Statistische modellering van corticale connectiviteit met niet-invasieve Elektroencephalogrammen

Summary

Standaard EEG analysetechnieken bieden beperkt inzicht in de functie van het zenuwstelsel. Het afleiden van statistische modellen van corticale connectiviteit biedt veel meer mogelijkheden om de onderliggende netwerk dynamiek te onderzoeken. Verbeterde functionele beoordeling opent nieuwe mogelijkheden voor diagnose, prognose en uitkomst voorspelling bij aandoeningen van het zenuwstelsel.

Abstract

Niet-invasieve elektrofysiologische opnames zijn nuttig voor de evaluatie van de functie van het zenuwstelsel. Deze technieken zijn goedkoop, snel, repliceerbaar en minder resource-intensieve dan Imaging. Verder hebben de geproduceerde functionele gegevens een uitstekende temporele resolutie, die niet haalbaar is met structurele beeldvorming.

De huidige toepassingen van elektro-encefalogrammen (EEG) worden beperkt door gegevensverwerkings methoden. Standaard analysetechnieken die gebruikmaken van RAW time series-gegevens op afzonderlijke kanalen zijn zeer beperkte methoden om het zenuwstelsel te ondervragen. Meer gedetailleerde informatie over de corticale functie kan worden bereikt door de relaties tussen kanalen te onderzoeken en statistische modellen te afleiden van hoe gebieden interageren, zodat er een visualisatie van connectiviteit tussen netwerken mogelijk is.

Dit manuscript beschrijft een methode voor het afleiden van statistische modellen van corticale netwerkactiviteit door op een standaard manier EEG op te nemen en vervolgens de coherentie maatregelen van de interelektrode te onderzoeken om de verhoudingen tussen de opgenomen gebieden te beoordelen. Hogere order interacties kunnen verder worden onderzocht door de covariantie tussen de samenhang paren te beoordelen, waardoor hoogdimensionale "kaarten" van netwerk interacties worden geproduceerd. Deze gegevens constructies kunnen worden onderzocht om de corticale netwerkfunctie en haar relatie tot pathologie te beoordelen op manieren die niet haalbaar zijn met traditionele technieken.

Deze aanpak biedt meer gevoeligheid voor interacties op netwerkniveau dan haalbaar is met RAW time series-analyse. Het is echter beperkt door de complexiteit van het tekenen van specifieke mechanistische conclusies over de onderliggende neurale populaties en de grote hoeveelheden gegenereerde gegevens, die geavanceerdere statistische technieken voor evaluatie vereisen, inclusief dimensionaliteit reductie-en classificatiergebaseerde benaderingen.

Introduction

Deze methode is bedoeld om statistische kaarten van corticale netwerken te produceren op basis van niet-invasieve elektrode opnames met behulp van een klinisch levensvatbare opstelling, om onderzoek te kunnen doen naar de pathologie van het zenuwstelsel, de impact van nieuwe behandelingen en de ontwikkeling van nieuwe elektrofysiologische biomarkers.

EEG biedt een groot potentieel voor het onderzoek van de functie van het zenuwstelsel en de ziekte^1,2. Deze technologie is goedkoop, gemakkelijk beschikbaar in onderzoek en klinische instellingen, en over het algemeen goed verdragen. De eenvoudige, niet-invasieve aard van opnames maakt klinisch gebruik eenvoudig, en het bestaande kader van klinische EEG-afdelingen zorgt voor gemakkelijke toegang tot de technologie voor clinici.

Vanuit technisch oogpunt biedt EEG een uitstekende tijddomein resolutie³. Dit is van groot belang bij het onderzoeken van de functie van het zenuwstelsel als gevolg van de snelle tijdschema's van de interacties van het zenuwstelsel en de netwerk dynamiek. Terwijl Imaging methoden zoals functionele MRI bieden een grotere ruimtelijke resolutie en gemakkelijk interpreteerbare beelden, ze zijn veel beperkter in hun vermogen om te ondervragen zenuwstelsel functie op de fijne tijdschalen aangeboden door elektrofysiologische opnames ^4,5,6.

Er is een groeiende behoefte aan het vermogen om de functie van het zenuwstelsel te ondervragen om de diagnose, behandeling en prognosticatie van aandoeningen van het zenuwstelsel te informeren. De rol van corticale netwerk dynamiek in de pathologie van het zenuwstelsel wordt steeds meer erkend⁷. Veel pathologieën van het zenuwstelsel produceren geen macroscopische structurele laesies die zichtbaar zijn bij traditionele beeldvorming, maar de afwijkingen die op netwerkniveau worden geproduceerd, kunnen duidelijk zijn met geschikte functionele analysemethoden.

Helaas zijn de huidige EEG-analysemethoden in dit opzicht sterk beperkt. Traditionele methoden omvatten de analyse van eenvoudige time series-gegevens van afzonderlijke elektroden. Deze signalen vertegenwoordigen de sommatie van veld potentialen in grote corticale gebieden^3,8. Analyse van gegevens uit afzonderlijke kanalen in afzondering met behulp van visuele inspectie of eenvoudige statistische methoden beperkt het nut van deze opnames tot het opsporen van bruto elektrofysiologische afwijkingen in discrete, individuele locaties. Met de toenemende erkenning van het belang van effecten op netwerkniveau aan de functie en pathologie van het zenuwstelsel, zijn deze eenvoudige analysemethoden duidelijk gebrekkig omdat ze geen subtiele relaties tussen signalen kunnen detecteren, die afwijkingen in hoe corticale gebieden interactie met elkaar op het niveau van het netwerk.

Een methode voor het afleiden van statistische kaarten van corticale netwerkconnectiviteit van laag-dimensionale elektrode opnames wordt aangetoond. Deze methode maakt onderzoek mogelijk van de dynamiek van interacties tussen verschillende hersengebieden op een manier die niet mogelijk is met traditionele analysetechnieken, evenals visualisatie van deze netwerk interacties. Dit opent de mogelijkheid voor niet-invasieve onderzoek van effecten op netwerkniveau op hoge tijddomein resoluties op manieren die niet eerder mogelijk. Deze methode is gebaseerd op de afleiding van maatregelen van interelektrode coherentie^9,10. Deze maatregelen maken het mogelijk te onderzoeken hoe twee geregistreerde regio's met elkaar omgaan door de statistische relaties tussen de opnames van deze gebieden¹¹te evalueren. Door te beoordelen hoe elk geregistreerd gebied samenwerkt met elk ander geregistreerd gebied, kan een statistische kaart van elektrofysiologische netwerken binnen de vastgelegde gebieden worden gemaakt. Dit zorgt voor de ontdekking van functionele relaties die niet duidelijk zijn bij de evaluatie van individuele kanaal gegevens in afzondering.

De focus van dit manuscript ligt op het gebruik van coherentie op neurale tijdreeksen. Op dit moment zijn er een aantal technieken voor het onderzoeken van de relaties tussen time series-gegevens die kunnen worden toegepast op kanalen in een Pairwise mode om modellen van corticale connectiviteit af te leiden. Sommige methoden, zoals de daarmee samenhangende gedeeltelijke gerichte coherentie^12,13, beogen de richting van de invloed van het onderzochte paar signalen af te leiden om de structuur van de onderliggende netwerken beter te karakteriseren, terwijl andere methoden, zoals Granger causaliteit^14,15, proberen functionele relaties af te leiden door het vermogen van één signaal om de gegevens in een andere te voorspellen. Methoden zoals deze kunnen op vergelijkbare wijze worden toegepast om high-dimensionale modellen van corticale netwerken te genereren. De voordelen van coherentie als middel om de relaties tussen neurale signalen te onderzoeken ligt echter in het ontbreken van veronderstellingen. Het is mogelijk om statistische relaties tussen opnames op twee sites te onderzoeken zonder uitspraken te doen over de functionele basis van deze relaties en om een model van corticale connectiviteit op te bouwen op basis van louter statistische relaties met minimale veronderstellingen over de corticale netwerken die deze signalen genereren.

Vanwege de zuiver wiskundige aard van deze maatregelen is de relatie tussen de coherentie metingen van elektrode opnames bij de hoofdhuid en de onderliggende neurale activiteit complex^16,17. Hoewel deze methoden het afleiden van statistische constructies mogelijk maken om de relaties tussen de elektrode-opnames ter vergelijking te beschrijven, is het maken van directe causaal gevolgtrekkingen over de activiteit van de specifieke onderliggende neurale populaties niet rechtlijnig^3,8,16,17. Deze benaderingen maken vergelijking van de activiteit op netwerkniveau tussen groepen mogelijk om potentieel nuttige biomerkers te identificeren, maar zijn beperkt in het tekenen van specifieke conclusies met betrekking tot de relatie van deze markers tot specifieke neurale mechanismen. Dit komt door het grote aantal verstorende factoren dat de vastgelegde activiteit³beïnvloedt, evenals problemen met het inschatten van de specifieke corticale bron van elektrische signalen die zijn opgenomen op het niveau van de hoofdhuid⁸. Deze benaderingen kunnen veeleer statistische modellen van activiteiten produceren die kunnen worden verhoord en vergeleken tussen groepen om te bepalen dat er verschillen bestaan op netwerkniveau¹⁸ en kunnen worden gebruikt om nieuwe biomarkers te produceren op basis van deze Constructies. Echter, deze methoden alleen hebben een beperkte capaciteit om te relateren de verschillen gezien specifieke mechanismen en neurale activiteiten als gevolg van de complexiteit van het onderliggende systeem.

Het gebruik van netwerk maatregelen zoals coherentie is goed verankerd in systemen neurowetenschappen^16,17. Het volledige potentieel van deze benaderingen voor het modelleren en onderzoeken van de corticale functie is beperkt door een gebrek aan exploitatie van deze high-dimensionale datastructuren. Dit werk toont aan dat het mogelijk is om deze maatregelen toe te passen op EEG kanalen op een Pairwise manier om gegevens in kaart te brengen op een high-dimensionale functie ruimte op basis van louter de statistische relaties tussen de elektrische activiteit in corticale regio's. Het toont ook aan dat, met behulp van moderne statistische technieken, het mogelijk is om de gegenereerde modellen van de corticale functie te gebruiken om deze modellen te onderzoeken zonder de informatie te verliezen die is opgedaan in het modelleringsproces.

Deze methode is potentieel waardevol in het uitbreiden van het toepassingsgebied van bestaande EEG-technologieën, waardoor het vermogen om bruikbare functionele maatregelen te nemen zonder aanpassingen van bestaande opnameapparatuur te verbeteren^18,19 . Door het verbeteren van de mogelijkheid om de corticale functie te modelleren en deze modellen te ondervragen, worden de problemen die kunnen worden onderzocht met behulp van EEG-gegevens uitgebreid. Dit opent verder de mogelijkheid van een grotere integratie van functionele en structurele evaluaties voor onderzoek naar neurologische aandoeningen^20,21. Deze aanpak, met behulp van technologie die al op grote schaal beschikbaar is klinisch, zou het onderzoek van corticale pathologieën met zowel hoge temporele en ruimtelijke resolutie mogelijk maken.

Protocol

Het volgende experimentele protocol is in overeenstemming met alle lokale, nationale en internationale ethische richtlijnen voor menselijk onderzoek. De gegevens die worden gebruikt om het protocol te testen, zijn verkregen met toestemming van het ethisch comité van regio Tuscany-protocol 2018SMIA112 SI-RE.

Opmerking: De scripts die worden gebruikt voor de uitvoering van de beschreven analyses zijn beschikbaar op https://github.com/conorkeogh/NetworkAnalysis.

1. verzameling van onbewerkte gegevens

1. De voorwaarden voor de voorbereiding.
   1. Om consistentie tussen opnames te garanderen, voert u alle EEG-opnames uit in een speciale opnameomgeving. Verwijder alle apparatuur of stimuli die niet direct relevant zijn voor de taak die moet worden uitgevoerd tijdens het opnemen uit de omgeving om afleiding te voorkomen.
      Opmerking: Als rust staat opnames moeten worden uitgevoerd, verwijder alle bronnen van afleiding uit de ruimte en bloot onderwerpen aan de opnameomgeving voorafgaand aan de opnamesessie om nieuwheid uit de omgeving te verwijderen.
   2. Geef het onderwerp duidelijke instructies met betrekking tot de taak die moet worden uitgevoerd. Zodra de apparatuur is ingesteld, laat u het onderwerp alleen in de opnameomgeving om te wennen aan de omgeving voordat u begint met opnemen om beweging en afleiding te minimaliseren.
   3. Als het onderwerp een verstandelijke handicap heeft, laat hem/haar dan de nodige tijd om te wennen aan het milieu om eventuele stress te beperken. Soms kan dit meerdere bezoeken en een verlengd verblijf in de opnameruimte vereisen.
2. Monteer de elektroden.
   1. Bevestig de elektrode dop aan het hoofd van de patiënt en zorg ervoor dat de juiste uitlijning wordt gewaarborgd. Injecteer geleidende gel in elk van de elektrode poorten, beginnend bij de hoofdhuid en trek langzaam op het oppervlak van de dop om elektrisch contact met de weegschaal te creëren en de signaal-ruis verhouding te verbeteren.
   2. Bevestig de elektroden aan de elektrode dop met behulp van een vooraf bepaalde elektrode montage op basis van het 10 − 20 systeem. Bevestig geschikte grond elektroden (bijv. aan de mastoïde processen).
3. Het EEG instellen.
   1. Sluit alle elektroden aan op een elektrofysiologisch opnamesysteem. Koppel het opnamesysteem met een geschikte digitale opnameomgeving.
   2. Controleer alle opnamekanalen om ervoor te zorgen dat de offset binnen een geschikt bereik ligt en om overmatige kanaal ruis te voorkomen. Als een kanaal een overmatige offset of ruis heeft, kan extra geleidende gel worden toegevoegd om de elektrische verbinding te verbeteren, waarbij wordt gezorgd dat er geen overbrugging tussen elektrode locaties ontstaat.
   3. Instrueer het onderwerp dat de opname is begonnen en om alle onnodige bewegingen te voorkomen. Voer een korte testopname uit om de juiste opnamekwaliteit te controleren.
4. Bereid de gedrags taak voor op de opname.
   1. Alle taakgerelateerde instructies met het onderwerp te verduidelijken. Herhaal het belang van het vermijden van alle onnodige bewegingen.
   2. Leg uit dat de opname begint op een duidelijk overeengekomen signaal (bijv. een klop op de deur van de opnameomgeving). Laat het onderwerp in de opnameomgeving. Start de opname. Het overeengekomen signaal aan het onderwerp te geven.
   3. Na de voltooiing van de taak of de periode van rusttoestand, stop de opname, Controleer de gegevens visueel om de kwaliteit te waarborgen en sla de gegevens op.

2. voor verwerking van gegevens

Opmerking: De datavoorbereiding en functie extractie pijpleiding wordt geïllustreerd in Figuur 1.

1. De software voorbereiden.
   1. Laad de EEG-gegevens die moeten worden geanalyseerd in een omgeving voor gegevensanalyse. Laad eventuele extra script bibliotheken die nodig zijn, zoals EEGLab²².
2. Converteer indien nodig alle opnames naar hetzelfde gegevensformaat, met alle kanalen op hun corresponderende locaties.
   1. Gooi het begin en einde van elke opname weg (bijvoorbeeld 5 min) om de vervuiling van bewegings artefacten te verminderen. Splits de gegevens in tijdperken op basis van taak of, als het een rust staat opname, vooraf bepaalde duur (bijv., 10 min). Zie NetworkAnalysis_Demonstration. m (sectie functie extractie) en aanvullend figuur 1 voor een demonstratie van de uitvoering.
      Opmerking: De selectie van de epoche lengte kan belangrijke gevolgen hebben voor de coherentie maatregelen. Er moeten tijdperken van voldoende lengte worden gebruikt om ervoor te zorgen dat er echte verhoudingen tussen de signalen ontstaan in de berekeningen om ongemerkt artefacten of voorbijgaande, valse synchronisaties met een buitensporige weging te voorkomen. Echter, in dit werk was er geen statistisch significant verschil in de algehele netwerkstructuur toen tien minuten tijdperken werden vergeleken met een gemiddelde van 10 1-minuten tijdperken na grondige artefact afwijzing.
3. Voer artefact afwijzing uit door de Epoch-gegevens visueel te inspecteren en visueel ongeschikte gegevens te weigeren.
   Opmerking: aangezien de beschreven modellerings techniek afhankelijk is van de relaties tussen signalen, is het essentieel om een grondige afwijzing van artefacten te garanderen. Deze kunnen de kanaal gegevens beschadigen, wat leidt tot kunstmatige verhogingen (als het artefact op meerdere kanalen wordt weergegeven) of afneemt (als het artefact alleen op sommige kanalen wordt weergegeven) van samenhangende maatregelen.
   1. Identificeer slechte kanalen in de opnames.
      1. High Pass filter gegevens op 0,5 Hz om de baseline drift te verwijderen als gevolg van het zwevende terrein van het acquisitie systeem.
      2. Selecteer alle kanalen die voldoen aan de relevante statistische criteria (bijvoorbeeld die met een standaarddeviatie groter dan driemaal of minder dan een derde van de gemiddelde standaarddeviatie van het kanaal).
         Opmerking: Het verwijderen van de kanalen met gegevens die waarschijnlijk niet afkomstig zijn van neurale bronnen voorkomt dat valse relaties worden geïntroduceerd in de netwerkmodellen.
      3. Bekijk deze kanalen om te bepalen of ze geschikt zijn.
      4. Verwerp de tijdperken zo mogelijk met ongeschikte kanalen. U ook de slechte kanalen uitsluiten en de gegevens op deze kanalen interpoleren (bijvoorbeeld met behulp van het spline-algoritme voor interpolatie van EEGLab).
         Opmerking: Interpolatie over een groot aantal kanalen of met slechts een klein aantal opnamekanalen kan ongeschikte gegevens genereren voor analyse. Verder introduceert dit geen nieuwe informatie in de gegevensset en kan dit resulteren in kunstmatig hoge maatregelen van samenhang tussen geïntermuleerde signalen en de signalen waaruit ze zijn afgeleid.
   2. Voer de onafhankelijke component analyse uit op de overgebleven tijdperken (bijv. met behulp van de ICA-functie van EEGLab). Inspecteer de afgeleide componenten visueel en weiger visueel ongeschikte gegevens.
   3. Pas de juiste statistische drempels toe om de mogelijke artefacten te identificeren die niet onmiddellijk zichtbaar zijn bij visuele inspectie (bijvoorbeeld op basis van extreme waarden of abnormale Spectra). Bekijk deze en bepaal of afwijzing gepast is.
   4. Herhaal de onafhankelijke component analyse en artefact identificatie op de overgebleven tijdperken.
   5. Identificeer de gegevens tijdperken die moeten worden opgeslagen voor verdere analyse. Gooi alle afgekeurde gegevens weg. Identificeer alle te nemen tijdperken voor verdere analyse.
      Opmerking: als er slechts één epoche per onderwerp vereist is, selecteert u het eerste geschikte tijdperk voor verdere analyse.
4. Om de gegevens voor te bereiden, corrigeer de baseline van de opnames door het gemiddelde van alle kanalen van de opnames af te trekken om te voorkomen dat de impact van de baseline rondloopt tijdens langdurige opnames. Herverwijs alle kanalen naar een geschikte referentie (bijv. de aardelektrode of het gemiddelde van alle kanalen). Zie NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m, en aanvullend figuur 2 voor voorbeelden van uitvoering.
   Opmerking: referentie selectie kan belangrijke gevolgen hebben voor de netwerk maatregelen. Aangezien de referentiegegevens worden "afgetrokken" van alle geanalyseerde kanalen, zullen alle neurale gegevens die op het referentie kanaal worden weergegeven, worden afgetrokken en dus niet bijdragen aan de modelgeneratie. Het is gebruikelijk om te gebruiken referentie signalen opgenomen over Bony prominenties zonder onmiddellijk onderliggende neurale structuren, zoals de mastoïde proces. Echter, deze kunnen worden beschadigd door neurale gegevens als gevolg van volume geleidings effecten door de hoofdhuid en daarom verstoren netwerk maatregelen op basis van locatie ten opzichte van de referentie. Dientengevolge, voor rust staat gegevens is het het beste om een gemiddelde van alle hoofdhuid kanalen als referentie te gebruiken. Dit betekent dat alle gegevens niet worden verwezen ten opzichte van een specifieke ruimtelijke locatie, verstorende maatregelen, omdat alle kanalen bijdragen aan de verwijzing. Dit kan effecten hebben zoals het dempend maken van de schijnbare algemene activiteit en kan maatregelen verstoren door signalen die sterk op sommige kanalen worden weergegeven af te trekken en zo sterk bij te dragen aan het gemiddelde. Dit is een groter probleem voor activiteit-en gebeurtenisgerelateerde signalen, maar is meestal niet het geval met rust statusgegevens.
   1. Filter alle kanalen digitaal om frequenties van belang te isoleren (bijv., 1 Hz-50 Hz). Zie NetworkAnalysis_Demonstration. m, NetworkAnalysis_Preprocess. m, en aanvullend figuur 3 voor voorbeelden van uitvoering.
      Opmerking: Zorg voor het gebruik van geschikte frequentielimieten en filter parameters voor de beoogde analyse om de verstoring van frequenties bij de uitersten van het onderzochte bereik en de aliasing-effecten te voorkomen. Zero phase-shift 4^th-orde Butterworth-filters worden op de juiste manier uitgevoerd. Geschikte filtering zorgt ervoor dat de activiteit van belang wordt geïsoleerd voor modellering. Zelfs met een breed bereik (bijv. 1 Hz-50 Hz) zorgt dit ervoor dat artefacten met een hoge frequentie en het rondzwerven van lage frequenties niet worden geïnterpreteerd als samenhangend tussen kanalen, verstorende maatregelen.

3. functie extractie

1. Beoordeel spectrale kracht.
   1. Bereken de totale vermogens Spectra door een Fourier-transformatie uit te voeren van elk kanaal dat wordt geanalyseerd over het gehele frequentiebereik dat moet worden beoordeeld (bijv. 1 Hz-50 Hz).
   2. De activiteit in individuele frequentiebanden beoordelen: Isoleer de theta-band bij 4 Hz-8 Hz. Isoleer de Alfa band bij 8 Hz-12 Hz. Isoleer de bèta band bij 12 Hz-30 Hz. Isoleer de Delta band op 0,5 Hz-4Hz. Isoleer de gamma band bij > 30 Hz (bijv. , 30-50 Hz). Zie NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m, en aanvullend figuur 4 voor voorbeelden van de implementatie van spectra afleiding en isolatie van frequentiebanden.
      Opmerking: EEG-gegevens worden traditioneel onderverdeeld in frequentie "bands" voor onderzoek. Deze worden voornamelijk genoemd op basis van de volgorde waarin ze werden ontdekt, en de specifieke bandbreedtes variëren enigszins. De functionele betekenis van oscillaties bij specifieke frequenties blijft een gebied van actief onderzoek. Er wordt gedacht dat oscillaties binnen specifieke bands kunnen worden gerelateerd aan specifieke neurale activiteiten, zoals de opkomst van een hoge amplitude Alfa Golf in het occipitale gebied met de ogen gesloten, hoewel de exacte relatie tussen neurale functies en oscillatoire activiteit in EEG opnames blijft onduidelijk.
   3. Evalueer de totale macht over de hele hoofdhuid door het gemiddelde van individuele kanaal spectra te berekenen. Normaliseer het vermogen in individuele bands met betrekking tot het totale vermogen om een meting van relatieve kracht te geven en een nauwkeurigere vergelijking tussen de omstandigheden mogelijk te maken.
2. Netwerktoewijzing uitvoeren.
   1. Evalueer de interacties tussen het eerste elektrode paar door een meting van de coherentie van de interelektrode te afleiden:
      
      Zie NetworkAnalysis_Demonstration. m, NetworkAnalysis_FeatureExtraction. m, en aanvullend cijfer 5 voor voorbeelden van uitvoering.
      1. Bereken het kruislings spectrum van de twee kanalen:
         
         1. Bereken de Fourier-transformatie van elk signaal, X en Y
            
         2. Bereken het kruislings spectrum:
            
            Waar: t is het bemonsterings interval, t is de lengte van de opname, x is de Fourier-transformatie van x, en y^* is het complexe geconjugeerde van y.
         3. Negeer de negatieve frequenties en de juiste maatregelen. De tweede helft van de computerfrequentieas kan worden genegeerd in het geval van reëel-waardige signalen, en de krachtmetingen vermenigvuldigd met twee om dit te corrigeren.
            Opmerking: Dit komt overeen met de Fourier-transformatie van de kruiscorrelatie van x en y.
      2. Normaliseer het kruislings spectrum door de vermogens spectra van beide kanalen :.
         1. Bereken de Fourier-transformatie van elk signaal:
            
         2. Bereken het energie spectrum:
            
            Waar: t is het bemonsterings interval, t is de lengte van de opname, x is de Fourier-transformatie van x, en x^* is het complexe geconjugeerde van x.
         3. Negeer de negatieve frequenties en de juiste maatregelen: de tweede helft van de computerfrequentieas kan worden genegeerd in het geval van reëel-waardige signalen, en de vermogens maatregelen vermenigvuldigd met twee om dit te corrigeren.
         4. Gebruik de berekende vermogens Spectra om het kruislings spectrum te normaliseren en een zekere mate van coherentie te behalen:
            
            Opmerking: Dit genereert C, een meting van de samenhang tussen de signalen x en y bij de frequenties. Dit is een maatstaf voor de relatie tussen deze signalen bij de onderzochte frequenties, gemeten op een schaal van 0 tot 1. Wanneer er een constante fase verhouding is tussen de twee signalen die op alle tijdspunten worden onderzocht, zal de samenhang een waarde van 1 hebben, wat duidt op een sterke relatie tussen signalen bij die frequenties, hetgeen impliceert dat de activiteit in één signaal functioneel is gerelateerd aan activiteit in de andere (d.w.z. dat er communicatie tussen de twee is). Wanneer er geen fase verhouding is tussen de twee signalen, zal de samenhang een waarde van 0 hebben, wat aangeeft dat de signalen niet gerelateerd zijn.
   2. Herhaal deze procedure voor elk uniek paar elektroden voor het ontwikkelen van een meting van fase stabiliteit tussen de signalen bij elke elektrode paar, het opbouwen van een model van functionele connectiviteit over alle elektroden.
      Opmerking: Voor een montage van n elektroden, zal dit samen hang maatregelen te produceren. Dit vertegenwoordigt het in kaart brengen van de gemeten tijdreeksgegevens op een hoogdimensionaal vlak op basis van de relaties tussen opgenomen signalen, waardoor de aard van deze interacties kan worden onderzocht.

4. data visualisatie

1. Voer spectrale energie analyse uit.
   1. Onderzoek de machts matrices.
      1. Kaart de metingen van de spectrale kracht die moet worden gevisualiseerd op een tweedimensionale gegevensstructuur waarbij elke kolom een elektrode locatie is, elke rij is een frequentieband en elke cel is de spectrale kracht op die locatie, binnen die band.
      2. Identificeer de maximale en minimale vermogensniveaus voor alle voorwaarden die moeten worden vergeleken. Stel deze in op het maximum en het minimum voor alle omstandigheden. Wijs de spectrale vermogenswaarden aan tussen het geïdentificeerde maximum en minimum aan kleuren. Exporteer een kleur kaart die het spectrale vermogen op elke frequentieband visualiseert op elke elektrode locatie (Figuur 2).
   2. Topografische toewijzing uitvoeren.
      1. Maak een gegevensstructuur met de labels van elk van de gebruikte 10-20-systeem elektrode locaties, in volgorde die overeenkomt met die van de gegevensstructuur die moet worden toegewezen. Met behulp van de functie topoplot () van EEGLab, de spectrale vermogensgegevens, het geïdentificeerde maximum en minimum, en de zenderlijst, genereert u een plot in kaart brengen van de verdeling van de spectrale kracht over de hoofdhuid.
2. Samenhang te beoordelen.
   1. Onderzoek de coherentie matrices.
      1. Breng de metingen van de interelektrode-coherentie in kaart om te worden gevisualiseerd op een tweedimensionale gegevensstructuur waarbij elke kolom een elektrode locatie is, elke rij een elektrode locatie is en elke cel de samenhang is tussen het corresponderende elektrode paar.
      2. De coherentie waarden tussen 0 en 1 toewijzen aan kleuren. Exporteer een kleurenkaart die de interelektrode-coherentie tussen elke elektrode paar visualiseert binnen de gebruikte frequentielimieten (Figuur 3). Herhaal deze procedure voor elke frequentieband die moet worden onderzocht. Zie aanvullende figuur 6 en produce_plots. r voor voorbeelden van uitvoering. Zie afbeelding 3 bijvoorbeeld uitvoer.
   2. Netwerk visualisatie uitvoeren.
      1. Voor het visualiseren van hogere-orde interacties tussen corticale gebieden en het in kaart brengen van de netwerk dynamiek, bereken hoe de coherentie maat van elke elektrode pair varieert met die van elke andere unieke elektrode paar over het totale spectrum en binnen specifieke bands.
      2. Deze covariantie metingen toewijzen aan kleuren. Exporteer een kleurenkaart die de netwerk dynamiek binnen en tussen de frequentiebanden visualiseert. Zie produce_plots. r voor voorbeelden van de uitvoering. Zie afbeelding 4 bijvoorbeeld uitvoer.

5. netwerkmodellen analyseren

Opmerking: De toepassing van moderne statistische methoden op de afgeleide modellen maakt het mogelijk om gebruik te maken van de relaties gemodelleerd in de High-dimensionale netwerkfunctie ruimte om corticale functie te onderzoeken. Een aantal benaderingen die voordelen bieden ten opzichte van traditionele vergelijkingen van de individuele maatregelen of gemiddelden van de coherentie maatregelen kunnen worden genomen. Enkele van de mogelijke benaderingen die deze netwerkmodellen faciliteren, worden hieronder beschreven. Deze worden alleen oppervlakkig besproken als indicatief voor de mogelijke toepassingen van netwerk modellering, omdat een grondige bespreking van elke techniek buiten de reikwijdte van het huidige werk valt.

1. Dimensionaliteits reductie uitvoeren.
   Opmerking: vergelijkingen op het individuele variabele niveau niet om te profiteren van de relaties die worden vertegenwoordigd door de modellen gemaakt, terwijl het uitvoeren van vergelijkingen op alle maat regelen in de dimensionale constructies gemaakt is problematisch als gevolg van de groot aantal vergelijkingen vereist en het niet integreren van de op hoog niveau opgenomen informatie in de statistische modellen. Het in kaart brengen van de High-dimensionale gegevens op een lagere-dimensionale ruimte met behoud van de informatie die wordt gegenereerd door het modelgeneratie proces maakt het mogelijk om zinvolle vergelijkingen te maken terwijl u ten volle profiteert van de gegevens rijke structuur van de modellen.
   1. Meet maatregelen voor vergelijking tussen de groepen die de totale netwerk dynamiek vertegenwoordigen binnen de statistische modellen die worden gegenereerd met behulp van de hoofdcomponent analyse. Zie NetworkAnalysis_Demonstration. m en aanvullend figuur 7 voor een voorbeeld van uitvoering.
      1. Zoals hierboven, construeren een covariantie matrix voor de Pairwise coherentie maatregelen. Hiermee genereert u een dimensionale covariantie- constructie waar. Dit model is daarom extreem hoog-dimensionaal en maakt visualisatie mogelijk van netwerk relaties op hoog niveau zoals hierboven beschreven.
      2. Decomponeer de covariantie matrix in eigenvectoren en bijbehorende eigen waarden. Dit maakt identificatie mogelijk van de assen binnen het modelfunctie ruimte die de grootste variantie bevatten, zonder te worden begrensd door de bestaande maatregelen.
      3. Rangschik de eigenvectoren met de corresponderende eigenwaarde om die boekhoudkundige te identificeren voor het grootste deel van de variantie binnen het model.
   2. Vergelijk de eerste hoofdcomponenten die zijn afgeleid van de netwerkmodellen. Zie NetworkAnalysis_Demonstration. m en aanvullend figuur 7 voor een voorbeeld van uitvoering.
      Opmerking: Het eerste hoofdbestanddeel is goed voor de grootste mate van variantie binnen het model. Daarom maakt vergelijking van deze maatregel het mogelijk om de totale netwerk dynamiek in het hele model te vergelijken tussen groepen met één statistische test, waardoor gelijktijdige analyse van de complexe relaties wordt gemodelleerd en vermeden de problemen in verband met veel vergelijkingen.
2. Een regio van rente analyse uitvoeren. De modellen die zijn afgeleid, vertegenwoordigen de netwerkconnectiviteit over de hele cortex, voor alle frequentiebanden. Als er interesse is in specifieke anatomische gebieden of in functies binnen specifieke banden, kunnen deze gebieden van het model afzonderlijk worden geïsoleerd en geanalyseerd.
   1. Kies een anatomische regio van belang.
      Opmerking: Door de analyse te beperken tot specifieke anatomische gebieden kan de netwerkactiviteit binnen of tussen specifieke corticale gebieden worden geëvalueerd om de relaties te identificeren die mogelijk niet zichtbaar zijn bij de analyse van het model als geheel.
      1. Identificeer de coherentie gegevens binnen het model met betrekking tot de anatomische gebieden van belang.
      2. Afleiden van een covariantie matrix en uitvoeren van de belangrijkste component analyse zoals hierboven beschreven om te berekenen van metingen van de algehele netwerkarchitectuur in de regio's van belang.
      3. Vergelijk de maatregelen van de netwerk dynamiek binnen de anatomische gebieden van belang tussen de groepen zoals hierboven uiteengezet.
   2. Kies een functioneel interessegebied.
      Opmerking: Het beperken van de analyse tot specifieke frequentiebanden maakt het mogelijk om de netwerkactiviteit binnen specifieke oscillatoire frequenties te beoordelen (Figuur 4).
      1. Net als bij anatomische analyses, Isoleer de coherentie gegevens binnen de frequentiebanden van belang. Zie NetworkAnalysis_Demonstration. m en aanvullend figuur 8 voor voorbeelden van implementatie, waarbij interacties binnen het totale spectrum alleen als voorbeeld worden gebruikt.
      2. Voer een hoofdcomponent analyse uit om metingen van de totale netwerkactiviteit binnen de interessegroepen af te leiden.
      3. Vergelijk de maatregelen tussen groepen om de netwerk verschillen bij specifieke oscillerende frequenties te evalueren.
3. Machine learning gebruiken.
   Opmerking: moderne statistische leerbenaderingen kunnen worden toegepast op de modellen die worden gegenereerd om de op hoog niveau vertegenwoordigde relaties verder te ondervragen.
   1. Gebruik begeleid leren.
      Opmerking: Met behulp van gegevens met vooraf gedefinieerde klassen kunnen de modellen van corticale netwerken worden gebruikt voor het afleiden van classificaties die kunnen worden gebruikt om handtekeningen te identificeren binnen de complexe relaties die worden vertegenwoordigd door de modellen voor het classificeren van nieuwe gegevens, het openen van de mogelijkheid voor het onderzoeken nieuwe diagnostische en prognostische biomarkers, enz. Bovendien, welke functies binnen de modellen rijden deze classificaties om inzicht te verwerven in de onderliggende mechanismen kunnen worden onderzocht.
      1. De classificaties afleiden. Met behulp van vooraf gelabelde gegevens, kan een classificatie worden afgeleid om te voorspellen van de klasse van een set gegevens op basis van de netwerkmodellen.
         1. Verdeel de gegevens in een set met onderwerpgegevens voor training en een set voor het testen van de classificatie.
         2. Train een classificatie-algoritme zoals een ondersteunende vector machine of een willekeurig forest op de gelabelde trainingsgegevens.
         3. Evalueer de prestaties van de model getrainde classificatie op de testgegevens.
            Opmerking: Deze benaderingen maken het gebruik van de statistische modellen als input voor het afleiden van nieuwe biomarkers mogelijk.
      2. Sequentiële eliminatie uitvoeren.
         Opmerking: Met behulp van het model voor het trainen van een classificatie, gegevens kunnen iteratief worden verwijderd en het trainingsproces kan worden herhaald om te bepalen welke onderdelen van het model zijn voorspellende mogelijkheden, waardoor voor onderzoek van de onderliggende mechanismen.
         1. Train een classificatie op het model zoals hierboven beschreven.
         2. Verwijder de modelfunctie met de laagste variabiliteit tussen groepen.
         3. Herhaal het trainingsproces en evalueer de prestaties.
         4. Herhaal de iteratieve functie verwijderen totdat de functies die het meest bijdragen aan de prestaties worden geïdentificeerd. Dit zijn de model onderdelen die verantwoordelijk zijn voor de mogelijkheid om onderscheid te maken tussen klassen.
   2. Voer ongesuperviseerd leren uit.
      Opmerking: het gebruik van de modellen alleen, inzicht kan worden verkregen in de groepen worden onderzocht. Door de gegevens te modelleren als High-dimensionale constructies op basis van de relaties tussen opnames, kunnen relaties tussen groepen die niet werden gezien op het niveau van individuele opnames duidelijk worden. Niet-bewaakte technieken zoals clustering algoritmen maken het mogelijk om relaties binnen de modellen te onderzoeken zonder te worden beperkt door de vooraf gedefinieerde klassen.
      1. Met behulp van een afstands metriek zoals Euclidische afstand, berekenen de maatregelen van afstand tussen onderwerpen binnen de ruimte gedefinieerd door het netwerk model. Zie NetworkAnalysis_Demonstration. m en aanvullend figuur 9 voor een voorbeeld van uitvoering.
      2. Met behulp van een cluster algoritme zoals k-dichtstbijzijnde buren, identificeren van de groepen in de gegevens op basis van de model parameters (afbeelding 5).
      3. Herhaal deze procedure met behulp van een sequentiële eliminatieprocedure zoals hierboven beschreven om te onderzoeken hoe afzonderlijke functies bijdragen aan de groeperingen binnen het model.
         Opmerking: Hierdoor kunnen de afgeleide modellen worden gebruikt om de groepen binnen de gegevens te identificeren die anders niet duidelijk waren. Dit kan leiden tot het afleiden van ziekte subtypen, pathologische groeperingen, enz., die alleen zichtbaar zijn op het niveau van het netwerk.

Representative Results

Metingen van het spectrale vermogen zullen n maten produceren voor elke gemeten frequentieband, waarbij n het aantal opgenomen kanalen is. Deze maatregelen zullen in decibel zijn voor de totale macht. Maatregelen van kracht binnen individuele frequentiebanden moeten worden uitgedrukt als relatieve macht (d.w.z. het aandeel van het totale vermogen dat door de macht binnen die band wordt vertegenwoordigd) om nauwkeurige vergelijkingen tussen groepen en omstandigheden mogelijk te maken.

Een voorbeeld van visualisatie van spectrale kracht over meerdere banden en over opgenomen kanalen wordt weergegeven in Figuur 2. Spectrale kracht kan worden gevisualiseerd geïnternationeerd over de hoofdhuid, waardoor een beperkte schatting van de "bron" van activiteit.

De coherentie maatregelen van de interelektrode produceren een maat voor elk uniek elektrode paar ( d.w.z., waarbij n het aantal opgenomen kanalen is). Elk van deze maatregelen ligt tussen 0 en 1, waarbij 0 geen samenhang tussen opnames is en 1 de volledige samenhang tussen opnames vertegenwoordigt. Dit is een maatstaf voor de mate waarin de activiteit in het ene gebied verandert afhankelijk van de activiteit in een ander gebied, waardoor verschillen in de richting van interactie en tijdsvertraging mogelijk zijn. Hogere waarden van coherentie suggereren interacties tussen de gebieden, waaruit blijkt dat de vastgelegde gebieden met elkaar communiceren. Door het meten van de interacties tussen elke unieke elektrode paar, kan een statistische kaart van hoe de opgenomen kanalen interactie worden opgebouwd. Dit maakt het mogelijk onderzoek te doen naar hoe gebieden communiceren, in plaats van zich te concentreren op afzonderlijke gebieden in afzondering, zoals in traditionele methoden. Afbeelding 3toont een voorbeeld van visualisatie van coherentie maatregelen voor een montage met 8 elektroden.

Deze coherentie maatregelen produceren snel grote hoeveelheden gegevens, waardoor de analyse van elke maatregel met individuele statistische tests een onhoudbare strategie is. Verder is het onderzoeken van individuele interacties niet noodzakelijkerwijs interessant of zinvol bij het overwegen van interacties tussen hele corticale netwerken. Dimensionaliteit reductie technieken zoals hoofdcomponent analyse maken het mogelijk om maatregelen uit deze statistische constructies te beoordelen om vergelijkingen van de algehele netwerk dynamiek met behulp van traditionele statistische methoden te vergemakkelijken. Op classificaties gebaseerde methoden, met behulp van machine learning-technieken, bieden een extra veelbelovende Avenue voor het integreren van deze high-dimensionale gegevens constructies om gegevens te classificeren en resultaten te voorspellen.

Visualisatie van hogere-orde netwerk dynamiek maakt herkenning mogelijk van de soorten interacties die worden vergeleken met een hoofdcomponent analyse of een op classificatie gebaseerde techniek. Dit kan worden bereikt met behulp van kleurenmapping van covariantie metingen van de interelektrode-coherentie metingen van elektrode paren. Dit evalueert hoe de coherentie maatregelen bij een paar elektroden betrekking hebben op veranderingen in coherentie op een ander paar, wat duidt op bredere netwerk interacties en integratie van activiteiten in de cortex. Dit maakt visualisatie van hoe gebieden interactie op een manier die niet mogelijk is met traditionele maatregelen. Een voorbeeld van het soort high-dimensionale netwerkplattegrond dat met deze techniek kan worden gemaakt, wordt weergegeven in Figuur 4. Dit toont de verschillen op het gebied van netwerk mapping tussen twee proefpersonen met verschillende klinische fenotypes van een neuropsychiatrische stoornis die de corticale functie beïnvloeden, waarbij er geen statistisch significante verschillen waren met behulp van standaard analysemethoden.

Afbeelding 1: schematisch van data-analyse pipeline. Overzicht van belangrijke stappen in de voorbereiding van ruwe gegevens en extractie van maatregelen van belang. Klik hier om een grotere versie van dit cijfer te bekijken.

Figuur 2: representatieve matrix van spectrale energie maatregelen. Elke kolom vertegenwoordigt een elektrode locatie en elke rij vertegenwoordigt een frequentieband van belang. De intensiteit van de celkleur staat voor de waarde van het relatieve vermogen van de corresponderende frequentie op de corresponderende elektrode locatie. Produceert n x f maatregelen, waarbij n het aantal gebruikte opname elektroden is en f het aantal frequentiebanden van belang is. Klik hier om een grotere versie van dit cijfer te bekijken.

Figuur 3: representatieve matrix van interelektrode-coherentie maatregelen. Elke rij en elke kolom vertegenwoordigt een elektrode locatie. De intensiteit van de celkleur vertegenwoordigt de waarde van de interelektrode-coherentie tussen het corresponderende elektrode paar. Produceert maatregelen voor elke frequentieband van belang, waarbij n het aantal gebruikte opname elektroden is. Klik hier om een grotere versie van dit cijfer te bekijken.

Figuur 4: representatieve visualisatie van hogere-orde netwerk dynamiek, waarbij twee fenotypes van neuropsychiatrische stoornis worden vergeleken. Elke rij en elke kolom vertegenwoordigt een unieke elektrode paar. De intensiteit van de celkleur staat voor de waarde van covariantie tussen de corresponderende elektrode paren. Produceert maatregelen voor elke frequentieband van belang, waarbij p het aantal gebruikte unieke elektrode paren is. (A) toont zowel binnen-als tussen frequentie interacties binnen corticale netwerken, terwijl (B) een regio van interesse analyse visualiseert die gericht is op netwerk dynamiek binnen het totale vermogensspectrum. Klik hier om een grotere versie van dit cijfer te bekijken.

Afbeelding 5: representatieve visualisatie van niet-bewaakte clustering algoritme. In een groep schijnbaar goed gematchte patiënten met een neuropsychiatrische stoornis identificeerden Clustering op basis van modelgegevens alleen groepen binnen de populatie die niet duidelijk waren op standaardanalyses. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 1: screenshot toont het epokken van EEG-gegevens. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 2: screenshot demonstreert de essentiële voor verwerkingsstappen. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 3: screenshot toont filtering voor frequenties van belang. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 4: kanaal Spectra berekenen en gegevens in afzonderlijke banden isoleren. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 5: berekening van de coherentie maatregelen voor elk paar elektroden. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 6: toewijzing van afgeleide maatregelen aan kleuren kaarten en visualisatie. Figuur 3 en figuur 4 tonen de monster uitgangen aan. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 7: bouw van covariantie matrices, uitvoeren van Principal component analyse en vergelijking van groepen op basis van hoofdcomponenten. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 8: analyse van specifieke interessegebieden door het isoleren van subsets van gegevens. Klik hier om een grotere versie van dit cijfer te bekijken.

Aanvullend figuur 9: afleiding van een afstands statistiek en gebruik van een cluster algoritme om groepen te identificeren met behulp van onbewaakte Leer technieken. Klik hier om een grotere versie van dit cijfer te bekijken.

Discussion

De beschreven methode maakt het afleiden van statistische kaarten van corticale netwerk dynamiek uit niet-invasieve EEG-gegevens mogelijk. Dit maakt het onderzoek van verschijnselen niet gemakkelijk zichtbaar bij het onderzoek van eenvoudige time series-gegevens door te beoordelen hoe de geregistreerde regio's met elkaar omgaan, in plaats van te evalueren wat er gebeurt op elke afzonderlijke locatie in Isolatie. Dit kan belangrijke inzichten onthullen in ziekte pathologie¹⁸.

Het essentiële aspect van deze methode is het waarborgen van de kwaliteit van de gegevens. Strikte gegevensevaluatie, afwijzing van artefacten en voor verwerking zijn vereist om ervoor te zorgen dat gegevens van een voldoende hoge kwaliteit zijn om zinvolle resultaten te produceren. Op voorwaarde dat de gebruikte gegevens van een passende kwaliteit zijn, kan het onderdeel extractie component gemakkelijk worden aangepast om netwerk interacties te modelleren in specifieke regio's van belang alleen, of binnen willekeurige frequentielimieten, evenals het modelleren van complexe interacties over specifieke regio's en frequentiebanden.

Deze aanpak wordt beperkt door de hoge dimensionaliteit van de geproduceerde resultaten, die snel enorme hoeveelheden gegevens kunnen produceren als veel kanalen worden gebruikt. Dit kan de interpreteer baarheid van de onbewerkte resultaten beperken en resulteren in lange berekenings tijden. Het gebruik van dimensionaliteits reductie technieken, zoals hoofdcomponent Analysis²³, is daarom noodzakelijk om zinvolle statistische vergelijkingen tussen groepen mogelijk te maken zonder grote aantallen statistische tests te hoeven uitvoeren. Bovendien kan het gebruik van de geproduceerde high-dimensionale netwerkkaarten om de besluitvorming te helpen, het gebruik van machine learning-classificaties vereisen om de integratie van grote hoeveelheden gegevens mogelijk te maken, die niet gemakkelijk handmatig kunnen worden interpreteerbaar en niet gemakkelijk kunnen worden verminderd één maatregel²⁴.

Deze aanpak biedt een veel grotere capaciteit voor het onderzoeken van veranderingen in netwerk dynamiek dan RAW EEG tijdreeksen, terwijl het ook aanzienlijke voordelen biedt ten opzichte van beeldvormingstechnieken zoals functionele MRI, inclusief toegankelijkheid, kosten en meer tijd Resolutie. Toekomstige toepassingen van deze methode te ondertypen van neurologische aandoeningen, voorspelling van de behandeling reactie, en ziekte prognose bieden de mogelijkheid om het klinisch nut van de huidige klinische EEG-technologieën sterk uit te breiden door middel van verbeterde methoden voor gegevensanalyse.

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