脳接続推定器

脳の接続性推定器^{[ 1 ]}は、脳内のリンクのパターンを表します。接続性は、ニューロンから神経集合体、脳構造に至るまで、脳の組織のさまざまなレベルで考えることができます。脳の接続性には、神経解剖学的または構造的接続性（解剖学的リンクのパターン）、機能的接続性（通常は統計的依存関係として理解される）、有効接続性（因果的相互作用を指す）などのさまざまな概念が含まれます。^{[ 2 ]}

神経解剖学的接続性は、ニューロンの微視的スケールでは、新しいシナプス結合または既存のシナプス結合の除去が動的に形成され、実行される機能に大きく依存するという事実から、本質的に定義するのが難しいですが、一般的な解剖学的知識に合致する脳の領域に広がる経路として考えることができます。拡散強調画像(DWI) は、このような情報を提供するために使用できます。機能的接続性と有効接続性の区別は必ずしも明確ではありません。因果的または方向性のある接続性が機能的接続性と呼ばれることもあります。機能的接続性は、異なる神経集合の活動間の時間的相関 (離れた脳領域間の統計的に有意な依存性の観点から) として定義できますが、有効接続性は、ある神経系が別の神経系に及ぼす直接的または間接的な影響として定義できます。 ^{[ 3 ]} 一部の脳接続性推定器は、方向性のある接続性に影響を与える脳活動時系列(脳波(EEG)、局所電場電位(LFP)、スパイク列など)から接続性を評価します。これらの推定器は、必要な画像シーケンスが利用可能であれば、 fMRIデータに適用できます。接続性の推定器には、線形と非線形、二変量と多変量の尺度があります。特定の推定器は方向性も示します。接続性推定のさまざまな方法は、その有効性に違いがあります。^{[ 4 ] [ 5 ] [ 6 ]}この記事では、これらの尺度の概要を、最も効果的な方法に重点を置いて説明します。

接続性の二変量推定器と多変量推定器の性能比較については、^{[ 18 ] [ 19 ]}を参照されたい。そこでは、2 を超える相互に関連するチャネル システムの場合、二変量法は誤解を招く情報を提供し、真の伝搬の反転さえも発見される可能性があることが示されている。特定のソースからの活動が異なる距離に配置された電極で測定され、したがって記録された信号間に異なる遅延が生じるという非常に一般的な状況を考えてみよう。

二変量尺度を適用すると、チャネル間に遅延がある場合に伝播が必ず得られます。^{[ 19 ]}その結果、多くの偽フローが発生します。2つまたは3つのソースが同時に動作する場合（これはよくある状況です）、ランダム構造に似た、密で無秩序な接続構造が得られます（せいぜい「スモールワールド」構造が識別される程度です）。この種のパターンは通常、二変量尺度を適用した場合に得られます。実際、適切な多変量尺度を適用すると、EEGまたはLFP測定によって得られる実効接続パターンはランダムとはかけ離れていることを、以下で示します。

因果関係の検証可能な定義は、グレンジャーによって導入されました。^{[ 20 ]}グレンジャー因果原理は、ある系列Y ( t ) が過去の項に系列X ( t )の予測に役立つ情報を含んでいる場合、Y ( t ) はX ( t )の原因であると言われます。グレンジャー因果原理は、2 チャネル多変量自己回帰モデル(MVAR)の観点から表現できます。グレンジャーは後の研究^{[ 21 ]}で、考慮されるチャネルのシステムが完全でない場合、因果関係の決定は不可能であると指摘しました。グレンジャー因果原理に基づく尺度は、グレンジャー因果指数 (GCI)、指向性伝達関数 (DTF)、部分指向性コヒーレンス (PDC) です。これらの尺度は、多変量自己回帰モデルの枠組みで定義されます。^{[ 22 ] [ 23 ]}

伝播の動的な変化を考慮するために、接続性の推定器には適応フィルタリング法またはスライディングウィンドウに基づく方法を適用できます。どちらの方法も、統計的に満足のいく結果を得るために実験を複数回繰り返す必要があり、同様の結果が得られます。^{[ 32 ]}カルマンフィルタリングなどの適応法は計算負荷が高いため、スライディングウィンドウに基づく方法が推奨される場合があります。

パラメトリックモデルの場合、データ点の数_kNT ( kはチャネル数、NT_はデータウィンドウ内の点数) は、パラメータの数よりも大きく (できれば桁違いに) なければなりません。MVAR の場合、パラメータ数は k 2 p (p はモデル次数) に等しくなります。プロセス^のダイナミクスを評価するには、短いデータウィンドウを適用する必要があり、そのためにはデータ点の数を増やす必要があります。これは、実験を繰り返すことによって実現できます。非定常記録は、ウィンドウ内のデータを準定常として扱うのに十分なほど短い時間ウィンドウに分割できます。MVAR 係数の推定は、多変量セットのk個の信号X _iのチャネルR _{ij間の相関行列を各試行ごとに個別に計算することに基づいています}^{[ 22 ]}。結果として得られるモデル係数は、試行全体で平均化された相関行列に基づいています。相関行列は次の形式です。

平均化は相関行列に関するものであり（モデルは各短いデータウィンドウごとに独立して適合される）、データ自体は平均化されない。ウィンドウサイズの選択は、常に適合の精度と時間分解能の間の妥協点となる。

SDTF の誤差はブートストラップ法によって評価できます。^{[ 33 ]}この手順は、実験の他の実現のシミュレーションに対応します。関数値の分散は、元のデータ試行からランダムに選択された (繰り返しあり) プールの結果を繰り返し計算することによって得られます。

脳の接続性の推定は、統合失調症^{[ 34 ]}やうつ病^{[ 35 ]などの精神病理の治療に伴う脳の変化を調査する場合や、出血[ 36 ]}や腫瘍[37][38]などの構造的損傷後に脳の変化を調査する場合など、数多くの注目すべき応用例が見つかっています。^{適用された方法は}、脳の領域をアトラス^{[ 39 ]}またはDWIデータ^{[ 40 ]}から定義し、接続性指標を抽出して標準化された領域内の変化を比較する、区分化アプローチの恩恵を受けています。

具体的には、DTFは複数の用途が見出され、初期の用途には、てんかん焦点の局在化^{[ 41 ]}、睡眠段階と覚醒時の脳波伝播の推定^{[ 42 ]} 、行動テスト中の動物の脳構造間の伝達の決定^{[ 43 ]などがあった。}

覚醒状態から深い睡眠段階への移行に伴い、脳波源が前方へ移動していく様子が観察される。深い睡眠段階では、脳波源は脳梁上に位置しており、おそらく脳梁下構造から大脳皮質への神経伝達に関与していると考えられる。

SDTF の最初の応用例の 1 つは、指の動きの実行中および想像中の動的伝播の決定でした。^{[ 44 ] [ 45 ]}結果は、一次運動野に対応する領域での動き中のアルファ帯域とベータ帯域の活動の減少、ガンマ帯域の活動の一時的な増加、動き後のベータリバウンド、いわゆるサラウンド効果など、イベント関連同期と非同期の既知の現象と非常によく一致しました。^{[ 46 ]}特に興味深いのは、実際の指の動きとその想像の比較です。実際の動きの場合、指の一次運動野上に配置された電極からガンマ伝播の短いバーストが観察されました。動きを想像する場合、この伝播は遅れて始まり、運動野と補足運動野(SMA) を覆う異なる部位間のクロストークが見つかりました。(伝播のダイナミクスはアニメーションで観察できます^{[ 47 ]} )。

SDTF のもう 1 つの応用例は、認知実験中の伝達の評価に関するものでした。継続的注意テスト (CAT) ^{[ 48 ]}の結果は、タスクにおける前頭前野と前頭葉構造の関与を確認し、前補足運動野と右下前頭皮質による能動的な抑制の仮説を支持しました。CAT テスト中の伝播のアニメーションが利用可能です。^{[ 49 ]}

作業記憶を伴う実験でSDTFを用いて得られた結果は、活性部位の局在に関するfMRI研究と一致しており、それらの間の時間的相互作用に関する情報を提供した。^{[ 50 ]}相互作用のダイナミクスを示すアニメーションが利用可能である。^{[ 51 ]}

EEG チャネル データを使用する際には、偽の接続推定を避けるよう注意する必要があることに注意してください。最近の論文^{[ 52 ] [ 53 ]では、DTF と PDC がボリューム伝導に影響されないという以前の主張[ 54 ]}は不正確であったことが強調されています。実際、頭皮から記録された信号から得られる DTF の結果は、一般的にボリューム伝導の影響を受けます。ボリューム伝導の影響は特定の記録状況では最小限である可能性がありますが^{[ 55 ]} 、 DTF または PDC を推定する前に、チャネル データに対して適切な前処理 (ソース識別など) を実行する必要があります。

特定の実験条件に関連する明確な脳活動源の存在は、逆解法と皮質内測定によってfMRI実験で十分に確立されています。このような脳活動の決定論的な構造は機能的結合に影響を与えるはずなので、いくつかの研究で報告されているランダムまたはランダムとほとんど区別できない結合構造は驚くべき現象と見なされるかもしれません。このような結果は、方法論的なエラーによって説明できます。1) 結合推定の頑健でない方法、そしてさらに重要なことに、2) 二変量法の適用です。多変量頑健な結合尺度をEEG分析に適用すると、機能的結合の明確な像が現れます。^{[ 25 ] [ 26 ] [ 41 ] [ 42 ] [ 43 ] [ 44 ] [ 45 ] [ 48 ] [ 50 ] [ 56 ] [ 57 ] [ 58 ]}

• 安静時fMRI
• 動的機能的接続性
• 機能的接続ソフトウェア一覧
• シナプス

• SCoT - ソース接続性推定のためのPythonツールボックス
• SIFT - EEGLABに基づくソース接続性推定のためのMATLABベースのツールボックス
• コネクトーム
• HERMES - M/EEGにおける機能的かつ効果的な脳接続性推定のためのMATLABツールボックス