Summary

Statistische modellering van corticale connectiviteit met niet-invasieve Elektroencephalogrammen

Published: November 01, 2019
doi:

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 ziekte1,2. 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 gebieden3,8. 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 coherentie9,10. 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 coherentie12,13, 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 causaliteit14,15, 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 complex16,17. 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 rechtlijnig3,8,16,17. 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 neurowetenschappen16,17. 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 verbeteren18,19 . 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 aandoeningen20,21. 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. <p class="jo…

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 mogel…

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.

<p class="jove_con…

Disclosures

The authors have nothing to disclose.

Acknowledgements

De publicatie van dit manuscript werd deels gesteund door de door SFI FutureNeruro gefinancierde onderzoeker Grant aan DT.

Materials

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

References

  1. Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
  2. Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
  3. Nunez, P., Srinivasan, R. . Electric Fields of the Brain: The Neurophysics of EEG. , (2006).
  4. Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).
  5. Lin, E., Alessio, A. What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT?. Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).
  6. Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
  7. Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
  8. Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. Independent component analysis of electroencephalographic data. Advances in neural information processing systems. 8, 145-151 (1996).
  9. Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
  10. Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics. Journal of Neuroscience Methods. 166 (1), 41-52 (2007).
  11. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
  12. Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
  13. Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
  14. Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
  15. Hesse, W., Möller, E., Arnold, M., Schack, B. The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies. Journal of Neuroscience Methods. 124, 27-44 (2003).
  16. Nunez, P. L., et al. EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales. Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).
  17. Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
  18. Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333 (2018).
  19. Peters, J. M., et al. Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity. BMC Medicine. 11, 54 (2013).
  20. Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
  21. Zhang, H., et al. Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment. Journal of Alzheimer’s Disease. 54, 1095-1112 (2016).
  22. Delorme, A., Scott, M. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134, 1 (2004).
  23. Calabrese, B. . Encyclopedia of Bioinformatics and Computational Biology. , (2019).
  24. Colic, S., et al. Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice. Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).

Play Video

Cite This Article
Keogh, C., Pini, G., Gemo, I., Tropea, D. Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms. J. Vis. Exp. (153), e60249, doi:10.3791/60249 (2019).

View Video