A novel framework for EEG connectivity analysis in resting state conditions

In this thesis work, we propose a new framework for effective connectivity analysis applied to EEG signals of resting-state conditions in the wakeful state. Our data consisted of 20 EEG recordings acquired during 5 minutes from 10 healthy subjects who were asked to maintain a relaxed state in two conditions, by keeping their eyes open, and eyes closed. First, a thorough analysis of the state of the art permitted to analyze and review the usual processing structure employed on the signals to find the effective connections that characterizes the connectivity patterns on the relaxation states. To this extent we have implemented the standard processing framework fitting a Multivariate Autoregressive (MVAR) model to the signal samples and requiring the segmentation of the time-series into shorter blocks for an appropriate fitting of the model. The segment length for the MVAR fitting is a topic that is not usually addressed in the literature and is commonly selected based on basic assumptions of the characteristics of the signals under analysis. This is why a window selection step as an intermediate process is further implemented to find the window length that guarantees stationarity over the whole set of EEG channels from the dataset to perform the MVAR fitting process. As result of this window selection approach, the windows of 400 milliseconds and 4 seconds were selected as the most stationary ones according to the analysis on the categories of short and long windows. These choices were employed to perform the effective connectivity analysis and were compared to other two windows of 2 seconds and 20 seconds in order to establish the results from them. The connectivity patterns derived from these windows were compared first using the definition of regions of interest (ROIs). The estimated patterns indicated that the posterior area of the brain was the most involved one in the connectivity for the resting state conditions in all the windows, characterizing the influence of this area onto the frontal and lateral areas. However, this general point of view is not sufficient to characterize the connectivity networks, and the connectivity in the sensor space defined by using all the channels was employed for the final analysis of the data. The connectivity analysis in the sensor space revealed similar connectivity patterns for the final choice of the 4 second windows. These patterns are in line with the currently most recognized definition of the default mode network (DMN) which involves the connections between specific channels in the posterior-central joint and the frontal-central area and that characterize the resting state connections between the Broadmann area 40 (precuneus) and Broadmann areas 8 and 10 (middle frontal regions). For this reason, the 4 seconds window was selected as the one explaining the effective connectivity according to the literature. These results demonstrate that our framework is an efficient algorithm that provides correct results on connectivity according to the literature, this is achieved by selecting appropriate parameters for the fitting process and the model explains better the physiological characteristics of the neural activity under analysis.

In questo lavoro di tesi, proponiamo un nuovo quadro per un'efficace analisi della connettività applicata ai segnali EEG delle condizioni di stato di riposo nello stato di veglia. I nostri dati consistevano in 20 registrazioni EEG acquisite durante 5 minuti da 10 soggetti sani a cui era stato chiesto di mantenere uno stato rilassato in due condizioni, tenendo gli occhi aperti e gli occhi chiusi. Innanzitutto, un'approfondita analisi dello stato dell'arte ha permesso di analizzare e rivedere la consueta struttura di elaborazione impiegata sui segnali per trovare le effettive connessioni che caratterizzano i pattern di connettività sugli stati di rilassamento. A tal fine abbiamo implementato il framework di elaborazione standard adattando un modello MVAR (Multivariate Autoregressive) ai campioni di segnale e richiedendo la segmentazione delle serie temporali in blocchi più brevi per un adattamento appropriato del modello. La lunghezza del segmento per l'adattamento MVAR è un argomento che di solito non viene affrontato in letteratura ed è comunemente selezionato sulla base di ipotesi di base delle caratteristiche dei segnali in analisi. Questo è il motivo per cui viene ulteriormente implementata una fase di selezione della finestra come processo intermedio per trovare la lunghezza della finestra che garantisce la stazionarietà sull'intero set di canali EEG dal set di dati per eseguire il processo di adattamento MVAR. Come risultato di questo approccio di selezione della finestra, le finestre di 400 millisecondi e 4 secondi sono state selezionate come quelle più stazionarie in base all'analisi sulle categorie di finestre corte e lunghe. Queste scelte sono state impiegate per eseguire l'analisi della connettività efficace e sono state confrontate con altre due finestre di 2 secondi e 20 secondi al fine di stabilirne i risultati. I modelli di connettività derivati ​​da queste finestre sono stati confrontati prima utilizzando la definizione di regioni di interesse (ROI). I modelli stimati indicavano che l'area posteriore del cervello era quella più coinvolta nella connettività per le condizioni di stato di riposo in tutte le finestre, caratterizzando l'influenza di quest'area sulle aree frontali e laterali. Tuttavia, questo punto di vista generale non è sufficiente a caratterizzare le reti di connettività, e per l'analisi finale dei dati è stata impiegata la connettività nello spazio dei sensori definito utilizzando tutti i canali. L'analisi della connettività nello spazio dei sensori ha rivelato modelli di connettività simili per la scelta finale delle finestre di 4 secondi. Questi schemi sono in linea con la definizione attualmente più riconosciuta di rete in modalità predefinita (DMN) che prevede le connessioni tra canali specifici nell'articolazione posteriore-centrale e l'area frontale-centrale e che caratterizzano le connessioni di stato di riposo tra l'area di Broadmann 40 (precuneus) e Broadmann aree 8 e 10 (regioni frontali centrali). Per questo motivo, la finestra di 4 secondi è stata selezionata come quella che spiega l'effettiva connettività secondo la letteratura. Questi risultati dimostrano che il nostro framework è un algoritmo efficiente che fornisce risultati corretti sulla connettività secondo la letteratura, ciò si ottiene selezionando parametri appropriati per il processo di adattamento e il modello spiega meglio le caratteristiche fisiologiche dell'attività neurale in analisi.