معياري نوين براي رتبه‌بندي مقاومت تخمين‌گرهاي ارتباطات كانال‌هاي EEG/MEG در مقابل آرتيفكت هدايت حجمي

A Novel Criterion for Ranking the Robustness of EEG/MEG Sensor-Space Connectivity Estimators against Volume Conduction Artifact

در داده‌هاي EEG/MEG، آرتيفكت هدايت حجمي به صورت تركيب خطي لحظه‌اي فعاليت منابع مغزي در كانال‌ها مشاهده مي‌شود. يكي از ويژگي‌هاي مهم تخمين‌گرهاي ايده‌آل ارتباطات مغزي، مقاومت به آرتيفكت هدايت حجمي است؛ يعني هدايت حجمي منابع مغزي مستقل هرگز نبايد منجر به تخمين ارتباطات معني‌داري بين كانال‌هاي EEG/MEG شود. تاكنون هيچ معياري براي مقايسه سطح مقاومت تخمين‌گرهاي مختلف ارتباطات مغزي در مقابل آرتيفكت هدايت حجمي در كاربردهاي واقعي ارايه نشده است. در اين مقاله، معياري با عنوان شاخص مقاومت (RI) براي بررسي سطح مقاومت تخمين‌گرها به ارتباطات بين كانالي كه با تركيب خطي لحظه‌اي مولفه‌هاي شبه- مستقل قابل مدل‌سازي هستند؛ ارايه مي‌شود. با توجه به ماهيت تركيب خطي لحظه‌اي آثار هدايت حجمي، انتظار مي‌رود RI بتواند تخمين‌گرهاي ارتباطات مغزي را سازگار با سطح مقاومت آنها به آرتيفكت هدايت حجمي رتبه‌بندي كند. در ادامه، از RI براي رتبه‌بندي هفت تخمين‌گر ارتباطات كاركردي مغزي، استفاده مي‌شود؛ كه عبارتند از: اندازه ضريب همبستگي پيرسون (CC)، اطلاعات متقابل (MI)، مجذور اندازه كوهرنس (Coh)، مقدار قفل‌شدگي فاز(1:1) ((1:1)PLV)، اندازه جز موهومي كوهرنسي (ImC)، شاخص تاخير فاز (PLI) و شاخص تاخير فاز وزن‌دار (WPLI). نتايج براي داده‌هاي شبيه‌سازي شده و سيگنال‌هاي واقعي EEG نشان مي‌دهند كه تخمين‌گرهايي كه از لحاظ تيوري به آرتيفكت هدايت حجمي مقاوم هستند (ImC، PLI و WPLI) مقادير RI نزديك 100% مي‌دهند و مطابق انتظار بالاترين رتبه‌ها را دارند. همچنين، براي داده‌هاي شبيه‌سازي كه آثار هدايت حجمي و منابع مغزي مشخص است، رتبه‌بندي تخمين‌گرها با RI سازگار با سطح مقاومت آنها نسبت به آرتيفكت هدايت حجمي است. اين امر امكان استفاده از RI را براي رتبه‌بندي سطح مقاومت تخمين‌گرها به آرتيفكت هدايت حجمي براي داده‌هاي واقعي EEG/MEG تاييد مي‌كند.

In EEG/MEG datasets, the Volume Conduction (VC) artifact appears as instantaneous linear mixing of brain source activities on the channel measurements. A desired characteristic of an ideal EEG/MEG connectivity estimator (on sensor-space) is its robustness to VC artifact. This means that the VC of independent brain sources must never lead to detection of significant connectivity among EEG/MEG channels. There has been no criterion in the literature so far that can compare the robustness levels of different (sensor-space) connectivity estimators against VC artifact. In this paper, a criterion called Robustness Index (RI) is proposed to compare the robustness levels of connectivity estimators to channel couplings which are modeled by instantaneous linear mixing of quasi-independent components. Since the VC effects have instantaneous linear mixing nature, we expect RI to rank the connectivity estimators according to their robustness levels to VC artifact. RI is used to rank seven functional connectivity estimators: the absolute value of Pearson Correlation Coefficient (CC), Mutual Information (MI), Magnitude Squared Coherence (Coh), (1:1) Phase Locking Value ((1:1)PLV), the absolute value of Imaginary part of Coherency (ImC), Phase Lag Index (PLI) and Weighted Phase Lag Index (WPLI). The results for simulated data and a real EEG dataset show the connectivity estimators that are theoretically robust to VC artifact (ImC, PLI and WPLI) yield RI values near %100 and have the highest ranks, as expected. Also, for the simulated models in which the true VC effects and brain sources are known, ranking the connectivity estimators by RI is consistent with their robustness levels against VC artifact. This supports the possibility of using RI as a tool for ranking the robustness levels of connectivity estimators against VC artifact for real EEG/MEG datasets.