Summary

Non-invaziv Elektroensefalogramlar Kullanarak Kortikal Bağlantının İstatistiksel Modellemesi

Published: November 01, 2019
doi:

Summary

Standart EEG analiz teknikleri sinir sistemi fonksiyonu hakkında sınırlı bilgi sunar. Kortikal bağlantıistatistiksel modeller türetilmesi, altta yatan ağ dinamiklerini araştırmak için çok daha fazla yetenek sunar. Geliştirilmiş fonksiyonel değerlendirme sinir sistemi hastalıklarında tanı, prognostikasyon ve sonuç tahmini için yeni olanaklar sunar.

Abstract

Non-invaziv elektrofizyolojik kayıtlar sinir sistemi fonksiyonunun değerlendirilmesi için yararlıdır. Bu teknikler, görüntülemeden daha ucuz, hızlı, çoğaltılabedilebilir ve daha az kaynak yoğundur. Ayrıca, üretilen fonksiyonel veriler, yapısal görüntüleme ile elde edilemez mükemmel zamansal çözünürlüğe sahiptir.

Elektroensefalogramların (EEG) mevcut uygulamaları veri işleme yöntemleri ile sınırlıdır. Tek tek kanallarda ham zaman serisi verilerini kullanan standart analiz teknikleri sinir sistemi aktivitesini sorgulamanın çok sınırlı yöntemleridir. Kortikal fonksiyon hakkında daha ayrıntılı bilgi kanallar arasındaki ilişkileri inceleyerek ve alanların nasıl etkileşime girdiğine ilişkin istatistiksel modeller üreterek ağlar arasındaki bağlantının görselleştirilmesine olanak sağlar.

Bu makale, eeg’yi standart bir şekilde kaydederek kortikal ağ aktivitesinin istatistiksel modellerini elde etmek için bir yöntemi açıklar, daha sonra kaydedilen alanlar arasındaki ilişkileri değerlendirmek için elektrotlar arası tutarlılık ölçütlerini inceler. Daha yüksek sıralı etkileşimler, ağ etkileşimlerinin yüksek boyutlu “haritaları” üreterek, tutarlılık çiftleri arasındaki tutarlılık değerlendirilerek daha fazla incelenebilir. Bu veri yapıları kortikal ağ fonksiyonu ve patoloji ile ilişkisini geleneksel tekniklerle ulaşılamayan şekillerde değerlendirmek için incelenebilir.

Bu yaklaşım, ham zaman serisi analizi ile ulaşılabilecek daha ağ düzeyi etkileşimleri için daha fazla duyarlılık sağlar. Bununla birlikte, altta yatan nöral popülasyonlar ve üretilen yüksek hacimli veriler hakkında belirli mekanik sonuçlar çıkarmanın karmaşıklığı ile sınırlıdır ve boyutsallık da dahil olmak üzere değerlendirme için daha gelişmiş istatistiksel teknikler gerektirir. azaltma ve sınıflandırıcı tabanlı yaklaşımlar.

Introduction

Bu yöntem, sinir sistemi patolojisinin araştırılmasına, yeni tedavilerin etkisine ve yeni romanın gelişimine olanak sağlamak amacıyla, klinik olarak uygun bir kurulum kullanarak kortikal ağların invaziv olmayan elektrot kayıtlarına dayalı istatistiksel haritalar oluşturmayı amaçlamaktadır. elektrofizyolojik biyobelirteçler.

EEG sinir sistemi fonksiyonu ve hastalık 1 soruşturma için büyük bir potansiyel sunuyor1,2. Bu teknoloji ucuz, kolayca araştırma ve klinik ortamlarda kullanılabilir, ve genellikle iyi tolere. Kayıtların basit, non-invaziv doğası klinik kullanımı basit hale getirir ve klinik EEG departmanlarının mevcut çerçevesi klinisyenler için teknolojiye kolay erişim sağlar.

Teknik açıdan Bakıldığında, EEG mükemmel zaman etki alanı çözünürlüğü3sunuyor. Sinir sistemi etkileşimleri ve ağ dinamiklerinin hızlı zaman ölçekleri nedeniyle sinir sistemi fonksiyonu araştırılırken bu büyük önem taşımaktadır. Fonksiyonel MRG gibi görüntüleme yöntemleri daha fazla uzamsal çözünürlük ve kolayca yorumlanabilir görüntüler sunarken, elektrofizyolojik kayıtların sunduğu ince zaman ölçeklerinde sinir sistemi fonksiyonlarını sorgulama yetenekleri çok daha sınırlıdır. 4,5,6.

Sinir sistemi hastalıklarının tanı, tedavi ve prognostiğini bildirmek için sinir sistemi fonksiyonunu sorgulama yeteneğine ihtiyaç artmaktadır. Sinir sistemi patolojisinde kortikal ağ dinamiğinin rolü giderek daha fazla kabul edilmektedir7. Sinir sisteminin birçok patolojisi geleneksel görüntüleme ile görünür makroskopik yapısal lezyonlar üretmek, ancak ağ düzeyinde üretilen anormallikler uygun fonksiyonel analiz yöntemleri ile belirgin olabilir.

Ne yazık ki, mevcut EEG analiz yöntemleri bu konuda büyük ölçüde sınırlıdır. Geleneksel yöntemler, tek tek elektrotlardan elde edilen basit zaman serisi verilerinin analizini içerir. Bu sinyaller büyük kortikal alanlarda alan potansiyellerinin toplamı temsil3,8. Görsel inceleme veya basit istatistiksel yöntemlerle izole olarak izole edilen kanallardan elde edilen verilerin analizi, bu kayıtların yararlılığını, ayrı, ayrı konumlardaki brüt elektrofizyolojik anormalliklerin saptanmasıyla sınırlar. Sinir sistemi fonksiyonu ve patolojisi için ağ düzeyindeki etkilerin öneminin giderek daha fazla tanınması ile, bu basit analiz yöntemleri açıkça sinyalleri arasındaki ince ilişkileri tespit etmek için başarısız olacak, temsil kortikal alanların ağ düzeyinde birbirleriyle nasıl etkileştiğine yönelik anormallikler.

Düşük boyutlu elektrot kayıtlarından kortikal ağ bağlantısının istatistiksel haritalarını elde etme yöntemi gösterilmiştir. Bu yöntem, geleneksel analiz teknikleri ile mümkün olmayan bir şekilde değişen beyin bölgeleri arasındaki etkileşimdinamikleri incelenmesine olanak sağlar, hem de bu ağ etkileşimleri görselleştirme. Bu, daha önce mümkün olmayan şekillerde yüksek zaman etki alanı çözünürlüklerinde ağ düzeyi etkilerinin non-invaziv araştırma olanağı nı açar. Bu yöntem elektrot lar arası tutarlılık önlemlerinin türemiş türemiş dayanmaktadır9,10. Bu önlemler, bu alanların kayıtları arasındaki istatistiksel ilişkileri değerlendirerek kaydedilen iki bölgenin nasıl etkileşime girdiğinin araştırılmasına olanak sağlar11. Kaydedilen her alanın diğer tüm kaydedilen alanlarla nasıl etkileştiğini değerlendirerek, kaydedilen alanlar içindeki elektrofizyolojik ağların istatistiksel bir haritası yapılabilir. Bu, tek tek kanal verilerinin tek tek ayrı değerlendirilmesinde belirgin olmayan işlevsel ilişkilerin keşfedilmesine olanak tanır.

Bu makalenin odak noktası nöral zaman serilerinde tutarlılık kullanımıdır. Şu anda, kortikal bağlantı modelleri türetmek için çift yönünde bir şekilde kanallara uygulanabilir zaman serisi verileri arasındaki ilişkileri araştırmak için teknikler vardır. Bazı yöntemler, ilgili kısmi yönelimli tutarlılık12,13, daha iyi altta yatan ağların yapısını karakterize etmek için araştırılan sinyalleri çiftin inetki yönünü çıkarmak için, diğer granger nedensellik14,15gibi yöntemler, başka bir veri tahmin etmek için bir sinyal yeteneği ile fonksiyonel ilişkiler çıkartmak için çalışır. Bu gibi yöntemler kortikal ağların yüksek boyutlu modellerini oluşturmak için benzer şekillerde uygulanabilir. Ancak, nöral sinyaller arasındaki ilişkileri araştırmak için bir araç olarak tutarlılık avantajları varsayımlar onun eksikliği yatıyor. Bu ilişkilerin işlevsel temeli hakkında açıklamalar yapmadan iki sitedeki kayıtlar arasındaki istatistiksel ilişkileri araştırmak ve tamamen istatistiksel ilişkilere dayalı bir kortikal bağlantı modeli oluşturmak mümkündür. bu sinyalleri üreten kortikal ağlar hakkında en az varsayımlar.

Bu önlemlerin tamamen matematiksel doğası nedeniyle, kafa derisi elektrot kayıtlarının tutarlılık ölçüleri ile altta yatan nöral aktivite arasındaki ilişkikarmaşıktır 16,17. Bu yöntemler karşılaştırma için elektrot kayıtları arasındaki ilişkileri açıklayan istatistiksel yapılar türetme sağlarken, belirli altta yatan nöral popülasyonların aktivitesi hakkında doğrudan nedensel çıkarımlar yapma basit3,8,16,17. Bu yaklaşımlar, potansiyel olarak yararlı biyobelirteçleri belirlemek için gruplar arasındaki ağ düzeyindeki aktivitenin karşılaştırılmasına olanak sağlar, ancak bu belirteçlerin belirli nöral mekanizmalarla ilişkisine ilişkin özel sonuçlar çıkarma açısından sınırlıdır. Bu kafa derisi düzeyinde kaydedilen elektrik sinyalleri belirli kortikal kaynağı tahmin ile ilgili sorunların yanı sıra, kaydedilen aktivite3etkileyen kafa karıştırıcı faktörlerin çok sayıda kaynaklanmaktadır8. Bunun yerine, bu yaklaşımlar, ağ düzeyinde18’de farklılıkların mevcut olduğunu belirlemek için gruplar arasında sorgulanabilen ve karşılaştırılabilir istatistiksel aktivite modelleri üretebilir ve bunlara dayalı yeni biyobelirteçler üretmek için kullanılabilir Yapıları. Ancak, bu yöntemler tek başına belirli mekanizmalar ve nöral faaliyetler için temel sistemin karmaşıklığı nedeniyle görülen farklılıklar ilişki sınırlı bir kapasiteye sahiptir.

Tutarlılık gibi ağ önlemlerinin kullanımı iyi sistemlerinöroloji16,17kurulmuştur. Kortikal fonksiyonumodelleme ve araştırmak için bu yaklaşımların tam potansiyeli, bu yüksek boyutlu veri yapılarının sömürülmemesi ile sınırlandırılmıştır. Bu çalışma, bu önlemlerin eeg kanallarına, sadece kortikal bölgelerdeki elektriksel aktivite arasındaki istatistiksel ilişkiye dayalı yüksek boyutlu bir özellik alanına veri haritalayabilmek için çift yönlü olarak uygulanmasının mümkün olduğunu göstermektedir. Ayrıca, modern istatistiksel teknikler kullanılarak, modelleme sürecinde elde edilen bilgileri kaybetmeden bu modelleri araştırmak için kortikal fonksiyonun oluşturulan modellerini kullanmak mümkün olduğunu göstermektedir.

Bu yöntem, mevcut EEG teknolojilerinin uygulamalarının kapsamını genişletmede, mevcut kayıt ekipmanlarına adaptasyon gerektirmeden yararlı işlevsel önlemler alma yeteneğini geliştirmede potansiyel olarak değerlidir18,19 . Kortikal fonksiyonu modelleme ve bu modelleri sorgulama yeteneğini geliştirerek, EEG verileri kullanılarak araştırılabilen sorular genişletilir. Bu daha fazla nörolojik hastalığın araştırılması için fonksiyonel ve yapısal değerlendirmelerin daha fazla entegrasyon olasılığını açar20,21. Bu yaklaşım, zaten klinik olarak yaygın olarak kullanılabilir teknolojiyi kullanarak, yüksek zamansal ve mekansal çözünürlük ile kortikal patolojilerin araştırılmasına olanak sağlayacak.

Protocol

Aşağıdaki deneysel protokol, insan araştırmaları için tüm yerel, ulusal ve uluslararası etik yönergelerine uygundur. Protokolü test etmek için kullanılan veriler, Bölge Toskana-protokolü 2018SMIA112 SI-RE Etik Komitesi’nin onayı ile elde edilmiştir. NOT: Açıklanan analizleri uygulamak için kullanılan komut dosyaları https://github.com/conorkeogh/NetworkAnalysis mevcuttur. 1. Ham Veri Toplama Konu koşulların…

Representative Results

Spektral gücün ölçüleri ölçülen her frekans bandı için n ölçümü üretecek, burada kaydedilen kanal sayısı n’dir. Bu önlemler genel güç için desibel olacak. Gruplar ve koşullar arasında doğru karşılaştırmalar sağlamak için, tek tek frekans bantları içindeki güç ölçüleri göreceli güç (yani, o bant içindeki gücün temsil ettiği genel gücün oranı) olarak ifade edilmelidir. <p class="jove_content" fo:keep-together.within-page="…

Discussion

Açıklanan yöntem, kortikal ağ dinamiklerinin istatistiksel haritalarının non-invaziv EEG verilerinden türemesine olanak sağlar. Bu, kaydedilen bölgelerin her bir yerde neler olup bittiğini değerlendirmek yerine, birbirleriyle nasıl etkileşimde bulunduklarını değerlendirerek basit zaman serileri verilerinin incelenmesinde kolayca ortaya çıkamayan fenomenlerin araştırılmasına olanak sağlar. Yalıtım. Bu hastalık patolojisi içine önemli anlayışlar ortaya çıkarabilir18.<…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu makalenin yayınlanması kısmen DT SFI FutureNeruro-Finanse Araştırmacı hibe tarafından desteklenmiştir.

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