Statistisk modellering av kortikale tilkobling ved hjelp av ikke-invasiv Electroencephalograms

Summary

Standard EEG analyse teknikker gir begrenset innsikt i nervesystemet funksjon. Avledet statistiske modeller av kortikale tilkobling gir langt større evne til å undersøke underliggende nettverk dynamikk. Forbedret funksjonell vurdering åpner nye muligheter for diagnostisering, prognostication og utfallet prediksjon i nervesystemet sykdommer.

Abstract

Ikke-invasiv elektrofysiologisk innspillinger er nyttig for evaluering av nervesystemet funksjon. Disse teknikkene er billig, rask, repliserbar, og mindre ressurskrevende enn tenkelig. Videre har de funksjonelle data produsert utmerket Temporal oppløsning, som ikke er oppnåelig med strukturelle Imaging.

Nåværende anvendelser av electroencephalograms (EEG) er begrenset av databehandling metoder. Standard analyse teknikker ved hjelp av rå tidsseriedata på enkelte kanaler er svært begrensede metoder for forhører nervesystem aktivitet. Mer detaljert informasjon om kortikale funksjon kan oppnås ved å undersøke forholdet mellom kanaler og utlede statistiske modeller av hvordan områder er i samspill, slik visualisering av tilkobling mellom nettverk.

Dette manuskriptet beskriver en metode for å utlede statistiske modeller av kortikale nettverksaktivitet ved å ta opp EEG på en standard måte, og deretter undersøke de interelectrode sammenheng tiltakene for å vurdere forholdet mellom de registrerte områdene. Høyere ordre interaksjoner kan undersøkes ytterligere ved å vurdere kovariansen mellom sammenhengen parene, produsere høy-dimensjonale "kart" av nettverks interaksjoner. Disse data konstruksjoner kan undersøkes for å vurdere kortikale nettverksfunksjon og dens forhold til patologi på måter som ikke er oppnåelig med tradisjonelle teknikker.

Denne tilnærmingen gir større følsomhet for interaksjoner på nettverksnivå enn det som er oppnåelig for analyse av rå tidsserier. Det er imidlertid begrenset av kompleksiteten i å trekke konkrete mekanistisk konklusjoner om de underliggende nevrale populasjoner og de store mengder data som genereres, krever mer avanserte statistiske teknikker for evaluering, inkludert dimensionality metoder for reduksjon og klassifiserer.

Introduction

Denne metoden tar sikte på å produsere statistiske kart over kortikale nettverk basert på ikke-invasiv elektrode opptak ved hjelp av en klinisk levedyktig oppsett, for å muliggjøre gransking av nervesystemet patologi, virkningen av romanen behandlinger, og utviklingen av romanen elektrofysiologisk biomarkører.

EEG tilbyr stort potensial for etterforskningen av nervesystemet funksjon og sykdom^1,2. Denne teknologien er billig, lett tilgjengelig i forskning og kliniske innstillinger, og generelt godt tolerert. Den enkle, ikke-invasiv karakter av innspillinger gjøre klinisk bruk grei, og den eksisterende rammen av kliniske EEG avdelinger gir enkel tilgang til teknologi for klinikere.

Fra et teknisk perspektiv, tilbyr EEG utmerket tid domene oppløsning³. Dette er av stor betydning når man undersøker nervesystemet funksjon på grunn av den raske tidsrammer av nervesystemet interaksjoner og nettverk dynamikk. Selv om bildebehandlings metoder som funksjonell MRI gir større romlig oppløsning og lett interpretable bilder, er de langt mer begrenset i sin evne til å forhøre nervesystemets funksjon på den fine tids vektene som tilbys av elektrofysiologisk innspillinger ^4,5,6.

Det er et økende behov for evnen til å forhøre nervesystemet funksjon for å informere diagnose, behandling, og prognostication av nervesystemet sykdommer. Rollen til kortikale nettverk dynamikk i nervesystemet patologi blir stadig mer anerkjent⁷. Mange patologi i nervesystemet produserer ingen makroskopisk strukturelle lesjoner synlig med tradisjonell bildebehandling, men unormalt produsert på nettverksnivå kan være tydelig med hensiktsmessig funksjonell analysemetoder.

Dessverre, nåværende EEG analysemetoder er sterkt begrenset i denne forbindelse. Tradisjonelle metoder omfatter analyse av enkle tidsseriedata fra individuelle elektroder. Disse signalene representerer summering av feltet potensialer i store kortikale områder^3,8. Analyse av data fra individuelle kanaler isolert ved hjelp av enten visuell inspeksjon eller enkle statistiske metoder begrenser nytten av disse opptakene til å oppdage brutto elektrofysiologisk unormalt i diskrete, individuelle steder. Med den økende anerkjennelse av viktigheten av nettverksnivå effekter på nervesystemet funksjon og patologi, disse enkle analysemetoder er klart mangelfull i at de vil unnlate å oppdage subtile relasjoner mellom signaler, som representerer unormalt i hvordan kortikale områder er i samspill med hverandre på nettverksnivå.

En metode for å utlede statistiske kart over kortikale nettverkstilkobling fra lav-dimensjonale elektrode opptak er demonstrert. Denne metoden gjør det mulig etterforskning av dynamikken i samspillet mellom varierende hjernen regioner på en måte som ikke er mulig med tradisjonelle analyse teknikker, samt visualisering av disse nettverks interaksjoner. Dette åpner muligheten for ikke-invasiv undersøkelse av nettverksnivå effekter på høy tid domene oppløsninger på måter som ikke tidligere er mulig. Denne metoden er basert på avledning av målinger av interelectrode sammenheng^9,10. Disse tiltakene gjør det mulig å undersøke hvordan to registrerte regioner samhandler ved å evaluere de statistiske relasjonene mellom opptakene fra disse områdene¹¹. Ved å vurdere hvordan hvert registrert område samhandler med alle andre registrerte området, kan et statistisk kart over elektrofysiologisk nettverk innenfor de registrerte områdene gjøres. Dette gjør det mulig for oppdagelsen av funksjonelle forhold som ikke er tydelige på evaluering av individuelle kanaldata isolert.

Fokuset i dette manuskriptet er på bruk av sammenheng på neural time Series. For øyeblikket finnes det en rekke teknikker for å undersøke relasjonene mellom tidsseriedata som kan brukes på kanaler på en parvis måte for å utlede modeller av kortikale tilkobling. Noen metoder, slik som relaterte delvis rettet sammenheng^12,13, har som mål å utlede retning av påvirkning av de to signalene undersøkt for å bedre karakterisere strukturen i de underliggende nettverkene, mens andre metoder, for eksempel Granger årsakssammenheng^14,15, forsøke å antyde funksjonelle relasjoner gjennom evne til ett signal til å forutsi dataene i en annen. Metoder som disse kan brukes på lignende måter for å generere tredimensjonale modeller av kortikale nettverk. Men fordelene ved sammenheng som et middel til å undersøke forholdet mellom nevrale signaler ligger i sin mangel på forutsetninger. Det er mulig å undersøke statistiske forhold mellom innspillinger på to steder uten å uttale seg om det funksjonelle grunnlaget for disse relasjonene og å bygge opp en modell for kortikale tilkobling basert utelukkende på statistiske relasjoner med forutsetninger om de kortikale nettverkene som genererer disse signalene.

På grunn av den rene matematiske natur av disse tiltakene, forholdet mellom sammenhengen tiltak for elektrode opptak i hodebunnen og den underliggende nevrale aktivitet er kompleks^16,17. Mens disse metodene tillate avledning av statistiske konstruksjoner som beskriver relasjoner mellom elektrode innspillinger for sammenligning, noe som gjør direkte årsakssammenheng om aktiviteten til den spesifikke underliggende neural populasjoner er ikke grei^3,8,16,17. Disse tilnærmingene tillater sammenligning av nettverksnivå aktivitet mellom grupper for å identifisere potensielt nyttige biomarkører men er begrenset i forhold til å trekke konkrete konklusjoner om forholdet mellom disse markørene til bestemte nevrale mekanismer. Dette skyldes det store antallet forvirrende faktorer som påvirker den registrerte aktiviteten³, samt problemer med å estimere den spesifikke kortikale kilden til elektriske signaler registrert på nivået av hodebunnen⁸. I stedet kan disse tilnærmingene produsere statistiske modeller av aktivitet som kan bli avhørt og sammenliknet mellom grupper for å fastslå at forskjellene finnes på nettverksnivå¹⁸ og kan utnyttes til å produsere romanen biomarkører basert på disse Konstruerer. Men disse metodene alene har en begrenset kapasitet til å forholde forskjellene sett på spesifikke mekanismer og nevrale aktiviteter på grunn av kompleksiteten i det underliggende systemet.

Bruk av nettverks tiltak som sammenheng er godt etablert i systemer nevrovitenskap^16,17. Det fulle potensialet i disse tilnærmingene for modellering og gransker kortikale funksjon har vært begrenset av mangel på utnyttelse av disse tredimensjonale datastrukturer. Dette arbeidet viser at det er mulig å anvende disse tiltakene til EEG kanaler på en parvis måte for å kartlegge data på en høy-dimensjonal funksjon plass basert utelukkende på de statistiske relasjonene mellom den elektriske aktiviteten i kortikale regioner. Det viser også at ved hjelp av moderne statistiske teknikker, er det mulig å bruke de genererte modeller av kortikale funksjon for å undersøke disse modellene uten å miste den informasjonen som er oppnådd i modelleringsprosessen.

Denne metoden er potensielt verdifullt i å utvide omfanget av anvendelser av eksisterende EEG teknologier, forbedre evnen til å utlede nyttige funksjonelle tiltak uten å kreve tilpasninger til eksisterende opptaksutstyr^18,19 . Ved å forbedre evnen til å modellere kortikale funksjon og forhøre disse modellene, utvides spørsmålene som kan undersøkes ved hjelp av EEG-data. Dette åpner ytterligere muligheten for større integrering av funksjonelle og strukturelle evalueringer for undersøkelse av nevrologisk sykdom^20,21. Denne tilnærmingen, ved hjelp av teknologi som allerede er allment tilgjengelig klinisk, ville tillate etterforskning av kortikale patologi med både høy Temporal og romlig oppløsning.

Protocol

Følgende eksperimentelle protokoll er i samsvar med alle lokale, nasjonale og internasjonale etiske retningslinjer for menneskelig forskning. Dataene som brukes til å teste protokollen har blitt ervervet med autorisasjon av den etiske komiteen i regionen Toscana-protokoll 2018SMIA112 SI-RE.

Merk: Skriptene som brukes til å implementere analysene som er beskrevet, er tilgjengelige på https://github.com/conorkeogh/NetworkAnalysis.

1. rå data innsamling

1. Klargjør emne betingelser.
   1. For å sikre konsekvens på tvers av innspillinger, må du utføre alle EEG-innspillinger i et dedikert opptaks miljø. Fjern alt utstyr eller stimuli som ikke er direkte relevant for oppgaven som skal utføres under opptak fra miljøet for å unngå distraksjon.
      Merk: Hvis hviletilstand innspillinger skal utføres, fjerne alle kilder til distraksjon fra rommet og utsette til opptaks miljøet før innspillingen økten for å fjerne nyheten fra miljøet.
   2. Gi emnet med klare instruksjoner om oppgaven som skal utføres. Når utstyret er satt opp, la faget alene i innspillingen miljøet for å venne seg til miljøet før begynnelsen innspillingen for å minimere bevegelse og distraksjon.
   3. Hvis faget har intellektuelle funksjonshemminger, la ham/henne den nødvendige tid til å venne til miljøet for å begrense eventuelle stress. Noen ganger kan dette kreve flere besøk og et utvidet opphold i opptaks rommet.
2. Monter elektrodene.
   1. Fest elektrode lokket til pasientens hode og pass på at justeringen er riktig. Injiser ledende gel i hver av elektrode portene, begynner i hodebunnen og langsomt trekker seg tilbake til hetten overflaten for å etablere elektrisk kontakt med skalaen og forbedre signal-til-støy-forhold.
   2. Fest elektrodene til elektrode lokket ved hjelp av en forhåndsbestemt elektrode montasje basert på 10 − 20-systemet. Monter egnede jordingselektroder (f.eks. til mastoid prosesser).
3. Sett opp EEG-en.
   1. Koble alle elektrodene til et elektrofysiologisk opptakssystem. Koble opptaks systemet til et passende digitalt opptaks miljø.
   2. Undersøk alle opptaks kanalene for å sikre at forskyvningen er innenfor et egnet område og for å unngå overdreven kanal støy. Hvis en kanal har en overdreven offset eller støy, ekstra ledende gel kan legges for å forbedre den elektriske tilkoblingen, ta vare for å unngå å forårsake bro mellom elektrode nettsteder.
   3. Instruere emnet som innspillingen har startet og for å unngå alle unødvendige bevegelser. Gjennomfør en kort test innspilling for å verifisere riktig opptakskvalitet.
4. Klargjør atferds oppgaven for innspilling.
   1. Klargjør alle oppgaverelaterte instruksjoner med emnet. Gjenta viktigheten av å unngå alle unødvendige bevegelser.
   2. Forklar at innspillingen vil begynne på en tydelig avtalt signal (f. eks en banke på opptaket miljøet dør). La motivet stå i opptaks miljøet. Start opptaket. Gi det avtalte signalet til faget.
   3. Etter fullføring av oppgaven eller perioden med hviletilstand, stopp innspillingen, visuelt undersøke dataene for å sikre kvalitet, og lagre dataene.

2. forbehandling av data

Merk: Data Preparation og funksjonen ekstraksjon rør er illustrert i figur 1.

1. Klargjør programvaren.
   1. Last inn EEG-dataene for å analyseres i et dataanalyse miljø. Last inn eventuelle andre skript biblioteker som er nødvendige, for eksempel EEGLab²².
2. Konverter alle opptak til det samme dataformatet om nødvendig, med alle kanaler i de tilsvarende plasseringene.
   1. Forkast begynnelsen og slutten av hver innspilling (f.eks. 5 min) for å redusere forurensningen av bevegelses artefakter. Dele dataene inn i epoker basert på oppgave eller, hvis det er en hviletilstand innspilling, forhåndsbestemt varighet (for eksempel 10 min). Se NetworkAnalysis_Demonstration. m (del funksjons ekstraksjon) og supplerende figur 1 for en demonstrasjon av implementeringen.
      Merk: Valg av epoken lengden kan ha viktige virkninger på tiltak av sammenheng. Epoker av en tilstrekkelig lengde bør brukes for å sikre at sanne relasjoner mellom signalene dukker opp i beregninger for å unngå ubemerket gjenstander eller forbigående, falske synkroniseringer har en overdreven vekting. Men i dette arbeidet var det ingen statistisk signifikant forskjell i den generelle nettverksstrukturen når ti minutter epoker ble sammenlignet med et gjennomsnitt på 10 1 minutters epoker etter grundig gjenstand avvisning.
3. Utfør gjenstand avvisning ved å visuelt inspisere epoken data og avvise visuelt uegnet data.
   Merk: som modellering teknikken beskrevet er avhengig av forholdet mellom signalene, er det viktig å sikre grundig avvisning av gjenstander. Disse kan ødelegge kanaldata, fører til kunstige økninger (hvis gjenstanden er representert på flere kanaler) eller avtar (hvis gjenstanden er representert bare på noen kanaler) av tiltak av sammenheng.
   1. Identifiser skadede kanaler i innspillingene.
      1. Høypassfilter data ved 0,5 Hz å fjerne Baseline drift på grunn av den flytende bakken av oppkjøpet systemet.
      2. Velg alle kanaler som oppfyller de aktuelle statistiske kriteriene (for eksempel de med et standardavvik som er større enn tre ganger eller mindre enn en tredjedel av det gjennomsnittlige kanal standardavviket).
         Merk: Fjerne kanaler med data som er usannsynlig å ha sin opprinnelse fra nevrale kilder unngår falske relasjoner blir introdusert i nettverket modeller.
      3. Undersøk disse kanalene for å finne ut om de er egnet.
      4. Avvis epoker med upassende kanaler hvis mulig. Alternativt, utelukke det dårlig kanalene og interpolere informasjonen for disse kanalene (e.g., benytter EEGLab ' Spline interpolering algoritmen).
         Merk: Interpolering over et stort antall kanaler eller med bare et lite antall opptaks kanaler kan generere upassende data for analyse. Videre introduserer dette ingen ny informasjon i datasettet og kan resultere i kunstig høye tiltak av sammenheng mellom interpolert signaler og signalene som de er avledet fra.
   2. Utfør den uavhengige komponent analysen på de resterende epoker (f.eks. ved bruk av EEGLab ' s ICA-funksjon). Inspiser de avledede komponentene visuelt og Avvis visuelt upassende data.
   3. Bruk de aktuelle statistiske terskler for å identifisere de potensielle artefakter som ikke umiddelbart fremgår av visuell inspeksjon (for eksempel basert på ekstreme verdier eller unormale Spectra). Undersøk disse og Finn ut om avvisning er hensiktsmessig.
   4. Gjenta den uavhengige komponenten analyse og gjenstand identifikasjon på gjenlevende epoker.
   5. Identifiser data epoker som skal lagres for videre analyse. Forkast alle avviste data epoker. Identifiser alle epoker som skal tas fremover for videre analyse.
      Merk: hvor bare én epoke per emne er nødvendig, velger du den første egnede epoken for videre analyse.
4. Hvis du vil klargjøre dataene, retter du opp grunnlinjen for innspillingene ved å trekke gjennomsnittet av alle kanaler fra opptakene for å unngå virkningen av planlagte vandringer under lange innspillinger. Re-referanse alle kanaler til en passende referanse (f. eks bakken elektroden eller gjennomsnittet av alle kanaler). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m, og supplerende figur 2 for eksempler på implementering.
   Merk: referanse valg kan ha viktige effekter på nettverks tiltakene. Som referansedata er "trekkes ut" av alle analysert kanaler, alle nevrale data som er representert på referanse kanalen vil bli trukket ut og dermed ikke bidra til modellen generasjon. Det er vanlig praksis å bruke referanse signaler innspilt over Skinny prominences uten umiddelbart underliggende nevrale strukturer, for eksempel mastoid prosessen. Men, disse kan bli ødelagt av nevrale data på grunn av volum Lednings effekter gjennom hodebunnen og derfor forvrenge nettverket tiltak differensielt basert på plassering i forhold til referansen. Som et resultat, for hviletilstand data er det best å bruke et gjennomsnitt av alle hodebunnen kanaler som referanse. Dette betyr at alle data ikke refereres til i forhold til en bestemt romlig plassering, forvrenger tiltak, fordi alle kanaler bidrar til referansen. Dette kan ha effekter som dempe den tilsynelatende generelle aktiviteten og kan forvrenge tiltak ved å trekke ut signaler som er svært sterkt representert på enkelte kanaler og dermed bidra sterkt til gjennomsnittet. Dette er et større problem for aktivitets-og hendelses relaterte signaler, men er vanligvis ikke tilfelle med hvile tilstandsdata.
   1. Filtrer alle kanalene digitalt for å isolere frekvenser av interesse (f.eks. 1 Hz-50 Hz). Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m, og supplerende figur 3 for eksempler på implementering.
      Merk: Sikre bruk av passende frekvens grenser og filter parametre for den tiltenkte analysen for å unngå forvrengning av frekvenser på ytterpunktene av undersøkt rekkevidde og aliasing effekter. Null fase Skift 4^th-Order Butterworth filtre utføre riktig. Hensiktsmessig filtrering sikrer at aktiviteten av interesse er isolert for modellering. Selv med et bredt spekter (f. eks 1 Hz-50 Hz), Dette sikrer at høy frekvens gjenstander og lav frekvens Baseline vandrende ikke tolkes som sammenhengende mellom kanaler, forvrenger tiltak.

3. funksjon ekstraksjon

1. Vurdere effekt av Spectral.
   1. Beregn total effekt Spectra ved å utføre en Fourier-transformasjon av hver kanal blir analysert over hele frekvensområdet som skal vurderes (f. eks 1 Hz-50 Hz).
   2. Vurdere aktiviteten i individuelle frekvensbånd: isolere 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 på 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 gjennomføringen av Spectra avledning og isolering av frekvensbånd.
      Merk: EEG data er tradisjonelt delt inn i frekvens "band" for etterforskning. Disse er hovedsakelig navngitt basert på rekkefølgen de ble oppdaget i, og de spesifikke båndbredder varierer noe. Den funksjonelle betydningen av svingninger på bestemte frekvenser er fortsatt et område av aktiv etterforskning. Det er antatt at svingninger innen bestemte band kan være relatert til spesifikke nevrale aktiviteter, slik som fremveksten av en høy amplitude alfa bølge i occipital regionen med øynene lukket, selv om den eksakte forholdet mellom nevrale funksjoner og oscillasjon aktivitet i EEG innspillinger er fortsatt uklart.
   3. Evaluere samlet makt over hele hodebunnen ved å beregne gjennomsnittet av enkelte kanal Spectra. Normalisere kraften i individuelle band med hensyn til den totale kraften til å gi et mål på relativ kraft og gi mer nøyaktige sammenligninger mellom forholdene.
2. Utfør Nettverkstilordning.
   1. Evaluer samspillet mellom det første elektrode paret ved å utlede et mål på interelectrode sammenheng:
      
      Se NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m, og supplerende figur 5 for eksempler på implementering.
      1. Beregn kryss spektret av de to kanalene:
         
         1. Beregn Fourier Transform av hvert signal, X og Y
            
         2. Beregn kryss spektret:
            
            Hvor: t er samplingsintervallet, t er lengden på opptaket, x er Fourier Transform av x, og Y^* er den komplekse bøy av Y.
         3. Ignorer negative frekvenser og riktige tiltak. Den andre halvdelen av datamaskinen frekvens aksen kan bli ignorert i tilfelle av Real-verdsatt signaler, og makten tiltak multiplisert med to for å korrigere for dette.
            Merk: Dette tilsvarer Fourier-transformasjonen av kryss-korrelasjon av x og y.
      2. Normalisere tverr spekteret av kraften Spectra av begge kanaler: .
         1. Beregn Fourier-transformasjonen av hvert signal:
            
         2. Beregn effekt spekteret:
            
            Hvor: t er samplingsintervallet, t er lengden på opptaket, x er Fourier Transform av x, og x^* er kompleks bøy av x.
         3. Ignorer negative frekvenser og riktige tiltak: den andre halvdelen av datamaskinen frekvens aksen kan bli ignorert i tilfelle av Real-verdsatt signaler, og makten tiltak multiplisert med to for å korrigere for dette.
         4. Bruk beregnet kraft Spectra å normalisere tverr spekteret og utlede et mål på sammenheng:
            
            Merk: Dette genererer C, et mål på sammenhengen mellom signalene x og y ved frekvensene . Dette er et mål på forholdet mellom disse signalene på frekvensene undersøkt, målt på en skala fra 0 til 1. Der det er en konstant fase forholdet mellom de to signalene undersøkt på alle tidspunkter, vil sammenhengen ha en verdi på 1, noe som indikerer en sterk sammenheng mellom signalene på disse frekvensene, antyde at aktivitet i ett signal er funksjonelt relatert til aktivitet i den andre (dvs. at det er kommunikasjon mellom de to). Der det ikke er noen fase forhold mellom de to signalene, vil sammenhengen ha en verdi på 0, noe som indikerer at signalene ikke er relatert.
   2. Gjenta denne fremgangsmåten for hvert unike par elektroder for å utvikle et mål på fase stabiliteten mellom signalene ved hvert elektrode par, og bygge opp en modell for funksjonell tilkobling på tvers av alle elektroder.
      Merk: For en montasje av n -elektroder, vil dette gi sammenheng tiltak. Dette representerer å kartlegge de målte tidsserie dataene til et tredimensjonalt fly basert på forholdet mellom innspilte signaler, slik at innholdet i disse samhandlingene kan undersøkes.

4. visualisering av data

1. Utføre Spectral kraft analyse.
   1. Undersøk kraften matriser.
      1. Kart målingene av Spectral kraft som skal visualisere på en todimensjonal datastruktur der hver kolonne er en elektrodeplassering, hver rad er et frekvensbånd, og hver celle er Spectral kraft på dette stedet, innenfor det bandet.
      2. Identifiser maksimum og minimum effektnivåer på tvers av alle forhold som skal sammenlignes. Sett disse på maksimum og minimum for alle forhold. Kart effekt verdiene mellom de identifiserte maksimums-og minimums fargene. Eksporter et fargekart for å visualisere effekt styrken på hvert frekvensbånd ved hver elektrodeplassering (figur 2).
   2. Utfør topografisk kartlegging.
      1. Opprett en datastruktur som inneholder etikettene til hver av de 10-20 system elektrode plasseringene som er brukt, i rekkefølge som tilsvarer datastrukturen som skal tilordnes. Ved hjelp av EEGLab ' s topoplot ()-funksjonen, den Spectral kraftdata, den identifiserte maksimum og minimum, og kanallisten, generere et plott kartlegging fordelingen av Spectral kraft over hodebunnen.
2. Vurdere sammenheng.
   1. Undersøk sammenhengen matriser.
      1. Tilordne målingene av interelectrode sammenheng for å bli sett på en todimensjonal datastruktur der hver kolonne er en elektrodeplassering, hver rad er en elektrodeplassering, og hver celle er sammenhengen mellom det tilsvarende elektrode paret.
      2. Tilordne sammenheng verdiene mellom 0 og 1 til farger. Eksporter et fargekart for å visualisere den interelectrode sammenhengen mellom hvert elektrode par innenfor frekvens grensene som brukes (Figur 3). Gjenta denne fremgangsmåten for hvert frekvensbånd som skal undersøkes. Se utfyllende figur 6 og produce_plots. r for eksempler på implementering. Se Figur 3 for eksempel utdata.
   2. Utfør nettverks visualisering.
      1. For å visualisere interaksjoner med høyere orden mellom kortikale områder og kartlegge nettverks dynamikk, kan du beregne hvordan hvert elektrode par sammenheng måler covaries med de fra alle andre unike elektrode par på tvers av hele spekteret og innenfor bestemte bånd.
      2. Tilordne disse kovariansen målene til farger. Eksportere et fargekart visualisere nettverks dynamikken innenfor og på tvers av frekvensbånd. Se produce_plots. r for eksempler på implementering. Se Figur 4 for eksempel utskrift.

5. analysere nettverksmodeller

Merk: Anvendelsen av moderne statistiske metoder til modellene avledet gir mulighet for å dra nytte av relasjonene modellert i den høye-dimensjonale nettverk funksjonen plass til å undersøke kortikale funksjon. En rekke tilnærminger som gir fordeler fremfor tradisjonelle sammenligninger av individuelle tiltak eller gjennomsnitt av sammenheng tiltak kan iverksettes. Noen av de potensielle tilnærminger disse nettverksmodeller lette er skissert nedenfor. Disse diskuteres bare overfladisk som en indikasjon på de potensielle anvendelser av nettverks modellering, fordi en grundig drøfting av hver teknikk er utenfor omfanget av det nåværende arbeidet.

1. Utfør dimensionality reduksjon.
   Merk: sammenligninger på individuelt variabel nivå ikke klarer å dra nytte av relasjonene som representeres av modellene som er opprettet, mens det å utføre sammenligninger på alle målene i dimensjonale konstruksjoner som er opprettet er problematisk på grunn av stort antall sammenligninger som kreves og unnlatelse av å integrere høyt nivå informasjon som finnes i de statistiske modellene. Kartlegging av høy-dimensjonale data på et lavere-dimensjonale rommet og samtidig opprettholde den informasjonen som genereres av modellen generasjon prosessen gjør det mulig for utførelsen av meningsfulle sammenligninger mens du drar full nytte av modellens data-rik struktur.
   1. Utlede tiltak for sammenligning mellom gruppene som representerer den totale nettverks dynamikken i de statistiske modellene som genereres ved hjelp av den primære komponent analysen. Se NetworkAnalysis_Demonstration. m og supplerende figur 7 for et eksempel på implementering.
      1. Som ovenfor, konstruere en kovariansen matrise for parvis sammenheng tiltak. Dette vil generere en dimensjonal kovariansen konstruere der . Denne modellen er derfor ekstremt høy-dimensjonale og tillater visualisering av høyt nivå nettverks relasjoner som beskrevet ovenfor.
      2. Brytes ned kovariansen matrise i eigenvectors og tilsvarende hva. Dette gjør det mulig å identifisere aksene i modell funksjonsområdet som inneholder størst varians, uten å være avgrenset av eksisterende mål.
      3. Ranger eigenvectors med tilsvarende eigenvalue for å identifisere de som er regnskap for den største andelen av varians i modellen.
   2. Sammenlign de første hovedkomponentene som er avledet fra nettverks modellene. Se NetworkAnalysis_Demonstration. m og supplerende figur 7 for et eksempel på implementering.
      Merk: Den første primære komponenten utgjør den største graden av varians i modellen. Derfor sammenligning av dette tiltaket gjør det mulig for sammenligning av den samlede nettverket dynamikk gjennom hele modellen som helhet mellom grupper med en enkelt statistisk test, slik at for samtidig analyse av de komplekse relasjonene blir modellert og unngå problemene knyttet til mange sammenligninger.
2. Utfør en region av interesse analyse. Modellene avledet representerer nettverkstilkobling over hele cortex, på tvers av alle frekvensbånd. Hvis det er interesse for spesifikke anatomiske områder eller i funksjoner innenfor bestemte band, kan disse regionene av modellen isoleres og analyseres separat.
   1. Velg en anatomisk region av interesse.
      Merk: Begrense analyse til spesifikke anatomiske områder gir mulighet for evaluering av nettverket aktivitet innenfor eller mellom bestemte kortikale områder for å identifisere relasjoner som ikke kan være tydelig på analyse av modellen som helhet.
      1. Identifiser sammenhengen data i modellen knyttet til anatomiske områder av interesse.
      2. Utlede en kovariansen matrise og utføre viktigste komponenten analyse som beskrevet ovenfor for å beregne tiltak av total nettverksarkitektur innenfor regionene av interesse.
      3. Sammenlign målene for nettverks dynamikk i de anatomiske områdene av interesse mellom gruppene som beskrevet ovenfor.
   2. Velg en funksjonell region av interesse.
      Merk: Ved å begrense analysen til bestemte frekvensbånd kan du vurdere nettverksaktiviteten innenfor bestemte oscillasjon frekvenser (Figur 4).
      1. Som med anatomiske analyser, isolere sammenheng data innenfor frekvensbånd av interesse. Se NetworkAnalysis_Demonstration. m og supplerende figur 8 for eksempler på gjennomføring, ved hjelp av interaksjoner i det totale spekteret bare som et eksempel.
      2. Utfør analyse av hovedkomponenter for å utlede målinger av den samlede nettverksaktiviteten innenfor interesse båndene.
      3. Sammenlign tiltakene mellom grupper for å evaluere nettverks forskjellene ved bestemte oscillasjon frekvenser.
3. Bruk maskinlæring.
   Merk: moderne statistiske læringstilnærminger kan brukes på modeller generert for å ytterligere forhøre de høyt nivå relasjonene som er representert i dem.
   1. Bruk veiledet læring.
      Merk: Ved hjelp av data med forhåndsdefinerte klasser, kan modellene av kortikale nettverk brukes til å utlede klassifiserere som kan brukes til å identifisere signaturer innenfor de komplekse relasjonene som representeres av modellene for å klassifisere nye data, åpne muligheten for å undersøke romanen diagnostiske og Prognostisk biomarkører, etc. Videre, hvilke funksjoner innenfor modellene drive disse klassifiseringene for å få innsikt i de underliggende mekanismene kan undersøkes.
      1. Utlede klassifiserere. Ved hjelp av forhånds merkede data kan en klassifiserer utledes for å forutsi klassen av et sett med data basert på nettverks modellene.
         1. Del dataene inn i et sett med emne data for opplæring og et sett for testing av klassifisereren.
         2. Tren en klassifisering algoritme som en støtte vektor maskin eller en tilfeldig skog på de merkede treningsdata.
         3. Vurder ytelsen til den modell opplærte klassifisereren på testdataene.
            Merk: Disse tilnærmingene tillate bruk av statistiske modeller som innganger til å utlede romanen biomarkører.
      2. Utfør sekvensiell eliminering.
         Merk: Ved å bruke modellen til å lære opp en klassifiserer, kan data fjernes iteratively og opplæringsprosessen kan gjentas for å identifisere hvilke komponenter i modellen som kjører prediktiv evne, noe som åpner for gransking av de underliggende mekanismene.
         1. Tren en klassifiserer på modellen som beskrevet ovenfor.
         2. Fjern modell funksjonen med lavest variasjon mellom grupper.
         3. Gjenta treningsprosessen og Vurder ytelse.
         4. Gjenta fjerningen av den gjentakende funksjonen til funksjonene som bidrar mest til ytelsen, identifiseres. Dette er modell komponenter som er ansvarlige for evnen til å skille mellom klassene.
   2. Utfør uten tilsyn læring.
      Merk: ved hjelp av modellene alene, kan innsikt oppnås inn i gruppene blir undersøkt. Ved å modellering dataene som tredimensjonale konstruksjoner basert på forholdet mellom innspillinger, kan relasjoner mellom grupper som ikke ble sett på nivået av individuelle innspillinger bli tydelige. Uten tilsyn teknikker som Clustering algoritmer tillate for undersøkelse av relasjoner innenfor modellene, men er begrenset av forhåndsdefinerte klasser.
      1. Ved hjelp av en avstandsberegning, for eksempel euklidsk avstand, beregner du målene for avstanden mellom emnene i området som er definert av nettverks modellen. Se NetworkAnalysis_Demonstration. m og supplerende figur 9 for et eksempel på implementering.
      2. Bruk en klynge algoritme, for eksempel k-nærmeste naboer, til å identifisere gruppene i dataene basert på modell parametrene (figur 5).
      3. Gjenta denne fremgangsmåten ved hjelp av en sekvensiell eliminerings prosedyre som beskrevet ovenfor, for å undersøke hvordan individuelle funksjoner bidrar til grupperinger i modellen.
         Merk: Dette tillater bruk av de avledede modeller for å identifisere gruppene i dataene som ikke var åpenbare ellers. Dette kan gi for avledning av sykdoms under typer, patologiske grupperinger, etc., som bare er tydelig på nettverksnivå.

Representative Results

Målinger av Spectral kraft vil produsere n tiltak for hvert frekvensbånd målt, der n er antall kanaler registrert. Disse tiltakene vil være i desibel for den samlede makten. Tiltak av kraft innenfor individuelle frekvensbånd bør uttrykkes som relativ strøm (dvs. andelen av den samlede makten som representeres av kraft i dette båndet) for å muliggjøre nøyaktige sammenligninger mellom grupper og forhold.

Et eksempel på visualisering av Spectral makt over flere band og på tvers av innspilte kanaler er vist i figur 2. Spectral makt kan være interpolert over hodebunnen, slik at begrenset estimering av "kilden" aktivitet.

Interelectrode sammenheng tiltak gir et mål for hver unike elektrode par (dvs. , hvor n er antall kanaler registrert). Hvert av disse tiltakene er mellom 0 og 1, der 0 representerer ingen sammenheng mellom innspillinger og 1 representerer full sammenheng mellom innspillinger. Dette er et mål på i hvilken grad aktiviteten i ett område endres avhengig av aktiviteten i et annet område, noe som åpner for forskjeller i retning av samhandling og tidsforsinkelse. Høyere verdier av sammenheng tyder på interaksjoner mellom områdene, som det er tydelig at de registrerte områdene kommuniserer med hverandre. Ved å måle samspillet mellom hver unike elektrode par, et statistisk kart over hvordan de innspilte kanalene er i samspill kan bygges opp. Dette gjør det mulig å undersøke hvordan områder kommuniserer, i stedet for å fokusere på enkeltområder isolert, som i tradisjonelle metoder. Et eksempel på visualisering av sammenheng tiltak for en 8-elektrode montasje er vist i Figur 3.

Disse sammenhengen måler raskt produsere store mengder data, noe som gjør analyse av hvert tiltak med individuelle statistiske tester en uholdbar strategi. Videre undersøker individuelle interaksjoner er ikke nødvendigvis interessant eller meningsfylt når de vurderer interaksjoner over hele kortikale nettverk. Dimensionality reduksjons teknikker som hovedkomponent analyse gjør det mulig å vurdere tiltak fra disse statistiske konstruksjoner for å lette sammenligningen av total nettverks dynamikk ved hjelp av tradisjonelle statistiske metoder. Klassifiserer-baserte metoder, ved hjelp av maskinlæringsteknikker, tilbyr en ekstra lovende vei for å integrere disse tredimensjonale data konstruksjoner for å klassifisere data og forutsi utfall.

Visualisering av nettverks dynamikk med høyere orden tillater gjenkjennelse av typer interaksjoner som sammenlignes av en hovedkomponent analyse eller en klassifiserer-basert teknikk. Dette kan oppnås ved hjelp av farge kartlegging av kovariansen tiltak av interelectrode sammenheng tiltak av elektrode parene. Dette evaluerer hvordan sammenhengen måler i ett elektrode par forholder seg til endringer i sammenheng ved et annet par, noe som tyder på bredere nettverks interaksjoner og integrering av aktivitet over cortex. Dette tillater visualisering av hvordan områder er i samspill på en måte som ikke er mulig med tradisjonelle tiltak. Et eksempel på hva slags High-dimensjonale nettverk kart som kan lages ved hjelp av denne teknikken er vist i Figur 4. Dette demonstrerer forskjellene tydelig på nettverks kartlegging mellom to med ulike kliniske fenotyper av en nevropsykiatriske lidelse som påvirker kortikale funksjon, der det ikke var noen statistisk signifikante forskjeller ved bruk av standard analysemetoder.

Figur 1: skjematisk av dataanalyse rørledning. Oversikt over viktige trinn i utarbeidelsen av rådata og utvinning av tiltak av interesse. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 2: representativ matrise av Spectral kraft tiltak. Hver kolonne representerer en elektrodeplassering, og hver rad representerer et frekvensbånd av interesse. Intensitet for cellefarge representerer verdien av relativ effekt for den tilsvarende frekvensen på den tilsvarende elektrode plasseringen. Produserer n x f tiltak, der n er antall opptaks elektroder som brukes og f er antall frekvensbånd av interesse. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 3: representativ matrise av interelectrode sammenheng tiltak. Hver rad og hver kolonne representerer en elektrodeplassering. Intensiteten på cellefargen representerer verdien av interelectrode sammenheng mellom det tilsvarende elektrode paret. Produserer tiltak for hvert frekvensbånd av interesse, der n er antall opptaks elektroder som brukes. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 4: representative visualisering av høyere rekkefølge nettverk dynamikk, sammenligner to fenotyper av nevropsykiatriske uorden. Hver rad og hver kolonne representerer et unikt elektrode par. Cellefarge intensitet representerer verdien av kovariansen mellom de tilsvarende elektrode parene. Produserer tiltak for hvert frekvensbånd av interesse, der p er antall unike elektrode parene som brukes. (A) demonstrerer både innenfor-og på tvers av frekvens interaksjoner innenfor kortikale nettverk, mens (B) visualiserer en region av interesse analyse fokusert på nettverket dynamikk innenfor den samlede makt spekteret bare. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 5: representativ visualisering av klynge algoritmen uten tilsyn. I en gruppe tilsynelatende godt matchet pasienter med en nevropsykiatriske lidelse, klynger basert på modellen data alene identifiserte grupper i befolkningen som ikke var tydelig på standard analyser. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 1: skjermbilde demonstrerer epoching av EEG data. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 2: skjermbilde demonstrerer de grunnleggende forbehandling trinnene. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 3: skjermbilde demonstrerer filtrering for frekvenser av interesse. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 4: beregne kanalen Spectra og isolere data innenfor individuelle band. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 5: beregne sammenheng mål for hvert elektrode par. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 6: kartlegging utledet tiltak for å fargekart og visualisering. Figur 3 og figur 4 demonstrerer prøve utganger. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 7: bygging av kovariansen matriser, utføre viktigste komponenten analyse og sammenligne grupper basert på viktigste komponentene. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 8: analyse av bestemte områder av interesse ved å isolere delsett av data. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 9: avledning av en distanse beregning og bruk av en klynge algoritme for å identifisere grupper ved hjelp av lærings teknikker uten tilsyn. Vennligst klikk her for å se en større versjon av dette tallet.

Discussion

Den beskrevne metoden gjør at avledning av statistiske kart over kortikale nettverk dynamikk fra ikke-invasiv EEG data. Dette gjør at etterforskningen av fenomener ikke lett tydelig på undersøkelse av enkle tidsserier data gjennom vurdering av hvordan de registrerte regionene er i samspill med hverandre, i stedet for å vurdere hva som skjer i hvert enkelt sted i Isolasjon. Dette kan avdekke viktig innsikt i sykdoms patologi¹⁸.

Det vesentlige aspektet ved denne metoden er å sikre datakvalitet. Strenge data evaluering, gjenstand avvisning, og forbehandling er nødvendig for å sikre at data er av tilstrekkelig høy kvalitet for å gi meningsfulle resultater. Forutsatt at dataene som brukes er av riktig kvalitet, kan funksjonen utvinning komponent enkelt endres til modell nettverks interaksjoner i bestemte regioner av interesse bare, eller innenfor vilkårlig frekvens grenser, samt modellering komplekse interaksjoner på tvers bestemte regioner og frekvensbånd.

Denne tilnærmingen er begrenset av den høye dimensionality av de produserte resultatene, som raskt kan produsere store mengder data hvis mange kanaler brukes. Dette kan begrense interpretability av de rå resultatene og resultere i lang beregning ganger. Bruken av dimensionality reduksjons teknikker, slik som hovedkomponent analyse²³, er derfor nødvendig å tillate meningsfulle statistiske sammenligninger gjøres mellom grupper uten å måtte utføre stort antall statistiske tester. Videre kan bruken av de produserte tredimensjonale nettverkskart for å hjelpe beslutningstaking kreve bruk av maskin lærings klassifiserere for å muliggjøre integrering av store mengder data, som ikke er lett interpretable manuelt og ikke kan lett reduseres til ett enkelt mål²⁴.

Denne tilnærmingen gir en langt større kapasitet til å undersøke endringer i nettverket dynamikk enn rå EEG tidsserier, samtidig som det gir betydelige fordeler fremfor Imaging teknikker som funksjonell MRI, inkludert enkel tilgjengelighet, kostnader og større tid Oppløsning. Fremtidige anvendelser av denne metoden for å subtyping av nevrologisk sykdom, prediksjon av behandling respons, og sykdom prognostication tilbyr muligheten for sterkt å utvide den kliniske nytten av dagens kliniske EEG teknologier gjennom forbedret 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