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

La publication de ce manuscrit a été partiellement soutenue par la subvention de l'enquêteur financé par sFI FutureNeruro à DT.

Le protocole expérimental suivant est conforme à toutes les lignes directrices locales, nationales et internationales en matière d'éthique pour la recherche humaine. Les données utilisées pour tester le protocole ont été acquises avec l'autorisation du Comité d'éthique de la région Toscane-protocole 2018SMIA112 SI-RE.
REMARQUE: Les scripts utilisés pour la mise en œuvre des analyses décrites sont disponibles à https://github.com/conorkeogh/NetworkAnalysis.
<...

<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>

La méthode décrite permet la dérivation de cartes statistiques de la dynamique des réseaux corticaux à partir de données EEG non invasives. Cela permet d'examiner des phénomènes qui ne sont pas facilement apparents lors de l'examen de données simples sur les séries chronologiques par l'évaluation de la façon dont les régions enregistrées interagissent les unes avec les autres, plutôt que d'évaluer ce qui se passe dans chaque endroit individuel isolation. Ceci peut révéler des perspicacités importantes ...

Cette méthode vise à produire des cartes statistiques des réseaux corticaux à partir d'enregistrements d'électrodes non invasives à l'aide d'une configuration cliniquement viable, afin de permettre l'étude de la pathologie du système nerveux, l'impact de nouveaux traitements, et le développement de nouveaux biomarqueurs électrophysiologiques.
EEG offre un grand potentiel pour l'étude de la fonction du système nerveux et la maladie1,2. Cette technologie est peu coûteuse, facilement disponible dans les milieux de recherche et cliniques, et généralement bien tolérée. La nature simple et non invasive des enregistrements facilite l'utilisation clinique, et le cadre existant des départements cliniques d'EEG permet un accès facile à la technologie pour les cliniciens.
D'un point de vue technique, EEG offre une excellente résolution de domaine temporel3. Ceci est d'une grande importance lors de l'étude de la fonction du système nerveux en raison des échelles de temps rapides des interactions du système nerveux et la dynamique du réseau. Bien que les méthodes d'imagerie telles que l'IRM fonctionnelle offrent une plus grande résolution spatiale et des images facilement interprétables, elles sont beaucoup plus limitées dans leur capacité à interroger le fonctionnement du système nerveux sur les échelles de temps finoffertes offertes par les enregistrements électrophysiologiques. 4,5,6.
Il y a un besoin croissant pour la capacité d'interroger la fonction de système nerveux pour éclairer le diagnostic, le traitement, et le pronostic des maladies de système nerveux. Le rôle de la dynamique de réseau cortical dans la pathologie du système nerveux est de plus en plus reconnu7. Beaucoup de pathologies du système nerveux ne produisent aucune lésion structurale macroscopique visible avec la formation image traditionnelle, mais les anomalies produites au niveau du réseau peuvent être apparentes avec les méthodes fonctionnelles appropriées d'analyse.
Malheureusement, les méthodes actuelles d'analyse de l'EEG sont très limitées à cet égard. Les méthodes traditionnelles impliquent l'analyse de données simples de séries chronologiques à partir d'électrodes individuelles. Ces signaux représentent la somme des potentiels de champ dans de grandes zones corticales3,8. L'analyse des données provenant de différents canaux isolés à l'aide d'une inspection visuelle ou de simples méthodes statistiques limite l'utilité de ces enregistrements à la détection d'anomalies électrophysiologiques brutes dans des endroits distincts et individuels. Avec la reconnaissance croissante de l'importance des effets au niveau du réseau pour la fonction et la pathologie du système nerveux, ces méthodes d'analyse simples sont clairement déficientes en ce qu'elles ne détecteront pas les relations subtiles entre les signaux, représentant anomalies dans la façon dont les zones corticales interagissent les unes avec les autres au niveau du réseau.
Une méthode de dérivation des cartes statistiques de la connectivité réseau corticale à partir d'enregistrements d'électrodes de faible dimension est démontrée. Cette méthode permet d'enquêter sur la dynamique des interactions entre les différentes régions du cerveau d'une manière qui n'est pas possible avec les techniques d'analyse traditionnelles, ainsi que la visualisation de ces interactions réseau. Cela ouvre la possibilité d'une étude non invasive des effets au niveau du réseau à haute résolution de domaine de temps d'une manière qui n'était pas possible auparavant. Cette méthode est basée sur la dérivation de mesures de cohérence interélectrodes9,10. Ces mesures permettent d'évaluer comment deux régions enregistrées interagissent en évaluant les relations statistiques entre les enregistrements de ces zones11. En évaluant comment chaque zone enregistrée interagit avec chaque autre zone enregistrée, une carte statistique des réseaux électrophysiologiques dans les zones enregistrées peut être faite. Cela permet de découvrir des relations fonctionnelles qui ne sont pas apparentes lors de l'évaluation des données des canaux individuels dans l'isolement.
L'accent de ce manuscrit est sur l'utilisation de la cohérence sur les séries chronologiques neuronales. Actuellement, il existe un certain nombre de techniques pour étudier les relations entre les données des séries chronologiques qui peuvent être appliquées aux canaux d'une manière paire wise pour dériver des modèles de connectivité corticale. Certaines méthodes, telles que la cohérence dirigée partielle connexe12,13, visent à déduire la direction d'influence de la paire de signaux étudiés afin de mieux caractériser la structure des réseaux sous-jacents, tandis que d'autres méthodes, telles que la causalité Granger14,15, tenter d'inférer des relations fonctionnelles par la capacité d'un signal de prédire les données dans un autre. De telles méthodes peuvent être appliquées de manière similaire pour générer des modèles de réseaux corticaux à haute dimension. Cependant, les avantages de la cohérence en tant que moyen d'étudier les relations entre les signaux neuronaux réside dans son manque d'hypothèses. Il est possible d'étudier les relations statistiques entre les enregistrements sur deux sites sans faire de déclarations sur la base fonctionnelle de ces relations et de construire un modèle de connectivité corticale basé uniquement sur les relations statistiques avec hypothèses minimales sur les réseaux corticaux générant ces signaux.
En raison de la nature purement mathématique de ces mesures, la relation entre les mesures de cohérence des enregistrements d'électrodes au cuir chevelu et l'activité neuronale sous-jacente est complexe16,17. Bien que ces méthodes permettent la dérivation de constructions statistiques décrivant les relations entre les enregistrements d'électrodes à des fins de comparaison, faire des inférences causales directes sur l'activité des populations neuronales sous-jacentes spécifiques n'est pas simple3,8,16,17. Ces approches permettent de comparer l'activité au niveau du réseau entre les groupes pour identifier les biomarqueurs potentiellement utiles, mais elles sont limitées en termes de tirer des conclusions spécifiques concernant la relation de ces marqueurs avec des mécanismes neuronaux spécifiques. Cela est dû au grand nombre de facteurs de confusion influençant l'activité enregistrée3, ainsi que des problèmes avec l'estimation de la source corticale spécifique des signaux électriques enregistrés au niveau du cuir chevelu8. Ces approches peuvent plutôt produire des modèles statistiques d'activité qui peuvent être interrogés et comparés entre les groupes afin de déterminer que des différences existent au niveau du réseau18 et peuvent être exploitées pour produire de nouveaux biomarqueurs basés sur ces Construit. Cependant, ces méthodes à elles seules ont une capacité limitée de relier les différences observées à des mécanismes spécifiques et des activités neuronales en raison de la complexité du système sous-jacent.
L'utilisation de mesures de réseau telles que la cohérence est bien établie dans les systèmesneurosciences 16,17. Le plein potentiel de ces approches pour la modélisation et l'étude de la fonction corticale a été limité par un manque d'exploitation de ces structures de données de haute dimension. Ce travail démontre qu'il est possible d'appliquer ces mesures aux canaux EEG d'une manière bigraphique afin de cartographier les données sur un espace de fonctionnalités de haute dimension basé uniquement sur les relations statistiques entre l'activité électrique dans les régions corticales. Il démontre également que, en utilisant des techniques statistiques modernes, il est possible d'utiliser les modèles générés de la fonction corticale pour étudier ces modèles sans perdre les informations acquises dans le processus de modélisation.
Cette méthode est potentiellement utile pour élargir la portée des applications des technologies EEG existantes, en améliorant la capacité d'obtenir des mesures fonctionnelles utiles sans nécessiter d'adaptations à l'équipement d'enregistrement existant18,19 . En améliorant la capacité de modéliser la fonction corticale et d'interroger ces modèles, les questions qui peuvent être étudiées à l'aide des données EEG sont élargies. Cela ouvre en outre la possibilité d'une plus grande intégration des évaluations fonctionnelles et structurelles pour l'étude de la maladie neurologique20,21. Cette approche, utilisant la technologie qui est déjà largement disponible médicalement, permettrait d'enquêter sur les pathologies corticales avec la résolution temporelle et spatiale élevée.

<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

Les enregistrements électrophysiologiques non invasifs sont utiles pour l'évaluation de la fonction du système nerveux. Ces techniques sont peu coûteuses, rapides, reproductibles et moins gourmandes en ressources que l'imagerie. En outre, les données fonctionnelles produites ont une excellente résolution temporelle, ce qui n'est pas réalisable avec l'imagerie structurelle.
Les applications actuelles des électroencéphalogrammes (EEG) sont limitées par des méthodes de traitement des données. Les techniques d'analyse standard utilisant des données brutes de série de temps à des canaux individuels sont des méthodes très limitées d'interroger l'activité du système nerveux. Des informations plus détaillées sur la fonction corticale peuvent être obtenues en examinant les relations entre les canaux et en dérivant des modèles statistiques de la façon dont les zones interagissent, permettant la visualisation de la connectivité entre les réseaux.
Ce manuscrit décrit une méthode pour dériver des modèles statistiques de l'activité du réseau cortical en enregistrant l'EEG d'une manière standard, puis en examinant les mesures de cohérence interélectrodes pour évaluer les relations entre les zones enregistrées. Les interactions d'ordre supérieur peuvent être examinées plus en évaluant la covariance entre les paires de cohérence, produisant des « cartes » de haute dimension des interactions réseau. Ces constructions de données peuvent être examinées pour évaluer la fonction du réseau cortical et son rapport à la pathologie d'une manière qui n'est pas réalisable avec les techniques traditionnelles.
Cette approche offre une plus grande sensibilité aux interactions au niveau du réseau qu'il n'est possible d'obtenir l'analyse des séries chronologiques brutes. Elle est toutefois limitée par la complexité de tirer des conclusions mécanistes spécifiques sur les populations neuronales sous-jacentes et les volumes élevés de données générées, nécessitant des techniques statistiques plus avancées pour l'évaluation, y compris la dimensionnalité d'approches de réduction et de classificateur.

Les mesures de la puissance spectrale produiront des mesures n pour chaque bande de fréquence mesurée, où n est le nombre de canaux enregistrés. Ces mesures seront en décibels pour l'ensemble du pouvoir. Les mesures du pouvoir au sein des bandes de fréquences individuelles devraient être exprimées comme une puissance relative (c.-à-d. la proportion de puissance globale représentée par le pouvoir au sein de cette bande) afin de permettre des comparaisons préci...

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

Les techniques standard d'analyse de l'EEG offrent un aperçu limité de la fonction du système nerveux. La dérivation de modèles statistiques de connectivité corticale offre une capacité beaucoup plus grande d'étudier la dynamique du réseau sous-jacente. L'évaluation fonctionnelle améliorée ouvre de nouvelles possibilités pour le diagnostic, le pronostic, et la prévision de résultat dans les maladies de système nerveux.

Modélisation statistique de la connectivité corticale à l'aide d'électroencéphalogrammes non invasifs

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

Ce protocole est significatif car il permet l’étude des réseaux corticals en modélisant comment les régions interagissent les unes avec les autres pour révéler des différences qui ne sont pas évidentes avec les techniques d’analyse standard. Le principal avantage de cette technique est qu’elle nous permet d’étudier les fonctions réseau à l’aide d’équipements largement disponibles afin que nous puissions obtenir des enregistrements électriques non invasifs sans avoir besoin de matériaux spécialisés. Cette technique permet l’investigation non invasive des maladies neuropsychiatriques en examinant les structures réseau facilitant le développement de nouvelles méthodes diagnostiques et biomarqueurs thérapeutiques.Cette méthode a un large éventail d’applications au sein des neurosciences cliniques, en particulier à mesure que le rôle de la fonction réseau dans la maladie devient de plus en plus pertinent. Pour la collecte de données, fixez le bouchon d’électrode à la tête du patient en prenant soin d’assurer un alignement correct. Injecter du gel de conductrice dans chacun des ports d’électrode commençant par le cuir chevelu et se retirant lentement à la surface du bouchon pour établir un contact électrique avec le cuir chevelu et pour améliorer le rapport signal-bruit.Utilisez ensuite un montage d’électrode prédéterminé basé sur le système 10-20 pour fixer les électrodes au bouchon d’électrode et sécuriser les électrodes au sol appropriées. Pour configurer l’EEG, connectez toutes les électrodes à un système d’enregistrement électrophysiologique et reliez le système d’enregistrement à un environnement d’enregistrement numérique approprié. Examinez tous les canaux d’enregistrement pour vous assurer que le décalage se trouve dans une plage appropriée et pour éviter le bruit excessif du canal.L’algorithme produira des résultats indépendamment de la qualité des données, de sorte que les enregistrements doivent être effectués dans des conditions strictes de qualité des données et doivent être analysés avant leur utilisation. Demandez ensuite au patient que l’enregistrement a commencé et d’éviter tous les mouvements inutiles avant d’effectuer un court enregistrement de test pour vérifier la qualité d’enregistrement appropriée. À la fin de l’analyse, chargez les données EEG et toutes les bibliothèques de script supplémentaires au besoin dans un environnement d’analyse de données approprié.Jetez les cinq premières et dernières minutes de chaque enregistrement pour réduire la contamination des artefacts de mouvement et divisez les données en époques basées sur la tâche ou s’il s’agit d’un état de repos enregistrant une durée prédéterminée. Pour préparer les données, corrigez la ligne de base des enregistrements en soustrayant la moyenne de tous les canaux des enregistrements afin d’éviter l’impact de toute errance de base pendant les enregistrements prolongés. Reréférencé tous les canaux à une référence appropriée.Filtrez ensuite numériquement tous les canaux pour isoler les fréquences d’intérêt. Pour calculer les spectres de puissance globaux des données, effectuez une transformation Fourier de chaque canal analysé sur l’ensemble de la plage de fréquences à évaluer. Pour évaluer l’activité des bandes de fréquences individuelles, isoler la bande de theta à quatre à huit hertz, la bande alpha à huit à 12 hertz, la bande bêta à 12 à 30 hertz, la bande delta à 0,5 à quatre hertz, et la bande gamma à plus de 30 hertz.Pour évaluer les interactions entre la première paire d’électrodes, dérivez une mesure de cohérence inter-électrode. Pour évaluer la cohérence, cartographier les mesures de la cohérence inter-électrode à visualiser sur une structure de données bidimensionnelle où chaque colonne est un emplacement d’électrode, chaque ligne est un emplacement d’électrode, et chaque cellule est la cohérence entre la paire d’électrodes correspondante et la carte des valeurs de cohérence entre zéro et une couleur. Exportez ensuite une carte couleur visualisant la cohérence inter-électrode entre chaque paire d’électrodes dans les limites de fréquence utilisées.Pour visualiser les interactions d’ordre supérieur entre les zones corticales et pour cartographier la dynamique du réseau, calculez comment chaque paire d’électrodes mesure les ovaires avec ceux de toutes les autres paires d’électrodes uniques dans l’ensemble du spectre et dans des bandes spécifiques. Ensuite, cartographiez ces mesures de covariance aux couleurs et exportez une carte des couleurs visualisant la dynamique du réseau à l’intérieur et à travers les bandes de fréquences. Pour effectuer une réduction de la dimensionnalité, prendre des mesures de comparaison entre les groupes qui représentent la dynamique globale du réseau dans les modèles statistiques générés à l’aide de l’analyse des composants principaux.Instruire une matrice de covariance pour les mesures de cohérence en couple afin de permettre la visualisation des relations réseau de haut niveau et de décomposer la matrice de covariance en eigenvectors et en eigenvalues correspondantes pour permettre l’identification de l’axe dans l’espace de fonctionnalité du modèle qui contiennent la plus grande variance sans être délimité par les mesures existantes. Classer les eigenvectors par leurs eigenvalues correspondantes pour identifier ceux qui représentent la plus grande proportion de variance dans le modèle. Comparez ensuite les premiers composants principaux dérivés des modèles réseau.Pour sélectionner une région fonctionnelle d’intérêt, isolez les données de cohérence dans les bandes de fréquences d’intérêt. Effectuer une analyse des composantes principales pour obtenir des mesures de l’activité globale du réseau au sein des bandes d’intérêt. Comparez ensuite les mesures entre les groupes pour évaluer les différences de réseau à des fréquences oscillatoires spécifiques.Pour effectuer un apprentissage non supervisé à l’aide d’une mesure de distance telle que la distance euclidean, calculez les mesures de la distance entre les sujets dans l’espace défini par le modèle réseau. Utilisez ensuite un algorithme de clustering tel que les voisins k-nearest pour identifier les groupes dans les données en fonction des paramètres du modèle. La puissance spectrale peut être visualisée interpolée sur le cuir chevelu permettant une estimation limitée de la source d’activité.Chacune des mesures d’électrode inter-électrodes indique dans quelle mesure l’activité dans une zone change en fonction de l’activité dans un autre domaine, ce qui permet des différences dans la direction de l’interaction et du décalage horaire. Des valeurs plus élevées de cohérence inter-électrodes suggèrent des interactions entre les zones d’où il est évident que les zones enregistrées communiquent entre elles. En mesurant les interactions entre chaque paire d’électrodes unique, une carte statistique de la façon dont les canaux enregistrés interagissent peut être construite permettant d’étude de la façon dont les zones communiquent plutôt que de se concentrer sur les différents domaines d’isolement.La visualisation de la dynamique réseau de l’ordre supérieur facilite la reconnaissance des types d’interactions comparées par une analyse de composant principal ou une technique basée sur le classificateur pour évaluer comment les mesures de cohérence d’une paire d’électrodes se rapportent aux changements de cohérence à une autre paire. Par exemple, ici nous pouvons visualiser des différences évidentes dans la cartographie de réseau entre deux sujets avec les phénotypes cliniques différents d’un désordre neuropsychiatrique affectant la fonction corticale où il n’y avait aucune différence statistiquement significative utilisant des méthodes standard d’analyse. Suite à la dérivation des mesures réseau utilisant cette procédure, des techniques d’apprentissage automatique peuvent être utilisées pour tirer parti des modèles riches en données produits pour permettre des analyses diagnostiques et pronostiques plus sophistiquées.Cette technique a permis l’investigation des sous-types de maladie dans le syndrome de Rett, une maladie neuropsychiatrique pédiatrique, aussi bien que la prédiction des réponses aux traitements nouveaux et au statut d’épilepsie.

Research

JoVE Journal

Neuroscience

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

Utilisation informationnel connectivité mesurer l&#39;émergence synchrone de l&#39;IRMf Multi-voxel information à travers les âges

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

Recherche

Neurosciences

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

Parenchymateuse, vasculaire et métabolique haute fréquence non-invasive par ultrasons et Photoacoustique Rat imagerie cérébrale profonde

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

Évaluation non invasive des changements dans la transmission corticomotonuronale chez l&#39;homme

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 Protocole Papilles pour analyse objective des papilles fongiformes

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

Analyse dendritique Morphologie dans les colonnes et les couches

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

Modélisation d’infection par le Virus de Zika du développement cerveau humain In Vitro à l’aide de cellules souches dérivées cérébrale organoïdes

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 : Suivi en temps réel des mouvements de l’antenne insectes et trompe Extension réflexe à l’aide d’une préparation commune et matériel conventionnel

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

Des enregistrements de potentiels évoqués visuels chez les souris en utilisant un multicanal Non invasif de la sec du cuir chevelu EEG capteur

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

Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM

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

Stratégies non invasives pour la manipulation chronique de l'activité neuronale contrôlée par DREADD

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