[論文レビュー] BCI learning induces core-periphery reorganization in M/EEG multiplex brain networks

Marie‐Constance Corsi, Mario Chávez+7 more|arXiv (Cornell University)|Oct 26, 2020

EEG and Brain-Computer Interfaces参考文献 138被引用数 9

ひとこと要約

本研究は、運動想起に基づく脳-コンピュータインターフェース（BCI）訓練が、多層M/EEG脳ネットワークにおけるコア-パーサイフ・再編成をどのように誘発するかを調査する。EEGとMEGデータをマルチプレックス・ネットワーク枠組みに統合することで、著者らはBCI学習がα2帯において体性感覚領域の統合を段階的に促進し、β1帯において視覚および作業記憶領域の結合性を低下させることを明らかにした。これらのネットワーク的変化は、将来のBCIパフォーマンスと相関している。

ABSTRACT

Brain-computer interfaces (BCIs) constitute a promising tool for communication and control. However, mastering non-invasive closed-loop systems remains a learned skill that is difficult to develop for a non-negligible proportion of users. The involved learning process induces neural changes associated with a brain network reorganization that remains poorly understood. To address this inter-subject variability, we adopted a multilayer approach to integrate brain network properties from electroencephalographic (EEG) and magnetoencephalographic (MEG) data resulting from a four-session BCI training program followed by a group of healthy subjects. Our method gives access to the contribution of each layer to multilayer network that tends to be equal with time. We show that regardless the chosen modality, a progressive increase in the integration of somatosensory areas in the alpha band was paralleled by a decrease of the integration of visual processing and working memory areas in the beta band. Notably, only brain network properties in multilayer network correlated with future BCI scores in the alpha2 band: positively in somatosensory and decision-making related areas and negatively in associative areas. Our findings cast new light on neural processes underlying BCI training. Integrating multimodal brain network properties provides new information that correlates with behavioral performance and could be considered as a potential marker of BCI learning.

研究の動機と目的

• 非侵襲的BCI学習の背後にある神経ネットワーク再編成を理解すること。これは臨床的応用の可能性は大きいが、依然として十分に解明されていない。
• EEGとMEGデータを統合した多層ネットワーク手法を用いて脳動態をモデル化することで、BCIパフォーマンスにおける被験者間差を是正すること。
• 特にコア-パーサイフ構造のシフトを含む、特定のネットワークトポロジー的変化を同定し、将来のBCIパフォーマンスと相関するかを明らかにすること。
• EEG＋MEGのマルチモodalなネットワーク特性が、単一モダリティのネットワークと比較して、BCI学習の結果をよりよく予測できるかどうかを検証すること。

提案手法

• 20名の健康でBCI経験のない被験者から得られたEEGおよびMEGデータを用い、4回のトレーニング・セッションを通じて多層脳ネットワークを構築した。
• 各モダリティを別々のレイヤーとして持つマルチプレックス・ネットワーク構造にEEGとMEGデータを統合し、周波数特異的結合性の共同解析を可能にした。
• グラフ理論的指標を用いてネットワークトポロジーを定量的に評価し、特に周波数帯（α1、α2、β1、β2）ごとに「コア性（coreness）」を焦点として、コア-パーサイフ構造を同定した。
• 繰り返し測定分散分析（repeated measures ANOVA）を用い、脳領域および周波数帯ごとの相対的コア性のセッション間変化を評価した。
• セッションごとの相対的コア性とBCIパフォーマンス得点との間で繰り返し相関分析を実施し、予測可能なネットワーク特徴を同定した。
• 解剖学的および機能的パラセレーションに基づいて領域の選択（ROIs）を行い、R二乗指標を用いたコントラストマップを計算することで、タスク関連（EEG電極、周波数帯）ペアを選別した。

実験結果

リサーチクエスチョン

• RQ1 BCIトレーニングは、複数の周波数帯にわたり、M/EEG脳ネットワークのコア-パーサイフ構造にどのように変化をもたらすか？
• RQ2 EEGとMEGモダリティは、BCI学習中のネットワーク再編成検出において、どの程度異なる貢献を示すか？
• RQ3 多層ネットワークにおけるどの脳ネットワーク特性が将来のBCIパフォーマンスを予測するか。また、どの脳領域が最も予測的か？
• RQ4 EEGとMEGデータをマルチプレックス・ネットワークモデルに統合することで、単層モデルと比較して学習関連トポロジー的変化の検出能が向上するか？

主な発見

• トレーニング・セッションを通じて、α2帯における体性感覚領域の統合が段階的に増加した。特に長縫線回転部および島皮質の中央溝部でコア性が顕著に上昇（p < 0.005）。
• 同時に、β1帯において視覚処理および作業記憶領域の統合が有意に低下した。特に上側 temporoparietal 回および後部 cingulate 回で顕著（p < 0.05）。
• 将来のBCIスコアと有意に相関したのは、多層ネットワーク特性のうちα2帯に限ったものであった。体性感覚および意思決定関連領域（例：中前部cingulate gyrus）では正の相関（r = 0.45、p < 0.05）、連合領域（例：precuneus）では負の相関（r = -0.48、p < 0.05）。
• マルチプレックス（mux）モダリティでは、単一モダリティと比較してより高い予測能を示した。相対的コア性とBCIスコアとの間で、α2帯（r = 0.42、p < 0.05）およびβ1帯（r = -0.40、p < 0.05）で繰り返し相関が有意であった。
• 全モダリティで14のROIsで相対的コア性にセッション効果が観察された。特にα2帯で最も一貫した変化が見られ、例として長縫線回転部（p < 0.005）。
• コア-パーサイフ構造は、時間経過とともに多層ネットワークの寄与がよりバランスよくなるように進化し、安定した統合的ネットワーク状態への収束を示唆した。