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

Die Veröffentlichung dieses Manuskripts wurde teilweise durch das SFI FutureNeruro-Funded Investigator Grant an DT unterstützt.

Das folgende experimentelle Protokoll entspricht allen lokalen, nationalen und internationalen Ethikrichtlinien für die menschliche Forschung. Die Daten, die verwendet werden, um das Protokoll zu testen, wurden mit Genehmigung des Ethikkomitees der Region Toskana-Protokoll 2018SMIA112 SI-RE erworben.
HINWEIS: Die Skripte, die für die Implementierung der beschriebenen Analysen verwendet werden, sind unter https://github.com/conorkeogh/NetworkAnalysis verfügbar.
<p class=...

<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>

Die beschriebene Methode ermöglicht die Ableitung statistischer Karten kortikaler Netzwerkdynamik aus nichtinvasiven EEG-Daten. Dies ermöglicht die Untersuchung von Phänomenen, die bei der Untersuchung einfacher Zeitreihendaten nicht ohne weiteres erkennbar sind, indem bewertet wird, wie die erfassten Regionen miteinander interagieren, anstatt zu bewerten, was an jedem einzelnen Ort in isoliertheit. Dies kann wichtige Einblicke in die Krankheitspathologie18offenbaren.
<p class="jove_content...

Diese Methode zielt darauf ab, statistische Karten von kortikalen Netzwerken auf der Grundlage nicht-invasiver Elektrodenaufzeichnungen unter Verwendung eines klinisch tragfähigen Setups zu erstellen, um die Untersuchung der Pathologie des Nervensystems, die Auswirkungen neuartiger Behandlungen und die Entwicklung neuartiger elektrophysiologische biomarker.
EEG bietet großes Potenzial für die Untersuchung der Funktion des Nervensystems und der Erkrankung1,2. Diese Technologie ist kostengünstig, in der Forschung und im klinischen Umfeld leicht verfügbar und im Allgemeinen gut verträglich. Der einfache, nicht-invasive Charakter von Aufnahmen macht den klinischen Einsatz einfach, und der bestehende Rahmen klinischer EEG-Abteilungen ermöglicht einen einfachen Zugang zur Technologie für Kliniker.
Aus technischer Sicht bietet eEG eine hervorragende Zeitdomänenauflösung3. Dies ist von großer Bedeutung bei der Untersuchung der Funktion des Nervensystems aufgrund der schnellen Zeitskalen der Interaktionen des Nervensystems und der Netzwerkdynamik. Während bildgebende Verfahren wie funktionelle MRT eine größere räumliche Auflösung und leicht interpretierbare Bilder bieten, sind sie in ihrer Fähigkeit, die Funktion des Nervensystems auf den feinen Zeitskalen, die elektrophysiologische Aufnahmen bieten, viel eingeschränkter. 4,5,6.
Es besteht ein wachsender Bedarf an der Fähigkeit, die Funktion des Nervensystems zu hinterfragt, um diagnose, behandlung und Prognose von Erkrankungen des Nervensystems zu informieren. Die Rolle der kortikalen Netzwerkdynamik in der Pathologie des Nervensystems wird zunehmend erkannt7. Viele Pathologien des Nervensystems produzieren keine makroskopischen strukturellen Läsionen, die mit traditioneller Bildgebung sichtbar sind, aber die auf Netzwerkebene erzeugten Anomalien können mit geeigneten funktionellen Analysemethoden offensichtlich sein.
Leider sind die derzeitigen EEG-Analysemethoden in dieser Hinsicht stark eingeschränkt. Herkömmliche Methoden umfassen die Analyse einfacher Zeitreihendaten einzelner Elektroden. Diese Signale stellen die Summe der Feldpotentiale in großen kortikalen Bereichen3,8 dar. Die isolierte Analyse von Daten aus einzelnen Kanälen mittels visueller Inspektion oder einfacher statistischer Methoden begrenzt die Nützlichkeit dieser Aufzeichnungen auf die Erkennung von groben elektrophysiologischen Anomalien an diskreten, einzelnen Orten. Mit der zunehmenden Erkenntnis der Bedeutung von Auswirkungen auf Netzwerkebene für die Funktion des Nervensystems und die Pathologie sind diese einfachen Analysemethoden eindeutig mangelhaft, da sie subtile Beziehungen zwischen Signalen nicht erkennen, Anomalien in der Interaktion kortikaler Bereiche auf Netzwerkebene.
Es wird eine Methode zur Ableitung statistischer Karten der kortikalen Netzwerkkonnektivität aus niedrigdimensionalen Elektrodenaufzeichnungen demonstriert. Diese Methode ermöglicht die Untersuchung der Dynamik von Wechselwirkungen zwischen verschiedenen Hirnregionen in einer Weise, die mit herkömmlichen Analysetechniken nicht möglich ist, sowie die Visualisierung dieser Netzwerkinteraktionen. Dies eröffnet die Möglichkeit, netzwerkbezogene Effekte bei hochauflösenden Lösungen auf hoher Zeit nicht in einer Bisher nicht möglichen Weise zu untersuchen. Diese Methode basiert auf der Ableitung von Maßnahmen der Interelektrodenkohärenz9,10. Diese Maßnahmen ermöglichen die Untersuchung der Wechselwirkungen zwischen zwei erfassten Regionen durch Auswertung der statistischen Beziehungen zwischen den Aufzeichnungen dieser Gebiete11. Durch die Bewertung der Interaktion jedes aufgezeichneten Gebiets mit jedem anderen aufgezeichneten Gebiet kann eine statistische Karte der elektrophysiologischen Netzwerke innerhalb der aufgezeichneten Gebiete erstellt werden. Dies ermöglicht die Erkennung von funktionalen Beziehungen, die bei der Auswertung einzelner Kanaldaten nicht isoliert erkennbar sind.
Der Schwerpunkt dieses Manuskripts liegt auf der Verwendung von Kohärenz in neuronalen Zeitreihen. Derzeit gibt es eine Reihe von Techniken zum Untersuchen der Beziehungen zwischen Zeitreihendaten, die paarweise auf Kanäle angewendet werden können, um Modelle kortikaler Konnektivität abzuleiten. Einige Methoden, wie die damit verbundene partielle gerichtete Kohärenz12,13, zielen darauf ab, die Einflussrichtung des untersuchten Signalpaares abzuleiten, um die Struktur der zugrunde liegenden Netzwerke besser zu charakterisieren, während andere Methoden, wie Granger Kausalität14,15, versuchen, funktionale Beziehungen durch die Fähigkeit eines Signals, die Daten in einem anderen vorherzusagen. Methoden wie diese können auf ähnliche Weise angewendet werden, um hochdimensionale Modelle kortikaler Netzwerke zu erzeugen. Die Vorteile der Kohärenz als Mittel zur Untersuchung von Beziehungen zwischen neuronalen Signalen liegen jedoch in ihrem Mangel an Annahmen. Es ist möglich, statistische Zusammenhänge zwischen Aufzeichnungen an zwei Standorten zu untersuchen, ohne Aussagen über die funktionale natorische Grundlage dieser Beziehungen zu machen, und ein Modell kortikaler Konnektivität aufzubauen, das ausschließlich auf statistischen Beziehungen mit minimale Annahmen über die kortikalen Netzwerke, die diese Signale erzeugen.
Aufgrund der rein mathematischen Natur dieser Maßnahmen ist der Zusammenhang zwischen den Kohärenzmaßnahmen der Elektrodenaufzeichnungen an der Kopfhaut und der zugrunde liegenden neuronalen Aktivität komplex16,17. Während diese Methoden die Ableitung statistischer Konstrukte ermöglichen, die Beziehungen zwischen den Elektrodenaufzeichnungen zum Vergleich beschreiben, ist es nicht möglich, direkte kausale Schlussfolgerungen über die Aktivität der spezifischen zugrunde liegenden neuronalen Populationen zu ziehen. unkompliziert3,8,16,17. Diese Ansätze ermöglichen einen Vergleich der Aktivität auf Netzwerkebene zwischen Gruppen, um potenziell nützliche Biomarker zu identifizieren, sind jedoch in Bezug auf die Schlussfolgerungen hinsichtlich der Beziehung dieser Marker zu bestimmten neuronalen Mechanismen begrenzt. Dies ist auf die große Anzahl von verwirrenden Faktoren, die die aufgezeichnete Aktivitätbeeinflussen, sowieauf Probleme bei der Schätzung der spezifischen kortikalen Quelle elektrischer Signale, die auf der Ebene der Kopfhaut aufgezeichnet sind8. Vielmehr können diese Ansätze statistische Aktivitätsmodelle erstellen, die zwischen Gruppen abgefragt und verglichen werden können, um festzustellen, dass Unterschiede auf Netzwerkebene18 bestehen und genutzt werden können, um neue Biomarker auf der Grundlage dieser Konstrukte. Diese Methoden allein haben jedoch eine begrenzte Fähigkeit, die Unterschiede, die aufgrund der Komplexität des zugrunde liegenden Systems gesehen werden, mit bestimmten Mechanismen und neuronalen Aktivitäten in Beziehung zu setzen.
Die Anwendung von Netzmaßnahmen wie Kohärenz ist in den Systemen Neurowissenschaften gut etabliert16,17. Das volle Potenzial dieser Ansätze zur Modellierung und Untersuchung der kortikalen Funktion wurde durch die mangelnde Nutzung dieser hochdimensionalen Datenstrukturen begrenzt. Diese Arbeit zeigt, dass es möglich ist, diese Maßnahmen paarweise auf EEG-Kanäle anzuwenden, um Daten auf einen hochdimensionalen Feature-Raum zu kartieren, der ausschließlich auf den statistischen Beziehungen zwischen der elektrischen Aktivität in kortikalen Regionen basiert. Es zeigt auch, dass es mit Hilfe moderner statistischer Techniken möglich ist, die generierten Modelle der kortikalen Funktion zu verwenden, um diese Modelle zu untersuchen, ohne die im Modellierungsprozess gewonnenen Informationen zu verlieren.
Diese Methode ist potenziell wertvoll, um den Anwendungsbereich bestehender EEG-Technologien zu erweitern und die Fähigkeit zu verbessern, nützliche funktionelle Maßnahmen abzuleiten, ohne Anpassungen an bestehenden Kontrollgeräten zu erfordern18,19 . Durch die Verbesserung der Fähigkeit, kortikale Funktionen zu modellieren und diese Modelle zu hinterfragen, werden die Fragen, die mit EEG-Daten untersucht werden können, erweitert. Dies eröffnet die Möglichkeit einer stärkeren Integration funktioneller und struktureller Bewertungen zur Untersuchung neurologischer Erkrankungen20,21. Dieser Ansatz, der bereits eine technologieweit weit verbreitete Technologie verwendet, würde die Untersuchung kortikaler Pathologien mit hoher zeitlicher und räumlicher Auflösung ermöglichen.

<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

Nicht-invasive elektrophysiologische Aufnahmen sind nützlich für die Beurteilung der Funktion des Nervensystems. Diese Techniken sind kostengünstig, schnell, reproduzierbar und weniger ressourcenintensiv als Dieabbildung. Darüber hinaus weisen die erzeugten funktionellen Daten eine ausgezeichnete zeitliche Auflösung auf, die mit struktureller Bildgebung nicht erreichbar ist.
Die aktuellen Anwendungen von Elektroenzephalogrammen (EEG) sind durch Datenverarbeitungsmethoden begrenzt. Standardanalysetechniken, die rohen Zeitreihendaten an einzelnen Kanälen verwenden, sind sehr begrenzte Methoden zur Abhöraktivität des Nervensystems. Detailliertere Informationen über die kortikale Funktion können erreicht werden, indem Beziehungen zwischen Kanälen untersucht und statistische Modelle ableiten, wie Bereiche interagieren, was die Visualisierung der Konnektivität zwischen Netzwerken ermöglicht.
Dieses Manuskript beschreibt eine Methode zur Ableitung statistischer Modelle kortikaler Netzwerkaktivitäten, indem EEG auf standardisierte Weise erfasst und anschließend die Interelektrodenkohärenzmaßnahmen untersucht werden, um die Beziehungen zwischen den aufgezeichneten Bereichen zu bewerten. Wechselwirkungen höherer Ordnung können weiter untersucht werden, indem die Kovarianz zwischen den Kohärenzpaaren bewertet wird, wodurch hochdimensionale "Karten" von Netzwerkinteraktionen erstellt werden. Diese Datenkonstrukte können untersucht werden, um die kortikale Netzwerkfunktion und ihre Beziehung zur Pathologie auf eine Weise zu bewerten, die mit herkömmlichen Techniken nicht erreichbar ist.
Dieser Ansatz bietet eine höhere Empfindlichkeit gegenüber Interaktionen auf Netzwerkebene, als dies bei der Analyse von Rohzeitreihen möglich ist. Sie wird jedoch durch die Komplexität der Erstellung spezifischer mechanistischer Schlussfolgerungen über die zugrunde liegenden neuronalen Populationen und die hohen Datenmengen begrenzt, die fortgeschrittenere statistische Techniken für die Bewertung, einschließlich der Dimensionalität, erfordern. Reduktions- und klassifierbasierte Ansätze.

Messungen der Spektralleistung ergeben n Maßwerte für jedes gemessene Frequenzband, wobei n die Anzahl der aufgezeichneten Kanäle ist. Diese Maßnahmen werden für die Gesamtleistung in Dezibel sein. Leistungsmessungen innerhalb einzelner Frequenzbänder sollten als relative Leistung (d. h. der Anteil der Gesamtleistung, die durch die Leistung innerhalb dieses Bandes repräsentiert wird) ausgedrückt werden, um genaue Vergleiche zwischen Gruppen und Bedingungen zu erm...

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

Standard-EEG-Analysetechniken bieten nur begrenzte Einblicke in die Funktion des Nervensystems. Die Ableitung statistischer Modelle kortikaler Konnektivität bietet eine weitaus größere Möglichkeit, die zugrunde liegende Netzwerkdynamik zu untersuchen. Eine verbesserte funktionelle Bewertung eröffnet neue Möglichkeiten für Diagnose, Prognose und Ergebnisvorhersage bei Erkrankungen des Nervensystems.

Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen

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

Dieses Protokoll ist von Bedeutung, da es die Untersuchung kortikaler Netzwerke ermöglicht, indem es modelliert, wie Regionen miteinander interagieren, um Unterschiede aufzudecken, die bei Standardanalysetechniken nicht erkennbar sind. Der Hauptvorteil dieser Technik besteht darin, dass sie es uns ermöglicht, Netzwerkfunktionen mit weit verbreiteten Geräten zu untersuchen, so dass wir nicht-invasive elektrische Aufzeichnungen erhalten können, ohne dass spezielle Materialien benötigt werden. Diese Technik ermöglicht die nicht-invasive Untersuchung neuropsychiatrischer Erkrankungen, indem Netzwerkstrukturen untersucht werden, die die Entwicklung neuartiger diagnostischer Methoden und therapeutischer Biomarker erleichtern.Diese Methode hat ein breites Anwendungsspektrum innerhalb der klinischen Neurowissenschaften, insbesondere da die Rolle der Netzwerkfunktion bei Krankheiten immer relevanter wird. Für die Datenerfassung befestigen Sie die Elektrodenkappe am Kopf des Patienten und achten Sie auf eine korrekte Ausrichtung. Injizieren Sie leitfähiges Gel in jeden der Elektrodenanschlüsse, beginnend an der Kopfhaut und langsam auf die Kappenoberfläche zurückziehen, um elektrischen Kontakt mit der Kopfhaut herzustellen und das Signal-Rausch-Verhältnis zu verbessern.Verwenden Sie dann eine vorgegebene Elektrodenmontage auf Basis des 10-20-Systems, um die Elektroden an der Elektrodenkappe zu befestigen und die entsprechenden Bodenelektroden zu sichern. Um das EEG einzurichten, schließen Sie alle Elektroden an ein elektrophysiologisches Aufzeichnungssystem an und verbinden Sie das Aufzeichnungssystem mit einer geeigneten digitalen Aufzeichnungsumgebung. Untersuchen Sie alle Aufnahmekanäle, um sicherzustellen, dass sich der Offset innerhalb eines geeigneten Bereichs befindet, und um übermäßiges Kanalrauschen zu vermeiden.Der Algorithmus liefert unabhängig von der Datenqualität Ergebnisse, sodass die Aufzeichnungen unter strengen Datenqualitätsbedingungen durchgeführt und vor ihrer Verwendung analysiert werden sollten. Weisen Sie dann den Patienten an, dass die Aufzeichnung begonnen hat, und vermeiden Sie alle unnötigen Bewegungen, bevor Sie eine kurze Testaufzeichnung durchführen, um die entsprechende Aufnahmequalität zu überprüfen. Laden Sie am Ende der Analyse die EEG-Daten und ggf. weitere Skriptbibliotheken in eine geeignete Datenanalyseumgebung.Verwerfen Sie die ersten und letzten fünf Minuten jeder Aufzeichnung, um die Kontamination von Bewegungsartefakten zu reduzieren, und teilen Sie die Daten basierend auf der Aufgabe oder wenn es sich um eine Ruhezustandsaufzeichnung handelt, in die vorgegebene Dauer auf. Um die Daten vorzubereiten, korrigieren Sie die Basislinie der Aufzeichnungen, indem Sie den Mittelwert aller Kanäle von den Aufzeichnungen subtrahieren, um die Auswirkungen eines Grundlinienwanderns während längerer Aufzeichnungen zu vermeiden. Verweisen Sie alle Kanäle erneut auf einen entsprechenden Verweis.Dann filtern Sie alle Kanäle digital, um die Voninteresseer Frequenzen zu isolieren. Um die Gesamtleistungsspektren der Daten zu berechnen, führen Sie eine Fourier-Transformation jedes Kanals durch, der über den gesamten zu bewertenden Frequenzbereich analysiert wird. Um die Aktivität einzelner Frequenzbänder zu bewerten, isolieren Sie das Theta-Band bei vier bis acht Hertz, das Alpha-Band bei acht bis 12 Hertz, das Beta-Band bei 12 bis 30 Hertz, das Deltaband bei 0,5 bis vier Hertz und das Gammaband bei mehr als 30 Hertz.Um die Wechselwirkungen zwischen dem ersten Elektrodenpaar zu bewerten, leiten Sie ein Maß für die Inter-Elektroden-Kohärenz ab. Um die Kohärenz zu bewerten, ordnen Sie die Messungen der interelektroden Kohärenz, die visualisiert werden soll, einer zweidimensionalen Datenstruktur zu, bei der jede Spalte eine Elektrodenposition ist, jede Zeile eine Elektrodenposition ist und jede Zelle die Kohärenz zwischen dem entsprechenden Elektrodenpaar ist, und die Kohärenzwerte zwischen Null und einer Farbe zuzuordnen. Exportieren Sie dann eine Farbkarte, die die Inter-Elektroden-Kohärenz zwischen den einzelnen Elektrodenpaaren innerhalb der verwendeten Frequenzgrenzen visualisiert.Um Wechselwirkungen höherer Ordnung zwischen kortikalen Bereichen zu visualisieren und die Netzwerkdynamik abzubilden, berechnen Sie, wie die Kohärenz jedes Elektrodenpaares mit denen jedes anderen eindeutigen Elektrodenpaares über das gesamte Spektrum und innerhalb bestimmter Bänder koaliert. Ordnen Sie dann diese Kovarianzmessmaßnahmen zu Farben und exportieren Sie eine Farbkarte, die die Netzwerkdynamik innerhalb und über Frequenzbänder hinweg visualisiert. Um eine Dimensionsreduktion durchzuführen, leiten Sie Kennzahlen für den Vergleich zwischen den Gruppen ab, die die gesamte Netzwerkdynamik innerhalb der statistischen Modelle darstellen, die mit der Hauptkomponentenanalyse generiert wurden.Weisen Sie eine Kovarianzmatrix für die paarweisen Kohärenzmaßnahmen an, um die Visualisierung der übergeordneten Netzwerkbeziehungen zu ermöglichen und die Kovarianzmatrix in Eigenvektoren und entsprechende Eigenwerte zu zersetzen, um die Identifizierung der Achse innerhalb des Modell-Feature-Raums zu ermöglichen, die die größte Varianz enthalten, ohne an die vorhandenen Kennzahlen gebunden zu sein. Ordnen Sie die Eigenvektoren nach ihren entsprechenden Eigenwerten ein, um diejenigen zu identifizieren, die den größten Anteil an Abweichungen innerhalb des Modells ausmachen. Vergleichen Sie dann die ersten Prinzipkomponenten, die aus den Netzwerkmodellen abgeleitet wurden.Um einen funktionalen Bereich von Interesse auszuwählen, isolieren Sie die Kohärenzdaten innerhalb der Frequenzbänder von Interesse. Führen Sie eine Hauptkomponentenanalyse durch, um Messungen der gesamten Netzwerkaktivität innerhalb der Interessensbänder abzuleiten. Vergleichen Sie dann die Maßnahmen zwischen den Gruppen, um die Netzwerkunterschiede bei bestimmten Oszillatorfrequenzen zu bewerten.Um unbeaufsichtigtes Lernen mithilfe einer Entfernungsmetrik wie der euklidischen Entfernung durchzuführen, berechnen Sie die Maße der Entfernung zwischen Probanden innerhalb des durch das Netzwerkmodell definierten Raums. Verwenden Sie dann einen Clusteringalgorithmus, z. B. k-nächste Nachbarn, um die Gruppen innerhalb der Daten basierend auf den Modellparametern zu identifizieren. Die Spektralleistung kann über die Kopfhaut interpoliert werden, was eine begrenzte Abschätzung der Aktivitätsquelle ermöglicht.Jede der Pro-Elektroden-Elektroden-Messgröße gibt an, inwieweit sich die Aktivität in einem Bereich je nach Aktivität in einem anderen Bereich ändert, was Unterschiede in der Richtung der Wechselwirkung und Der Zeitverzögerung ermöglicht. Höhere Werte der Inter-Elektroden-Kohärenz deuten auf Wechselwirkungen zwischen Bereichen hin, aus denen es offensichtlich ist, dass die aufgezeichneten Bereiche miteinander kommunizieren. Durch die Messung der Wechselwirkungen zwischen jedem einzelnen Elektrodenpaar kann eine statistische Karte, wie die aufgezeichneten Kanäle interagieren, erstellt werden, um zu untersuchen, wie die Bereiche kommunizieren, anstatt sich auf einzelne Isolationsbereiche zu konzentrieren.Die Visualisierung der Netzwerkdynamik höherer Ordnung erleichtert die Erkennung der Arten von Wechselwirkungen, die durch eine Prinzipkomponentenanalyse oder eine klassifierbasierte Technik verglichen werden, um zu bewerten, wie sich die Kohärenzmessungen an einem Elektrodenpaar auf Veränderungen der Kohärenz bei einem anderen Paar beziehen. Hier können wir beispielsweise Unterschiede visualisieren, die in der Netzwerk-Mapping zwischen zwei Probanden mit unterschiedlichen klinischen Phänotypen einer neuropsychiatrischen Störung, die die kortikale Funktion beeinflussen, sichtbar sind, wo es keine statistisch signifikanten Unterschiede mit Standardanalysemethoden gab. Nach der Ableitung von Netzwerkmaßnahmen mit diesem Verfahren können maschinelle Lerntechniken eingesetzt werden, um die datenreichen Modelle zu nutzen, die erstellt wurden, um anspruchsvollere diagnostische und prognostische Analysen zu ermöglichen.Diese Technik hat die Untersuchung von Krankheitssubtypen im Rett-Syndrom, einer pädiatrischen neuropsychiatrischen Erkrankung, sowie die Vorhersage von Reaktionen auf neuartige Behandlungen und Epilepsiestatus ermöglicht.

Research

JoVE Journal

Neuroscience

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

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

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

Forschung

Neurowissenschaften

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

Nicht-invasive Parenchymale, Gefäß- und Stoffwechselhochfrequenz-Ultraschall und Photoakustische 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

Nicht-invasive Beurteilung von Veränderungen der kortikomotoneuronalen Übertragung bei Menschen

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 Protokoll für objektive Analyse der pilzförmige 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

Analyse dendritischer Morphologie in Spalten und Schichten

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

Modellierung der Zika-Virus-Infektion des entwickelnden menschlichen Gehirns In Vitro mit Stammzellen abgeleitet zerebrale Organellen

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: Echtzeit-Tracking von Insekten Antenne Bewegungen und Rüssel Erweiterung Reflex mit einem gemeinsamen Vorbereitung und konventioneller 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

Visuelle evozierte möglichen Aufnahmen bei Mäusen mit einer trockenen nichtinvasive Mehrkanal Scalp 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

Analyse der neuronalen Aktivität und Konnektivität mit intrakraniellen EEG-Daten mit 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

Nicht-invasive Strategien zur chronischen Manipulation der DREADD-kontrollierten neuronalen Aktivität

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