标准脑电图分析技术对神经系统功能的洞察有限。派生皮质连接的统计模型提供了更大的能力来调查底层网络动态。改进的功能评估为神经系统疾病的诊断、预后和结果预测开辟了新的可能性。
非侵入性电生理记录对神经系统功能的评估是有用的。与成像相比,这些技术价格低廉、快速、可复制且资源密集程度较低。此外,生成的功能数据具有出色的时间分辨率,这是结构成像无法实现的。
脑电图(EEG)目前的应用受到数据处理方法的限制。在单个通道中使用原始时间序列数据的标准分析技术是询问神经系统活动非常有限的方法。有关皮质函数的更多详细信息可以通过检查通道之间的关系和派生区域交互方式的统计模型来实现,从而允许网络之间的连接可视化。
本手稿描述了一种通过以标准方式记录 EEG,然后检查电极间一致性度量值以评估记录区域之间的关系来派生皮质网络活动统计模型的方法。通过评估相干对之间的协方差,生成网络交互的高维”映射”,可以进一步检查高阶交互。可以检查这些数据构造,以传统技术无法实现的方式评估皮质网络功能及其与病理学的关系。
与原始时间序列分析相比,此方法对网络级交互的敏感度更高。然而,由于对底层神经种群和生成的大量数据得出具体机械结论的复杂性,它受到限制,需要更先进的统计技术进行评估,包括维数减少和分类器的方法。
该方法旨在利用临床上可行的设置,生成基于非侵入性电极记录的皮质网络统计图,以便研究神经系统病理学、新疗法的影响以及新奇的电生理生物标志物。
脑电图为研究神经系统功能和疾病1、2提供了巨大潜力。这项技术价格低廉,在研究和临床环境中随时可用,而且通常耐受性良好。录音的简单、非侵入性使临床使用变得简单明了,而现有的临床脑电图部门框架允许临床医生轻松获得该技术。
从技术角度来看,EEG 提供了出色的时域分辨率3。由于神经系统相互作用和网络动力学的快速时间尺度,在研究神经系统功能时,这是非常重要的。虽然功能MRI等成像方法提供了更高的空间分辨率和易于解释的图像,但它们在电生理记录提供的精细时间尺度上询问神经系统功能的能力则更为有限4,5,6.
人们越来越需要能够询问神经系统功能,以便为神经系统疾病的诊断、治疗和预后提供信息。皮质网络动力学在神经系统病理学中的作用日益得到人们的认可。神经系统的许多病理在传统成像中没有产生的宏观结构病变,但通过适当的功能分析方法,在网络水平上产生的异常可能很明显。
不幸的是,目前脑电图分析方法在这方面受到很大限制。传统方法包括分析来自单个电极的简单时间序列数据。这些信号表示大皮质区域3、8的场电位的总和。使用目视检查或简单的统计方法单独分析来自单个通道的数据,限制了这些记录在离散、个别位置检测严重电生理异常的有用性。随着人们日益认识到网络级效应对神经系统功能和病理学的重要性,这些简单的分析方法显然存在缺陷,因为它们无法检测信号之间的微妙关系,从而表示皮质区域在网络级别之间交互的异常。
演示了一种从低维电极记录中推导出皮质网络连接统计图的方法。此方法允许以传统分析技术无法采用的方式调查不同大脑区域之间的交互动态,以及这些网络交互的可视化。这为在高时域解析时以以前不可能的方式对网络级效应进行非侵入性调查提供了可能性。该方法基于电极间相干9、10的测量结果。通过评估这些区域11的记录之间的统计关系,这些措施允许调查两个记录区域是如何相互作用的。通过评估每个记录区域如何与其他记录区域相互作用,可以绘制记录区域内电生理网络的统计图。这允许发现在单独评估单个通道数据时并不明显的功能关系。
本手稿的重点是在神经时间序列上使用一致性。目前,有许多技术可用于调查时间序列数据之间的关系,这些技术可以成对的方式应用于通道,以派生皮质连接模型。一些方法,如相关的部分定向相干12,13,旨在推断所调查信号对的影响方向,以便更好地描述基础网络的结构,而其他方法,如格兰杰因果14,15,试图通过一个信号预测另一个信号的数据的能力推断功能关系。这些方法可以以类似的方式应用,以生成皮质网络的高维模型。然而,一致性作为研究神经信号之间关系的手段的优点在于它缺乏假设。可以调查两个站点的录音之间的统计关系,而无需声明这些关系的功能基础,并构建纯粹基于与关于产生这些信号的皮质网络的最小假设。
由于这些措施的纯数学性质,在头皮的电极记录的一致性测量和底层神经活动之间的关系是复杂的16,17。虽然这些方法允许推导统计构造来描述电极记录之间的关系进行比较,但对特定基础神经群的活动进行直接因果推断并不直截了当3,8,16,17。这些方法允许比较各组之间的网络级活动,以确定可能有用的生物标志物,但在就这些标记与特定神经机制的关系得出具体结论方面受到限制。这是由于影响记录的活动3的大量混杂因素,以及估计在头皮8水平上记录的电信号的特定皮质源的问题。相反,这些方法可以生成活动的统计模型,可以在各组之间进行查询和比较,以确定在网络级别18上存在差异,并可以利用这些模型生成新的生物标志物构建。然而,由于底层系统的复杂性,这些方法本身在将差异与特定机制和神经活动联系起来的能力有限。
在系统神经科学16,17中,诸如一致性等网络措施的使用已经确立。由于缺乏对这些高维数据结构的利用,这些方法在皮质功能建模和调查方面的全部潜力受到限制。这项工作表明,可以成对地将这些措施应用于 EEG 通道,以便将数据映射到完全基于皮质区域中电气活动之间的统计关系的高维要素空间。它还表明,使用现代统计技术,可以使用生成的皮质函数模型来调查这些模型,而不会丢失建模过程中获得的信息。
这种方法在扩大现有脑电图技术的应用范围方面具有潜在的价值,提高了获得有用功能措施的能力,而无需对现有录音设备进行改造18,19.通过提高对皮质功能建模和询问这些模型的能力,可以扩展了可以使用 EEG 数据调查的问题。这进一步开启了进一步整合功能和结构评估以调查神经系统疾病的可能性。这种方法,使用在临床上已经广泛使用的技术,将允许研究皮质病理学与高时间和空间分辨率。
所述方法允许从非侵入性脑电图数据中推导皮质网络动力学的统计图。这样,通过评估记录的区域之间如何相互作用,而不是评估每个单独位置发生的情况,从而在检查简单时间序列数据时,对不太明显的现象进行调查。分离。这可以揭示对疾病病理学的重要见解18。
此方法的基本方面是确保数据质量。需要严格的数据评估、工件抑制和预处理,以确保数据…
The authors have nothing to disclose.
本手稿的出版部分得到了 SFI 未来神经库资助的对 DT 的赠款的支持。
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 |