Обзор мобильной ЭЭГ
#neuroimaging
Публикация: Niso, G., Romero, E., Moreau, J. T., Araujo, A., & Krol, L. R. (2022). Wireless EEG: An Survey of Systems and Studies. NeuroImage, 119774.
На днях в Neuroimage вышел обзор, сопоставляющий характеристики 44 устройств регистрации беспроводной ЭЭГ, а также рассматривающий ключевые исследования с использованием этого метода.
На основе этого обзора можно сформировать список вопросов, на который следует ответить, прежде чем выбирать подходящее вам устройство:
- Нужен ли широкий захват активности с различных областей мозга или достаточно регистрировать ее с пространственно ограниченной небольшой области?
- Понадобятся ли данные о дополнительной физиологической активности (движениях глаз, сокращениях сердца, дыхании, мышечной активности)?
- Что важнее – комфорт пользователя или качество сигнала? В первом случае допустимо использование сухих электродов, не требующих нанесения геля на скальп. Впрочем, оптимизация их конфигурации и использование проводящих полимеров, графена и прочих материалов минимизируют их чувствительность к шуму. Также доступно использование промежуточного варианта – влажных электродов, окруженных губкой с солевым раствором.
- Важна ли возможность проверять импеданс, определяющий качество контакта электрода со скальпом, непосредственно во время регистрации активности?
- Какие спектральные характеристики сигнала будут представлять интерес? Это обусловит допустимую частоту дискретизации с учетом теоремы Найквиста – Шеннона, в соответствии с которой что для любого периодического сигнала заданной частоты требуется частота дискретизации, более чем в два раза превышающая частоту сигнала, чтобы точно определить его присутствие.
- Необходимо ли отслеживать сигнал в режиме реального времени, на каком расстоянии и с какой допустимой задержкой? В зависимости от этого выбирается оптимальный протокол беспроводной передачи данных (по Bluetooth или через Wi-Fi), а также протокол передачи данных в пакеты обработки (стандартом является LSL).
- Какой длины записи будут регистрироваться? Это определит необходимое количество часов работы устройства от аккумулятора.
Обзор исследований с использованием мобильной ЭЭГ выделил четыре основные сферы применения:
- Когнитивный мониторинг: регистрация ЭЭГ в реальном времени для оценки характеристик той или иной когнитивной деятельности (например, уровня внимания или усталости) и – в ряде случаев – обеспечения обратной связи.
- Клинические цели: диагностика заболеваний, длительный мониторинг патологических состояний на протяжении 24 часов с возможностью пациента свободно перемещаться, спать и т. д.
- Коммуникация и контроль: использование мозговой активности для управления внешними устройствами (в частности, роботизированными конечностями).
- Методологические проверки самих устройств.
Как сами подчеркивают авторы, несмотря на широту охваченных параметров сопоставления, обзор не касается самого важного критерия выбора устройства (помимо мобильности передвижений) – качества регистрируемого сигнала. Этот параметр сильно зависит от дизайна исследования: например, допустимые пороги качества отличаются для спектрального анализа ЭЭГ или для регистрации ранних усредненных вызванных ответов ЭЭГ на стимул. Поэтому для более полноценного сопоставления портативных ЭЭГ-устройств важно использование стандартизованных процедур оценки. Вдохновиться можно ERP CORE ( набором парадигм для регистрации основных вызванных потенциалов ЭЭГ человека) и сопоставлять получаемые с помощью портативной ЭЭГ результаты в условиях, когда участник сидит, стоит или перемещается. В качестве метрики качества сигнала можно использовать standardized measurement error, не так давно разработанную для универсальной оценки качества вызванных потенциалов.
#neuroimaging
Публикация: Niso, G., Romero, E., Moreau, J. T., Araujo, A., & Krol, L. R. (2022). Wireless EEG: An Survey of Systems and Studies. NeuroImage, 119774.
На днях в Neuroimage вышел обзор, сопоставляющий характеристики 44 устройств регистрации беспроводной ЭЭГ, а также рассматривающий ключевые исследования с использованием этого метода.
На основе этого обзора можно сформировать список вопросов, на который следует ответить, прежде чем выбирать подходящее вам устройство:
- Нужен ли широкий захват активности с различных областей мозга или достаточно регистрировать ее с пространственно ограниченной небольшой области?
- Понадобятся ли данные о дополнительной физиологической активности (движениях глаз, сокращениях сердца, дыхании, мышечной активности)?
- Что важнее – комфорт пользователя или качество сигнала? В первом случае допустимо использование сухих электродов, не требующих нанесения геля на скальп. Впрочем, оптимизация их конфигурации и использование проводящих полимеров, графена и прочих материалов минимизируют их чувствительность к шуму. Также доступно использование промежуточного варианта – влажных электродов, окруженных губкой с солевым раствором.
- Важна ли возможность проверять импеданс, определяющий качество контакта электрода со скальпом, непосредственно во время регистрации активности?
- Какие спектральные характеристики сигнала будут представлять интерес? Это обусловит допустимую частоту дискретизации с учетом теоремы Найквиста – Шеннона, в соответствии с которой что для любого периодического сигнала заданной частоты требуется частота дискретизации, более чем в два раза превышающая частоту сигнала, чтобы точно определить его присутствие.
- Необходимо ли отслеживать сигнал в режиме реального времени, на каком расстоянии и с какой допустимой задержкой? В зависимости от этого выбирается оптимальный протокол беспроводной передачи данных (по Bluetooth или через Wi-Fi), а также протокол передачи данных в пакеты обработки (стандартом является LSL).
- Какой длины записи будут регистрироваться? Это определит необходимое количество часов работы устройства от аккумулятора.
Обзор исследований с использованием мобильной ЭЭГ выделил четыре основные сферы применения:
- Когнитивный мониторинг: регистрация ЭЭГ в реальном времени для оценки характеристик той или иной когнитивной деятельности (например, уровня внимания или усталости) и – в ряде случаев – обеспечения обратной связи.
- Клинические цели: диагностика заболеваний, длительный мониторинг патологических состояний на протяжении 24 часов с возможностью пациента свободно перемещаться, спать и т. д.
- Коммуникация и контроль: использование мозговой активности для управления внешними устройствами (в частности, роботизированными конечностями).
- Методологические проверки самих устройств.
Как сами подчеркивают авторы, несмотря на широту охваченных параметров сопоставления, обзор не касается самого важного критерия выбора устройства (помимо мобильности передвижений) – качества регистрируемого сигнала. Этот параметр сильно зависит от дизайна исследования: например, допустимые пороги качества отличаются для спектрального анализа ЭЭГ или для регистрации ранних усредненных вызванных ответов ЭЭГ на стимул. Поэтому для более полноценного сопоставления портативных ЭЭГ-устройств важно использование стандартизованных процедур оценки. Вдохновиться можно ERP CORE ( набором парадигм для регистрации основных вызванных потенциалов ЭЭГ человека) и сопоставлять получаемые с помощью портативной ЭЭГ результаты в условиях, когда участник сидит, стоит или перемещается. В качестве метрики качества сигнала можно использовать standardized measurement error, не так давно разработанную для универсальной оценки качества вызванных потенциалов.
В поисках золотого стандарта обработки данных МЭГ и ЭЭГ (пост об узконаправленной профессиональной боли)
#neuroimaging #resources
Все время работы в сфере нейровизуализации я сталкиваюсь с тем, что почти у каждого исследователя – своя кухня обработки данных активности мозга. Более того, с накоплением опыта я сама изменяю свои внутренние критерии принятия того или иного решения в обработке, делая их менее и менее субъективными.
На семинарах по анализу МЭГ/ЭЭГ я специально показываю своим студентам ситуации, в которых тот или иной подход или метод анализа не срабатывает или выдает искаженные результаты. Эти примеры демонстрируют, что, к сожалению, пока не разработан золотой стандарт по выбору универсальных параметров обработки, соблюдающих баланс между частотными и временными характеристиками, между шумом и значимым сигналом, между точностью локализации активности мозга и ее пространственной ограниченностью и т. д. Отсутствие этого золотого стандарта вносит свой вклад в кризис репликации результатов исследований.
Тем не менее, существуют публикации, которые содержат ряд рекомендаций или наблюдений по обработке данных и проведению исследований, которые могут оказаться полезными:
1. FLUX: пайплайн по анализу МЭГ
В пайплайне задаются параметры снижения шума с учетом конфигурации сенсоров, избавления от артефактов, построения пространства кортикальных источников достаточного разрешения для реконструкции их активности. В пайплайне делается акцент на анализе мощности именно осцилляторной активности, поэтому в качестве способа решения обратной задачи используется пространственная фильтрация на основе кросс-спектральной матрицы с использованием DICS-бимформера. Скрипты пайплайна для MNE Python и FieldTrip находятся в открытом доступе. С одной стороны, пайплайн не изобилует деталями и некоторые результаты реконструкции активности источников на первый взгляд не кажутся "чистыми", но, с другой стороны, за каждым шагом и параметром стоит эксплицитно обозначенная логика. Пайплайн вполне можно использовать для самообразования или в качестве отправной точки для анализа данных, в которых важны осцилляторные характеристики сигнала. Также отдельно ценно, что в конце каждого скрипта авторы прилагают текст с примером того, как излагать параметры каждого этапа в публикациях или при пре-регистрации исследования для возможности последующей репликации.
2. PREP: пайплайн по анализу ЭЭГ
Этот пайплайн касается предобработки ЭЭГ с большим акцентом на работе с плохими каналами (для ЭЭГ это более актуально, чем для МЭГ) и с выбором устойчивого референта. Доступны скрипты на MATLAB и плагин для тулбокса EEGLAB (выбор, как мне кажется, не самый оптимальный, потому что у EEGLAB меньше степеней свободы, чем у Brainstorm или FieldTrip).
3. Сопоставление бимформеров в разных тулбоксах
В этой публикации с использованием симуляций и реальных данных сопоставляются результаты пространственной фильтрации с помощью бимформеров в основных тулбоксах: MNE Python, Brainstorm, FieldTrip и DAiSS. Для любителей MNE Python результаты неутешительные, потому что для высоких значений соотношения сигнал-шум ошибка локализации источников при использовании этого тулбокса оказалась высока. Самым устойчивым оказался Brainstorm, хотя в ряде ситуаций пространственное разрешение результатов было не самым лучшим. Код с пайплайнами доступен по этой ссылке.
#neuroimaging #resources
Все время работы в сфере нейровизуализации я сталкиваюсь с тем, что почти у каждого исследователя – своя кухня обработки данных активности мозга. Более того, с накоплением опыта я сама изменяю свои внутренние критерии принятия того или иного решения в обработке, делая их менее и менее субъективными.
На семинарах по анализу МЭГ/ЭЭГ я специально показываю своим студентам ситуации, в которых тот или иной подход или метод анализа не срабатывает или выдает искаженные результаты. Эти примеры демонстрируют, что, к сожалению, пока не разработан золотой стандарт по выбору универсальных параметров обработки, соблюдающих баланс между частотными и временными характеристиками, между шумом и значимым сигналом, между точностью локализации активности мозга и ее пространственной ограниченностью и т. д. Отсутствие этого золотого стандарта вносит свой вклад в кризис репликации результатов исследований.
Тем не менее, существуют публикации, которые содержат ряд рекомендаций или наблюдений по обработке данных и проведению исследований, которые могут оказаться полезными:
1. FLUX: пайплайн по анализу МЭГ
В пайплайне задаются параметры снижения шума с учетом конфигурации сенсоров, избавления от артефактов, построения пространства кортикальных источников достаточного разрешения для реконструкции их активности. В пайплайне делается акцент на анализе мощности именно осцилляторной активности, поэтому в качестве способа решения обратной задачи используется пространственная фильтрация на основе кросс-спектральной матрицы с использованием DICS-бимформера. Скрипты пайплайна для MNE Python и FieldTrip находятся в открытом доступе. С одной стороны, пайплайн не изобилует деталями и некоторые результаты реконструкции активности источников на первый взгляд не кажутся "чистыми", но, с другой стороны, за каждым шагом и параметром стоит эксплицитно обозначенная логика. Пайплайн вполне можно использовать для самообразования или в качестве отправной точки для анализа данных, в которых важны осцилляторные характеристики сигнала. Также отдельно ценно, что в конце каждого скрипта авторы прилагают текст с примером того, как излагать параметры каждого этапа в публикациях или при пре-регистрации исследования для возможности последующей репликации.
2. PREP: пайплайн по анализу ЭЭГ
Этот пайплайн касается предобработки ЭЭГ с большим акцентом на работе с плохими каналами (для ЭЭГ это более актуально, чем для МЭГ) и с выбором устойчивого референта. Доступны скрипты на MATLAB и плагин для тулбокса EEGLAB (выбор, как мне кажется, не самый оптимальный, потому что у EEGLAB меньше степеней свободы, чем у Brainstorm или FieldTrip).
3. Сопоставление бимформеров в разных тулбоксах
В этой публикации с использованием симуляций и реальных данных сопоставляются результаты пространственной фильтрации с помощью бимформеров в основных тулбоксах: MNE Python, Brainstorm, FieldTrip и DAiSS. Для любителей MNE Python результаты неутешительные, потому что для высоких значений соотношения сигнал-шум ошибка локализации источников при использовании этого тулбокса оказалась высока. Самым устойчивым оказался Brainstorm, хотя в ряде ситуаций пространственное разрешение результатов было не самым лучшим. Код с пайплайнами доступен по этой ссылке.
Корреляции ЭЭГ-коррелятов
#neuroimaging
Публикация: Päeske, L., Uudeberg, T., Hinrikus, H. et al. Correlation between electroencephalographic markers in the healthy brain. Sci Rep 13, 6307 (2023).
Когда записи активности мозга (например, ЭЭГ) попадают в руки тех, кто их обрабатывает, велик соблазн, не имя продуманной гипотезы, свести весь анализ к поисковой стратегии и вычислить на основе этих данных огромное количество всевозможных маркеров. Есть маркеры, обладающие очевидной информативностью: например, когда мы закрываем глаза, в затылочных отведениях на ЭЭГ увеличивается выраженность альфа-ритма (8-12 Гц). Или, например, когда регистрируется ЭЭГ у пациента с эпилепсией, велика вероятность наблюдать в данных наличие межсудорожных разрядов (острых пиков с волной). Есть маркеры менее очевидные, не обязательно базирующиеся на прямых допущениях о физиологии мозга. К этим маркерам относятся показатели из теории информации или метрики нелинейность. По своему опыту могу сказать, что прибегание к таким маркерам часто может мотивироваться ситуацией, когда, например, исследуемое заболевание не вызывает очевидных изменений в ЭЭГ на уровне спектральной плотности мощности (PSD) и других стандартных оценок.
Многообразие того, что можно вычислить на основе ЭЭГ, порождает вопрос о том, насколько получаемые маркеры независимы и может ли оказаться избыточным использование некоторых из них. Позавчера в Scientific Reports вышла статья, отвечающая на этот вопрос.
Что было сделано
У 80 здоровых добровольцев записали ЭЭГ с 30 электродов в состоянии покоя. На основе полученных записей вычислили следующие маркеры:
1. Частотные маркеры:
- PSD, спектральная плотность мощности;
- Среднее PSD внутри стандартных частотных диапазонов (тета, альфа, бета, гамма).
2. Маркеры динамики внутри каждого канала (привожу только названия, по своей сути они отражают нелинейные характеристики временного ряда):
- HFD, фрактальная размерность Хигучи;
- DFA, показатель детрендированного флуктуационного анализа;
- LZC, cложность Лемпеля — Зива;
3. Маркеры связности между каналами:
- SL, синхронизированная вероятность;
- MI, взаимная информация;
- MSC, реальная часть когерентности (квадратичная когерентность);
- ImC, мнимая часть когерентности.
Результаты
В итоге получилось 12 маркеров и, соответственно, 66 пар их сопоставления. Больше половины пар маркеров (37 из 66) продемонстрировали значимую корреляцию. При этом корреляция между маркерами внутри одной из трех категорий не ниже, чем между маркерами из разных категорий. Фрактальная размерность Хигучи, синхронизированная вероятность, взаимная информация и мощность альфа-ритма характеризовались наибольшим числом корреляций с другими маркерами.
Интересна отрицательная корреляция между динамическими показателями (категория 2) и частотными показателями (категория 1, кроме мощности гамма-ритма). Поскольку динамические показатели не зависят от масштаба данных, эта корреляция должна объясняться механизмами, не связанными с мощностью сигнала или конкретной осцилляторной компоненты.
В исследовании маркеры вычислялись без привязки к расположению сенсоров, и это необходимо учесть в последующих репликациях.
Итоги
С одной стороны, исследование указывает на зависимые группы маркеров, что важно само по себе как методический результат. С другой стороны, показатели, для которых обнаружилась высокая корреляция со многими другими, потенциально могут использоваться как универсальные диагностические маркеры, раз они чувствительны сразу к нескольким характеристикам сигнала.
#neuroimaging
Публикация: Päeske, L., Uudeberg, T., Hinrikus, H. et al. Correlation between electroencephalographic markers in the healthy brain. Sci Rep 13, 6307 (2023).
Когда записи активности мозга (например, ЭЭГ) попадают в руки тех, кто их обрабатывает, велик соблазн, не имя продуманной гипотезы, свести весь анализ к поисковой стратегии и вычислить на основе этих данных огромное количество всевозможных маркеров. Есть маркеры, обладающие очевидной информативностью: например, когда мы закрываем глаза, в затылочных отведениях на ЭЭГ увеличивается выраженность альфа-ритма (8-12 Гц). Или, например, когда регистрируется ЭЭГ у пациента с эпилепсией, велика вероятность наблюдать в данных наличие межсудорожных разрядов (острых пиков с волной). Есть маркеры менее очевидные, не обязательно базирующиеся на прямых допущениях о физиологии мозга. К этим маркерам относятся показатели из теории информации или метрики нелинейность. По своему опыту могу сказать, что прибегание к таким маркерам часто может мотивироваться ситуацией, когда, например, исследуемое заболевание не вызывает очевидных изменений в ЭЭГ на уровне спектральной плотности мощности (PSD) и других стандартных оценок.
Многообразие того, что можно вычислить на основе ЭЭГ, порождает вопрос о том, насколько получаемые маркеры независимы и может ли оказаться избыточным использование некоторых из них. Позавчера в Scientific Reports вышла статья, отвечающая на этот вопрос.
Что было сделано
У 80 здоровых добровольцев записали ЭЭГ с 30 электродов в состоянии покоя. На основе полученных записей вычислили следующие маркеры:
1. Частотные маркеры:
- PSD, спектральная плотность мощности;
- Среднее PSD внутри стандартных частотных диапазонов (тета, альфа, бета, гамма).
2. Маркеры динамики внутри каждого канала (привожу только названия, по своей сути они отражают нелинейные характеристики временного ряда):
- HFD, фрактальная размерность Хигучи;
- DFA, показатель детрендированного флуктуационного анализа;
- LZC, cложность Лемпеля — Зива;
3. Маркеры связности между каналами:
- SL, синхронизированная вероятность;
- MI, взаимная информация;
- MSC, реальная часть когерентности (квадратичная когерентность);
- ImC, мнимая часть когерентности.
Результаты
В итоге получилось 12 маркеров и, соответственно, 66 пар их сопоставления. Больше половины пар маркеров (37 из 66) продемонстрировали значимую корреляцию. При этом корреляция между маркерами внутри одной из трех категорий не ниже, чем между маркерами из разных категорий. Фрактальная размерность Хигучи, синхронизированная вероятность, взаимная информация и мощность альфа-ритма характеризовались наибольшим числом корреляций с другими маркерами.
Интересна отрицательная корреляция между динамическими показателями (категория 2) и частотными показателями (категория 1, кроме мощности гамма-ритма). Поскольку динамические показатели не зависят от масштаба данных, эта корреляция должна объясняться механизмами, не связанными с мощностью сигнала или конкретной осцилляторной компоненты.
В исследовании маркеры вычислялись без привязки к расположению сенсоров, и это необходимо учесть в последующих репликациях.
Итоги
С одной стороны, исследование указывает на зависимые группы маркеров, что важно само по себе как методический результат. С другой стороны, показатели, для которых обнаружилась высокая корреляция со многими другими, потенциально могут использоваться как универсальные диагностические маркеры, раз они чувствительны сразу к нескольким характеристикам сигнала.
Подпороговое сокрытие данных нейровизуализации: когда статистики не достаточно
#neuroimaging #metascience
Публикация: Taylor, P. A., Reynolds, R. C., Calhoun, V., Gonzalez-Castillo, J., Handwerker, D. A., Bandettini, P. A., ... & Chen, G. (2023). Highlight Results, Don't Hide Them: Enhance interpretation, reduce biases and improve reproducibility. Neuroimage, 120138.
В Neuroimage появилась публикация, призывающая приводить в статьях все результаты исследования, даже те, которые не характеризуются статистической значимостью или находятся ниже заданного порога. На текущий момент это не является типичной практикой: очень часто в тексте публикации "выживает" лишь небольшая часть того, что действительно было получено при обработке данных. Это затрудняет репликацию исследований и проведение мета-анализов, а также приводит к искажениям в интерпретации со стороны читателей и самих авторов.
На графике представлен пример двух вариантов визуализации результатов. В первом случае (A) демонстрируются только кластеры, соответствующие статистически значимой активации, во втором случае – вся карта активации и выделенные значимые кластеры. Во втором случае (B) заметно, что мощность активации во многих незначимых кластерах близка к мощности значимых кластеров, поэтому игнорировать такую активацию полностью в рамках интерпретации, как произошло в первом случае, было бы ошибочно.
Также при демонстрации исключительно "надпороговых" результатов возникают и иные проблемы:
- Бинаризация активности мозга, несмотря на то что в реальности он не работает в режиме "ON/OFF";
- Отсутствие отрицания нулевой гипотезы не означает ее подтверждение, поэтому мы не можем быть на 100% уверены в том, что в "подпороговых" регионах отсутствует эффект, так что исключать эти регионы было бы статистически некорректным;
- Исключение из графиков "подпороговых" результатов не позволяет сформировать понимание причины того, почему они оказались ниже порога, что именно происходит с распределением мощности сигнала в этих регионах;
- "Подпороговые" регионы могут явно демонстрировать наличие артефактов, которые не очевидны при их исключении из графиков.
В статье представлены примеры по визуализации на основе открытого датасета фМРТ, объясняющие возможные расхождения в результатах, получаемых в предыдущих публикациях по этому датасету, а также общие полезные практические рекомендации.
#neuroimaging #metascience
Публикация: Taylor, P. A., Reynolds, R. C., Calhoun, V., Gonzalez-Castillo, J., Handwerker, D. A., Bandettini, P. A., ... & Chen, G. (2023). Highlight Results, Don't Hide Them: Enhance interpretation, reduce biases and improve reproducibility. Neuroimage, 120138.
В Neuroimage появилась публикация, призывающая приводить в статьях все результаты исследования, даже те, которые не характеризуются статистической значимостью или находятся ниже заданного порога. На текущий момент это не является типичной практикой: очень часто в тексте публикации "выживает" лишь небольшая часть того, что действительно было получено при обработке данных. Это затрудняет репликацию исследований и проведение мета-анализов, а также приводит к искажениям в интерпретации со стороны читателей и самих авторов.
На графике представлен пример двух вариантов визуализации результатов. В первом случае (A) демонстрируются только кластеры, соответствующие статистически значимой активации, во втором случае – вся карта активации и выделенные значимые кластеры. Во втором случае (B) заметно, что мощность активации во многих незначимых кластерах близка к мощности значимых кластеров, поэтому игнорировать такую активацию полностью в рамках интерпретации, как произошло в первом случае, было бы ошибочно.
Также при демонстрации исключительно "надпороговых" результатов возникают и иные проблемы:
- Бинаризация активности мозга, несмотря на то что в реальности он не работает в режиме "ON/OFF";
- Отсутствие отрицания нулевой гипотезы не означает ее подтверждение, поэтому мы не можем быть на 100% уверены в том, что в "подпороговых" регионах отсутствует эффект, так что исключать эти регионы было бы статистически некорректным;
- Исключение из графиков "подпороговых" результатов не позволяет сформировать понимание причины того, почему они оказались ниже порога, что именно происходит с распределением мощности сигнала в этих регионах;
- "Подпороговые" регионы могут явно демонстрировать наличие артефактов, которые не очевидны при их исключении из графиков.
В статье представлены примеры по визуализации на основе открытого датасета фМРТ, объясняющие возможные расхождения в результатах, получаемых в предыдущих публикациях по этому датасету, а также общие полезные практические рекомендации.
Human Neocortical Neurosolver — от нейрона к сенсорам (почти)
#neuroimaging #programming #resources
Давно не пополняла коллекцию полезных тулбоксов. Несколько дней назад вышла новая версия библиотеки HNN (Human Neocortical Neurosolver) на Python (с описанием исходного программного обеспечения можно ознакомиться в этой публикации).
Ценность этой библиотеки в том, что в очень user-friendly формате она позволяет соотносить МЭГ/ЭЭГ данные с клеточной активностью нейронов, их порождающей. Работать можно, в частности, с вызванными потенциалами или осцилляторной активностью. На фоне оптимистичности подхода можно выделить два ограничения:
1. Фактически основной ингредиент тулбокса — это моделирование активности кортикальных источников в виде первичного тока с использованием биофизической модели нейронов. Соотнесение же с измерениями на МЭГ/ЭЭГ сенсорах осуществляется за счет сопоставления смоделированной активности кортикальных источников и той, которая была реконструирована на основе МЭГ/ЭЭГ с помощью методов решения обратной задачи. Решение обратной задачи в этом случае — отдельный изолированный шаг. О сложностях, которые его могут сопровождать, я писала в одном из предыдущих постов. Получается, что биофизическая модель описывает переход с микроуровня клеток на макроуровень кортикальных источников, но не на уровень сенсоров. Т. е. на выходе мы получаем сопоставление моделей “нейрон-диполь” и “сенсор-диполь”. Это очевидным образом может порождать искажения.
2. Сама используемая биофизическая модель опирается на архитектуру колонок пирамидальных нейронов неокортекса и не затрагивает иные возможные архитектуры. Впрочем, сами используемые параметры (пропорции возбуждения/торможения, специфичные для каждого слоя синаптические взаимодействия и характеристики спайковой активности) обеспечивают некоторые степени свободы.
Несмотря на текущие ограничения подхода, он открывает пространство для тестирования гипотез. В частности, с помощью HNN получилось сформировать предсказания об источниках спонтанных бета-осцилляций в неокортексе, которые затем были подтверждены на основе инвазивных данных мышей и обезьян.
На видео — пример симуляции вызванной активности. А по этой ссылке можно найти пример скрипта, который решает обратную задачу для соматосенсорной вызванной активности, наблюдаемой в МЭГ-данных, а затем моделирует сеть нейронов, репродуцирующую активность соответствующих источников.
#neuroimaging #programming #resources
Давно не пополняла коллекцию полезных тулбоксов. Несколько дней назад вышла новая версия библиотеки HNN (Human Neocortical Neurosolver) на Python (с описанием исходного программного обеспечения можно ознакомиться в этой публикации).
Ценность этой библиотеки в том, что в очень user-friendly формате она позволяет соотносить МЭГ/ЭЭГ данные с клеточной активностью нейронов, их порождающей. Работать можно, в частности, с вызванными потенциалами или осцилляторной активностью. На фоне оптимистичности подхода можно выделить два ограничения:
1. Фактически основной ингредиент тулбокса — это моделирование активности кортикальных источников в виде первичного тока с использованием биофизической модели нейронов. Соотнесение же с измерениями на МЭГ/ЭЭГ сенсорах осуществляется за счет сопоставления смоделированной активности кортикальных источников и той, которая была реконструирована на основе МЭГ/ЭЭГ с помощью методов решения обратной задачи. Решение обратной задачи в этом случае — отдельный изолированный шаг. О сложностях, которые его могут сопровождать, я писала в одном из предыдущих постов. Получается, что биофизическая модель описывает переход с микроуровня клеток на макроуровень кортикальных источников, но не на уровень сенсоров. Т. е. на выходе мы получаем сопоставление моделей “нейрон-диполь” и “сенсор-диполь”. Это очевидным образом может порождать искажения.
2. Сама используемая биофизическая модель опирается на архитектуру колонок пирамидальных нейронов неокортекса и не затрагивает иные возможные архитектуры. Впрочем, сами используемые параметры (пропорции возбуждения/торможения, специфичные для каждого слоя синаптические взаимодействия и характеристики спайковой активности) обеспечивают некоторые степени свободы.
Несмотря на текущие ограничения подхода, он открывает пространство для тестирования гипотез. В частности, с помощью HNN получилось сформировать предсказания об источниках спонтанных бета-осцилляций в неокортексе, которые затем были подтверждены на основе инвазивных данных мышей и обезьян.
На видео — пример симуляции вызванной активности. А по этой ссылке можно найти пример скрипта, который решает обратную задачу для соматосенсорной вызванной активности, наблюдаемой в МЭГ-данных, а затем моделирует сеть нейронов, репродуцирующую активность соответствующих источников.
YouTube
HNN Event Related Potential
Visualization of cortical activity underlying event related potentials as simulated by the Human Neocortical Neurosolver (HNN). Colors in the network correspond to membrane potential.
This media is not supported in your browser
VIEW IN TELEGRAM
BIOMAG-2024. Начало
#neuroimaging
Волей странного сочетания детерминизма и стечения обстоятельств меня занесло с нейронаучным докладом на край света — в Австралию. Именно там сейчас проходит крупная международная конференция по биомагнетизму, известная как BIOMAG. Поэтому в ближайшие дни буду оставлять заметки по мотивам того, что на ней обсуждалось.
Сегодняшний keynote speaker профессор Том Карлсон осветил исследования того, как мозг распознаёт зрительные стимулы, а именно — формирует так называемые кортикальные репрезентации (то, как стимулы кодируются мозгом), и категоризирует их (например, определяет, что перед ним изображение лица или дома). Ниже — интересные нюансы этого направления.
🌀 Приятная специфика исследований репрезентаций заключается в том, что вам не обязательно заставлять участников выполнять сложную задачу: достаточно предъявлять стимулы, и репрезентации “выскакивают” сами собой.
🌀 Как поймать эти репрезентации? Можно декодировать активность мозга, связанную с разными категориями стимулов, и пытаться ответить на вопрос о том, как бы выглядел или категоризировался стимул, если бы обрабатывался определенным образом релевантными зонами мозга (например, первичной зрительной корой). Имеет смысл полагать, что чем лучше стимулы разных категорий декодируются, тем меньше пересечений между их репрезентациями.
🌀 Репрезентации эволюционируют во времени. Один и тот же стимул может иерархично присваиваться разным категориям. На основе декодирования МЭГ было установлено, что более абстрактные и обобщающие категории (например, одушевлённость/неодушевлённость) формируются позднее, чем индивидуализированные и детальные. На видео как раз представлена эволюция формирования категорий относительно начала предъявления стимулов. Чем дальше друг от друга стимулы, тем менее схожи их мозговые репрезентации.
🌀 Имеет смысл вводить в исследования стимулы с неоднозначными категориями. Например, роботы или игрушки мозг категоризирует не столько в терминах одушевлённости/неодушевлённости, сколько в терминах человекообразности, в частности, агентности и способности к субъективному опыту.
🌀 Долгое время в исследованиях зрительного восприятия существовал интерес к распознаванию лиц. Сейчас произошло переключение на еду, особенно в свете обнаружения зоны мозга, чувствительной к этому типу стимулов. Свежее же исследование показало, что категоризацию съедобных и несъедобных стимулов мы осуществляем в пределах 100 мс, а позже оцениваем степень её готовности или калорийность. Были также упомянуты ещё не опубликованные результаты: существует серийная зависимость в восприятии еды — например, восприятие низкокалорийного арбуза заставляло участников недооценивать калорийность предъявляемого следом бургера и т. д.
🌀 Из методологически полезных замечаний, пригодных и для анализа репрезентаций, и в целом для моделирования в нейронауках: метрика “noise ceiling” позволяет оценить максимально возможный перфоманс модели с учётом уровня шума в данных. Основное допущение заключается в том, что различия в мозговых ответах на повторяющиеся одинаковые стимулы порождаются именно шумом и даже идеальная модель не могла бы формировать безупречные предсказания. “Noise ceiling” показывает, какая часть дисперсии данных порождается именно стимулом и объяснима идеальной моделью, а какая — шумом. Поправка на это помогает точнее оценить объяснительную мощность модели в контексте имеющихся данных.
#neuroimaging
Волей странного сочетания детерминизма и стечения обстоятельств меня занесло с нейронаучным докладом на край света — в Австралию. Именно там сейчас проходит крупная международная конференция по биомагнетизму, известная как BIOMAG. Поэтому в ближайшие дни буду оставлять заметки по мотивам того, что на ней обсуждалось.
Сегодняшний keynote speaker профессор Том Карлсон осветил исследования того, как мозг распознаёт зрительные стимулы, а именно — формирует так называемые кортикальные репрезентации (то, как стимулы кодируются мозгом), и категоризирует их (например, определяет, что перед ним изображение лица или дома). Ниже — интересные нюансы этого направления.
Please open Telegram to view this post
VIEW IN TELEGRAM
BIOMAG-2024. Не MNE Python единым
#neuroimaging #resources #programming
После вынужденного перерыва продолжаю серию постов по мотивам конференции BIOMAG. В этом посте представлен перечень инструментов, которые упоминались на конференции и могут пригодиться для анализа нейроданных, если вам не хватает стандартных средств (в частности, MNE Python и др.)
🔖 pyspi
Библиотека на Python, с помощью которой на основе многомерных временных рядов (например, ЭЭГ или фМРТ) можно вычислять многочисленные парные взаимодействия с использованием нескольких десятков метрик, начиная от обычных ковариаций и заканчивая различными видами энтропии.
🔖 HMM-MAR
Этот тулбокс пригодится, если вам нужно сегментировать многомерные нейроданные на квазистатичные состояния. Подход, который реализует этот инструмент, встраивается в логику обнаружения так называемых микросостояний ЭЭГ или МЭГ, но при этом позволяет строить модель с учётом осцилляторных характеристик сигнала и вероятностей перехода из одного состояния в другое.
🔖 GARDEL
Софт для автоматической сегментации и локализации инвазивных электродов стерео-ЭЭГ. Также возможно автоматически соотносить расположение электродов с анатомическими атласами.
🔖 DUNeuro
Библиотека на C++, позволяющая решать уравнения с частными производными для нейронаучных задач, в частности, для построения прямой модели МЭГ/ЭЭГ. Есть основания полагать, что прямая модель, полученная с помощью DUNeuro более точная и реалистичная, чем классические сферические модели или BEM-модель, используемые в MNE Python или Brainstorm. У библиотеки есть интеграция в стандартные пайплайны Python или MATLAB.
🔖 MNEflow
Питоновский пакет, дружелюбный относительно MNE Python, который можно использовать для применения алгоритмов глубокого обучения к МЭГ/ЭЭГ. Лично для меня ценно, что в пакете есть базовые средства, обеспечивающие интерпретируемость некоторых моделей.
🔖 HNN
Тулбокс для биофизического моделирования МЭГ/ЭЭГ. О нём я подробно писала ранее.
🔖 BESA
Проприетарное программное обеспечение для различных видов анализа нейроданных. С его помощью можно и локализовывать кортикальные источники, и оценивать функциональную связность, и проводить соответствующий статистический анализ. Также доступны отдельные пакеты для автоматического обнаружения межсудорожных разрядов или приступов в данных пациентов с эпилепсией.
#neuroimaging #resources #programming
После вынужденного перерыва продолжаю серию постов по мотивам конференции BIOMAG. В этом посте представлен перечень инструментов, которые упоминались на конференции и могут пригодиться для анализа нейроданных, если вам не хватает стандартных средств (в частности, MNE Python и др.)
Библиотека на Python, с помощью которой на основе многомерных временных рядов (например, ЭЭГ или фМРТ) можно вычислять многочисленные парные взаимодействия с использованием нескольких десятков метрик, начиная от обычных ковариаций и заканчивая различными видами энтропии.
Этот тулбокс пригодится, если вам нужно сегментировать многомерные нейроданные на квазистатичные состояния. Подход, который реализует этот инструмент, встраивается в логику обнаружения так называемых микросостояний ЭЭГ или МЭГ, но при этом позволяет строить модель с учётом осцилляторных характеристик сигнала и вероятностей перехода из одного состояния в другое.
Софт для автоматической сегментации и локализации инвазивных электродов стерео-ЭЭГ. Также возможно автоматически соотносить расположение электродов с анатомическими атласами.
Библиотека на C++, позволяющая решать уравнения с частными производными для нейронаучных задач, в частности, для построения прямой модели МЭГ/ЭЭГ. Есть основания полагать, что прямая модель, полученная с помощью DUNeuro более точная и реалистичная, чем классические сферические модели или BEM-модель, используемые в MNE Python или Brainstorm. У библиотеки есть интеграция в стандартные пайплайны Python или MATLAB.
Питоновский пакет, дружелюбный относительно MNE Python, который можно использовать для применения алгоритмов глубокого обучения к МЭГ/ЭЭГ. Лично для меня ценно, что в пакете есть базовые средства, обеспечивающие интерпретируемость некоторых моделей.
Тулбокс для биофизического моделирования МЭГ/ЭЭГ. О нём я подробно писала ранее.
Проприетарное программное обеспечение для различных видов анализа нейроданных. С его помощью можно и локализовывать кортикальные источники, и оценивать функциональную связность, и проводить соответствующий статистический анализ. Также доступны отдельные пакеты для автоматического обнаружения межсудорожных разрядов или приступов в данных пациентов с эпилепсией.
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
BIOMAG-2024. ЭМГ — второе дыхание человеко-машинных интерфейсов?
#neuroimaging
В один из дней конференции BIOMAG состоялось выступление Александра Грамфорта, который едва ли нуждается в представлении: если вы занимаетесь обработкой ЭЭГ/МЭГ или используете машинное обучение для нейроданных, велика вероятность, что вы так или иначе пользуетесь тулбоксами или алгоритмами Грамфорта и его команды.
Своё же выступление Грамфорт посвятил не мозговой активности, а мышечной, а именно поверхностной электромиографии (ЭМГ), регистрируемой с помощью накожных электродов с запястья. Далее — некоторые технические и концептуальные takeaways.
💋 Фильтры на основе MVDR (minimum variance distortionless response) позволяют обнаружить спайковую активность в поверхностной ЭМГ. Эти фильтры нацелены на минимизацию дисперсии выходных данных. Такая минимизация осуществляется за счёт подавления шумов и помех и сохранения целевого сигнала нетронутым.
💋 В стандартных сценариях интерфейсы мозг/человек-компьютер требуют дополнительной калибровки. Возможно ли построить универсальные (generic) интерфейсы, не требующие калибровки? У этого есть ограничения. Читатели моего канала уже привыкли к моему рантингу на тему плохой воспроизводимости ЭЭГ-коррелятов. Когда же Грамфорт показал ЭМГ-ответы, связанные с простыми движениями пальцем разных людей, стало ясно, что и мышечная активность слишком индивидуальна для каждого участника. Это сопроводилось данными о высоких ошибках классификации универсальной модели независимо от тренировки участников, что указывает на плохую генерализуемость ЭМГ.
💋 Рецептом к созданию универсальных ЭМГ-интерфейсов Грамфорт считает сбор большого объема чистых данных (благо что ЭМГ собирать легко) и увеличение размера вычислительных моделей. Берём гору данных и алгоритмическую махину — “and then ML magic happens” (c). На этой фразе я со своими надеждами на элегантные математические решения, не требующие больших обучающих выборок, впала в мини-депрессию, хотя не согласиться с этим посылом сложно. Тем более, когда видишь, как ошибка классификации падает с ~25% до ~7%, если увеличить выборку с 40 участников до 4800.
💋 Персонализация в нейроинтерфейсах считается важной. Даже если мы используем generic нейроинтерфейс, допустимо реализовывать его fine-tuning на новых персонализированных данных. Однако, как показал Грамфорт на примере с ЭМГ, хоть персонализация и улучшает перфоманс моделей, это улучшение не сильно выше по сравнению с ситуацией, когда исходно используется большой набор данных в обучающей выборке.
💋 При сборе данных следует учитывать возможную гетерогенность их свойств, которая может обуславливается индивидуальной анатомией участников и различиями в устройствах для регистрации сигнала. Поэтому важно формировать универсальные рекомендации относительно расположения электродов, их оптимального числа и такой их конфигурации, которая обеспечивает наименьшую зашумлённость получаемого сигнала.
Своё выступление Грамфорт сопроводил демонстрацией декодирования простых жестов с помощью ЭМГ (см. видео). Тезис о высокой индивидуальности характеристик ЭМГ подтвердился тем, что когда уже в кулуарах с ЭМГ-браслетом играли участники конференции, декодирование “поплыло”. Но при “правильном” выполнении жестов в большинстве случаев всё начинало работать.
#neuroimaging
В один из дней конференции BIOMAG состоялось выступление Александра Грамфорта, который едва ли нуждается в представлении: если вы занимаетесь обработкой ЭЭГ/МЭГ или используете машинное обучение для нейроданных, велика вероятность, что вы так или иначе пользуетесь тулбоксами или алгоритмами Грамфорта и его команды.
Своё же выступление Грамфорт посвятил не мозговой активности, а мышечной, а именно поверхностной электромиографии (ЭМГ), регистрируемой с помощью накожных электродов с запястья. Далее — некоторые технические и концептуальные takeaways.
Своё выступление Грамфорт сопроводил демонстрацией декодирования простых жестов с помощью ЭМГ (см. видео). Тезис о высокой индивидуальности характеристик ЭМГ подтвердился тем, что когда уже в кулуарах с ЭМГ-браслетом играли участники конференции, декодирование “поплыло”. Но при “правильном” выполнении жестов в большинстве случаев всё начинало работать.
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
MEG/EEG Bloopers. Part 1
#neuroimaging
Уже несколько лет подряд я почти ежедневно работаю с сигналами МЭГ и ЭЭГ. За это время у меня сформировалась коллекция “пасхалок” или “багов”, связанных со спецификой порождения этих сигналов или с нюансами их обработки. Решила поделиться ими в серии постов, чтобы в очередной раз показать, что “совы МЭГ/ЭЭГ не то, чем кажутся”. По крайней мере, в некоторых случаях.
Сегодняшний “баг” — это несогласованность пространственных распределений (топографий) активации слуховой коры на сенсорах МЭГ и ЭЭГ. Источники этой активности в мозге располагаются билатерально в височных областях. Эта билатеральность как раз наблюдается в МЭГ в виде двух симметричных пиков. Однако на ЭЭГ пик активации для большинства вариантов ориентаций источников приходится на вертекс, т. е. центральную область (см. анимацию, источник: ссылка). Если не иметь доступа к МЭГ-данным, достаточно легко проинтерпретировать такую ЭЭГ-топографию в терминах процессов, не относящихся к слуховой коре.
Чем объясняется такой феномен? МЭГ чувствительна к сигналам, порождаемым источниками, ориентированными тангенциально коре, т. е. по касательной. ЭЭГ, напротив, детектирует потенциалы, ориентированные как тангенциально, так и радиально, т. е. перпендикулярно поверхности. Геометрия распространения сигнала по слуховой коре порождает именно такие радиальные компоненты, проецируемые на вертекс. Обратите внимание, как изменение ориентации этих компонент влияет на изменение ЭЭГ-топографий: в случае, если источники ориентированы радиально относительно виска, мы можем наблюдать симметричные височные пики на ЭЭГ-сенсорах.
В качестве бонуса оставляю ссылку на интерактивный симулятор диполей для МЭГ и ЭЭГ. В этом симуляторе вы можете расположить источник в пространстве головы, задать его ориентацию и посмотреть, как его активность проецируется на сенсоры МЭГ и ЭЭГ.
#neuroimaging
Уже несколько лет подряд я почти ежедневно работаю с сигналами МЭГ и ЭЭГ. За это время у меня сформировалась коллекция “пасхалок” или “багов”, связанных со спецификой порождения этих сигналов или с нюансами их обработки. Решила поделиться ими в серии постов, чтобы в очередной раз показать, что “
Сегодняшний “баг” — это несогласованность пространственных распределений (топографий) активации слуховой коры на сенсорах МЭГ и ЭЭГ. Источники этой активности в мозге располагаются билатерально в височных областях. Эта билатеральность как раз наблюдается в МЭГ в виде двух симметричных пиков. Однако на ЭЭГ пик активации для большинства вариантов ориентаций источников приходится на вертекс, т. е. центральную область (см. анимацию, источник: ссылка). Если не иметь доступа к МЭГ-данным, достаточно легко проинтерпретировать такую ЭЭГ-топографию в терминах процессов, не относящихся к слуховой коре.
Чем объясняется такой феномен? МЭГ чувствительна к сигналам, порождаемым источниками, ориентированными тангенциально коре, т. е. по касательной. ЭЭГ, напротив, детектирует потенциалы, ориентированные как тангенциально, так и радиально, т. е. перпендикулярно поверхности. Геометрия распространения сигнала по слуховой коре порождает именно такие радиальные компоненты, проецируемые на вертекс. Обратите внимание, как изменение ориентации этих компонент влияет на изменение ЭЭГ-топографий: в случае, если источники ориентированы радиально относительно виска, мы можем наблюдать симметричные височные пики на ЭЭГ-сенсорах.
В качестве бонуса оставляю ссылку на интерактивный симулятор диполей для МЭГ и ЭЭГ. В этом симуляторе вы можете расположить источник в пространстве головы, задать его ориентацию и посмотреть, как его активность проецируется на сенсоры МЭГ и ЭЭГ.
MEG/EEG Bloopers. Part 2
#neuroimaging
Продолжаю серию пасхалок из анализа сигналов мозга. Активность, регистрируемая с помощью МЭГ и ЭЭГ, представлена ритмическими осцилляциями. Один из стандартных способов оценить, насколько те или иные ритмы выражены, это вычисление спектральной плотности мощности. Характерный спектр МЭГ/ЭЭГ (см. рис. А), представлен несколькими диапазонами частот, наиболее мощный из которых соответствует альфа-ритму (8-12 Гц). Именно его рост мы наблюдаем при закрытии глаз.
Также во многие процессы вовлекается более высокочастотный бета-ритм (12-30 Гц): его связывают с сенсомоторными задачами, вниманием, рабочей памятью и т. д. И в анализе этого ритма может крыться подвох!
Дело в том, что бета может оказаться гармоникой, порождённой альфа-ритмом. Обратимся к примеру. Смоделировав простую синусоиду в альфа-диапазоне на 10 Гц, я получаю характерный пик в спектре на 10 Гц (С). Добавив к этой синусоиде нелинейную компоненту за счёт прибавления квадрата этой синусоиды с небольшим коэффициентом, на спектре можно заметить дополнительный гармонический пик на 20 Гц (D) — а это уже бета-ритм! Похожий пик можно получить и при моделировании синусоиды непосредственно в бета-диапазоне (E).
Вклад гармоник от альфы в оценку бета-ритма, увы, не умозрительный конструкт. Во-первых, каноничный сенсомоторный мю-ритм, который по частотному диапазону соответствует альфе, обладает не синусоидальной, а аркообразной формой. И очень часто ему сопутствуют гармоники в бете. Во-вторых, стандартная затылочная альфа тоже от этого не застрахована. На графике (B) представлен спектр ЭЭГ одного человека в состоянии закрытых глаз. Наряду с пиком в альфа-ритме наблюдается пик и в бете, зависящий от выраженности альфы. Анализ этого феномена более подробно представлен в этой статье (как и некоторые полезные эвристики).
Возникает вопрос — что с этим делать?
➡️ Не ограничивать себя анализом в частотном домене: существуют дополнительные способы оценки осцилляторной активности, в т. ч. и во временном домене с выделением отдельных всплесков осцилляций и оценкой их дополнительных характеристик.
➡️ При частотном анализе учитывать отношение высоких частот к низким, смотреть на поведение спектра в целом, не изолируя отдельные частотные диапазоны.
➡️ Внимательно оценивать центральные частоты в пиках спектра: если центральная частота одного из пиков кратна центральной частоте пика в более низких диапазонах, это повод задуматься о присутствии гармоник.
➡️ Учитывать пространственные характеристики осцилляций: бета-осцилляции с максимумом мощности в затылке — это подозрительно (хотя в редких случаях и присутствие истинных бета-осцилляций в этих регионах не исключено).
➡️ Не использовать синусоиды как базисные функции для спектрального разложения (как это происходит в стандартном Фурье-анализе). Альтернативный вариант — преобразование Гильберта-Хуанга на основе метода EMD. Это преобразование основано на разложении сигнала на эмпирические моды, выделяемые непосредственно из данных. Как видно из моих модельных графиков (F), для нелинейного альфа-ритма это преобразование не выделяет пик в бете. Однако точность разложения зависит от специфики выделения мод, в т. ч. их количества. В представленном примере с разложением на две моды пик находится чуть ниже 10 Гц. Оставляю ссылку на пакет, в котором упомянутое разложение реализовано.
#neuroimaging
Продолжаю серию пасхалок из анализа сигналов мозга. Активность, регистрируемая с помощью МЭГ и ЭЭГ, представлена ритмическими осцилляциями. Один из стандартных способов оценить, насколько те или иные ритмы выражены, это вычисление спектральной плотности мощности. Характерный спектр МЭГ/ЭЭГ (см. рис. А), представлен несколькими диапазонами частот, наиболее мощный из которых соответствует альфа-ритму (8-12 Гц). Именно его рост мы наблюдаем при закрытии глаз.
Также во многие процессы вовлекается более высокочастотный бета-ритм (12-30 Гц): его связывают с сенсомоторными задачами, вниманием, рабочей памятью и т. д. И в анализе этого ритма может крыться подвох!
Дело в том, что бета может оказаться гармоникой, порождённой альфа-ритмом. Обратимся к примеру. Смоделировав простую синусоиду в альфа-диапазоне на 10 Гц, я получаю характерный пик в спектре на 10 Гц (С). Добавив к этой синусоиде нелинейную компоненту за счёт прибавления квадрата этой синусоиды с небольшим коэффициентом, на спектре можно заметить дополнительный гармонический пик на 20 Гц (D) — а это уже бета-ритм! Похожий пик можно получить и при моделировании синусоиды непосредственно в бета-диапазоне (E).
Вклад гармоник от альфы в оценку бета-ритма, увы, не умозрительный конструкт. Во-первых, каноничный сенсомоторный мю-ритм, который по частотному диапазону соответствует альфе, обладает не синусоидальной, а аркообразной формой. И очень часто ему сопутствуют гармоники в бете. Во-вторых, стандартная затылочная альфа тоже от этого не застрахована. На графике (B) представлен спектр ЭЭГ одного человека в состоянии закрытых глаз. Наряду с пиком в альфа-ритме наблюдается пик и в бете, зависящий от выраженности альфы. Анализ этого феномена более подробно представлен в этой статье (как и некоторые полезные эвристики).
Возникает вопрос — что с этим делать?
Please open Telegram to view this post
VIEW IN TELEGRAM
MEG/EEG Bloopers. Part 3
#neuroimaging
Сегодняшний пост про не всегда приятные сюрпризы в анализе МЭГ/ЭЭГ посвящён тому, как неаккуратное использование фильтров может исказить вызванные потенциалы. Начнём с азов.
Вызванные потенциалы (ВП) — это сигналы, которые возникают в мозге в ответ на внешние стимулы, например, изображения или звуки. Чтобы увидеть ВП, необходимо осуществить многократные измерения реакции мозга на один и тот же стимул, а затем усреднить их. На выходе получается характерная кривая с пиками (A). Амплитуда, время и локализация возникновения этих пиков позволяет судить о происходящих в мозге процессах. Например, первичная обработка информации характеризуется пиками в районе 100 мс после предъявления стимула. Процессы, связанные с принятием решений, — пиками около 300 мс.
Анализ МЭГ/ЭЭГ на том или ином этапе требует использование различных фильтров для избавления от низкочастотных колебаний, например, связанных с кожно-гальванической реакцией, и высокочастотных артефактов, нередко связанных с мышечной активностью или наводкой. Золотым стандартом фильтрации считается диапазон от 0.1 до 40 Гц. В некоторых случаях — от 1 до 40 Гц. Все фильтры искажают временные ряды в той или иной степени, и важно учитывать, насколько велики могут оказаться эти искажения в случае с ВП.
В одном из ключевых исследований на симуляционном компоненте с положительным пиком около 600 мс продемонстрировали, что фильтрация выше 0.3 Гц приводит к появлению ложных отрицательных пиков до и после 600 мс, которые можно спутать с компонентами ВП, возникающими на более ранних и поздних латентностях (B) — а это уже совсем другие когнитивные процессы! Схожая тенденция наблюдается и на реальных данных (С).
В другом исследовании установили, что чрезмерная фильтрация может подавлять поздние медленные компоненты и делать более выраженными — ранние (D). В этом случае важно учитывать каузальность фильтров. Каузальные фильтры используют только текущие и прошлые значения сигнала. Некаузальные фильтры, напротив, для заданного момента времени используют как прошлые, так и будущие значения сигнала. Соответственно, применение некаузального фильтра может приводить к “заражению” ранних компонент ВП более поздними.
На ресурсе ERP INFO, посвящённому ВП, приводятся следующие рекомендации для применения фильтров:
✨️ При фильтрации в режиме реального времени (если она неизбежна), используйте фильтр нижних частот, равный 1/3 или 1/4 от частоты дискретизации;
✨️ Фильтрация до 0.1 Гц обычно приводит к минимальным искажениям (более опасные диапазоны представлены на рисунке (E));
✨️ После усреднения ВП допустимо применить фильтр нижних частот до 20-40 Гц, чтобы снизить шум или выделить пики; однако лучше этого не делать для измерения средней амплитуды;
✨️ При возникновении сомнений применяйте ваш фильтр к симуляции волны с нужными характеристиками.
#neuroimaging
Сегодняшний пост про не всегда приятные сюрпризы в анализе МЭГ/ЭЭГ посвящён тому, как неаккуратное использование фильтров может исказить вызванные потенциалы. Начнём с азов.
Вызванные потенциалы (ВП) — это сигналы, которые возникают в мозге в ответ на внешние стимулы, например, изображения или звуки. Чтобы увидеть ВП, необходимо осуществить многократные измерения реакции мозга на один и тот же стимул, а затем усреднить их. На выходе получается характерная кривая с пиками (A). Амплитуда, время и локализация возникновения этих пиков позволяет судить о происходящих в мозге процессах. Например, первичная обработка информации характеризуется пиками в районе 100 мс после предъявления стимула. Процессы, связанные с принятием решений, — пиками около 300 мс.
Анализ МЭГ/ЭЭГ на том или ином этапе требует использование различных фильтров для избавления от низкочастотных колебаний, например, связанных с кожно-гальванической реакцией, и высокочастотных артефактов, нередко связанных с мышечной активностью или наводкой. Золотым стандартом фильтрации считается диапазон от 0.1 до 40 Гц. В некоторых случаях — от 1 до 40 Гц. Все фильтры искажают временные ряды в той или иной степени, и важно учитывать, насколько велики могут оказаться эти искажения в случае с ВП.
В одном из ключевых исследований на симуляционном компоненте с положительным пиком около 600 мс продемонстрировали, что фильтрация выше 0.3 Гц приводит к появлению ложных отрицательных пиков до и после 600 мс, которые можно спутать с компонентами ВП, возникающими на более ранних и поздних латентностях (B) — а это уже совсем другие когнитивные процессы! Схожая тенденция наблюдается и на реальных данных (С).
В другом исследовании установили, что чрезмерная фильтрация может подавлять поздние медленные компоненты и делать более выраженными — ранние (D). В этом случае важно учитывать каузальность фильтров. Каузальные фильтры используют только текущие и прошлые значения сигнала. Некаузальные фильтры, напротив, для заданного момента времени используют как прошлые, так и будущие значения сигнала. Соответственно, применение некаузального фильтра может приводить к “заражению” ранних компонент ВП более поздними.
На ресурсе ERP INFO, посвящённому ВП, приводятся следующие рекомендации для применения фильтров:
Please open Telegram to view this post
VIEW IN TELEGRAM