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.

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.

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.

О (психо-)неврологии
#mental_health

На своем канале профессор Дмитрий Кулиш, директор Центра Предпринимательства и Инноваций Сколтеха, любезно поделился мыслями по мотивам моих недавних постов о депрессии. Посыл Дмитрия таков: выявление “соматической природы” ментальных нарушений может обосновывать их признание как заболеваний, для лечения которых требуется фармакотерапия, в отличие от “дури”, которая лишь маскируется под депрессию и может корректироваться “обливаниями холодной водой”.

Воздержавшись от комментариев относительно дерзновенных тезисов про холодную воду (ибо моё мнение по этому поводу более чем предсказуемо), позволю себе развить мысль о биомаркерах ментальных заболеваний. С одной стороны, идея о редукции психиатрии к неврологии или о создании новой иерархии диагнозов, выводимых из неврологического профайлинга, всегда казалась мне симпатичной (физикализм и материализм мне из себя не изжить).

С другой стороны, неврология и психиатрия неслучайным образом предлагают разные направления взглядов на заболевания. Если неврология двигается “снизу вверх”, и отклонения, наблюдаемые в когнитивных доменах (напр., смена настроения), являются вторичными относительно объективно регистрируемого нарушения на уровне нервной системы, то психиатрия двигается “сверху вниз” — в фокус попадает субъективный опыт пациента, и именно он определяет свойства нарушения. Сопровождающие его изменения в нервной системе не лежат на поверхности.

Возникает вопрос: для того, чтобы считать нарушение субъективного опыта человека “подлинным”, должны ли ему сопутствовать явно обнаруживаемые структурные поражения мозга, набивший оскомину “дисбаланс нерйомедиаторов”, патологические паттерны в ЭЭГ и т. д.?

Ниже приведены примеры, которые указывают на оптимистичность таких ожиданий (по крайней мере, на текущем этапе развития нейровизуализации и нашего понимания принципов работы мозга):

1. Болевые синдромы. Боль — субъективный феномен, переживаемый настолько непосредственно, что вряд ли мы стали бы задаваться вопросом: “Мне действительно больно, или я сейчас драматизирую и преувеличиваю?” Тем не менее, некоторые болевые синдромы не сопровождаются выраженными нарушениями. В частности, мучительные мигрени возникают в отсутствие каких-либо травм, а механизмы их появления не столь очевидны. Иные примеры — фантомные боли, возникающие на месте ампутированной конечности, или фибромиалгия, характеризующаяся болью в скелетных мышцах опять же без свидетельств о воспалении или повреждении органов. Наконец, многочисленные попытки декодировать интенсивность боли по ЭЭГ пока не привели к выявлению маркеров, которые могли бы быть использованы универсально.

2. Конверсионное расстройство. Пациенты с этим расстройством испытывают ряд неврологических симптомов (слепота, паралич, онемение) без явного органического поражения нервной системы и предположительно в ответ на психологический стресс. К схожей картине относят психогенные неэпилептические приступы, не сопровождающиеся электрофизиологическими изменениями, но клиническая картина которых напоминает эпилептические.

Таким образом, выделение физиологического субстрата, лежащего за симптоматикой, не всегда обеспечивает возможность диагностики, не зависящей от субъективного отчёта пациента. Также оно пока не может выступать критерием “серьёзности” заболевания. Наконец, оно может и не носить объяснительный характер, а служить скорее еще одним источником описательных характеристик нарушения.

Поэтому, как бы ни был прекрасен атлас когнитивных расстройств с их локализацией из поста выше, следует не забывать о том, что, помимо вопросов “где?” и “что?”, существует вопрос “как?” И — независимо от того, оперируем ли мы терминами психологических синдромов, неврологических нарушений или их синтеза — пока мы не пытаемся дать хотя бы фрагментарные ответы на этот вопрос, всё многообразие био-, нейро- и прочих маркеров так и будет красивым мультимодальным грузом лежать на существующей системе диагностики и лечения.

Telegram

Старик и Лошадь 塞翁失馬

Есть у меня грехи, которые я признаю достаточно греховными, чтобы их стесняться, но недостаточно страшными, чтобы их прятать. Поэтому вот вам каминг-аут: ***💥******💥******💥*** Невзирая на научно-клинический консенсус, в глубине души я продолжаю считать депрессии, аддикции…