Modélisation statistique de la connectivité corticale à l'aide d'électroencéphalogrammes non invasifs
Summary
Les techniques standard d’analyse de l’EEG offrent un aperçu limité de la fonction du système nerveux. La dérivation de modèles statistiques de connectivité corticale offre une capacité beaucoup plus grande d’étudier la dynamique du réseau sous-jacente. L’évaluation fonctionnelle améliorée ouvre de nouvelles possibilités pour le diagnostic, le pronostic, et la prévision de résultat dans les maladies de système nerveux.
Abstract
Les enregistrements électrophysiologiques non invasifs sont utiles pour l’évaluation de la fonction du système nerveux. Ces techniques sont peu coûteuses, rapides, reproductibles et moins gourmandes en ressources que l’imagerie. En outre, les données fonctionnelles produites ont une excellente résolution temporelle, ce qui n’est pas réalisable avec l’imagerie structurelle.
Les applications actuelles des électroencéphalogrammes (EEG) sont limitées par des méthodes de traitement des données. Les techniques d’analyse standard utilisant des données brutes de série de temps à des canaux individuels sont des méthodes très limitées d’interroger l’activité du système nerveux. Des informations plus détaillées sur la fonction corticale peuvent être obtenues en examinant les relations entre les canaux et en dérivant des modèles statistiques de la façon dont les zones interagissent, permettant la visualisation de la connectivité entre les réseaux.
Ce manuscrit décrit une méthode pour dériver des modèles statistiques de l’activité du réseau cortical en enregistrant l’EEG d’une manière standard, puis en examinant les mesures de cohérence interélectrodes pour évaluer les relations entre les zones enregistrées. Les interactions d’ordre supérieur peuvent être examinées plus en évaluant la covariance entre les paires de cohérence, produisant des « cartes » de haute dimension des interactions réseau. Ces constructions de données peuvent être examinées pour évaluer la fonction du réseau cortical et son rapport à la pathologie d’une manière qui n’est pas réalisable avec les techniques traditionnelles.
Cette approche offre une plus grande sensibilité aux interactions au niveau du réseau qu’il n’est possible d’obtenir l’analyse des séries chronologiques brutes. Elle est toutefois limitée par la complexité de tirer des conclusions mécanistes spécifiques sur les populations neuronales sous-jacentes et les volumes élevés de données générées, nécessitant des techniques statistiques plus avancées pour l’évaluation, y compris la dimensionnalité d’approches de réduction et de classificateur.
Introduction
Cette méthode vise à produire des cartes statistiques des réseaux corticaux à partir d’enregistrements d’électrodes non invasives à l’aide d’une configuration cliniquement viable, afin de permettre l’étude de la pathologie du système nerveux, l’impact de nouveaux traitements, et le développement de nouveaux biomarqueurs électrophysiologiques.
EEG offre un grand potentiel pour l’étude de la fonction du système nerveux et la maladie1,2. Cette technologie est peu coûteuse, facilement disponible dans les milieux de recherche et cliniques, et généralement bien tolérée. La nature simple et non invasive des enregistrements facilite l’utilisation clinique, et le cadre existant des départements cliniques d’EEG permet un accès facile à la technologie pour les cliniciens.
D’un point de vue technique, EEG offre une excellente résolution de domaine temporel3. Ceci est d’une grande importance lors de l’étude de la fonction du système nerveux en raison des échelles de temps rapides des interactions du système nerveux et la dynamique du réseau. Bien que les méthodes d’imagerie telles que l’IRM fonctionnelle offrent une plus grande résolution spatiale et des images facilement interprétables, elles sont beaucoup plus limitées dans leur capacité à interroger le fonctionnement du système nerveux sur les échelles de temps finoffertes offertes par les enregistrements électrophysiologiques. 4,5,6.
Il y a un besoin croissant pour la capacité d’interroger la fonction de système nerveux pour éclairer le diagnostic, le traitement, et le pronostic des maladies de système nerveux. Le rôle de la dynamique de réseau cortical dans la pathologie du système nerveux est de plus en plus reconnu7. Beaucoup de pathologies du système nerveux ne produisent aucune lésion structurale macroscopique visible avec la formation image traditionnelle, mais les anomalies produites au niveau du réseau peuvent être apparentes avec les méthodes fonctionnelles appropriées d’analyse.
Malheureusement, les méthodes actuelles d’analyse de l’EEG sont très limitées à cet égard. Les méthodes traditionnelles impliquent l’analyse de données simples de séries chronologiques à partir d’électrodes individuelles. Ces signaux représentent la somme des potentiels de champ dans de grandes zones corticales3,8. L’analyse des données provenant de différents canaux isolés à l’aide d’une inspection visuelle ou de simples méthodes statistiques limite l’utilité de ces enregistrements à la détection d’anomalies électrophysiologiques brutes dans des endroits distincts et individuels. Avec la reconnaissance croissante de l’importance des effets au niveau du réseau pour la fonction et la pathologie du système nerveux, ces méthodes d’analyse simples sont clairement déficientes en ce qu’elles ne détecteront pas les relations subtiles entre les signaux, représentant anomalies dans la façon dont les zones corticales interagissent les unes avec les autres au niveau du réseau.
Une méthode de dérivation des cartes statistiques de la connectivité réseau corticale à partir d’enregistrements d’électrodes de faible dimension est démontrée. Cette méthode permet d’enquêter sur la dynamique des interactions entre les différentes régions du cerveau d’une manière qui n’est pas possible avec les techniques d’analyse traditionnelles, ainsi que la visualisation de ces interactions réseau. Cela ouvre la possibilité d’une étude non invasive des effets au niveau du réseau à haute résolution de domaine de temps d’une manière qui n’était pas possible auparavant. Cette méthode est basée sur la dérivation de mesures de cohérence interélectrodes9,10. Ces mesures permettent d’évaluer comment deux régions enregistrées interagissent en évaluant les relations statistiques entre les enregistrements de ces zones11. En évaluant comment chaque zone enregistrée interagit avec chaque autre zone enregistrée, une carte statistique des réseaux électrophysiologiques dans les zones enregistrées peut être faite. Cela permet de découvrir des relations fonctionnelles qui ne sont pas apparentes lors de l’évaluation des données des canaux individuels dans l’isolement.
L’accent de ce manuscrit est sur l’utilisation de la cohérence sur les séries chronologiques neuronales. Actuellement, il existe un certain nombre de techniques pour étudier les relations entre les données des séries chronologiques qui peuvent être appliquées aux canaux d’une manière paire wise pour dériver des modèles de connectivité corticale. Certaines méthodes, telles que la cohérence dirigée partielle connexe12,13, visent à déduire la direction d’influence de la paire de signaux étudiés afin de mieux caractériser la structure des réseaux sous-jacents, tandis que d’autres méthodes, telles que la causalité Granger14,15, tenter d’inférer des relations fonctionnelles par la capacité d’un signal de prédire les données dans un autre. De telles méthodes peuvent être appliquées de manière similaire pour générer des modèles de réseaux corticaux à haute dimension. Cependant, les avantages de la cohérence en tant que moyen d’étudier les relations entre les signaux neuronaux réside dans son manque d’hypothèses. Il est possible d’étudier les relations statistiques entre les enregistrements sur deux sites sans faire de déclarations sur la base fonctionnelle de ces relations et de construire un modèle de connectivité corticale basé uniquement sur les relations statistiques avec hypothèses minimales sur les réseaux corticaux générant ces signaux.
En raison de la nature purement mathématique de ces mesures, la relation entre les mesures de cohérence des enregistrements d’électrodes au cuir chevelu et l’activité neuronale sous-jacente est complexe16,17. Bien que ces méthodes permettent la dérivation de constructions statistiques décrivant les relations entre les enregistrements d’électrodes à des fins de comparaison, faire des inférences causales directes sur l’activité des populations neuronales sous-jacentes spécifiques n’est pas simple3,8,16,17. Ces approches permettent de comparer l’activité au niveau du réseau entre les groupes pour identifier les biomarqueurs potentiellement utiles, mais elles sont limitées en termes de tirer des conclusions spécifiques concernant la relation de ces marqueurs avec des mécanismes neuronaux spécifiques. Cela est dû au grand nombre de facteurs de confusion influençant l’activité enregistrée3, ainsi que des problèmes avec l’estimation de la source corticale spécifique des signaux électriques enregistrés au niveau du cuir chevelu8. Ces approches peuvent plutôt produire des modèles statistiques d’activité qui peuvent être interrogés et comparés entre les groupes afin de déterminer que des différences existent au niveau du réseau18 et peuvent être exploitées pour produire de nouveaux biomarqueurs basés sur ces Construit. Cependant, ces méthodes à elles seules ont une capacité limitée de relier les différences observées à des mécanismes spécifiques et des activités neuronales en raison de la complexité du système sous-jacent.
L’utilisation de mesures de réseau telles que la cohérence est bien établie dans les systèmesneurosciences 16,17. Le plein potentiel de ces approches pour la modélisation et l’étude de la fonction corticale a été limité par un manque d’exploitation de ces structures de données de haute dimension. Ce travail démontre qu’il est possible d’appliquer ces mesures aux canaux EEG d’une manière bigraphique afin de cartographier les données sur un espace de fonctionnalités de haute dimension basé uniquement sur les relations statistiques entre l’activité électrique dans les régions corticales. Il démontre également que, en utilisant des techniques statistiques modernes, il est possible d’utiliser les modèles générés de la fonction corticale pour étudier ces modèles sans perdre les informations acquises dans le processus de modélisation.
Cette méthode est potentiellement utile pour élargir la portée des applications des technologies EEG existantes, en améliorant la capacité d’obtenir des mesures fonctionnelles utiles sans nécessiter d’adaptations à l’équipement d’enregistrement existant18,19 . En améliorant la capacité de modéliser la fonction corticale et d’interroger ces modèles, les questions qui peuvent être étudiées à l’aide des données EEG sont élargies. Cela ouvre en outre la possibilité d’une plus grande intégration des évaluations fonctionnelles et structurelles pour l’étude de la maladie neurologique20,21. Cette approche, utilisant la technologie qui est déjà largement disponible médicalement, permettrait d’enquêter sur les pathologies corticales avec la résolution temporelle et spatiale élevée.
Protocol
Representative Results
Discussion
La méthode décrite permet la dérivation de cartes statistiques de la dynamique des réseaux corticaux à partir de données EEG non invasives. Cela permet d’examiner des phénomènes qui ne sont pas facilement apparents lors de l’examen de données simples sur les séries chronologiques par l’évaluation de la façon dont les régions enregistrées interagissent les unes avec les autres, plutôt que d’évaluer ce qui se passe dans chaque endroit individuel isolation. Ceci peut révéler des perspicacités importantes …
Disclosures
The authors have nothing to disclose.
Acknowledgements
La publication de ce manuscrit a été partiellement soutenue par la subvention de l’enquêteur financé par sFI FutureNeruro à 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
- Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
- Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
- Nunez, P., Srinivasan, R. . Electric Fields of the Brain: The Neurophysics of EEG. , (2006).
- Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).
- 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).
- Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
- Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
- 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).
- Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
- 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).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
- Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
- Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
- Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
- 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).
- 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).
- Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
- Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333 (2018).
- 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).
- Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
- 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).
- 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).
- Calabrese, B. . Encyclopedia of Bioinformatics and Computational Biology. , (2019).
- 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).
