Standard EEG analyseteknikker giver begrænset indsigt i nervesystemet funktion. At udlede statistiske modeller af kortikale tilslutningsmuligheder giver langt større mulighed for at undersøge underliggende netværks dynamik. Forbedret funktionel vurdering åbner nye muligheder for diagnosticering, prognosticering og resultat forudsigelse i nervesystemet sygdomme.
Ikke-invasive elektrofysiologiske optagelser er nyttige til evaluering af nervesystemets funktion. Disse teknikker er billige, hurtige, reproducbare og mindre ressourceintensive end Imaging. Desuden har de producerede funktionelle data fremragende tidsmæssig opløsning, hvilket ikke er opnåeligt med strukturel billeddannelse.
Nuværende anvendelser af elektro encephalogrammer (EEG) er begrænset af databehandling metoder. Standard analyseteknikker ved hjælp af RAW Time Series data på individuelle kanaler er meget begrænsede metoder til at forhør nervesystemet aktivitet. Mere detaljerede oplysninger om kortikale funktion kan opnås ved at undersøge forholdet mellem kanaler og udlede statistiske modeller af, hvordan områder interagerer, så visualisering af forbindelsen mellem netværk.
Dette manuskript beskriver en metode til at udlede statistiske modeller for kortikal netværksaktivitet ved at optage EEG på en standardiseret måde og derefter undersøge interelektrode sammenhængs foranstaltningerne for at vurdere forholdet mellem de registrerede områder. Højere ordre interaktioner kan undersøges yderligere ved at vurdere kovariansen mellem sammenhængs parrene og producere højdimensionale “kort” over netværks interaktioner. Disse data konstruktioner kan undersøges for at vurdere kortikale netværksfunktion og dens forhold til patologi på måder ikke opnåelige med traditionelle teknikker.
Denne tilgang giver større følsomhed over for netværksniveau interaktioner end det er muligt med RAW Time Series analyse. Den er imidlertid begrænset af kompleksiteten ved at tegne specifikke mekanistiske konklusioner om de underliggende neurale populationer og de store mængder data, der genereres, og som kræver mere avancerede statistiske teknikker til evaluering, herunder dimensionalitet reduktions-og klassificerings baserede tilgange.
Denne metode har til formål at producere statistiske kort over kortikale netværk baseret på ikke-invasive elektrode optagelser ved hjælp af en klinisk levedygtig opsætning, for at muliggøre undersøgelse af nervesystemet patologi, virkningen af nye behandlinger, og udviklingen af nye elektrofysiologiske biomarkører.
EEG tilbyder et stort potentiale for undersøgelse af nervesystemet funktion og sygdom1,2. Denne teknologi er billig, let tilgængelig i forskning og kliniske indstillinger, og generelt veltolereret. Den enkle, ikke-invasive karakter af optagelser gør klinisk brug ligetil, og den eksisterende ramme af kliniske EEG afdelinger giver mulighed for nem adgang til teknologien for klinikere.
Fra et teknisk perspektiv, EEG tilbyder fremragende tid domæne opløsning3. Dette er af stor betydning, når du undersøger nervesystemet funktion på grund af den hurtige tidshorisonter af nervesystemet interaktioner og netværks dynamik. Mens Imaging metoder såsom funktionel MRI tilbyde større rumlig opløsning og let fortolke billeder, de er langt mere begrænset i deres evne til at afhøre nervesystemet funktion på de fine tidsskalaer, der tilbydes af elektrofysiologiske optagelser 4,5,6.
Der er et stigende behov for evnen til at afhøre nervesystem funktion til at informere diagnose, behandling, og prognostication af nervesystemet sygdomme. Rollen som kortikale netværk dynamik i nervesystemet patologi er i stigende grad anerkendt7. Mange sygdomme i nervesystemet producerer ingen makroskopiske strukturelle læsioner synlige med traditionel billeddannelse, men de abnormiteter, der produceres på netværksniveau, kan være synlige med passende funktionelle analysemetoder.
Desværre, nuværende EEG analysemetoder er stærkt begrænset i denne henseende. Traditionelle metoder omfatter analyse af simple tidsseriedata fra individuelle elektroer. Disse signaler repræsenterer summationen af felt potentialer i store kortikale områder3,8. Analyse af data fra individuelle kanaler isoleret ved hjælp af enten visuel inspektion eller simple statistiske metoder begrænser nytten af disse optagelser til påvisning af grove elektrofysiologiske abnormiteter på diskrete, individuelle steder. Med den stigende erkendelse af betydningen af netværks-niveau effekter til nervesystemet funktion og patologi, disse enkle analysemetoder er tydeligvis mangelfuld i, at de ikke vil opdage subtile relationer mellem signaler, der repræsenterer abnormaliteter i, hvordan kortikale områder interagerer med hinanden på netværksniveau.
Der påvises en metode til at udlede statistiske kort over kortikale netværksforbindelser fra lavdimensionale elektrode optagelser. Denne metode giver mulighed for undersøgelse af dynamikken i interaktioner mellem varierende hjerneregioner på en måde, der ikke er muligt med traditionelle analyseteknikker, samt visualisering af disse netværk interaktioner. Dette åbner mulighed for ikke-invasiv undersøgelse af netværksniveau effekter på højt tids domæne resolutioner på måder, ikke tidligere muligt. Denne metode er baseret på afledningen af foranstaltninger til sammenhæng mellem elektrode9,10. Disse foranstaltninger gør det muligt at efterforske, hvordan to registrerede regioner interagerer ved at evaluere de statistiske forbindelser mellem optagelserne af disse områder11. Ved at vurdere, hvordan hvert registreret område interagerer med hvert andet registreret område, kan der foretages et statistisk kort over elektrofysiologiske netværk inden for de registrerede områder. Dette giver mulighed for opdagelse af funktionelle relationer, der ikke er synlige på evaluering af individuelle kanal data i isolation.
Dette manuskript fokuserer på brugen af sammenhæng i neurale tidsserier. I øjeblikket er der en række teknikker til at undersøge forholdet mellem tidsseriedata, der kan anvendes til kanaler i en parvis måde at udlede modeller af kortikale tilslutningsmuligheder. Visse metoder, såsom den dertil knyttede delvise direkte sammenhæng12,13, har til formål at udlede retningen af de undersøgte signaleres indflydelse for bedre at kunne karakterisere de underliggende nets struktur, mens andre metoder, såsom Granger kausalitet14,15, forsøge at udlede funktionelle relationer gennem evnen til et signal til at forudsige data i en anden. Metoder som disse kan anvendes på lignende måder at generere høj-dimensionelle modeller af kortikale netværk. Men fordelene ved sammenhængen som et middel til at undersøge forholdet mellem neurale signaler ligger i dets manglende forudsætninger. Det er muligt at undersøge statistiske forhold mellem optagelser på to steder uden at fremsætte udsagn om det funktionelle grundlag for disse relationer og opbygge en model af kortikale tilslutningsmuligheder udelukkende baseret på statistiske forbindelser med minimale antagelser om de kortikale netværk, som genererer disse signaler.
På grund af disse foranstaltningers rent matematiske karakter er forholdet mellem sammenhængs foranstaltningerne for elektrode optagelser i hovedbunden og den underliggende neurale aktivitet kompleks16,17. Mens disse metoder gør det muligt at udlede statistiske konstruktioner, der beskriver forholdet mellem elektrode optagelser til sammenligning, gør direkte årsagssammenhæng om aktiviteten af de specifikke underliggende neurale populationer ikke ligetil3,8,16,17. Disse tilgange gør det muligt at sammenligne aktiviteten på netværksniveau mellem grupperne for at identificere potentielt nyttige biomarkører, men er begrænset med hensyn til at drage specifikke konklusioner vedrørende forholdet mellem disse markører og specifikke neurale mekanismer. Dette skyldes det store antal forstyrrende faktorer, der påvirker den registrerede aktivitet3, samt problemer med at anslå den specifikke kortikale kilde af elektriske signaler, der er registreret på niveau med hovedbunden8. I stedet kan disse tilgange producere statistiske aktivitets modeller, der kan afhøres og sammenlignes mellem grupperne for at fastslå, at der er forskelle på netværksniveau18 , og kan udnyttes til at producere nye biomarkører baseret på disse Konstruktioner. Disse metoder har imidlertid alene begrænset kapacitet til at relatere forskellene til specifikke mekanismer og neurale aktiviteter på grund af kompleksiteten af det underliggende system.
Brugen af netværksforanstaltninger såsom sammenhæng er veletableret i systemer neurovidenskab16,17. Det fulde potentiale ved disse tilgange til modellering og efterforskning af kortikale funktioner har været begrænset af manglende udnyttelse af disse højdimensionale datastrukturer. Dette arbejde viser, at det er muligt at anvende disse foranstaltninger på EEG-kanaler på en parvis måde med henblik på at kort gøre data på et højt dimensionelt indslag, der udelukkende er baseret på de statistiske forbindelser mellem den elektriske aktivitet i kortikale regioner. Den viser også, at det ved hjælp af moderne statistiske teknikker er muligt at anvende de genererede kortikale modeller til at undersøge disse modeller uden at miste de oplysninger, der er opnået i modelleringsprocessen.
Denne metode er potentielt værdifuld med hensyn til at udvide anvendelsesområdet for eksisterende EEG-teknologier, forbedre muligheden for at udlede nyttige funktionelle foranstaltninger uden at kræve tilpasninger af det eksisterende kontrolapparat18,19 . Ved at forbedre evnen til at modellere kortikale funktion og afhøre disse modeller, de spørgsmål, der kan undersøges ved hjælp af EEG data er udvidet. Dette åbner yderligere mulighed for større integration af funktionelle og strukturelle evalueringer til undersøgelse af neurologiske sygdomme20,21. Denne tilgang, ved hjælp af teknologi, der allerede er alment tilgængelige klinisk, ville tillade undersøgelse af kortikale patologier med både høj tidsmæssig og rumlig opløsning.
Den beskrevne metode gør det muligt at afregne statistiske kort over kortikale netværks dynamik fra ikke-invasive EEG-data. Dette gør det muligt at efterforske fænomener, der ikke umiddelbart fremgår af undersøgelsen af simple tidsserie data, ved at vurdere, hvordan de registrerede regioner interagerer med hinanden, i stedet for at evaluere, hvad der sker på hvert enkelt sted i Isolation. Dette kan afsløre vigtig indsigt i sygdoms patologi18.
Det væsentlige asp…
The authors have nothing to disclose.
Offentliggørelsen af dette manuskript er delvis blevet støttet af det SFI FutureNeruro-finansierede investigator-tilskud til DT.
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 |