गैर-आक्रामक इलेक्ट्रोएन्सेफेलोग्राम का उपयोग करके कॉर्टिकल कनेक्टिविटी का सांख्यिकीय मॉडलिंग
Summary
मानक ईईजी विश्लेषण तकनीक तंत्रिका तंत्र समारोह में सीमित अंतर्दृष्टि प्रदान करते हैं. cortical कनेक्टिविटी के सांख्यिकीय मॉडल deriving अंतर्निहित नेटवर्क गतिशीलता की जांच करने के लिए कहीं अधिक से अधिक क्षमता प्रदान करता है. बेहतर कार्यात्मक मूल्यांकन तंत्रिका तंत्र रोगों में निदान, पूर्वानुमान, और परिणाम भविष्यवाणी के लिए नई संभावनाओं को खोलता है।
Abstract
गैर इनवेसिव electrophysiological रिकॉर्डिंग तंत्रिका तंत्र समारोह के मूल्यांकन के लिए उपयोगी होते हैं. इन तकनीकों सस्ती कर रहे हैं, तेजी से, प्रतिकृति, और इमेजिंग से कम संसाधन गहन. इसके अलावा, उत्पादन कार्यात्मक डेटा उत्कृष्ट लौकिक संकल्प है, जो संरचनात्मक इमेजिंग के साथ प्राप्त नहीं है.
इलेक्ट्रोएन्सेफेलोग्राम (ईईजी) के वर्तमान अनुप्रयोग डेटा प्रोसेसिंग विधियों द्वारा सीमित हैं। अलग-अलग चैनलों पर कच्चे समय श्रृंखला डेटा का उपयोग मानक विश्लेषण तकनीक तंत्रिका तंत्र गतिविधि पूछताछ के बहुत सीमित तरीके हैं. cortical समारोह के बारे में अधिक विस्तृत जानकारी चैनलों के बीच संबंधों की जांच और कैसे क्षेत्रों बातचीत कर रहे हैं के सांख्यिकीय मॉडल प्राप्त करके प्राप्त किया जा सकता है, नेटवर्क के बीच कनेक्टिविटी के दृश्य की अनुमति.
इस पांडुलिपि एक मानक तरीके से ईईजी रिकॉर्डिंग द्वारा cortical नेटवर्क गतिविधि के सांख्यिकीय मॉडल प्राप्त करने के लिए एक विधि का वर्णन है, तो दर्ज क्षेत्रों के बीच संबंधों का आकलन करने के लिए interelectrode सामंजस्य उपायों की जांच. उच्च आदेश बातचीत आगे सामंजस्य जोड़े के बीच सहप्रसरण का आकलन करके जांच की जा सकती है, नेटवर्क बातचीत के उच्च आयामी “नक्शे” का उत्पादन. इन आंकड़ों के निर्माण cortical नेटवर्क समारोह और पारंपरिक तकनीकों के साथ प्राप्त नहीं तरीके में विकृति के लिए अपने रिश्ते का आकलन करने के लिए जांच की जा सकती है.
इस दृष्टिकोण से कच्चे समय श्रृंखला विश्लेषण के साथ प्राप्त किया जा सकता है नेटवर्क स्तर बातचीत के लिए अधिक से अधिक संवेदनशीलता प्रदान करता है. यह है, तथापि, अंतर्निहित तंत्रिका आबादी और उत्पन्न डेटा की उच्च मात्रा के बारे में विशिष्ट मशीनी निष्कर्ष ड्राइंग की जटिलता द्वारा सीमित है, मूल्यांकन के लिए और अधिक उन्नत सांख्यिकीय तकनीकों की आवश्यकता होती है, आयामीता सहित कमी और वर्गीकर आधारित दृष्टिकोण.
Introduction
इस विधि के लिए एक नैदानिक रूप से व्यवहार्य सेटअप का उपयोग कर गैर इनवेसिव इलेक्ट्रोड रिकॉर्डिंग के आधार पर cortical नेटवर्क के सांख्यिकीय नक्शे का उत्पादन करना है, तंत्रिका तंत्र विकृति की जांच के लिए अनुमति देने के लिए, उपन्यास उपचार के प्रभाव, और उपन्यास के विकास इलेक्ट्रोफिजियोलॉजिकल बायोमार्कर।
ईईजी तंत्रिका तंत्र समारोह और रोग1,2की जांच के लिए महान क्षमता प्रदान करता है . इस तकनीक सस्ती है, अनुसंधान और नैदानिक सेटिंग्स में आसानी से उपलब्ध है, और आम तौर पर अच्छी तरह से सहन. रिकॉर्डिंग के सरल, गैर इनवेसिव प्रकृति नैदानिक उपयोग सीधा बनाने के लिए, और नैदानिक ईईजी विभागों के मौजूदा ढांचे चिकित्सकों के लिए प्रौद्योगिकी के लिए आसान पहुँच के लिए अनुमति देता है.
एक तकनीकी दृष्टिकोण से, ईईजी उत्कृष्ट समय डोमेन संकल्प3प्रदान करता है. तंत्रिका तंत्र बातचीत और नेटवर्क गतिशीलता के तेजी से timescales के कारण तंत्रिका तंत्र समारोह की जांच करते समय यह बहुत महत्व का है. जबकि इस तरह के कार्यात्मक एमआरआई के रूप में इमेजिंग तरीकों अधिक से अधिक स्थानिक संकल्प और आसानी से interpretable छवियों की पेशकश, वे अभी तक उनके ठीक समय electrophysiological रिकॉर्डिंग द्वारा की पेशकश तराजू पर तंत्रिका तंत्र समारोह पूछताछ करने की क्षमता में सीमित हैं 4,5,6.
तंत्रिका तंत्र के निदान, उपचार, और तंत्रिका तंत्र के रोगों के पूर्वानुमान को सूचित करने के लिए तंत्रिका तंत्र समारोह से पूछताछ करने की क्षमता के लिए एक बढ़ती हुई आवश्यकता है। तंत्रिका तंत्र विकृति विज्ञान में cortical नेटवर्क गतिशीलता की भूमिका तेजी से मान्यता प्राप्त है7. तंत्रिका तंत्र के कई रोगों पारंपरिक इमेजिंग के साथ दिखाई कोई स्थूल संरचनात्मक घावों का उत्पादन, लेकिन नेटवर्क स्तर पर उत्पादित असामान्यताओं उचित कार्यात्मक विश्लेषण विधियों के साथ स्पष्ट हो सकता है.
दुर्भाग्य से, वर्तमान ईईजी विश्लेषण विधियों बहुत इस संबंध में सीमित हैं. पारंपरिक तरीकों व्यक्तिगत इलेक्ट्रोड से सरल समय श्रृंखला डेटा का विश्लेषण शामिल है. ये संकेत बडे कोरटिकल क्षेत्रों 3,8में क्षेत्र संभाव्यता के संकलन का प्रतिनिधित्व करते हैं . दृश्य निरीक्षण या सरल सांख्यिकीय तरीकों का उपयोग कर अलगाव में अलग-अलग चैनलों से डेटा का विश्लेषण असतत, अलग-अलग स्थानों में सकल इलेक्ट्रोफिजियोलॉजिकल असामान्यताओं का पता लगाने के लिए इन रिकॉर्डिंग की उपयोगिता को सीमित करता है। तंत्रिका तंत्र समारोह और विकृति के लिए नेटवर्क स्तर के प्रभाव के महत्व की बढ़ती मान्यता के साथ, इन सरल विश्लेषण विधियों में स्पष्ट रूप से कमी है कि वे संकेतों के बीच सूक्ष्म संबंधों का पता लगाने में विफल हो जाएगा रहे हैं, प्रतिनिधित्व कैसे cortical क्षेत्रों में असामान्यताओं नेटवर्क के स्तर पर एक दूसरे के साथ बातचीत कर रहे हैं.
निम्न-आयामी इलेक्ट्रोड रिकॉर्डिंग से cortical नेटवर्क कनेक्टिविटी के सांख्यिकीय नक्शे प्राप्त करने की एक विधि का प्रदर्शन किया है. इस विधि पारंपरिक विश्लेषण तकनीकों के साथ संभव नहीं है कि एक तरह से अलग मस्तिष्क क्षेत्रों के बीच बातचीत की गतिशीलता की जांच की अनुमति देता है, साथ ही इन नेटवर्क बातचीत के दृश्य. यह पहले संभव नहीं तरीके में उच्च समय डोमेन समाधानों पर नेटवर्क स्तर प्रभाव के गैर इनवेसिव जांच के लिए संभावना को खोलता है. यह विधि अंतर-इलेक्ट्रोड सामंजस्य9,10के उपायों के व्युत्पत्ति पर आधारित है . इन उपायों से यह पता चल जाता है कि इन क्षेत्रों की रिकॉर्डिंगकेबीच सांख्यिकीय संबंधों का मूल्यांकन करके दो अभिलेखित क्षेत्र किस प्रकार बातचीत कर रहे हैं . प्रत्येक दर्ज क्षेत्र हर दूसरे दर्ज क्षेत्र के साथ सूचना का आदान-पास कैसे का आकलन करके, दर्ज क्षेत्रों के भीतर electrophysiological नेटवर्क के एक सांख्यिकीय नक्शा बनाया जा सकता है. यह कार्यात्मक संबंधों है कि अलगाव में अलग-अलग चैनल डेटा के मूल्यांकन पर स्पष्ट नहीं कर रहे हैं की खोज के लिए अनुमति देता है.
इस पांडुलिपि का ध्यान तंत्रिका समय श्रृंखला पर सामंजस्य के उपयोग पर है. वर्तमान में, समय श्रृंखला डेटा है कि एक pairwise फैशन में चैनलों के लिए लागू किया जा सकता है cortical कनेक्टिविटी के मॉडल प्राप्त करने के बीच संबंधों की जांच के लिए तकनीकों की एक संख्या हैं. कुछ विधियाँ, जैसे संबंधित आंशिक निर्देशित सामंजस्य12,13, का उद्देश्य अंतर्निहित नेटवर्क की संरचना को बेहतर ढंग से परिरित करने के लिए जांच किए गए संकेतों की जोड़ी के प्रभाव की दिशा का अनुमान लगाना है, जबकि अन्य विधि, जैसे Granger कारण14,15, एक संकेत की क्षमता के माध्यम से कार्यात्मक संबंधों का अनुमान लगाने के लिए एक और में डेटा की भविष्यवाणी करने का प्रयास. इस तरह के रूप में तरीकों cortical नेटवर्क के उच्च आयामी मॉडल उत्पन्न करने के लिए इसी तरह के तरीके में लागू किया जा सकता है। हालांकि, तंत्रिका संकेतों के बीच संबंधों की जांच के एक साधन के रूप में सामंजस्य के फायदे मान्यताओं की कमी में निहित है. यह इन संबंधों के कार्यात्मक आधार के बारे में बयान देने के बिना दो साइटों पर रिकॉर्डिंग के बीच सांख्यिकीय संबंधों की जांच करने के लिए और के साथ सांख्यिकीय संबंधों पर आधारित cortical कनेक्टिविटी का एक मॉडल बनाने के लिए संभव है इन संकेतों को पैदा करने वाले cortical नेटवर्क के बारे में न्यूनतम मान्यताओं.
इन उपायों की विशुद्ध गणितीय प्रकृति के कारण, खोपड़ी पर इलेक्ट्रोड रिकॉर्डिंग के सामंजस्य उपायों और अंतर्निहित तंत्रिका गतिविधि के बीच संबंध जटिल16,17है। जबकि इन तरीकों की तुलना के लिए इलेक्ट्रोड रिकॉर्डिंग के बीच संबंधों का वर्णन सांख्यिकीय निर्माण के व्युत्पत्ति की अनुमति, विशिष्ट अंतर्निहित तंत्रिका आबादी की गतिविधि के बारे में प्रत्यक्ष कारण अनुमान बनाने नहीं है सीधा3,8,16,17. इन दृष्टिकोण समूहों के बीच नेटवर्क स्तर की गतिविधि की तुलना के लिए संभावित उपयोगी biomarkers की पहचान करने के लिए अनुमति देते हैं, लेकिन विशिष्ट तंत्रिका तंत्र के लिए इन मार्करों के संबंध के बारे में विशिष्ट निष्कर्ष ड्राइंग के मामले में सीमित हैं. यह रिकॉर्ड की गई गतिविधि3को प्रभावित करने वाले बडी संख्या में अनुकूल कारकों के साथ – साथ खोपड़ी8के स्तर पर दर्ज किए गए विद्युत संकेतों के विशिष्ट वल्कुट स्रोत का आकलन करने वाले मुद्दों के कारण है . बल्कि, इन दृष्टिकोण ों गतिविधि है कि पूछताछ की जा सकती है और समूहों के बीच तुलना में निर्धारित करने के लिए कि मतभेद नेटवर्क स्तर पर मौजूद18 और इन पर आधारित उपन्यास biomarkers का उत्पादन करने के लिए leveraged जा सकता है के सांख्यिकीय मॉडल का उत्पादन कर सकते हैं Constructs. हालांकि, इन तरीकों अकेले अंतर्निहित प्रणाली की जटिलता के कारण विशिष्ट तंत्र और तंत्रिका गतिविधियों के लिए देखा मतभेदों से संबंधित करने के लिए एक सीमित क्षमता है.
नेटवर्क उपायों जैसे सामंजस्य का उपयोग तंत्र तंत्रिका विज्ञान16,17में अच्छी तरह से स्थापित है . मॉडलिंग और cortical समारोह की जांच के लिए इन दृष्टिकोण ों की पूरी क्षमता इन उच्च आयामी डेटा संरचनाओं के शोषण की कमी से सीमित किया गया है. यह काम दर्शाता है कि यह एक pairwise फैशन में ईईजी चैनलों के लिए इन उपायों को लागू करने के क्रम में एक उच्च आयामी सुविधा अंतरिक्ष पर डेटा नक्शा विशुद्ध रूप से cortical क्षेत्रों में विद्युत गतिविधि के बीच सांख्यिकीय संबंधों पर आधारित संभव है. यह भी दर्शाता है कि, आधुनिक सांख्यिकीय तकनीकों का उपयोग कर, यह cortical समारोह के उत्पन्न मॉडल का उपयोग करने के लिए मॉडलिंग की प्रक्रिया में प्राप्त जानकारी खोने के बिना इन मॉडलों की जांच संभव है.
इस विधि मौजूदा ईईजी प्रौद्योगिकियों के अनुप्रयोगों के दायरे के विस्तार में संभावित मूल्यवान है, मौजूदा रिकॉर्डिंग उपकरण के लिए अनुकूलन की आवश्यकता के बिना उपयोगी कार्यात्मक उपायों को प्राप्त करने की क्षमता में सुधार18,19 . cortical समारोह मॉडल और इन मॉडलों से पूछताछ करने की क्षमता में सुधार करके, सवाल है कि ईईजी डेटा का उपयोग कर जांच की जा सकती है विस्तार कर रहे हैं. इससे स्नायविक रोग20,21की जांच के लिए कार्यात्मक और संरचनात्मक मूल्यांकनों के अधिक एकीकरण की संभावना और भी खुल जाती है . यह दृष्टिकोण, प्रौद्योगिकी है कि पहले से ही व्यापक रूप से नैदानिक रूप से उपलब्ध है का उपयोग कर, दोनों उच्च लौकिक और स्थानिक संकल्प के साथ cortical रोगों की जांच की अनुमति होगी.
Protocol
Representative Results
Discussion
वर्णित विधि गैर इनवेसिव ईईजी डेटा से cortical नेटवर्क गतिशीलता के सांख्यिकीय नक्शे के व्युत्पत्ति की अनुमति देता है. यह कैसे दर्ज क्षेत्रों में प्रत्येक व्यक्ति के स्थान में हो रहा है मूल्यांकन के बजाय, एक …
Declarações
The authors have nothing to disclose.
Acknowledgements
इस पांडुलिपि के प्रकाशन को डीटी को एसएफआई फ्यूचरनेरो-फंडेड अन्वेषक अनुदान द्वारा आंशिक रूप से समर्थित किया गया है।
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 |
Referências
- 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).
