تحلیل اتصالات عملکردی مغز براساس هم‌گامی فاز بین کانال‌های eeg: کاربرد در تحلیل الگوهای b-s در eeg نوزادان

در این مقاله، روشی جدید برای مطالعۀ اتصالات عملکردی بخش‌های مختلف مغز با استفاده از تجزیه‌وتحلیل سیگنال‌های eeg چندکاناله ارائه می‌شود. در روش پیشنهادی، از مقدار هم‌گامی فاز بین دو کانال eeg ‌به‌عنوان معیار قدرت اتصال بین دو الکترود eeg (میزان ارتباط دو ناحیۀ متناظر در مغز) استفاده شده است و براساس این مقادیر، اتصالات عملکردی بخش‌های مختلف مغز با استفاده از نظریۀ گراف به تصویر کشیده شده‌اند. در ادامه، از روش پیشنهادی برای مطالعۀ اتصالات عملکردی بخش‌های مختلف مغز نوزاد در زمان مشاهدۀ الگوهای burst suppression (b-s) در eeg آنها استفاده می‌شود. با بهره‌گیری از یک پایگاه دادۀ eeg نتیجه گرفته می‌شود که گراف‌های توصیف‌کنندۀ الگوهای b تنک‌تر از الگوهای s هستند و همچنین، قدرت اتصالات بخش‌های مختلف مغز در حضور الگوهای s از الگوهای b بیشتر است. به‌منظور راستی‌آزمایی روش پیشنهادشده در این تحقیق، برای ساخت اتصالات عملکردی مغز، با استفاده از نظریۀ گراف، گراف‌های توصیف‌کنندۀ الگوهای b و s طبقه‌بندی می‌شوند. نتایج به‌دست‌آمده، تفاوت آماری معنا‌داری را بین گراف‌های توصیف‌کنندۀ الگوهای b و s نشان می‌دهند؛ بنابراین، روش پیشنهادی برای مطالعۀ اتصالات عملکردی مغز در حضور سایر اختلالات مغزی نیز استفاده می‌شود.

Brain Functional Connectivity Analysis Through Phase Synchronization of EEG channels: Application in the Analysis of Burst-Suppression Patterns in Newborn EEGs

This paper presents a new method for studying brain functional connectivity using multichannel scalp EEG signals. The proposed method uses the values of pairwise phase synchrony between different EEG channels as a measure to quantify the strength of the connection between different parts of the brain. Using these values, the resulted brain networks are visualized by the use of graph theory. The method is then deployed to explore brain functional connectivity in newborn EEG signals in the presence of burst and suppression patterns. The results show that the brain networks are sparser in the presence of burst patterns compared to suppression patterns. They also show that the links in brain networks representing suppression patterns have greater strength. To validate the proposed method, the graphs describing burst and suppression patterns are classified. The results show that the brain networks for burst and suppression patterns are statistically different. The findings of this study show that the proposed method can be used to study brain functional connectivity in the presence of other abnormalities.