فعالیت نوسان در مغز با طیف گسترده ای از فرآیندهای شناختی از جمله تصمیم گیری ، پردازش بازخورد و حافظه کاری همراه بوده است. وضوح زمانی بالا که توسط الکتروانسفالوگرافی (EEG) ارائه شده است ، مطالعه تغییر قدرت نوسان و اتصال در طول زمان را امکان پذیر می کند. اشکال مختلف همگام سازی عصبی در گروههای فرکانس به عنوان مکانیسم اساسی اتصال عصبی پیشنهاد شده است. به تازگی ، مقدار قابل توجهی از کار بر روی اتصال دامنه فاز (PAC) متمرکز شده است-نوعی از اتصال متقابل فرکانس که در آن دامنه یک سیگنال فرکانس بالا توسط فاز نوسانات فرکانس پایین تعدیل می شود. روشهای موجود برای ارزیابی PAC برخی از محدودیت ها از جمله وضوح فرکانس محدود و حساسیت به نویز ، طول داده ها و میزان نمونه برداری به دلیل وابستگی ذاتی به فیلتر باند. در این مقاله ، ما یک اقدام جدید PAC (T-F PAC) مبتنی بر فرکانس زمان را پیشنهاد می کنیم که می تواند این مسائل را برطرف کند. روش پیشنهادی به توزیع فرکانس زمانی پیچیده ، معروف به توزیع تداخل کاهش یافته (RID) -RIHACZEK متکی است ، به ترتیب فاز و پاکت نوسانات فرکانس پایین و بالا را تخمین می زند. به همین ترتیب ، به فیلتر باند تکیه نمی کند و برخی از خصوصیات مطلوب توزیع های فرکانس زمانی مانند وضوح فرکانس بالا را در اختیار دارد. تکنیک پیشنهادی ابتدا برای داده های شبیه سازی شده ارزیابی می شود و سپس برای یک مجموعه داده واکنش سریع EEG اعمال می شود. نتایج نشان می دهد که PAC مبتنی بر فرکانس زمان پیشنهادی نسبت به پارامترهای مختلف سیگنال قوی تر است و اندازه گیری دقیق تری از قدرت اتصال را ارائه می دهد.
معرفی
مغز انسان به عنوان یک شبکه پیچیده با توپولوژی توزیع شده مدل شده است. این توپولوژی توزیع شده به پردازش اطلاعات موازی و تخصصی منجر می شود. بنابراین ، نیاز به مکانیسم عصبی وجود دارد که ادغام اطلاعات را در مناطق تخصصی مغز امکان پذیر می کند. اشکال مختلف همگام عصبی بین نوسانات در نوارهای مختلف فرکانس به عنوان مکانیسم اصلی ادغام عصبی پیشنهاد شده است. مطالعات قبلی مبتنی بر اندازه گیری الکتروفیزیولوژیکی فعالیت عصبی نشان می دهد که باندهای فرکانس مختلف مسئول نقشهای محاسباتی مشخص 1 هستند زیرا تصور می شود نوسانات هماهنگ سازی را در مناطق تخصصی مغز ایجاد می کند تا 2،3 پردازش شناختی را تأیید کند. قدرت و/یا هماهنگ سازی اندازه گیری شده در نوارهای فرکانس مختلف مربوط به عملکردهای مختلف شناختی و عصبی 4،5،6 بوده است. به عنوان مثال ، فعالیت عصبی باند گاما در مغز انسان نشان داده شده است که نقش مهمی در ادراک بصری 7،8 بازی می کند ، در حالی که نوسانات باند آلفا در منطقه اکسیپیتال به عنوان شاخصی از کاهش توجه بصری 1 تفسیر شده است. اخیراً ، شواهد در حال ظهور از مطالعات مختلف نشان می دهد که نوسانات از باندهای فرکانس مختلف منزوی و مستقل نیستند. در نتیجه ، آنها می توانند به شکل مدولاسیون 9،10 با یکدیگر ارتباط برقرار کنند. این تعامل نوسانات در گروههای فرکانس مختلف به عنوان "جفت فرکانس متقابل" 11،12،13،14 گفته می شود. اشکال چندگانه از اتصال فرکانس متقاطع از جمله فاز/دامنه 12،15،16،17 مورد تجزیه و تحلیل قرار گرفته است. فاز/فاز 18،19،20،21 ؛دامنه به دامنه 22،23 ؛و فرکانس فاز 11،14. جفت شدن دامنه فاز (PAC) بیشترین مطالعه از جفت فرکانس متقاطع است و تصور می شود مسئول ادغام در جمعیت نورون های 24،25 است. فعالیت مغز فرکانس پایین با تعدیل دامنه نوسانات فرکانس بالا ، تبادل اطلاعات بین مناطق مغز را کنترل می کند. PAC بنابراین مدولاسیون دامنه نوسان فرکانس بالا ، به طور معمول 30-100 هرتز ، با فاز ریتم آهسته ، به طور معمول 5-12 هرتز 26،27 را تعیین می کند.
اتصال دامنه فاز در گونه های مختلفی از جمله EEG ، MEG و ضبط ECOG مغز انسان 15،22،24،28 ، LFP موش 29،30 ، موش 26 ، گوسفند 31 ، میمون 32 و در مناطق مختلف مغز تشخیص داده شده است. به عنوان هیپوکامپ 28،29،30،32 ، نئوکورتکس 10،32،33 و گانگلیون پایه 15. پردازش اطلاعات عصبی و عملکرد شناختی ، به ویژه تشخیص سیگنال حسی 34 ، توجه 16 ، ادراک بصری 35،36 و پردازش حافظه 17،28 نیز نشان داده شده است که PAC پویا را نشان می دهد. اخیراً ، اختلال در الگوهای PAC با اختلالات مختلف عصبی ، مانند اختلال طیف اوتیسم 37 ، اسکیزوفرنی 38 و بیماری پارکینسون 39 مرتبط است.< SPAN> اتصال دامنه فاز در گونه های مختلفی از جمله EEG ، MEG و ضبط های ECOG از مغز انسان 15،22،24،28 ، LFP موش 29،30 ، موش 26 ، گوسفند 31 ، میمون 32 و مختلف مشاهده شده است. مناطق مغزی مانند هیپوکامپ 28،29،30،32 ، نئوکورتکس 10،32،33 و گانگلیون پایه 15. پردازش اطلاعات عصبی و عملکرد شناختی ، به ویژه تشخیص سیگنال حسی 34 ، توجه 16 ، ادراک بصری 35،36 و پردازش حافظه 17،28 نیز نشان داده شده است که PAC پویا را نشان می دهد. اخیراً ، اختلال در الگوهای PAC با اختلالات مختلف عصبی ، مانند اختلال طیف اوتیسم 37 ، اسکیزوفرنی 38 و بیماری پارکینسون 39 مرتبط است. جفت شدن دامنه فاز در گونه های مختلف از جمله EEG ، MEG و ضبط های ECOG تشخیص داده شده استمغز انسان 15،22،24،28 ، LFP موش 29،30 ، موش 26 ، گوسفند 31 ، میمون 32 و در مناطق مختلف مغز مانند هیپوکامپ 28،29،30،32 ، نئوکورتکس 10،32،33 ،و گانگلیون پایه 15. پردازش اطلاعات عصبی و عملکرد شناختی ، به ویژه تشخیص سیگنال حسی 34 ، توجه 16 ، ادراک بصری 35،36 و پردازش حافظه 17،28 نیز نشان داده شده است که PAC پویا را نشان می دهد. اخیراً ، اختلال در الگوهای PAC با اختلالات مختلف عصبی ، مانند اختلال طیف اوتیسم 37 ، اسکیزوفرنی 38 و بیماری پارکینسون 39 مرتبط است.
روشهای متعارف برای محاسبه PAC به تبدیل هیلبرت از داده های نوروفیزیولوژیکی فیلتر شده برای استخراج سیگنال تحلیلی با دامنه آنی و اجزای فاز متکی هستند. رویکرد متعارف برای محاسبه PAC از سه مرحله زیر 27،40،41 تشکیل شده است: (1) باند با فیلتر کردن داده های ورودی به گروههای مورد علاقه ، به عنوان مثال ، تتا و گاما.(2) استفاده از تبدیل هیلبرت برای استخراج دامنه و سری زمانی فاز از هر باند فرکانس مورد علاقه. و (3) کمیت رابطه بین فاز و سری زمانی دامنه. با این حال ، دامنه و برآورد فاز مبتنی بر هیلبرت از برخی کاستی ها رنج می برد که می تواند بر برآورد PAC نهایی و یافته های علوم عصبی بعدی 40،42،43 تأثیر بگذارد. بسیاری از این محدودیت ها از اولین مرحله از خط لوله پردازش ، یعنی فیلتر کردن باند ، ناشی می شود. مشهور است که استفاده از دامنه و تخمین فاز مبتنی بر تبدیل هیلبرت به این فرض متکی است که سیگنال ها باریک هستند ، یعنی تقریباً 40،44 سینوسی. فرض باریک برای نوسانات فرکانس بالا سوال برانگیز است. بنابراین ، استفاده از تبدیل هیلبرت برای استخراج سری زمانی دامنه ممکن است منجر به برآورد دامنه غیر معنادار برای محاسبه PAC 45،46،47 شود. برای استخراج سیگنال های باریک از نوسانات عصبی ، روشهای مبتنی بر تبدیل هیلبرت به فیلتر باند سیگنال ها قبل از تخمین دامنه و فاز متکی هستند. علاوه بر این ، توصیه می شود از یک فیلتر پهن باند برای نوسانات فرکانس بالا و یک فیلتر باریک برای نوسانات فرکانس پایین 48 استفاده کنید. بنابراین ، در محاسبه PAC معمولی ، یک تعصب سیستماتیک به دلیل انتخاب پارامترهای مختلف فیلتر باند ، از جمله پهنای باند ، ترتیب فیلتر و باند انتقال بوجود می آید. تحقیقات قبلی نشان می دهد که پهنای باند برای مؤلفه فرکانس بالا باید حداقل دو برابر مؤلفه فرکانس پایین باشد تا بتواند اثر مدولاسیون دامنه 45،48 را ضبط کند. بنابراین ، پهنای باند متناسب با فرکانس مرکز است و این انتخاب می تواند به یک تعصب منظم منجر شود. علاوه بر این ، Hyafil و همکاران. 46 همچنین نشان داد که انتخاب های پهنای باند خاصی ممکن است به طور اشتباه جفت فرکانس فاز را به عنوان PAC محاسبه کند یا جفت دامنه نادرست را تولید کند. اخیراً ، موجک تعمیم یافته مورس (GMW) به عنوان جایگزینی برای تبدیل هیلبرت برای استخراج دامنه و اجزای فاز 49،50 برای رسیدگی به این محدودیت ها پیشنهاد شده است.
GMW ها موجک های تحلیلی هستند ، بنابراین موجک با سیگنال سیگنال را به بازنمایی تحلیلی خود تبدیل می کند و معادل فیلتر باند با فیلتر است که مقیاس پهنای باند آن با فرکانس است. به این ترتیب ، اندازه گیری PAC مبتنی بر تبدیل موجک از مشکل طراحی بهترین فیلتر جلوگیری می کند زیرا پهنای باند فیلتر به طور خودکار توسط مقیاس موجک کنترل می شود. تخمین PAC از GMWS به همان روش پس از دامنه و فاز آنی از تبدیل موجک استخراج می شود. حتی اگر تبدیل موجک به مشکل فیلتر باند بپردازد ، از تعدادی از مشکلات دیگر از جمله انتخاب پارامترهای مختلف طراحی در GMW 50 رنج می برد. علاوه بر این ، فرکانس پایین و فوقانی و پارامترهای مقیاس باید با دقت انتخاب شوند تا اطمینان حاصل شود که قله های طیف فرکانس موجک در فرکانس مورد علاقه اتفاق می افتد. بنابراین ، اگر کاربر دامنه فرکانس ورودی یا تعداد مقیاس ها را به طور مناسب انتخاب نکند ، ممکن است پشته ها به اندازه آشکار نباشند. در نتیجه ، تخمین PAC ممکن است از این امر رنج ببرد.
برای آخرین مرحله در خط لوله برای تعیین کمیت PAC ، شاخص های مختلفی که کمیت مدولاسیون بین سری فاز و دامنه را تعیین می کنند ، ارائه شده است. این رابطه با میانگین طول بردار (MVL) مورد بررسی قرار گرفته است که واریانس های دایره ای را از طریق بزرگی میانگین سیگنال کامپوزیت پیچیده 10 ، شاخص مدولاسیون (MI) تعیین می کند که انحراف توزیع دامنه فاز را از طریق توزیع یکنواخت از طریق کمی تعیین می کند. واگرایی Kullback-Leibler 27 و مقدار قفل فاز (PLV) که واریانس دایره ای از قوام اختلاف فاز بین فاز سیگنال فرکانس پایین و فاز دامنه سیگنال فرکانس بالا 51 را محاسبه می کند. ارزیابی گسترده این معیارها نشان می دهد که در حالی که MI در برابر نویز و دوره های داده کوتاه قوی است ، MVL در SNR 41 High عملکرد بهتری دارد.
در این مقاله ، ما یک روش جدید برای ارزیابی PAC بر اساس توزیع فرکانس زمانی پیچیده با وضوح بالا ارائه می دهیم. اول ، ما یک روش تخمین فاز و دامنه آنی را بر اساس توزیع Rid-Rihaczek 52،53 معرفی می کنیم. از خواص این توزیع فرکانس زمانی درجه دوم ، مانند حاشیه زمانی و حفظ انرژی ، برای تخمین هر دو پاکت نوسان فرکانس بالا و فاز نوسان فرکانس پایین استفاده می شود. این روش جایگزین تبدیل هیلبرت و تبدیل موجک تحلیلی برای استخراج دامنه و فاز می شود. بر خلاف روشهای مبتنی بر تبدیل هیلبرت ، روش پیشنهادی سیگنال تحلیلی را بدون هیچ گونه فیلتر باند به دست می آورد. بر خلاف تبدیل موجک ، این رویکرد منجر به وضوح یکنواخت در طول زمان و فرکانس می شود و به انتخاب پارامترهای ورودی مختلف بستگی ندارد. ما سپس MVL را بر اساس دامنه و سری زمانی فاز استخراج شده محاسبه می کنیم تا PAC را کمیت کنیم. توجه به این نکته حائز اهمیت است که حتی اگر مقاله فعلی برای تعیین کمیت PAC روی MVL متمرکز شده باشد ، می توان دامنه و تخمین های فاز به دست آمده از توزیع Riv-Rihaczek را با سایر معیارهای مانند MI یا PLV ترکیب کرد. روش پیشنهادی برای اولین بار بر روی داده های شبیه سازی شده آزمایش می شود و از نظر وضوح آن ، دقت تخمین استحکام اتصال و استحکام در برابر پارامترهای مختلف سیگنال ارزیابی می شود. سرانجام ، این روش برای داده های EEG چند کانال ثبت شده در طی یک مطالعه کنترل شناختی برای تعیین تفاوت بین انواع پاسخ و شناسایی مناطق مغز و نوارهای فرکانس که نشان دهنده افزایش PAC است ، اعمال می شود.
مواد و روش ها
داده های تجربی
برای بررسی اعتبار رویکرد PAC پیشنهادی ، ابتدا آزمایشات بر روی دو مجموعه داده های سنتز شده انجام شد ، و سپس در یک مجموعه داده EEG انسانی جمع آوری شده از یک مطالعه کنترل شناختی که در اوایل سال 54 منتشر شد.
مجموعه داده سنتز 1
