Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen
Summary
Standard-EEG-Analysetechniken bieten nur begrenzte Einblicke in die Funktion des Nervensystems. Die Ableitung statistischer Modelle kortikaler Konnektivität bietet eine weitaus größere Möglichkeit, die zugrunde liegende Netzwerkdynamik zu untersuchen. Eine verbesserte funktionelle Bewertung eröffnet neue Möglichkeiten für Diagnose, Prognose und Ergebnisvorhersage bei Erkrankungen des Nervensystems.
Abstract
Nicht-invasive elektrophysiologische Aufnahmen sind nützlich für die Beurteilung der Funktion des Nervensystems. Diese Techniken sind kostengünstig, schnell, reproduzierbar und weniger ressourcenintensiv als Dieabbildung. Darüber hinaus weisen die erzeugten funktionellen Daten eine ausgezeichnete zeitliche Auflösung auf, die mit struktureller Bildgebung nicht erreichbar ist.
Die aktuellen Anwendungen von Elektroenzephalogrammen (EEG) sind durch Datenverarbeitungsmethoden begrenzt. Standardanalysetechniken, die rohen Zeitreihendaten an einzelnen Kanälen verwenden, sind sehr begrenzte Methoden zur Abhöraktivität des Nervensystems. Detailliertere Informationen über die kortikale Funktion können erreicht werden, indem Beziehungen zwischen Kanälen untersucht und statistische Modelle ableiten, wie Bereiche interagieren, was die Visualisierung der Konnektivität zwischen Netzwerken ermöglicht.
Dieses Manuskript beschreibt eine Methode zur Ableitung statistischer Modelle kortikaler Netzwerkaktivitäten, indem EEG auf standardisierte Weise erfasst und anschließend die Interelektrodenkohärenzmaßnahmen untersucht werden, um die Beziehungen zwischen den aufgezeichneten Bereichen zu bewerten. Wechselwirkungen höherer Ordnung können weiter untersucht werden, indem die Kovarianz zwischen den Kohärenzpaaren bewertet wird, wodurch hochdimensionale “Karten” von Netzwerkinteraktionen erstellt werden. Diese Datenkonstrukte können untersucht werden, um die kortikale Netzwerkfunktion und ihre Beziehung zur Pathologie auf eine Weise zu bewerten, die mit herkömmlichen Techniken nicht erreichbar ist.
Dieser Ansatz bietet eine höhere Empfindlichkeit gegenüber Interaktionen auf Netzwerkebene, als dies bei der Analyse von Rohzeitreihen möglich ist. Sie wird jedoch durch die Komplexität der Erstellung spezifischer mechanistischer Schlussfolgerungen über die zugrunde liegenden neuronalen Populationen und die hohen Datenmengen begrenzt, die fortgeschrittenere statistische Techniken für die Bewertung, einschließlich der Dimensionalität, erfordern. Reduktions- und klassifierbasierte Ansätze.
Introduction
Diese Methode zielt darauf ab, statistische Karten von kortikalen Netzwerken auf der Grundlage nicht-invasiver Elektrodenaufzeichnungen unter Verwendung eines klinisch tragfähigen Setups zu erstellen, um die Untersuchung der Pathologie des Nervensystems, die Auswirkungen neuartiger Behandlungen und die Entwicklung neuartiger elektrophysiologische biomarker.
EEG bietet großes Potenzial für die Untersuchung der Funktion des Nervensystems und der Erkrankung1,2. Diese Technologie ist kostengünstig, in der Forschung und im klinischen Umfeld leicht verfügbar und im Allgemeinen gut verträglich. Der einfache, nicht-invasive Charakter von Aufnahmen macht den klinischen Einsatz einfach, und der bestehende Rahmen klinischer EEG-Abteilungen ermöglicht einen einfachen Zugang zur Technologie für Kliniker.
Aus technischer Sicht bietet eEG eine hervorragende Zeitdomänenauflösung3. Dies ist von großer Bedeutung bei der Untersuchung der Funktion des Nervensystems aufgrund der schnellen Zeitskalen der Interaktionen des Nervensystems und der Netzwerkdynamik. Während bildgebende Verfahren wie funktionelle MRT eine größere räumliche Auflösung und leicht interpretierbare Bilder bieten, sind sie in ihrer Fähigkeit, die Funktion des Nervensystems auf den feinen Zeitskalen, die elektrophysiologische Aufnahmen bieten, viel eingeschränkter. 4,5,6.
Es besteht ein wachsender Bedarf an der Fähigkeit, die Funktion des Nervensystems zu hinterfragt, um diagnose, behandlung und Prognose von Erkrankungen des Nervensystems zu informieren. Die Rolle der kortikalen Netzwerkdynamik in der Pathologie des Nervensystems wird zunehmend erkannt7. Viele Pathologien des Nervensystems produzieren keine makroskopischen strukturellen Läsionen, die mit traditioneller Bildgebung sichtbar sind, aber die auf Netzwerkebene erzeugten Anomalien können mit geeigneten funktionellen Analysemethoden offensichtlich sein.
Leider sind die derzeitigen EEG-Analysemethoden in dieser Hinsicht stark eingeschränkt. Herkömmliche Methoden umfassen die Analyse einfacher Zeitreihendaten einzelner Elektroden. Diese Signale stellen die Summe der Feldpotentiale in großen kortikalen Bereichen3,8 dar. Die isolierte Analyse von Daten aus einzelnen Kanälen mittels visueller Inspektion oder einfacher statistischer Methoden begrenzt die Nützlichkeit dieser Aufzeichnungen auf die Erkennung von groben elektrophysiologischen Anomalien an diskreten, einzelnen Orten. Mit der zunehmenden Erkenntnis der Bedeutung von Auswirkungen auf Netzwerkebene für die Funktion des Nervensystems und die Pathologie sind diese einfachen Analysemethoden eindeutig mangelhaft, da sie subtile Beziehungen zwischen Signalen nicht erkennen, Anomalien in der Interaktion kortikaler Bereiche auf Netzwerkebene.
Es wird eine Methode zur Ableitung statistischer Karten der kortikalen Netzwerkkonnektivität aus niedrigdimensionalen Elektrodenaufzeichnungen demonstriert. Diese Methode ermöglicht die Untersuchung der Dynamik von Wechselwirkungen zwischen verschiedenen Hirnregionen in einer Weise, die mit herkömmlichen Analysetechniken nicht möglich ist, sowie die Visualisierung dieser Netzwerkinteraktionen. Dies eröffnet die Möglichkeit, netzwerkbezogene Effekte bei hochauflösenden Lösungen auf hoher Zeit nicht in einer Bisher nicht möglichen Weise zu untersuchen. Diese Methode basiert auf der Ableitung von Maßnahmen der Interelektrodenkohärenz9,10. Diese Maßnahmen ermöglichen die Untersuchung der Wechselwirkungen zwischen zwei erfassten Regionen durch Auswertung der statistischen Beziehungen zwischen den Aufzeichnungen dieser Gebiete11. Durch die Bewertung der Interaktion jedes aufgezeichneten Gebiets mit jedem anderen aufgezeichneten Gebiet kann eine statistische Karte der elektrophysiologischen Netzwerke innerhalb der aufgezeichneten Gebiete erstellt werden. Dies ermöglicht die Erkennung von funktionalen Beziehungen, die bei der Auswertung einzelner Kanaldaten nicht isoliert erkennbar sind.
Der Schwerpunkt dieses Manuskripts liegt auf der Verwendung von Kohärenz in neuronalen Zeitreihen. Derzeit gibt es eine Reihe von Techniken zum Untersuchen der Beziehungen zwischen Zeitreihendaten, die paarweise auf Kanäle angewendet werden können, um Modelle kortikaler Konnektivität abzuleiten. Einige Methoden, wie die damit verbundene partielle gerichtete Kohärenz12,13, zielen darauf ab, die Einflussrichtung des untersuchten Signalpaares abzuleiten, um die Struktur der zugrunde liegenden Netzwerke besser zu charakterisieren, während andere Methoden, wie Granger Kausalität14,15, versuchen, funktionale Beziehungen durch die Fähigkeit eines Signals, die Daten in einem anderen vorherzusagen. Methoden wie diese können auf ähnliche Weise angewendet werden, um hochdimensionale Modelle kortikaler Netzwerke zu erzeugen. Die Vorteile der Kohärenz als Mittel zur Untersuchung von Beziehungen zwischen neuronalen Signalen liegen jedoch in ihrem Mangel an Annahmen. Es ist möglich, statistische Zusammenhänge zwischen Aufzeichnungen an zwei Standorten zu untersuchen, ohne Aussagen über die funktionale natorische Grundlage dieser Beziehungen zu machen, und ein Modell kortikaler Konnektivität aufzubauen, das ausschließlich auf statistischen Beziehungen mit minimale Annahmen über die kortikalen Netzwerke, die diese Signale erzeugen.
Aufgrund der rein mathematischen Natur dieser Maßnahmen ist der Zusammenhang zwischen den Kohärenzmaßnahmen der Elektrodenaufzeichnungen an der Kopfhaut und der zugrunde liegenden neuronalen Aktivität komplex16,17. Während diese Methoden die Ableitung statistischer Konstrukte ermöglichen, die Beziehungen zwischen den Elektrodenaufzeichnungen zum Vergleich beschreiben, ist es nicht möglich, direkte kausale Schlussfolgerungen über die Aktivität der spezifischen zugrunde liegenden neuronalen Populationen zu ziehen. unkompliziert3,8,16,17. Diese Ansätze ermöglichen einen Vergleich der Aktivität auf Netzwerkebene zwischen Gruppen, um potenziell nützliche Biomarker zu identifizieren, sind jedoch in Bezug auf die Schlussfolgerungen hinsichtlich der Beziehung dieser Marker zu bestimmten neuronalen Mechanismen begrenzt. Dies ist auf die große Anzahl von verwirrenden Faktoren, die die aufgezeichnete Aktivitätbeeinflussen, sowieauf Probleme bei der Schätzung der spezifischen kortikalen Quelle elektrischer Signale, die auf der Ebene der Kopfhaut aufgezeichnet sind8. Vielmehr können diese Ansätze statistische Aktivitätsmodelle erstellen, die zwischen Gruppen abgefragt und verglichen werden können, um festzustellen, dass Unterschiede auf Netzwerkebene18 bestehen und genutzt werden können, um neue Biomarker auf der Grundlage dieser Konstrukte. Diese Methoden allein haben jedoch eine begrenzte Fähigkeit, die Unterschiede, die aufgrund der Komplexität des zugrunde liegenden Systems gesehen werden, mit bestimmten Mechanismen und neuronalen Aktivitäten in Beziehung zu setzen.
Die Anwendung von Netzmaßnahmen wie Kohärenz ist in den Systemen Neurowissenschaften gut etabliert16,17. Das volle Potenzial dieser Ansätze zur Modellierung und Untersuchung der kortikalen Funktion wurde durch die mangelnde Nutzung dieser hochdimensionalen Datenstrukturen begrenzt. Diese Arbeit zeigt, dass es möglich ist, diese Maßnahmen paarweise auf EEG-Kanäle anzuwenden, um Daten auf einen hochdimensionalen Feature-Raum zu kartieren, der ausschließlich auf den statistischen Beziehungen zwischen der elektrischen Aktivität in kortikalen Regionen basiert. Es zeigt auch, dass es mit Hilfe moderner statistischer Techniken möglich ist, die generierten Modelle der kortikalen Funktion zu verwenden, um diese Modelle zu untersuchen, ohne die im Modellierungsprozess gewonnenen Informationen zu verlieren.
Diese Methode ist potenziell wertvoll, um den Anwendungsbereich bestehender EEG-Technologien zu erweitern und die Fähigkeit zu verbessern, nützliche funktionelle Maßnahmen abzuleiten, ohne Anpassungen an bestehenden Kontrollgeräten zu erfordern18,19 . Durch die Verbesserung der Fähigkeit, kortikale Funktionen zu modellieren und diese Modelle zu hinterfragen, werden die Fragen, die mit EEG-Daten untersucht werden können, erweitert. Dies eröffnet die Möglichkeit einer stärkeren Integration funktioneller und struktureller Bewertungen zur Untersuchung neurologischer Erkrankungen20,21. Dieser Ansatz, der bereits eine technologieweit weit verbreitete Technologie verwendet, würde die Untersuchung kortikaler Pathologien mit hoher zeitlicher und räumlicher Auflösung ermöglichen.
Protocol
Representative Results
Discussion
Die beschriebene Methode ermöglicht die Ableitung statistischer Karten kortikaler Netzwerkdynamik aus nichtinvasiven EEG-Daten. Dies ermöglicht die Untersuchung von Phänomenen, die bei der Untersuchung einfacher Zeitreihendaten nicht ohne weiteres erkennbar sind, indem bewertet wird, wie die erfassten Regionen miteinander interagieren, anstatt zu bewerten, was an jedem einzelnen Ort in isoliertheit. Dies kann wichtige Einblicke in die Krankheitspathologie18offenbaren.
<p class="jove_content…Disclosures
The authors have nothing to disclose.
Acknowledgements
Die Veröffentlichung dieses Manuskripts wurde teilweise durch das SFI FutureNeruro-Funded Investigator Grant an DT unterstützt.
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).
