Statistische modellering van corticale connectiviteit met niet-invasieve Elektroencephalogrammen

Deze methode is bedoeld om statistische kaarten van corticale netwerken te produceren op basis van niet-invasieve elektrode opnames met behulp van een klinisch levensvatbare opstelling, om onderzoek te kunnen doen naar de pathologie van het zenuwstelsel, de impact van nieuwe behandelingen en de ontwikkeling van nieuwe elektrofysiologische biomarkers.

EEG biedt een groot potentieel voor het onderzoek van de functie van het zenuwstelsel en de ziekte^1,2. Deze technologie is goedkoop, gemakkelijk beschikbaar in onderzoek en klinische instellingen, en over het algemeen goed verdragen. De eenvoudige, niet-invasieve aard van opnames maakt klinisch gebruik eenvoudig, en het bestaande kader van klinische EEG-afdelingen zorgt voor gemakkelijke toegang tot de technologie voor clinici.

Vanuit technisch oogpunt biedt EEG een uitstekende tijddomein resolutie³. Dit is van groot belang bij het onderzoeken van de functie van het zenuwstelsel als gevolg van de snelle tijdschema’s van de interacties van het zenuwstelsel en de netwerk dynamiek. Terwijl Imaging methoden zoals functionele MRI bieden een grotere ruimtelijke resolutie en gemakkelijk interpreteerbare beelden, ze zijn veel beperkter in hun vermogen om te ondervragen zenuwstelsel functie op de fijne tijdschalen aangeboden door elektrofysiologische opnames ^4,5,6.

Er is een groeiende behoefte aan het vermogen om de functie van het zenuwstelsel te ondervragen om de diagnose, behandeling en prognosticatie van aandoeningen van het zenuwstelsel te informeren. De rol van corticale netwerk dynamiek in de pathologie van het zenuwstelsel wordt steeds meer erkend⁷. Veel pathologieën van het zenuwstelsel produceren geen macroscopische structurele laesies die zichtbaar zijn bij traditionele beeldvorming, maar de afwijkingen die op netwerkniveau worden geproduceerd, kunnen duidelijk zijn met geschikte functionele analysemethoden.

Helaas zijn de huidige EEG-analysemethoden in dit opzicht sterk beperkt. Traditionele methoden omvatten de analyse van eenvoudige time series-gegevens van afzonderlijke elektroden. Deze signalen vertegenwoordigen de sommatie van veld potentialen in grote corticale gebieden^3,8. Analyse van gegevens uit afzonderlijke kanalen in afzondering met behulp van visuele inspectie of eenvoudige statistische methoden beperkt het nut van deze opnames tot het opsporen van bruto elektrofysiologische afwijkingen in discrete, individuele locaties. Met de toenemende erkenning van het belang van effecten op netwerkniveau aan de functie en pathologie van het zenuwstelsel, zijn deze eenvoudige analysemethoden duidelijk gebrekkig omdat ze geen subtiele relaties tussen signalen kunnen detecteren, die afwijkingen in hoe corticale gebieden interactie met elkaar op het niveau van het netwerk.

Een methode voor het afleiden van statistische kaarten van corticale netwerkconnectiviteit van laag-dimensionale elektrode opnames wordt aangetoond. Deze methode maakt onderzoek mogelijk van de dynamiek van interacties tussen verschillende hersengebieden op een manier die niet mogelijk is met traditionele analysetechnieken, evenals visualisatie van deze netwerk interacties. Dit opent de mogelijkheid voor niet-invasieve onderzoek van effecten op netwerkniveau op hoge tijddomein resoluties op manieren die niet eerder mogelijk. Deze methode is gebaseerd op de afleiding van maatregelen van interelektrode coherentie^9,10. Deze maatregelen maken het mogelijk te onderzoeken hoe twee geregistreerde regio’s met elkaar omgaan door de statistische relaties tussen de opnames van deze gebieden¹¹te evalueren. Door te beoordelen hoe elk geregistreerd gebied samenwerkt met elk ander geregistreerd gebied, kan een statistische kaart van elektrofysiologische netwerken binnen de vastgelegde gebieden worden gemaakt. Dit zorgt voor de ontdekking van functionele relaties die niet duidelijk zijn bij de evaluatie van individuele kanaal gegevens in afzondering.

De focus van dit manuscript ligt op het gebruik van coherentie op neurale tijdreeksen. Op dit moment zijn er een aantal technieken voor het onderzoeken van de relaties tussen time series-gegevens die kunnen worden toegepast op kanalen in een Pairwise mode om modellen van corticale connectiviteit af te leiden. Sommige methoden, zoals de daarmee samenhangende gedeeltelijke gerichte coherentie^12,13, beogen de richting van de invloed van het onderzochte paar signalen af te leiden om de structuur van de onderliggende netwerken beter te karakteriseren, terwijl andere methoden, zoals Granger causaliteit^14,15, proberen functionele relaties af te leiden door het vermogen van één signaal om de gegevens in een andere te voorspellen. Methoden zoals deze kunnen op vergelijkbare wijze worden toegepast om high-dimensionale modellen van corticale netwerken te genereren. De voordelen van coherentie als middel om de relaties tussen neurale signalen te onderzoeken ligt echter in het ontbreken van veronderstellingen. Het is mogelijk om statistische relaties tussen opnames op twee sites te onderzoeken zonder uitspraken te doen over de functionele basis van deze relaties en om een model van corticale connectiviteit op te bouwen op basis van louter statistische relaties met minimale veronderstellingen over de corticale netwerken die deze signalen genereren.

Vanwege de zuiver wiskundige aard van deze maatregelen is de relatie tussen de coherentie metingen van elektrode opnames bij de hoofdhuid en de onderliggende neurale activiteit complex^16,17. Hoewel deze methoden het afleiden van statistische constructies mogelijk maken om de relaties tussen de elektrode-opnames ter vergelijking te beschrijven, is het maken van directe causaal gevolgtrekkingen over de activiteit van de specifieke onderliggende neurale populaties niet rechtlijnig^3,8,16,17. Deze benaderingen maken vergelijking van de activiteit op netwerkniveau tussen groepen mogelijk om potentieel nuttige biomerkers te identificeren, maar zijn beperkt in het tekenen van specifieke conclusies met betrekking tot de relatie van deze markers tot specifieke neurale mechanismen. Dit komt door het grote aantal verstorende factoren dat de vastgelegde activiteit³beïnvloedt, evenals problemen met het inschatten van de specifieke corticale bron van elektrische signalen die zijn opgenomen op het niveau van de hoofdhuid⁸. Deze benaderingen kunnen veeleer statistische modellen van activiteiten produceren die kunnen worden verhoord en vergeleken tussen groepen om te bepalen dat er verschillen bestaan op netwerkniveau¹⁸ en kunnen worden gebruikt om nieuwe biomarkers te produceren op basis van deze Constructies. Echter, deze methoden alleen hebben een beperkte capaciteit om te relateren de verschillen gezien specifieke mechanismen en neurale activiteiten als gevolg van de complexiteit van het onderliggende systeem.

Het gebruik van netwerk maatregelen zoals coherentie is goed verankerd in systemen neurowetenschappen^16,17. Het volledige potentieel van deze benaderingen voor het modelleren en onderzoeken van de corticale functie is beperkt door een gebrek aan exploitatie van deze high-dimensionale datastructuren. Dit werk toont aan dat het mogelijk is om deze maatregelen toe te passen op EEG kanalen op een Pairwise manier om gegevens in kaart te brengen op een high-dimensionale functie ruimte op basis van louter de statistische relaties tussen de elektrische activiteit in corticale regio’s. Het toont ook aan dat, met behulp van moderne statistische technieken, het mogelijk is om de gegenereerde modellen van de corticale functie te gebruiken om deze modellen te onderzoeken zonder de informatie te verliezen die is opgedaan in het modelleringsproces.

Deze methode is potentieel waardevol in het uitbreiden van het toepassingsgebied van bestaande EEG-technologieën, waardoor het vermogen om bruikbare functionele maatregelen te nemen zonder aanpassingen van bestaande opnameapparatuur te verbeteren^18,19 . Door het verbeteren van de mogelijkheid om de corticale functie te modelleren en deze modellen te ondervragen, worden de problemen die kunnen worden onderzocht met behulp van EEG-gegevens uitgebreid. Dit opent verder de mogelijkheid van een grotere integratie van functionele en structurele evaluaties voor onderzoek naar neurologische aandoeningen^20,21. Deze aanpak, met behulp van technologie die al op grote schaal beschikbaar is klinisch, zou het onderzoek van corticale pathologieën met zowel hoge temporele en ruimtelijke resolutie mogelijk maken.