Summary

Modelagem estatística da conectividade cortical usando eletroencefalogramas não invasivos

Published: November 01, 2019
doi:

Summary

As técnicas padrão de análise do EEG oferecem uma visão limitada da função do sistema nervoso. Derivar modelos estatísticos de conectividade cortical oferece capacidade muito maior para investigar a dinâmica de rede subjacente. A avaliação funcional melhorada abre novas possibilidades de diagnóstico, prognóstico e previsão de resultados em doenças do sistema nervoso.

Abstract

Gravações eletrofisiológicas não invasivas são úteis para a avaliação da função do sistema nervoso. Estas técnicas são baratas, rápidas, replicáveis e menos intensivas em recursos do que a imagem. Além disso, os dados funcionais produzidos têm excelente resolução temporal, que não é alcançável com imagens estruturais.

As aplicações atuais de eletroencefalogramas (EEG) são limitadas por métodos de processamento de dados. Técnicas de análise padrão usando dados de séries de tempo bruto em canais individuais são métodos muito limitados de interrogar a atividade do sistema nervoso. Informações mais detalhadas sobre a função cortical podem ser alcançadas examinando as relações entre os canais e derivando modelos estatísticos de como as áreas estão interagindo, permitindo a visualização da conectividade entre as redes.

Este manuscrito descreve um método para derivar modelos estatísticos de atividade de rede cortical, registrando EEG de forma padrão e, em seguida, examinando as medidas de coerência intereletrodo para avaliar as relações entre as áreas registradas. As interações de ordem superior podem ser examinadas mais apartir da avaliação da cvárioce entre os pares de coerência, produzindo “mapas” de alta dimensão de interações de rede. Essas construções de dados podem ser examinadas para avaliar a função da rede corticana e sua relação com a patologia de maneiras não alcançáveis com as técnicas tradicionais.

Essa abordagem oferece maior sensibilidade às interações de nível de rede do que é alcançável com a análise da série de tempo bruto. É, no entanto, limitado pela complexidade de tirar conclusões mecanicistas específicas sobre as populações neurais subjacentes e os altos volumes de dados gerados, exigindo técnicas estatísticas mais avançadas para avaliação, incluindo dimensionalidade abordagens de redução e classificação.

Introduction

Este método visa produzir mapas estatísticos de redes corticais com base em gravações eletrodas não invasivas usando uma configuração clinicamente viável, para permitir a investigação da patologia do sistema nervoso, o impacto de novos tratamentos e o desenvolvimento de novos biomarcadores eletrofisiológicos.

EEG oferece grande potencial para a investigação da função do sistema nervoso e doença1,2. Esta tecnologia é barata, prontamente disponível na pesquisa e em ajustes clínicos, e tolerada geralmente bem. A natureza simples e não invasiva das gravações torna o uso clínico direto, e a estrutura existente dos departamentos clínicos de EEG permite um fácil acesso à tecnologia para os clínicos.

Do ponto de vista técnico, o EEG oferece excelente resolução de domínio de tempo3. Isso é de grande importância ao investigar a função do sistema nervoso devido aos rápidos prazos das interações do sistema nervoso e da dinâmica da rede. Embora os métodos de imagem, como ressonância magnética funcional, ofereçam maior resolução espacial e imagens facilmente interpretáveis, eles são muito mais limitados em sua capacidade de interrogar a função do sistema nervoso nas escamas de tempo finas oferecidas por gravações eletrofisiológicas 4,5,6.

Há uma necessidade crescente para a capacidade de interrogar a função do sistema nervoso para informar o diagnóstico, tratamento e prognóstico de doenças do sistema nervoso. O papel da dinâmica da rede cortical na patologia do sistema nervoso é cada vez mais reconhecido7. Muitas patologias do sistema nervoso não produzem lesões estruturais macroscópicas visíveis com imagens tradicionais, mas as anormalidades produzidas no nível da rede podem ser aparentes com métodos de análise funcional apropriados.

Infelizmente, os métodos atuais de análise do EEG são muito limitados a este respeito. Os métodos tradicionais envolvem a análise de dados simples da série de tempo dos elétrodos individuais. Estes sinais representam a soma dos potenciais de campo em grandes áreas corticais3,8. A análise de dados de canais individuais isoladamente usando inspeção visual ou métodos estatísticos simples limita a utilidade dessas gravações à detecção de anormalidades eletrofisiológicas brutas em locais discretos e individuais. Com o crescente reconhecimento da importância dos efeitos em nível de rede para a função e patologia do sistema nervoso, esses métodos de análise simples são claramente deficientes na medida em que não detectarão relações sutis entre os sinais, representando anormalidades na forma como as áreas corticais estão interagindo entre si no nível da rede.

Um método de derivar mapas estatísticos de conectividade de rede cortical de gravações de eletrodos de baixa dimensão é demonstrado. Este método permite a investigação da dinâmica das interações entre regiões cerebrais variadas de uma forma que não é possível com as técnicas de análise tradicionais, bem como a visualização dessas interações de rede. Isso abre a possibilidade de investigação não invasiva de efeitos de nível de rede em resoluções de domínio de tempo elevado de maneiras não possíveis anteriormente. Este método baseia-se na derivação de medidas de coerência intereletrodo9,10. Essas medidas permitem a investigação de como duas regiões registradas estão interagindo avaliando as relações estatísticas entre as gravações dessas áreas11. Ao avaliar como cada área registrada interage com todas as outras áreas registradas, um mapa estatístico de redes eletrofisiológicas dentro das áreas registradas pode ser feito. Isso permite a descoberta de relações funcionais que não são aparentes na avaliação de dados de canais individuais isoladamente.

O foco deste manuscrito está no uso da coerência na série neural do tempo. Atualmente, existem uma série de técnicas para investigar as relações entre os dados da série de tempo que podem ser aplicados aos canais de forma dupla para derivar modelos de conectividade cortical. Alguns métodos, como a coerência parcial direcionada12,13,visam inferir a direção da influência do par de sinais investigados, a fim de caracterizar melhor a estrutura das redes subjacentes, enquanto outros métodos, como a causalidade Granger14,15, tentam inferir relações funcionais através da capacidade de um sinal para prever os dados em outro. Métodos como estes podem ser aplicados de forma semelhante para gerar modelos de redes corticais de alta dimensão. No entanto, as vantagens da coerência como um meio de investigar as relações entre sinais neurais reside na sua falta de suposições. É possível investigar relações estatísticas entre gravações em dois locais sem fazer declarações sobre a base funcional dessas relações e construir um modelo de conectividade cortical baseado puramente em relações estatísticas com suposições mínimas sobre as redes corticais que geram esses sinais.

Devido à natureza puramente matemática dessas medidas, a relação entre as medidas de coerência das gravações de eletrodos no couro cabeludo e a atividade neural subjacente é complexa16,17. Embora esses métodos permitam a derivação de construções estatísticas que descrevem as relações entre as gravações de eletrodos para comparação, fazer inferências causais diretas sobre a atividade das populações neurais subjacentes específicas não é simples3,8,16,17. Essas abordagens permitem a comparação da atividade em nível de rede entre grupos para identificar biomarcadores potencialmente úteis, mas são limitadas em termos de tirar conclusões específicas sobre a relação desses marcadores com mecanismos neurais específicos. Isto é devido ao grande número de fatores de confusão que influenciam a atividade registrada3,bem como problemas com a estimativa da fonte cortical específica de sinais elétricos registrados ao nível do couro cabeludo8. Em vez disso, essas abordagens podem produzir modelos estatísticos de atividade que podem ser interrogados e comparados entre os grupos para determinar que existem diferenças no nível de rede18 e podem ser aproveitados para produzir novos biomarcadores com base nestes Constrói. No entanto, esses métodos por si só têm uma capacidade limitada de relacionar as diferenças observadas a mecanismos específicos e atividades neurais devido à complexidade do sistema subjacente.

O uso de medidas de rede, como a coerência, está bem estabelecido nos sistemas de neurociência16,17. Todo o potencial dessas abordagens para modelar e investigar a função corticana tem sido limitado pela falta de exploração dessas estruturas de dados de alta dimensão. Este trabalho demonstra que é possível aplicar essas medidas aos canais EEG de forma dupla, a fim de mapear dados em um espaço de recurso de alta dimensão baseado puramente nas relações estatísticas entre a atividade elétrica em regiões corticais. Também demonstra que, utilizando técnicas estatísticas modernas, é possível utilizar os modelos gerados de função cortical para investigar esses modelos sem perder as informações obtidas no processo de modelagem.

Este método é potencialmente valioso na expansão do escopo das aplicações das tecnologias existentes do EEG, melhorando a capacidade de obter medidas funcionais úteis sem exigir adaptações ao equipamento de gravação existente18,19 . Ao melhorar a capacidade de modelar a função corticana e interrogar esses modelos, as perguntas que podem ser investigadas usando dados do EEG são expandidas. Isso abre ainda a possibilidade de maior integração de avaliações funcionais e estruturais para investigação da doença neurológica20,21. Essa abordagem, usando tecnologia que já está amplamente disponível clinicamente, permitiria a investigação de patologias corticais com alta resolução temporal e espacial.

Protocol

O seguinte protocolo experimental está de acordo com todas as diretrizes de ética locais, nacionais e internacionais para pesquisa humana. Os dados utilizados para testar o protocolo foram adquiridos com autorização do Comitê de Ética da região toscana-protocolo 2018SMIA112 SI-RE. Nota: Os scripts utilizados para implementar as análises descritas estão disponíveis em https://github.com/conorkeogh/NetworkAnalysis. 1. Coleta de dados brutos</p…

Representative Results

As medições do poder espectral produzirão medidas n para cada faixa de frequência medida, onde n é o número de canais gravados. Estas medidas serão em decibéis para o poder global. As medidas de potência dentro das faixas individuais da freqüência devem ser expressas como o poder relativo (isto é, a proporção do poder total representado pelo poder dentro dessa faixa) para permitir comparações exatas entre grupos e circunstâncias. <p class="jove_conte…

Discussion

O método descrito permite a derivação de mapas estatísticos da dinâmica de rede cortical a partir de dados não invasivos do EEG. Isso permite a investigação de fenômenos não facilmente aparentes no exame de dados simples da série de tempo através da avaliação de como as regiões registradas estão interagindo entre si, em vez de avaliar o que está acontecendo em cada local individual Isolamento. Isso pode revelar insights importantes sobre a patologia da doença18.

<p class="jov…

Disclosures

The authors have nothing to disclose.

Acknowledgements

A publicação deste manuscrito foi parcialmente apoiada pela concessão do Investigador Financiado pela SFI FutureNeruro à 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

  1. Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
  2. Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
  3. Nunez, P., Srinivasan, R. . Electric Fields of the Brain: The Neurophysics of EEG. , (2006).
  4. Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).
  5. 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).
  6. Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
  7. Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
  8. 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).
  9. Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
  10. 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).
  11. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
  12. Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
  13. Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
  14. Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
  15. 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).
  16. 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).
  17. Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
  18. Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333 (2018).
  19. 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).
  20. Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
  21. 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).
  22. 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).
  23. Calabrese, B. . Encyclopedia of Bioinformatics and Computational Biology. , (2019).
  24. 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).

Play Video

Cite This Article
Keogh, C., Pini, G., Gemo, I., Tropea, D. Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms. J. Vis. Exp. (153), e60249, doi:10.3791/60249 (2019).

View Video