Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen

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 Erkrankung^1,2. 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 Bereichen^{3,8 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 Interelektrodenkohärenz^9,10. 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 Kohärenz^12,13, zielen darauf ab, die Einflussrichtung des untersuchten Signalpaares abzuleiten, um die Struktur der zugrunde liegenden Netzwerke besser zu charakterisieren, während andere Methoden, wie Granger Kausalität^14,15, 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 komplex^16,17. 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. unkompliziert^3,8,16,17. 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 Aktivität^{beeinflussen, sowie}auf 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 etabliert^16,17. 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 erfordern^18,19 . 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 Erkrankungen^20,21. Dieser Ansatz, der bereits eine technologieweit weit verbreitete Technologie verwendet, würde die Untersuchung kortikaler Pathologien mit hoher zeitlicher und räumlicher Auflösung ermöglichen.