文摘
对广泛的长期动态交互期间大脑皮层和皮层下网络和生物钟的周期。使用在控制发作时期大规模的癫痫患者颅内录音,我们调查了当地和远程同步多个脑区之间超过几天。对于这样的高维数据,汇总信息需要了解和底层动力学模型。在这里,我们建议一个紧凑而又有用的表示由一个状态空间给出基于第一主成分。使用这种表示法,我们报告,患者显著的相似性在不同的电极放置位置,看似复杂的大脑同步模式和生物钟的周期中可以用少量的特征动态模式。在这个空间中,行为状态之间的转换发生在特定的轨迹从一个模式到另一个。这些发现表明,在粗级别的时间分辨率,不同的大脑状态是与几个主要和生物钟同步模式,先后在激活状态。
1。介绍
虽然是了解大脑的功能体系结构,其大规模动力学仍然知之甚少。在这个宏观层面,大规模动态的存在证实了许多脑功能映射研究,表明多个分布式皮质perceptuomotor期间协调他们的活动的行为(1- - - - - -3]。相位同步是一个重要的候选人如此大规模集成,由神经组织在特定的乐队和进入精密锁相振荡有限的一段时间4,5]。也知道,这些大规模的协调模式受到剧烈的变化在不同的行为状态,可能是因为依赖政府的转变neuromodulatory平衡和丘脑的闸门感觉输入(6- - - - - -8]。一个主要挑战是确定控制全球大脑的自然演替的一般原则和生物钟在整个循环。最近,同时使用局部场电位记录在多个前脑区域在老鼠的行为,它已经表明,大脑的几个州(例如,安静的清醒、积极探索和慢波睡眠)可以表示为不同的集群在多维状态空间表示不同程度的同步本地和长途(9]。这些结果表明,大脑主要国家组成和生物钟的周期可以被识别的频率相关神经元协同涉及不同的振动水平在各个脑区和瞬态同步在大脑区域。出于这一研究中,我们调查了人类大脑的长期动态同步使用颅内癫痫患者的录音。在那些将要动手术的阶段评估,这些病人记录7 - 14天为了捕捉习惯性的癫痫发作。入侵从颅内电极脑电图记录是需要本地化焦癫痫活动和空间之间的关系来确定确切的癫痫中心活动和功能显著的地区。与头皮脑电图,颅内录音提供暂时远离癫痫病发作,发作是高度分化的正常的大脑活动,到毫米的空间分辨率。良好的空间分辨率和高信噪比的检测颅内电极已被证明有价值的大规模动态皮质之间的关系网络,在时间和频率域和允许一个可靠的本地和远程的分离机制(5,10]。
2。方法
2.1。数据库
我们从5科目耐火材料检查颅内录音部分癫痫那些将要动手术进行评估,住院2002年2月到2007年7月在巴黎- salpetriere医院癫痫单元。每个病人在几天连续记录(时间范围,9-20天;意思是时间,15天)和颅内电极(美国CA Nicolet采集系统;16位,带宽3 dB: 0.1 -150赫兹)。在400赫兹信号被数字化。4到10圆柱组成的电极接触深度2.3毫米长,直径1毫米,10毫米中心,安装在1毫米宽软塑料调查。硬膜下电极与4到8条单边圆接触,2.3毫米直径,中心到中心的分离和10毫米。预处理和植入后MRI扫描评估解剖学上,沿着电极轨迹精确定位每个联系人。网站植入物的选择不同的患者中,是完全用于临床。三个病人双边深度在海马体结合硬膜下电极条添加到样本横向或劣质颞皮质和额叶; two patients had only unilateral depth electrodes in various regions of the neocortex and hippocampus. (Patient 1: 47 channels; unilateral subdural strip electrodes covering the frontal lobe and basal regions of the temporal lobe; unilateral depth electrodes placed in the insula, amygdale, and hippocampus. Patients 2 and 5: 47 and 50 channels; bilateral subdural strip electrodes covering the basal regions of the temporal lobe, lateral, and posterior temporal cortex; bilateral depth electrodes placed in the hippocampus. Patient 3: 32 channels; unilateral depth electrodes placed in the basal regions of the temporal lobe, lateral temporal cortex, and frontal lobe. Patient 4: 38 channels; unilateral depth electrodes placed in basal regions of the temporal lobe, lateral temporal cortex, insula, and amygdala; bilateral depth electrodes placed in the hippocampus). An epileptologist visually evaluated the EEG recordings. Electrodes that exhibited interictal epileptiform discharges (i.e., clearly distinguishable spikes, sharp waves, or spike-and-waves complexes) were identified and were removed from the analysis. Waking and sleep stages were determined by video monitoring and confirmed by the visual inspection of the corresponding EEG recordings. Sleep was here mostly defined as nonrapid eye movement (NREM) periods by the presence of K-complexes (stage 2) or slow waves (stage 3-4).
2.2。大规模的同步分析
介绍了神经信号之间的相位同步分析,11)来克服传统方法无法解决的一些限制瞬时振幅和阶段(10]。“同步”一词用于其严格意义上说,作为一个统计测量两个信号的程度是短时期内锁相。最近的研究已经证明了这种方法的能力区别瞬态同步在颅内脑电图数据(12]。之后我们分析几个步骤:首先,从不重叠的信号,连续5秒钟时间与相应的带通滤波器,在一个特定的频率分量。第二,每个过滤窗口的瞬时相位提取通过希尔伯特变换。第三,一双脑电图渠道之间的相位锁定程度被审判的平均量化单位圆上的相位差异在复平面: 在哪里是数据点的数量在每一个时间窗口。这个锁相值(PLV) 0(独立信号)和1之间变化(常数两个信号之间的相位滞后)。
主成分分析
PCA方法对于识别数据中的模式的高维度和表达数据等方式来突出他们的异同。因为模式很难找到数据的维数大于3,豪华的图形表示不可用,主成分分析是一种强大的工具为“可视化”和“压缩”数据,通过减少尺寸的数量,没有多少损失的信息。PCA通常开始于大量的数据或“观察”向量,与尽可能多的组件系统变量。线性代数的方法允许一个特殊的选择,有序集的基向量,所谓的“主成分。“这些向量长度单位(欧几里得)和相互正交的,成对“点产品”等于零。第一个主成分向量代表一个单轴在空间。当你每一个观测向量投射到轴,结果形成一个新变量值。这个变量的方差是第一轴的最大之间所有可能的选择。第二主成分代表另一个空间轴,垂直于第一。预测观察到这个轴产生另一个新变量的方差是下一个最大的第二轴之间所有可能的选择,等等。主成分向量的全套包含尽可能多的元素原始变量的数量。 But it is common for the sum of the variances of the first few principal components to exceed, say, 80–90% of the total variance of the original data. By examining plots of these few new variables, researchers often develop a deeper understanding of the driving forces that generated the original data. In mathematical terms, the unordered set of principal component vectors is simply the set of eigenvectors of the covariance matrix of the observation vectors. The first principal component is the eigenvector with the largest eigenvalue, the second principal component corresponds to the next largest eigenvalue, and so on.
分层聚类
层次聚类使用一个所谓的“凝结的”方法,个别项目,也许模式,加入形成较大的组。然后加入这些组织一次又一次,直到这个过程已经完成,形成一个层次”树。“这层次聚类收益以简单的方式从一个初始状态,每个集群由一个单一的项目。首先,在选择公制或距离函数,所有可能对之间的距离矩阵(集群(的)()形成,两个最亲密的选择(或“最相似”)集群。这是第一个真正的阶段“集群”的过程。如果集群的几双有相同的分离距离,预定的规则是用于决定之间的选择。第二,两个选择集群合并产生一个新的、更大的集群。第三,这个新的集群之间的距离计算,所有剩余的集群。第四,这一过程持续进行迭代,直到一个集群,包括所有的个人物品,仍然存在。每当它是必要的,以确定这两个“亲密”,最相似集群,病房的方法:为每个集群对()之间的距离的平方和的所有项目综合集群和集群意味着(或质心)计算(13]。两人达到的最小测量被选为这一对组合,从而最大限度地发挥within-cluster同质性。假,小尺寸的集群被移除。最优分组之间的比率被定义为一个最小化的星团内和intercluster距离措施,生产使用价值的预期数量的集群。其他几个集群之间的距离的措施(例如,平均,重心,中等距离)进行了定性相似的结果。我们使用Matlab的实现统计工具箱(纳蒂克,Mathworks MA)。
整数阶
在以前的工作(12脑电图记录),连续5秒钟时间被同步矢量量化()特征的多频同步模式δ(0.5 4赫兹),θ(4 - 8 Hz),α(8日至13日Hz),β1 (13-20 Hz),β2 (20 - 30 Hz),和γ(30 - 50 Hz)频段。高频段> 50 Hz并不认为,因为相应的活动主要反映而且(< 100微秒)和低压事件,只有一个小暗示平均同步计算的窗户几秒钟。对于每一个窗口的时间和每一个频段,年代量化的两种不同类型的同步(5)(图1(a)): (i)本地同步,估计每个记录的光谱功率接触和反映frequency-specific求和的连贯的电流足够数量的细胞,产生外部检测局部场电位(5)和(2)远程同步锁相估计的值(PLV)为每一个可能的组合不同的联系人、描述颞大脑不同区域之间的关系在一个特定的频带(11]。所有成对的基础上计算,我们为每个联系人同步平均计算,定义为平均PLV之间接触和所有其他人。此外,分别对于每一个频段,本地和远程同步的所有值归一化最小和最大的所有记录接触生产标准化值有界在0和1之间。这个归一化因子用于调整数据,以弥补实验可变性和“平衡”的值从本地和远程同步相比。50通道的尺寸年代是通常,我们分析了~ 5×104时间窗口(2 - 4天)。减少这种高维甚至冗余数据较低维空间和发现隐藏的潜在因素控制动力学,我们使用了主成分分析(PCA)。主成分分析的年代导致的决心的底层模式描述网络状态,rank-ordered重要性,允许这些国家的代表不同的集群在一个低维状态空间(9]。前三个主成分(pc)年代被使用,通常代表了总方差的90%左右。为了减少小规模的可变性和平均微观结构产生大规模的时间结构,导致电脑进一步平滑移动平均滤波器一分钟的宽度。
3所示。结果
我们分析了长期颅内的录音5癫痫患者,连续记录EEG-video监测系统连续天(时间从38 103小时),一天之后的植入电极和几个小时之前第一次发作(分开10 48小时,取决于数据集)。患者继续服用抗癫痫药物的标准剂量在此期间。病人被植入电极深度和硬膜下电极分布在皮层下和皮层区域。电极的定位不同的患者中(见部分2。1)。我们观察到,前三个主成分能够识别和描述不同种类的几个州和生物钟的循环。虽然可能同步模式的数量可以是非常大的,我们发现,他们中的大多数占领一个l型的空间结构,在散射和密度图可以看出(图1(b))。在状态空间分布定量相似过几天(图1(c))。行为状态的病人的比较分析表明,清醒和睡眠状态的占领状态空间(图中的不同区域1(d))。当混合谱振幅的颜色在这个空间(9),可以描述三个隔离区域内主导频率(图1(e))。更高的γ值观察状态空间的特定区域内,主要与清醒状态有关。这个观察支持先前的报道显示,γ同步似乎清醒状态信息处理的关键。清楚地分开,更高的三角洲权力完全本地化的深度睡眠,也反映出最大距离spectral-coded伽马地区。最后,不同的睡眠纺锤波频率区域范围(12 - 15赫兹,α带图1(e))附近的局部区域与δ/缓慢振荡[14]。这三个领域的卓越频率隔离状态空间确认不同的同步模式映射不同的行为状态(9]。类似的模式并没有观察到只使用本地同步(即。,spectral powers), suggesting that long-range synchronizations between distant regions are required.
调查这些周期性结构更确切地说,所有的窗户都互相检查通过欧式距离相似(图在个人电脑的空间2)。目视检查的相关性矩阵显示大量的正相关性,表明许多窗户的产生是在连续天复发。层次聚类算法被用来重新安排时间以订单的相关矩阵相似(图3(a))。提出的相似性时,几家大型广场高度相关的值出现在矩阵的对角线,这表明windows可以分成几个集群自身非常相似。在几个大型集群的一个排序矩阵,有小subclusters更大的相关性(图3(a))。这些集群之间的关系和subclusters可以简洁地描述一个系统树图(图3(d))。每一行跨越不同层次的系统树图代表了不同的分组方式windows到集群。最好的聚类是定义最小值的星团内和intercluster距离之间的比率。我们发现大多数同步模式可以合理融入(图3 - 5的特征模式3(d)和3(c))。
进一步研究其全球动态结构,我们探索可能的因果关系矩阵的推导中的概率特征模式之间的过渡时间在2分钟(图3(d))。关于个人的内在稳定模式,睡眠状态代表最稳定的动力学,有最强的概率保持在相同的模式()。相比之下,我们观察到明显更大的内在不稳定性与觉醒相关的模式()。直接cluster-to-cluster近端模式之间的转换主要是确定状态空间,那些高概率(参见过渡矩阵图3(d)和箭头在图3(c))。直接cluster-to-cluster不相邻模式之间的转换是很少见的)。因此最常见的轨迹非常简单,显示,平均而言,倾向于遵循一个流访问先后相邻特征模式和生物钟州。测量这些动力结构的统计意义,有必要比较实际的数据是什么引起的机会。我们使用一个移动交换时间序列,保存原始的空间结构在电脑空间,但摧毁所有动力结构。过渡矩阵50打乱数据生成和最大矩阵构造为每一个病人。正如所料,这个过渡矩阵从重组获得数据暗示,首选cluster-to-cluster近端模式之间的转换只能在实际数据(图中找到3(d))。令人惊讶的是,尽管相当程度的interpatient变化是从不同的电极植入,将状态空间的l型分布在五个病人(图定量相似4)。此外,我们发现了一个惊人的相似性spectral-coded状态空间,包括三个种族隔离的三角洲地区,α/β,γ乐队。最后,全球治理动态结构的近端之间的轨迹模式保存在不同的患者。
4所示。讨论
无论使用的相对较小的样本量在目前的研究中,学科之间的可复制性测试结果使我们相信,全球大脑状态可以映射到低维空间中基于本地和远程同步的程度在多个皮质。自动聚类分析可以定量评估了这些不同的相似性同步模式和识别功能类别和它们之间的自然过渡。使用这种紧凑的表示,我们报告一个了不起的相似性在患者不同的电极放置的位置,期间复杂的大脑同步模式和生物钟的周期可以用少量的集群特征的皮质网络可以动态地操作。这些政权对应不同的全球大脑状态和与主要的发生和生物钟。
状态空间框架取得了令人鼓舞的结果,虽然我们的未来工作应解决几个问题。特别是,我们主要研究了整数阶的能力在跟踪全球大脑动力学在低时间分辨率和操作几簇,定量推断的层次聚类算法。困难之一是生理上的最小数量的确定有意义的集群。降维的问题是非常困难的,特别是当目标类别分类仍然未知。仍可能其他降维技术提供有用的生理特性和识别更具活力的状态。特别是未来的方法可以改善穷人的时间分辨率的状态空间方法,因为平滑过程。然而,考虑到相对缓慢的演化行为,这种缓慢的时间动态有可能被状态方程框架。
这个描述怎么能有用吗?状态方程框架提出这可能有利于睡眠阶段评分(即。分类的过程,不同的睡眠阶段)。的确,众所周知,大多数当前stage-coding方法,手动和自动的,面对一些重要的限制(15]。此外,我们的整数阶可能有助于更好地描述不同睡眠阶段之间的转换。事实上,根据Rechtschaffen和羽衣甘蓝的建议(16),大多数算法来识别和生物钟州基于脑电图特征隐式假设和生物钟的周期由几种断然不同稳定状态。这种方法往往会和生物钟的循环特征作为一个楼梯的过程,之间来回跳一组状态。这个楼梯案例表示的状态促进不切实际的视图状态转换发生的瞬间,它们之间没有中间时期,即使系统的动力学不清楚像任何预定义的州(9]。最后,在神经学的背景下,大规模的同步网络的干扰有牵涉到一些脑部疾病,如癫痫、精神分裂症、自闭症,和帕金森病(17]。我们全球大脑的整数阶动力学可能有助于确定病理改变大规模模式。特别是,这表示可能有助于确定癫痫脑和可能的动态波动描述长期癫痫病理转换(12,18]。
总的来说,我们现在的结果加强最近的观察在老鼠行为状态及其转换可以跨/前脑区域内被同步(9]。此外,我们的研究结果支持oscillation-mediated颞链接的作用,激活不同取决于正在进行的行为状态,在遥远的大脑区域之间的协调具体的信息传递(19]。此外,在早些时候提议(20.,21),我们的描述明确通用结构的大规模脑动力,也就是说,独立观察的特点考虑网络的特殊变异。在一起,这些结果提供新的见解的神经生理学相关的依赖方面人类大脑同步。我们预计,这种类型的综合量化将会发展的强大的应用程序行为状态的自动识别(22]。
承认
这项工作是支持的部分欧洲Union-FP7项目EPILEPSIAE(发展平台,提高生活期望的受试者患发作的事件,格兰特没有211713)。