비침습적 뇌전도를 이용한 피질 연결의 통계적 모델링
Summary
표준 뇌파 분석 기술은 신경계 기능에 대한 제한된 통찰력을 제공합니다. 피질 연결의 통계 모델을 도출하면 기본 네트워크 역학을 조사할 수 있는 훨씬 더 큰 기능을 제공합니다. 향상된 기능 평가는 신경계 질병에 있는 진단, 예후 및 결과 예측을 위한 새로운 가능성을 엽니다.
Abstract
비침습적 전기생리학적 기록은 신경계 기능의 평가에 유용하다. 이러한 기술은 이미징보다 저렴하고 빠르며 복제가 용이하며 리소스 집약적입니다. 또한, 생성된 기능적 데이터는 구조적 이미징으로는 달성할 수 없는 우수한 시간적 해상도를 가지고 있습니다.
뇌전도(EEG)의 현재 응용은 데이터 처리 방법에 의해 제한됩니다. 개별 채널에서 원시 열주체 데이터를 사용하는 표준 분석 기술은 신경계 활동을 심문하는 매우 제한된 방법입니다. 피질 기능에 대한 자세한 정보는 채널 간의 관계를 검사하고 영역이 상호 작용하는 방식에 대한 통계 모델을 도출하여 네트워크 간 연결을 시각화할 수 있도록 하여 얻을 수 있습니다.
이 원고는 EEG를 표준 방식으로 기록한 다음 기록된 영역 간의 관계를 평가하기 위해 전극 간 일관성 측정을 검토하여 피질 네트워크 활동의 통계 모델을 도출하는 방법을 설명합니다. 더 높은 차수 상호 작용은 네트워크 상호 작용의 고차원 “지도”를 생성, 일관성 쌍 사이의 공변을 평가하여 추가로 검사 할 수 있습니다. 이러한 데이터 구문은 피질 네트워크 기능과 전통적인 기술로는 달성 할 수없는 방법으로 병리학과의 관계를 평가하기 위해 검사 할 수 있습니다.
이 접근 방식은 원시 열주계 분석을 통해 달성할 수 있는 것보다 네트워크 수준 상호 작용에 더 큰 민감도를 제공합니다. 그러나 기본 신경 인구와 생성된 대량의 데이터에 대한 특정 기계론적 결론을 도출하는 복잡성에 의해 제한되며, 차원을 포함한 평가를 위한 보다 진보된 통계 기술이 필요합니다. 감소 및 분류기 기반 접근 방식.
Introduction
이 방법은 임상적으로 실행 가능한 설정을 사용하여 비 침습적 전극 기록을 기반으로 피질 네트워크의 통계지도를 생성하는 것을 목표로, 신경계 병리학의 조사를 허용, 새로운 치료의 영향, 그리고 소설의 개발 전기 생리학적 바이오마커.
뇌파는 신경계 기능 및 질병1,2의조사에 큰 잠재력을 제공합니다. 이 기술은 저렴 하 고, 연구 및 임상 설정에서 쉽게 사용할 수, 그리고 일반적으로 잘 용납. 기록의 간단하고 비침습적 특성으로 인해 임상 사용이 간단해지 않으며 임상 EEG 부서의 기존 프레임워크를 통해 임상의를 위한 기술에 쉽게 액세스할 수 있습니다.
기술적 관점에서, EEG는 우수한 시간 도메인해상도를제공합니다 3 . 이것은 신경계 상호 작용 및 네트워크 역학의 급속한 기간 때문에 신경계 기능을 조사할 때 매우 중요합니다. 기능성 MRI와 같은 이미징 방법은 더 큰 공간 해상도와 쉽게 해석 가능한 이미지를 제공하지만, 전기 생리학적 기록에서 제공하는 미세한 시간 척도에서 신경계 기능을 심문하는 능력이 훨씬 더 제한적입니다. 4,5,6.
신경계 질병의 진단, 치료 및 예후를 알리기 위해 신경계 기능을 심문하는 능력에 대한 필요성이 증가하고 있습니다. 신경계 병리학에서 피질 네트워크 역학의 역할은 점점 더인식7. 신경계의 많은 병리는 전통적인 화상 진찰로 보이는 거시적인 구조적인 병변을 일으키지 않습니다, 그러나 네트워크 수준에서 생성된 이상은 적당한 기능적인 분석 방법으로 명백할 지도 모릅니다.
불행히도, 현재의 EEG 분석 방법은 이점에서 크게 제한된다. 기존의 방법은 개별 전극에서 간단한 열열 데이터의 분석을 포함한다. 이러한 신호는 큰 피질영역에서필드 전위3,8의합계를 나타냅니다. 육안 검사 또는 간단한 통계 방법을 사용하여 개별 채널의 데이터를 격리하여 분석하면 이러한 기록의 유용성이 개별 개별 위치에서 총 전기 생리학적 이상을 감지하는 데 제한이 있습니다. 신경계 기능 및 병리학에 대한 네트워크 수준의 효과의 중요성에 대한 인식이 증가함에 따라 이러한 간단한 분석 방법은 신호 간의 미묘한 관계를 감지하지 못한다는 점에서 명확히 결핍되어 있습니다. 네트워크 수준에서 피질 영역이 서로 상호 작용하는 방식의 이상.
저차원 전극 기록에서 피질 네트워크 연결의 통계지도를 도출하는 방법이 입증되었습니다. 이 방법을 사용하면 전통적인 분석 기법으로는 불가능한 방식으로 다양한 뇌 영역 간의 상호 작용역학을 조사할 수 있으며 이러한 네트워크 상호 작용의 시각화도 가능합니다. 이렇게 하면 이전에는 불가능했던 방식으로 높은 시간 도메인 해상도에서 네트워크 수준 효과를 비침습적으로 조사할 수 있습니다. 이 방법은 전극 간 일관성 의 측정의 파생에 기초9,10. 이러한 측정값을 통해 이러한 영역의 기록 간의 통계적 관계를 평가하여 기록된 두 영역이 상호 작용하는 방식을 조사할 수있습니다 11. 각 기록 된 영역이 다른 모든 기록 된 영역과 상호 작용하는 방법을 평가함으로써 기록 된 영역 내의 전기 생리 학적 네트워크의 통계지도를 만들 수 있습니다. 이를 통해 개별 채널 데이터를 격리하여 평가할 때 명백하지 않은 기능 관계를 검색할 수 있습니다.
이 원고의 초점은 신경 시간시리즈에 일관성을 사용하는 것입니다. 현재, 피질 연결의 모델을 파생하기 위해 쌍으로 방식으로 채널에 적용 할 수있는 시계열 데이터 사이의 관계를 조사하기위한 여러 가지 기술이 있습니다. 관련 부분 지향일관성(12,13)과같은 일부 방법은 기본 네트워크의 구조를 더 잘 특성화하기 위해 조사된 신호 쌍의 영향 방향을 추론하는 것을 목표로 하고, 다른 그랜저 인과 관계14,15와같은 방법은 한 신호의 기능을 통해 다른 신호의 데이터를 예측하는 기능을 통해 기능적 관계를 추론하려고 시도합니다. 이와 같은 방법은 피질 네트워크의 고차원 모델을 생성하는 유사한 방법으로 적용될 수 있다. 그러나, 신경 신호 간의 관계를 조사 하는 수단으로 일관성의 장점은 가정의 부족에 있다. 이러한 관계의 기능적 기초에 대한 진술을 하지 않고 두 사이트의 기록 간의 통계적 관계를 조사하고 순전히 통계적 관계를 기반으로 피질 연결 모델을 구축할 수 있습니다. 이러한 신호를 생성하는 피질 네트워크에 대한 최소한의 가정.
이러한 측정의 순수한 수학적 특성으로 인해 두피에서의 전극 기록의 일관성 측정과 기본 신경 활성 사이의 관계는16,17에복잡하다. 이러한 방법을 통해 비교를 위해 전극 기록 간의 관계를 설명하는 통계 적 구문의 유도를 허용하지만, 특정 기본 신경 집단의 활동에 대한 직접적인 인과 적 추론을 하는 것은 아닙니다. 직함3,8,16,17. 이러한 접근법은 잠재적으로 유용한 바이오마커를 식별하기 위해 그룹 간의 네트워크 수준 활성의 비교를 허용하지만 특정 신경 메커니즘에 대한 이러한 마커의 관계에 관한 구체적인 결론을 도출하는 측면에서 제한적입니다. 이는 기록된 활성3에영향을 미치는 많은 수의 혼란 요인뿐만 아니라 두피8의수준에서 기록된 전기 신호의 특정 피질 공급원을 추정하는 문제 때문입니다. 오히려, 이러한 접근법은 네트워크 수준18에 차이가 존재한다는 것을 결정하기 위해 그룹 간에 심문및 비교될 수 있는 활동의 통계적 모델을 생성할 수 있으며, 이를 기반으로 새로운 바이오마커를 생산하는 데 활용될 수 있다. 구문을. 그러나, 이러한 방법만으로도 기본 시스템의 복잡성으로 인해 특정 메커니즘 및 신경 활동과 관련된 차이를 구별할 수 있는 제한된 용량이 있다.
일관성과 같은 네트워크 측정의 사용은 신경 과학16,17계에서잘 확립되어 있다. 피질 기능을 모델링하고 조사하기 위한 이러한 접근법의 잠재력은 이러한 고차원 데이터 구조의 악용 부족으로 제한되었습니다. 이 작품은 피질 영역의 전기 적 활동 사이의 통계적 관계에 순전히 기반의 고차원 기능 공간에 데이터를 매핑하기 위해 쌍으로 EEG 채널에 이러한 측정을 적용 할 수 있음을 보여줍니다. 또한, 현대 통계 기술을 사용하여, 모델링 과정에서 얻은 정보를 잃지 않고 이러한 모델을 조사하기 위해 피질 함수의 생성 된 모델을 사용할 수 있음을 보여줍니다.
이 방법은 기존 EEG 기술의 적용 범위를 확대하고, 기존 기록장비(18,19)에 적응할 필요 없이 유용한 기능적 측정을 도출하는 능력을 향상시키는 데 잠재적으로 유용하다. . 피질 기능을 모델링하고 이러한 모델을 심문하는 기능을 개선함으로써 EEG 데이터를 사용하여 조사 할 수있는 질문이 확장됩니다. 이는20,21의신경질환 조사를 위한 기능적 및 구조적 평가의 더 큰 통합가능성을 열어준다. 이미 임상적으로 널리 이용 가능한 기술을 사용하는 이 접근법은 높은 시간적 및 공간적 해상도를 가진 피질 병리학의 조사를 허용할 것입니다.
Protocol
Representative Results
Discussion
설명된 방법은 비침습적 EEG 데이터로부터 피질 네트워크 역학의 통계적 지도의 도출을 허용한다. 이를 통해 기록된 영역이 각 개별 위치에서 일어나는 일을 평가하는 대신 기록된 영역이 서로 상호 작용하는 방식을 평가하여 간단한 열렬 데이터를 검사할 때 쉽게 드러나는 현상을 조사할 수 있습니다. 격리. 이것은 질병병리학18에중요한 통찰력을 드러낼 수 있습니다.
<p class=…Disclosures
The authors have nothing to disclose.
Acknowledgements
이 원고의 출판은 DT에 SFI 퓨처네루로 자금 조사관 보조금에 의해 부분적으로 지원되었습니다.
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).
