このプロトコルは、領域が互いにどのように相互作用するかをモデル化することによって皮質ネットワークの調査を可能にし、標準的な分析技術では明らかでない違いを明らかにすることができるので重要です。この技術の主な利点は、広く利用可能な機器を使用してネットワーク機能を調査することができるので、特殊な材料を必要とせずに非侵襲的な電気記録を得ることができるということです。この技術は、新しい診断方法および治療バイオマーカーの開発を促進するネットワーク構造を調べることによって、神経精神疾患の非侵襲的な調査を可能にする。
この方法は、特に疾患におけるネットワーク機能の役割がますます関連しつつあるため、臨床神経科学における幅広い応用範囲を有する。データ収集の場合は、正しい位置合わせを確実に行うため、患者の頭部に電極キャップを取り付けます。頭皮から始まる電極ポートに導電性ゲルを注入し、キャップ表面にゆっくりと引きこみ、頭皮との電気的接触を確立し、信号対雑音比を改善します。
次に、10-20系に基づく所定の電極モンタージュを使用して電極キャップに電極を取り付け、適切な接地電極を固定する。脳波をセットアップするには、すべての電極を電気生理学的記録システムに接続し、適切なデジタル記録環境で記録システムをリンクします。すべての記録チャンネルを調べて、オフセットが適切な範囲内にあることを確認し、チャンネルノイズが過剰にならないようにします。
このアルゴリズムはデータ品質に関係なく結果を生成するため、記録は厳密なデータ品質条件下で実行され、使用前に分析する必要があります。次に、記録が開始されたことを患者に指示し、適切な記録品質を検証するために短いテスト記録を行う前にすべての不要な動きを避けるように指示します。解析の最後に、必要に応じて、EEG データと追加のスクリプト ライブラリを適切なデータ分析環境に読み込みます。
各記録の最初と最後の5分間を破棄して、動きアーティファクトの汚染を減らし、タスクに基づいてデータをエポックに分割するか、または所定の期間を記録している静止状態である場合。データを準備するには、録画の平均を減算して録画のベースラインを修正し、長時間の録画中にベースラインが放浪する影響を回避します。すべてのチャネルを適切な参照に再参照します。
その後、デジタルですべてのチャンネルをフィルタリングし、対象の周波数を分離します。データの全体的な電力スペクトルを計算するには、評価対象の周波数範囲全体にわたって解析される各チャンネルのフーリエ変換を実行します。個々の周波数帯域の活性を評価するには、シータバンドを4~8ヘルツ、アルファバンドを8~12ヘルツ、ベータバンドを12~30ヘルツ、デルタバンドを0.5~4ヘルツ、ガンマバンドを30ヘルツ以上で分離します。
第1電極対間の相互作用を評価するために、電極間一貫性の尺度を導出する。一貫性を評価するために、視覚化する電極間コヘレンスの測定値を、各列が電極位置、各行が電極位置、各セルが対応する電極対の間の一貫性を示す2次元データ構造にマッピングし、一貫性値をゼロから1色の間にマッピングします。次に、使用される周波数制限内の各電極対間の電極間コヘレンスを可視化するカラーマップをエクスポートします。
皮質領域間のより高次相互作用を視覚化し、ネットワークダイナミクスをマッピングするには、各電極ペアのコヒレンスが、スペクトル全体および特定のバンド内で他のすべてのユニークな電極ペアのペアとの共変化をどのように測定するかを計算します。次に、これらの共分散メジャーを色にマップし、周波数帯域内および周波数帯全体のネットワークダイナミクスを視覚化するカラーマップをエクスポートします。次元縮小を実行するには、主成分分析を使用して生成された統計モデル内のネットワークダイナミクス全体を表すグループ間の比較のメジャーを導き出します。
ペアワイズコヘレンスメジャーの共分散行列に指示して、高レベルのネットワーク関係を視覚化し、共分散行列を固有ベクトルと対応する固有値に分解して、既存のメジャーに制限されることなく最大の分散を含むモデル特徴空間内の軸を識別できるようにします。固有ベクトルを対応する固有値でランク付けして、モデル内の分散の最大の割合を占めるものを識別します。次に、ネットワーク モデルから派生した最初の基本コンポーネントを比較します。
目的の機能領域を選択するには、目的の周波数帯域内でコヘレンス データを分離します。対象のバンド内の全体的なネットワークアクティビティの測定値を導き出すために、原則コンポーネント分析を実行します。次に、グループ間のメジャーを比較して、特定の振動周波数でのネットワークの差を評価します。
ユークリッド距離などの距離メトリックを使用して教師なし学習を実行するには、ネットワーク モデルで定義された空間内の被験者間の距離の計測値を計算します。次に、k-nearest 隣接などのクラスター化アルゴリズムを使用して、モデルパラメータに基づいてデータ内のグループを識別します。スペクトルパワーは、頭皮全体に補間して視覚化することができ、活動源の限られた推定を可能にする。
電極間電極測定のそれぞれは、相互作用とタイムラグの方向の違いを可能にする別の領域での活動に応じて、ある領域の活動がどの程度変化するかを示す。電極間コテレンスの値が高いほど、記録された領域が互いに通信していることが明らかな領域間の相互作用が示唆されます。すべてのユニークな電極ペア間の相互作用を測定することにより、記録されたチャネルがどのように相互作用しているかの統計マップを構築することができ、個々の孤立領域に焦点を当てるのではなく、領域がどのように通信しているかを調査することができます。
高次ネットワークダイナミクスの可視化により、原理成分分析または分類器ベースの手法によって比較される相互作用の種類の認識が容易にし、ある電極ペアでのコヘレンス測定が別のペアでの一貫性の変化にどのように関連しているかを評価します。例えば、標準的な分析法を用いて統計的に有意な差がなかった皮質機能に影響を及ぼす神経精神疾患の異なる臨床フェノタイプを有する2つの被験者間のネットワークマッピングにおける明らかな差異を可視化することができる。この手順を使用したネットワーク対策の導出に続いて、機械学習技術を使用して、より高度な診断および予後分析を可能にするために、生成されたデータ豊富なモデルを活用することができます。
この技術により、小児神経精神疾患であるレット症候群の疾患サブタイプの調査と、新しい治療およびてんかんの状態に対する応答の予測が可能になった。
