[論文レビュー] Electroencephalography source connectivity: toward high time/space resolution brain networks

Mahmoud Hassan, Fabrice Wendling|arXiv (Cornell University)|Jan 8, 2018

Functional Brain Connectivity Studies参考文献 27被引用数 14

ひとこと要約

このチュートリアルレビューでは、高時間分解能および空間分解能を備えた動的脳ネットワーク構築のためのEEGソース結合を提案する。高度な信号処理を活用して、頭皮EEGから皮質ソース活動を再構築し、機能的結合を推定する。本手法は健常および病態的脳状態の両方における応用可能性を示し、非侵襲性、高時間分解能、空間局在化の向上という独自のバランスを特徴としている。

ABSTRACT

The human brain is a large-scale network which function depends on dynamic interactions between spatially-distributed regions. In the rapidly-evolving field of network neuroscience, two yet unresolved challenges are potential breakthroughs. First, functional brain networks should be estimated from noninvasive and easy to use neuroimaging techniques. Second, the time/space resolution of these techniques should be high enough to assess the dynamics of identified networks. Emerging evidence suggests that Electroencephalography (EEG) source connectivity method may offer solutions to both issues provided that scalp EEG signals are appropriately processed. Therefore, the performance of EEG source connectivity method strongly depends on signal processing (SP) that involves various methods such as preprocessing techniques, inverse solutions, statistical couplings between signals and network science. The main objective of this tutorial-like review is to provide an overview on EEG source connectivity. We describe the major contributions that the SP community brought to this research field. We emphasize the methodological issues that need to be carefully addressed to obtain relevant results and we stress the current limitations that need further investigation. We also report results obtained in concrete applications, in both normal and pathological brain states. Future directions in term of signal processing methods and applications are eventually provided

研究の動機と目的

• ネットワーク神経科学における非侵襲的で高分解能の脳ネットワーク推定のニーズに対応すること。
• 逆解法を用いて頭皮EEG記録から皮質ソース活動を再構築することで、EEGの空間分解能を向上させること。
• EEGを用いて高時間分解能で機能的結合の動的追跡を可能とすること。
• EEGソース結合における手法的課題を特定・解決し、信頼性の高い結果を得ること。
• 具体的な応用を通じて、正常および病態的脳状態における本手法の有効性を示すこと。

提案手法

• 頭皮EEG信号のノイズおよびアーチファクトを低減するための前処理技術の適用。
• 逆解法（例：最小ノルム推定、LORETA）を用いて頭皮EEG記録から神経ソースを局在化すること。
• 統計的結合測定法（例：コherエンス、位相差インデックス、重み付き位相差インデックス）を用いて再構築されたソース間の機能的結合を定量化すること。
• ネットワーク科学の原則を統合し、結合行列から大規模脳ネットワークをモデル化・分析すること。
• 既知の神経生理学的メカニズムおよび臨床データとの比較を通じて、結果の妥当性を検証すること。
• 健常およびてんかん状態の実際のEEGデータセットに本フレームワークを適用し、性能および信頼性を評価すること。

実験結果

リサーチクエスチョン

• RQ1 EEGソース結合は、どのように機能的脳ネットワークのマッピングにおいて高空間・時間分解能を達成するか？
• RQ2 頭皮EEGからの信頼性の高いソース再構築および結合推定に不可欠な信号処理技術は何か？
• RQ3 前処理、逆解法、結合測定法における手法的選択が、脳ネットワーク推論の妥当性にどのように影響を与えるか？
• RQ4 EEGソース結合は、標準的頭皮EEGや他の神経画像法に比べて、動的脳ネットワーク活動を捉える点でどのように優れているか？
• RQ5 臨床および認知神経科学への応用において、EEGソース結合の現在の限界および未解決の課題は何か？

主な発見

• EEGソース結合は、標準的頭皮EEGに比べて、ミリ秒単位の時間分解能と向上した空間局在化を実現した機能的脳ネットワーク推定を可能にする。
• 本手法は、健常な認知的タスクおよびてんかんなどの病態的状態において、動的脳ネットワーク活動の再構築に成功している。
• 信頼性の高い結果は、適切な前処理、正確な逆解法、適切な結合測定法に強く依存しており、位相に基づく測定法（例：PLI）が特に優れた性能を示している。
• ネットワーク科学とEEGソース結合を統合することで、大規模脳ネットワークトポロジーの特徴化および疾患に伴う変化の分析が可能になった。
• 有望な一方で、手法の不整合性やパrameter選択への感受性が依然として主な課題であり、さらなる調査が求められている。
• 本フレームワークは実世界の応用において検証されており、臨床および認知神経科学分野における実用性と関連性が示された。