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.