Este protocolo es significativo, ya que permite la investigación de redes corticales mediante el modelado de cómo las regiones interactúan entre sí para revelar diferencias no evidentes con las técnicas de análisis estándar. La principal ventaja de esta técnica es que nos permite investigar las funciones de la red utilizando equipos ampliamente disponibles para que podamos obtener grabaciones eléctricas no invasivas sin necesidad de materiales especializados. Esta técnica permite la investigación no invasiva de enfermedades neuropsiquiátricas mediante el examen de estructuras de red que facilitan el desarrollo de nuevos métodos de diagnóstico y biomarcadores terapéuticos.
Este método tiene una amplia gama de aplicaciones dentro de las neurociencias clínicas, particularmente a medida que el papel de la función de la red en la enfermedad se vuelve cada vez más relevante. Para la recopilación de datos, conecte la tapa del electrodo a la cabeza del paciente teniendo cuidado para garantizar una alineación correcta. Inyectar gel conductor en cada uno de los puertos de electrodos comenzando en el cuero cabelludo y retirándose lentamente a la superficie de la tapa para establecer el contacto eléctrico con el cuero cabelludo y mejorar la relación señal-ruido.
A continuación, utilice un montaje de electrodo predeterminado basado en el sistema 10-20 para conectar los electrodos a la tapa del electrodo y asegurar los electrodos de tierra adecuados. Para configurar el EEG, conecte todos los electrodos a un sistema de grabación electrofisiológico y vincule el sistema de grabación con un entorno de grabación digital adecuado. Examine todos los canales de grabación para asegurarse de que el desplazamiento está dentro de un rango adecuado y para evitar el ruido excesivo del canal.
El algoritmo producirá resultados independientemente de la calidad de los datos, por lo que las grabaciones deben realizarse bajo estrictas condiciones de calidad de datos y deben analizarse antes de su uso. A continuación, instruya al paciente que la grabación ha comenzado y que evite todos los movimientos innecesarios antes de realizar una breve grabación de prueba para verificar la calidad de grabación adecuada. Al final del análisis, cargue los datos EEG y las bibliotecas de scripts adicionales según sea necesario en un entorno de análisis de datos adecuado.
Deseche el primer y último cinco minutos de cada grabación para reducir la contaminación de cualquier artefacto de movimiento y dividir los datos en épocas basadas en la tarea o si se trata de un estado de reposo que registra la duración predeterminada. Para preparar los datos, corrija la línea de base de las grabaciones restando la media de todos los canales de las grabaciones para evitar el impacto de cualquier línea de base vagando durante las grabaciones prolongadas. Vuelva a referenciar todos los canales a una referencia adecuada.
A continuación, filtre digitalmente todos los canales para aislar las frecuencias de interés. Para calcular los espectros de potencia general de los datos, realice una transformación de Fourier de cada canal que se analizará en todo el rango de frecuencias que se va a evaluar. Para evaluar la actividad de las bandas de frecuencia individuales, aísle la banda theta en cuatro a ocho hercios, la banda alfa de ocho a 12 hercios, la banda beta de 12 a 30 hercios, la banda delta en 0,5 a cuatro hercios, y la banda gamma a más de 30 hercios.
Para evaluar las interacciones entre el primer par de electrodos, derive una medida de coherencia entre electrodos. Para evaluar la coherencia, asigne las medidas de la coherencia entre electrodos que se visualizarán en una estructura de datos bidimensional donde cada columna es una ubicación de electrodo, cada fila es una ubicación de electrodo, y cada celda es la coherencia entre el par de electrodos correspondiente y mapea los valores de coherencia entre cero y uno colores. A continuación, exporte un mapa de color visualizando la coherencia entre electrodos entre cada par de electrodos dentro de los límites de frecuencia utilizados.
Para visualizar interacciones de orden superior entre áreas corticales y mapear la dinámica de red, calcule cómo cada coherencia de par de electrodos mide covarios con los de cada otro par de electrodos únicos en todo el espectro general y dentro de bandas específicas. A continuación, asigne estas medidas de covarianza a los colores y exporte un mapa de colores que visualice la dinámica de red dentro y entre bandas de frecuencia. Para realizar una reducción de dimensionalidad, derive medidas para la comparación entre los grupos que representan la dinámica de red general dentro de los modelos estadísticos generados mediante el análisis de componentes de principio.
Instruir una matriz de covarianza para las medidas de coherencia por pares para permitir la visualización de las relaciones de red de alto nivel y descomponer la matriz de covarianza en autovectores y valores propios correspondientes para permitir la identificación del eje dentro del espacio de entidades modelo que contienen la mayor varianza sin estar limitados por las medidas existentes. Clasificar a los autovectores por sus valores propios correspondientes para identificar aquellos que representan la mayor proporción de varianza dentro del modelo. A continuación, compare los primeros componentes de principio derivados de los modelos de red.
Para seleccionar una región funcional de interés, aísle los datos de coherencia dentro de las bandas de frecuencia de interés. Realizar un análisis de componentes de principio para derivar medidas de la actividad general de la red dentro de las bandas de interés. A continuación, compare las medidas entre los grupos para evaluar las diferencias de red en frecuencias oscilatorias específicas.
Para realizar un aprendizaje no supervisado utilizando una métrica de distancia como la distancia euclidiana, calcule las medidas de distancia entre sujetos dentro del espacio definido por el modelo de red. A continuación, utilice un algoritmo de agrupación en clústeres como k-nearest neighbors para identificar los grupos dentro de los datos en función de los parámetros del modelo. La potencia espectral se puede visualizar interpolada a través del cuero cabelludo permitiendo una estimación limitada de la fuente de actividad.
Cada medida del electrodo interdérculo indica hasta qué punto la actividad en un área cambia dependiendo de la actividad en otra área, lo que permite diferencias en la dirección de la interacción y el retraso del tiempo. Los valores más altos de coherencia entre electrodos sugieren interacciones entre áreas desde las que se desprende que las áreas registradas se están comunicando entre sí. Mediante la medición de las interacciones entre cada par de electrodos único, se puede construir un mapa estadístico de cómo interactúan los canales registrados, lo que permite investigar cómo se comunican las áreas en lugar de centrarse en áreas individuales de aislamiento.
La visualización de dinámicas de red de orden superior facilita el reconocimiento de los tipos de interacciones que se comparan mediante un análisis de componentes principales o una técnica basada en clasificadores para evaluar cómo las mediciones de coherencia en un par de electrodos se relacionan con los cambios de coherencia en otro par. Por ejemplo, aquí podemos visualizar las diferencias evidentes en el mapeo de red entre dos sujetos con diferentes fenotipos clínicos de un trastorno neuropsiquiátrico que afecta a la función cortical donde no hubo diferencias estadísticamente significativas utilizando métodos de análisis estándar. Tras la derivación de las medidas de red mediante este procedimiento, se pueden emplear técnicas de aprendizaje automático para aprovechar los modelos ricos en datos producidos para permitir análisis de diagnóstico y pronóstico más sofisticados.
Esta técnica ha permitido la investigación de subtipos de enfermedad en el síndrome de Rett, una enfermedad neuropsiquiátrica pediátrica, así como la predicción de respuestas a nuevos tratamientos y estado de epilepsia.
