[论文解读] 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 9

一句话总结

本研究探讨了基于运动想象的脑机接口（BCI）训练如何在多层M/EEG脑网络中引发核心-外围重组。通过将EEG和MEG数据整合到复合网络框架中，作者发现BCI学习会促进α2频段躯体感觉区域的逐步整合，同时在β1频段减少视觉和工作记忆区域的连接性——这些关键的网络变化与未来BCI表现密切相关。

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.

研究动机与目标

• 为了理解非侵入性BCI学习背后的神经网络重组机制，尽管其临床前景广阔，但目前仍理解不足。
• 通过结合EEG和MEG数据的多层网络方法建模脑动态，以解决BCI表现中的个体间差异问题。
• 识别特定的网络拓扑变化（尤其是核心-外围结构的转变），这些变化与未来BCI表现相关。
• 检验多模态（EEG+MEG）网络特性是否比单模态网络在预测BCI学习结果方面具有更强的预测能力。

提出的方法

• 基于20名健康、无BCI经验受试者在四个训练会话中采集的EEG和MEG数据，构建多层脑网络。
• 将EEG和MEG数据整合到复合网络结构中，每种模态构成一个独立图层，实现对频带特异性连接性的联合分析。
• 应用图论指标量化网络拓扑结构，重点关注‘核心度’以识别各频带（α1、α2、β1、β2）中的核心-外围组织。
• 使用重复测量方差分析评估各脑区和频带在会话间的相对核心度变化。
• 在会话间执行重复相关性分析，比较相对核心度与BCI表现得分的关系，以识别具有预测性的网络特征。
• 基于解剖学和功能图谱定义感兴趣区域（ROIs），并使用决定系数（R-squared）度量计算对比图，以选择与任务相关的（EEG电极、频带）配对。

实验结果

研究问题

• RQ1 BCI训练如何在多个频带中引发M/EEG脑网络的核心-外围架构变化？
• RQ2 EEG和MEG模态在检测BCI学习期间网络重组方面，其贡献程度有何不同？
• RQ3 在多层网络中，哪些脑网络特性可预测未来BCI表现，哪些脑区最具预测性？
• RQ4 将EEG和MEG数据整合到复合网络模型中，是否相比单层模型能更有效地检测与学习相关的拓扑变化？

主要发现

• 在训练会话中观察到α2频段躯体感觉区域整合程度逐步提高，岛叶长回和岛叶中央沟区域的相对核心度显著上升（p < 0.005）。
• 同时，在β1频段中，视觉处理和工作记忆区域的整合程度显著下降，尤其在颞上回和后扣带皮层区域（p < 0.05）。
• 仅在α2频段的多层网络特性中观察到与未来BCI得分的显著相关性：躯体感觉和决策相关区域呈正相关（如中前扣带回，r = 0.45，p < 0.05）；联合区域呈负相关（如楔前叶，r = -0.48，p < 0.05）。
• 复合模态（mux）的预测能力优于单模态，α2频段（r = 0.42，p < 0.05）和β1频段（r = -0.40，p < 0.05）中相对核心度与BCI得分的重复相关性显著。
• 在所有模态中，14个ROIs的相对核心度表现出显著的会话效应，其中α2频段的变化最为一致（如岛叶长回，p < 0.005）。
• 核心-外围结构随时间演变，多层网络的贡献趋于平衡，表明向稳定、整合的网络状态收敛。