Modelado estadístico de la conectividad cortical mediante electroencefalogramas no invasivos
Summary
Las técnicas de análisis de EEG estándar ofrecen una visión limitada de la función del sistema nervioso. La derivación de modelos estadísticos de conectividad cortical ofrece una capacidad mucho mayor para investigar la dinámica de red subyacente. La mejora de la evaluación funcional abre nuevas posibilidades de diagnóstico, pronóstico y predicción de resultados en enfermedades del sistema nervioso.
Abstract
Las grabaciones electrofisiológicas no invasivas son útiles para la evaluación de la función del sistema nervioso. Estas técnicas son baratas, rápidas, replicables y menos intensivas en recursos que las imágenes. Además, los datos funcionales producidos tienen una excelente resolución temporal, que no se puede lograr con imágenes estructurales.
Las aplicaciones actuales de electroencefalogramas (EEG) están limitadas por los métodos de procesamiento de datos. Las técnicas de análisis estándar que utilizan datos de series temporales sin procesar en canales individuales son métodos muy limitados para interrogar la actividad del sistema nervioso. Se puede obtener información más detallada sobre la función cortical examinando las relaciones entre los canales y derivando modelos estadísticos de cómo interactúan las áreas, permitiendo la visualización de la conectividad entre redes.
Este manuscrito describe un método para derivar modelos estadísticos de la actividad de la red cortical mediante el registro de EEG de manera estándar, luego examinando las medidas de coherencia interelectrodo para evaluar las relaciones entre las áreas registradas. Las interacciones de orden más altas se pueden examinar más a fondo evaluando la covarianza entre los pares de coherencia, produciendo “mapas” de alta dimensión de las interacciones de red. Estas construcciones de datos se pueden examinar para evaluar la función de la red cortical y su relación con la patología de maneras no alcanzables con las técnicas tradicionales.
Este enfoque ofrece una mayor sensibilidad a las interacciones a nivel de red que la posible con el análisis de series temporales sin procesar. Sin embargo, está limitada por la complejidad de extraer conclusiones mecanicistas específicas sobre las poblaciones neuronales subyacentes y los altos volúmenes de datos generados, que requieren técnicas estadísticas más avanzadas para la evaluación, incluida la dimensionalidad enfoques basados en la reducción y el clasificador.
Introduction
Este método tiene como objetivo producir mapas estadísticos de redes corticales basados en grabaciones de electrodos no invasivos utilizando una configuración clínicamente viable, para permitir la investigación de la patología del sistema nervioso, el impacto de nuevos tratamientos y el desarrollo de nuevos biomarcadores electrofisiológicos.
EEG ofrece un gran potencial para la investigación de la función del sistema nervioso y la enfermedad1,2. Esta tecnología es económica, fácilmente disponible en la investigación y entornos clínicos, y generalmente bien tolerada. La naturaleza simple y no invasiva de las grabaciones facilita el uso clínico, y el marco existente de los departamentos clínicos de EEG permite un fácil acceso a la tecnología para los médicos.
Desde una perspectiva técnica, EEG ofrece una excelente resolución de dominio de tiempo3. Esto es de gran importancia al investigar la función del sistema nervioso debido a las rápidas escalas de tiempo de las interacciones del sistema nervioso y la dinámica de la red. Mientras que los métodos de diagnóstico por imágenes, como la RMN funcional, ofrecen una mayor resolución espacial e imágenes fácilmente interpretables, son mucho más limitados en su capacidad para interrogar la función del sistema nervioso en las escalas de tiempo finas que ofrecen las grabaciones electrofisiológicas 4,5,6.
Existe una creciente necesidad de la capacidad de interrogar la función del sistema nervioso para informar el diagnóstico, el tratamiento y el pronóstico de enfermedades del sistema nervioso. El papel de la dinámica de la red cortical en la patología del sistema nervioso es cada vez más reconocido7. Muchas patologías del sistema nervioso no producen lesiones estructurales macroscópicas visibles con imágenes tradicionales, pero las anomalías producidas a nivel de red pueden ser evidentes con métodos de análisis funcionales adecuados.
Desafortunadamente, los métodos actuales de análisis de EEG están muy limitados a este respecto. Los métodos tradicionales implican el análisis de datos de series temporales simples de electrodos individuales. Estas señales representan la suma de potenciales de campo en grandes áreas corticales3,8. El análisis de datos de canales individuales de forma aislada mediante inspección visual o métodos estadísticos simples limita la utilidad de estas grabaciones a la detección de anomalías electrofisiológicas brutas en ubicaciones discretas e individuales. Con el reconocimiento cada vez mayor de la importancia de los efectos a nivel de red para la función del sistema nervioso y la patología, estos métodos de análisis simples son claramente deficientes en el que no detectarán relaciones sutiles entre las señales, que representan anormalidades en la forma en que las áreas corticales están interactuando entre sí a nivel de red.
Se demuestra un método para derivar mapas estadísticos de conectividad de red cortical a partir de grabaciones de electrodos de baja dimensión. Este método permite investigar la dinámica de las interacciones entre diferentes regiones cerebrales de una manera que no es posible con las técnicas de análisis tradicionales, así como la visualización de estas interacciones de red. Esto abre la posibilidad de realizar una investigación no invasiva de los efectos a nivel de red en tiempo sortientes de dominio de maneras no antes posibles. Este método se basa en la derivación de medidas de coherencia interelectrodo9,10. Estas medidas permiten investigar cómo interactúan dos regiones registradas evaluando las relaciones estadísticas entre las grabaciones de estas áreas11. Al evaluar cómo interactúa cada área registrada con cada otra área registrada, se puede hacer un mapa estadístico de las redes electrofisiológicas dentro de las áreas registradas. Esto permite el descubrimiento de relaciones funcionales que no son evidentes en la evaluación de datos de canal individuales de forma aislada.
El enfoque de este manuscrito se centra en el uso de la coherencia en las series temporales neuronales. Actualmente, existen varias técnicas para investigar las relaciones entre los datos de series temporales que se pueden aplicar a los canales de forma emparejante para derivar modelos de conectividad cortical. Algunos métodos, como la coherencia directal parcial relacionada12,13, tienen como objetivo inferir la dirección de influencia del par de señales investigadas con el fin de caracterizar mejor la estructura de las redes subyacentes, mientras que otros métodos, como la causalidad de Granger14,15,intentan inferir relaciones funcionales a través de la capacidad de una señal para predecir los datos en otra. Métodos como estos se pueden aplicar de manera similar para generar modelos de alta dimensión de redes corticales. Sin embargo, las ventajas de la coherencia como medio de investigar las relaciones entre las señales neuronales radica en su falta de suposiciones. Es posible investigar las relaciones estadísticas entre grabaciones en dos sitios sin hacer declaraciones sobre la base funcional de estas relaciones y construir un modelo de conectividad cortical basado únicamente en relaciones estadísticas con mínimas sobre las redes corticales que generan estas señales.
Debido a la naturaleza puramente matemática de estas medidas, la relación entre las medidas de coherencia de las grabaciones de electrodos en el cuero cabelludo y la actividad neuronal subyacente es compleja16,17. Si bien estos métodos permiten la derivación de construcciones estadísticas que describen las relaciones entre las grabaciones de electrodos para su comparación, hacer inferencias causales directas sobre la actividad de las poblaciones neuronales subyacentes específicas no es directo 3,8,16,17. Estos enfoques permiten comparar la actividad a nivel de red entre grupos para identificar biomarcadores potencialmente útiles, pero están limitados en términos de sacar conclusiones específicas sobre la relación de estos marcadores con mecanismos neuronales específicos. Esto se debe a la gran cantidad de factores de confunción que influyen en la actividad registrada3, así como problemas con la estimación de la fuente cortical específica de señales eléctricas registradas a nivel del cuero cabelludo8. Más bien, estos enfoques pueden producir modelos estadísticos de actividad que pueden ser interrogados y comparados entre grupos para determinar que existen diferencias en el nivel de red18 y pueden aprovecharse para producir biomarcadores novedosos basados en estos Construcciones. Sin embargo, estos métodos por sí solos tienen una capacidad limitada para relacionar las diferencias que se ven con mecanismos específicos y actividades neuronales debido a la complejidad del sistema subyacente.
El uso de medidas de red como la coherencia está bien establecido en sistemas de neurociencia16,17. Todo el potencial de estos enfoques para modelar e investigar la función cortical se ha visto limitado por la falta de explotación de estas estructuras de datos de alta dimensión. Este trabajo demuestra que es posible aplicar estas medidas a los canales EEG de forma emparejal para asignar datos a un espacio de entidades de alta dimensión basado únicamente en las relaciones estadísticas entre la actividad eléctrica en regiones corticales. También demuestra que, utilizando técnicas estadísticas modernas, es posible utilizar los modelos generados de función cortical para investigar estos modelos sin perder la información obtenida en el proceso de modelado.
Este método es potencialmente valioso para ampliar el alcance de las aplicaciones de las tecnologías EEG existentes, mejorando la capacidad de obtener medidas funcionales útiles sin necesidad de adaptaciones a los equipos de control existentes18,19 . Al mejorar la capacidad de modelar la función cortical e interrogar estos modelos, se amplían las preguntas que se pueden investigar con datos EEG. Esto abre aún más la posibilidad de una mayor integración de las evaluaciones funcionales y estructurales para la investigación de enfermedades neurológicas20,21. Este enfoque, utilizando tecnología que ya está ampliamente disponible clínicamente, permitiría la investigación de patologías corticales con alta resolución temporal y espacial.
Protocol
Representative Results
Discussion
El método descrito permite la derivación de mapas estadísticos de la dinámica de la red cortical a partir de datos EEG no invasivos. Esto permite la investigación de fenómenos no evidentes en el examen de datos de series temporales simples a través de la evaluación de cómo las regiones registradas están interactuando entre sí, en lugar de evaluar lo que está sucediendo en cada ubicación individual en Aislamiento. Esto puede revelar información importante sobre la patología de la enfermedad<sup class="xref"…
Divulgations
The authors have nothing to disclose.
Acknowledgements
La publicación de este manuscrito ha sido parcialmente apoyada por la subvención del Investigador financiado por SFI FutureNeruro a 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).
