Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen

Summary

Standard-EEG-Analysetechniken bieten nur begrenzte Einblicke in die Funktion des Nervensystems. Die Ableitung statistischer Modelle kortikaler Konnektivität bietet eine weitaus größere Möglichkeit, die zugrunde liegende Netzwerkdynamik zu untersuchen. Eine verbesserte funktionelle Bewertung eröffnet neue Möglichkeiten für Diagnose, Prognose und Ergebnisvorhersage bei Erkrankungen des Nervensystems.

Abstract

Nicht-invasive elektrophysiologische Aufnahmen sind nützlich für die Beurteilung der Funktion des Nervensystems. Diese Techniken sind kostengünstig, schnell, reproduzierbar und weniger ressourcenintensiv als Dieabbildung. Darüber hinaus weisen die erzeugten funktionellen Daten eine ausgezeichnete zeitliche Auflösung auf, die mit struktureller Bildgebung nicht erreichbar ist.

Die aktuellen Anwendungen von Elektroenzephalogrammen (EEG) sind durch Datenverarbeitungsmethoden begrenzt. Standardanalysetechniken, die rohen Zeitreihendaten an einzelnen Kanälen verwenden, sind sehr begrenzte Methoden zur Abhöraktivität des Nervensystems. Detailliertere Informationen über die kortikale Funktion können erreicht werden, indem Beziehungen zwischen Kanälen untersucht und statistische Modelle ableiten, wie Bereiche interagieren, was die Visualisierung der Konnektivität zwischen Netzwerken ermöglicht.

Dieses Manuskript beschreibt eine Methode zur Ableitung statistischer Modelle kortikaler Netzwerkaktivitäten, indem EEG auf standardisierte Weise erfasst und anschließend die Interelektrodenkohärenzmaßnahmen untersucht werden, um die Beziehungen zwischen den aufgezeichneten Bereichen zu bewerten. Wechselwirkungen höherer Ordnung können weiter untersucht werden, indem die Kovarianz zwischen den Kohärenzpaaren bewertet wird, wodurch hochdimensionale "Karten" von Netzwerkinteraktionen erstellt werden. Diese Datenkonstrukte können untersucht werden, um die kortikale Netzwerkfunktion und ihre Beziehung zur Pathologie auf eine Weise zu bewerten, die mit herkömmlichen Techniken nicht erreichbar ist.

Dieser Ansatz bietet eine höhere Empfindlichkeit gegenüber Interaktionen auf Netzwerkebene, als dies bei der Analyse von Rohzeitreihen möglich ist. Sie wird jedoch durch die Komplexität der Erstellung spezifischer mechanistischer Schlussfolgerungen über die zugrunde liegenden neuronalen Populationen und die hohen Datenmengen begrenzt, die fortgeschrittenere statistische Techniken für die Bewertung, einschließlich der Dimensionalität, erfordern. Reduktions- und klassifierbasierte Ansätze.

Introduction

Diese Methode zielt darauf ab, statistische Karten von kortikalen Netzwerken auf der Grundlage nicht-invasiver Elektrodenaufzeichnungen unter Verwendung eines klinisch tragfähigen Setups zu erstellen, um die Untersuchung der Pathologie des Nervensystems, die Auswirkungen neuartiger Behandlungen und die Entwicklung neuartiger elektrophysiologische biomarker.

EEG bietet großes Potenzial für die Untersuchung der Funktion des Nervensystems und der Erkrankung^1,2. Diese Technologie ist kostengünstig, in der Forschung und im klinischen Umfeld leicht verfügbar und im Allgemeinen gut verträglich. Der einfache, nicht-invasive Charakter von Aufnahmen macht den klinischen Einsatz einfach, und der bestehende Rahmen klinischer EEG-Abteilungen ermöglicht einen einfachen Zugang zur Technologie für Kliniker.

Aus technischer Sicht bietet eEG eine hervorragende Zeitdomänenauflösung³. Dies ist von großer Bedeutung bei der Untersuchung der Funktion des Nervensystems aufgrund der schnellen Zeitskalen der Interaktionen des Nervensystems und der Netzwerkdynamik. Während bildgebende Verfahren wie funktionelle MRT eine größere räumliche Auflösung und leicht interpretierbare Bilder bieten, sind sie in ihrer Fähigkeit, die Funktion des Nervensystems auf den feinen Zeitskalen, die elektrophysiologische Aufnahmen bieten, viel eingeschränkter. ^4,5,6.

Es besteht ein wachsender Bedarf an der Fähigkeit, die Funktion des Nervensystems zu hinterfragt, um diagnose, behandlung und Prognose von Erkrankungen des Nervensystems zu informieren. Die Rolle der kortikalen Netzwerkdynamik in der Pathologie des Nervensystems wird zunehmend erkannt⁷. Viele Pathologien des Nervensystems produzieren keine makroskopischen strukturellen Läsionen, die mit traditioneller Bildgebung sichtbar sind, aber die auf Netzwerkebene erzeugten Anomalien können mit geeigneten funktionellen Analysemethoden offensichtlich sein.

Leider sind die derzeitigen EEG-Analysemethoden in dieser Hinsicht stark eingeschränkt. Herkömmliche Methoden umfassen die Analyse einfacher Zeitreihendaten einzelner Elektroden. Diese Signale stellen die Summe der Feldpotentiale in großen kortikalen Bereichen^{3,8 dar.} Die isolierte Analyse von Daten aus einzelnen Kanälen mittels visueller Inspektion oder einfacher statistischer Methoden begrenzt die Nützlichkeit dieser Aufzeichnungen auf die Erkennung von groben elektrophysiologischen Anomalien an diskreten, einzelnen Orten. Mit der zunehmenden Erkenntnis der Bedeutung von Auswirkungen auf Netzwerkebene für die Funktion des Nervensystems und die Pathologie sind diese einfachen Analysemethoden eindeutig mangelhaft, da sie subtile Beziehungen zwischen Signalen nicht erkennen, Anomalien in der Interaktion kortikaler Bereiche auf Netzwerkebene.

Es wird eine Methode zur Ableitung statistischer Karten der kortikalen Netzwerkkonnektivität aus niedrigdimensionalen Elektrodenaufzeichnungen demonstriert. Diese Methode ermöglicht die Untersuchung der Dynamik von Wechselwirkungen zwischen verschiedenen Hirnregionen in einer Weise, die mit herkömmlichen Analysetechniken nicht möglich ist, sowie die Visualisierung dieser Netzwerkinteraktionen. Dies eröffnet die Möglichkeit, netzwerkbezogene Effekte bei hochauflösenden Lösungen auf hoher Zeit nicht in einer Bisher nicht möglichen Weise zu untersuchen. Diese Methode basiert auf der Ableitung von Maßnahmen der Interelektrodenkohärenz^9,10. Diese Maßnahmen ermöglichen die Untersuchung der Wechselwirkungen zwischen zwei erfassten Regionen durch Auswertung der statistischen Beziehungen zwischen den Aufzeichnungen dieser Gebiete¹¹. Durch die Bewertung der Interaktion jedes aufgezeichneten Gebiets mit jedem anderen aufgezeichneten Gebiet kann eine statistische Karte der elektrophysiologischen Netzwerke innerhalb der aufgezeichneten Gebiete erstellt werden. Dies ermöglicht die Erkennung von funktionalen Beziehungen, die bei der Auswertung einzelner Kanaldaten nicht isoliert erkennbar sind.

Der Schwerpunkt dieses Manuskripts liegt auf der Verwendung von Kohärenz in neuronalen Zeitreihen. Derzeit gibt es eine Reihe von Techniken zum Untersuchen der Beziehungen zwischen Zeitreihendaten, die paarweise auf Kanäle angewendet werden können, um Modelle kortikaler Konnektivität abzuleiten. Einige Methoden, wie die damit verbundene partielle gerichtete Kohärenz^12,13, zielen darauf ab, die Einflussrichtung des untersuchten Signalpaares abzuleiten, um die Struktur der zugrunde liegenden Netzwerke besser zu charakterisieren, während andere Methoden, wie Granger Kausalität^14,15, versuchen, funktionale Beziehungen durch die Fähigkeit eines Signals, die Daten in einem anderen vorherzusagen. Methoden wie diese können auf ähnliche Weise angewendet werden, um hochdimensionale Modelle kortikaler Netzwerke zu erzeugen. Die Vorteile der Kohärenz als Mittel zur Untersuchung von Beziehungen zwischen neuronalen Signalen liegen jedoch in ihrem Mangel an Annahmen. Es ist möglich, statistische Zusammenhänge zwischen Aufzeichnungen an zwei Standorten zu untersuchen, ohne Aussagen über die funktionale natorische Grundlage dieser Beziehungen zu machen, und ein Modell kortikaler Konnektivität aufzubauen, das ausschließlich auf statistischen Beziehungen mit minimale Annahmen über die kortikalen Netzwerke, die diese Signale erzeugen.

Aufgrund der rein mathematischen Natur dieser Maßnahmen ist der Zusammenhang zwischen den Kohärenzmaßnahmen der Elektrodenaufzeichnungen an der Kopfhaut und der zugrunde liegenden neuronalen Aktivität komplex^16,17. Während diese Methoden die Ableitung statistischer Konstrukte ermöglichen, die Beziehungen zwischen den Elektrodenaufzeichnungen zum Vergleich beschreiben, ist es nicht möglich, direkte kausale Schlussfolgerungen über die Aktivität der spezifischen zugrunde liegenden neuronalen Populationen zu ziehen. unkompliziert^3,8,16,17. Diese Ansätze ermöglichen einen Vergleich der Aktivität auf Netzwerkebene zwischen Gruppen, um potenziell nützliche Biomarker zu identifizieren, sind jedoch in Bezug auf die Schlussfolgerungen hinsichtlich der Beziehung dieser Marker zu bestimmten neuronalen Mechanismen begrenzt. Dies ist auf die große Anzahl von verwirrenden Faktoren, die die aufgezeichnete Aktivität^{beeinflussen, sowie}auf Probleme bei der Schätzung der spezifischen kortikalen Quelle elektrischer Signale, die auf der Ebene der Kopfhaut aufgezeichnet sind⁸. Vielmehr können diese Ansätze statistische Aktivitätsmodelle erstellen, die zwischen Gruppen abgefragt und verglichen werden können, um festzustellen, dass Unterschiede auf Netzwerkebene¹⁸ bestehen und genutzt werden können, um neue Biomarker auf der Grundlage dieser Konstrukte. Diese Methoden allein haben jedoch eine begrenzte Fähigkeit, die Unterschiede, die aufgrund der Komplexität des zugrunde liegenden Systems gesehen werden, mit bestimmten Mechanismen und neuronalen Aktivitäten in Beziehung zu setzen.

Die Anwendung von Netzmaßnahmen wie Kohärenz ist in den Systemen Neurowissenschaften gut etabliert^16,17. Das volle Potenzial dieser Ansätze zur Modellierung und Untersuchung der kortikalen Funktion wurde durch die mangelnde Nutzung dieser hochdimensionalen Datenstrukturen begrenzt. Diese Arbeit zeigt, dass es möglich ist, diese Maßnahmen paarweise auf EEG-Kanäle anzuwenden, um Daten auf einen hochdimensionalen Feature-Raum zu kartieren, der ausschließlich auf den statistischen Beziehungen zwischen der elektrischen Aktivität in kortikalen Regionen basiert. Es zeigt auch, dass es mit Hilfe moderner statistischer Techniken möglich ist, die generierten Modelle der kortikalen Funktion zu verwenden, um diese Modelle zu untersuchen, ohne die im Modellierungsprozess gewonnenen Informationen zu verlieren.

Diese Methode ist potenziell wertvoll, um den Anwendungsbereich bestehender EEG-Technologien zu erweitern und die Fähigkeit zu verbessern, nützliche funktionelle Maßnahmen abzuleiten, ohne Anpassungen an bestehenden Kontrollgeräten zu erfordern^18,19 . Durch die Verbesserung der Fähigkeit, kortikale Funktionen zu modellieren und diese Modelle zu hinterfragen, werden die Fragen, die mit EEG-Daten untersucht werden können, erweitert. Dies eröffnet die Möglichkeit einer stärkeren Integration funktioneller und struktureller Bewertungen zur Untersuchung neurologischer Erkrankungen^20,21. Dieser Ansatz, der bereits eine technologieweit weit verbreitete Technologie verwendet, würde die Untersuchung kortikaler Pathologien mit hoher zeitlicher und räumlicher Auflösung ermöglichen.

Protocol

Das folgende experimentelle Protokoll entspricht allen lokalen, nationalen und internationalen Ethikrichtlinien für die menschliche Forschung. Die Daten, die verwendet werden, um das Protokoll zu testen, wurden mit Genehmigung des Ethikkomitees der Region Toskana-Protokoll 2018SMIA112 SI-RE erworben.

HINWEIS: Die Skripte, die für die Implementierung der beschriebenen Analysen verwendet werden, sind unter https://github.com/conorkeogh/NetworkAnalysis verfügbar.

1. Rohdatenerfassung

1. Bereiten Sie die Bedingungen vor.
   1. Um die Konsistenz zwischen den Aufnahmen zu gewährleisten, führen Sie alle EEG-Aufnahmen in einer dedizierten Aufnahmeumgebung durch. Entfernen Sie alle Geräte oder Reize, die für die Aufgabe, die während der Aufnahme ausgeführt werden soll, nicht direkt relevant sind, um Ablenkungen zu vermeiden.
      HINWEIS: Wenn Ruhezustandsaufzeichnungen durchgeführt werden sollen, entfernen Sie alle Quellen der Ablenkung aus dem Raum und setzen Sie die Personen vor der Aufnahmesitzung der Aufnahmeumgebung aus, um Neuheiten aus der Umgebung zu entfernen.
   2. Geben Sie dem Betreff klare Anweisungen zu der auszuführenden Aufgabe. Sobald das Gerät eingerichtet wurde, lassen Sie das Motiv in der Aufnahmeumgebung allein, um sich an die Umgebung zu gewöhnen, bevor Sie mit der Aufnahme beginnen, um Bewegung und Ablenkung zu minimieren.
   3. Wenn das Subjekt geistige Behinderungen hat, lassen Sie ihm die notwendige Zeit, um sich an die Umwelt zu gewöhnen, um Stress zu begrenzen. Manchmal kann dies mehrere Besuche und einen längeren Aufenthalt im Aufnahmeraum erfordern.
2. Montieren Sie die Elektroden.
   1. Befestigen Sie die Elektrodenkappe am Kopf des Patienten und achten Sie darauf, die korrekte Ausrichtung sicherzustellen. Injizieren Sie leitfähiges Gel in jeden der Elektrodenanschlüsse, beginnend an der Kopfhaut und langsam auf die Kappenoberfläche zurückziehen, um elektrischen Kontakt mit der Waage herzustellen und das Signal-Rausch-Verhältnis zu verbessern.
   2. Befestigen Sie Elektroden an der Elektrodenkappe mit einer vorgegebenen Elektrodenmontage auf Basis des 10-20-Systems. Befestigen Sie geeignete Masseelektroden (z. B. an den Mastoidprozessen).
3. Richten Sie das EEG ein.
   1. Schließen Sie alle Elektroden an ein elektrophysiologisches Aufzeichnungssystem an. Verknüpfen Sie das Aufzeichnungssystem mit einer geeigneten digitalen Aufnahmeumgebung.
   2. Untersuchen Sie alle Aufnahmekanäle, um sicherzustellen, dass sich der Offset innerhalb eines geeigneten Bereichs befindet, und vermeiden Sie übermäßiges Kanalrauschen. Wenn ein Kanal einen übermäßigen Offset oder Rauschen hat, kann zusätzliches leitfähiges Gel hinzugefügt werden, um die elektrische Verbindung zu verbessern, wobei darauf zu achten ist, dass eine Überbrückung zwischen Denelektrodenstandorten vermieden wird.
   3. Weisen Sie das Motiv an, dass die Aufnahme begonnen hat, und vermeiden Sie alle unnötigen Bewegungen. Führen Sie eine kurze Testaufzeichnung durch, um die entsprechende Aufnahmequalität zu überprüfen.
4. Bereiten Sie die Verhaltensaufgabe für die Aufzeichnung vor.
   1. Erläutern Sie alle aufgabenbezogenen Anweisungen mit dem Betreff. Betonen Sie erneut, wie wichtig es ist, alle unnötigen Bewegungen zu vermeiden.
   2. Erklären Sie, dass die Aufnahme mit einem klar vereinbarten Signal beginnt (z. B. ein Klopfen an der Aufnahmeumgebungstür). Lassen Sie das Motiv in der Aufnahmeumgebung. Starten Sie die Aufnahme. Geben Sie dem Thema das vereinbarte Signal.
   3. Beenden Sie nach Abschluss der Aufgabe oder Ruhephase die Aufzeichnung, untersuchen Sie die Daten visuell, um die Qualität zu gewährleisten, und speichern Sie die Daten.

2. Datenvorverarbeitung

HINWEIS: Die Datenvorbereitungs- und Featureextraktionspipeline ist in Abbildung 1dargestellt.

1. Bereiten Sie die Software vor.
   1. Laden Sie die zu analysierenden EEG-Daten in eine Datenanalyseumgebung. Laden Sie alle erforderlichen zusätzlichen Skriptbibliotheken, z. B. EEGLab²².
2. Konvertieren Sie bei Bedarf alle Aufnahmen in dasselbe Datenformat mit allen Kanälen an den entsprechenden Standorten.
   1. Verwerfen Sie den Anfang und das Ende jeder Aufzeichnung (z. B. 5 min), um die Kontamination von Bewegungsartefakten zu reduzieren. Teilen Sie die Daten in Epochen auf der Grundlage der Aufgabe oder, wenn es sich um eine Ruhezustandsaufzeichnung handelt, vorgegebene Dauer (z. B. 10 min). Siehe NetworkAnalysis_Demonstration.m (Abschnitt Feature-Extraktion) und Ergänzende Abbildung 1 für eine Demonstration der Implementierung.
      HINWEIS: Die Auswahl der Epochenlänge kann wichtige Auswirkungen auf die Kohärenzmaße haben. Epochen mit einer ausreichenden Länge sollten verwendet werden, um sicherzustellen, dass echte Beziehungen zwischen den Signalen in den Berechnungen entstehen, um unbemerkte Artefakte oder vorübergehende, falsche Synchronisationen mit einer übermäßigen Gewichtung zu vermeiden. In dieser Arbeit gab es jedoch keinen statistisch signifikanten Unterschied in der gesamten Netzwerkstruktur, wenn Zehn-Minuten-Epochen mit durchschnittlich zehn Ein-Minuten-Epochen nach gründlicher Abstoßung von Artefakten verglichen wurden.
3. Führen Sie eine Artefaktabweisung durch, indem Sie die Epochendaten visuell überprüfen und visuell ungeeignete Daten ablehnen.
   HINWEIS: Da die beschriebene Modellierungstechnik auf den Beziehungen zwischen Signalen beruht, ist es wichtig, eine gründliche Ablehnung von Artefakten sicherzustellen. Diese können die Kanaldaten beschädigen, was zu künstlichen Erhöhungen (wenn das Artefakt auf mehreren Kanälen dargestellt wird) oder verringert (wenn das Artefakt nur auf einigen Kanälen dargestellt wird) von Maßen der Kohärenz.
   1. Identifizieren Sie fehlerhafte Kanäle in den Aufnahmen.
      1. Hochpassfilterdaten bei 0,5 Hz, um die Grunddrift aufgrund des schwebenden Bodens des Erfassungssystems zu entfernen.
      2. Wählen Sie alle Kanäle aus, die die entsprechenden statistischen Kriterien erfüllen (z. B. Kanäle mit einer Standardabweichung, die mehr als das Dreifache oder weniger als ein Drittel der durchschnittlichen Kanalstandardabweichung beträgt).
         HINWEIS: Das Entfernen der Kanäle mit Daten, die wahrscheinlich nicht aus neuronalen Quellen stammen, vermeidet, dass falsche Beziehungen in die Netzwerkmodelle eingeführt werden.
      3. Untersuchen Sie diese Kanäle, um festzustellen, ob sie geeignet sind.
      4. Lehnen Sie die Epochen mit ungeeigneten Kanälen, wenn möglich. Alternativ können Sie die fehlerhaften Kanäle ausschließen und die Daten an diesen Kanälen interpolieren (z. B. mithilfe des Spline-Interpolationsalgorithmus von EEGLab).
         HINWEIS: Die Interpolation über eine große Anzahl von Kanälen oder mit nur einer geringen Anzahl von Aufzeichnungskanälen kann ungeeignete Daten für die Analyse generieren. Darüber hinaus führt dies keine neuen Informationen in den Datensatz ein und kann zu künstlich hohen Maßen der Kohärenz zwischen interpolierten Signalen und den Signalen führen, von denen sie abgeleitet werden.
   2. Führen Sie die unabhängige Komponentenanalyse für die verbleibenden Epochen durch (z. B. mithilfe der ICA-Funktion von EEGLab). Überprüfen Sie die abgeleiteten Komponenten visuell und lehnen Sie optisch ungeeignete Daten ab.
   3. Wenden Sie die entsprechenden statistischen Schwellenwerte an, um die potenziellen Artefakte zu identifizieren, die bei der visuellen Inspektion nicht sofort sichtbar sind (z. B. basierend auf Extremwerten oder abnormalen Spektren). Untersuchen Sie diese, und stellen Sie fest, ob eine Ablehnung angemessen ist.
   4. Wiederholen Sie die unabhängige Komponentenanalyse und Die Artefaktidentifikation der überlebenden Epochen.
   5. Identifizieren Sie die Datenepochen, die für die weitere Analyse gespeichert werden sollen. Verwerfen Sie alle abgelehnten Datenepochen. Identifizieren Sie alle Epochen, die für die weitere Analyse vorgetragen werden sollen.
      HINWEIS: Wenn nur eine Epoche pro Motiv erforderlich ist, wählen Sie die erste geeignete Epoche für die weitere Analyse aus.
4. Um die Daten vorzubereiten, korrigieren Sie die Basislinie der Aufzeichnungen, indem Sie den Mittelwert aller Kanäle von den Aufzeichnungen subtrahieren, um die Auswirkungen des Grundgrundwanderns während längerer Aufzeichnungen zu vermeiden. Verweisen Sie alle Kanäle erneut auf eine entsprechende Referenz (z. B. die Bodenelektrode oder den Durchschnitt aller Kanäle). Beispiele für die Umsetzung finden Sie in NetworkAnalysis_Demonstration, NetworkAnalysis_Preprocess.m. und in der ergänzenden Abbildung 2.
   HINWEIS: Die Referenzauswahl kann wichtige Auswirkungen auf die Netzwerkmaßnahmen haben. Da die Referenzdaten von allen analysierten Kanälen "subtrahiert" werden, werden alle neuronalen Daten, die auf dem Referenzkanal dargestellt werden, subtrahiert und tragen somit nicht zur Modellgenerierung bei. Es ist üblich, Referenzsignale zu verwenden, die über knöcherne Prominenz aufgezeichnet wurden, ohne sofort neuronale Strukturen, wie den Mastoid-Prozess, zugrunde zu legen. Diese können jedoch durch neuronale Daten aufgrund von Volumenleitungseffekten durch die Kopfhaut korrumpiert werden und verzerren daher Netzwerkmessungen differenziell basierend auf der Position relativ zur Referenz. Daher ist es für Ruhezustandsdaten am besten, einen Durchschnitt aller Kopfhautkanäle als Referenz zu verwenden. Dies bedeutet, dass nicht alle Daten relativ zu einer bestimmten räumlichen Position referenziert werden, was zu verzerrungen den Kennzahlen entspricht, da alle Kanäle zum Verweis beitragen. Dies kann Auswirkungen haben, wie z. B. eine Dämpfung der scheinbaren Gesamtaktivität und kann Maßnahmen verzerren, indem Signale subtrahiert werden, die auf einigen Kanälen sehr stark dargestellt sind und somit stark zum Durchschnitt beitragen. Dies ist ein größeres Problem für aktivitäts- und ereignisbezogene Signale, ist aber in der Regel nicht der Fall bei Ruhezustandsdaten.
   1. Filtern Sie alle Kanäle digital, um von Interesse entfernte Frequenzen zu isolieren (z. B. 1 Hz-50 Hz). Beispiele für die Umsetzung finden Sie in NetworkAnalysis_Demonstration, NetworkAnalysis_Preprocess.m und in der ergänzenden Abbildung 3.
      HINWEIS: Stellen Sie die Verwendung geeigneter Frequenzgrenzwerte und Filterparameter für die beabsichtigte Analyse sicher, um die Verzerrung von Frequenzen an den Extremen des untersuchten Bereichs und Aliasing-Effekte zu vermeiden. Null-Phasen-Shift 4^th-order Butterworth Filter funktionieren angemessen. Eine geeignete Filterung stellt sicher, dass die Aktivität von Interesse für die Modellierung isoliert ist. Selbst bei einem breiten Bereich (z. B. 1 Hz-50 Hz) stellt dies sicher, dass hochfrequente Artefakte und niederfrequente Grundlinienwanderungen nicht als zwischen Kanälen kohärent interpretiert werden, was die Messgrößen verzerrt.

3. Feature-Extraktion

1. Bewerten Sie die Spektralleistung.
   1. Berechnen Sie die Gesamtleistungsspektren, indem Sie eine Fourier-Transformation jedes zu bewertenden Kanals über den gesamten zu bewertenden Frequenzbereich (z. B. 1 Hz-50 Hz) durchführen.
   2. Bewerten Sie die Aktivität in einzelnen Frequenzbändern: isolieren Sie das Theta-Band bei 4 Hz-8 Hz. Isolieren Sie das Alphaband bei 8 Hz-12 Hz. Isolieren Sie das Beta-Band bei 12 Hz-30 Hz. Isolieren Sie das Deltaband bei 0,5 Hz-4Hz. Isolieren Sie das Gammaband bei >30 Hz (z.B. , 30-50 Hz). Siehe NetworkAnalysis_Demonstration,0NetworkAnalysis_FeatureExtraction und ergänzende Abbildung 4 Beispiele für die Umsetzung von Spektrenableitung und Isolierung von Frequenzbändern.
      HINWEIS: EEG-Daten werden traditionell in Frequenz-"Bänder" für die Untersuchung unterteilt. Diese werden in erster Linie basierend auf der Reihenfolge benannt, in der sie entdeckt wurden, und die spezifischen Bandbreiten variieren etwas. Die funktionelle Bedeutung von Schwingungen bei bestimmten Frequenzen bleibt ein Bereich aktiver Untersuchung. Es wird angenommen, dass Schwingungen innerhalb bestimmter Bänder mit bestimmten neuronalen Aktivitäten zusammenhängen können, wie die Entstehung einer Hochamplituden-Alphawelle im okzipitalen Bereich mit geschlossenen Augen, obwohl die genaue Beziehung zwischen neuronalen Funktionen und Oszillationsaktivität bei EEG-Aufnahmen bleibt unklar.
   3. Bewerten Sie die Gesamtleistung über die gesamte Kopfhaut, indem Sie den Mittelwert der einzelnen Kanalspektren berechnen. Normalisieren Sie die Leistung in einzelnen Bändern in Bezug auf die Gesamtleistung, um ein Maß an relativer Leistung zu geben und genauere Vergleiche zwischen Bedingungen zu ermöglichen.
2. Führen Sie eine Netzwerkzuordnung durch.
   1. Bewerten Sie die Wechselwirkungen zwischen dem ersten Elektrodenpaar, indem Sie ein Maß für die Interelektrodenkohärenz ableiten:
      
      Beispiele für die Umsetzung finden Sie in NetworkAnalysis_Demonstration,m, NetworkAnalysis_FeatureExtraction.m, und in der ergänzenden Abbildung 5.
      1. Berechnen Sie das Kreuzspektrum der beiden Kanäle:
         
         1. Berechnen Sie die Fourier-Transformation jedes Signals, X und Y
            
         2. Berechnen Sie das Kreuzspektrum:
            
            Wobei: t das Samplingintervall ist, t die Länge der Aufzeichnung, X die Fourier-Transformation von xund Y^* das komplexe Konjugat von Y.
         3. Ignorieren Sie die negativen Frequenzen und korrekten Kennzahlen. Die zweite Hälfte der Computerfrequenzachse kann bei realen Signalen außer Acht gelassen werden, und die Leistungsmaße werden mit zwei multipliziert, um dies zu korrigieren.
            HINWEIS: Dies entspricht der Fourier-Transformation der Kreuzkorrelation von x und y.
      2. Normalisieren Sie das Kreuzspektrum durch die Leistungsspektren beider Kanäle: .
         1. Berechnen Sie die Fourier-Transformation jedes Signals:
            
         2. Berechnen Sie das Leistungsspektrum:
            
            Wobei: t das Samplingintervall ist, t die Länge der Aufzeichnung, X die Fourier-Transformation von xund X^* das komplexe Konjugat von X.
         3. Ignorieren Sie die negativen Frequenzen und korrekten Kennzahlen: Die zweite Hälfte der Computer-Frequenzachse kann bei realen Signalen ignoriert werden, und die Leistungsmaße werden mit zwei multipliziert, um dies zu korrigieren.
         4. Verwenden Sie die berechneten Leistungsspektren, um das Kreuzspektrum zu normalisieren und ein Maß an Kohärenz abzuleiten:
            
            HINWEIS: Dies erzeugt C, ein Maß für die Kohärenz zwischen den Signalen x und y bei den Frequenzen . Dies ist ein Maß für die Beziehung zwischen diesen Signalen bei den untersuchten Frequenzen, gemessen auf einer Skala von 0 bis 1. Wenn es eine konstante Phasenbeziehung zwischen den beiden zu allen Zeitpunkten untersuchten Signalen gibt, hat die Kohärenz einen Wert von 1, was auf eine starke Beziehung zwischen Signalen bei diesen Frequenzen hindeutet, was impliziert, dass die Aktivität in einem Signal funktionell ist. Tätigkeit in der anderen (d. h., dass eine Kommunikation zwischen den beiden besteht). Wenn es keine Phasenbeziehung zwischen den beiden Signalen gibt, hat die Kohärenz einen Wert von 0, was darauf hinweist, dass die Signale nicht miteinander verbunden sind.
   2. Wiederholen Sie diesen Vorgang für jedes einzelne Elektrodenpaar, um ein Maß für die Phasenstabilität zwischen den Signalen an jedem Elektrodenpaar zu entwickeln und so ein Modell der funktionalen Konnektivität über alle Elektroden hinweg aufzubauen.
      HINWEIS: Für eine Montage von n Elektroden führt dies zu Kohärenzmaßnahmen. Dies stellt die Zuordnung der gemessenen Zeitreihendaten auf einer hochdimensionalen Ebene auf der Grundlage der Beziehungen zwischen aufgezeichneten Signalen dar, so dass die Art dieser Wechselwirkungen untersucht werden kann.

4. Datenvisualisierung

1. Führen Sie eine Spektralleistungsanalyse durch.
   1. Untersuchen Sie die Leistungsmatrizen.
      1. Ordnen Sie die Messungen der zu visualisierenden Spektralleistung einer zweidimensionalen Datenstruktur zu, bei der jede Spalte eine Elektrodenposition ist, jede Zeile ein Frequenzband ist und jede Zelle die Spektralleistung an dieser Position innerhalb dieses Bandes ist.
      2. Identifizieren Sie die maximalen und minimalen Leistungsstufen unter allen zu vergleichenden Bedingungen. Legen Sie diese auf das Maximum und Minimum für alle Bedingungen fest. Ordnen Sie die Spektralleistungswerte zwischen dem identifizierten Maximum und dem Minimum den Farben zu. Exportieren Sie eine Farbkarte, die die Spektralleistung bei jedem Frequenzband an jeder Elektrodenposition visualisiert (Abbildung 2).
   2. Führen Sie eine topografische Zuordnung durch.
      1. Erstellen Sie eine Datenstruktur, die die Beschriftungen der einzelnen 10-20 verwendeten Systemelektrodenpositionen enthält, um der der zu zuordnenden Datenstruktur zu entsprechen. Mithilfe der topoplot()-Funktion von EEGLab erzeugen die Spektralleistungsdaten, das identifizierte Maximum und Minimum und die Kanalliste ein Diagramm, das die Verteilung der Spektralleistung über die Kopfhaut abbilden.
2. Bewertung der Kohärenz.
   1. Untersuchen Sie die Kohärenzmatrizen.
      1. Ordnen Sie die Messungen der zu visualisierenden Interelektrodenkohärenz einer zweidimensionalen Datenstruktur zu, bei der jede Säule eine Elektrodenposition ist, jede Zeile eine Elektrodenposition ist und jede Zelle die Kohärenz zwischen dem entsprechenden Elektrodenpaar ist.
      2. Ordnen Sie die Kohärenzwerte zwischen 0 und 1 Farben zu. Exportieren Sie eine Farbkarte, die die Interelektrodenkohärenz zwischen den einzelnen Elektrodenpaaren innerhalb der verwendeten Frequenzgrenzen visualisiert (Abbildung 3). Wiederholen Sie diesen Vorgang für jedes zu untersuchende Frequenzband. Beispiele für die Implementierung finden Sie in den ergänzenden Abbildungen 6 und produce_plots.r. Siehe Abbildung 3 zum Beispiel Ausgabe.
   2. Führen Sie die Netzwerkvisualisierung durch.
      1. Um Wechselwirkungen höherer Ordnung zwischen kortikalen Bereichen zu visualisieren und die Netzwerkdynamik abzubilden, berechnen Sie, wie die Kohärenz jedes Elektrodenpaares mit denen jedes anderen einzigartigen Elektrodenpaares über das gesamte Spektrum und innerhalb bestimmter Bänder koaliert.
      2. Ordnen Sie diese Kovarianzmaße Farben zu. Exportieren Sie eine Farbkarte, die die Netzwerkdynamik innerhalb und über Frequenzbänder visualisiert. Beispiele für die Implementierung finden Sie unter produce_plots.r. Siehe Abbildung 4 zum Beispiel Ausgabe.

5. Analysieren von Netzwerkmodellen

HINWEIS: Die Anwendung moderner statistischer Methoden auf die abgeleiteten Modelle ermöglicht es, die im hochdimensionalen Netzwerk-Feature-Raum modellierten Beziehungen zu nutzen, um die kortikale Funktion zu untersuchen. Es können eine Reihe von Ansätzen verfolgt werden, die Vorteile gegenüber herkömmlichen Vergleichen der einzelnen Maßnahmen oder Durchschnittswerte der Kohärenzmaßnahmen bieten. Einige der möglichen Ansätze, die diese Netzwerkmodelle erleichtern, werden im Folgenden erläutert. Diese werden nur oberflächlich als Indiz für die möglichen Anwendungen der Netzwerkmodellierung diskutiert, da eine gründliche Diskussion der einzelnen Techniken über den Rahmen der vorliegenden Arbeit hinausgeht.

1. Führen Sie die Dimensionsreduzierung durch.
   ANMERKUNG: Vergleiche auf der Ebene der einzelnen Variablen können die Beziehungen, die durch die erstellten Modelle dargestellt werden, nicht nutzen, während vergleichende Vergleiche an allen Measures in den erstellten Maßkonstrukten aufgrund der eine Vielzahl von Vergleichen und das Versäumnis, die in den statistischen Modellen enthaltenen hochrangigen Informationen zu integrieren. Die Zuordnung der hochdimensionalen Daten zu einem niedrigeren Dimensionalraum bei gleichzeitiger Aufrechterhaltung der durch den Modellgenerierungsprozess generierten Informationen ermöglicht die Durchführung aussagekräftiger Vergleiche bei gleichzeitiger Nutzung der datenreichen Struktur der Modelle.
   1. Ableiten von Messgrößen für den Vergleich zwischen den Gruppen, die die gesamte Netzwerkdynamik innerhalb der statistischen Modelle darstellen, die mithilfe der Hauptkomponentenanalyse generiert werden. Ein Beispiel für die Umsetzung finden Sie in NetworkAnalysis_Demonstration.m und in der ergänzenden Abbildung 7.
      1. Erstellen Sie wie oben eine Kovarianzmatrix für die paarweisen Kohärenzmaßnahmen. Dadurch wird ein Dimensionalkovarianzkonstrukt generiert, in dem . Dieses Modell ist daher extrem hochdimensional und ermöglicht die Visualisierung von Netzwerkbeziehungen auf hoher Ebene, wie oben beschrieben.
      2. Zerlegen Sie die Kovarianzmatrix in Eigenvektoren und entsprechende Eigenwerte. Dies ermöglicht die Identifizierung der Achsen innerhalb des Modell-Feature-Bereichs, die die größte Varianz enthalten, ohne durch die vorhandenen Kennzahlen begrenzt zu werden.
      3. Ordnen Sie die Eigenvektoren nach dem entsprechenden Eigenwert, um diejenigen zu identifizieren, die den größten Anteil an Abweichungen innerhalb des Modells ausmachen.
   2. Vergleichen Sie die ersten Hauptkomponenten, die aus den Netzwerkmodellen abgeleitet wurden. Ein Beispiel für die Umsetzung finden Sie in NetworkAnalysis_Demonstration.m und in der ergänzenden Abbildung 7.
      HINWEIS: Die erste Hauptkomponente ist für die größte Varianz innerhalb des Modells. Daher ermöglicht der Vergleich dieser Kennzahl einen Vergleich der gesamten Netzwerkdynamik im gesamten Modell zwischen Gruppen mit einem einzigen statistischen Test, wodurch eine simultane Analyse der zu modellierenden komplexen Beziehungen ermöglicht und probleme mit vielen Vergleichen.
2. Führen Sie eine Analyse der Region von Interesse durch. Die abgeleiteten Modelle stellen die Netzwerkkonnektivität über den gesamten Kortex über alle Frequenzbänder hinweg dar. Wenn Interesse an bestimmten anatomischen Bereichen oder an Funktionen innerhalb bestimmter Bänder besteht, können diese Bereiche des Modells getrennt isoliert und analysiert werden.
   1. Wählen Sie eine anatomische Region von Interesse.
      HINWEIS: Die Beschränkung der Analyse auf bestimmte anatomische Bereiche ermöglicht die Bewertung der Netzwerkaktivität innerhalb oder zwischen bestimmten kortikalen Bereichen, um die Beziehungen zu identifizieren, die bei der Analyse des Modells als Ganzes möglicherweise nicht erkennbar sind.
      1. Identifizieren Sie die Kohärenzdaten innerhalb des Modells, die sich auf die anatomischen Interessengebiete beziehen.
      2. Leiten Sie eine Kovarianzmatrix ab und führen Sie die Hauptkomponentenanalyse wie oben beschrieben durch, um Messgrößen der gesamten Netzwerkarchitektur innerhalb der Interessengebiete zu berechnen.
      3. Vergleichen Sie die Messgrößen der Netzwerkdynamik innerhalb der anatomischen Interessengebiete zwischen den oben beschriebenen Gruppen.
   2. Wählen Sie eine funktionale Interessensregion aus.
      HINWEIS: Die Beschränkung der Analyse auf bestimmte Frequenzbänder ermöglicht die Bewertung der Netzwerkaktivität innerhalb bestimmter Oszillatorfrequenzen (Abbildung 4).
      1. Wie bei anatomischen Analysen isolieren Sie die Kohärenzdaten innerhalb der Frequenzbänder von Interesse. Beispiele für die Implementierung finden Sie in NetworkAnalysis_Demonstration.m und in Der Ergänzungsabbildung 8, in denen nur Interaktionen innerhalb des Gesamtspektrums als Beispiel verwendet werden.
      2. Führen Sie die Hauptkomponentenanalyse durch, um Messgrößen für die gesamte Netzwerkaktivität innerhalb der Interessensbänder abzuleiten.
      3. Vergleichen Sie die Messgrößen zwischen Gruppen, um die Netzwerkunterschiede bei bestimmten Oszillatorfrequenzen zu bewerten.
3. Verwenden Sie maschinelles Lernen.
   ANMERKUNG: Moderne statistische Lernansätze können auf die generierten Modelle angewendet werden, um die in ihnen dargestellten übergeordneten Beziehungen weiter abzuhören.
   1. Verwenden Sie überwachtes Lernen.
      HINWEIS: Mithilfe von Daten mit vordefinierten Klassen können die Modelle kortikaler Netzwerke verwendet werden, um Klassifikatoren abzuleiten, die verwendet werden können, um Signaturen innerhalb der komplexen Beziehungen zu identifizieren, die von den Modellen dargestellt werden, um neue Daten zu klassifizieren. neuartige diagnostische und prognostische Biomarker usw. Darüber hinaus können die Merkmale innerhalb der Modelle diese Klassifikationen antreiben, um Einblicke in die zugrunde liegenden Mechanismen zu gewinnen.
      1. Leiten Sie die Klassifikatoren ab. Mithilfe vorbeschrifteter Daten kann ein Klassifizierer abgeleitet werden, um die Klasse eines Datensatzes basierend auf den Netzwerkmodellen vorherzusagen.
         1. Teilen Sie die Daten in eine Reihe von Themendaten für schulungen und einen Satz zum Testen des Klassifiers auf.
         2. Trainieren Sie einen Klassifizierungsalgorithmus, z. B. eine Support-Vektormaschine oder eine zufällige Gesamtstruktur auf den beschrifteten Trainingsdaten.
         3. Bewerten Sie die Leistung des modelltrainierten Klassifiierers für die Testdaten.
            HINWEIS: Diese Ansätze ermöglichen die Verwendung der statistischen Modelle als Input, um neuartige Biomarker abzuleiten.
      2. Führen Sie eine sequenzielle Eliminierung durch.
         HINWEIS: Mithilfe des Modells zum Trainieren eines Klassifizierers können Daten iterativ entfernt werden, und der Trainingsprozess kann wiederholt werden, um zu identifizieren, welche Komponenten des Modells seine Vorhersagefähigkeit antreiben, was eine Untersuchung der zugrunde liegenden Mechanismen ermöglicht.
         1. Trainieren Sie einen Klassifier auf dem Modell, wie oben beschrieben.
         2. Entfernen Sie das Modell-Feature mit der geringsten Variabilität zwischen Gruppen.
         3. Wiederholen Sie den Trainingsprozess, und bewerten Sie die Leistung.
         4. Wiederholen Sie die iterative Funktionsentfernung, bis die Features identifiziert werden, die am meisten zur Leistung beitragen. Dies sind die Modellkomponenten, die für die Möglichkeit der Unterscheidung zwischen Klassen verantwortlich sind.
   2. Führen Sie unbeaufsichtigtes Lernen durch.
      HINWEIS: Allein mit den Modellen können Einblicke in die untersuchten Gruppen gewonnen werden. Durch die Modellierung der Daten als hochdimensionale Konstrukte, die auf den Beziehungen zwischen Aufzeichnungen basieren, können Beziehungen zwischen Gruppen, die nicht auf der Ebene einzelner Aufnahmen gesehen wurden, sichtbar werden. Unbeaufsichtigte Techniken wie Clustering-Algorithmen ermöglichen die Untersuchung von Beziehungen innerhalb der Modelle, ohne durch die vordefinierten Klassen eingeschränkt zu werden.
      1. Berechnen Sie mithilfe einer Entfernungsmetrik wie der euklidischen Entfernung die Maße der Entfernung zwischen Subjekten innerhalb des durch das Netzwerkmodell definierten Raums. Ein Beispiel für die Umsetzung finden Sie in NetworkAnalysis_Demonstration.m und in der ergänzenden Abbildung 9.
      2. Identifizieren Sie mithilfe eines Clusteringalgorithmus wie k-nearest neighbors die Gruppen innerhalb der Daten basierend auf den Modellparametern (Abbildung 5).
      3. Wiederholen Sie diesen Vorgang mithilfe eines sequenziellen Löschungsverfahrens, wie oben beschrieben, um zu untersuchen, wie einzelne Features zu den Gruppierungen innerhalb des Modells beitragen.
         HINWEIS: Auf diese Weise können die abgeleiteten Modelle verwendet werden, um die Gruppen innerhalb der Daten zu identifizieren, die sonst nicht sichtbar waren. Dies kann die Ableitung von Krankheitsuntertypen, pathologischen Gruppierungen usw. ermöglichen, die nur auf Netzwerkebene erkennbar sind.

Representative Results

Messungen der Spektralleistung ergeben n Maßwerte für jedes gemessene Frequenzband, wobei n die Anzahl der aufgezeichneten Kanäle ist. Diese Maßnahmen werden für die Gesamtleistung in Dezibel sein. Leistungsmessungen innerhalb einzelner Frequenzbänder sollten als relative Leistung (d. h. der Anteil der Gesamtleistung, die durch die Leistung innerhalb dieses Bandes repräsentiert wird) ausgedrückt werden, um genaue Vergleiche zwischen Gruppen und Bedingungen zu ermöglichen.

Abbildung 2zeigt ein Beispiel für die Visualisierung der Spektralleistung über mehrere Bänder und aufgezeichnete Kanäle hinweg. Spektrale Leistung kann über die Kopfhaut interpoliert werden, so dass eine begrenzte Schätzung der "Quelle" der Aktivität.

Interelektrodenkohärenzmaßnahmen erzeugen eine Kennzahl für jedes eindeutige Elektrodenpaar (d. h., n ist die Anzahl der aufgezeichneten Kanäle). Jede dieser Maßnahmen liegt zwischen 0 und 1, wobei 0 keine Kohärenz zwischen den Aufnahmen darstellt, und 1 stellt eine vollständige Kohärenz zwischen den Aufnahmen dar. Dies ist ein Maß für das Ausmaß, in dem sich die Aktivität in einem Bereich je nach Aktivität in einem anderen Bereich ändert, was Unterschiede in der Interaktionsrichtung und Zeitverzögerung ermöglicht. Höhere Werte der Kohärenz deuten auf Wechselwirkungen zwischen den Bereichen hin, aus denen es offensichtlich ist, dass die aufgezeichneten Bereiche miteinander kommunizieren. Durch die Messung der Wechselwirkungen zwischen jedem einzelnen Elektrodenpaar kann eine statistische Karte, wie die aufgezeichneten Kanäle interagieren, aufgebaut werden. Dies ermöglicht die Untersuchung, wie Bereiche kommunizieren, anstatt sich auf einzelne Bereiche isoliert zu konzentrieren, wie bei herkömmlichen Methoden. Ein Beispiel für die Visualisierung von Kohärenzmaßnahmen für eine 8-Elektroden-Montage ist in Abbildung 3dargestellt.

Diese Kohärenzmaßnahmen führen rasch zu großen Datenmengen, so dass die Analyse jeder Maßnahme mit einzelnen statistischen Tests eine unhaltbare Strategie darstellt. Darüber hinaus ist die Untersuchung einzelner Interaktionen nicht unbedingt interessant oder sinnvoll, wenn man Interaktionen über ganze kortikale Netzwerke betrachtet. Dimensionalitätsreduktionstechniken wie die Hauptkomponentenanalyse ermöglichen die Bewertung von Kennzahlen aus diesen statistischen Konstrukten, um den Vergleich der gesamten Netzdynamik mit herkömmlichen statistischen Methoden zu erleichtern. Klassifiziererbasierte Methoden unter Verwendung von Machine Learning-Techniken bieten eine zusätzliche vielversprechende Möglichkeit, diese hochdimensionalen Datenkonstrukte zu integrieren, um Daten zu klassifizieren und Ergebnisse vorherzusagen.

Die Visualisierung einer Netzwerkdynamik höherer Ordnung ermöglicht die Erkennung der Arten von Interaktionen, die durch eine Hauptkomponentenanalyse oder eine klassifierbasierte Technik verglichen werden. Dies kann durch Farbkartierung von Kovarianzmessungen der Interelektrodenkohärenzmessungen von Elektrodenpaaren erreicht werden. Dies bewertet, wie sich die Kohärenzmaßnahmen an einem Elektrodenpaar auf Veränderungen in der Kohärenz an einem anderen Paar beziehen, was auf breitere Netzwerkinteraktionen und die Integration von Aktivitäten im gesamten Kortex hindeutet. Dies ermöglicht die Visualisierung, wie Bereiche in einer Weise interagieren, die mit herkömmlichen Maßnahmen nicht möglich ist. Ein Beispiel für die Art der hochdimensionalen Netzwerkzuordnung, die mit dieser Technik erstellt werden kann, ist in Abbildung 4dargestellt. Dies zeigt die Unterschiede bei der Netzwerkkartierung zwischen zwei Probanden mit unterschiedlichen klinischen Phänotypen einer neuropsychiatrischen Störung, die die kortikale Funktion beeinflussen, wo es keine statistisch signifikanten Unterschiede mit Analysemethoden.

Abbildung 1: Schemader der Datenanalysepipeline. Überblick über die wichtigsten Schritte bei der Aufbereitung von Rohdaten und der Extraktion von Maßen von Interesse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 2: Repräsentative Matrix der Spektralleistungsmessungen. Jede Spalte stellt eine Elektrodenposition dar, und jede Zeile stellt ein Frequenzband von Interesse dar. Die Zellfarbintensität stellt den Wert der relativen Leistung der entsprechenden Frequenz an der entsprechenden Elektrodenposition dar. Erzeugt n x f Measures, wobei n die Anzahl der verwendeten Aufnahmeelektroden und f die Anzahl der von Interesse sindden Frequenzbänder ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Repräsentative Matrix der Kohärenzmaßnahmen für Interelektroden. Jede Zeile und jede Spalte stellt eine Elektrodenposition dar. Die Zellfarbintensität stellt den Wert der Interelektrodenkohärenz zwischen dem entsprechenden Elektrodenpaar dar. Erzeugt Kennzahlen für jedes Frequenzband von Interesse, wobei n die Anzahl der verwendeten Aufnahmeelektroden ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 4: Repräsentative Visualisierung der Netzwerkdynamik höherer Ordnung, Vergleich von zwei Phänotypen neuropsychiatrischer Störungen. Jede Zeile und jede Spalte stellt ein eindeutiges Elektrodenpaar dar. Die Zellfarbintensität stellt den Wert der Kovarianz zwischen den entsprechenden Elektrodenpaaren dar. Erzeugt Kennzahlen für jedes Frequenzband von Interesse, wobei p die Anzahl der verwendeten eindeutigen Elektrodenpaare ist. (A) Veranschaulicht sowohl innerhalb als auch über-Frequenz-Interaktionen innerhalb kortikaler Netzwerke, während (B) eine Analyse von Interesse visualisiert, die sich ausschließlich auf die Netzwerkdynamik innerhalb des gesamten Leistungsspektrums konzentriert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 5: Repräsentative Visualisierung des unbeaufsichtigten Clusteringalgorithmus. In einer Gruppe von scheinbar gut aufeinander abgestimmten Patienten mit einer neuropsychiatrischen Störung identifizierte Clustering auf Der Grundlage von Modelldaten allein Gruppen innerhalb der Bevölkerung, die bei Standardanalysen nicht erkennbar waren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 1: Screenshot zeigt die Epochierung von EEG-Daten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 2: Screenshot zeigt die wesentlichen Vorverarbeitungsschritte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 3: Screenshot zeigt die Filterung nach von Interesse sindden Frequenzen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 4: Berechnung von Kanalspektren und Isolierdaten innerhalb einzelner Bänder. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 5: Berechnung der Kohärenzmaßnahmen für jedes Elektrodenpaar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 6: Zuordnung abgeleiteter Kennzahlen zu Farbkarten und Visualisierung. Abbildung 3 und Abbildung 4 zeigen die Stichprobenergebnisse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 7: Konstruktion von Kovarianzmatrizen, Durchführung der Hauptkomponentenanalyse und Vergleich von Gruppen auf der Grundlage von Hauptkomponenten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 8: Analyse bestimmter Interessengebiete durch Isolierung von Teilmengen von Daten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 9: Ableitung einer Entfernungsmetrik und Verwendung eines Clusteringalgorithmus zur Identifizierung von Gruppen mit unbeaufsichtigten Lerntechniken. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Discussion

Die beschriebene Methode ermöglicht die Ableitung statistischer Karten kortikaler Netzwerkdynamik aus nichtinvasiven EEG-Daten. Dies ermöglicht die Untersuchung von Phänomenen, die bei der Untersuchung einfacher Zeitreihendaten nicht ohne weiteres erkennbar sind, indem bewertet wird, wie die erfassten Regionen miteinander interagieren, anstatt zu bewerten, was an jedem einzelnen Ort in isoliertheit. Dies kann wichtige Einblicke in die Krankheitspathologie¹⁸offenbaren.

Der wesentliche Aspekt dieser Methode ist die Gewährleistung der Datenqualität. Eine strenge Datenauswertung, Abstoßung von Artefakten und Vorverarbeitung sind erforderlich, um sicherzustellen, dass die Daten von einer ausreichend hohen Qualität sind, um aussagekräftige Ergebnisse zu erzielen. Sofern die verwendeten Daten von angemessener Qualität sind, kann die Komponenten für die Featureextraktion leicht geändert werden, um Netzwerkinteraktionen nur in bestimmten Bereichen von Interesse oder innerhalb beliebiger Frequenzgrenzen zu modellieren sowie komplexe Interaktionen zwischen spezifische Regionen und Frequenzbänder.

Dieser Ansatz wird durch die hohe Dimensionalität der erzeugten Ergebnisse begrenzt, die schnell riesige Datenmengen erzeugen können, wenn viele Kanäle verwendet werden. Dies kann die Interpretationsfähigkeit der Rohergebnisse einschränken und zu langen Berechnungszeiten führen. Der Einsatz von Maßierungsreduktionstechniken, wie z. B. der Hauptkomponentenanalyse²³, ist daher notwendig, um aussagekräftige statistische Vergleiche zwischen Gruppen zu ermöglichen, ohne eine große Anzahl statistischer Tests durchführen zu müssen. Darüber hinaus kann die Verwendung der erstellten hochdimensionalen Netzwerkkarten zur Unterstützung der Entscheidungsfindung die Verwendung von Klassifikatoren für maschinelles Lernen erfordern, um die Integration der großen Datenmengen zu ermöglichen, die nicht leicht manuell interpretierbar und nicht leicht reduziert werden können. auf eine einzige Maßnahme²⁴.

Dieser Ansatz bietet eine weitaus größere Fähigkeit, Veränderungen in der Netzwerkdynamik zu untersuchen als rohe EEG-Zeitreihen, bietet gleichzeitig erhebliche Vorteile gegenüber bildgebenden Verfahren wie funktioneller MRT, einschließlich einfacher Zugänglichkeit, Kosten und größerer Zeit. entschluß. Zukünftige Anwendungen dieser Methode zur Subtypisierung neurologischer Erkrankungen, Vorhersage der Behandlungsreaktion und Krankheitsprognose bieten die Möglichkeit, den klinischen Nutzen aktueller klinischer EEG-Technologien durch verbesserte Datenanalysemethoden.

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