密集したEEGからの中間てんかんネットワークの識別

てんかんはネットワーク病です。てんかんネットワークには通常、空間的に分布した脳領域が含まれます。これに関連して、非侵襲的M/EEGソース接続は、非侵襲的記録から皮質レベルで機能的な脳ネットワークを特定するための新たな手法です。このホワイトペーパーでは、EEGソース接続処理に関与する2つの重要な要因の効果を分析します。（i）EEG逆問題の解決に使用されるアルゴリズムと（ii）機能的接続性の推定で使用される方法。4つの逆ソリューションアルゴリズム（DSPM、WMNE、Sloreta、およびCMEM）と4つの接続性測定値（R 2、H 2、PLV、およびMI）を、生物物理学的/生理学的モデルを組み合わせてシミュレートして、頭皮に反映される現実的な中間てんかんスパイクを生成します。EEG。新しいネットワークベースの類似性インデックスを使用して、各逆/接続の組み合わせによって識別されたネットワークと、モデルで生成された元のネットワークを比較します。この方法は、薬物耐性局所てんかんの完全な術前評価を受けた1人のてんかん患者から記録された実際のデータにも適用されます。シミュレートされたデータでは、結果は、逆/接続性の組み合わせの選択が特定されたネットワークに大きな影響を与えることを明らかにしました。結果は、接続性を測定するための非線形法（非線形相関係数、位相同期、相互情報）が線形の方法（交差相関係数）よりも効率的であることを示唆しました。WMNE逆ソリューションは、DSPM、CMEM、およびSloretaよりも高いパフォーマンスを示しました。実際のデータでは、組み合わせ（WMNE/PLV）は、非侵襲的EEG記録から識別された中間性てんかんネットワークと、脳内EEG記録の接続分析から得られたネットワークとの間に非常に良好なマッチングをもたらしました。これらの結果は、ソース接続法が適切に構成されている場合、非侵襲的密度EEGデータからの発作性てんかんスパイクに関与するネットワークに関する高度に関連する診断情報を抽出できることを示唆しています。

Epilepsy is a network disease. The epileptic network usually involves spatially distributed brain regions. In this context, noninvasive M/EEG source connectivity is an emerging technique to identify functional brain networks at cortical level from noninvasive recordings. In this paper, we analyze the effect of the two key factors involved in EEG source connectivity processing: (i) the algorithm used in the solution of the EEG inverse problem and (ii) the method used in the estimation of the functional connectivity. We evaluate four inverse solutions algorithms (dSPM, wMNE, sLORETA and cMEM) and four connectivity measures (r 2, h 2, PLV, and MI) on data simulated from a combined biophysical/physiological model to generate realistic interictal epileptic spikes reflected in scalp EEG. We use a new network-based similarity index to compare between the network identified by each of the inverse/connectivity combination and the original network generated in the model. The method will be also applied on real data recorded from one epileptic patient who underwent a full presurgical evaluation for drug-resistant focal epilepsy. In simulated data, results revealed that the selection of the inverse/connectivity combination has a significant impact on the identified networks. Results suggested that nonlinear methods (nonlinear correlation coefficient, phase synchronization and mutual information) for measuring the connectivity are more efficient than the linear one (the cross correlation coefficient). The wMNE inverse solution showed higher performance than dSPM, cMEM and sLORETA. In real data, the combination (wMNE/PLV) led to a very good matching between the interictal epileptic network identified from noninvasive EEG recordings and the network obtained from connectivity analysis of intracerebral EEG recordings. These results suggest that source connectivity method, when appropriately configured, is able to extract highly relevant diagnostic information about networks involved in interictal epileptic spikes from non-invasive dense-EEG data.