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

Bu makalenin yayınlanması kısmen DT SFI FutureNeruro-Finanse Araştırmacı hibe tarafından desteklenmiştir.

Aşağıdaki deneysel protokol, insan araştırmaları için tüm yerel, ulusal ve uluslararası etik yönergelerine uygundur. Protokolü test etmek için kullanılan veriler, Bölge Toskana-protokolü 2018SMIA112 SI-RE Etik Komitesi'nin onayı ile elde edilmiştir.
NOT: Açıklanan analizleri uygulamak için kullanılan komut dosyaları https://github.com/conorkeogh/NetworkAnalysis mevcuttur.
1. Ham Veri Toplama
<ol><li>
Konu koşulların...

<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>

Açıklanan yöntem, kortikal ağ dinamiklerinin istatistiksel haritalarının non-invaziv EEG verilerinden türemesine olanak sağlar. Bu, kaydedilen bölgelerin her bir yerde neler olup bittiğini değerlendirmek yerine, birbirleriyle nasıl etkileşimde bulunduklarını değerlendirerek basit zaman serileri verilerinin incelenmesinde kolayca ortaya çıkamayan fenomenlerin araştırılmasına olanak sağlar. Yalıtım. Bu hastalık patolojisi içine önemli anlayışlar ortaya çıkarabilir18.<...

Bu yöntem, sinir sistemi patolojisinin araştırılmasına, yeni tedavilerin etkisine ve yeni romanın gelişimine olanak sağlamak amacıyla, klinik olarak uygun bir kurulum kullanarak kortikal ağların invaziv olmayan elektrot kayıtlarına dayalı istatistiksel haritalar oluşturmayı amaçlamaktadır. elektrofizyolojik biyobelirteçler.
EEG sinir sistemi fonksiyonu ve hastalık 1 soruşturma için büyük bir potansiyel sunuyor1,2. Bu teknoloji ucuz, kolayca araştırma ve klinik ortamlarda kullanılabilir, ve genellikle iyi tolere. Kayıtların basit, non-invaziv doğası klinik kullanımı basit hale getirir ve klinik EEG departmanlarının mevcut çerçevesi klinisyenler için teknolojiye kolay erişim sağlar.
Teknik açıdan Bakıldığında, EEG mükemmel zaman etki alanı çözünürlüğü3sunuyor. Sinir sistemi etkileşimleri ve ağ dinamiklerinin hızlı zaman ölçekleri nedeniyle sinir sistemi fonksiyonu araştırılırken bu büyük önem taşımaktadır. Fonksiyonel MRG gibi görüntüleme yöntemleri daha fazla uzamsal çözünürlük ve kolayca yorumlanabilir görüntüler sunarken, elektrofizyolojik kayıtların sunduğu ince zaman ölçeklerinde sinir sistemi fonksiyonlarını sorgulama yetenekleri çok daha sınırlıdır. 4,5,6.
Sinir sistemi hastalıklarının tanı, tedavi ve prognostiğini bildirmek için sinir sistemi fonksiyonunu sorgulama yeteneğine ihtiyaç artmaktadır. Sinir sistemi patolojisinde kortikal ağ dinamiğinin rolü giderek daha fazla kabul edilmektedir7. Sinir sisteminin birçok patolojisi geleneksel görüntüleme ile görünür makroskopik yapısal lezyonlar üretmek, ancak ağ düzeyinde üretilen anormallikler uygun fonksiyonel analiz yöntemleri ile belirgin olabilir.
Ne yazık ki, mevcut EEG analiz yöntemleri bu konuda büyük ölçüde sınırlıdır. Geleneksel yöntemler, tek tek elektrotlardan elde edilen basit zaman serisi verilerinin analizini içerir. Bu sinyaller büyük kortikal alanlarda alan potansiyellerinin toplamı temsil3,8. Görsel inceleme veya basit istatistiksel yöntemlerle izole olarak izole edilen kanallardan elde edilen verilerin analizi, bu kayıtların yararlılığını, ayrı, ayrı konumlardaki brüt elektrofizyolojik anormalliklerin saptanmasıyla sınırlar. Sinir sistemi fonksiyonu ve patolojisi için ağ düzeyindeki etkilerin öneminin giderek daha fazla tanınması ile, bu basit analiz yöntemleri açıkça sinyalleri arasındaki ince ilişkileri tespit etmek için başarısız olacak, temsil kortikal alanların ağ düzeyinde birbirleriyle nasıl etkileştiğine yönelik anormallikler.
Düşük boyutlu elektrot kayıtlarından kortikal ağ bağlantısının istatistiksel haritalarını elde etme yöntemi gösterilmiştir. Bu yöntem, geleneksel analiz teknikleri ile mümkün olmayan bir şekilde değişen beyin bölgeleri arasındaki etkileşimdinamikleri incelenmesine olanak sağlar, hem de bu ağ etkileşimleri görselleştirme. Bu, daha önce mümkün olmayan şekillerde yüksek zaman etki alanı çözünürlüklerinde ağ düzeyi etkilerinin non-invaziv araştırma olanağı nı açar. Bu yöntem elektrot lar arası tutarlılık önlemlerinin türemiş türemiş dayanmaktadır9,10. Bu önlemler, bu alanların kayıtları arasındaki istatistiksel ilişkileri değerlendirerek kaydedilen iki bölgenin nasıl etkileşime girdiğinin araştırılmasına olanak sağlar11. Kaydedilen her alanın diğer tüm kaydedilen alanlarla nasıl etkileştiğini değerlendirerek, kaydedilen alanlar içindeki elektrofizyolojik ağların istatistiksel bir haritası yapılabilir. Bu, tek tek kanal verilerinin tek tek ayrı değerlendirilmesinde belirgin olmayan işlevsel ilişkilerin keşfedilmesine olanak tanır.
Bu makalenin odak noktası nöral zaman serilerinde tutarlılık kullanımıdır. Şu anda, kortikal bağlantı modelleri türetmek için çift yönünde bir şekilde kanallara uygulanabilir zaman serisi verileri arasındaki ilişkileri araştırmak için teknikler vardır. Bazı yöntemler, ilgili kısmi yönelimli tutarlılık12,13, daha iyi altta yatan ağların yapısını karakterize etmek için araştırılan sinyalleri çiftin inetki yönünü çıkarmak için, diğer granger nedensellik14,15gibi yöntemler, başka bir veri tahmin etmek için bir sinyal yeteneği ile fonksiyonel ilişkiler çıkartmak için çalışır. Bu gibi yöntemler kortikal ağların yüksek boyutlu modellerini oluşturmak için benzer şekillerde uygulanabilir. Ancak, nöral sinyaller arasındaki ilişkileri araştırmak için bir araç olarak tutarlılık avantajları varsayımlar onun eksikliği yatıyor. Bu ilişkilerin işlevsel temeli hakkında açıklamalar yapmadan iki sitedeki kayıtlar arasındaki istatistiksel ilişkileri araştırmak ve tamamen istatistiksel ilişkilere dayalı bir kortikal bağlantı modeli oluşturmak mümkündür. bu sinyalleri üreten kortikal ağlar hakkında en az varsayımlar.
Bu önlemlerin tamamen matematiksel doğası nedeniyle, kafa derisi elektrot kayıtlarının tutarlılık ölçüleri ile altta yatan nöral aktivite arasındaki ilişkikarmaşıktır 16,17. Bu yöntemler karşılaştırma için elektrot kayıtları arasındaki ilişkileri açıklayan istatistiksel yapılar türetme sağlarken, belirli altta yatan nöral popülasyonların aktivitesi hakkında doğrudan nedensel çıkarımlar yapma basit3,8,16,17. Bu yaklaşımlar, potansiyel olarak yararlı biyobelirteçleri belirlemek için gruplar arasındaki ağ düzeyindeki aktivitenin karşılaştırılmasına olanak sağlar, ancak bu belirteçlerin belirli nöral mekanizmalarla ilişkisine ilişkin özel sonuçlar çıkarma açısından sınırlıdır. Bu kafa derisi düzeyinde kaydedilen elektrik sinyalleri belirli kortikal kaynağı tahmin ile ilgili sorunların yanı sıra, kaydedilen aktivite3etkileyen kafa karıştırıcı faktörlerin çok sayıda kaynaklanmaktadır8. Bunun yerine, bu yaklaşımlar, ağ düzeyinde18'de farklılıkların mevcut olduğunu belirlemek için gruplar arasında sorgulanabilen ve karşılaştırılabilir istatistiksel aktivite modelleri üretebilir ve bunlara dayalı yeni biyobelirteçler üretmek için kullanılabilir Yapıları. Ancak, bu yöntemler tek başına belirli mekanizmalar ve nöral faaliyetler için temel sistemin karmaşıklığı nedeniyle görülen farklılıklar ilişki sınırlı bir kapasiteye sahiptir.
Tutarlılık gibi ağ önlemlerinin kullanımı iyi sistemlerinöroloji16,17kurulmuştur. Kortikal fonksiyonumodelleme ve araştırmak için bu yaklaşımların tam potansiyeli, bu yüksek boyutlu veri yapılarının sömürülmemesi ile sınırlandırılmıştır. Bu çalışma, bu önlemlerin eeg kanallarına, sadece kortikal bölgelerdeki elektriksel aktivite arasındaki istatistiksel ilişkiye dayalı yüksek boyutlu bir özellik alanına veri haritalayabilmek için çift yönlü olarak uygulanmasının mümkün olduğunu göstermektedir. Ayrıca, modern istatistiksel teknikler kullanılarak, modelleme sürecinde elde edilen bilgileri kaybetmeden bu modelleri araştırmak için kortikal fonksiyonun oluşturulan modellerini kullanmak mümkün olduğunu göstermektedir.
Bu yöntem, mevcut EEG teknolojilerinin uygulamalarının kapsamını genişletmede, mevcut kayıt ekipmanlarına adaptasyon gerektirmeden yararlı işlevsel önlemler alma yeteneğini geliştirmede potansiyel olarak değerlidir18,19 . Kortikal fonksiyonu modelleme ve bu modelleri sorgulama yeteneğini geliştirerek, EEG verileri kullanılarak araştırılabilen sorular genişletilir. Bu daha fazla nörolojik hastalığın araştırılması için fonksiyonel ve yapısal değerlendirmelerin daha fazla entegrasyon olasılığını açar20,21. Bu yaklaşım, zaten klinik olarak yaygın olarak kullanılabilir teknolojiyi kullanarak, yüksek zamansal ve mekansal çözünürlük ile kortikal patolojilerin araştırılmasına olanak sağlayacak.

<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

Non-invaziv elektrofizyolojik kayıtlar sinir sistemi fonksiyonunun değerlendirilmesi için yararlıdır. Bu teknikler, görüntülemeden daha ucuz, hızlı, çoğaltılabedilebilir ve daha az kaynak yoğundur. Ayrıca, üretilen fonksiyonel veriler, yapısal görüntüleme ile elde edilemez mükemmel zamansal çözünürlüğe sahiptir.
Elektroensefalogramların (EEG) mevcut uygulamaları veri işleme yöntemleri ile sınırlıdır. Tek tek kanallarda ham zaman serisi verilerini kullanan standart analiz teknikleri sinir sistemi aktivitesini sorgulamanın çok sınırlı yöntemleridir. Kortikal fonksiyon hakkında daha ayrıntılı bilgi kanallar arasındaki ilişkileri inceleyerek ve alanların nasıl etkileşime girdiğine ilişkin istatistiksel modeller üreterek ağlar arasındaki bağlantının görselleştirilmesine olanak sağlar.
Bu makale, eeg'yi standart bir şekilde kaydederek kortikal ağ aktivitesinin istatistiksel modellerini elde etmek için bir yöntemi açıklar, daha sonra kaydedilen alanlar arasındaki ilişkileri değerlendirmek için elektrotlar arası tutarlılık ölçütlerini inceler. Daha yüksek sıralı etkileşimler, ağ etkileşimlerinin yüksek boyutlu "haritaları" üreterek, tutarlılık çiftleri arasındaki tutarlılık değerlendirilerek daha fazla incelenebilir. Bu veri yapıları kortikal ağ fonksiyonu ve patoloji ile ilişkisini geleneksel tekniklerle ulaşılamayan şekillerde değerlendirmek için incelenebilir.
Bu yaklaşım, ham zaman serisi analizi ile ulaşılabilecek daha ağ düzeyi etkileşimleri için daha fazla duyarlılık sağlar. Bununla birlikte, altta yatan nöral popülasyonlar ve üretilen yüksek hacimli veriler hakkında belirli mekanik sonuçlar çıkarmanın karmaşıklığı ile sınırlıdır ve boyutsallık da dahil olmak üzere değerlendirme için daha gelişmiş istatistiksel teknikler gerektirir. azaltma ve sınıflandırıcı tabanlı yaklaşımlar.

Spektral gücün ölçüleri ölçülen her frekans bandı için n ölçümü üretecek, burada kaydedilen kanal sayısı n'dir. Bu önlemler genel güç için desibel olacak. Gruplar ve koşullar arasında doğru karşılaştırmalar sağlamak için, tek tek frekans bantları içindeki güç ölçüleri göreceli güç (yani, o bant içindeki gücün temsil ettiği genel gücün oranı) olarak ifade edilmelidir.
<p class="jove_content" fo:keep-together.within-page="...

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

Standart EEG analiz teknikleri sinir sistemi fonksiyonu hakkında sınırlı bilgi sunar. Kortikal bağlantıistatistiksel modeller türetilmesi, altta yatan ağ dinamiklerini araştırmak için çok daha fazla yetenek sunar. Geliştirilmiş fonksiyonel değerlendirme sinir sistemi hastalıklarında tanı, prognostikasyon ve sonuç tahmini için yeni olanaklar sunar.

Non-invaziv Elektroensefalogramlar Kullanarak Kortikal Bağlantının İstatistiksel Modellemesi

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

Bu protokol, bölgelerin standart analiz teknikleri ile belirgin olmayan farklılıkları ortaya çıkarmak için birbirleriyle nasıl etkileşimde bulunduracaklarını modelleyerek kortikal ağların araştırılmasına olanak sağladığı için önemlidir. Bu tekniğin en büyük avantajı, özel malzemelere ihtiyaç duymadan non-invaziv elektrik kayıtları elde edebilmemiz için yaygın olarak kullanılan ekipmanları kullanarak ağ fonksiyonlarını araştırmamıza olanak sağlamasıdır. Bu teknik, yeni tanı yöntemleri ve terapötik biyobelirteçlerin geliştirilmesini kolaylaştıran ağ yapılarını inceleyerek nöropsikiyatrik hastalıkların non-invaziv araştırılmasını sağlar.Bu yöntem, özellikle hastalıkta ağ fonksiyonunun rolü giderek daha uygun hale geldikçe klinik nörolojik bilimler içinde geniş bir uygulama yelpazesine sahiptir. Veri toplama için elektrot kapağını doğru hizalamayı sağlamak için hastanın kafasına takın. Kafa derisinden başlayarak elektrot bağlantı noktalarının her birine iletken jel enjekte edin ve kafa derisi ile elektriksel temas kurmak ve sinyal-gürültü oranını artırmak için yavaşça kapak yüzeyine çekilin.Daha sonra elektrotları elektrot kapağına takmak ve uygun yer elektrotlarını sabitlemek için 10-20 sistemine dayalı önceden belirlenmiş bir elektrot montajı kullanın. EEG'yi kurmak için tüm elektrotları elektrofizyolojik bir kayıt sistemine bağlayın ve kayıt sistemini uygun bir dijital kayıt ortamına bağlayın. Ofsetin uygun aralıkta olduğundan emin olmak ve aşırı kanal gürültüsünü önlemek için tüm kayıt kanallarını inceleyin.Algoritma, veri kalitesine bakılmaksızın sonuçlar üretecek, böylece kayıtlar sıkı veri kalitesi koşullarında yapılmalı ve kullanılmadan önce analiz edilmelidir. Daha sonra hastaya, uygun kayıt kalitesini doğrulamak için kısa bir test kaydı yapmadan önce kaydın başladığını ve tüm gereksiz hareketlerden kaçındığını bildirin. Analizin sonunda, EEG verilerini ve gerektiğinde ek komut dosyası kitaplıklarını uygun bir veri analizi ortamına yükleyin.Herhangi bir hareket yapıtının kontaminasyonunu azaltmak için her kaydın ilk ve son beş dakikasını atın ve verileri göreve göre veya önceden belirlenmiş bir dinlenme durumu kaydı ysa çağlara bölün. Verileri hazırlamak için, uzun süreli kayıtlar sırasında herhangi bir taban çizgisinin etkisini önlemek için tüm kanalların ortalamasını kayıtlardan çıkararak kayıtların taban çizgisini düzeltin. Tüm kanalları uygun bir referansa yeniden yönlendirin.Daha sonra ilgi frekanslarını yalıtmak için tüm kanalları dijital olarak filtreleyin. Verilerin toplam güç spektrumunu hesaplamak için, değerlendirilecek tüm frekans aralığında analiz edilen her kanalın Fourier dönüşümünü gerçekleştirin. Bireysel frekans bantlarının aktivitesini değerlendirmek için teta bandını dört ila sekiz hertz, 8-12 hertz'de alfa bandı, 12-30 hertz'de beta bandı, 0,5 ila dört hertz'de delta bandı ve 30 hertz'den büyük gama bandında izole edin.İlk elektrot çifti arasındaki etkileşimleri değerlendirmek için, elektrotlar arası tutarlılık ölçüsü elde edin. Tutarlılığı değerlendirmek için, her sütunun bir elektrot konumu olduğu, her satırın bir elektrot konumu olduğu ve her hücrenin karşılık gelen elektrot çifti arasındaki tutarlılık olduğu ve tutarlılık değerlerini sıfır ile bir renk arasında eşleştirdiği iki boyutlu bir veri yapısına görselleştirilecek inter-elektrot tutarlılığının ölçümlerini haritalayın. Daha sonra kullanılan frekans sınırları içinde her elektrot çifti arasındaki elektrot tutarlılığını görselleştiren bir renk haritası dışa aktarın.Kortikal alanlar arasındaki daha yüksek sıralı etkileşimleri görselleştirmek ve ağ dinamiklerini haritalamak için, her elektrot çifti tutarlılık ölçümünün genel spektrumdaki ve belirli bantlar içindeki diğer tüm benzersiz elektrot çiftlerininkilerle nasıl bir arada olduğunu hesaplayın. Ardından, bu tutarlılık ölçülerini renklerle eşleyin ve frekans bantları içinde ve arasında ağ dinamiklerini görselleştiren bir renk eşlemi dışa aktarın. Boyutsallık azaltma gerçekleştirmek için, ilke bileşen çözümlemesi kullanılarak oluşturulan istatistiksel modeller içinde genel ağ dinamiklerini temsil eden gruplar arasında karşılaştırma için önlemler türetin.Yüksek düzeyağ ilişkilerinin görselleştirilmesine olanak sağlamak için çift ekibe bağlılık ölçüleri için bir covariance matrisi öğretin ve mevcut önlemlerle sınırlandırılmadan en büyük varyansı içeren model özellik alanı içindeki eksenin tanımlanmasına izin vermek için covarians matrisini eigenvectors ve buna karşılık gelen özdeğerlere ayırın. Model içindeki en büyük varyans oranını hesaba katanları belirlemek için, özvektörleri karşılık gelen özdeğerlere göre sırala. Ardından, ağ modellerinden türetilen ilk ilke bileşenlerini karşılaştırın.İşlevsel bir ilgi alanı seçmek için, tutarlılık verilerini ilgi sıklığı bantları içinde yalıtın. İlgi bantları içinde genel ağ etkinliğinin ölçülerini elde etmek için bir temel bileşen çözümlemesi gerçekleştirin. Daha sonra belirli salınım frekanslarında ağ farklılıklarını değerlendirmek için gruplar arasındaki ölçüleri karşılaştırın.Öklid mesafesi gibi bir mesafe ölçümü kullanarak denetimsiz öğrenme gerçekleştirmek için, ağ modeli tarafından tanımlanan alan içindeki konular arasındaki mesafeölçülerini hesapla. Ardından, model parametrelerini temel alan verilerdeki grupları tanımlamak için k-en yakın komşular gibi bir kümeleme algoritması kullanın. Spektral güç, aktivite kaynağının sınırlı bir tahminine izin vererek kafa derisi boyunca enterpolasyona geçirilebilir.Elektrotlar arası elektrot ölçümünün her biri, bir bölgedeki aktivitenin etkileşim ve zaman gecikmesi yönünde farklılıklara izin veren başka bir alandaki aktiviteye bağlı olarak ne ölçüde değiştiğini gösterir. Elektrotlar arası tutarlılığın daha yüksek değerleri, kaydedilen alanların birbirleriyle iletişim halinde olduğu görünen alanlar arasındaki etkileşimleri göstermektedir. Her benzersiz elektrot çifti arasındaki etkileşimleri ölçerek, kaydedilen kanalların nasıl etkileşime girdiğine dair istatistiksel bir harita oluşturulabilir ve bu harita, tek tek izolasyon alanlarına odaklanmak yerine alanların nasıl iletişim kurduğunun araştırılmasına olanak sağlar.Daha yüksek sıralı ağ dinamiğinin görselleştirilmesi, bir elektrot çiftindeki tutarlılık ölçümlerinin başka bir çiftteki tutarlılık değişiklikleriyle nasıl ilişkili olduğunu değerlendirmek için bir ilke bileşeni analizi veya sınıflandırıcı tabanlı bir teknikle karşılaştırılan etkileşim türlerinin tanınmasını kolaylaştırır. Örneğin, burada, standart analiz yöntemleri kullanılarak istatistiksel olarak anlamlı farklılıkların olmadığı kortikal fonksiyonu etkileyen bir nöropsikiyatrik bozukluğun farklı klinik fenotiplerine sahip iki denek arasındaki ağ haritasında belirgin farklılıkları görselleştirebiliriz. Bu yordamı kullanarak ağ önlemlerinin türemesi sonrasında, daha gelişmiş tanısal ve prognostik analizlere olanak sağlamak için üretilen veri açısından zengin modellerden yararlanmak için makine öğrenimi teknikleri kullanılabilir.Bu teknik, pediatrik nöropsikiyatrik bir hastalık olan Rett sendromunda hastalık alt tiplerinin araştırılmasına ve yeni tedavilere ve epilepsi durumuna yanıtların tahmin inmesine olanak sağlamıştır.

Research

JoVE Journal

Neuroscience

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

Across Time fMRI Multi-voksel Bilgi Senkron Çıkışı Tedbir Bilgilendirici Bağlantı kullanma

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

Non-invaziv parankim, Vasküler ve Metabolik Yüksek frekanslı ultrason ve foto akustik Sıçan Derin Beyin Görüntüleme

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

İnsanlarda Corticomotoneuronal İletimde Değişikliklerin İnvaziv Olmayan Değerlendirilmesi

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

Mantar şeklinde papilla Amaç Analizi Denver Papilla Protokolü

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

Sütunlar ve Katmanlar dendritik Morfoloji Analizi

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

Kök hücre kullanarak gelişmekte olan insan beyni Vitro Zika virüs enfeksiyonu modelleme serebral Organoids türetilmiş

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: Gerçek zamanlı izleme böcek anten hareketleri ve hortum uzantısı refleks bir ortak hazırlık ve geleneksel donanım kullanarak

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

Görsel uyarılmış potansiyel kayıtları bir kuru Non-invaziv çok kanallı kullanarak farelerde EEG sensör kafa derisi

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

Sinirsel aktivite ve bağlanırlığı İntrakraniyal EEG veri SPM yazılım programıyla analiz

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

DREADD kontrollü Nöronal Aktivitekronik Manipülasyon için Non-invaziv Stratejiler

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