文摘

近年来,功能连通性在《科学发展得到越来越多的关注。虽然据报道,早产的解剖连接大脑的发展大大在怀孕的最后几个月,对功能和有效的连接如何改变与成熟。本研究调查如何在早产儿的发展有效的连接。评估,我们使用脑电图测量和图论方法。我们从25早产婴儿记录数据,接受long-EEG监测在NICU期间至少两次。27周的记录发生postmenstrual年龄PMA (PMA),直到42周。结果表明EEG-connectivity,评估使用图论指标,从随机一个小时,能生成小世界网络,自聚类系数增加和路径长度减少。这种转变可能是由于丘脑皮层的连接的发展和远程皮层连接。基于网络的指数,我们开发了不同的age-prediction模型。最好的结果表明,它可以预测婴儿的年龄的根均方误差()= 2.11周。这些结果与文献中报道的年龄预测早产的婴儿。

1。介绍

大脑可以被看作是一个复杂的网络互动的区域和分层通信、约束的解剖学、但不限于它(1]。神经元集群可以一起工作和沟通执行联合任务超出了他们的结构位置。临床文献[2)区分从解剖一个这种类型的连接,这是通常被称为结构性的。这个功能性基础设施的结果是生成复杂的电生理模式,由遥远的脑区(暂时相关,3]。这些时空模式是动态的;他们根据个人发展变化的轨迹4]。特别是怀孕的最后三个月是大脑发育的时期,包括解剖重新布线(5)和电生理学的修改(6]。不同作者说明皮层区域进行分化,折叠,和gyrification,皮质下区域经验突触发生和髓鞘形成以及神经修剪建立丘脑皮层的连接或长途皮层连接(7,8]。基于核磁共振扫描的早产婴儿,杜布瓦等。8)表明,白质体积和内皮层表面随着孕周增加。此外,同一个作者(8,9]表明,分数各向异性(FA)大脑的纤维束随postbirth成熟,虽然不同的连接通路似乎以异步方式发展。根据Batalle et al。5],FA是衡量解剖方向性描述大脑区域之间的连接强度与密度和连接流线的百分比。Huppi和杜波依斯9)最终认为扩散张量成像参数,如各向异性,可以组织结构标记的网络功能5]。可能意味着时间相关的大脑区域也将改变自功能连通性与拓扑结构(1]。然而,功能连通性和成熟所知甚少10]。因此,功能连通性在发展科学近年来受到越来越多的关注1]。此外,不同的工具来描述功能连通性在过去的二十年。根据图像和斯波恩11),大脑网络可以表示成一个图,节点是大脑区域和边缘连接的优点。定义的节点是神经活动,而边缘定义时间序列之间存在耦合和相关的重量代表的耦合程度。Friston [12)识别功能连通性的两种主要类型:实际的功能连通性,负责调查的时间相关信号,有效连接,测量耦合的因果关系。前者并不意味着任何方向,第二个亮点区域或节点活动的其他的原因。功能连通性的方法生成无向图,而有效的连接方法与有向图(11]。在早产婴儿大脑的不同的研究5,13),神经活动已经使用功能磁共振成像测量。尽管这种神经成像技术可以研究皮层下结构,它是一个昂贵的方法并不适用于测量有效连接由于fMRI低时间分辨率(14]。相比之下,脑电图是一种适合测量有效连接,采用最近论文研究大脑连通性成熟(14,15]。这些研究的主要缺点是有限的调查成熟期或没有图论指标调查连通性变化。研究有效连接的长远发展基于EEG尚未执行。特别是,缺乏调查研究有效连接在早产儿出生,直到足月的年龄。此外,在文献中,有一些作品研究早产儿大脑连通性成熟从图形的角度来看5,13]。本研究的主要目的是全面调查的有效连接进化在早产儿出生后成熟,利用不同的网络指标(如[5])。特别是,我们测量了有效的连接通过转移熵(16和格兰杰因果17]。获得了有向图,不同图指标计算跟踪他们的进化从27岁到42 postmenstrual年龄(PMA)周。研究网络分析辅以回归预测病人的年龄和连通性分析的预测能力评估(在我们的一个先前的研究(15])。本文的组织结构如下:在部分2一起,我们介绍了模拟和实际数据集用于估计的方法有效的连接。节2应用图论指标进行了讨论。部分3报告的结果,而部分4包括我们的讨论报告的结果。

2。方法

2.1。数据

不同的数据集。为了显示一个模拟数据集还受雇于连通性分析如何执行在一个受控的情况下。特别是,仿真的主要目的是为了说明最常见的意义图指标用于文学。数据集组成的EEG信号的主要部分是成熟的研究。

2.1.1。模拟数据

第一个实验模拟的研究包括基于线性高斯回归模型(来自[18]),表达了以下方程:

的参数是一个标量值在0和1之间变化和影响之间的耦合的强度吗变量。的变量代表白噪声与单位方差。相关的图在图报道1。为了给读者一个清晰的了解图论的措施,仿真的目的是双重的:首先,我们研究了耦合的强度的影响,提供的参数 ,并展示的效果减弱变量之间的因果关系。其次,我们研究了噪声的影响使用不同级别的信噪比(信噪比),获得不同的白噪声的方差(1)。在后者的目的,使用AR时间序列模拟模型(1)和耦合与有效的连接方法讨论了估计在接下来的段落。我们还研究了过滤基于图形的影响指标的计算分数过滤信号,使用采样频率设定在200赫兹,1和80赫兹之间的带通滤波器应用于模拟数据。调查的影响过滤的原因是部分中解释2.3。带通频率得到从[19]。

2.1.2。脑电图数据

第二个数据集由25个早产儿,胎龄(GA)≤32周,他们招募了一批大的脑电图研究评估大脑发育和自动检测安静的睡眠时期(20.,21]。每个病人登记,通知父母同意在新生儿重症监护室(NICU)鲁汶大学医院的比利时。包括所有的科目好结果2年。与9电极脑电图记录( , , , , , , , ,和参考根据10 - 20)国际体系(大脑RT,用OSG设备,梅赫伦,比利时)。在连通性分析,渠道被忽视。测量在单位期间进行了两次,导致88年录音从postmenstrual年龄27周42周。同时记录脑电图是4小时55分钟。单极记录信号的采样频率250赫兹。两个独立的脑电图读者注释的数据不同的睡眠阶段,即安静睡眠(QS)和nonquiet睡眠(nq)时代。这个二进制人工分类的原因是由于难以区分活跃的睡眠从清醒状态非常年轻的孩子。

2.2。连通性分析

文献之间的有效连接提出了不同的方法来评估耦合时间序列,如直接传递函数(DTF),部分相干,或格兰杰因果检验(GCT) [22]。用这些方法,经常被定义为的耦合G-causality(23),在某种意义上,一个时间序列Granger-causes另一个当过去一个时间序列的值显著解释另一个的进化。尽管格兰杰本人指出有限的适用性的双变量情况下,最近出版的有条件的多元格兰杰因果(cMVGC) [24克服了这个问题。根据(23,25),这些方法都是基于相同的多变量或向量自回归(VAR)模型。然而,他们可以展示不同方面的因果关系分析。而DTF估计可达性从一个到另一个频道(也是定义G-influentiability由(23]),PDC和cMVGC调查直接积极的两个渠道之间的联系,定义为g连接(23]。这两个方法研究相同的连通性模型在两个不同的领域,即频率(PDC)和时间(cMVGC)域。因为在本文中,我们主要是感兴趣的时域耦合,我们选择了cMVGC的自回归(AR)和信息动态实现,分别描述(18,24]。

2.2.1。格兰杰因果关系

第一个方法用来评估g连接脑电图的渠道之一是格兰杰因果与VAR建模框架(GC)。在目前的研究中,我们遵循制定的24]。一个阶多变量自回归模型VAR ()的形式 在哪里是一家集过程 ,而和分别是,回归系数矩阵和随机过程的剩余工资。在有条件的情况下(24),我们想知道成对的影响过程在考虑其他的存在变量,可以写成 在哪里和感兴趣的是两个时间序列,而代表第三组变量参与分析。在我们的研究中,和可以两个变量在(1),例如,和 ,例如,两个脑电图渠道和 。因此,将一个向量时间序列包含剩余的吗在(1)或剩下的脑电图渠道。基于VAR ()模型(2)和分裂中定义(3),我们会解释的未来基于以下完整,减少回归: 在这两种情况下我们认为调节变量 ,尽管只有第一个模型认为明确的影响 。不同的是还强调了由两个回归系数矩阵和 。为了测试是否系数矩阵明显不同于零,?的格兰杰因果关系被定义为对数似然比 在哪里和残差的协方差矩阵吗和 。基于这个多元框架,基本上G-causality量化减少预测误差,如果变量添加解释性变量的 ,其中一个是变量(24]。格兰杰因果关系检验仅限于与经典的双变量的情况下,我们的定义有条件的多元格兰杰因果关系。条件的场景的一种特殊情况是成对条件G-causality,成对的有效耦合在所有的变量和包含在测量。因为我们在考虑寄生效应由于存在其他变量(即。之间的耦合和受制于其他变量的存在),成对的被定义为有条件的牺牲品 这是一个 矩阵,的过程,包含所有成对的耦合估计。这些数量可能被视为一个加权有向图,也被称为G-causal图,和矩阵相关的邻接矩阵 。G-causality是计算与多元格兰杰因果工具箱(24]在MATLAB中实现(美国马Mathworks,纳蒂克)。

2.2.2。传递熵

第二种方法应用于评估g连接在脑电图渠道传递熵。根据动力学框架的信息(16),预计Kullback-Leibler散度定义了熵(TE)转移的过程来处理如下: 在哪里 的条件概率有时是由过去的价值观和与各自的记忆顺序和 。 的条件概率有时只是解释过去的价值观 。 三个变量的联合概率分布 , , 。熵本质上意味着方向(即转移。,effective connectivity), since it is asymmetric and contains transition probabilities [16,26]。为了估计信息动态耦合,Montalto et al。18)指出,TE相当于两个条件熵的区别(CE)

对(7),变量在这里介绍。在多变量分析中,我们不能歧视排斥两个进程之间的关系(17,24]。然而,它是可能的调查时间序列的贡献在时间序列的进化对所有其他的代理商参与分析。因此,我们可以定义作为一个向量变量不包含也不作为过去的价值观和说明了信息的转移来考虑到其他时间序列。如果我们假设 , , 有一个联合高斯分布,两个CE (8)可以表示为向量的线性回归过去的值的变量参与多元系统如下:

第一个方程解释了与回归向量 ,在那里 , , 近似分别 , , 一个向量的大小如下: 第二个方程解释了与回归向量 ,它只包含 , 。方程(9)通常被称为完整的和受限制的回归。读者可以很容易地识别相同的格兰杰因果关系的结构方程(4),这是渐近等价转移熵(16]。在前面的结果,可以写成 在哪里和白噪声残差的方差(9)。除了一个标量因素,(11)是相同的表达式(5)。重要的是要注意,TE估计g连接在一个条件框架。在目前的研究中,TE熵已经计算使用沉默的工具箱(18]在MATLAB中实现(美国马Mathworks,纳蒂克)。

2.2.3。图论指数

有效的连接方法生成一个邻接矩阵描述一个加权有向图24),被称为G-causal图。与二元网络,这些图往往是完全或完全没有一个特定的阈值和邻接矩阵是不对称的。自耦合的最大数量 (是信号的数量),图论措施可以用来总结因果连接(27]。虽然没有最小理论的图节点数量,8脑电图通道可以被认为是相当有限的图表分析。然而,有研究神经处理文献中应用图论在有限数量的时间序列为了给高密度的简明视图(或完成)网络(27,28),特别是如果sources-level而言。图像和斯波恩11]说明列表来描述图形拓扑的措施,如平均特征路径长度,聚类系数和直径。边的路径长度代表了最小数量达到每个图中其他节点从一个特定的节点。平均路径长度的平均节点的最短路径,可以认为是衡量网络集成的能力(5]。后者也可以调查通过聚类系数。在加权网络的情况下,聚类系数被定义为平均强度的所有三角形(每个节点29日]。一个共同的整体测量节点的平均聚类系数,定义在一个类似的平均路径长度的方法。最后一个指数来评估集成能力图的直径。让节点偏心是最大图像距离从网络中的一个节点到其他节点(30.]。然后定义为最大直径偏心率的图。所有这些指数计算由于大脑连通性工具箱(31日]在MATLAB中实现(美国马Mathworks,纳蒂克)。此外,我们也因果密度计算的总和所有重要邻接矩阵的耦合,所定义的(32]。与网络指标、光谱指数谱半径、光谱差异,代数连接被认为是。谱半径和光谱指数是绝对最大特征值和第一个和第二个的区别绝对邻接矩阵的特征值,分别为(33,34]。谱半径,俗称“网页排名”,是网络中一个节点的优势程度,值越高,越高的主导节点网络的中心。换句话说,中心的主要节点的行为为中心(33]。看着主导地位的变化的另一种方法是光谱差异:如果第一和第二特征值之间的区别在图矩阵减少,特征值最高的节点(谱半径)不太主流的网络中其他节点。然而,埃斯特拉达和波多野34)认为,光谱差异表现来衡量聚类的无向图:在较低的光谱值差距的情况下,图形可以呈现小集群网络。最后一个光谱测量是代数的连接,这是第二个拉普拉斯算子矩阵的最小特征值它展示了如何轻松地图可以分为集群(30.]。在一个有向图的情况下,拉普拉斯算子矩阵可以得到如下: 在哪里是邻接矩阵获得上述有效的连接工具和吗是矩阵的关联程度图35]。所有的概述图指数据报道在表1。

2.3。算法的管道和统计分析

根据不同的作者(19,36),过滤可以添加伪连接有效的连通性分析或使底层格兰杰因果VAR模型的估计不稳定。虽然理论下的因果关系评估已经证明不变性过滤,G-causality工作在实践中,如果且仅如果数据是静止的。使用过滤的意思是到达平稳性与过滤已经调查(36]。然而,三个主要原因可以破坏这种方法。第一个原因是增加的VAR模型估计的拟合过滤后的过程的理论无限用一个数值有限的秩序。这可能导致一个贫穷,不健壮,参数估计,甚至不稳定的VAR模型,这是第二个原因,避免带通滤波。最后一个原因是托普利兹矩阵的病态的自相关序列 ,这对于VAR模型估计是必要的。所有相关的理论细节解释(36]。实际带通滤波的缺点VAR模型订单的大幅增加而增加的未加工的数据或假阳性检测连接链接与GC [36)和PDC (19]。特别是,错误检测的数量增加而缩小过滤频带或增加过滤器的顺序。一般来说是没有区别的FIR和IIR滤波的作者。然而,在这两项研究[19,36),切口过滤和微分(或在1 Hz高通滤波)指出方法保持低VAR模型秩序和减少错误检测,甚至比未处理的数据。这些方法有助于实现平稳性或维持低VAR模型秩序几乎像脑电图的非平稳过程。此外,趋势或季节性的存在可以增加单位根的时间序列(波兰人在单位圆上或在复平面外),这违反了协方差平稳性的假设。在存在单位根,VAR模型的脉冲响应振荡或发散到无穷。因此,建议消除趋势和季节性一阶微分或分化不同滞后(陷波滤波)。理论和数值的细节不同类型的过滤报告(24,36]。考虑到所述文献的结果,一方面,我们决定调查过滤在模拟数据和的影响,另一方面,我们应用只在50 Hz,切口过滤100赫兹和分化脑电图数据以减少非平稳时间序列。然而,脑电图可以影响肌肉的工件,可以分散在不同的电极和偏见的连接性分析。为了减轻这种效果,我们应用典型相关分析(CCA)删除造成的工件(EMG信号的变化37]。调查CCA的影响分析,我们比较的输出连接在两个场景分析:第一个没有考虑CCA的用法;第二个应用CCA和重建EEG删除3来源与最低的自相关。在第一种情况下,作者分段的脑电图5 s windows和列出的有效耦合的方法计算。在第二个场景中,CCA是应用于5 s脑电图段。然而,在执行任何连接性分析之前,我们重组片段在30年代间隔为了增加重建脑电图的秩矩阵。这一步是必需的因为GC和TE请求数据不存在共线性(即。,时间序列矩阵不能rank-deficient [24])。窗口长度是建议进一步保持时间序列平稳性(24]。对于每个记录,我们计算脑电图的邻接矩阵连接段,我们平均QS时代和nq时代。这个平均步骤没有考虑耦合值未达到统计上的显著水平。根据(18,24),GC和TE遵循一个渐近分布,如统计数据。因此,一个以及实现测试的意义之间的耦合脑电图渠道和所有的耦合 被设置为0。因此, 耦合图了,88是录音的总数,2是采用因果关系的方法,2是考虑数量的睡眠状态。平均矩阵计算上述网络指标,从而导致一个张量 ,7是图的数量特征和4是组合的数量考虑连接方法和睡眠状态的数量(TE QS, TE nq、QS GC, GC在nq)。对于每一个功能,我们评估的成熟趋势三个独特的年龄组(≤31日 ,≥37 PMA周)值(差),差在哪里四分位范围。此外,我们之间的皮尔逊相关系数计算变量的年龄和每个单一特征及其统计显著性计算。这些结果是为了给一个总体概述功能成熟的趋势为每个连接方法,对于每一个睡眠状态,有或没有CCA预处理。此外,我们计算一个普通最小二乘法(OLS)回归为每个单一特征的GC在QS和相关的置信区间 ,为了给任何网络的可视化表示指数的预测能力。特别是,我们将随机单图索引数据集100次70%的训练集和30%的测试集和我们计算测试集上的预测误差根均方误差, ,如图所示,38]。此外,每个片张量(一个矩阵 )是目前用来预测病人的年龄与多元线性回归的记录。类似于单一特征的方法,我们随机分割数据集100次,在38),我们评估在每个迭代中,在测试集。指数和以及统计数据计算。

3所示。结果

在接下来的段落,获得的结果在模拟和真实的数据集进行了讨论。特别是,我们将展示如何网络指数表现在这两个例子中,模拟数据和脑电图数据集成熟。最后一部分总结了这些图的预测能力指标来推断postmenstrual年龄的主题。

3.1。模拟研究

数据2(一个),2 (b),2 (c)显示的集成图形指标AR模型中定义的(1),其网络如图1。在原始模型( 图),提出了两种截然不同的集群,松散连接的节点1和节点4和5之间的边缘。这两个枢纽结构是反映在数字2(一个)和2 (b)。当星团内连通性高( ),聚类系数达到最高水平,而路径长度在最低水平。这些结果符合峰会或小世界网络(11]。然而,当系数开始减少,聚类系数按比例减少,而路径长度增加。谱半径减少和消失的值 ,的聚类系数。数据2 (d),2 (e),2 (f)显示网络之间的比率指标估计通过转移从模拟时间序列熵和最初的措施(特别是在(d), ,在(e), ,在(f),)。不同的噪音水平已经被使用。结果很简单的聚类系数和谱半径:信噪比越高,两个指标的值越高,越接近原始值(数据2 (d)和2 (f))。在路径长度的情况下,绝对值与更高的信噪比下降。然而,估计价值就类似于原始的一个非常低的噪声方差(图2 (e))。数据2 (d),2 (e),2 (f)也显示了影响图上的带通滤波指数估计。最引人注目的结果是与路径长度和聚类系数有关。估计聚类系数往往低估了,而估计路径长度往往是持续高于原来的。相反,谱半径的比率的过滤行为类似使用原始数据获得。

3.2。脑电图数据:图指数

图3显示了邻接矩阵图指标获得使用脑电图测量和格兰杰因果QS QS (GC)。数据3(一个),3 (b),3 (c),3 (d)显示安装的散点图OLS回归模型,而数字3 (e)和3 (f)显示集群系数和路径长度动态在三个不同的年龄组。正如前面提到的部分2.3,图3提供了一个可视化表示的趋势图功能,而表2和3提供一个完整的概述所有耦合方法和睡眠状态。每个单一特征有一个重要的趋势随着年龄的增长,尽管皮尔森相关系数增加当CCA作为预处理步骤。具体来说,聚类系数的趋势,谱半径,和光谱差距是负的,而随着年龄的增长路径长度增加。这个结果是持续在每个方法和每个睡眠状态。GC的连通性削弱QS也报道图4,这显示了三个不同的年龄组的平均连接图。三个面板显示时间序列之间的耦合减少减少箭头的宽度和颜色从红色变成蓝色。表4报告结果年龄预测多元线性模型,结合所有的网络特性。所有的模型可以预测婴儿的年龄记录的2到3周和CCA模型总是比模型没有CCA作为预处理步骤。此外,解释方差()较高的模型,包括CCA。它也是有趣的注意,最好的预测结果与GC期间获得QS ( PMA周, PMA周)。表4不报告一个模型估计的结果,但中间值和四分位范围(差)的100年的评估参数引导迭代。在每一个迭代中,模型被证明是重要的报道值列在表4( )。

4所示。讨论

在目前的研究中,我们量化的有效在早产儿大脑连接跟踪他们的成熟。虽然有一些研究调查新生儿的连接(4,5)及其变化在生命的第一天(短熟化期)(14),这是第一个研究来追踪成熟广泛使用因为它使得基于脑电图有效连接在早产患者成熟时期,从出生到足月的年龄。我们所知,磁共振成像(8和功能磁共振成像10]是跟踪成熟度的主要方法。然而,功能磁共振成像是只适用于功能连通性,正如上面所讨论的。在本文中,我们比较两个著名的方法来估计之间的耦合过程,如GC和TE。根据获得的连接矩阵,我们估计网络集成和光谱指数加权图。这些特性被用来预测在记录病人的年龄。相同的过程是应用于模拟数据集研究网络措施表现在一个受控的情况下。

4.1。模拟数据集

根据(11),图聚类系数高和低路径长度像峰会网络,而图聚类系数低和高路径长度表示一个随机网络,那里边的数量为每个节点通常是分布式的。图1肖像两个俱乐部网络,节点相互连接一段短距离的路。这导致高聚类系数和较低的路径长度时,耦合系数等于1。然而,当减少,星团内连接减弱和图变得更类似于一个随机网络。这种类型的图形的特点是低聚类系数和高的路径长度:实际上,节点不连接彼此间更均匀的网络。这个结果还支持之间的正比例谱半径和耦合系数。另一个有趣的问题是相关的过滤。图2清楚地说明了聚类系数和路径长度估计可以高度过滤的影响。这些结果与分析(36),这表明,粗心的过滤可以添加伪连接时间的课程。在我们的模拟,过滤的影响削弱了星团内连接(添加intercluster连接)。净效应是减少聚类系数和路径长度的增加。因此,我们决定只应用一个陷波滤波器和分化在脑电图作为预处理步骤。

4.2。脑电图数据

在文献中,许多研究可以发现评估儿童和青少年的大脑成熟图论(1,4,10)和一些论文集中在早产儿大脑成熟的网络指标(5,13]。第一个在我们的研究结果是随着年龄的变化有效的连接。尽管舒马赫et al。14)使用一种不同的方法,他们还得出结论,有一个变化主要由产后成熟有效的连接。除此之外,我们已经能够证明连接和PMA的存在关系。在这项研究中,我们还观察到图参数的变化,表明EEG-scalp网络从峰会网络转移到一个更随机网络。集成和光谱指数下降随着年龄的增长,除了路径长度,这反映了种族隔离的节点由于更高的图像距离以及在节点本身没那么强烈的三角模式。Hub-networks俱乐部因为他们中央节点聚类系数高,周围的三角形模式。相反,一个随机网络提出了节点,连接到网络中的其他节点弱耦合。净效应是一种低聚类系数和高的路径长度。这个normal-distributed网络的出现也证实了光谱的减少差距,谱半径,代数连接。后者两个指标强调轻松可以集群和负面趋势图模块或组的建议没有图。相反,前者的负面趋势指数应该建议增加模块,如图所示,34]。然而,由于光谱差距也成反比的路径长度,它的减少表明,谱半径不占统治地位的对其他特征值33]和它成为另一个衡量模块化像其他两个光谱指数。多变量模型的结果进一步凸显了在年轻的年龄从峰会网络转移到一个更随机一个足月的年龄。特别是,最低在测试集大约是2.11周相比,其他的研究(15,39]。最后,重要的是要注意,这些负面趋势图功能是一致的为每一个有效的连接方法和每个睡眠状态。乍一看,似乎我们获得的结果在矛盾与成熟的趋势,可以发现在儿童或青少年,从随机转向峰会网络已经被发现了。然而,它应该考虑的,一方面,只有9电极在头皮上被使用,由于早产儿大脑的体积小,另一方面,有一个大脑的快速发展在这段监测时间内不同轨迹的不同脑区(40]。这个组合进化主要由不同的皮质小板块消失时间大脑的不同区域(40]。特别是,两个主要的变化发生。第一个是丘脑皮层的连接的快速发展相比,corticocortical的(5]。从一种类型的连接转移到另一只发生在后来年龄(41];因此,成熟过程可能导致的“分离”节点,在这项研究中所反映的结果。简而言之,EEG-scalp连接成为弱的皮质和皮质下区域之间的联系加强。第二个重要的变化是时代和短程corticocortical连接之间的负相关,如图所示,5通过功能磁共振成像)。在[5),研究结果表明,发展速度比短的长距离连接。此外,前者的发展特点是加强联系和削弱的短程耦合1]。因此,EEG电极/节点(衡量短程连接)倾向于把对方,路径长度的增加和减少的聚类系数。这个假设也支持的减少fronto-frontal和occipito-occipital功能耦合测量通过功能磁共振成像(5]。这个隔离可以强调的事实有几个婴儿头皮电极。然而,与高密度脑电图研究早产儿(13)发现头皮脑电图增加模块化网络和中央后网络聚类系数降低,而中央前网络的聚类系数增加。这个结果可以确认隔离或更多本地集成的大脑网络由于短程连接的修剪,也显示(42在成人和儿童之间的比较。重要的是要注意,这两个模型没有CCA发现同样的趋势,但源过滤模型的预测能力增强。EMG构件可能扰乱了连通性分析和有偏见的预测模型在第一考虑的场景。

5。结论

在目前的研究中,我们调查了因为它使得基于脑电图有效在早产儿大脑连接,其PMA从27岁到42周不等。结果表明,EEG-graphs随年龄变化的拓扑。特别是,聚类系数和成熟的谱半径减小,而路径长度增加。这种观点表明,脑电图图从一个小世界网络转移到一个随机网络。这个明显的节点的隔离可以导致丘脑皮层的连接的发展和加强远程皮层连接。age-prediction误差最低的是2.11 PMA周(QS用GC),这是与文献结果一致。源过滤方法的应用,像CCA,可以提高连接的性能分析。

信息披露

本文只反映作者的观点和工会不承担任何使用可能包含的信息。

的利益冲突

作者宣称没有利益冲突有关的出版。接收到的资金在确认不会导致任何利益冲突。

确认

这项研究支持Bijzonder Onderzoeksfonds KU鲁汶(转炉):围产期压力的影响在早产婴儿(没有后来的结局。C24/15/036);iMinds医疗信息技术(SBO, 2016);比利时联邦科技政策办公室,IUAP没有。P7/19 / (DYSCO、动力系统、控制和优化,“2012 - 2017年);比利时外交事业发展合作(VLIR uo计划(2013 - 2019));和欧盟:研究导致这些结果已收到资金从欧洲研究理事会在欧盟第七框架计划(fp7/2007 - 2013) /伦理委员会先进格兰特:BIOTENSORS(没有。339804)。a . Caicedo是博士后研究员昏聩voor Wetenschappelijk Onderzoek-Vlaanderen (FWO),由弗拉芒政府支持。m . Lavanga是某人博士研究员昏聩voor Wetenschappelijk Onderzoek-Vlaanderen (FWO),由弗拉芒政府支持。