이 프로토콜은 영역이 서로 상호 작용하는 방식을 모델링하여 표준 분석 기법과 명확하지 않은 차이점을 표시하여 피질 네트워크를 조사할 수 있기 때문에 중요합니다. 이 기술의 주요 장점은 우리가 전문 재료없이 비 침습적 전기 기록을 얻을 수 있도록 우리가 널리 사용 가능한 장비를 사용하여 네트워크 기능을 조사 할 수 있다는 것입니다. 이 기술은 새로운 진단 방법 및 치료 바이오 마커의 발달을 촉진하는 네트워크 구조를 검토하여 신경 정신 질환의 비 침습적 조사를 할 수 있습니다.
이 방법은 특히 질병에서 네트워크 기능의 역할이 점점 더 관련성이 높아짐에 따라 임상 신경 과학 내에서 광범위한 응용 프로그램을 가지고 있습니다. 데이터 수집의 경우, 올바른 정렬을 보장하기 위해 주의를 기울이는 환자의 머리에 전극 캡을 부착하십시오. 두피에서 시작하여 캡 표면으로 천천히 철수하여 두피와 전기접촉을 설정하고 신호 대 잡음 비율을 개선하기 위해 각 전극 포트에 전도성 젤을 주입한다.
그런 다음 10-20 시스템에 기초하여 소정의 전극 몽타주를 사용하여 전극캡에 전극을 부착하고 적절한 접지 전극을 고정한다. EEG를 설정하려면 모든 전극을 전기 생리적 기록 시스템에 연결하고 레코딩 시스템을 적절한 디지털 기록 환경과 연결합니다. 모든 레코딩 채널을 검사하여 오프셋이 적절한 범위 내에 있는지 확인하고 과도한 채널 노이즈를 방지합니다.
알고리즘은 데이터 품질에 관계없이 결과를 생성하므로 엄격한 데이터 품질 조건에서 레코딩을 수행해야 하며 사용하기 전에 분석해야 합니다. 그런 다음 환자에게 레코딩이 시작되었다고 지시하고 적절한 기록 품질을 확인하기 위해 짧은 테스트 기록을 수행하기 전에 불필요한 움직임을 모두 피하도록 지시합니다. 분석이 끝나면 필요에 따라 EEG 데이터와 추가 스크립트 라이브러리를 적절한 데이터 분석 환경에 로드합니다.
각 기록의 처음 및 마지막 5분을 버리고 모든 이동 아티팩트의 오염을 줄이고 작업을 기반으로 데이터를 임시로 분할하거나 미리 정해진 기간을 기록하는 휴식 상태인 경우. 데이터를 준비하려면 녹음에서 모든 채널의 평균을 빼서 기록의 기준선을 수정하여 장시간 녹화 중에 방황하는 기준선의 영향을 피하십시오. 모든 채널을 적절한 참조로 다시 참조합니다.
그런 다음 모든 채널을 디지털 방식으로 필터링하여 관심 있는 주파수를 격리합니다. 데이터의 전체 전력 스펙트럼을 계산하려면 평가할 전체 주파수 범위에서 분석되는 각 채널의 Fourier 변환을 수행합니다. 개별 주파수 밴드의 활동을 평가하기 위해 테타 밴드를 4~8헤르츠, 알파 밴드 8~12헤르츠, 베타 밴드 12~30헤르츠, 델타 밴드0.5~4헤르츠, 감마 밴드를 30헤르츠 이상으로 분리한다.
첫 번째 전극 쌍 간의 상호 작용을 평가하려면 전극 간 일관성의 측정을 파생하십시오. 일관성을 평가하기 위해 각 열이 전극 위치인 2차원 데이터 구조에 시각화되는 전극 일관성의 측정을 매핑하고 각 행은 전극 위치이며, 각 셀은 해당 전극 쌍 사이의 일관성이며 일관성 값을 0과 1색 사이에 매핑한다. 그런 다음 사용되는 주파수 한계 내에서 각 전극 쌍 간에 전극 일관성을 시각화하는 컬러 맵을 내보냅니다.
피질 영역 간의 더 높은 순서 상호 작용을 시각화하고 네트워크 역학을 매핑하려면 각 전극 쌍 일관성이 전체 스펙트럼및 특정 대역에서 다른 모든 고유 전극 쌍과 코카를 측정하는 방법을 계산합니다. 그런 다음 이러한 동시 성 측정값을 색상에 매핑하고 주파수 대역 안팎에서 네트워크 역학을 시각화하는 색상 맵을 내보냅니다. 치수 감소를 수행하려면 원리 성분 분석을 사용하여 생성된 통계 모델 내에서 전체 네트워크 역학을 나타내는 그룹 간의 비교를 위한 측정값을 도출합니다.
쌍별 일관성 측정에 대한 공변 행렬을 지시하여 높은 수준의 네트워크 관계를 시각화하고 상변 성 행렬을 eigenvectors 및 해당 eigenvalues로 분해하여 기존 조치에 의해 경계되지 않고 가장 큰 분산을 포함하는 모델 피처 공간 내에서 축을 식별할 수 있도록 합니다. eigenvectors를 해당 eigenvalues로 순위를 지정하여 모델 내에서 가장 큰 분산 비율을 차지하는 것을 식별합니다. 그런 다음 네트워크 모델에서 파생된 첫 번째 원리 구성 요소를 비교합니다.
관심 있는 기능 영역을 선택하려면 관심 있는 주파수 대역 내에서 일관성 데이터를 분리합니다. 원리 구성 요소 분석을 수행하여 관심 있는 대역 내에서 전체 네트워크 활동의 측정값을 도출합니다. 그런 다음 그룹 간의 측정값을 비교하여 특정 진동 주파수에서 네트워크 차이를 평가합니다.
유클리딘 거리와 같은 거리 메트릭을 사용하여 감독되지 않은 학습을 수행하려면 네트워크 모델에 의해 정의된 공간 내에서 피사체 간의 거리 측정값을 계산합니다. 그런 다음 k-가장 가까운 이웃과 같은 클러스터링 알고리즘을 사용하여 모델 매개 변수를 기반으로 데이터 내의 그룹을 식별합니다. 스펙트럼 전력은 활동의 근원의 제한된 추정을 허용하는 두피에 걸쳐 보간될 수 있습니다.
각 전극 전극 측정값은 상호작용 및 시간 지연의 방향차이를 허용하는 다른 영역의 활동에 따라 한 영역의 활동이 변화하는 정도를 나타낸다. 전극 간 일관성의 높은 값은 기록된 영역이 서로 통신하고 있음을 명백히 보이는 영역 간의 상호 작용을 제안합니다. 모든 고유 전극 쌍 간의 상호 작용을 측정함으로써 기록된 채널이 상호 작용하는 방식에 대한 통계맵을 구성하여 개별 격리 영역에 집중하기보다는 영역이 어떻게 통신되는지 조사할 수 있습니다.
고차 네트워크 역학의 시각화는 원리 성분 분석 또는 분류기 기반 기술에 의해 비교되는 상호 작용의 종류를 인식하여 한 전극 쌍의 일관성 측정이 다른 쌍의 일관성 변화와 어떻게 관련이 있는지 평가합니다. 예를 들어, 여기서 우리는 표준 분석 방법을 사용하여 통계적으로 유의한 차이가 없었던 피질 기능에 영향을 미치는 신경 정신 장애의 다른 임상 표현형을 가진 두 피험자 사이의 네트워크 매핑에서 분명한 차이를 시각화할 수 있습니다. 이 절차를 사용하여 네트워크 측정을 파생한 후 기계 학습 기술을 사용하여 생성된 데이터가 풍부한 모델을 활용하여 보다 정교한 진단 및 예후 분석을 할 수 있습니다.
이 기술은 Rett 증후군, 소아 신경 정신 질환, 새로운 치료 및 간질 상태에 대한 반응의 예측을 허용했습니다.
