Statistisk modellering af kortikale tilslutningsmuligheder ved brug af ikke-invasive elektro Encephalogrammer

Summary

Standard EEG analyseteknikker giver begrænset indsigt i nervesystemet funktion. At udlede statistiske modeller af kortikale tilslutningsmuligheder giver langt større mulighed for at undersøge underliggende netværks dynamik. Forbedret funktionel vurdering åbner nye muligheder for diagnosticering, prognosticering og resultat forudsigelse i nervesystemet sygdomme.

Abstract

Ikke-invasive elektrofysiologiske optagelser er nyttige til evaluering af nervesystemets funktion. Disse teknikker er billige, hurtige, reproducbare og mindre ressourceintensive end Imaging. Desuden har de producerede funktionelle data fremragende tidsmæssig opløsning, hvilket ikke er opnåeligt med strukturel billeddannelse.

Nuværende anvendelser af elektro encephalogrammer (EEG) er begrænset af databehandling metoder. Standard analyseteknikker ved hjælp af RAW Time Series data på individuelle kanaler er meget begrænsede metoder til at forhør nervesystemet aktivitet. Mere detaljerede oplysninger om kortikale funktion kan opnås ved at undersøge forholdet mellem kanaler og udlede statistiske modeller af, hvordan områder interagerer, så visualisering af forbindelsen mellem netværk.

Dette manuskript beskriver en metode til at udlede statistiske modeller for kortikal netværksaktivitet ved at optage EEG på en standardiseret måde og derefter undersøge interelektrode sammenhængs foranstaltningerne for at vurdere forholdet mellem de registrerede områder. Højere ordre interaktioner kan undersøges yderligere ved at vurdere kovariansen mellem sammenhængs parrene og producere højdimensionale "kort" over netværks interaktioner. Disse data konstruktioner kan undersøges for at vurdere kortikale netværksfunktion og dens forhold til patologi på måder ikke opnåelige med traditionelle teknikker.

Denne tilgang giver større følsomhed over for netværksniveau interaktioner end det er muligt med RAW Time Series analyse. Den er imidlertid begrænset af kompleksiteten ved at tegne specifikke mekanistiske konklusioner om de underliggende neurale populationer og de store mængder data, der genereres, og som kræver mere avancerede statistiske teknikker til evaluering, herunder dimensionalitet reduktions-og klassificerings baserede tilgange.

Introduction

Denne metode har til formål at producere statistiske kort over kortikale netværk baseret på ikke-invasive elektrode optagelser ved hjælp af en klinisk levedygtig opsætning, for at muliggøre undersøgelse af nervesystemet patologi, virkningen af nye behandlinger, og udviklingen af nye elektrofysiologiske biomarkører.

EEG tilbyder et stort potentiale for undersøgelse af nervesystemet funktion og sygdom^1,2. Denne teknologi er billig, let tilgængelig i forskning og kliniske indstillinger, og generelt veltolereret. Den enkle, ikke-invasive karakter af optagelser gør klinisk brug ligetil, og den eksisterende ramme af kliniske EEG afdelinger giver mulighed for nem adgang til teknologien for klinikere.

Fra et teknisk perspektiv, EEG tilbyder fremragende tid domæne opløsning³. Dette er af stor betydning, når du undersøger nervesystemet funktion på grund af den hurtige tidshorisonter af nervesystemet interaktioner og netværks dynamik. Mens Imaging metoder såsom funktionel MRI tilbyde større rumlig opløsning og let fortolke billeder, de er langt mere begrænset i deres evne til at afhøre nervesystemet funktion på de fine tidsskalaer, der tilbydes af elektrofysiologiske optagelser ^4,5,6.

Der er et stigende behov for evnen til at afhøre nervesystem funktion til at informere diagnose, behandling, og prognostication af nervesystemet sygdomme. Rollen som kortikale netværk dynamik i nervesystemet patologi er i stigende grad anerkendt⁷. Mange sygdomme i nervesystemet producerer ingen makroskopiske strukturelle læsioner synlige med traditionel billeddannelse, men de abnormiteter, der produceres på netværksniveau, kan være synlige med passende funktionelle analysemetoder.

Desværre, nuværende EEG analysemetoder er stærkt begrænset i denne henseende. Traditionelle metoder omfatter analyse af simple tidsseriedata fra individuelle elektroer. Disse signaler repræsenterer summationen af felt potentialer i store kortikale områder^3,8. Analyse af data fra individuelle kanaler isoleret ved hjælp af enten visuel inspektion eller simple statistiske metoder begrænser nytten af disse optagelser til påvisning af grove elektrofysiologiske abnormiteter på diskrete, individuelle steder. Med den stigende erkendelse af betydningen af netværks-niveau effekter til nervesystemet funktion og patologi, disse enkle analysemetoder er tydeligvis mangelfuld i, at de ikke vil opdage subtile relationer mellem signaler, der repræsenterer abnormaliteter i, hvordan kortikale områder interagerer med hinanden på netværksniveau.

Der påvises en metode til at udlede statistiske kort over kortikale netværksforbindelser fra lavdimensionale elektrode optagelser. Denne metode giver mulighed for undersøgelse af dynamikken i interaktioner mellem varierende hjerneregioner på en måde, der ikke er muligt med traditionelle analyseteknikker, samt visualisering af disse netværk interaktioner. Dette åbner mulighed for ikke-invasiv undersøgelse af netværksniveau effekter på højt tids domæne resolutioner på måder, ikke tidligere muligt. Denne metode er baseret på afledningen af foranstaltninger til sammenhæng mellem elektrode^9,10. Disse foranstaltninger gør det muligt at efterforske, hvordan to registrerede regioner interagerer ved at evaluere de statistiske forbindelser mellem optagelserne af disse områder¹¹. Ved at vurdere, hvordan hvert registreret område interagerer med hvert andet registreret område, kan der foretages et statistisk kort over elektrofysiologiske netværk inden for de registrerede områder. Dette giver mulighed for opdagelse af funktionelle relationer, der ikke er synlige på evaluering af individuelle kanal data i isolation.

Dette manuskript fokuserer på brugen af sammenhæng i neurale tidsserier. I øjeblikket er der en række teknikker til at undersøge forholdet mellem tidsseriedata, der kan anvendes til kanaler i en parvis måde at udlede modeller af kortikale tilslutningsmuligheder. Visse metoder, såsom den dertil knyttede delvise direkte sammenhæng^12,13, har til formål at udlede retningen af de undersøgte signaleres indflydelse for bedre at kunne karakterisere de underliggende nets struktur, mens andre metoder, såsom Granger kausalitet^14,15, forsøge at udlede funktionelle relationer gennem evnen til et signal til at forudsige data i en anden. Metoder som disse kan anvendes på lignende måder at generere høj-dimensionelle modeller af kortikale netværk. Men fordelene ved sammenhængen som et middel til at undersøge forholdet mellem neurale signaler ligger i dets manglende forudsætninger. Det er muligt at undersøge statistiske forhold mellem optagelser på to steder uden at fremsætte udsagn om det funktionelle grundlag for disse relationer og opbygge en model af kortikale tilslutningsmuligheder udelukkende baseret på statistiske forbindelser med minimale antagelser om de kortikale netværk, som genererer disse signaler.

På grund af disse foranstaltningers rent matematiske karakter er forholdet mellem sammenhængs foranstaltningerne for elektrode optagelser i hovedbunden og den underliggende neurale aktivitet kompleks^16,17. Mens disse metoder gør det muligt at udlede statistiske konstruktioner, der beskriver forholdet mellem elektrode optagelser til sammenligning, gør direkte årsagssammenhæng om aktiviteten af de specifikke underliggende neurale populationer ikke ligetil^3,8,16,17. Disse tilgange gør det muligt at sammenligne aktiviteten på netværksniveau mellem grupperne for at identificere potentielt nyttige biomarkører, men er begrænset med hensyn til at drage specifikke konklusioner vedrørende forholdet mellem disse markører og specifikke neurale mekanismer. Dette skyldes det store antal forstyrrende faktorer, der påvirker den registrerede aktivitet³, samt problemer med at anslå den specifikke kortikale kilde af elektriske signaler, der er registreret på niveau med hovedbunden⁸. I stedet kan disse tilgange producere statistiske aktivitets modeller, der kan afhøres og sammenlignes mellem grupperne for at fastslå, at der er forskelle på netværksniveau¹⁸ , og kan udnyttes til at producere nye biomarkører baseret på disse Konstruktioner. Disse metoder har imidlertid alene begrænset kapacitet til at relatere forskellene til specifikke mekanismer og neurale aktiviteter på grund af kompleksiteten af det underliggende system.

Brugen af netværksforanstaltninger såsom sammenhæng er veletableret i systemer neurovidenskab^16,17. Det fulde potentiale ved disse tilgange til modellering og efterforskning af kortikale funktioner har været begrænset af manglende udnyttelse af disse højdimensionale datastrukturer. Dette arbejde viser, at det er muligt at anvende disse foranstaltninger på EEG-kanaler på en parvis måde med henblik på at kort gøre data på et højt dimensionelt indslag, der udelukkende er baseret på de statistiske forbindelser mellem den elektriske aktivitet i kortikale regioner. Den viser også, at det ved hjælp af moderne statistiske teknikker er muligt at anvende de genererede kortikale modeller til at undersøge disse modeller uden at miste de oplysninger, der er opnået i modelleringsprocessen.

Denne metode er potentielt værdifuld med hensyn til at udvide anvendelsesområdet for eksisterende EEG-teknologier, forbedre muligheden for at udlede nyttige funktionelle foranstaltninger uden at kræve tilpasninger af det eksisterende kontrolapparat^18,19 . Ved at forbedre evnen til at modellere kortikale funktion og afhøre disse modeller, de spørgsmål, der kan undersøges ved hjælp af EEG data er udvidet. Dette åbner yderligere mulighed for større integration af funktionelle og strukturelle evalueringer til undersøgelse af neurologiske sygdomme^20,21. Denne tilgang, ved hjælp af teknologi, der allerede er alment tilgængelige klinisk, ville tillade undersøgelse af kortikale patologier med både høj tidsmæssig og rumlig opløsning.

Protocol

Følgende forsøgsprotokol er i overensstemmelse med alle lokale, nationale og internationale etiske retningslinjer for menneskelig forskning. De data, der anvendes til at teste protokollen er blevet erhvervet med tilladelse fra den etiske komité i region Toscana-protokol 2018SMIA112 SI-RE.

Bemærk: De scripts, der bruges til at implementere de beskrevne analyser, er tilgængelige på https://github.com/conorkeogh/NetworkAnalysis.

1. indsamling af rå data

1. Forbered emne betingelser.
   1. For at sikre konsistens på tværs af optagelser skal du udføre alle EEG-optagelser i et dedikeret optagelses miljø. Fjern alt udstyr eller stimuli, der ikke er direkte relevant for den opgave, der skal udføres under optagelsen fra omgivelserne for at undgå distraktion.
      Bemærk: Hvis der skal udføres pause tilstands optagelser, skal du fjerne alle kilder til distraktion fra rummet og udsætte emner til optagelses miljøet før indspilnings sessionen for at fjerne nyhed fra miljøet.
   2. Giv emnet klare instrukser vedrørende den opgave, der skal udføres. Når udstyret er blevet sat op, skal du lade motivet være alene i optagelses miljøet for at vænne dig til omgivelserne, før du begynder at optage for at minimere bevægelse og distraktion.
   3. Hvis emnet har intellektuelle handicap, give ham/hende den nødvendige tid til at vænne sig til miljøet for at begrænse enhver stress. Nogle gange kan dette kræve flere besøg og et forlænget ophold i optagelsesrummet.
2. Monter elektroderne.
   1. Fastgør elektrode hætten til patientens hoved, idet du sørger for at sikre korrekt justering. Injicer ledende gel i hver af elektrode portene, begyndende i hovedbunden og langsomt trækkes tilbage til hætten overfladen for at etablere elektrisk kontakt med skalaen og forbedre signal-til-støj-forholdet.
   2. Fastgør elektroderne til elektrode hætten ved hjælp af en forudbestemt elektrode montage baseret på 10 − 20 systemet. Fastgør passende jordelektrode (f. eks. til mastoidprocesserne).
3. Opsætning af EEG.
   1. Tilslut alle elektroderne til et elektrofysiologisk optagelses system. Sammenkæde optagelses systemet med et passende digitalt optagelses miljø.
   2. Undersøg alle optagelses kanalerne for at sikre, at forskydningen er inden for et passende område og for at undgå overdreven kanalstøj. Hvis en kanal har en overdreven forskydning eller støj, kan yderligere ledende gel tilsættes for at forbedre den elektriske forbindelse, idet man sørger for at undgå at forårsage bridging mellem elektrodeområder.
   3. Instruere emnet, at optagelsen er begyndt, og for at undgå alle unødvendige bevægelser. Udfør en kort test optagelse for at kontrollere den korrekte optagelseskvalitet.
4. Forbered den adfærdsmæssige opgave til optagelse.
   1. Afklare alle de opgave-relaterede instruktioner med emnet. Gentage betydningen af at undgå alle unødvendige bevægelser.
   2. Forklar, at optagelsen vil begynde på et klart aftalt signal (f. eks. en banke på optagelses miljøets dør). Efterlad motivet i optagelses miljøet. Start optagelsen. Giv det aftalte signal til emnet.
   3. Efter afslutningen af opgaven eller periode med hvilende tilstand, stoppe optagelsen, visuelt undersøge data for at sikre kvalitet, og gemme dataene.

2. forbehandling af data

Bemærk: Data forberedelses-og træk udsugnings rørledningen er illustreret i figur 1.

1. Forbered softwaren.
   1. Indlæs de EEG-data, der skal analyseres, i et dataanalyse miljø. Indlæs eventuelle yderligere script biblioteker, f. eks EEGLab²².
2. Konverter alle optagelser til det samme data format, hvis det er nødvendigt, med alle kanaler i deres tilsvarende placeringer.
   1. Kassér begyndelsen og slutningen af hver optagelse (f. eks. 5 min.) for at reducere forureningen af bevægelses artefakter. Opdele data i epoker baseret på opgave eller, hvis det er en hvilende tilstand optagelse, forudbestemt varighed (f. eks 10 min). Se NetworkAnalysis_Demonstration. m (sektion feature udvinding) og supplerende figur 1 for en demonstration af gennemførelsen.
      Bemærk: Udvælgelse af Epoch længde kan have en betydelig indvirkning på foranstaltningerne til sammenhæng. Epoker af en tilstrækkelig længde bør bruges til at sikre, at sande forhold mellem signalerne dukker op i beregningerne for at undgå ubemærket artefakter eller forbigående, falske synkroniseringer, der har en overdreven vægtning. Men i dette arbejde var der ingen statistisk signifikant forskel i den overordnede netværksstruktur, når ti-minutters epoker blev sammenlignet med et gennemsnit på 10 1-minutters epoker efter grundig artefakt afvisning.
3. Udfør artefakt afvisning ved visuelt at inspicere Epoch-dataene og afvise visuelt uegnede data.
   Bemærk: da den beskrevne modellerings teknik er afhængig af forholdet mellem signalerne, er det vigtigt at sikre en grundig afvisning af artefakter. Disse kan beskadige kanal data, hvilket fører til kunstige stigninger (hvis artefakt er repræsenteret på flere kanaler) eller falder (hvis artefakt er repræsenteret kun på nogle kanaler) af foranstaltninger af sammenhæng.
   1. Identificer dårlige kanaler i optagelserne.
      1. High Pass Filter data på 0,5 Hz for at fjerne den oprindelige drift på grund af den flydende grund af anskaffelses systemet.
      2. Vælg alle kanaler, som opfylder de relevante statistiske kriterier (f. eks. dem med en standardafvigelse, der er større end tre gange eller mindre end en tredjedel af den gennemsnitlige standardafvigelse for kanalen).
         Bemærk: Fjernelse af kanaler med data, der er usandsynligt at have stammer fra neurale kilder undgår falske relationer, der indføres i netværksmodeller.
      3. Undersøg disse kanaler for at finde ud af, om de er egnede.
      4. Afvis epoker med uegnede kanaler, hvis det er muligt. Alternativt, udelukke de dårlige kanaler og interpolere data på disse kanaler (f. eks ved hjælp af EEGLab s spline interpolation algoritme).
         Bemærk: Interpolation på tværs af et stort antal kanaler eller med kun et lille antal optagelses kanaler kan generere uegnede data til analyse. Desuden indføres der ikke nye oplysninger i datasættet, og det kan resultere i kunstigt høje mål for sammenhængen mellem interpolerede signaler og de signaler, de stammer fra.
   2. Udfør den uafhængige komponent analyse på de resterende epoker (f. eks. ved hjælp af eeglabs ICA-funktion). Inspicér de afledte komponenter visuelt, og Afvis visuelt uegnede data.
   3. Anvende de relevante statistiske tærskler for at identificere de potentielle artefakter, som ikke umiddelbart fremgår af visuel inspektion (f. eks. baseret på ekstreme værdier eller unormale spektre). Undersøge disse og afgøre, om afvisning er hensigtsmæssig.
   4. Gentag den uafhængige komponent analyse og artefakt identifikationen på de overlevende epoker.
   5. Identificer de data epoker, der skal gemmes til yderligere analyse. Kassér alle de afviste data-epochs. Identificere alle de epoker, der skal videreføres med henblik på yderligere analyse.
      Bemærk: Hvis der kun kræves én epoke pr. emne, skal du vælge den første egnede epoke til yderligere analyse.
4. For at forberede data, korrigere grundlinjen af optagelserne ved at fratrække gennemsnittet af alle kanaler fra optagelserne for at undgå virkningen af grundlæggende Wandering under langvarige optagelser. Genreference alle kanalerne til en passende reference (f. eks. jordelektroden eller gennemsnittet af alle kanaler). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m, og supplerende figur 2 for eksempler på gennemførelse.
   Bemærk: valg af reference kan have vigtige virkninger på netværks foranstaltningerne. Da referencedata "trækkes ud" af alle analyserede kanaler, vil alle neurale data, der er repræsenteret på reference kanalen, blive fratrukket og dermed ikke bidrage til model genereringen. Det er almindelig praksis at anvende reference signaler, der er registreret over knogle fremstødet uden umiddelbart underliggende neurale strukturer, såsom processus-processen. Men, disse kan være ødelagt af neurale data på grund af volumen ledning effekter gennem hovedbunden og derfor forvrænge netværk foranstaltninger differentielt baseret på placering i forhold til referencen. Som et resultat, for hvilende tilstand data er det bedst at bruge et gennemsnit af alle hovedbunden kanaler som reference. Det betyder, at alle data ikke refereres i forhold til en bestemt geografisk placering, forvridende foranstaltninger, fordi alle kanaler bidrager til referencen. Dette kan have virkninger såsom dæmpning af den tilsyneladende samlede aktivitet og kan fordreje foranstaltninger ved at fratrække signaler, der er meget stærkt repræsenteret på nogle kanaler og dermed bidrage kraftigt til gennemsnittet. Dette er et større problem for aktivitets-og hændelsesrelaterede signaler, men det er typisk ikke tilfældet med hvile tilstandsdata.
   1. Filtrer alle kanalerne digitalt for at isolere frekvenser af interesse (f. eks. 1 Hz-50 Hz). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m, og supplerende figur 3 for eksempler på gennemførelse.
      Bemærk: Sikre anvendelse af passende frekvensgrænser og filterparametre til den påtænkte analyse for at undgå forvrængning af frekvenserne ved yderpunkterne af det undersøgte område og af virkningerne. Nul fase-Shift 4^th-Order Butterworth filtre udføre korrekt. En passende filtrering sikrer, at aktiviteten af interesse er isoleret til modellering. Selv med en bred vifte (f. eks, 1 Hz-50 Hz), dette sikrer, at højfrekvente artefakter og lav frekvens baseline Wandering ikke fortolkes som sammenhæng mellem kanaler, forvridende foranstaltninger.

3. feature udvinding

1. Vurder spektral effekt.
   1. Beregn samlede effekt spektre ved at udføre en Fourier transformation af hver kanal, der analyseres på tværs af hele frekvensområdet, der skal vurderes (f. eks 1 Hz-50 Hz).
   2. Vurder aktiviteten i individuelle frekvensbånd: Isoler Theta-båndet ved 4 Hz-8 Hz. Isoler alfa båndet ved 8 Hz-12 Hz. Isoler beta båndet ved 12 Hz-30 Hz. Isoler Delta båndet ved 0,5 Hz-4Hz. Isoler gamma båndet ved > 30 Hz (f. eks. , 30-50 Hz). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m og supplerende figur 4 for eksempler på implementering af spektrafderisering og isolering af frekvensbånd.
      Bemærk: EEG data er traditionelt opdelt i frekvens "bands" til undersøgelse. Disse er primært hedder baseret på den rækkefølge, som de blev opdaget, og de specifikke båndbredder variere noget. Den funktionelle betydning af svingningerne ved bestemte frekvenser er fortsat et område med aktiv efterforskning. Det menes, at svingningerne inden for specifikke bånd kan relateres til specifikke neurale aktiviteter, såsom fremkomsten af en højamplitude Alpha bølge i occipital regionen med lukkede øjne, selv om den nøjagtige sammenhæng mellem neurale funktioner og oscillerende aktivitet i EEG-optagelser er fortsat uklar.
   3. Evaluer den samlede effekt i hele hovedbunden ved at beregne middelværdien af de enkelte kanal spektre. Normalisere kraften i de enkelte bands med hensyn til den samlede effekt til at give et mål af relativ effekt og tillade mere præcise sammenligninger mellem betingelser.
2. Udføre netværkstilknytning.
   1. Evaluer samspillet mellem det første elektrode par ved at udlede et mål for sammenhængen mellem elektrode:
      
      Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m, og supplerende figur 5 for eksempler på gennemførelse.
      1. Beregn tvær spektret af de to kanaler:
         
         1. Beregn Fourier-transformeringen for hvert signal, X og Y
            
         2. Beregn tvær spektret:
            
            Hvor: t er prøvetagnings intervallet, t er længden af optagelsen, x er Fourier transformation af x, og y^* er den komplekse konjugering af y.
         3. Ignorer de negative frekvenser og korrekte foranstaltninger. Den anden halvdel af den computer frekvens akse kan ignoreres i tilfælde af Real-værdsat signaler, og magt foranstaltninger ganget med to at korrigere for dette.
            Bemærk: Dette svarer til Fourier transformation af kryds korrelationen mellem x og y.
      2. Normaliser kryds spektret af Power Spectra af begge kanaler: .
         1. Beregn Fourier-transformeringen for hvert signal:
            
         2. Beregn effekt spektret:
            
            Hvor: t er prøvetagnings intervallet, t er længden af optagelsen, x er Fourier transformation af x, og x^* er den komplekse konjugat x.
         3. Ignorer de negative frekvenser og korrekte foranstaltninger: den anden halvdel af den computer frekvens akse kan ignoreres i tilfælde af Real-værdsat signaler, og magt foranstaltninger multipliceret med to at korrigere for dette.
         4. Brug den beregnede effekt spektre til at normalisere tvær spektret og udlede en målestok for sammenhæng:
            
            Bemærk: dette genererer C, et mål for sammenhængen mellem signalerne x og y ved frekvenserne . Dette er et mål for forholdet mellem disse signaler ved de undersøgte frekvenser, målt på en skala fra 0 til 1. Hvis der er en konstant fase forbindelse mellem de to signaler, som undersøges på alle tidspunkter, vil sammenhængen have en værdi på 1, hvilket indikerer en stærk forbindelse mellem signalerne ved disse frekvenser, hvilket indebærer, at aktiviteten i et signal er funktionelt relateret til aktivitet i den anden (dvs. at der er kommunikation mellem de to). Hvis der ikke er nogen fase relation mellem de to signaler, vil sammenhængen have en værdi på 0, hvilket indikerer, at signalerne ikke er relateret.
   2. Gentag denne procedure for hvert unikt par af elektroder for at udvikle et mål for fase stabilitet mellem signalerne ved hvert elektrode par og opbygge en model af funktionel konnektivitet på tværs af alle elektroder.
      Bemærk: Ved montage af n -elektroder vil dette skabe kohærens foranstaltninger. Dette repræsenterer kortlægning af de målte tidsseriedata på et højdimensionalt plan baseret på relationerne mellem indspillede signaler, så karakteren af disse interaktioner kan undersøges.

4. data visualisering

1. Udfør spektral effektanalyse.
   1. Undersøg effekt matricer.
      1. Knyt målingerne af den spektral effekt, der skal visualiseres, til en todimensional datastruktur, hvor hver kolonne er en elektrodeplacering, hver række er et frekvensbånd, og hver celle er den spektral effekt på dette sted inden for det pågældende bånd.
      2. Identificer de maksimale og minimale effektniveauer på tværs af alle forhold, der skal sammenlignes. Indstil disse på maksimum og minimum for alle betingelser. Knyt de spektral effektværdier mellem det identificerede maksimum og minimum til farver. Eksporter et farve kort visualiserer spektral kraften ved hvert frekvensbånd ved hver elektrodeplacering (figur 2).
   2. Udfør topografiske kortlægning.
      1. Opret en datastruktur, der indeholder etiketterne for hver af de 10-20-system elektrode placeringer, der anvendes, for at sikre, at den datastruktur, der skal tilknyttes, er tilknyttet. Ved hjælp af Eeglabs topoplot ()-funktion genererer spektral effektdata, den identificerede maksimum-og minimum-og Kanalliste en afbildning, der kortlægger fordelingen af spektral effekt på tværs af hovedbunden.
2. Vurdere sammenhængen.
   1. Undersøg sammenhængen matricer.
      1. Kort de målinger af interelektrode sammenhængen, der skal visualiseres på en todimensional datastruktur, hvor hver kolonne er en elektrodeplacering, hver række er en elektrodeplacering, og hver celle er sammenhængen mellem det tilsvarende elektrode par.
      2. Knyt sammenhængs værdierne mellem 0 og 1 til farverne. Eksporter et farve kort, der visualiserer interelektrode sammenhængen mellem hvert elektrode par inden for de anvendte frekvensgrænser (figur 3). Gentag denne procedure for hvert frekvensbånd, der skal undersøges. Se supplerende figur 6 og produce_plots. r for eksempler på gennemførelse. Se figur 3 for eksempel output.
   2. Udføre netværks visualisering.
      1. Hvis du vil visualisere interaktioner med større rækkefølge mellem kortikale områder og tilknytte netværks dynamik, skal du beregne, hvordan hvert enkelt elektrode sammenhængs måleenhed varierer med alle andre unikke elektrode parrer på tværs af det samlede spektrum og inden for bestemte bånd.
      2. Knyt disse Kovarians målinger til farver. Eksporter et farve kort, der visualiserer netværks dynamikken inden for og på tværs af frekvensbånd. Se produce_plots. r for eksempler på gennemførelse. Se figur 4 for eksempel output.

5. analyse af netværksmodeller

Bemærk: Anvendelsen af moderne statistiske metoder til de afledte modeller giver mulighed for at drage fordel af de relationer modelleret i den høje-dimensionelle netværk funktion plads til at undersøge kortikale funktion. Der kan tages en række tilgange, som giver fordele i forhold til traditionelle sammenligninger af de enkelte foranstaltninger eller gennemsnit af sammenhængs foranstaltningerne. Nogle af de potentielle tilgange disse netværksmodeller lette er skitseret nedenfor. Disse diskuteres kun overfladisk som en indikation af de potentielle anvendelser af netmodellering, fordi en grundig drøftelse af hver teknik er uden for rammerne af det nuværende arbejde.

1. Udfør dimensionalitets reduktion.
   Bemærk: sammenligninger på det individuelle variable niveau undlader at drage fordel af de relationer, der repræsenteres af de oprettede modeller, samtidig med at foretage sammenligninger på alle de foranstaltninger i den dimensionelle konstruktioner skabt er problematisk på grund af stort antal sammenligninger, der er nødvendige, og den manglende integrering af oplysningerne på højt niveau i de statistiske modeller. Kortlægning af de høje dimensionelle data på et lavere dimensionelt rum, samtidig med at de oplysninger, der genereres af modellen generation proces giver mulighed for udførelsen af meningsfulde sammenligninger samtidig drage fuld fordel af modellerne ' data-rige struktur.
   1. Udlede foranstaltninger til sammenligning mellem de grupper, der repræsenterer den overordnede netværks dynamik inden for de statistiske modeller, som genereres ved hjælp af hovedkomponent analysen. Se NetworkAnalysis_Demonstration. m og supplerende figur 7 for et eksempel på gennemførelse.
      1. Som ovenfor, konstruere en Kovarians matrix for parvis kohærens foranstaltninger. Dette vil generere en dimensionel Kovarians konstruktion, hvor. Denne model er derfor ekstremt høj-dimensionel og tillader visualisering af højt niveau netværk relationer som skitseret ovenfor.
      2. Dekomponere Kovarians matrixen i eigenvektorer og tilsvarende eigenvalues. Dette gør det muligt at identificere akserne i model funktionens plads, der indeholder den største varians, uden at blive afgrænset af de eksisterende foranstaltninger.
      3. Rang eigenvektorer ved tilsvarende egenværdi for at identificere dem, der tegner sig for den største andel af variansen i modellen.
   2. Sammenlign de første hovedkomponenter, som er afledt af netværks modellerne. Se NetworkAnalysis_Demonstration. m og supplerende figur 7 for et eksempel på gennemførelse.
      Bemærk: Den første hovedkomponent tegner sig for den største grad af varians i modellen. Sammenligningen af denne foranstaltning gør det derfor muligt at sammenligne den overordnede netværks dynamik i hele modellen som helhed mellem grupper med en enkelt statistisk test, der muliggør simultan analyse af de komplekse relationer, som er modelleret og undgår de spørgsmål, der er forbundet med mange sammenligninger.
2. Udfør en analyse af interesseområder. De afledte modeller repræsenterer netværksforbindelsen på tværs af hele cortex, på tværs af alle frekvensbånd. Hvis der er interesse i specifikke anatomiske områder eller i funktioner inden for specifikke bands, kan disse områder af modellen isoleres og analyseres separat.
   1. Vælg en anatomisk region af interesse.
      Bemærk: Ved at begrænse analysen til specifikke anatomiske områder er det muligt at evaluere netværksaktiviteten inden for eller mellem specifikke kortikale områder for at identificere de forhold, der måske ikke er synlige ved analysen af modellen som helhed.
      1. Identificer data om sammenhængen i modellen vedrørende de anatomiske interesseområder.
      2. Udlede en Kovarians matrix og udføre hovedkomponent analyse som beskrevet ovenfor for at beregne målinger af den overordnede netværksarkitektur inden for de områder, der er af interesse.
      3. Sammenlign målinger af netværks dynamik inden for de anatomiske områder af interesse mellem grupperne som skitseret ovenfor.
   2. Vælg et funktionelt område af interesse.
      Bemærk: En begrænsende analyse af specifikke frekvensbånd gør det muligt at vurdere netværksaktiviteten inden for specifikke oscillatoriske frekvenser (figur 4).
      1. Som ved anatomiske analyser isoleres sammenhængen data inden for de frekvensbånd af interesse. Se NetworkAnalysis_Demonstration. m og supplerende figur 8 for eksempler på gennemførelse, ved hjælp af interaktioner inden for det samlede spektrum kun som et eksempel.
      2. Udføre hovedkomponent analyse for at udlede foranstaltninger af den samlede netværksaktivitet inden for interesse båndene.
      3. Sammenlign foranstaltningerne mellem grupperne for at evaluere netværks forskellene ved specifikke oscillatoriske frekvenser.
3. Brug maskinel indlæring.
   Bemærk: moderne statistiske læringstilgange kan anvendes på de modeller, der genereres for yderligere at afhøre de relationer på højt niveau, der er repræsenteret i dem.
   1. Brug overvåget læring.
      Bemærk: Ved hjælp af data med foruddefinerede klasser kan modellerne af kortikale netværk bruges til at udlede klassificeringer, der kan bruges til at identificere signaturer inden for de komplekse relationer, som modellerne repræsenterer, til at klassificere nye data, åbne muligheden for at undersøge nye diagnostiske og prognostiske biomarkører osv. Desuden, hvilke funktioner i modellerne drive disse klassifikationer for at få indsigt i de underliggende mekanismer kan undersøges.
      1. Udlede klassifikatorerne. Ved hjælp af forhånds mærkede data kan en klassifikator udledes for at forudsige klassen af et datasæt baseret på netværks modellerne.
         1. Opdel dataene i et sæt emne data til træning og et sæt til afprøvning af klassificeringen.
         2. Træn en klassifikations algoritme såsom en støtte vektor maskine eller en tilfældig skov på de mærkede træningsdata.
         3. Vurdere ydeevnen af den model uddannede klassifikator på testdataene.
            Bemærk: Disse tilgange gør det muligt at anvende de statistiske modeller som input til at udlede nye biomarkører.
      2. Udfør sekventiel eliminering.
         Bemærk: Ved hjælp af modellen til at træne en klassifikator, kan data fjernes iterativt og træningsprocessen kan gentages for at identificere, hvilke komponenter i modellen er at køre sin forudsigende evne, giver mulighed for undersøgelse af de underliggende mekanismer.
         1. Træn en klassifikator på modellen som beskrevet ovenfor.
         2. Fjern model funktionen med den laveste variation mellem grupperne.
         3. Gentag træningsprocessen og Vurder ydeevnen.
         4. Gentag den iterativ funktion, indtil de funktioner, der bidrager mest til ydeevnen, identificeres. Disse er de model komponenter, der er ansvarlige for evnen til at skelne mellem klasser.
   2. Udføre uovervåget læring.
      Bemærk: ved hjælp af modellerne alene kan der opnås indsigt i de grupper, der undersøges. Ved at modellere dataene som højdimensionale konstruktioner baseret på forholdet mellem optagelser, kan relationer mellem grupper, der ikke blev set på niveauet af individuelle optagelser, blive tydelige. Uovervågede teknikker såsom klynge algoritmer gør det muligt at efterforske relationer inden for modellerne uden at være begrænset af de foruddefinerede klasser.
      1. Ved hjælp af en afstandsmåling som Euclidisk distance beregner du målpunkter for afstanden mellem emner inden for det område, der er defineret af netværksmodellen. Se NetworkAnalysis_Demonstration. m og supplerende figur 9 for et eksempel på gennemførelse.
      2. Ved hjælp af en klynge algoritme som k-nærmeste naboer identificerer grupperne i dataene baseret på model parametrene (figur 5).
      3. Gentag denne procedure ved hjælp af en sekventiel Eliminerings procedure som beskrevet ovenfor for at undersøge, hvordan individuelle funktioner bidrager til grupperingerne i modellen.
         Bemærk: Dette gør det muligt at bruge de afledte modeller til at identificere de grupper inden for de data, der ikke var synlige ellers. Dette kan give mulighed for udledning af sygdomme undertyper, patologiske grupperinger, osv., der er kun indlysende på nettet niveau.

Representative Results

Målinger af spektral kraften vil producere n målinger for hvert frekvensbånd målt, hvor n er antallet af registrerede kanaler. Disse foranstaltninger vil være i decibel for den samlede effekt. Effekt foranstaltninger inden for de enkelte frekvensbånd bør udtrykkes som relativ effekt (dvs. den andel af den samlede effekt, der er repræsenteret ved magt inden for det pågældende bånd) for at muliggøre nøjagtige sammenligninger mellem grupper og betingelser.

Figur 2viser et eksempel på visualisering af spektral effekt på tværs af flere bånd og på tværs af optagede kanaler. Spektral effekt kan visualiseres interpoleret på tværs af hovedbunden, så begrænset vurdering af "kilde" af aktivitet.

Interelektrode sammenhængs foranstaltninger giver et mål for hvert unikt elektrode par ( dvs., hvor n er antallet af registrerede kanaler). Hver af disse foranstaltninger er mellem 0 og 1, hvor 0 ikke repræsenterer nogen sammenhæng mellem optagelser, og 1 repræsenterer fuld sammenhæng mellem optagelser. Dette er et mål for, i hvilket omfang aktiviteten i et område ændrer sig afhængigt af aktiviteten i et andet område, hvilket giver mulighed for forskelle i retning af interaktion og tidsforskydning. Højere værdier for sammenhæng tyder på vekselvirkninger mellem områderne, hvoraf det fremgår, at de registrerede områder kommunikerer med hinanden. Ved at måle samspillet mellem hvert unikt elektrode-par kan der opbygges et statistisk kort over, hvordan de optagne kanaler interagerer. Dette giver mulighed for undersøgelse af, hvordan områder kommunikerer, snarere end at fokusere på individuelle områder isoleret, som i traditionelle metoder. Figur 3viser et eksempel på visualisering af sammenhængs foranstaltninger for en 8-elektrode montage.

Disse sammenhængs foranstaltninger frembringer hurtigt store mængder data og gør analyse af hver enkelt foranstaltning med individuelle statistiske tests til en uholdbar strategi. Desuden er det ikke nødvendigvis interessant eller meningsfuldt at undersøge individuelle interaktioner, når man overvejer interaktioner på tværs af hele kortikale netværk. Teknikker til reduktion af dimensionalitet såsom hovedkomponent analyse gør det muligt at vurdere foranstaltninger fra disse statistiske konstruktioner for at lette sammenligningen af den samlede netdynamik ved hjælp af traditionelle statistiske metoder. Klassificerings baserede metoder, ved hjælp af maskinlæringsteknikker, giver en yderligere lovende mulighed for at integrere disse højdimensionale data konstruktioner for at klassificere data og forudsige resultater.

Visualisering af netværks dynamik med højere ordre tillader genkendelse af de typer interaktioner, der sammenlignes med en hovedkomponent analyse eller en klassificerings baseret teknik. Dette kan opnås ved hjælp af farve kortlægning af Kovarians målinger af interelektrode sammenhængs målinger af elektrode par. Dette evaluerer, hvordan sammenhængs foranstaltningerne på et elektrode par relaterer til ændringer i sammenhængen i et andet par, hvilket tyder på bredere netværks interaktioner og integration af aktivitet på tværs af cortex. Dette giver mulighed for visualisering af, hvordan områder interagerer på en måde, der ikke er muligt med traditionelle foranstaltninger. I figur 4vises et eksempel på den type højdimensionale netværkskort, der kan oprettes ved hjælp af denne teknik. Dette viser forskellene i netværks kortlægningen mellem to forsøgspersoner med forskellige kliniske fænotyper af en neuropsykiatrisk lidelse, der påvirker den kortikale funktion, hvor ingen statistisk signifikante forskelle ved hjælp af standard analysemetoder.

Figur 1: skematisk dataanalyse pipeline. Oversigt over vigtige trin i forberedelsen af rådata og udvinding af interesse foranstaltninger. Venligst klik her for at se en større version af dette tal.

Figur 2: repræsentativ matrix af spektral effekt foranstaltninger. Hver kolonne repræsenterer en elektrodeplacering, og hver række repræsenterer et frekvensbånd af interesse. Cellefarve intensitet repræsenterer værdien af relativ effekt af den tilsvarende frekvens på den tilsvarende elektrodeplacering. Producerer n x f foranstaltninger, hvor n er antallet af anvendte elektroder, og f er antallet af frekvensbånd af interesse. Venligst klik her for at se en større version af dette tal.

Figur 3: repræsentativ matrix for sammenhængs foranstaltninger mellem elektrode. Hver række og hver kolonne repræsenterer en elektrodeplacering. Cellefarve intensitet repræsenterer værdien af interelektrode sammenhængen mellem det tilsvarende elektrode par. Producerer foranstaltninger for hvert frekvensbånd af interesse, hvor n er antallet af anvendte optagelses elektroder. Venligst klik her for at se en større version af dette tal.

Figur 4: repræsentativ visualisering af højere-ordrenetværk dynamik, sammenligne to phenotyper af neuropsykiatriske lidelse. Hver række og hver kolonne repræsenterer et unikt elektrode-par. Cellefarve intensitet repræsenterer værdien af kovariansen mellem de tilsvarende elektrode par. Producerer foranstaltninger for hvert frekvensbånd af interesse, hvor p er antallet af unikke elektrode par, der anvendes. (A) demonstrerer både inden-og på tværs af frekvens interaktioner inden for kortikale netværk, mens (B) visualiserer en region af interesseanalyse fokuseret på netværks dynamik inden for det samlede effekt spektrum kun. Venligst klik her for at se en større version af dette tal.

Figur 5: repræsentativ visualisering af uovervåget klynge algoritme. I en gruppe af tilsyneladende velmatchede patienter med en neuropsykiatrisk lidelse, klyngedannelse baseret på model data alene identificerede grupper i befolkningen, der ikke var indlysende på standard analyser. Venligst klik her for at se en større version af dette tal.

Supplerende figur 1: skærmbillede demonstrerer epoching af EEG-data. Venligst klik her for at se en større version af dette tal.

Supplerende figur 2: skærmbillede viser de væsentlige forbehandlings trin. Venligst klik her for at se en større version af dette tal.

Supplerende figur 3: skærmbillede demonstrerer filtrering for frekvenser af interesse. Venligst klik her for at se en større version af dette tal.

Supplerende figur 4: beregning af kanal spektre og isolering af data inden for de enkelte bånd. Venligst klik her for at se en større version af dette tal.

Supplerende figur 5: beregning af sammenhængs målinger for hvert elektrode par. Venligst klik her for at se en større version af dette tal.

Supplerende figur 6: tilknytning af afledte foranstaltninger til farve kort og visualisering. Figur 3 og figur 4 viser prøve udgange. Venligst klik her for at se en større version af dette tal.

Supplerende figur 7: opførelse af Kovarians matricer, udførelse af hovedkomponent analyser og sammenligning af grupper baseret på hovedbestanddele. Venligst klik her for at se en større version af dette tal.

Supplerende figur 8: analyse af specifikke områder af interesse ved at isolere undergrupper af data. Venligst klik her for at se en større version af dette tal.

Supplerende figur 9: afberegning af en afstandsmåling og anvendelse af en klynge algoritme til identificering af grupper, der anvender uovervågede lærings teknikker. Venligst klik her for at se en større version af dette tal.

Discussion

Den beskrevne metode gør det muligt at afregne statistiske kort over kortikale netværks dynamik fra ikke-invasive EEG-data. Dette gør det muligt at efterforske fænomener, der ikke umiddelbart fremgår af undersøgelsen af simple tidsserie data, ved at vurdere, hvordan de registrerede regioner interagerer med hinanden, i stedet for at evaluere, hvad der sker på hvert enkelt sted i Isolation. Dette kan afsløre vigtig indsigt i sygdoms patologi¹⁸.

Det væsentlige aspekt ved denne metode er at sikre datakvalitet. Grundig dataevaluering, artefakt afvisning og forbehandling er påkrævet for at sikre, at data er af tilstrækkelig høj kvalitet til at give meningsfulde resultater. Forudsat at de anvendte data er af en passende kvalitet, kan funktionen ekstraktions komponenten let ændres til at modellere netværks interaktioner i bestemte områder af interesse, eller inden for vilkårlige frekvensgrænser, samt modellering af komplekse interaktioner på tværs af specifikke regioner og frekvensbånd.

Denne tilgang er begrænset af den høje dimensionalitet af de producerede resultater, som hurtigt kan producere enorme mængder af data, hvis mange kanaler anvendes. Dette kan begrænse fortoldbarhed af de rå resultater og resultere i lange beregnings tider. Anvendelse af dimensionalitets reduktionsteknikker, såsom hovedkomponent analyse²³, er derfor nødvendig for at gøre det muligt at foretage meningsfulde statistiske sammenligninger mellem grupperne, uden at der er behov for at udføre et enormt antal statistiske tests. Desuden kan brugen af de producerede højdimensionale netværkskort til at støtte beslutningstagningen kræve brug af maskin lærings klassificeringer for at muliggøre integration af de store datamængder, som ikke let kan fortolkes manuelt og ikke let reduceres til en enkelt foranstaltning²⁴.

Denne tilgang giver en langt større kapacitet til at undersøge ændringer i netværks dynamik end rå EEG-tidsserier, samtidig med at der tilbydes betydelige fordele i forhold til billedbehandlings teknikker såsom funktionel MRI, herunder nem tilgængelighed, omkostninger og større tid Opløsning. Fremtidig anvendelse af denne metode til at underskrive neurologisk sygdom, forudsigelse af behandlingsrespons og sygdoms prognostication giver mulighed for i høj grad at udvide den kliniske anvendelighed af nuværende kliniske EEG-teknologier gennem forbedrede dataanalyse metoder.

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