Vztah elektrofyziologické aktivity a dynamické funkční konektivity rozsáhlých mozkových sítí ve fMRI datech

Funkční mozková konektivita odráží určitý stav mozku. Vrůstající zájem o studium dynamiky funkční konektivity mezi jednotlivými rozsáhlými mozkovými sítěmi je doprovázen snahou nalézt její elektrofyziologické koreláty. Část takové neurální aktivity však může zůstat nerozpoznána, protože se během analýzy EEG dat velmi často používá různých omezení v prostorové a spektrální doméně. Zde představený přístup slepě odhaluje multimodální EEG spektrální vzorce, které se vztahují k dynamice BOLD funkční konektivity sítí. Slepá dekompozice EEG spektrogramu pomocí paralelní faktorové analýzy byla představena jako užitečný nástroj k odhalení vzorů neurální aktivity, kde každý vzor obsahuje tři signatury (prostorovou, časovou a spektrální). Na rozdíl od standardních přístupů, kdy dochází k průměrování signálů z jednotlivých elektrod, vybírají se pouze podskupiny elektrod, či se využívá standardních frekvenčních pásem, tato slepá dekompozice bere v potaz kompletní trilineární strukturu EEG dat. Simultánně měřená BOLD fMRI data jsou odděleně od EEG rozložena pomocí analýzy nezávislých komponent. Na časových průbězích komponent je odhadována dynamická funkční konektivita pomocí výpočtu korelačního koeficientu v plovoucím okně. Funkční konektivita síťových stavů je následně odvozena na základě hodnot těchto korelačních koeficientů. Použitím ANOVA testů jsou na závěr nalezeny tři EEG spektrální vzory vztahující se k dynamice funkční konektivity síťových stavů. Předchozí výzkum odhalil vztah mezi fluktuacemi EEG spektrálních vzorů a hemodynamikou rozsáhlých mozkových sítí. Tato práce ukazuje, že zmíněný vztah lze nalézt také na úrovni dynamiky funkční konektivity mezi jednotlivými rozsáhlými mozkovými sítěmi, kdy nejsou použita žádná standardní prostorová a spektrální omezení ve zpracování EEG dat.
Functional brain connectivity is a marker of the brain state. Growing interest in the examination of large-scale brain network functional connectivity dynamics is accompanied by an effort to find the electrophysiological correlates. The commonly used constraints applied to spatial and spectral domains during EEG data analysis may leave part of the neural activity unrecognized. A proposed approach blindly reveals multimodal EEG spectral patterns that are related to the dynamics of the BOLD functional network connectivity. The blind decomposition of EEG spectrogram by Parallel Factor Analysis has been shown to be a useful technique for uncovering patterns of neural activity where each pattern contains three signatures (spatial, temporal, and spectral). The decomposition takes into account the trilinear structure of EEG data, as compared to the standard approaches of electrode averaging, electrode subset selection or using standard frequency bands. The simultaneously acquired BOLD fMRI data were decomposed by Independent Component Analysis. Dynamic functional connectivity was computed on the component’s time series using a sliding window correlation, and functional connectivity network states were then defined based on the values of the correlation coefficients. ANOVA tests were performed to assess the relationships between the dynamics of functional connectivity network states and the fluctuations of EEG spectral patterns. Three patterns related to the dynamics of functional connectivity network states were found. Previous findings revealed a relationship between EEG spectral pattern fluctuations and the hemodynamics of large-scale brain networks. This work suggests that the relationship also exists at the level of functional connectivity dynamics among large-scale brain networks when no standard spatial and spectral constraints are applied on the EEG data.