Name: statistical modelling of cortical connectivity using non-invasive electroencephalograms
Uploaded: 2019-11-01T13:30:00
Description: Watch this Scientific Journal Video about Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms at JoVE.com

De publicatie van dit manuscript werd deels gesteund door de door SFI FutureNeruro gefinancierde onderzoeker Grant aan DT.

Het volgende experimentele protocol is in overeenstemming met alle lokale, nationale en internationale ethische richtlijnen voor menselijk onderzoek. De gegevens die worden gebruikt om het protocol te testen, zijn verkregen met toestemming van het ethisch comité van regio Tuscany-protocol 2018SMIA112 SI-RE.
Opmerking: De scripts die worden gebruikt voor de uitvoering van de beschreven analyses zijn beschikbaar op https://github.com/conorkeogh/NetworkAnalysis.
<p class="jo...

<ol>
	<li>Rosenow, F., Klein, K. M., Hamer, H. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Non-invasive+EEG+evaluation+in+epilepsy+diagnosis.">Non-invasive EEG evaluation in epilepsy diagnosis.</a> Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).</li><li>Sharmila, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Epilepsy+detection+from+EEG+signals:+a+review.">Epilepsy detection from EEG signals: a review.</a> Journal of Medical Engineering &amp; Technology. 42 (5), 368-380 (2018).</li><li>Nunez, P., Srinivasan, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Electric Fields of the Brain: The Neurophysics of EEG. , (2006).</li><li>Glover, G. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Overview+of+functional+magnetic+resonance+imaging.">Overview of functional magnetic resonance imaging.</a> Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).</li><li>Lin, E., Alessio, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=What+are+the+basic+concepts+of+temporal,+contrast,+and+spatial+resolution+in+cardiac+CT?.">What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT?.</a> Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).</li><li>Kim, S., Richter, W., U&#487;urbil, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Limitations+of+temporal+resolution+in+functional+MRI.">Limitations of temporal resolution in functional MRI.</a> Magnetic Resonance in Medicine. 37, 631-636 (1997).</li><li>Fox, M. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+Symptoms+to+Brain+Networks+with+the+Human+Connectome.">Mapping Symptoms to Brain Networks with the Human Connectome.</a> New England Journal of Medicine. 379, 2237-2245 (2018).</li><li>Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Independent+component+analysis+of+electroencephalographic+data.">Independent component analysis of electroencephalographic data.</a> Advances in neural information processing systems. 8, 145-151 (1996).</li><li>Bowyer, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Coherence+a+measure+of+the+brain+networks:+past+and+present.">Coherence a measure of the brain networks: past and present.</a> Neuropsychiatric Electrophysiology. , (2016).</li><li>Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+and+MEG+coherence:+measures+of+functional+connectivity+at+distinct+spatial+scales+of+neocortical+dynamics.">EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics.</a> Journal of Neuroscience Methods. 166 (1), 41-52 (2007).</li><li>Bullmore, E., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Complex+brain+networks:+graph+theoretical+analysis+of+structural+and+functional+systems.">Complex brain networks: graph theoretical analysis of structural and functional systems.</a> Nature Reviews Neuroscience. 10, 186-198 (2009).</li><li>Baccal&#225;, L., Sameshima, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Partial+directed+coherence:+a+new+concept+in+neural+structure+determination.">Partial directed coherence: a new concept in neural structure determination.</a> Biological Cybernetics. 84, 463-474 (2001).</li><li>Sameshima, K., Baccal&#225;, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+partial+directed+coherence+to+describe+neuronal+ensemble+interactions.">Using partial directed coherence to describe neuronal ensemble interactions.</a> Journal of Neuroscience Methods. 94, 93-103 (1999).</li><li>Seth, A., Barrett, A. B., Barnett, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Granger+causality+analysis+in+neuroscience+and+neuroimaging.">Granger causality analysis in neuroscience and neuroimaging.</a> Journal of Neuroscience. 35, 3293-3297 (2015).</li><li>Hesse, W., M&#246;ller, E., Arnold, M., Schack, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+use+of+time-variant+EEG+Granger+causality+for+inspecting+directed+interdependencies+of+neural+assemblies.">The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies.</a> Journal of Neuroscience Methods. 124, 27-44 (2003).</li><li>Nunez, P. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+coherency.+I:+Statistics,+reference+electrode,+volume+conduction,+Laplacians,+cortical+imaging,+and+interpretation+at+multiple+scales.">EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales.</a> Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).</li><li>Nunez, P. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+coherency+II:+experimental+comparisons+of+multiple+measures.">EEG coherency II: experimental comparisons of multiple measures.</a> Clinical Neurophysiology. 110, 469-486 (1999).</li><li>Keogh, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clinical+and+genetic+Rett+syndrome+variants+are+defined+by+stable+electrophysiological+profiles.">Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles.</a> BMC Pediatrics. 18 (1), 333 (2018).</li><li>Peters, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Brain+functional+networks+in+syndromic+and+non-syndromic+autism:+a+graph+theoretical+study+of+EEG+connectivity.">Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity.</a> BMC Medicine. 11, 54 (2013).</li><li>Jie, B., Wee, C., Shen, D., Zhang, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hyper-connectivity+of+functional+networks+for+brain+disease+diagnosis.">Hyper-connectivity of functional networks for brain disease diagnosis.</a> Medical Image Analysis. 32, 84-100 (2016).</li><li>Zhang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Topographical+Information-Based+High-Order+Functional+Connectivity+and+Its+Application+in+Abnormality+Detection+for+Mild+Cognitive+Impairment.">Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment.</a> Journal of Alzheimer's Disease. 54, 1095-1112 (2016).</li><li>Delorme, A., Scott, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEGLAB:+an+open+source+toolbox+for+analysis+of+single-trial+EEG+dynamics+including+independent+component+analysis.">EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis.</a> Journal of Neuroscience Methods. 134, 1 (2004).</li><li>Calabrese, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Encyclopedia of Bioinformatics and Computational Biology. , (2019).</li><li>Colic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Support+Vector+Machines+Using+EEG+Features+of+Cross-Frequency+Coupling+Can+Predict+Treatment+Outcome+in+Mecp2-Deficient+Mice.">Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice.</a> Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).</li></ol>

De beschreven methode maakt het afleiden van statistische kaarten van corticale netwerk dynamiek uit niet-invasieve EEG-gegevens mogelijk. Dit maakt het onderzoek van verschijnselen niet gemakkelijk zichtbaar bij het onderzoek van eenvoudige time series-gegevens door te beoordelen hoe de geregistreerde regio's met elkaar omgaan, in plaats van te evalueren wat er gebeurt op elke afzonderlijke locatie in Isolatie. Dit kan belangrijke inzichten onthullen in ziekte pathologie18.
<p class="jove_con...

Deze methode is bedoeld om statistische kaarten van corticale netwerken te produceren op basis van niet-invasieve elektrode opnames met behulp van een klinisch levensvatbare opstelling, om onderzoek te kunnen doen naar de pathologie van het zenuwstelsel, de impact van nieuwe behandelingen en de ontwikkeling van nieuwe elektrofysiologische biomarkers.
EEG biedt een groot potentieel voor het onderzoek van de functie van het zenuwstelsel en de ziekte1,2. Deze technologie is goedkoop, gemakkelijk beschikbaar in onderzoek en klinische instellingen, en over het algemeen goed verdragen. De eenvoudige, niet-invasieve aard van opnames maakt klinisch gebruik eenvoudig, en het bestaande kader van klinische EEG-afdelingen zorgt voor gemakkelijke toegang tot de technologie voor clinici.
Vanuit technisch oogpunt biedt EEG een uitstekende tijddomein resolutie3. Dit is van groot belang bij het onderzoeken van de functie van het zenuwstelsel als gevolg van de snelle tijdschema's van de interacties van het zenuwstelsel en de netwerk dynamiek. Terwijl Imaging methoden zoals functionele MRI bieden een grotere ruimtelijke resolutie en gemakkelijk interpreteerbare beelden, ze zijn veel beperkter in hun vermogen om te ondervragen zenuwstelsel functie op de fijne tijdschalen aangeboden door elektrofysiologische opnames 4,5,6.
Er is een groeiende behoefte aan het vermogen om de functie van het zenuwstelsel te ondervragen om de diagnose, behandeling en prognosticatie van aandoeningen van het zenuwstelsel te informeren. De rol van corticale netwerk dynamiek in de pathologie van het zenuwstelsel wordt steeds meer erkend7. Veel pathologieën van het zenuwstelsel produceren geen macroscopische structurele laesies die zichtbaar zijn bij traditionele beeldvorming, maar de afwijkingen die op netwerkniveau worden geproduceerd, kunnen duidelijk zijn met geschikte functionele analysemethoden.
Helaas zijn de huidige EEG-analysemethoden in dit opzicht sterk beperkt. Traditionele methoden omvatten de analyse van eenvoudige time series-gegevens van afzonderlijke elektroden. Deze signalen vertegenwoordigen de sommatie van veld potentialen in grote corticale gebieden3,8. Analyse van gegevens uit afzonderlijke kanalen in afzondering met behulp van visuele inspectie of eenvoudige statistische methoden beperkt het nut van deze opnames tot het opsporen van bruto elektrofysiologische afwijkingen in discrete, individuele locaties. Met de toenemende erkenning van het belang van effecten op netwerkniveau aan de functie en pathologie van het zenuwstelsel, zijn deze eenvoudige analysemethoden duidelijk gebrekkig omdat ze geen subtiele relaties tussen signalen kunnen detecteren, die afwijkingen in hoe corticale gebieden interactie met elkaar op het niveau van het netwerk.
Een methode voor het afleiden van statistische kaarten van corticale netwerkconnectiviteit van laag-dimensionale elektrode opnames wordt aangetoond. Deze methode maakt onderzoek mogelijk van de dynamiek van interacties tussen verschillende hersengebieden op een manier die niet mogelijk is met traditionele analysetechnieken, evenals visualisatie van deze netwerk interacties. Dit opent de mogelijkheid voor niet-invasieve onderzoek van effecten op netwerkniveau op hoge tijddomein resoluties op manieren die niet eerder mogelijk. Deze methode is gebaseerd op de afleiding van maatregelen van interelektrode coherentie9,10. Deze maatregelen maken het mogelijk te onderzoeken hoe twee geregistreerde regio's met elkaar omgaan door de statistische relaties tussen de opnames van deze gebieden11te evalueren. Door te beoordelen hoe elk geregistreerd gebied samenwerkt met elk ander geregistreerd gebied, kan een statistische kaart van elektrofysiologische netwerken binnen de vastgelegde gebieden worden gemaakt. Dit zorgt voor de ontdekking van functionele relaties die niet duidelijk zijn bij de evaluatie van individuele kanaal gegevens in afzondering.
De focus van dit manuscript ligt op het gebruik van coherentie op neurale tijdreeksen. Op dit moment zijn er een aantal technieken voor het onderzoeken van de relaties tussen time series-gegevens die kunnen worden toegepast op kanalen in een Pairwise mode om modellen van corticale connectiviteit af te leiden. Sommige methoden, zoals de daarmee samenhangende gedeeltelijke gerichte coherentie12,13, beogen de richting van de invloed van het onderzochte paar signalen af te leiden om de structuur van de onderliggende netwerken beter te karakteriseren, terwijl andere methoden, zoals Granger causaliteit14,15, proberen functionele relaties af te leiden door het vermogen van één signaal om de gegevens in een andere te voorspellen. Methoden zoals deze kunnen op vergelijkbare wijze worden toegepast om high-dimensionale modellen van corticale netwerken te genereren. De voordelen van coherentie als middel om de relaties tussen neurale signalen te onderzoeken ligt echter in het ontbreken van veronderstellingen. Het is mogelijk om statistische relaties tussen opnames op twee sites te onderzoeken zonder uitspraken te doen over de functionele basis van deze relaties en om een model van corticale connectiviteit op te bouwen op basis van louter statistische relaties met minimale veronderstellingen over de corticale netwerken die deze signalen genereren.
Vanwege de zuiver wiskundige aard van deze maatregelen is de relatie tussen de coherentie metingen van elektrode opnames bij de hoofdhuid en de onderliggende neurale activiteit complex16,17. Hoewel deze methoden het afleiden van statistische constructies mogelijk maken om de relaties tussen de elektrode-opnames ter vergelijking te beschrijven, is het maken van directe causaal gevolgtrekkingen over de activiteit van de specifieke onderliggende neurale populaties niet rechtlijnig3,8,16,17. Deze benaderingen maken vergelijking van de activiteit op netwerkniveau tussen groepen mogelijk om potentieel nuttige biomerkers te identificeren, maar zijn beperkt in het tekenen van specifieke conclusies met betrekking tot de relatie van deze markers tot specifieke neurale mechanismen. Dit komt door het grote aantal verstorende factoren dat de vastgelegde activiteit3beïnvloedt, evenals problemen met het inschatten van de specifieke corticale bron van elektrische signalen die zijn opgenomen op het niveau van de hoofdhuid8. Deze benaderingen kunnen veeleer statistische modellen van activiteiten produceren die kunnen worden verhoord en vergeleken tussen groepen om te bepalen dat er verschillen bestaan op netwerkniveau18 en kunnen worden gebruikt om nieuwe biomarkers te produceren op basis van deze Constructies. Echter, deze methoden alleen hebben een beperkte capaciteit om te relateren de verschillen gezien specifieke mechanismen en neurale activiteiten als gevolg van de complexiteit van het onderliggende systeem.
Het gebruik van netwerk maatregelen zoals coherentie is goed verankerd in systemen neurowetenschappen16,17. Het volledige potentieel van deze benaderingen voor het modelleren en onderzoeken van de corticale functie is beperkt door een gebrek aan exploitatie van deze high-dimensionale datastructuren. Dit werk toont aan dat het mogelijk is om deze maatregelen toe te passen op EEG kanalen op een Pairwise manier om gegevens in kaart te brengen op een high-dimensionale functie ruimte op basis van louter de statistische relaties tussen de elektrische activiteit in corticale regio's. Het toont ook aan dat, met behulp van moderne statistische technieken, het mogelijk is om de gegenereerde modellen van de corticale functie te gebruiken om deze modellen te onderzoeken zonder de informatie te verliezen die is opgedaan in het modelleringsproces.
Deze methode is potentieel waardevol in het uitbreiden van het toepassingsgebied van bestaande EEG-technologieën, waardoor het vermogen om bruikbare functionele maatregelen te nemen zonder aanpassingen van bestaande opnameapparatuur te verbeteren18,19 . Door het verbeteren van de mogelijkheid om de corticale functie te modelleren en deze modellen te ondervragen, worden de problemen die kunnen worden onderzocht met behulp van EEG-gegevens uitgebreid. Dit opent verder de mogelijkheid van een grotere integratie van functionele en structurele evaluaties voor onderzoek naar neurologische aandoeningen20,21. Deze aanpak, met behulp van technologie die al op grote schaal beschikbaar is klinisch, zou het onderzoek van corticale pathologieën met zowel hoge temporele en ruimtelijke resolutie mogelijk maken.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Electrode cap</td>
			<td>ElectroCap International</td>
			<td></td>
			<td>Or any suitable cap</td>
		</tr>
		<tr>
			<td>Conductive gel</td>
			<td>SignaGel</td>
			<td></td>
			<td>Or any suitable gel</td>
		</tr>
		<tr>
			<td>Pin-type electrodes</td>
			<td>BioSemi</td>
			<td></td>
			<td>Or any suitable electrode</td>
		</tr>
		<tr>
			<td>BioSemi Active Two recording system</td>
			<td>BioSemi</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>ActiView recording environment</td>
			<td>BioSemi</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>MATLAB software</td>
			<td>Mathworks</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

statistical modelling of cortical connectivity using non-invasive electroencephalograms

Niet-invasieve elektrofysiologische opnames zijn nuttig voor de evaluatie van de functie van het zenuwstelsel. Deze technieken zijn goedkoop, snel, repliceerbaar en minder resource-intensieve dan Imaging. Verder hebben de geproduceerde functionele gegevens een uitstekende temporele resolutie, die niet haalbaar is met structurele beeldvorming.
De huidige toepassingen van elektro-encefalogrammen (EEG) worden beperkt door gegevensverwerkings methoden. Standaard analysetechnieken die gebruikmaken van RAW time series-gegevens op afzonderlijke kanalen zijn zeer beperkte methoden om het zenuwstelsel te ondervragen. Meer gedetailleerde informatie over de corticale functie kan worden bereikt door de relaties tussen kanalen te onderzoeken en statistische modellen te afleiden van hoe gebieden interageren, zodat er een visualisatie van connectiviteit tussen netwerken mogelijk is.
Dit manuscript beschrijft een methode voor het afleiden van statistische modellen van corticale netwerkactiviteit door op een standaard manier EEG op te nemen en vervolgens de coherentie maatregelen van de interelektrode te onderzoeken om de verhoudingen tussen de opgenomen gebieden te beoordelen. Hogere order interacties kunnen verder worden onderzocht door de covariantie tussen de samenhang paren te beoordelen, waardoor hoogdimensionale "kaarten" van netwerk interacties worden geproduceerd. Deze gegevens constructies kunnen worden onderzocht om de corticale netwerkfunctie en haar relatie tot pathologie te beoordelen op manieren die niet haalbaar zijn met traditionele technieken.
Deze aanpak biedt meer gevoeligheid voor interacties op netwerkniveau dan haalbaar is met RAW time series-analyse. Het is echter beperkt door de complexiteit van het tekenen van specifieke mechanistische conclusies over de onderliggende neurale populaties en de grote hoeveelheden gegenereerde gegevens, die geavanceerdere statistische technieken voor evaluatie vereisen, inclusief dimensionaliteit reductie-en classificatiergebaseerde benaderingen.

Metingen van het spectrale vermogen zullen n maten produceren voor elke gemeten frequentieband, waarbij n het aantal opgenomen kanalen is. Deze maatregelen zullen in decibel zijn voor de totale macht. Maatregelen van kracht binnen individuele frequentiebanden moeten worden uitgedrukt als relatieve macht (d.w.z. het aandeel van het totale vermogen dat door de macht binnen die band wordt vertegenwoordigd) om nauwkeurige vergelijkingen tussen groepen en omstandigheden mogel...

Watch this Scientific Journal Video about Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms at JoVE.com

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Standaard EEG analysetechnieken bieden beperkt inzicht in de functie van het zenuwstelsel. Het afleiden van statistische modellen van corticale connectiviteit biedt veel meer mogelijkheden om de onderliggende netwerk dynamiek te onderzoeken. Verbeterde functionele beoordeling opent nieuwe mogelijkheden voor diagnose, prognose en uitkomst voorspelling bij aandoeningen van het zenuwstelsel.

Statistische modellering van corticale connectiviteit met niet-invasieve Elektroencephalogrammen

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, ...

Dit protocol is belangrijk omdat het onderzoek van corticale netwerken mogelijk maakt door te modelleren hoe regio's met elkaar omgaan om verschillen aan het licht te brengen die niet duidelijk zijn met standaardanalysetechnieken. Het belangrijkste voordeel van deze techniek is dat het ons in staat stelt om netwerkfuncties te onderzoeken met behulp van breed beschikbare apparatuur, zodat we niet-invasieve elektrische opnames kunnen verkrijgen zonder de noodzaak van gespecialiseerde materialen. Deze techniek maakt het niet-invasieve onderzoek van neuropsychiatrische ziekten mogelijk door netwerkstructuren te onderzoeken die de ontwikkeling van nieuwe diagnostische methoden en therapeutische biomarkers vergemakkelijken.Deze methode heeft een breed scala aan toepassingen binnen de klinische neurowetenschappen, met name omdat de rol van netwerkfunctie bij ziekte steeds relevanter wordt. Voor het verzamelen van gegevens bevestigt u de elektrodekap aan het hoofd van de patiënt en zorg ervoor dat de juiste uitlijning wordt gewaarborgd. Injecteer geleidende gel in elk van de elektrodepoorten die beginnen bij de hoofdhuid en zich langzaam terugtrekken naar het dopoppervlak om elektrisch contact met de hoofdhuid te creëren en de signaal-ruisverhouding te verbeteren.Gebruik vervolgens een vooraf bepaalde elektrodemontage op basis van het 10-20-systeem om de elektroden aan de elektrodedop te bevestigen en de juiste grondelektroden vast te stellen. Om de EEG in te stellen, sluit u alle elektroden aan op een elektrofysiologisch opnamesysteem en koppelt u het opnamesysteem aan een geschikte digitale opnameomgeving. Bestudeer alle opnamekanalen om ervoor te zorgen dat de offset binnen een geschikt bereik is en om overmatig kanaalgeluid te voorkomen.Het algoritme zal resultaten produceren, ongeacht de kwaliteit van de gegevens, zodat de opnames moeten worden uitgevoerd onder strikte voorwaarden voor gegevenskwaliteit en moet worden geanalyseerd voorafgaand aan het gebruik ervan. Instrueer de patiënt vervolgens dat de opname is begonnen en om alle onnodige bewegingen te vermijden voordat u een korte testopname uitvoert om de juiste opnamekwaliteit te verifiëren. Laad aan het einde van de analyse de EEG-gegevens en eventuele aanvullende scriptbibliotheken zo nodig in een geschikte data-analyseomgeving.Gooi de eerste en laatste vijf minuten van elke opname om de verontreiniging van bewegingsartefacten te verminderen en splits de gegevens in tijdperken op basis van taak of als het een rusttoestand is die vooraf bepaalde duur registreert. Om de gegevens voor te bereiden, corrigeert u de basislijn van de opnamen door het gemiddelde van alle kanalen van de opnamen af te trekken om de impact van een omzwervingen tijdens langdurige opnames te voorkomen. Alle kanalen opnieuw laten zien op een passende verwijzing.Dan digitaal filteren alle kanalen om de frequenties van belang te isoleren. Als u de totale vermogensspectra van de gegevens wilt berekenen, voert u een Fourier-transformatie uit van elk kanaal dat over het hele te beoordelen frequentiebereik wordt geanalyseerd. Om de activiteit van individuele frequentiebanden te beoordelen, isoleert u de thetaband op vier tot acht hertz, de alfaband op acht tot twaalf hertz, de bètaband op 12 tot 30 hertz, de deltaband op 0,5 tot 4 hertz en de gammaband op meer dan 30 hertz.Om de interacties tussen het eerste elektrodepaar te evalueren, ontlenen een maat voor de samenhang tussen de elektroden. Om de samenhang te beoordelen, brengt u de metingen van de samenhang tussen de elektrode die moet worden gevisualiseerd in kaart op een tweedimensionale gegevensstructuur waarbij elke kolom een elektrodelocatie is, elke rij een elektrodelocatie is en elke cel de samenhang is tussen het overeenkomstige elektrodepaar en brengt u de coherentiewaarden in kaart tussen nul en één kleuren. Exporteer vervolgens een kleurenkaart die de samenhang tussen de elektrode tussen elk elektrodepaar visualiseert binnen de gebruikte frequentielimieten.Om hogere ordeinteracties tussen corticale gebieden te visualiseren en de netwerkdynamiek in kaart te brengen, berekent u hoe elke coherentie van het elektrodepaar covarieert met die van elk ander uniek elektrodepaar over het totale spectrum en binnen specifieke banden. Breng deze covariantiemetingen vervolgens in kaart aan kleuren en exporteer een kleurenkaart die de netwerkdynamiek binnen en tussen frequentiebanden visualiseert. Om een dimensionaliteitsreductie uit te voeren, worden metingen af genomen voor vergelijking tussen de groepen die de algehele netwerkdynamiek vertegenwoordigen binnen de statistische modellen die worden gegenereerd met behulp van de analyse van de basiscomponent.Instrueer een covariantiematrix voor de paarswijze coherentiemaatregelen om visualisatie van de netwerkrelaties op hoog niveau mogelijk te maken en de covariantiematrix te ontleden in eigenvectoren en bijbehorende eigenwaarden om identificatie van de as binnen de modelfunctieruimte mogelijk te maken die de grootste variantie bevat zonder te worden gebonden door de bestaande maatregelen. Rangschik de eigenvectors op basis van hun overeenkomstige eigenwaarden om degenen te identificeren die het grootste deel van de variantie binnen het model voor hun rekening houden. Vergelijk vervolgens de eerste principecomponenten die zijn afgeleid van de netwerkmodellen.Als u een functioneel interessegebied wilt selecteren, isoleert u de coherentiegegevens binnen de frequentiebanden van belang. Voer een principecomponentanalyse uit om metingen van de algehele netwerkactiviteit binnen de interesses af te leiden. Vergelijk vervolgens de maatregelen tussen de groepen om de netwerkverschillen op specifieke oscillatorenfrequenties te evalueren.Als u onbewaakt leren wilt uitvoeren met behulp van een afstandsmetriek zoals Euclidische afstand, berekent u de afstand tussen onderwerpen binnen de ruimte die door het netwerkmodel wordt gedefinieerd. Gebruik vervolgens een clusteringalgoritme, zoals k-nearest neighbors om de groepen binnen de gegevens te identificeren op basis van de modelparameters. De spectrale kracht kan worden gevisualiseerd geïnterpoleerd over de hoofdhuid waardoor een beperkte schatting van de bron van activiteit.Elk van de inter-elektrode elektrode maatregel geeft de mate waarin de activiteit in een gebied verandert afhankelijk van de activiteit in een ander gebied waardoor verschillen in de richting van de interactie en vertraging. Hogere waarden van intereektrode coherentie suggereren interacties tussen gebieden waaruit blijkt dat de geregistreerde gebieden met elkaar communiceren. Door het meten van de interacties tussen elk uniek elektrodepaar, kan een statistische kaart van hoe de geregistreerde kanalen interactie zijn worden geconstrueerd waardoor onderzoek naar hoe de gebieden communiceren in plaats van zich te concentreren op individuele gebieden van isolatie.De visualisatie van de dynamiek van het netwerk met een hogere orde vergemakkelijkt de herkenning van de soorten interacties die worden vergeleken met een analyse van een principecomponent of een op classificatie gebaseerde techniek om te evalueren hoe de coherentiemetingen op het ene elektrodepaar zich verhouden tot veranderingen in samenhang bij een ander paar. Hier kunnen we bijvoorbeeld verschillen visualiseren die zichtbaar zijn in de netwerkmapping tussen twee proefpersonen met verschillende klinische fenotypes van een neuropsychiatrische aandoening die de corticale functie beïnvloeden, waarbij er geen statistisch significante verschillen waren met behulp van standaardanalysemethoden. Na de afleiding van netwerkmaatregelen met behulp van deze procedure, kunnen machine learning-technieken worden gebruikt om gebruik te maken van de datarijke modellen die zijn geproduceerd om meer geavanceerde diagnostische en prognostische analyses mogelijk te maken.Deze techniek heeft het onderzoek van ziekte subtypes in Rett syndroom, een pediatrische neuropsychiatrische ziekte, evenals de voorspelling van reacties op nieuwe behandelingen en epilepsie status.

Research

JoVE Journal

Neuroscience

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet

It is now appreciated that condition-relevant information can be present within distributed patterns of functional magnetic resonance imaging (fMRI) brain ...

Non-invasive Parenchymal, Vascular and Metabolic High-frequency Ultrasound and Photoacoustic Rat Deep Brain Imaging

Niet-invasieve Parenchymale, Vasculaire en Metabole Hoogfrequent Ultrasound en Fotoakoestisch Rat Deep Brain Imaging

Photoacoustics and high frequency ultrasound stands out as powerful tools for neurobiological applications enabling high-resolution imaging on the central ...

Non-invasive Assessment of Changes in Corticomotoneuronal Transmission in Humans

Niet-invasieve beoordeling van veranderingen in de corticomotoneuronale transmissie bij mensen

The corticospinal pathway is the major pathway connecting the brain with the muscles and is therefore highly relevant for movement control and motor ...

Denver Papillae Protocol for Objective Analysis of Fungiform Papillae

Denver papillen Protocol voor objectieve analyse van Fungiform papillen

The goal of the Denver Papillae Protocol is to use a dichotomous key to define and prioritize the characteristics of fungiform papillae (FP) to ensure ...

Analyzing Dendritic Morphology in Columns and Layers

Het analyseren van dendrietmorfologie in Kolommen en Lagen

In many regions of the central nervous systems, such as the fly optic lobes and the vertebrate cortex, synaptic circuits are organized in layers and ...

Modelling Zika Virus Infection of the Developing Human Brain In Vitro Using Stem Cell Derived Cerebral Organoids

Modelling Zika Virus Infection of the Developing Human Brain In Vitro Using Stem Cell Derived Cerebral Organoids

Zika Virus infectie van de ontwikkelende hersenen In Vitro met behulp van stamcel modellering afgeleid cerebrale Organoids

The recent emergence of Zika virus (ZIKV) in susceptible populations has led to an abrupt increase in microcephaly and other neurodevelopmental conditions ...

SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware

SwarmSight: Real-time Tracking van insecten antenne bewegingen en Proboscis extensie Reflex met een gemeenschappelijke voorbereiding en conventionele Hardware

Many scientifically and agriculturally important insects use antennae to detect the presence of volatile chemical compounds and extend their proboscis ...

Visual Evoked Potential Recordings in Mice Using a Dry Non-invasive Multi-channel Scalp EEG Sensor

Visual Evoked potentiële opnamen in muizen met behulp van een niet-invasieve meerkanaals droge hoofdhuid EEG Sensor

For scalp EEG research environments with laboratory mice, we designed a dry-type 16 channel EEG sensor which is non-invasive, deformable, and re-usable ...

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Analyseren van neurale activiteit en connectiviteit intracraniële EEG-gegevens gebruiken met SPM Software

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive ...

Non-invasive Strategies for Chronic Manipulation of DREADD-controlled Neuronal Activity

Niet-invasieve strategieën voor chronische manipulatie van de DREADD-gecontroleerde Neuronale activiteit

Chemogenetic strategies have emerged as reliable tools for remote control of neuronal activity. Among these, designer receptors exclusively activated by ...