Summary

Статистическое моделирование кортикальной связи с использованием неинвазивных электроэнцефалограмм

Published: November 01, 2019
doi:

Summary

Стандартные методы анализа ЭЭГ предлагают ограниченное понимание функции нервной системы. Производные статистические модели корковых подключений дают гораздо большую способность исследовать базовую динамику сети. Улучшенная функциональная оценка открывает новые возможности для диагностики, прогнозирования и прогнозирования результатов при заболеваниях нервной системы.

Abstract

Неинвазивные электрофизиологические записи полезны для оценки функции нервной системы. Эти методы являются недорогими, быстрыми, реплицируемыми и менее ресурсоемкими, чем изображения. Кроме того, полученные функциональные данные имеют отличное временное разрешение, что не достижимо при структурной визуализации.

Текущее применение электроэнцефалограмм (ЭЭГ) ограничено методами обработки данных. Стандартные методы анализа с использованием необработанных данных временных рядов на отдельных каналах являются очень ограниченными методами изучения активности нервной системы. Более подробная информация о корковой функции может быть достигнута путем изучения взаимосвязи между каналами и получения статистических моделей взаимодействия областей, что позволяет визуализировать связь между сетями.

Данная рукопись описывает метод получения статистических моделей корковой сетевой активности путем стандартного учета ЭЭГ, а затем изучения мер интерэлектродной согласованности для оценки взаимосвязи между зарегистрированными областями. Взаимодействия более высокого порядка можно дополнительно изучить путем оценки ковариантности между парами согласованности, создавая высокомерные «карты» сетевых взаимодействий. Эти конструкции данных могут быть изучены для оценки функции корковой сети и ее связи с патологией способами, недостижимыми с традиционными методами.

Такой подход обеспечивает большую чувствительность к взаимодействию на уровне сети, чем это достижимо при анализе необработанных временных рядов. Однако она ограничена сложностью составления конкретных механистических выводов о базовых нейронных популяциях и больших объемах генерируемых данных, требующих более передовых статистических методов оценки, включая размерность подходов, основанных на сокращении и классификации.

Introduction

Этот метод направлен на составление статистических карт корковых сетей на основе неинвазивных записей электродов с использованием клинически жизнеспособной установки, чтобы позволить исследование патологии нервной системы, влияние новых методов лечения, а также развитие романа электрофизиологические биомаркеры.

ЭЭГ предлагает большой потенциал для исследования функции нервной системы и заболевания1,2. Эта технология является недорогим, легко доступны в научных исследованиях и клинических условиях, и, как правило, хорошо переносится. Простой, неинвазивный характер записей делает клиническое использование простым, а существующая структура клинических отделений ЭЭГ обеспечивает легкий доступ к технологии для клиницистов.

С технической точки зрения, ЭЭГ предлагает отличное разрешение домена времени3. Это имеет большое значение при изучении функции нервной системы из-за быстрых временных шкал взаимодействия нервной системы и сетевой динамики. В то время как методы визуализации, такие как функциональные МРТ предлагают большее пространственное разрешение и легко интерпретируемые изображения, они гораздо более ограничены в своей способности допрашивать функции нервной системы на тонких временных масштабах, предлагаемых электрофизиологических записей 4,5,6.

Растет потребность в способности допрашивать функцию нервной системы для информирования о диагностике, лечении и прогнозации заболеваний нервной системы. Роль динамики корковой сети в патологии нервной системы все чаще признается7. Многие патологии нервной системы не производят макроскопических структурных повреждений, видимых при традиционной визуализации, но аномалии, производимые на уровне сети, могут быть очевидны с помощью соответствующих методов функционального анализа.

К сожалению, нынешние методы анализа ЭЭГ в этом отношении значительно ограничены. Традиционные методы включают анализ простых данных временных рядов с отдельных электродов. Эти сигналы представляют собой суммирование полевых потенциалов в больших корковых областях3,8. Анализ данных по отдельным каналам в изоляции с использованием либо визуального осмотра или простых статистических методов ограничивает полезность этих записей для обнаружения грубых электрофизиологических аномалий в отдельных местах. С растущим признанием важности сетевого уровня эффектов для функции нервной системы и патологии, эти простые методы анализа явно не хватает в том, что они не смогут обнаружить тонкие отношения между сигналами, представляющие аномалии в том, как корковые области взаимодействуют друг с другом на уровне сети.

Демонстрируется метод получения статистических карт корковых сетей связи с низкомерными электродными записями. Этот метод позволяет исследует динамику взаимодействий между различными областями мозга таким образом, что это невозможно с помощью традиционных методов анализа, а также визуализацию этих сетевых взаимодействий. Это открывает возможность для неинвазивного исследования эффектов сетевого уровня в разрешении доменов на высоком времени способами, которые ранее не возможны. Данный метод основан на выводе показателей межэлектродной согласованности9,10. Эти меры позволяют иссмотреть, как два зарегистрированных региона взаимодействуют путем оценки статистических взаимосвязей между записями этих областей11. Оценивая, как каждая зарегистрированная область взаимодействует с любой другой зарегистрированной областью, можно составить статистическую карту электрофизиологических сетей в зарегистрированных областях. Это позволяет открывать функциональные связи, которые не очевидны при оценке данных отдельных каналов в изоляции.

Основное внимание в этой рукописи уделяется использованию согласованности нейронных временных рядов. В настоящее время существует ряд методов для изучения взаимосвязи между данными временных рядов, которые могут быть применены к каналам в парной форме для получения моделей корковой связи. Некоторые методы, такие как связанная частичная направленная согласованность12,13 ,направленына вывод направления влияния пары исследуемых сигналов, чтобы лучше охарактеризовать структуру базовых сетей, в то время как другие методы, такие как причинность Грейнджера14,15, попытка сделать вывод функциональных отношений через способность одного сигнала предсказать данные в другом. Такие методы могут быть применены аналогичным образом для создания высокомерных моделей корковых сетей. Однако преимущества согласованности как средства исследования взаимосвязи между нейронными сигналами заключаются в отсутствии допущений. Можно исследовать статистические связи между записями на двух сайтах без заявлений о функциональной основе этих отношений и создать модель корковой связи, основанной исключительно на статистических отношениях с минимальные предположения о корковых сетях, генерирующих эти сигналы.

Из-за чисто математической природы этих мер, связь между показателями согласованности электродов на коже головы и основной нейронной активности являетсясложной 16,17. Хотя эти методы позволяют производные статистических конструкций, описывающих отношения между электродных записей для сравнения, делая прямые причинно-следственные выводы о деятельности конкретных базовых нейронных популяций не просто3,8,16,17. Эти подходы позволяют проводить сравнение активности на сетевом уровне между группами для выявления потенциально полезных биомаркеров, но ограничены с точки зрения сопоставления конкретных выводов относительно связи этих маркеров с конкретными нейронными механизмами. Это связано с большим количеством смешанных факторов, влияющих на зарегистрированную активность3,а также проблемами с оценкой специфического коркового источника электрических сигналов, зарегистрированных на уровне кожи головы8. Скорее, эти подходы могут производить статистические модели деятельности, которые могут быть допрошены и сопоставлены между группами, чтобы определить, что различия существуют на сетевом уровне18 и могут быть использованы для производства новых биомаркеров на основе этих Конструкции. Однако только эти методы имеют ограниченную способность соотносить различия, наблюдаемые с конкретными механизмами и нейронной деятельностью из-за сложности базовой системы.

Использование сетевых мер, таких как согласованность хорошо зарекомендовала себя в системах нейронауки16,17. Весь потенциал этих подходов к моделированию и исследованию корковой функции был ограничен отсутствием эксплуатации этих высокомерных структур данных. Эта работа показывает, что эти меры можно применять к каналам ЭЭГ в паре, чтобы сопоставить данные на пространстве высокомерных объектов, основанном исключительно на статистических взаимосвязях между электрической активностью в корковых регионах. Это также свидетельствует о том, что с использованием современных статистических методов можно использовать генерируемые модели корковой функции для исследования этих моделей без потери информации, полученной в процессе моделирования.

Этот метод потенциально ценен в расширении сферы применения существующих технологий ЭЭГ, улучшая способность получать полезные функциональные меры, не требуя адаптации к существующему записывающем оборудованию18,19 . Улучшая способность моделировать корковую функцию и допрашивать эти модели, расширяются вопросы, которые могут быть исследованы с помощью данных ЭЭГ. Это также открывает возможность большей интеграции функциональных и структурных оценок для исследования неврологических заболеваний20,21. Такой подход, использующий технологию, которая уже широко доступна клинически, позволит проводить исследования корковых патологий как с высоким временным, так и с пространственным разрешением.

Protocol

Следующий экспериментальный протокол соответствует всем местным, национальным и международным руководящим принципам этики для исследований человека. Данные, использованные для проверки протокола, были получены с разрешения Комитета по этике региона Тоскана-протокол 2018SMIA112 SI-RE. <p cl…

Representative Results

Измерения спектральной мощности будут производить n измерения для каждого измеренного диапазона частот, где n является числом записанных каналов. Эти меры будут в децибелах для общей мощности. Измерения силы в отдельных частотных диапазонах должны быть выра…

Discussion

Описанный метод позволяет производные статистические карты динамики корковых сетей на основе неинвазивных данных ЭЭГ. Это позволяет исследует явления, не всегда очевидные при изучении простых данных временных рядов путем оценки того, как зарегистрированные регионы взаимодействуют ?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Публикация этой рукописи была частично поддержана SFI FutureNeruro финансируемых следователь грант 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