CN110326054A - 确定参与执行给定过程的至少一个脑网络的方法、装置和程序 - Google Patents
确定参与执行给定过程的至少一个脑网络的方法、装置和程序 Download PDFInfo
- Publication number
- CN110326054A CN110326054A CN201880013973.5A CN201880013973A CN110326054A CN 110326054 A CN110326054 A CN 110326054A CN 201880013973 A CN201880013973 A CN 201880013973A CN 110326054 A CN110326054 A CN 110326054A
- Authority
- CN
- China
- Prior art keywords
- brain
- matrix
- network
- data
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008569 process Effects 0.000 title description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 230000000694 effects Effects 0.000 claims abstract description 32
- 238000007619 statistical method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 18
- 230000001149 cognitive effect Effects 0.000 description 17
- 230000007547 defect Effects 0.000 description 16
- 208000018737 Parkinson disease Diseases 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 230000019771 cognition Effects 0.000 description 7
- 230000006378 damage Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000002610 neuroimaging Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000003931 cognitive performance Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000001259 mesencephalon Anatomy 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000010937 topological data analysis Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000018152 Cerebral disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000023105 Huntington disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010855 neuropsychological testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
Abstract
本发明涉及一种用于确定表示大脑标记的数据的方法，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述方法通过包括获得关于脑电活动的数据的构件的电子装置实现。这种方法包括：‑处理(10)关于脑电活动的数据的步骤，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；‑统计分析(20)所述至少一个功能性连接矩阵的步骤，提供至少一个脑网络的存在的概率矩阵；‑表征(30)基于所述至少一个功能性连接矩阵和所述统计分析的所述至少一个脑网络的步骤，提供至少一个脑网络矩阵；‑依据所述至少一个脑网络矩阵获得(40)大脑标记的步骤。
Description
技术领域
本发明涉及用于确定脑网络在过程实现中的参与的一种方法以及一种装置。更具体地，本发明涉及用于确定过程(或任务)的实现与脑网络的激活和/或连接之间的相关性的一种装置和一种方法。又更具体地，本发明量化了在给定任务的执行期间脑网络之间的交互水平(功能性连接)。
背景技术
据信帕金森病的认知缺陷与功能性脑连接受损有关。迄今为止，从未用密集的EEG对帕金森病的认知功能变化进行探索，以便在一方面认知缺陷的程度与另一方面脑网络的功能性连接的恶化之间建立关系。
发明内容
所提出的技术不会引起现有技术的这些问题。更具体地，对上文提到的问题带来了简单的解决方案。更具体地，本发明涉及一种用于确定表示大脑标记的数据的方法，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述方法通过包括获得关于脑电活动的数据的构件的电子装置实现。根据本发明，此方法包括以下连续步骤：
-处理关于脑电活动的数据的步骤，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
-统计分析所述至少一个功能性连接矩阵的步骤，提供至少一个脑网络的存在的概率矩阵；
-表征基于所述至少一个功能性连接矩阵和所述统计分析的所述至少一个脑网络的步骤，提供至少一个脑网络矩阵；
-依据所述至少一个脑网络矩阵获得大脑标记的步骤。
根据至少一个特定实施例，所述依据所述至少一个脑网络矩阵获得大脑标记(EWCI)的步骤包括应用以下公式：
其中：
N表示所述脑网络的边缘的数量；
Wi表示所述脑网络中的所述边缘i的权重。
根据一个特定实施例，所述处理关于脑电活动的数据的步骤包括：
-依据至少一个预处理参数预处理来自表面电子装置的信号以测量脑电信号的步骤；
-确定产生所述脑电信号的多个皮质源的步骤；
-分析成对连接的多个步骤，对于每一对皮质源，包括确定所述对的两个源之间的连接的至少一个步骤；
-所述处理关于脑电活动的数据的步骤提供称为功能性连接矩阵的矩形矩阵，对于每个皮质源，所述矩形矩阵包括与所有其它预定皮层源的连接的值。
根据一个特定特征，对于当前功能性连接矩阵，所述统计分析所述至少一个功能性连接矩阵的步骤包括实现称为NBS方法的基于网络的统计分析方法。
根据一个特定特征，对于当前功能性连接矩阵，所述统计分析所述至少一个功能性连接矩阵的步骤包括：
-对所述当前功能性连接矩阵的每个系数进行协方差分析的步骤，提供概率矩阵，其中每个系数表示为拒绝与所述当前功能性连接矩阵的所述系数相关联的脑网络边缘的虚无假设的概率p；
-对所述概率矩阵的每个系数p应用分量形成阈值T的步骤，提供阈值矩阵；
-基于所述阈值矩阵获得表示所述脑网络的边缘数量的分量大小的步骤；
-通过置换测试获得随机定义的分量的最大大小的步骤；
-当随机定义的分量的最大大小与预先获得的分量的大小相差预定义接受阈值时接受的步骤。
根据一个特定特征，所述分量形成阈值T的范围为0.01至0.001。
根据一个特定实施例，所述分量形成阈值T等于0.005。
根据另一方面，本发明还涉及一种用于确定表示大脑标记的数据的电子装置，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述装置包括用于获得关于脑电活动的数据的构件。根据本发明，这种装置包括：
-用于处理关于脑电活动的数据的构件，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
-统计分析所述至少一个功能性连接矩阵的构件，提供至少一个脑网络的存在的概率矩阵；
-用于表征从所述至少一个功能性连接矩阵和所述统计分析获得的所述至少一个网络的构件，提供至少一个脑网络矩阵；
-用于依据所述至少一个脑网络矩阵获得统计标记的构件。
根据优选的应用，根据本发明的方法的不同步骤由一个或多个计算机软件程序实现，所述计算机软件程序包括软件指令，所述软件指令由根据本发明的中继模块的数据处理器执行，并且被设计为命令执行方法的不同步骤。
因此，本发明的目的还在于提供一种能够由计算机或数据处理器执行的程序，此程序包括命令执行如上所述的方法的步骤的指令。
此程序可以使用任何编程语言，并且可以呈源代码、目标代码或在源代码与目标代码之间的中间码的形式，例如呈部分编译形式或呈任何其它期望形式。
本发明还旨在提供可由数据处理器读取且包括如上所述的程序的指令的信息载体或介质。
信息介质可以是能够存储程序的任何实体或装置。例如，介质可以包括存储构件，例如ROM，例如CD ROM或微电子电路ROM，又或者是磁记录构件，例如软性磁盘或硬盘驱动器。
此外，信息介质可以是可传输的介质，例如电信号或光信号，可以通过电缆或光缆、通过无线电或其它方式传送。根据本发明的程序可以尤其从互联网类型网路下载。
作为替代，信息介质可以是包含程序的集成电路，电路适于执行或用于执行所讨论的方法。
根据一个实施例，所提出的技术借助于软件和/或硬件部件实施。在这方面中，术语“模块”在本文中可同样对应于软件部件和硬件部件或一组硬件和软件部件。
软件部件对应于一个或多个计算机程序、程序的一个或多个子程序，或更一般地对应于程序的任何元件或能够根据下文针对所关注的模块描述的内容而实施功能或一组功能的一件软件。这种软件部件通过物理实体的数据处理器(终端机、服务器、网关、路由器等)执行，并且能够访问此物理实体的硬件资源(存储器、记录介质、通信总线、电子输入/输出板、用户界面等)。
以相同方式，硬件部件对应于能够根据下文针对所关注的模块描述的内容而实施功能或一组功能的硬体组件的任何元件。它可以是用于执行软件的可编程硬件部件或具有集成处理器的部件，例如集成电路、智能卡、存储卡、用于执行固件的电子板等。
这里描述的系统的每个部件当然都实现了其自身的软件模块。
上述不同实施例可以彼此组合以实现所提出的技术。
附图说明
本发明的其它特征和优点通过以下借助于简单的、说明性并且非穷举的实例对优选实施例的描述和附图更加明显地呈现出来，在所述附图中：
-图1呈现本发明所处方法应用的综合视图；
-图2呈现基于频率和基于网络的分析的结果；
-图3示出功能性连接子网络，显示在α2处的三组(其中T＝0.01)之间的显著差异；
-图4示出网络边缘的分析，并显示在α1处的三组之间的显著差异。功能性连接子网络显示在α2处的三组(其中T＝0.001)之间的显著差异；
-图5是A)G1、G2和G3以及B)G1和G2的认知得分与连接指数之间的关联图表；
-图6描述用于实现所提出的技术的装置；
-图7是本发明方法的一般说明。
具体实施方式
原理提示
本发明涉及使用闭眼休息时记录的密集EEG数据来识别与帕金森病(和其它疾病)中的认知表型相关联的受损脑网络的方法和装置。本发明旨在构建至少一种静态标记，其可能由另一种方法或装置用来识别是否存在疾病出现的早期迹象。发明人已经寻找一种解决方案，使得有可能在给定指数中获得在执行给定任务期间实现的脑网络的功能性连接程度的合成视图，在本发明的上下文中，所述给定任务可以是需要对个体部分采取动作的任务，或者是一个体保持静止而不执行任何动作(即一个体处于休息状态的动作)的任务。为了构建此代表性指数(连接指数、大脑标记)，发明人已经应用了下面描述的一定数量的计算阶段和处理步骤。一般而言，参考图7，本发明涉及一种用于确定表示大脑标记的数据的方法，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述方法包括：
-处理(10)关于脑电活动的数据的步骤，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
-统计分析(20)功能性连接矩阵的步骤，提供至少一个脑网络的存在的概率矩阵；
-表征(30)基于功能性连接矩阵和统计分析(20)的脑网络的步骤，提供至少一个脑网络矩阵。
在实现这一技术时，下文中描述的处理脑电数据的步骤包括：
-依据至少一个预处理参数预处理(101)来自表面电子装置的信号以测量脑电信号的步骤；这种装置例如是高密度脑电装置；
-确定(102)产生所述脑电信号的多个皮质源的步骤；这是用于重建皮质源以确定记录信号的起源的算法的实现；
-分析(103)成对连接的多个步骤，对于每一对皮质源，包括确定所述对的两个源之间的连接的至少一个步骤。
处理关于脑电活动的数据的步骤提供称为功能性连接矩阵的矩形矩阵，对于每个皮质源，所述矩形矩阵包括与所有其它预定皮层源的连接的值。
基于功能性连接矩阵实现的统计分析(20)的步骤本身对于当前功能性连接矩阵包括：
-对当前功能性连接矩阵的每个系数进行协方差分析(ANCOVA)(201)的步骤，提供概率矩阵，其中每个系数表示拒绝与当前功能性连接矩阵的所述系数相关联的脑网络边缘的虚无假设的概率p；
-对所述概率矩阵的每个系数p应用(202)分量形成阈值T的步骤，提供阈值矩阵；
-基于所述阈值矩阵获得(203)表示所述脑网络的边缘数量的分量大小的步骤；
-通过置换测试获得(204)随机定义的分量的最大大小的步骤；
-当随机定义的分量的最大大小与预先获得的分量的大小相差预定义接受阈值时接受的步骤。
这种统计分析消除了可能无法表示脑网络的存在的数据。这些不同的步骤使得最终可以表征来自执行任务(在这种情况下是休息任务)的脑网络，然后通过表征的网络来计算与这些网络相关联的大脑标记(连接指数)。
应用情况描述
脑的病理性紊乱很少局限于单一区域。局部功能障碍通常通过轴突路径传播并影响其它区域，导致大规模网络损伤。近年来，通过神经成像数据识别功能性和结构性网络的损伤已成为脑疾病研究中最有希望的前景之一。实际上，神经成像有助于研究体内的病理生理机制，而先前研究得出的结果表明，脑网络拓扑倾向于形成对损伤的神经反应。在图论方法中，脑网络被表征为由边缘连接的节点集(脑区域)。一旦基于神经成像数据定义了节点和边缘，就可以通过图论度量来研究网络拓扑属性(组织)，并且可以通过基于网络的统计来研究功能性连接。通过使用不同的神经成像技术(功能性磁共振成像(fMRI)脑磁图/脑电图(MEG/EEG))，这些组合方法用于表征与阿尔茨海默症、帕金森病、亨廷顿病、癫痫、精神分裂症、自闭症等的病况相关联的功能性变化。
帕金森病是继阿尔茨海默症之后第二种最普遍的神经退行性疾病，影响了超过1％的60岁以上的人。除了标志性运动症状外，认知缺陷在帕金森病中也很常见。然而，这些症状在其临床表现和发展方面是不同的。对这些认知缺陷的早期检测和定量评估是至关重要的临床问题，不仅能用于表征疾病，还用于研究其发展。一些研究已经通过使用FMRI、MEG和标准EEG报告了与帕金森病的认知缺陷相关联的脑网络组织和功能性连接的损伤。迄今为止，从未用密集的EEG对与帕金森病中脑连接的认知功能相关的变化进行探索，以便在i)一方面认知缺陷的程度与ii)另一方面脑网络的功能性连接的空间局部损伤之间建立关系。
发明人已经记录了处于闭眼休息状态的帕金森病患者的密集EEG，这些患者的认知特征已经通过对大量神经心理测试的结果的聚类分析进行识别。发明人的主要目标是根据认知缺陷的严重程度检测这些功能性网络中的损伤。为此，通过使用“EEG源连接”方法来检查功能性连接。与功能性连接的fMRI研究相比，这一方法的独特优势在于，可以根据由神经活动的直接测量组成的头皮EEG记录在大脑皮质水平直接识别网络，与血氧水平相关的(BOLD)信号形成对比。发明人的主要假设是随着认知缺陷恶化，EEG连接逐渐退化。更具体地，发明人已经假设脑网络组织的参数根据个体的认知状态而不同，并且功能性连接在具有认知缺陷的个体中受损的程度比认知完整或具有较少认知缺陷的个体更大。根据这一假设，发明人已经寻求构建可以用于量化这一功能性连接的指数(线索)。因此，所提出和描述的方法的价值首先在于能够识别个体群体中的特征网络，其次根据这些网络计算指数，指数是表征网络的功能性连接的结果。所提出的方法使用关于个体的记录数据来确定功能性网络，并使用用于分析这些网络中的相似性和差异的方法。关于这些网络计算的连接指数根据多对网络上的大量连接的权重给出特征值：因此，连接指数被视为与针对个体的给定任务的应用相关的统计起源的大脑标记。下文给出特定实施例的详细说明。
根据下文描述的所提出技术的实现的一个实例，研究了具有从依照数据处理的聚类分析中获得的不同认知表型的三组患有帕金森氏病的个体(N＝124)：G1)认知完整的个体(N＝63)、G2)具有轻度认知缺陷的个体(N＝46)和G3)具有严重认知缺陷的个体(N＝15)。使用用于确定密集EEG源连接的方法来识别功能性脑网络。针对不同EEG频带中的68个脑区域计算成对功能性连接。在综合级别(网络拓扑)和局部级别(区域间连接)获得脑网络的统计数据。然后基于一定数量的预定连接网络计算连接指数(大脑标记)。
方法
数据采集和预处理
这是处理关于脑电活动的数据的步骤的第一个子步骤。根据本发明，用设置有128个通道的盖子记录致密的EEG，所述通道包含根据10-05国际系统分布的122个头皮电极、两个心电图电极和四个用于竖直和水平移动的双侧眼电图电极(EOG)。电极的阻抗保持在10kΩ。在此实施例中，使用BrainVision记录器(Brain )软件在闭眼休息状态下收集10分钟数据。根据实施例的此实例，要求受试者什么都不做并且放松。以512Hz对信号进行采样并在1Hz与45Hz之间进行带通滤波。对于每个参与者，发明人选择了最大数量的无伪影的四秒片段用于分析。使用基于图谱的方法将EEG传感器信号投影到解剖学框架上，所述框架由68个皮质区域组成，这些区域通过Desikan-Killiany图谱(Desikan等人，2006年)使用Freesurfer软件(http://freesurfer.net/)识别。为此，记录MRI模型和EEG数据，其具有相同解剖学参考(耳前左点和右点以及鼻根)的识别。通过使用Freesurfer分割MRI图像来构建逼真的头部模型。然后通过Brainstorm和OpenMEEG计算具有15,000个顶点的皮质网格的前导场矩阵。
功率谱分析
这是处理关于脑电活动的数据的步骤的第二个子步骤。在此步骤中，所述方法包括使用标准快速傅里叶变换(用于功率谱分析的FFT)与Welch技术和汉宁开窗函数(两秒出现时间和50％重叠)。计算每个频带的相对功率谱[Δ(0.5-4Hz)；θ(4-8Hz)；α1(8-10Hz)；α2(10-13Hz)；β(13-30Hz)；γ(30-45Hz)]，频率分辨率为0.5Hz。
功能性连接分析
这是处理关于脑电活动的数据的步骤的第三个子步骤。在此步骤中，使用“EEG源连接”构建功能性连接矩阵，其包括两个主要步骤：i)解决EEG反问题以重建皮质区域的时间动态，以及ii)测量这些重建的区域时间序列之间的功能性连接(图1)。使用加权最小范数估计(wMNE)重建皮质源的动态。然后，通过使用相位同步(PS)方法计算重建的源之间的功能性连接。为了测量PS，如所描述的那样使用锁相值(PLV)方法。这一值(范围在0与1之间)通过量化相位关系反映了两个振荡信号之间的精确相互作用。在六个频带[Δ(0.5-4Hz)；θ(4-8Hz)；α1(8-10Hz)；α2(10-13Hz)；β(13-30Hz)；γ(30-45Hz)]估计PLV。通过执行的两次比较分析支持wMNE/PLV的选择。这些分析表明在认知活动或癫痫活动期间精确识别头皮EEG中的皮质脑网络时wMNE/PLV优于其它反转/连接组合的优势。使用Brainstorm计算反演解。分别使用BCT和EEGNET完成网络测量和网络可视化。
网络分析
此步骤用于准备尤其是通过统计分析获得连接网络。网络可以通过图表来说明，这些图表是节点集(脑区域)以及这些节点之间的边缘(连接值)。所述方法包括构建68节点图表(即上文中识别的68个皮质区域)并使用来自功能性连接矩阵的所有信息(相位阈值)。这给出了完全连接、加权和无向网络，其中每一对顶点之间的连接强度(即权重)被定义为它们的连接值。
可以计算若干度量来表征加权网络。这里，建议在两个级别检查网络分析：i)综合或全局级别反映计算了若干测量的整个网络组织，包含路径长度(PL)、(聚类系数CC)、强度(Str)和整体效率(EG)(在说明性实施例中提供更多细节)和ii)沿边级别通过测量不同脑区域之间的每个相关值(权重)来反映功能性连接。上文提到的所有网络测量都取决于边缘的权重。因此它们是标准化的。它们表示为根据随机网络计算的测量值的函数。通过边缘权重的随机重新排列生成从原始网络导出的500个随机替换网络。通过将原始值除以对随机图表计算的值的平均值来计算标准化值。
统计分析
沿边连接的特征在于使用基于网络的统计数据。为了计算基于网络的统计数据，针对(68x 68)功能性连接矩阵中的(682-68)/2＝2278个边缘(相位同步值)中的每一个调整ANCOVA分析，给出表示拒绝每个边缘的虚无假设的概率的p值矩阵。通过向每个值p应用分量形成阈值T来生成阈值矩阵，并且获得此阈值矩阵中的每个连接元素的大小。然后将分量的此大小与针对通过使用置换测试获得的最大分量大小的零分布所获得的大小进行比较，以获得针对多个比较校正的值p。NBS方法发现连接的子网络比可能预期的要大得多。根据这一结果，发明人报告了仅保留p<0.005的边缘的阈值的结果。在图2中并且分别在说明性实施例中报告了较高阈值(p<0.01)和较低阈值(p<0.001)的结果，以显示对参数集的灵敏度。
输入正式教育的年龄和持续时间作为ANCOVA中用于频谱分析和连接分析的混杂因素。使用SPSS Statistics 20.0(IBM公司)软件包进行统计分析。应用显著性水平0.01(双尾)。使用Bonferroni方法应用多个测试的校正。
获得的网络特征
基于功率的分析
图2a中概括了基于频率的分析结果。在频带α1、α2、β和γ中，随着认知缺陷恶化(从G1到G3)，功率谱密度逐渐降低。相反，在频带Δ和θ中，随着认知缺陷恶化(从G1到G3)，功率谱密度提高。在Δ、θ和β频带中观察到G1与G3之间以及G2与G3之间的显著差异(针对每个比较进行了p<0.01的Bonferroni校正)。无论频带如何，G1与G2之间都没有观察到显著差异。
基于网络的拓扑分析
对针对所有频带中的每一组的每个受试者获得的加权无向图表计算反映网络的整体拓扑的四个度量(PL、CC、Str和EG)。随着认知缺陷在所有频带中恶化(从G1到G3)，结果趋于降低，没有任何显著差异。图2中呈现在α2频带中获得的结果的典型实例。与其它频带相比，α2处的结果证明了最低值p(非显著值)(对于CC、Str、PL和EG，分别为p＝0.063、p＝0.067、p＝0.1和p＝0.08，通过Bonferroni测试校正ANCOVA)。
网络沿边分析
图3示出使用NBS工具箱进行的沿边分析的结果。将统计测试(通过置换测试校正的ANCOVA)应用于在所有频带(Δ、θ、α1、α2、β和γ)处计算的网络中的每个连接。仅在EEGα频带(α1和α2)中计算的网络之间发现显著差异。
关于α2网络，包括49个边缘和36个区域的连接分量的G1与G2之间的差异已被证明是统计上显著的(p＝0.03，使用置换测试校正，图3A)。对于所有这些边缘，G2中的连接明显低于G1。为了更好地理解这些连接的区域分布，发明人将每个区域分类为属于头皮的五大区域之一：前额、颞侧、枕部或中枢。然后，发明人基于其连接的区域(例如，前额-颞侧、颞侧-颅侧等)对受影响的子网络中的每个边缘进行分类，并计算落入每个类别的边缘的比例。当比较G1和G2时，G2中减小最多的连接是前额-颞侧连接(图3A，《TF》，36％)。在不同的阈值上获得了类似的结果(对于此说明性实施例，见图2和图3)。
当比较G2和G3时，包括125个边缘和57个区域的连接分量以统计上显著的方式出现(p<0.001，通过使用置换测试校正，图2)。对于所有边缘，G3中的功能性连接大大降低。大多数这些受损的连接是前额-中枢(20％)、颞侧-前额(12％)、前额-前额(12％)和枕部-中枢(12％)连接。从不同的阈值获得了类似的结果(对于此说明性实施例，见图2和图3)。
包括229个边缘和57个区域的连接分量以统计上显著的方式出现(p<0.001，通过使用置换测试校正，图3C)。大多数这些降低的连接是颅侧-前额(14％)、前额-中枢(14％)和颞侧-前额(13％)连接。在不同的阈值上获得了类似的结果(对于此说明性实施例，见图2和图3)。
对于α1网络，结果显示G2与G3之间的统计上显著的差异，其中具有60个节点和320个边缘的分量(p<0.001，图4A)。这些损伤主要与颞侧-前额(20％)、颞侧-颞侧(15％)和前额-中枢(10％)连接有关。
另外，包括123个边缘和47个区域的连接分量显示出在G1与G3之间的显著差异(p＝0.004，图4B)。大多数这些降低的连接是颞侧-前额(24％)和颞侧-前额(10％)连接。在α1频带中没有观察到G1与G2之间的显著差异。
神经心理测验中脑连接与表现之间的相关性
为了评估患有帕金森氏病的个体的功能性连接与认知表现之间的关系，发明人集中于显示G1与G2之间的显著差异的子网络(图3A)。发明人得出结论，这49个边缘与检测认知缺陷的标记最相关。对于每个网络，将边缘连接指数(EWCI)计算为重要子网络的权重之和：
其中Wi表示重要子网络中边缘i的权重，N是子网络中边缘的数量(在这种情况下N＝49)。对于相关性分析，发明人使用了通过判别因子分析鉴定的三种最具判别性的神经心理测试。它包含符号数字模态测试(SDMT)中的正确响应数、Stroop测试中的错误数以及60秒内的动物流畅性。针对这些测试中的每一个计算Z得分，并且用于相关性分析的认知得分(斯皮尔曼ρ)是这些Z得分的总和。结果如图5所示。当考虑所有组时，EWCI与认知得分显著相关(ρ＝0.49、p<0.01)，图5A。为了确保相关性不仅仅由G3驱动(如图中所示)，发明人已经针对G1和G2计算出EWCI与认知得分之间的相关性：结果表明关联性仍然显著(ρ＝0.37、p<0.01)，图5B。
说明性实施例和结果
图1：调查结构。根据个体的认知表现对个体进行分类：1)认知完整的个体，2)具有轻度认知缺陷的个体，以及3)具有严重认知缺陷的个体。数据：在休息状态(闭眼)期间使用128个电极记录密集EEG。受试者的MRI也可用。通过使用加权最小范数估计(wMNE)方法解决反问题来重建皮质源。将解剖学分割应用于MRI模板，产生68个感兴趣的区域(Desikan-Killany图谱)，使用Freesurfer计算，然后导入Brainstorm中进行另一个处理操作。在六个频带中使用锁相值(PLV)方法计算68个区域性颞侧序列之间的功能性连接：Δ(0.5-4Hz)；θ(4-8Hz)；α1(8-10Hz)；α2(10-13Hz)；β(13-30Hz)；γ(30-45Hz)。使用两个级别的网络分析比较组之间的连接矩阵：i)高级拓扑，其中发明人已经计算了四个网络度量：聚类系数、强度、特征路径长度和整体效率，以及ii)沿边分析，其中发明人已经使用基于网络的统计(NBS)方法对网络中的每个连接执行了组之间的统计分析。
图2：A.基于频率的分析：六个频带中每组个体的功率谱密度的平均±标准偏差值：Δ(0.5-4Hz)；θ(4-8Hz)；α1(8-10Hz)；α2(10-13Hz)；β(13-30Hz)；γ(30-45Hz)。B.整体拓扑分析：四个计算的网络测量的平均±标准偏差值：聚类系数、强度、路径长度和整体效率。这一典型实例对应于针对α2频带中每个组的每个受试者获得的加权无向图表计算的度量。*表示值<0.01，进行了Bonferroni校正。
图3：沿边分析(α2)。功能性的子网络显示在α2处的三个组之间的显著差异。在每个部分，顶行呈现这些子网络的基于图形的表示，每个区域用根据其质心的立体定位坐标绘制的红色球体表示，并且每个超阈值边缘用深绿色线表示。节点的大小表示与节点本身显著不同的连接数。对于所有边缘，G1>G2(A)、G1>G3(B)和G2>G3(C)的连接性更高。底行显示如根据每个边缘互连的波瓣进行分类的每个子网络中每种类型连接的比例(％)。F：前额；T：颞侧；P：颅侧；C：中枢以及O：枕部。
图4：沿边(α1)。功能性连接的子网络显示在α1处的三个组之间的显著差异。在每个部分，顶行呈现这些子网络的基于图形的表示，每个区域用根据其质心的立体定位坐标绘制的红色球体表示，并且每个超阈值边缘用深绿色线表示。节点的大小表示与节点本身显著不同的连接数。对于所有边缘，G2>G3(A)和G1>G3(B)中的连接性最高。底行显示如根据每个边缘互连的波瓣进行分类的每个子网络中每种类型连接的比例(％)。F：前额；T：颞侧；P：颅侧；C：中枢以及O：枕部。
图5：对于A)G1、G2和G3以及B)G1和G2的认知得分与边缘连接指数之间的关联的离差图。
用于估计网络并获得统计标记的装置
本说明书还提出了一种估计网络并获得统计标记的装置。所述装置可以被专门设计用于估计网络并获得统计标记，或所述装置可以是包括非暂时性计算机可读介质和由存储在计算机可读介质中的计算机可读指令配置以实现本说明书的任何未指明方法的至少一个处理器的任何电子装置。
根据图6所示的一个实施例，用于估计相机姿态的装置包括中央处理单元(CPU)62、随机存取存储器(RAM)61、只读存储器(ROM)63、存储装置，所述装置通过总线连接使得它们可以彼此通信。
CPU在执行加载到RAM中的程序时命令装置整体。CPU还在执行加载到RAM中的一个程序或程序之一(应用程序或应用程序之一)时执行各种功能。
RAM存储各种数据和/或程序。
ROM也存储各种数据和/或程序(Pg)。
存储装置，例如硬盘驱动器读取器、SD卡、USB存储器等等，也存储各种类型的数据和/或一个或多个程序。
作为通过CPU执行写入加载到RAM中的程序的指令、程序从ROM和存储装置读取并加载到RAM的指令的结果，装置执行估计网络并获得统计标记的方法。
更具体地，装置可以是服务器、计算机、平板电脑、智能手机或此智能手机中的医疗装置。装置包括至少一个输入，适于接收来自密集EEG的数据、至少一个其它输入参数；一个或多个处理器，用于估计网络并获得统计标记；以及至少一个输出，适于输出与标记或网络相关联的数据。
本发明还涉及一种计算机程序产品，所述计算机程序产品包括记录在计算机可读非暂时性存储介质上的程序代码，计算机可执行程序代码在被执行时执行估计相机姿态的方法。计算机程序产品可以记录在CD、硬盘驱动器、闪存或任何其它适当的计算机可读介质上。它也可以从因特网下载并安装在装置中，以便如上所述估计相机姿态。
权利要求书(按照条约第19条的修改)
1.一种用于确定表示大脑标记的数据的方法，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述方法通过包括获得关于脑电活动的数据的构件的电子装置实现，所述方法包括：
处理(10)关于脑电活动的数据的步骤，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
统计分析(20)所述至少一个功能性连接矩阵的步骤，提供至少一个脑网络的存在的概率矩阵；
表征(30)基于所述至少一个功能性连接矩阵和所述统计分析的所述至少一个脑网络的步骤，提供至少一个脑网络矩阵；
依据所述至少一个脑网络矩阵获得(40)大脑标记的步骤。
2.根据权利要求1所述的方法，其特征在于，所述依据所述至少一个脑网络矩阵获得(40)大脑标记(EWCI)的步骤包括应用以下公式：
其中：
N表示所述脑网络的边缘的数量；
Wi表示脑网络的矩阵中的所述边缘i的权重。
3.根据权利要求1所述的方法，其特征在于，所述处理(10)关于脑电活动的数据的步骤包括：
依据至少一个预处理参数预处理(101)来自表面电子装置的信号以测量脑电信号的步骤；
确定(102)产生所述脑电信号的多个皮质源的步骤；
分析(103)成对连接的多个步骤，对于每一对皮质源，包括确定所述对的两个源之间的连接的至少一个步骤；
所述处理关于脑电活动的数据的步骤提供称为功能性连接矩阵的矩形矩阵，对于每个皮质源，所述矩形矩阵包括与所有其它预定皮层源的连接的值。
4.根据权利要求1所述的方法，其特征在于，对于当前功能性连接矩阵，所述统计分析(20)所述至少一个功能性连接矩阵的步骤包括实现称为NBS方法的基于网络的统计分析方法。
5.根据权利要求1所述的方法，其特征在于，对于当前功能性连接矩阵，所述统计分析(20)所述至少一个功能性连接矩阵的步骤包括：
对所述当前功能性连接矩阵的每个系数进行协方差分析(ANCOVA)(201)的步骤，提供概率矩阵，其中每个系数表示为拒绝与所述当前功能性连接矩阵的所述系数相关联的脑网络边缘的虚无假设的概率p；
对所述概率矩阵的每个系数p应用(202)分量形成阈值T的步骤，提供阈值矩阵；
基于所述阈值矩阵获得(203)表示所述脑网络的边缘数量的分量大小的步骤；
通过置换测试获得(204)随机定义的分量的最大大小的步骤；
当随机定义的分量的最大大小与预先获得的分量的大小相差预定义接受阈值时接受的步骤。
6.根据权利要求5所述的方法，其特征在于，所述分量形成阈值T的范围为0.01至0.001。
7.根据权利要求5所述的方法，其特征在于，所述分量形成阈值T等于0.005。
8.一种用于确定表示大脑标记的数据的电子装置，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述装置包括用于获得关于脑电活动的数据的构件，所述装置包括：
用于处理关于脑电活动的数据的构件，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
统计分析所述至少一个功能性连接矩阵的构件，提供至少一个脑网络的存在的概率矩阵；
用于表征从所述至少一个功能性连接矩阵和所述统计分析获得的所述至少一个网络的构件，提供至少一个脑网络矩阵；
用于依据所述至少一个脑网络矩阵获得统计标记的构件。
9.一种计算机程序产品，所述计算机程序产品包括存储在计算机可读非暂时性存储介质上的程序代码，所述程序代码可由计算机执行，在被执行时用于实现根据权利要求1到7中任一项所述的方法。
Claims (9)
1.一种用于确定表示大脑标记的数据的方法，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述方法通过包括获得关于脑电活动的数据的构件的电子装置实现，所述方法包括：
处理(10)关于脑电活动的数据的步骤，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
统计分析(20)所述至少一个功能性连接矩阵的步骤，提供至少一个脑网络的存在的概率矩阵；
表征(30)基于所述至少一个功能性连接矩阵和所述统计分析的所述至少一个脑网络的步骤，提供至少一个脑网络矩阵；
依据所述至少一个脑网络矩阵获得(40)大脑标记的步骤。
2.根据权利要求1所述的方法，其特征在于，所述依据所述至少一个脑网络矩阵获得(40)大脑标记(EWCI)的步骤包括应用以下公式：
其中：
N表示所述脑网络的边缘的数量；
Wi表示所述脑网络中的所述边缘i的权重。
3.根据权利要求1所述的方法，其特征在于，所述处理(10)关于脑电活动的数据的步骤包括：
依据至少一个预处理参数预处理(101)来自表面电子装置的信号以测量脑电信号的步骤；
确定(102)产生所述脑电信号的多个皮质源的步骤；
分析(103)成对连接的多个步骤，对于每一对皮质源，包括确定所述对的两个源之间的连接的至少一个步骤；
所述处理关于脑电活动的数据的步骤提供称为功能性连接矩阵的矩形矩阵，对于每个皮质源，所述矩形矩阵包括与所有其它预定皮层源的连接的值。
4.根据权利要求1所述的方法，其特征在于，对于当前功能性连接矩阵，所述统计分析(20)所述至少一个功能性连接矩阵的步骤包括实现称为NBS方法的基于网络的统计分析方法。
5.根据权利要求1所述的方法，其特征在于，对于当前功能性连接矩阵，所述统计分析(20)所述至少一个功能性连接矩阵的步骤包括：
对所述当前功能性连接矩阵的每个系数进行协方差分析(ANCOVA)(201)的步骤，提供概率矩阵，其中每个系数表示为拒绝与所述当前功能性连接矩阵的所述系数相关联的脑网络边缘的虚无假设的概率p；
对所述概率矩阵的每个系数p应用(202)分量形成阈值T的步骤，提供阈值矩阵；
基于所述阈值矩阵获得(203)表示所述脑网络的边缘数量的分量大小的步骤；
通过置换测试获得(204)随机定义的分量的最大大小的步骤；
当随机定义的分量的最大大小与预先获得的分量的大小相差预定义接受阈值时接受的步骤。
6.根据权利要求5所述的方法，其特征在于，所述分量形成阈值T的范围为0.01至0.001。
7.根据权利要求5所述的方法，其特征在于，所述分量形成阈值T等于0.005。
8.一种用于确定表示大脑标记的数据的电子装置，所述数据是从参与执行给定任务的至少一个脑网络获得的，所述装置包括用于获得关于脑电活动的数据的构件，所述装置包括：
用于处理关于脑电活动的数据的构件，提供从所述关于脑电活动的数据导出的表示皮质源之间的连接的至少一个功能性连接矩阵，所述矩阵的每个系数表示两个皮质源之间的连接；
统计分析所述至少一个功能性连接矩阵的构件，提供至少一个脑网络的存在的概率矩阵；
用于表征从所述至少一个功能性连接矩阵和所述统计分析获得的所述至少一个网络的构件，提供至少一个脑网络矩阵；
用于依据所述至少一个脑网络矩阵获得统计标记的构件。
9.一种计算机程序产品，所述计算机程序产品包括存储在计算机可读非暂时性存储介质上的程序代码，所述程序代码可由计算机执行，在被执行时用于实现根据权利要求1到7中任一项所述的方法。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1751585 | 2017-02-27 | ||
| FR1751585A FR3063378A1 (zh) | 2017-02-27 | 2017-02-27 | |
| FR1756378 | 2017-07-06 | ||
| FR1756378A FR3063379B1 (fr) | 2017-02-27 | 2017-07-06 | Procede, dispositif et programme pour determiner au moins un reseau cerebral implique dans une realisation d'un processus donne |
| PCT/EP2018/053726 WO2018153762A1 (fr) | 2017-02-27 | 2018-02-14 | Procédé, dispositif et programme pour déterminer au moins un réseau cérébral impliqué dans une réalisation d'un processus donné |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110326054A true CN110326054A (zh) | 2019-10-11 |
Family
ID=61027792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880013973.5A Pending CN110326054A (zh) | 2017-02-27 | 2018-02-14 | 确定参与执行给定过程的至少一个脑网络的方法、装置和程序 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20190374154A1 (zh) |
| EP (1) | EP3586339A1 (zh) |
| JP (1) | JP2020510470A (zh) |
| CN (1) | CN110326054A (zh) |
| CA (1) | CA3063321A1 (zh) |
| FR (2) | FR3063378A1 (zh) |
| IL (1) | IL268893A (zh) |
| WO (1) | WO2018153762A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113558602B (zh) * | 2021-06-11 | 2023-11-14 | 杭州电子科技大学 | 一种假设驱动的认知障碍脑网络分析方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7043374B2 (ja) * | 2018-09-18 | 2022-03-29 | 株式会社日立製作所 | 多機能神経フィードバックシステム及び多機能神経フィードバック方法 |
| CN111477299B (zh) * | 2020-04-08 | 2023-01-03 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
| EP3925520A1 (en) * | 2020-06-16 | 2021-12-22 | Institut Mines Telecom | Method for selecting features from electroencephalogram signals |
| CN112401905B (zh) * | 2020-11-11 | 2021-07-30 | 东南大学 | 一种基于源定位和脑网络的自然动作脑电识别方法 |
| CN112971808B (zh) * | 2021-02-08 | 2023-10-13 | 中国人民解放军总医院 | 一种脑地图构建及其处理方法 |
| CN114463607B (zh) * | 2022-04-08 | 2022-07-26 | 北京航空航天大学杭州创新研究院 | 基于h无穷滤波方式构建因效脑网络的方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012094621A2 (en) * | 2011-01-06 | 2012-07-12 | The Johns Hopkins University | Seizure detection device and systems |
| EP2718864A4 (en) * | 2011-06-09 | 2016-06-29 | Univ Wake Forest Health Sciences | AGENT-BASED BRAIN MODEL AND RELATED METHODS |
| US20140107521A1 (en) * | 2012-10-12 | 2014-04-17 | Case Western Reserve University | Functional brain connectivity and background noise as biomarkers for cognitive impairment and epilepsy |
-
2017
- 2017-02-27 FR FR1751585A patent/FR3063378A1/fr active Pending
- 2017-07-06 FR FR1756378A patent/FR3063379B1/fr not_active Expired - Fee Related
-
2018
- 2018-02-14 EP EP18706463.9A patent/EP3586339A1/fr not_active Withdrawn
- 2018-02-14 JP JP2019546302A patent/JP2020510470A/ja active Pending
- 2018-02-14 CA CA3063321A patent/CA3063321A1/en active Pending
- 2018-02-14 CN CN201880013973.5A patent/CN110326054A/zh active Pending
- 2018-02-14 US US16/488,489 patent/US20190374154A1/en not_active Abandoned
- 2018-02-14 WO PCT/EP2018/053726 patent/WO2018153762A1/fr active Application Filing
-
2019
- 2019-08-25 IL IL26889319A patent/IL268893A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| MAHMOUD HASSAN 等: "Identification of Interictal Epileptic Networks from Dense-EEG", BRAIN TOPOGRAPHY, vol. 30, no. 1, pages 60 - 76, XP036128483, DOI: 10.1007/s10548-016-0517-z * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113558602B (zh) * | 2021-06-11 | 2023-11-14 | 杭州电子科技大学 | 一种假设驱动的认知障碍脑网络分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3063378A1 (zh) | 2018-08-31 |
| CA3063321A1 (en) | 2018-08-30 |
| FR3063379A1 (fr) | 2018-08-31 |
| EP3586339A1 (fr) | 2020-01-01 |
| IL268893A (en) | 2019-10-31 |
| WO2018153762A1 (fr) | 2018-08-30 |
| FR3063379B1 (fr) | 2022-06-17 |
| US20190374154A1 (en) | 2019-12-12 |
| JP2020510470A (ja) | 2020-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110326054A (zh) | 确定参与执行给定过程的至少一个脑网络的方法、装置和程序 | |
| JP7221693B2 (ja) | ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス | |
| Samuelsson et al. | Spatial fidelity of MEG/EEG source estimates: A general evaluation approach | |
| Sareen et al. | Exploring MEG brain fingerprints: Evaluation, pitfalls, and interpretations | |
| DSouza et al. | Mutual connectivity analysis of resting-state functional MRI data with local models | |
| Sasai et al. | Frequency-specific network topologies in the resting human brain | |
| Lodder et al. | Automated EEG analysis: characterizing the posterior dominant rhythm | |
| Klein et al. | A reliable statistical method to detect eyeblink-artefacts from electroencephalogram data only | |
| WO2021075548A1 (ja) | 脳状態推定装置、コンピュータプログラム、脳状態推定方法、脳機能の検査システムおよび方法 | |
| CN114052668A (zh) | 一种基于脑磁图数据的脑功能分析方法 | |
| Lombardi et al. | A novel synchronization-based approach for functional connectivity analysis | |
| Souza et al. | Synchronization and propagation of global sleep spindles | |
| Messaritaki et al. | Predicting MEG resting-state functional connectivity from microstructural information | |
| KR101388546B1 (ko) | 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법 | |
| Li et al. | Human-guided functional connectivity network estimation for chronic tinnitus identification: a modularity view | |
| Mumtaz et al. | A comparative study of different EEG reference choices for diagnosing unipolar depression | |
| CN111568412A (zh) | 一种利用脑电信号重建视觉图像的方法及装置 | |
| Chen et al. | Estimating brain functional networks based on adaptively-weighted fMRI signals for MCI identification | |
| CN111938671A (zh) | 一种基于多维度内感知特征的焦虑特质量化方法 | |
| Bull et al. | A system and method for online high-resolution mapping of gastric slow-wave activity | |
| CN111931578A (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
| Endemann et al. | Multivariate autoregressive model estimation for high-dimensional intracranial electrophysiological data | |
| Jin et al. | Dynamic functional connectivity MEG features of Alzheimer’s disease | |
| US11529054B2 (en) | Method and system for post-traumatic stress disorder (PTSD) and mild traumatic brain injury (mTBI) diagnosis using magnetic resonance spectroscopy | |
| JP2021087761A (ja) | 信号分離装置、プログラムおよび信号分離方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191011 |
|
| WD01 | Invention patent application deemed withdrawn after publication |