 30-50 Hz). Frekans bantlarının spektrum türevi ve izolasyonunun uygulanmasına örnekler için NetworkAnalysis_Demonstration.m, NetworkAnalysis_FeatureExtraction ve Ek Şekil 4'e bakın.
      NOT: EEG verileri geleneksel olarak araştırma için frekans "bantları" olarak ikiye ayrılır. Bunlar öncelikle keşfedildikleri sıraya göre adlandırılır ve belirli bant genişlikleri biraz değişir. Belirli frekanslarda salınımların işlevsel önemi aktif bir araştırma alanı olmaya devam etmektedir. Belirli bantlar içindeki salınımların, oksipital bölgede gözler kapalı yüksek genlikli bir alfa dalgasının ortaya çıkması gibi spesifik nöral aktivitelerle ilişkili olabileceği düşünülmektedir, ancak nöral fonksiyonlar ile EEG kayıtlarındaki salınım aktivitesi belirsizliğini korumaktadır.
   3. Tek tek kanal spektrumlarının ortalamasını hesaplayarak tüm kafa derisi boyunca genel gücü değerlendirin. Göreceli güç ölçüsü vermek ve koşullar arasında daha doğru karşılaştırmalar sağlamak için genel güç ile ilgili olarak bireysel bantlarda güç normalleştirin.
2. Ağ eşleme gerçekleştirin.
   1. Elektrot lar arası tutarlılık ölçüsü oluşturarak ilk elektrot çifti arasındaki etkileşimleri değerlendirin:
      
      Uygulama örnekleri için NetworkAnalysis_Demonstration, NetworkAnalysis_FeatureExtraction ve Ek Şekil 5'e bakın.
      1. İki kanalın çapraz spektrumlarını hesaplayın:
         
         1. Her sinyalin Fourier dönüşümünü hesapla, X ve Y
            
         2. Çapraz spektrumu hesaplayın:
            
            Nerede: t örnekleme aralığı, T kayıt uzunluğu, X xFourier dönüşümü , ve Y^* Ykarmaşık eşleç olduğunu .
         3. Negatif frekansları ve doğru ölçüleri yoksay. Bilgisayar frekans ekseninin ikinci yarısı gerçek değerli sinyaller durumunda göz ardı edilebilir ve güç ölçüleri bunu düzeltmek için iki ile çarpılır.
            NOT: Bu, x ve y'ninçapraz korelasyonunun Fourier dönüşümüne eşdeğerdir.
      2. Her iki kanalın güç spektrumları ile çapraz spektrumu normalleştirin: .
         1. Her sinyalin Fourier dönüşümünü hesapla:
            
         2. Güç spektrumu hesaplayın:
            
            Nerede: t örnekleme aralığı, T kayıt uzunluğu, X xFourier dönüşümü , ve X^* Xkarmaşık eşleç olduğunu .
         3. Negatif frekansları ve doğru önlemleri göz ardı edin: gerçek değerli sinyaller söz konusu olduğunda bilgisayar frekans ekseninin ikinci yarısı göz ardı edilebilir ve güç ölçüleri bunu düzeltmek için iki ile çarpılır.
         4. Çapraz spektrumu normalleştirmek ve tutarlılık ölçüsü elde etmek için hesaplanan güç spektrumunu kullanın:
            
            NOT: Bu Coluşturur , frekanslarda x ve y sinyalleri arasındaki tutarlılık bir ölçüsüdür. Bu, incelenen frekanslarda bu sinyaller arasındaki ilişkinin bir ölçüsüdür, 0'dan 1'e kadar bir ölçekte ölçülür. Tüm zaman noktalarında incelenen iki sinyal arasında sabit bir faz ilişkisi nin olduğu durumlarda, tutarlılık 1 değerine sahip olacak ve bu frekanslarda sinyaller arasında güçlü bir ilişki olduğunu gösterir ve bir sinyaldeki aktivitenin işlevsel olduğunu gösterir. diğer etkinlik le ilgili (yani, ikisi arasında iletişim olduğunu). İki sinyal arasında faz ilişkisi nin olmadığı durumlarda, tutarlılık sinyallerin ilişkili olmadığını gösteren 0 değerine sahip olacaktır.
   2. Her elektrot çiftindeki sinyaller arasında faz stabilitesi ölçüsü geliştirmek için her benzersiz elektrot çifti için bu işlemi tekrarlayın ve tüm elektrotlar arasında işlevsel bağlantı modeli geliştirin.
      NOT: N elektrotların montajı için bu tutarlılık önlemleri üretecektir. Bu, kaydedilen sinyaller arasındaki ilişkilere dayalı olarak ölçülen zaman serisi verilerinin yüksek boyutlu bir düzleme eşlenemesini temsil eder ve bu etkileşimlerin doğasının araştırılmasını sağlar.

4. Veri Görselleştirme

1. Spektral güç analizini yapın.
   1. Güç matrislerini inceleyin.
      1. Her sütunun bir elektrot konumu olduğu, her satırın bir frekans bandı olduğu ve her hücrenin o bölgedeki spektral güç olduğu iki boyutlu bir veri yapısına görselleştirilecek spektral gücün ölçümlerini haritalayın.
      2. Karşılaştırılacak tüm koşullardaki maksimum ve minimum güç düzeylerini belirleyin. Bunları tüm koşullar için en fazla ve en az olarak ayarlayın. Belirlenen maksimum ve minimum renkler arasındaki spektral güç değerlerini eşleyin. Her bir frekans bandındaki spektral gücü her elektrot konumunda görselleştiren bir renk haritası dışa aktarın(Şekil 2).
   2. Topografik haritalama yapın.
      1. Kullanılacak 10-20 sistem elektrot konumlarının her birinin etiketlerini içeren bir veri yapısı oluşturun. EEGLab'ın topoplot() işlevini kullanarak, spektral güç verileri, tanımlanan maksimum ve minimum, ve kanal listesi, kafa derisi üzerinde spektral güç dağılımı haritalama bir arsa oluşturmak.
2. Tutarlılığı değerlendirin.
   1. Tutarlılık matrislerini inceleyin.
      1. Her sütunun bir elektrot konumu olduğu, her satırın bir elektrot konumu olduğu ve her hücrenin karşılık gelen elektrot çifti arasındaki tutarlılık olduğu iki boyutlu bir veri yapısına görselleştirilecek elektrot tutarlılığının ölçümlerini haritalayın.
      2. 0 ve 1 arasındaki tutarlılık değerlerini renklerle eşleyin. Kullanılan frekans sınırları içinde her elektrot çifti arasındaki elektrot tutarlılığını görselleştiren bir renk haritası dışaaktarın (Şekil 3). İncelenecek her frekans bandı için bu yordamı tekrarlayın. Uygulama örnekleri için Ek Şekil 6 ve produce_plots.r'ye bakınız. Örneğin çıktı için Şekil 3'e bakın.
   2. Ağ görselleştirmegerçekleştirin.
      1. Kortikal alanlar arasındaki daha yüksek sıralı etkileşimleri görselleştirmek ve ağ dinamiklerini haritalamak için, her elektrot çiftinin tutarlılık ölçüsünün genel spektrumdaki ve belirli bantlar içindeki diğer tüm benzersiz elektrot çiftlerininkilerle nasıl bir arada olduğunu hesaplayın.
      2. Bu tutarlılık ölçülerini renklerle eşleyin. Ağ dinamiklerini içindeki ve frekans genelinde bantları görselleştiren bir renk eşlemi dışa aktarın. Uygulama örnekleri için produce_plots.r bölümüne bakın. Örneğin çıktı için Şekil 4'e bakın.

5. Ağ Modellerinin Analizi

NOT: Elde edilen modellere modern istatistiksel yöntemlerin uygulanması kortikal işlevi araştırmak için yüksek boyutlu ağ özelliği alanında modellenmiş ilişkileryararlanarak sağlar. Bireysel önlemlerin geleneksel karşılaştırmalarına veya tutarlılık önlemlerinin ortalamalarına göre avantaj sağlayan bir dizi yaklaşım alınabilir. Bu ağ modellerinin kolaylaştırdÄ±Ä Ä± potansiyel yaklaŠımlardan bazıları aşağıda özetlenmiştir. Bunlar yalnızca yüzeysel olarak ağ modellemenin olası uygulamalarının göstergesi olarak tartışılır, çünkü her tekniğin ayrıntılı bir tartışması mevcut çalışmanın kapsamı dışındadır.

1. Boyutsallık azaltma gerçekleştirin.
   NOT: Bireysel değişken düzeyindeki karşılaştırmalar, oluşturulan modellerin temsil ettiği ilişkilerden yararlanamayırken, oluşturulan boyutsal yapılardaki tüm ölçüler üzerinde karşılaştırmalar yapmak sorunlu çok sayıda karşılaştırma yapılması ve istatistiksel modellerde yer alan üst düzey bilgilerin entegre edilememesi. Model oluşturma işlemi tarafından oluşturulan bilgileri korurken, yüksek boyutlu verilerin daha düşük boyutlu bir alana eşlenmesi, modellerin veri açısından zengin yapısından tam olarak yararlanırken anlamlı karşılaştırmaların yapılmasına olanak sağlar.
   1. Temel bileşen çözümlemesi kullanılarak oluşturulan istatistiksel modellerde genel ağ dinamiklerini temsil eden gruplar arasında karşılaştırma için önlemler elde edin. Uygulama örneği için NetworkAnalysis_Demonstration.m ve Ek Şekil 7'ye bakın.
      1. Yukarıdaki gibi, çift uyumluluk önlemleri için bir covariance matris ilerler. Bu boyutsal bir covariance inşa üretecek nerede . Bu nedenle bu model son derece yüksek boyutludur ve yukarıda belirtildiği gibi üst düzey ağ ilişkilerinin görselleştirilmesine olanak sağlar.
      2. Covariance matrisini özvektörlere ve karşılık gelen özdeğerlere ayrıştırın. Bu, mevcut önlemlerle sınırlandırılmadan, en büyük varyansı içeren model özellik alanı içindeki eksenlerin tanımlanmasına olanak tanır.
      3. Modeldeki en büyük varyans oranını hesaba katanları belirlemek için eigenvectors'u karşılık gelen özdeğere göre sırala.
   2. Ağ modellerinden türetilen ilk ana bileşenleri karşılaştırın. Uygulama örneği için NetworkAnalysis_Demonstration.m ve Ek Şekil 7'ye bakın.
      NOT: İlk ana bileşen, modeldeki en büyük varyans derecesini hesaplar. Bu nedenle, bu ölçünün karşılaştırılması, model genelindeki genel ağ dinamiğinin tek bir istatistiksel testle gruplar arasında bir bütün olarak karşılaştırılmasına olanak sağlayarak, karmaşık ilişkilerin eşzamanlı olarak incelenmesine olanak sağlar ve birçok karşılaştırma ile ilişkili sorunlar.
2. İlgi alanı analizi yapın. Türetilen modeller tüm kortekste, tüm frekans bantları boyunca ağ bağlantısını temsil etmektedir. Belirli anatomik alanlara veya belirli bantlar içindeki fonksiyonlara ilgi varsa, modelin bu bölgeleri ayrı ayrı izole edilebilir ve analiz edilebilir.
   1. İlgi çekici anatomik bir bölge seçin.
      NOT: Analizin belirli anatomik alanlara sınırlandırılması, modelin bir bütün olarak analizinde belirgin olmayan ilişkileri belirlemek için belirli kortikal alanlar içinde veya arasında ağ etkinliğinin değerlendirilmesine olanak sağlar.
      1. Modeldeki tutarlılık verilerini anatomik ilgi alanlarıyla ilgili olarak tanımlayın.
      2. Bir covariance matrisi türetin ve ilgi bölgeleri içinde genel ağ mimarisinin ölçümlerini hesaplamak için yukarıda açıklandığı gibi ana bileşen analizi ni gerçekleştirin.
      3. Yukarıda belirtildiği gibi gruplar arasında ilgi anatomik bölgeler içinde ağ dinamikleri ölçütleri karşılaştırın.
   2. İşlevsel bir ilgi alanı seçin.
      NOT: Analizin belirli frekans bantlarıyla sınırlandırılması, ağ etkinliğinin belirli salınım frekansları içinde değerlendirilmesine olanak sağlar (Şekil 4).
      1. Anatomik analizlerde olduğu gibi, tutarlılık verilerini ilgi frekansı bantları içinde izole edin. Genel spektrum içindeki etkileşimleri yalnızca bir örnek olarak kullanarak uygulama örnekleri için NetworkAnalysis_Demonstration.m ve Ek Şekil 8'e bakın.
      2. İlgi bantları içinde genel ağ etkinliğinin ölçülerini elde etmek için temel bileşen çözümlemesi gerçekleştirin.
      3. Belirli salınım frekanslarında ağ farklılıklarını değerlendirmek için gruplar arasındaki ölçüleri karşılaştırın.
3. Makine öğrenimini kullanın.
   NOT: Modern istatistiksel öğrenme yaklaşımları, içlerinde temsil edilen üst düzey ilişkileri daha fazla sorgulamak için oluşturulan modellere uygulanabilir.
   1. Denetimli öğrenmeyi kullanın.
      NOT: Önceden tanımlanmış sınıflara sahip verileri kullanarak, kortikal ağların modelleri, yeni verileri sınıflandırmak için modeller tarafından temsil edilen karmaşık ilişkilerdeki imzaları tanımlamak için kullanılabilecek sınıflandırıcılar türetmek için kullanılabilir ve araştırma olanağını açar yeni tanı ve prognostik biyobelirteçler, vb. Ayrıca, modellerin içindeki özelliklerin altta yatan mekanizmalar hakkında bilgi edinmek için bu sınıflandırmaları yönlendirdiği araştırılabilir.
      1. Sınıflandırıcıları türetin. Önceden etiketlenmiş verileri kullanarak, ağ modellerini temel alan bir veri kümesinin sınıfını tahmin etmek için bir sınıflandırıcı türetilebilir.
         1. Verileri eğitim için konu verileri kümesine ve sınıflandırıcıyı sınayın.
         2. Etiketli eğitim verileri üzerinde destek vektör makinesi veya rasgele bir orman gibi bir sınıflandırma algoritması eğitin.
         3. Test verilerinde model tarafından eğitilmiş sınıflandırıcının performansını değerlendirin.
            NOT: Bu yaklaşımlar, yeni biyobelirteçler elde etmek için girdiler olarak istatistiksel modellerin kullanımına olanak sağlar.
      2. Sıralı eleme gerçekleştirin.
         NOT: Bir sınıflandırıcıeğitmek için modeli kullanarak, veriler yinelemeli olarak kaldırılabilir ve modelin hangi bileşenlerinin tahmin yeteneğini yönlendirerek temel mekanizmaların araştırılmasına olanak sağladığını belirlemek için eğitim süreci tekrarlanabilir.
         1. Yukarıda açıklandığı gibi model üzerinde bir sınıflandırıcı eğitin.
         2. Gruplar arasında en düşük değişkenliğe sahip model özelliğini kaldırın.
         3. Eğitim sürecini tekrarlayın ve performansı değerlendirin.
         4. Yinelemeli özellik kaldırma işlemini, performansa en çok katkıda bulunan özellikler tanımlanana kadar yineleyin. Bunlar, sınıflar arasında ayrım yapma yeteneğinden sorumlu model bileşenleridir.
   2. Denetimsiz öğrenme gerçekleştirin.
      NOT: Modelleri tek başına kullanarak, araştırılan gruplara ışık tutulabilir. Veriler, kayıtlar arasındaki ilişkilere dayalı olarak yüksek boyutlu yapılar olarak modellendirilerek, tek tek kayıtlar düzeyinde görünmeyen gruplar arasındaki ilişkiler belirginleşebilir. Kümeleme algoritmaları gibi denetimsiz teknikler, önceden tanımlanmış sınıflar tarafından sınırlandırılmadan modeller içindeki ilişkilerin araştırılmasına olanak sağlar.
      1. Öklid mesafesi gibi bir mesafe ölçütü kullanarak, ağ modeli tarafından tanımlanan alan içindeki nesneler arasındaki mesafe ölçülerini hesapla. Uygulama örneği için NetworkAnalysis_Demonstration.m ve Ek Şekil 9'a bakın.
      2. K-en yakın komşular gibi bir kümeleme algoritması kullanarak, model parametrelerine dayalı olarak veri içindeki grupları tanımlarlar (Şekil 5).
      3. Tek tek özelliklerin modeldeki gruplandırmalara nasıl katkıda bulundurak olduğunu araştırmak için yukarıda açıklandığı gibi sıralı bir eleme yordamı kullanarak bu yordamı tekrarlayın.
         NOT: Bu, türemiş modellerin, aksi şekilde belirgin olmayan veriler içindeki grupları tanımlamasına olanak tanır. Bu hastalık alt tipleri, patolojik gruplandırmalar, vb, sadece ağ düzeyinde belirgin türemiş için izin verebilir.

Representative Results

Spektral gücün ölçüleri ölçülen her frekans bandı için n ölçümü üretecek, burada kaydedilen kanal sayısı n'dir. Bu önlemler genel güç için desibel olacak. Gruplar ve koşullar arasında doğru karşılaştırmalar sağlamak için, tek tek frekans bantları içindeki güç ölçüleri göreceli güç (yani, o bant içindeki gücün temsil ettiği genel gücün oranı) olarak ifade edilmelidir.

Spektral gücün birden fazla bant ve kayıtlı kanallar arasında görselleştirilmesine örnek Olarak Şekil 2'degösterilmiştir. Spektral güç kafa derisi üzerinde enterpolasyonlu görselleştirilmiş olabilir, aktivite "kaynak" sınırlı tahmin sağlayan.

Elektrotlar arası tutarlılık ölçüleri her benzersiz elektrot çifti için bir ölçü üretir (yani, n kaydedilen kanal sayısıdır). Bu önlemlerin her biri 0 ile 1 arasındadır ve 0 kayıtlar arasında tutarlılık temsil etmez ve 1 kayıtlar arasındaki tutarlılığı temsil eder. Bu, bir alandaki etkinliğin başka bir alandaki faaliyete bağlı olarak ne ölçüde değiştiğini ve etkileşim ve zaman gecikmesi yönünde farklılıklara izin veren bir ölçüdür. Daha yüksek tutarlılık değerleri, kaydedilen alanların birbirleriyle iletişim halinde olduğu açıkça anlaşılan alanlar arasındaki etkileşimleri önerir. Her benzersiz elektrot çifti arasındaki etkileşimleri ölçerek, kaydedilen kanalların nasıl etkileşime girdiğine dair istatistiksel bir harita oluşturulabilir. Bu, geleneksel yöntemlerde olduğu gibi, tek tek alanlara tek tek odaklanmak yerine alanların nasıl iletişim kurduğunun araştırılmasına olanak sağlar. 8 elektrotlu montaj için tutarlılık ölçülerinin görselleştirilmesine örnek olarak Şekil 3'tegösterilmiştir.

Bu tutarlılık önlemleri hızla büyük hacimlerde veri üretir ve her bir ölçünün tek tek istatistiksel testler ile analizini savunulamaz bir strateji haline getirir. Ayrıca, tüm kortikal ağlar arasındaki etkileşimleri göz önünde bulundurarak, bireysel etkileşimleri araştırmak mutlaka ilginç veya anlamlı değildir. Temel bileşen analizi gibi boyutsallık azaltma teknikleri, geleneksel istatistiksel yöntemler kullanılarak genel ağ dinamiklerinin karşılaştırmasını kolaylaştırmak için bu istatistiksel yapılardan alınan önlemlerin değerlendirilmesine olanak sağlar. Makine öğrenimi tekniklerini kullanarak sınıflandırıcı tabanlı yöntemler, verileri sınıflandırmak ve sonuçları tahmin etmek için bu yüksek boyutlu veri yapılarını entegre etmek için umut verici ek bir yol sunar.

Daha yüksek sıralı ağ dinamiğinin görselleştirilmesi, temel bileşen çözümlemesi veya sınıflandırıcı tabanlı teknikle karşılaştırılan etkileşim türlerinin tanınmasına olanak tanır. Bu elektrot çiftleri elektrot tutarlılık önlemlerinin covarians ölçülerinin renk haritalaması kullanılarak elde edilebilir. Bu, bir elektrot çiftindeki tutarlılık önlemlerinin başka bir çiftteki tutarlılık değişiklikleriyle nasıl ilişkili olduğunu değerlendirir ve daha geniş ağ etkileşimleri ve korteks teki aktivitenin entegrasyonunu önerir. Bu, alanların geleneksel ölçülerle mümkün olmayan bir şekilde nasıl etkileşime girdiğine dair görselleştirme sağlar. Bu teknik kullanılarak oluşturulabilecek yüksek boyutlu ağ haritasının bir örneği Şekil 4'tegösterilmiştir. Bu durum, kortikal fonksiyonu etkileyen bir nöropsikiyatrik bozukluğun farklı klinik fenotiplerine sahip iki denek arasındaki ağ haritalamada belirgin farklılıkları göstermektedir ve standart analiz yöntemleri.

Şekil 1: Veri analizi boru hattı şeması. Ham verilerin hazırlanması ve ilgi ölçütlerinin çıkarılmasında önemli adımlara genel bakış. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Spektral güç ölçülerinin temsili matrisi. Her sütun bir elektrot konumunu temsil eder ve her satır bir frekans ilgi bandını temsil eder. Hücre renk yoğunluğu, ilgili elektrot konumundaki ilgili frekansın göreli gücünün değerini temsil eder. N x f ölçüleri üretir, burada n kullanılan kayıt elektrotlarının sayısı dır ve f ilgi frekans bantlarının sayısıdır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Elektrotlar arası tutarlılık önlemlerinin temsili matrisi. Her satır ve her sütun bir elektrot konumunu temsil eder. Hücre renk yoğunluğu, karşılık gelen elektrot çifti arasındaki elektrot tutarlılığının değerini temsil eder. N kullanılan kayıt elektrotlarının sayısının olduğu her frekans lık ilgi bandı için ölçüler üretir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Nöropsikiyatrik bozukluğun iki fenotipini karşılaştırarak üst düzey ağ dinamiğinin temsili görselleştirilmesi. Her satır ve her sütun benzersiz bir elektrot çiftini temsil eder. Hücre renk yoğunluğu, karşılık gelen elektrot çiftleri arasındaki covariance değerini temsil eder. P kullanılan benzersiz elektrot çiftleri sayısı olduğu ilgi her frekans bandı için önlemler üretir. (A) Kortikal ağlar içinde hem iç hem de frekans arası etkileşimleri gösterirken,(B)yalnızca genel güç spektrumu içindeki ağ dinamiklerine odaklanmış bir ilgi analizi bölgesini görselleştirir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Denetimsiz kümeleme algoritmasının temsili görselleştirilmesi. Nöropsikiyatrik bozukluğu olan bir grup hastada, popülasyon içinde standart analizlerde belirgin olmayan model verilere dayalı kümelenme ler saptandı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 1: Ekran görüntüsü EEG verilerinin epoching gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 2: Ekran görüntüsü temel ön işleme adımlarını gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 3: Ekran görüntüsü, ilgi alanları için filtreleme gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 4: Kanal spektrumları hesaplanması ve verilerin tek tek bantlar içinde yalıtMa. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 5: Her elektrot çifti için tutarlılık ölçütleri hesaplanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 6: Renk haritaları ve görselleştirme için türemiş ölçüleri haritalama. Şekil 3 ve Şekil 4 örnek çıktılarını gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 7: Kovariyan matrislerin yapımı, ana bileşen analizinin yapılışı ve ana bileşenlere dayalı grupların karşılaştırılması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 8: Belirli ilgi alanlarının analizi, veri alt kümelerini yalıtarak. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Şekil 9: Bir uzaklık ölçüsünün türemesi ve denetimsiz öğrenme teknikleri kullanan grupları tanımlamak için kümeleme algoritmasının kullanılması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Discussion

Açıklanan yöntem, kortikal ağ dinamiklerinin istatistiksel haritalarının non-invaziv EEG verilerinden türemesine olanak sağlar. Bu, kaydedilen bölgelerin her bir yerde neler olup bittiğini değerlendirmek yerine, birbirleriyle nasıl etkileşimde bulunduklarını değerlendirerek basit zaman serileri verilerinin incelenmesinde kolayca ortaya çıkamayan fenomenlerin araştırılmasına olanak sağlar. Yalıtım. Bu hastalık patolojisi içine önemli anlayışlar ortaya çıkarabilir¹⁸.

Bu yöntemin temel yönü veri kalitesini sağlamaktır. Verilerin anlamlı sonuçlar üretmek için yeterince yüksek kalitede olduğundan emin olmak için sıkı veri değerlendirmesi, yapı reddi ve ön işleme gereklidir. Kullanılan verilerin uygun kalitede olması koşuluyla, özellik ayıklama bileşeni yalnızca belirli ilgi bölgelerindeki ağ etkileşimlerini modellemek için veya rasgele frekans sınırları içinde modellenebilir ve karmaşık etkileşimleri belirli bölgeler ve frekans bantları.

Bu yaklaşım, üretilen sonuçların yüksek boyutluluğu ile sınırlıdır ve bu da birçok kanal kullanıldığında büyük miktarda veri üretebiliyor. Bu, ham sonuçların yorumlanabilirliğini sınırlayabilir ve uzun hesaplama sürelerini sağlayabilir. Temel bileşen analizi²³gibi boyutsallık azaltma tekniklerinin kullanımı, bu nedenle çok sayıda istatistiksel test gerçekleştirmeye gerek kalmadan gruplar arasında anlamlı istatistiksel karşılaştırmalar yapılmasını sağlamak için gereklidir. Ayrıca, karar verme yardımcı olmak için üretilen yüksek boyutlu ağ haritalarının kullanımı kolayca elle yorumlanabilir değildir ve kolayca azaltılamaz veri, büyük miktarlarda entegrasyonu sağlamak için makine öğrenme sınıflandırıcıların kullanımını gerektirebilir tek bir ölçüye²⁴.

Bu yaklaşım, ağ dinamiklerinde ham EEG zaman serilerinden çok daha fazla araştırma kapasitesi sunarken, erişilebilirlik kolaylığı, maliyet ve daha fazla zaman da dahil olmak üzere fonksiyonel MRG gibi görüntüleme tekniklerine göre önemli avantajlar sunar Çözünürlük. Bu yöntemin nörolojik hastalıkların subtiplemesi, tedavi yanıtının tahmin edilmesi ve hastalık prognostiğine yönelik gelecekteki uygulamaları, mevcut klinik EEG teknolojilerinin klinik kullanışlılığının geliştirilmiş veri analizi yöntemleri.

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