非侵襲的脳波を用いた皮質接続の統計的モデリング
Summary
標準的な脳波分析技術は、神経系機能に関する限られた洞察を提供する。皮質接続の統計モデルを導き出すには、基礎となるネットワークダイナミクスを調査する能力がはるかに高くなります。機能評価の改善は、神経系疾患における診断、予後、および結果予測の新たな可能性を開きます。
Abstract
非侵襲的な電気生理学的記録は、神経系機能の評価に有用である。これらの手法は、イメージングよりも安価で高速で複製可能で、リソースを大量に消費しません。また、生成される機能データは、構造イメージングでは達成できない時間分解能に優れている。
脳波(EEG)の現在の適用は、データ処理方法によって制限されています。個々のチャネルで生の時系列データを使用する標準的な分析技術は、神経系の活動を問い合わせる非常に限られた方法です。皮質機能に関するより詳細な情報は、チャネル間の関係を調べ、エリアがどのように相互作用しているかの統計モデルを導き出すことによって達成でき、ネットワーク間の接続性を可視化することができます。
本稿では、脳波を標準的な方法で記録し、電極間コヘルス対策を調べて、記録された領域間の関係を評価することにより、皮質ネットワーク活動の統計モデルを導出する方法について説明する。高次相互作用は、コハレンスペア間の共分散を評価し、ネットワーク相互作用の高次元「マップ」を生成することによってさらに調べることができます。これらのデータ構築物は、皮質ネットワーク機能と病理学との関係を、従来の技術では達成できない方法で評価するために調べることができる。
このアプローチでは、生の時系列分析で実現できるよりも、ネットワーク レベルの相互作用に対する感度が高くなります。しかし、基礎となる神経集団と大量のデータに関する特定の機械的結論を導き出す複雑さによって制限され、次元を含む評価のためのより高度な統計的手法が必要になる。削減および分類子ベースのアプローチ。
Introduction
この方法は、臨床的に実行可能なセットアップを使用して非侵襲的な電極記録に基づいて皮質ネットワークの統計マップを生成することを目的とし、神経系の病理の調査、新規治療の影響、および新規の開発を可能にする電気生理学的バイオマーカー。
脳波は、神経系の機能と疾患1、2の調査のための大きな可能性を提供しています。この技術は安価で、研究や臨床現場で容易に入手でき、一般的によく許容されています。録音のシンプルで非侵襲的な性質により、臨床使用が容易になり、臨床脳波部門の既存の枠組みにより、臨床医向けの技術に容易にアクセスできます。
技術的な観点から、脳波は優れた時間領域解像度3を提供しています。これは、神経系の相互作用とネットワークダイナミクスの急速なタイムスケールによる神経系機能を調査する際に非常に重要です.機能MRIなどのイメージング方法は、より大きな空間分解能と容易に解釈可能な画像を提供しますが、電気生理学的記録によって提供される微細なタイムスケールで神経系の機能を問い合わせる能力ははるかに制限されています。4、5、6.
神経系疾患の診断、治療、予後を知らせるために神経系機能を問い合わせる必要性が高まっています。神経系病理学における皮質ネットワークダイナミクスの役割は、ますます認識されている7.神経系の多くの病理は、従来のイメージングで見えるマクロ的な構造病変を生じこさないが、ネットワークレベルで生じる異常は、適切な機能解析方法で明らかである可能性がある。
残念ながら、現在の脳波分析方法は、この点で大幅に制限されています。従来の方法では、個々の電極からの単純な時系列データの分析が含まれます。これらのシグナルは、大きな皮質領域3、8における電界電位の合計を表す。目視検査または単純な統計手法を用いて個々のチャネルからのデータを単独で分析すると、これらの記録の有用性は、個別の個別の場所における総電気生理学的異常の検出に制限されます。神経系の機能および病理学に対するネットワークレベルの影響の重要性の認識が高まってきて、これらの単純な分析方法は明らかにシグナル間の微妙な関係を検出できないという点で欠けている。皮質領域がネットワーク レベルで互いに相互作用する方法の異常。
低次元電極記録から皮質ネットワーク接続の統計マップを導出する方法を実証する。この方法により、従来の解析技術では不可能な方法で様々な脳領域間の相互作用のダイナミクスを調べて、これらのネットワーク相互作用を可視化することができます。これにより、これまで不可能な方法で、高時間ドメイン解像度でのネットワーク レベルの影響を非侵襲的に調査する可能性が開きます。この方法は、電極間コヘランス9、10の対策の導出に基づく。これらの措置は、これらの領域11の記録間の統計的関係を評価することによって、2つの記録された領域がどのように相互作用しているかを調査することを可能にする。各記録された領域が他のすべての記録された領域とどのように相互作用するかを評価することにより、記録された領域内の電気生理学的ネットワークの統計マップを作成することができます。これにより、個々のチャネル データの個別の評価に関しては明らかでない機能関係を特定できます。
この原稿の焦点は、神経時系列における一貫性の使用である。現在、時系列データ間の関係を調べる手法は数多くありますが、チャネルにペアワイズで適用して、皮質接続のモデルを導き出すことができます。関連する部分的な有向コヘランス12、13などのいくつかの方法は、基礎となるネットワークの構造をより良く特徴付けるために調査された信号のペアの影響方向を推測することを目指し、他のグレンジャー因果関係14、15などのメソッドは、あるシグナルが別のシグナルのデータを予測する能力を通じて機能関係を推測しようとする。このような方法は、皮質ネットワークの高次元モデルを生成するために同様の方法で適用することができる。しかし、神経信号間の関係を調査する手段としての一貫性の利点は、仮定の欠如にあります。これらの関係の機能的根拠に関する声明を出すことなく、2つのサイトでの記録間の統計的関係を調査し、純粋に統計的関係に基づいて皮質接続のモデルを構築することが可能です。これらの信号を生成する皮質ネットワークに関する最小限の仮定。
これらの測定の純粋な数学的性質のために、頭皮における電極記録のコヘランス測定値と基礎神経活動との関係は複雑な16、17である。これらの方法は、比較のために電極記録間の関係を記述する統計的構造の導出を可能にするが、特定の基礎神経集団の活性に関する直接的な因果推論を行うことはない簡単な3、8、16、17 。これらのアプローチは、潜在的に有用なバイオマーカーを識別するためにグループ間のネットワークレベルの活動を比較することを可能にするが、特定の神経機構にこれらのマーカーの関係に関する特定の結論を導き出すという点で制限される。これは、記録された活性3に影響を及ぼす多数の混乱因子、ならびに頭皮8のレベルで記録された電気信号の特定の皮質源の推定に関する問題によるものである。むしろ、これらのアプローチは、ネットワークレベル18に差異が存在し、これらに基づいて新しいバイオマーカーを生成するために利用することができることを決定するために、グループ間で問い合わせおよび比較することができる活動の統計モデルを生成することができます構築。しかしながら、これらの方法だけでは、基礎となるシステムの複雑さのために特定のメカニズムや神経活動に見られる差異を関連付ける能力が限られている。
コヘランスなどのネットワーク対策の使用は、システム神経科学16、17において十分に確立されている。皮質機能のモデリングと調査のためのこれらのアプローチの可能性は、これらの高次元データ構造の悪用の欠如によって制限されています。この研究は、皮質領域の電気的活動間の統計的関係に基づいて、データを高次元特徴空間にマッピングするために、これらの測定値をペアワイズでEEGチャネルに適用することができることを示しています。また、現代の統計手法を用いて、生成された皮質関数モデルを使用して、モデリングプロセスで得られた情報を失うことなくこれらのモデルを調査することができることを示しています。
この方法は、既存の脳波技術の応用範囲を拡大し、既存の記録装置18、19への適応を必要とせずに有用な機能的手段を導出する能力を向上させる上で潜在的に貴重である.皮質機能をモデル化し、これらのモデルを調べる能力を向上させることで、脳波データを用いて調査できる質問が拡大される。これはさらに、神経疾患20、21の調査のための機能的および構造的評価のより大きな統合の可能性を開く。このアプローチは、すでに臨床的に広く利用可能な技術を使用して、高い時間的および空間的分解能を有する皮質病理の調査を可能にするであろう。
Protocol
Representative Results
Discussion
記載された方法は、非侵襲的な脳波データからの皮質ネットワークダイナミクスの統計マップの導出を可能にする。これにより、記録された地域が相互にどのように相互作用しているかを評価し、個々の場所で何が起こっているかを評価するのではなく、単純な時系列データの検査で容易に明らかにされていない現象の調査が可能になります。分離。これは、疾患病理学18?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
この原稿の出版は、DTに対するSFIフューチャーネロ出資の調査員助成金によって部分的に支持されています。
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).
