Università degli Studi di Roma LA SAPIENZA - biomod.org · Università degli Studi di Roma "LA...
-
Upload
truongminh -
Category
Documents
-
view
230 -
download
0
Transcript of Università degli Studi di Roma LA SAPIENZA - biomod.org · Università degli Studi di Roma "LA...
Università degli Studi di Roma
"LA SAPIENZA"
STUDENT: Alessandra Basilisco
PhD Thesis in Biophysics XVIII Ciclo
STUDIO DELLA CONNETTIVITÀ CORTICALE NELL’UOMO MEDIANTE TECNICHE DI
DIRECTED TRANSFER FUNCTION
SUPERVISOR: Prof. Alfredo Colosimo
Prof. Fabio Babiloni
PHD COORDINATOR: Prof. Alfredo Colosimo
I
IINNTTRROODDUUZZIIOONNEE......................................................................................................................................... III CAPITOLO 1 ................................................................................................................................................... 1 ASPETTI GENERALI DI FISIOLOGIA...................................................................................................... 1
1.1 LE BASI NEUROFISIOLOGICHE .......................................................................................................... 1 1.2 LA STRUTTURA CEREBRALE............................................................................................................. 4 1.3 AREE DI BRODMANN ....................................................................................................................... 5
CAPITOLO 2 ................................................................................................................................................... 8 ELETTROENCEFALOGRAFIA .................................................................................................................. 8
2.1 L’ELETTROENCEFALOGRAMMA ....................................................................................................... 8 2.1.1 Le basi fisiologiche dell’elettroencefalografia .......................................................................... 8 2.1.2 Elettroncefalografia ad alta risoluzione .................................................................................. 10
2.2 CORRELATI ELETTROFISIOLOGICI DELL’ATTIVITÀ CORTICALE....................................................... 13 2.3 I POTENZIALI EVENTO-CORRELATI (ERP’S.................................................................................... 13 2.4 COMPONENTI SPETTRALI DEI SEGNALI EVENTO-CORRELATI: I RITMI CEREBRALI ........................... 15 2.5 DESINCRONIZZAZIONE / SINCRONIZZAZIONE CORRELATA AL MOVIMENTO ................................... 16
CAPITOLO 3 ................................................................................................................................................. 19 STIMA DELL’ATTIVITÀ CORTICALE .................................................................................................. 19
3.1 PROBLEMA NEUROELETTROMAGNETICO DIRETTO ......................................................................... 19 3.2 MODELLI DI VOLUME DI CONDUZIONE........................................................................................... 20
3.2.1 Modello a sfera singola............................................................................................................ 20 3.2.2 Il modello a sfere multiple ....................................................................................................... 21 3.2.3 Modelli realistici: metodo degli elementi di confine (BEM) .................................................... 22 3.2.4 La generazione del modello di testa......................................................................................... 25
3.3 IL PROBLEMA LINEARE INVERSO.................................................................................................... 27 3.4 LA MATRICE DEI LEAD-FIELD (A) ................................................................................................. 31 3.5 REGOLARIZZAZIONE DI TICKHONOV.............................................................................................. 32 3.6 LA MATRICE DEI PESI ..................................................................................................................... 35
CAPITOLO 4 ................................................................................................................................................. 38 DIRECTED TRANSFER FUNCTION (DTF) ............................................................................................ 38
4.1 CENNI PRELIMINARI....................................................................................................................... 38 4.2 DESCRIZIONE DEL METODO ........................................................................................................... 39 4.3 MISURE DI CAUSALITÀ DIRETTA (DC ............................................................................................ 43 4.4 LA VALIDAZIONE STATISTICA DELLE MISURE DI DTF.................................................................... 47 4.5 DESCRIZIONE DEL FLUSSO D’INFORMAZIONE ENTRANTE ED USCENTE (INFLOW ED OUTFLOW .. 51
4.5.1 Caratterizzazione mediante la DTF......................................................................................... 53 4.5.2 Caratterizzazione mediante la DC........................................................................................... 55 4.5.3 Caratterizzazione mediante il numero di archi entranti ed uscenti ......................................... 57
CAPITOLO 5 ................................................................................................................................................. 60 DESCRIZIONE DELLO STUDIO DI SIMULAZIONE ........................................................................... 60
5.1 SIMULAZIONE DTF........................................................................................................................ 61 5.1.1 Descrizione generale della procedura ..................................................................................... 61 5.1.2 Generazione dei segnali di test ................................................................................................ 63 5.1.3 Implementazione ...................................................................................................................... 65 5.1.4 Decomposizione della DTF in termini di parametri del modello di generazione .................... 67 5.1.5 Implementazione del calcolo della DTF e della DC ................................................................ 75 5.1.6 Estrazione dei risultati ............................................................................................................. 76
CAPITOLO 6 ................................................................................................................................................. 78 RISULTATI DELLO STUDIO DI SIMULAZIONE ................................................................................. 78
6.1 RISULTATI DELLA DIRECTED TRANSFER FUNCTION ...................................................................... 78 6.2 RISULTATI DELL’ANALISI STATISTICA (ANOVA).......................................................................... 83 6.3 CONCLUSIONI DELLO STUDIO DI SIMULAZIONE.............................................................................. 92
II
CAPITOLO 7................................................................................................................................................. 94 APPLICAZIONE A DATI REALI: FINGER TAPPING.......................................................................... 94
7.1 DESIGN SPERIMENTALE................................................................................................................. 95 7.1.1 Compito sperimentale .............................................................................................................. 95 7.1.2 Acquisizione delle registrazioni EEG ...................................................................................... 95 7.1.3 Caratteristiche del segnale EEG acquisito .............................................................................. 96 7.1.4 Modelli delle strutture utilizzate ............................................................................................. 98 7.1.5 Segmentazione della corteccia cerebrale................................................................................ 99
7.2 RISULTATI DELL’APPLICAZIONE DELLA DTF............................................................................... 102 7.2.1 Risultati ottenuti su dati stimati senza includere informazioni fornite dalla fMRI. ............... 104 7.2.2 Risultati ottenuti su dati stimati con l’inclusione delle informazioni fornite dalla fMRI....... 112
CAPITOLO 8............................................................................................................................................... 117 APPLICAZIONE A DATI REALI: ENC-RET ........................................................................................ 117
8.1 RISULTATI DELL’ANALISI DEI DATI NEL DOMINIO DEL TEMPO: FORME D’ONDA MEDIE SULLO SCALPO .................................................................................................................................................... 118 8.2 FORME D’ONDA MEDIE SULLA CORTECCIA: STIMA DELL’ATTIVITÀ CORTICALE ........................... 122 8.3 STIMA DELLA CONNETTIVITÀ CORTICALE.................................................................................... 132 8.4 ANALISI DEI RISULTATI ............................................................................................................... 138
8.4.1 Analisi dei pattern di connettività in banda theta .................................................................. 139 8.4.2 Analisi dei pattern di connettività in banda alpha................................................................. 146 8.4.3 Analisi dei pattern di connettività in banda beta ................................................................... 150 8.4.4 Analisi dei pattern di connettività in banda gamma .............................................................. 153
CONCLUSIONI........................................................................................................................................... 155 BIBLIOGRAFIA ......................................................................................................................................... 157
III
IInnttrroodduuzziioonnee
Nel corso degli ultimi dieci anni lo studio del funzionamento del cervello
umano ha raggiunto importanti traguardi, spinto dall’impiego di nuove
tecnologie di misura dell’attività cerebrale, quali la risonanza magnetica
funzionale (fMRI), la tomografia ad emissione di positroni (PET) e
l’elettroencefalografia ad alta risoluzione spaziale (HREEG), che hanno
consentito di tracciare un quadro relativamente dettagliato delle principali
funzioni corticali correlate alla memoria e alla pianificazione ed esecuzione
di atti motori. D’altra parte, al momento tutte queste tecnologie restituiscono
informazioni su quali aree corticali divengono “attive” durante un
particolare compito sperimentale, ma non chiariscono quali siano, nel caso
esistano, le connessioni funzionali fra tali aree. Questo quesito è
particolarmente importante, in quanto strettamente connesso alla domanda se
l’attività rilevata dai sistemi fMRI o PET in due (o più) sistemi corticali
durante l’esecuzione di un compito sia in realtà guidata dall’attivazione di
una terza e diversa area corticale, oppure sottenda un rapporto di sudditanza
fra l’una e l’altra area, punto che la tecnologia di indagine a nostra
disposizione non riesce a chiarire. Per fare un’analogia, si immagini di
essere dei turisti giapponesi a Roma e avere innanzi una mappa della città in
cui siano evidenziati in dettaglio i principali monumenti, quali il Colosseo, la
Fontana di Trevi, San Pietro, piazza di Spagna, ma in cui non vi siano
informazioni sulle vie di comunicazione principali che li connettono. È
evidente che con tale mappa si avrebbero delle difficoltà a capire come
raggiungere i monumenti di interesse nonché ad identificare un percorso
sensato per la visita di alcuni di essi. Questa è anche la situazione nel campo
delle neuroscienze al momento attuale: grazie alle tecnologie fMRI, PET e
IV
HREEG sono ben note le aree corticali coinvolte in alcuni processi cognitivi
e motori, ma manca la necessaria conoscenza delle relazioni funzionali fra
tali aree. Ad oggi tali relazioni sono solo ipotizzate in base all’esistenza di
particolari connessioni anatomiche che fungono da “autostrade” per il
passaggio di informazioni fra alcune particolari aree corticali. Ad esempio,
le regioni parietali della corteccia cerebrale sono connesse con le regioni
frontali da ampio gruppo di fibre (detto fascicolo arcuato). Questo ha fatto
supporre che possa esistere una comunicazione privilegiata fra tali aree,
detta connessione fronto-parietale. Tuttavia, l’esistenza o meno di una
connessione anatomica privilegiata tra due regioni della corteccia non può
far escludere a priori nessun tipo di collegamento: infatti, grazie alla
complessa organizzazione del network nervoso, ogni neurone cerebrale può
raggiungere qualsiasi altro neurone con al più tre sinapsi. Le sole
considerazioni neuroanatomiche non sono quindi sufficienti a risolvere il
problema.
Alla luce di quanto esposto diviene dunque fondamentale disporre di
strumenti in grado di poter stimare il grado di connettività funzionale fra le
varie aree cerebrali, per poter accrescere la conoscenza del grado di
cooperazione che tali aree generano durante diversi compiti sperimentali.
Da un punto di vista quantitativo, una definizione di connettività funzionale
fra i segnali ottenuti da due aree corticali è basata sulla diminuzione
dell’errore di predizione che può essere ottenuto per la prima serie temporale
considerando anche le informazioni temporali della seconda. Questa
definizione, detta teoria della causalità di Granger, consente di comprendere
da un punto di vista quantitativo concetti che a prima vista potrebbero
apparire poco definiti agli occhi di un bioingegnere.
I passi compiuti in questa tesi sono stati: 1) eseguire uno studio teorico delle
proprietà della tecnica di stima delle relazioni causali fra segnali
V
tempovarianti conosciuta come Directed Transfer Function (DTF); 2) testare
mediante uno studio di simulazione tali metodologie e 3) applicare la tecnica
DTF a due set di dati sperimentali relativi a stime di segnali corticali
nell’uomo ottenute da misure non invasive di EEG ad alta risoluzione,
durante l’esecuzione di compit cognitivo-motori.
Per poter valutare la capacità della tecnica DTF di stimare adeguatamente i
pattern di connettività cerebrale, è stato necessario innanzitutto considerare
una situazione sperimentale in cui la rete di connessione fosse nota. Per
questo, è stato realizzato uno studio di simulazione implementato in
linguaggio MATLAB. Ai tool opportunamente realizzati, sempre in linguaggio
MATLAB, per l’implementazione automatica della metodologia in oggetto,
sono stati forniti in ingresso segnali di test, generati, a partire da vere stime
di segnali corticali effettuate su registrazioni EEG ad alta risoluzione
spaziale, in modo tale da essere legati tra loro da un pattern di connettività
noto. In tal modo si è avuto a disposizione un modello conosciuto, con cui
confrontare i risultati presentati dalle due diverse tecniche. Accanto a ciò,
l’uso di segnali di test ha permesso di far variare in modo sistematico le
proprietà dei segnali utilizzati, al fine di verificare quantitativamente,
mediante un’analisi statistica precisa, in che modo tali parametri
influenzassero le prestazioni del metodo. Tale analisi statistica è stata
rafforzata dalla possibilità (fornita dall’implementazione in modo
completamente automatico delle fasi di stima) di avere a disposizione un gran
numero di repliche della stima dei segnali per ognuna delle diverse
condizioni considerate. I principali parametri considerati sono stati il
rapporto segnale rumore dei segnali (SNR) e la lunghezza dei segnali a
disposizione, misurata in numero di campioni ad una data frequenza di
campionamento. Di entrambi questi fattori è stato preso in considerazione un
certo numero di valori significativi all’interno del range da essi tipicamente
VI
assunto nel caso di segnali del tipo considerato (ossia stimati sulla corteccia
da registrazioni EEG ad alta risoluzione spaziale, mediante risoluzione del
problema lineare inverso). I risultati dello studio di simulazione effettuato per
la tecnica in esame hanno fornito quindi indicazioni preziose sui limiti di
applicabilità e sui margini di errore attesi durante l’analisi di dati EEG ad
alta risoluzione spaziale.
Va osservato come tale studio di simulazione sia stato eseguito per la prima
volta nella letteratura scientifica concernente l’argomento, e costituisca un
documento di interesse per quei ricercatori che si propongono di stimare le
connettività corticali mediante tali metodologie. I risultati di tale studio
hanno portato alla pubblicazione di diversi articoli su riviste scientifiche del
settore.
Tra gli altri, sono stati inviati ed accettati contributi per il 25th Annual
International Conference Of The IEEE Engineering In Medicine And Biology
Society tenutosi a Cancun nel Settembre 2003, per il 4th International
Symposium on Noninvasive Functional Source Imaging tenutosi a Chieti dal
10 al 13 Settembre 2003 e per il 6 Convegno Nazionale dell’Associazione
Fatebenefratelli per la Ricerca Scientifica tenutosi a Roma dal 25 al 27
Settembre.
Come accennato in precedenza, la presente tesi è completata da due esempi
di applicazione della metodologia DTF allo studio della connettività corticale
generata dall’esecuzione di un compito motorio e di un compito cognitivo in
soggetti sperimentali mediante registrazioni ad alta risoluzione EEG. Di
particolare interesse in questa applicazione è stata la possibilità di impiegare
i dati di attività corticale stimati mediante l’utilizzo di modelli realistici di
testa per la generazione dei pattern di connettività cerebrale. Nel primo caso,
accanto alle stime di dati corticali sono state impiegate anche le informazioni
relative alle variazioni di flusso ematico a carico dei diversi distretti
VII
cerebrali ottenute nello stesso soggetto sperimentale analizzato con l’HREEG
grazie ad una registrazione di fMRI. I risultati relativi ai network corticali
stimati durante l’esecuzione del compito motorio proposto ai soggetti sono
qui presentati in differenti bande di frequenza ed hanno mostrato l’esistenza
di un pattern di connettività specifico per l’ingaggio delle connessioni
fronto/parietali durante l’esecuzione del compito stesso. Tale pattern è stato
ottenuto nelle bande di frequenza teta, beta e gamma mentre nella banda di
frequenza alfa si è evidenziato un quadro di connettività più specifico
relativamente al particolare movimento compiuto. Dall’analisi dei dati
sperimentali si è quindi concluso che esiste una sovrapposizione di due reti
corticali che lavorano in parallelo, di cui una coinvolta nell’allocazione di
risorse cognitive non specifiche rispetto al compito sperimentale eseguito dal
soggetto, l’altra specializzata per il tipo di compito eseguito.
La presente tesi si sviluppa in 8 capitoli.
Nel capitolo 1 vengono esposti gli aspetti generali di fisiologia
riguardanti il sistema nervoso e le strutture cerebrali.
Nel capitolo 2 sono descritti i concetti alla base della generazione dei
segnali EEG e delle tecniche che permettono di registrarli; la correlazione
tra movimenti del dito ed attivazioni corticali e le bande di frequenza di
interesse in questo studio.
Il capitolo 3 illustra la generazione dei segnali EEG da un punto di vista
elettromagnetico, gli argomenti teorici alla base della generazione delle
strutture del modello di testa utilizzato, la definizione del problema diretto e
della risoluzione del problema inverso che permette di ottenere la stima della
attività corticale a partire dai segnali rilevati sullo scalpo.
Nel capitolo 4 viene introdotta la Directed Transfer Function, la prima
delle due tecniche che costituiscono l’oggetto di questo studio. Accanto alla
descrizione del metodo viene spiegato l’utilizzo di alcuni parametri ad essa
collegati, quali la misura di causalità diretta (DC) e il problema della
VIII
validazione statistica dei risultati con essa ottenuti; vengono inoltre introdotti
due parametri, chiamati Inflow ed Outflow, che sono stati definiti nel corso di
questa tesi e intendono costituire una misura del flusso totale di informazione
entrante in un area corticale o uscente da essa.
Nel capitolo 5 sono descritti i vari passi compiuti nella realizzazione
dello studio di simulazione: la generazione dei segnali di test,
l’implementazione di tool per la realizzazione in modo automatico della
metodica, l’organizzazione dei risultati e l’estrazione da essi degli indici
scelti per valutarne le prestazioni.
Nel capitolo 6 sono riportati i risultati delle simulazioni effettuate per la
Directed Transfer Function, accompagnati dalla descrizione delle diverse
situazioni che si è scelto di testare e dall’analisi statistica che ha permesso di
caratterizzare in modo preciso le prestazioni dei due metodi.
Il capitolo 7, riporta l’applicazione della metodologia DTF allo studio
della connettività corticale generata dall’esecuzione di un compito motorio
mediante registrazioni ad alta risoluzione EEG e da registrazioni fMRI.
Il capitolo 8, riporta l’applicazione della metodologia DTF allo studio
della connettività corticale generata dall’esecuzione di un compito cognitivo
mediante registrazioni ad alta risoluzione EEG e le conclusioni.
Capitolo 1 Aspetti generali di fisiologia
1
CAPITOLO 1
Aspetti generali di fisiologia
1.1 Le basi neurofisiologiche
Il sistema nervoso umano è costituito da due classi di cellule: le
cellule nervose (o neuroni), il cui compito è quello di generare e propagare i
segnali nervosi, e le cellule della Glia, le quali rappresentano principalmente
elementi di supporto, tali da fornire forma e consistenza al sistema stesso. A
causa dello scarso contributo fornito dalle cellule gliali alla generazione del
segnale nervoso, la nostra attenzione sarà focalizzata sulla prima classe.
Il cervello umano è formato da una rete estremamente complicata
di neuroni (circa 1010), variamente interconnessi fra loro per mezzo di
numerose fibre nervose. In ogni neurone si distinguono quattro aree differenti:
il corpo cellulare (soma), i dendriti (molteplici sottili ramificazioni del soma),
una lunga fibra nervosa (assone) e le terminazioni presinaptiche dell'assone.
L’assone e i dendriti sono connessi agli altri neuroni, o alle altre cellule
recettrici, tramite speciali giunzioni chiamate sinapsi (Fig. 1.1).
Capitolo 1 Aspetti generali di fisiologia
2
Fig. 1.1 Rappresentazione schematica di un neurone
In condizioni basali, la membrana cellulare di un neurone
presenta una permeabilità diversa ai vari tipi di ioni, quali Na+, K+ e Cl-, tale
da stabilire una differenza di potenziale tra lo spazio intra ed extracellulare di
–70mV. Se un potenziale d’azione raggiunge una sinapsi, si sviluppa,
attraverso la membrana cellulare, un potenziale postsinaptico (PSP), il quale
può assumere un comportamento inibitorio o stimolante a seconda che vada
ad incrementare (iperpolarizzazione) o decrementare (depolarizzazione) la
differenza di potenziale trans-membranale. Qualora la depolarizzazione superi
un determinato valore di soglia (pari a circa 10mV), si genera un potenziale
d’azione, grazie al repentino cambiamento e recupero della permeabilità di
membrana ai differenti ioni. Il potenziale d’azione è un segnale del tipo “tutto
o nulla”, nel senso che, se avviene il superamento del valore di soglia, il
Capitolo 1 Aspetti generali di fisiologia
3
segnale generato ha sempre la stessa forma: una prima depolarizzazione
seguita da un rapido fronte di ripolarizzazione (Fig. 1.2).
Fig. 1.2 Potenziale d’azione
Sia i PSPs che i potenziali d’azione possono contribuire alla
registrazione dei segnali extracranici. Si aggiunga che anche le cellule della
Glia manifestano lenti cambiamenti del potenziale di membrana, scatenati da
variazioni delle concentrazioni intracellulari degli ioni potassio. Nonostante
ciò, poiché non è verosimile che i potenziali d’azione si generino in maniera
sincrona, il loro contributo ai campi elettrici extracranici è piuttosto scarso.
Inoltre, anche i PSPs hanno la tendenza ad annullarsi reciprocamente in
neuroni a simmetria radiale. Tuttavia, quando un gran numero di dendriti è
organizzato in fasci paralleli, come avviene nei neuroni piramidali della
corteccia, se ne possono osservare distintamente gli effetti d'insieme. Il
numero di sinapsi che deve essere simultaneamente attivo, per generare un
campo misurabile all'esterno della testa, si aggira attorno al milione. Tale
attivazione sincrona d'intere popolazioni neuronali è comunemente associata a
Capitolo 1 Aspetti generali di fisiologia
4
molti processi cerebrali, cosicché l'EEG apre una finestra di osservazione
importante e, soprattutto, non invasiva per la ricerca e per scopi clinici.
1.2 La struttura cerebrale
Il sistema nervoso centrale (CNS) è una struttura bilaterale e
simmetrica, tradizionalmente divisa in sei parti: midollo spinale, bulbo, ponte,
mesencefalo, diencefalo (ipotalamo e talamo) ed emisferi cerebrali. Tutte le
funzioni cerebrali trovano una localizzazione nella corteccia, la quale ricopre
gli emisferi cerebrali e nella quale tutte le informazioni sono elaborate ed
integrate. La corteccia è una struttura molto complessa la cui morfologia,
intensamente irregolare, è il risultato della particolare evoluzione cerebrale
dei primati, durante la quale il volume dell’encefalo è aumentato più
rapidamente del volume del cranio, portando alla formazione di un gran
numero di fenditure, dette solchi, e di circonvoluzioni, le cui creste prendono
il nome di giri. Alcuni solchi sono comuni a tutti gli individui, tanto che si è
deciso di usarli come zone di riferimento per dividere la corteccia di ogni
emisfero in quattro lobi: frontale, parietale, temporale ed occipitale (Fig. 1.3).
Capitolo 1 Aspetti generali di fisiologia
5
Fig. 1.3 Rappresentazione schematica della struttura del cervello
1.3 Aree di Brodmann
Nella genesi delle strutture componenti il sistema nervoso, la
corteccia cerebrale è certamente la parte che si è sviluppata più recentemente.
La sua grandezza e la sua complessità sono la dimostrazione dell’evoluzione
delle capacità dell’uomo di trattare problemi complessi e a valutare particolari
situazioni astraendole dalla realtà.
Certamente una così progressiva specializzazione delle attività
umane ha portato sia alla necessità da parte dell’individuo di ampliare le
proprie tecnologie, che al bisogno di rinvigorire le proprie capacità cognitive.
Come conseguenza di tutto questo processo evolutivo, la struttura cerebrale
dell’uomo attuale è certamente di una elevata complessità.
È da tempo noto che alcune zone del cervello attengono a
specifici compiti sia cognitivi che motori, come intuito dall’anatomista
Capitolo 1 Aspetti generali di fisiologia
6
Brodmann, autore, già agli inizi del ‘900, della omonima suddivisione e
classificazione della superficie corticale in aree omogenee dal punto di vista
citoarchitettonico.
Operando esami istologici accurati, valutando i diversi tipi di
cellule nervose e la disposizione delle fibre mieliniche, Brodmann giunse ad
individuare 47 precise aree corticali con caratteristiche distinte. Tale
classificazione è largamente accettata ed utilizzata ancora oggi. Una
rappresentazione di alcune delle suddette aree è riportata in figura 1.4.
Fig. 1.4 Rappresentazione di alcune delle aree corticali individuate da Brodmann.
Tali aree vengono anche denominate in base al compito specifico
cui attengono; si citano a titolo di esempio l'area sensitiva primaria (area 3-1-
2) e secondaria (aree 5 e 7), l'area visiva primaria (area 17) e secondaria (aree
Capitolo 1 Aspetti generali di fisiologia
7
18, 19), l'area motoria primaria (area 4) e l'area premotoria (area 6, parte
mesiale).
Capitolo 2 Elettroencefalografia
8
CAPITOLO 2
Elettroencefalografia
2.1 L’elettroencefalogramma
Lo scopo di questo capitolo è di introdurre alcune nozioni di
elettrofisiologia. Verranno esposte le metodologie usuali che permettono
l’estrazione di informazioni nel tempo ed in frequenza da segnali
elettroencefalografici rilevati in corrispondenza a stimoli (EEG evento-
correlato).
2.1.1 Le basi fisiologiche dell’elettroencefalografia
Come osservato nel precedente capitolo, solo l’attivazione
contemporanea di un’intera popolazione di neuroni può generare un segnale
elettrico misurabile all’esterno della testa. Questo è ciò che accade con gli
impulsi efferenti dal talamo, i quali possono attivare simultaneamente
centinaia di neuroni corticali. La somma dei potenziali postsinaptici (PSP) è
sostenuta da un flusso di correnti ioniche (correnti primarie) che attraversano
le membrane sinaptiche. Queste correnti inducono un simile flusso di cariche
esterne (correnti secondarie) nello spazio extracellulare, le quali, scorrendo
attraverso tutti i tessuti encefalici, raggiungono infine la superficie della testa,
sebbene sostanzialmente attenuate dalla bassa conducibilità delle ossa
craniche. In questa sede si generano differenze di potenziale che possono
essere misurate tramite elettrodi posti sullo scalpo, costituiti, il più delle volte,
Capitolo 2 Elettroencefalografia
9
da dischi o coppette di metallo o ceramica sintetica. Per garantire un buon
contatto con la superficie cutanea viene utilizzato un gel conduttore e gli
elettrodi possono essere direttamente incollati al cuoio capelluto, grazie
all’uso di speciali sostanze adesive, oppure fissati su una cuffia o su una
benda che viene successivamente fatta aderire allo scalpo.
I segnali misurati sulla superficie della testa hanno un’ampiezza
di 20-100µV (fortemente attenuati, rispetto all’ampiezza dei PSPs) ed una
frequenza compresa nel range 1-30 Hz, generalmente divisa in quattro bande
distinte: onde alpha (8-13 Hz), onde beta (13-30Hz), onde delta (0,5-4 Hz),
onde tetha (4-7Hz). L’ampiezza dell’EEG è attenuata non soltanto dalla
presenza delle ossa craniche, ma anche da quella del liquido cerebrospinale
(CSF) e delle tre membrane che ricoprono l’intero encefalo ed il midollo
spinale, le cosiddette meningi (in special modo la Dura Madre, la più spessa,
ma anche l’Aracnoide e la Pia Madre).
Allo scopo di ricostruire l’attività corticale, l’EEG deve essere
misurato contemporaneamente in diversi punti dello scalpo. Il sistema più
comunemente utilizzato è il montaggio internazionale 10-20 dove diciannove
elettrodi sono posti in frazioni del 10 e del 20% della distanza tra prefissati
limiti anatomici del cranio, costituiti dal nasion, l'inion e dai punti pre-
auricolari. (Fig. 2.1).
Capitolo 2 Elettroencefalografia
10
Fig. 2.1 Montaggio10-20: vista laterale e dall’alto
Trattandosi di misure di potenziale, è necessario fissare uno (o
più) elettrodi di riferimento. I due metodi comunemente usati a questo scopo
sono:
• il metodo del riferimento comune, che misura i potenziali di tutti gli
elettrodi rispetto a quello di un singolo elettrodo comune, attaccato di
solito al lobo di un orecchio. Lo svantaggio di questo metodo è che
un’attività vicina all'elettrodo può distorcere la registrazione, dal
momento che questa viene ad essere sottratta alle registrazioni di
elettrodi distanti.
• il metodo del riferimento medio (average reference), che riferisce il
valore di ogni canale in rapporto alla media di tutti i canali. In questo
modo i problemi sopra menzionati vengono risolti, ma i pattern spaziali
così ottenuti (average referenced) tendono inevitabilmente a
"sporcarsi" (smearing).
2.1.2 Elettroncefalografia ad alta risoluzione
I potenziali registrati nell’elettroencefalogramma risultano
attenuati, distorti e diffusi sullo scalpo a causa delle differenti conducibilità
Capitolo 2 Elettroencefalografia
11
elettriche che i tessuti quali meningi, cranio e scalpo presentano al passaggio
delle correnti intracraniche.
Inoltre, la distorsione della distribuzione di potenziale corticale è
aumentata, alla sua rilevazione sullo scalpo, dagli effetti dei percorsi ad
equivalente conducibilità che le discontinuità dei globi oculari e dei forami
acustici offrono alla propagazione delle correnti intracraniche. Come risultato
di tali fenomeni di distorsione spaziale indotti dalle strutture anatomiche della
testa, la distribuzione di potenziale sullo scalpo presenta una bassa risoluzione
spaziale che non consente una affidabile localizzazione dei generatori
corticali dei potenziali evento-correlati.
A causa dei suddetti effetti di volume conduzione, il segnale
EEG è in genere un potenziale che risulta dalla sovrapposizione di segnali
provenienti da diverse regioni corticali e/o sottocorticali. Il potenziale
registrato da un certo sito elettronico, quindi, non è necessariamente generato
dalla sottostante corteccia. Ad esempio, il potenziale dello scalpo generato da
sorgenti corticali bilaterali può essere massimo al vertex che è posto lontano
da tali sorgenti.
È stato quantificato mediante simulazioni che sorgenti distribuite
in un raggio di 3 cm al di sotto della posizione dell’elettrodo, contribuiscono
solo per il 50% alla potenza che l’elettrodo stesso capta, mentre si raggiunge
il 90% considerando sorgenti distanti anche 6 cm. Infine, è interessante notare
che gli effetti di volume conduzione, come anche quelli del riferimento
elettrico, producono un aumento delle basse frequenze spaziali dei potenziali
dello scalpo (blur spaziale).
Oltre alla presenza di tali fenomeni di distorsione spaziale, lo
studio dell’attività corticale tramite l’analisi dei potenziali evento-correlati
soffre della dipendenza dei dati registrati dal riferimento elettrodico impiegato
per la registrazione. Infatti, variazioni del potenziale elettrico adottato come
riferimento per la registrazione dei potenziali sullo scalpo possono attenuare
Capitolo 2 Elettroencefalografia
12
od oscurare differenti generatori corticali, agendo quindi come un ulteriore
fattore di inquinamento spazio-temporale dei dati elettrici registrati.
Per tutti i motivi elencati l’analisi convenzionale dei potenziali
evento-correlati o dell’EEG, eseguita mediante registrazioni da 20÷30 sensori,
in generale offre una risoluzione spaziale dell’ordine dei 6÷7 cm, che è
almeno di un ordine di grandezza maggiore rispetto a quelle offerte da altre
tecniche di neuroimaging comunemente adottate, quali la Tomografia ad
Emissione di Positroni (PET)e la Risonanza Magnetica Funzionale (MRI).
L’aumento di risoluzione spaziale nel caso dello studio dei
potenziali evento-correlati non può, d’altra parte, essere ottenuto aumentando
semplicemente il numero di sensori posti sullo scalpo per la registrazione del
potenziale evento-correlato. Infatti un adeguato campionamento elettrodico
del potenziale sullo scalpo mette al riparo da fenomeni di aliasing spaziale
durante l’acquisizione dei dati, ma non risolve il problema della dispersione
ed attenuazione delle distribuzioni di potenziale attuato dalle strutture
anatomiche a bassa conducibilità.
Un incremento significativo della risoluzione spaziale dei
potenziali evento-correlati registrati sullo scalpo può essere ottenuto mediante
l’impiego della tecnologia detta Elettroencefalografia ad Alta Risoluzione
Spaziale. In tale tecnologia vengono prima condotte le registrazioni del
potenziale evento-correlato impiegando una rete di 64÷128 sensori posti sullo
scalpo e successivamente tali dati sono processati da particolari algoritmi che
rimuovono gli effetti di attenuazione indotti dalle strutture a bassa
conducibilità sulla testa (algoritmi di deblurring spaziale), quali quelli che
coinvolgono il computo del laplaciano superficiale del potenziale (Surface
Laplacian, SL) od il computo della deconvoluzione spaziale (Kearfott et al.,
1991; Le and Gevins, 1993).
Entrambe gli algoritmi descritti (SL e deconvoluzione spaziale)
migliorano fortemente le loro prestazioni quando sono impiegati modelli
Capitolo 2 Elettroencefalografia
13
realistici di volume conduttore (comprendenti il modello di scalpo, del cranio,
della dura madre e della corteccia cerebrale), ottenuti mediante il
processamento delle Immagini di Risonanza Magnetica (MRI) della testa del
soggetto.
2.2 Correlati elettrofisiologici dell’attività corticale
Registrando l’attività fra due elettrodi collocati sulla superficie
della corteccia cerebrale o fra un elettrodo attivo ed uno indifferente (posto ad
esempio sul lobo dell’orecchio), si notano continue oscillazioni di potenziale:
esse costituiscono l’elettrocorticogramma (ECoG). Le ampiezze di queste
oscillazioni sono intorno ai 100 microvolt e le frequenze vanno da 1 a 50 Hz.
Le superfici equipotenziale sono approssimativamente parallele alle superfici
della corteccia cerebrale.
L’attività della popolazione neuronale si manifesta con variazioni
sincrone della frequenza di scarica. Secondo la situazione in cui si trova il
soggetto, sono presenti in misura maggiore determinate frequenze dette ritmi
corticali che producono sulla superficie della corteccia cerebrale un campo
elettromagnetico che varia lentamente nel tempo.
La resistenza elettrica dei tessuti interposti e la maggior distanza
degli elettrodi dai generatori sono responsabili nell’EEG rispettivamente di
una diminuzione delle frequenze spaziali del segnale e della riduzione
dell’ampiezza rispetto all’EcoG.
2.3 I potenziali evento-correlati (ERP’s)
I potenziali evento-correlati (ERP’s) sono variazioni di
potenziale elettrico registrabili mediante elettrodi applicati sullo scalpo
associati ad eventi che incidono sul soggetto o che in esso prendono origine.
Capitolo 2 Elettroencefalografia
14
Infatti, gli ERP’s si riferiscono, ovvero derivano, da eventi di tipo motorio,
sensitivo o cognitivo. Queste variazioni di potenziale sono generate
dall’attività sincrona di popolazioni neuronali, coinvolte in quei processi
implicati nella realizzazione dell’evento al quale si riferiscono i potenziali
evocati.
Ciò posto si capisce la necessità di separare la componente
dell’EEG correlata con il fenomeno (EEG evento-correlato) dalla componente
conseguente ad un’attività indipendente da quella sotto osservazione (EEG di
base).
I vantaggi offerti dall’approccio metodologico fondato sugli
ERP’s, per la comprensione dei meccanismi riguardanti le funzioni del
cervello e della mente, si identificano nella versatilità dei metodi e delle
procedure atte a fornire una risoluzione temporale di una precisione tale
(dell’ordine dei millisecondi) da consentire l’esatto ordinamento cronologico
dell’elaborazione cerebrale di un programma motorio o di un’analisi
cognitiva. Dagli studi finora effettuati, si è dimostrato che gli ERP’s sono in
grado di rilevare l’attivazione di quei meccanismi cerebrali che si rendono
responsabili di ogni modello di funzione psicologica.
Attualmente non è possibile localizzare con certezza le sorgenti
generatrici degli ERP’s a causa dei potenziali generati da altre cellule non
coinvolte nella realizzazione di quell’evento. Ciò che si ottiene è la mappa
sullo scalpo in soli termini di distribuzione delle sorgenti. Quando nelle
registrazioni EEG si riesce a riferire variazioni di tensione ad un’attività
cognitivo-motoria del soggetto o ad una risposta a stimoli indotti dall’esterno,
si parla, di attività evento-correlata (ERP’s).
Capitolo 2 Elettroencefalografia
15
2.4 Componenti spettrali dei segnali evento-correlati: i ritmi
cerebrali
I principali ritmi che generalmente vengono considerati nel
segnale EEG di base, cioè rilevato in totale assenza di qualsivoglia stimolo
esogeno od endogeno, sono quattro:
Alfa: presente nell’adulto sano, a riposo, solo con gli occhi
chiusi, ha una frequenza compresa fra 8 e 12 Hz. Scompare con l’apertura
degli occhi.
Beta: presente nell’adulto sano, a riposo, con gli occhi aperti a
sostituire il ritmo alpha (si può instaurare anche con gli occhi chiusi per
l’effetto di stimoli sensoriali). Ha una frequenza compresa fra 13 e 30 Hz.
Tetha: presente, durante la veglia, solo nell’infanzia e nella
giovinezza, nell’adulto sano compare nel sonno o durante l’anestesia. Ha una
frequenza compresa fra 4 e 7 Hz;
Delta: ha le stesse caratteristiche del ritmo tetha, ma si attesta su
frequenze comprese fra 0.3 e 3.5 Hz.
Capitolo 2 Elettroencefalografia
16
Fig. 2.2 Stima spettrale di un segnale EEG a riposo. Si distinguono chiaramente il
picco Alfa più alto ed il picco Beta, immediatamente successivo
2.5 Desincronizzazione / sincronizzazione correlata al
movimento
Per desincronizzazione del ritmo alpha si intende il suo blocco
occipitale che si verifica in seguito ad una breve stimolazione; tale blocco
risulta visibile nei dati EEG non processati raccolti dalle aree occipitali e
parietali. Vi sono diversi metodi atti a valutare, nel dominio temporale,
l’entità e il decorso nel tempo di tale desincronizzazione (Pfurtscheller G. e
Aranibar A., 1977; Aranibar A. e Pfurtscheller G., 1978).
Queste tecniche dimostrano che il fenomeno è fasico, ossia limitato
nel tempo (1÷2s), e massimo sul polo occipitale. Il blocco dei ritmi α e β
Capitolo 2 Elettroencefalografia
17
centrali, che ha luogo durante l’attivazione sensitivo-motoria, a differenza della
desincronizzazione del ritmo alpha, è solo raramente rilevabile senza aver pre-
processato i dati. In altre parole la reattività dei ritmi intrinseci alle attivazioni
sensitivo-motorie è un fenomeno fisiologico riscontrabile in quasi tutti i
soggetti, quando ci si serva di un opportuno protocollo sperimentale e di
adeguate tecniche di registrazione e di analisi.
La desincronizzazione correlata al movimento (ERD, Event Related
Desynchronization) durante la pianificazione del movimento fu quantificata per
la prima volta nelle bande α e β da Pfurtscheller e Aranibar (1979). Le mappe
topografiche calcolate a partire dalle registrazioni di 16 canali EEG rivelarono
una localizzazione centrale della desincronizzazione durante il movimento nei
soggetti normali, mentre questa tendeva a manifestarsi asimmetricamente sugli
emisferi di pazienti affetti da insufficienza cerebrovascolare.
L’ERS (Event Related Synchronization) è il fenomeno opposto
all’ERD. Mentre l’ERD implica una diminuzione in potenza di una componente
armonica ad una certa frequenza, l’ERS è un aumento in potenza in
corrispondenza ad una determinata frequenza che non è di norma coincidente
con la frequenza relativa alla desincronizzazione. L’aumento di potenza è
ascrivibile alla cooperazione (sincronizzazione) di un elevato numero di neuroni
in una determinata area cerebrale.
Perché i potenziali possano essere registrati non solo con
macroelettrodi posti all’interno della corteccia cerebrale ma anche con elettrodi
di superficie posti sullo scalpo è necessario che la sommazione sinaptica diventi
sufficientemente ampia.
Larghe onde α, per essere visibili all’EEG, hanno bisogno di
un’attività coerente di sincizi cellulari della grandezza di alcuni centimetri
quadrati. Nel momento in cui gruppi di neuroni mostrano una attività coerente
nella banda α è molto improbabile che in quel segmento temporale si stia
Capitolo 2 Elettroencefalografia
18
verificando un’elaborazione attiva dell’informazione, e si può ipotizzare che le
reti neurali corrispondenti siano in uno stato di deattivazione.
Un sistema in cui non vi era né la ricezione né l’elaborazione di
informazioni sensoriali come un “sistema di inattività” (idling system).
Pfurtscheller (1992) ha osservato un incremento del ritmo α
occipitale dopo l’esecuzione volontaria di un movimento di estensione della
mano. Ciò è stato interpretato come un fenomeno di sincronizzazione post-
movimento dei ritmi α.
Esiste anche una sincronizzazione post-movimento dei ritmi β che
è un fenomeno stabile e si verifica nella quasi totalità dei soggetti al termine di
un movimento del dito, della mano, del braccio o del piede (Pfurtscheller et al.
1998,1999). Tale fenomeno (che tra l’altro si verifica anche quando il
movimento è solo immaginato dal soggetto) è prevalente nella corteccia
sensorio-motoria primaria controlaterale ed è stato rilevato al termine di un
movimento volontario, con un’ampiezza massima attorno ai 1000 ms. Per
quanto riguarda il movimento del dito la sincronizzazione più ampia è stata
riscontrata nel range 16-21 Hz ed è di entità meno significativa rispetto a quella
correlata al movimento della mano (Pfurtscheller et al, 1997), mentre la
sincronizzazione successiva al movimento del piede è stata riscontrata nella
banda leggermente più alta tra 19-26 Hz (Neuper e Pfurtscheller, 1996).
Si è osservato infine come la sincronizzazione post-movimento dei
ritmi β preceda generalmente quella relativa al ritmo α.
Capitolo 3 Stima dell’attività corticale
19
CAPITOLO 3
Stima dell’attività corticale
Per poter approcciare il problema della stima lineare inversa non
si può prescindere dall’introdurre alcuni concetti sul problema diretto, ossia
sulla procedura che consente il passaggio dalle sorgenti corticali alle
registrazioni sullo scalpo. Lo stesso si può dire per le strutture introdotte per
la modellizzazione della testa.
3.1 Problema neuroelettromagnetico diretto
Poiché il nostro interesse è focalizzato sulla valutazione
dell’attività corticale, a partire dai dati EEG registrati sullo scalpo, si rende
necessario stabilire una ben precisa relazione tra l’attività che si vuole
ricostruire e i valori misurati. Ciò costituisce quello che comunemente viene
chiamato il problema neuroelettromagnetico diretto, che dovrà tenere conto
degli effetti di conduzione della testa.
Quest'ultima, infatti, può essere facilmente considerata come un
volume conduttore di estensione limitata con una certa distribuzione di
conducibilità; laddove l’encefalo è solo un sub-volume la cui attività (e cioè a
dire le correnti primarie) dovrà essere adeguatamente stimata. In realtà, i dati
EEG sono fortemente influenzati dalle correnti elettriche indotte nello spazio
extracellulare (correnti secondarie o passive), le quali rappresentano,
indubbiamente, un’interferenza indesiderata, ma ovviamente non eliminabile,
per i nostri obiettivi.
Capitolo 3 Stima dell’attività corticale
20
3.2 Modelli di volume di conduzione
La modellizzazione del sistema fisico, all’interno del quale si
vuole determinare il campo elettromagnetico, è indispensabile alla risoluzione
del problema neuromagnetico diretto e inverso.
I modelli geometrici utilizzati nel corso degli anni si sono evoluti
in accordo con l’uso di nuove e più accurate tecniche non invasive di indagine
anatomica e attraverso l’incremento delle capacità di calcolo degli elaboratoti.
Vedremo nei prossimi paragrafi come questi modelli si siano evoluti nel
tempo.
3.2.1 Modello a sfera singola
Il primo e più approssimato modello per la testa dell’uomo è una
sfera omogenea conduttrice, la cui semplice geometria conduce ad una
soluzione analitica del problema diretto introdotto nel precedente paragrafo.
Per il campo magnetico, Sarvas [Sarvas, 1987] ha proposto:
2
1 2 1 1
21
'
| | (| || | | | )
(| | | | | | 2 | | 2 | |) (| | 2 | | | | ) ''
( ) (3.1)4
i
ii ii
ii i i i i i ii
Ni i i
i i
a r r
F a r a r r r
F r a a a r a r r a r a a r rF Q Q r r F
B rF
μπ
− − −
−
= −
= + − ⋅
∇ = + ⋅ + + − + + ⋅× × ⋅ ∇
= ∑
Inoltre, per la distribuzione di potenziale, è stata offerta una
soluzione per un dipolo giacente sull’asse z (z=d) in una sfera di raggio R
[Henderson et al., 1975]:
Capitolo 3 Stima dell’attività corticale
21
2 2
2 2 3/ 2
2 2 3 3
2 2 3/ 2
1 ( )( ) 14 ( 2 cos )
cos sin 3 3 cos cos cos (3.2)sin ( 2 cos )
z
x y
Q R d RV rRd R dR d
Q Q R d d R d RRd R dR d
πσ θ
φ φ θ θ θθ θ
⎧ ⎡ ⎤−⎪= − +⎨ ⎢ ⎥− +⎪ ⎣ ⎦⎩+ ⎫⎡ ⎤− + − ⎪+ + ⎬⎢ ⎥− + ⎪⎣ ⎦⎭
dove Qx, Qy and Qz sono le componenti cartesiane del momento
di dipolo, φ e θ sono gli angoli che identificano la posizione dell’elettrodo in
coordinate sferiche. Per un dipolo non giacente sull’asse z, è necessaria una
trasformazione di coordinate; inoltre il potenziale dovuto a più di un dipolo
può essere calcolato con una semplice sovrapposizione degli effetti.
3.2.2 Il modello a sfere multiple
Uno dei principali limiti del modello a sfera singola è costituito
dal fatto che esso non tiene in considerazione la già menzionata
disomogeneità della testa. In realtà, studi più approfonditi hanno suggerito
l’osservazione che le più marcate disomogeneità sono sperimentate in
direzione radiale. Ciò conduce ad un modello stratificato della testa,
principalmente suddiviso in tre diversi strati (layers), rappresentanti
rispettivamente lo scalpo, il cranio ed il liquido cerebrospinale (CSF). Un set
di sfere concentriche omogenee è quindi un’approssimazione
considerevolmente migliore rispetto al modello a sfera singola.
Per il potenziale elettrico sono disponibili soluzioni analitiche
basate sui polinomi di Legendre [Salu et al., 1990], che non tengono conto
solo delle variazioni radiali di conducibilità, ma anche della marcata
Capitolo 3 Stima dell’attività corticale
22
anisotropia della testa (principalmente differenze tra la conducibilità radiale e
tangenziale) [De Munk, 1989].
3.2.3 Modelli realistici: metodo degli elementi di confine (BEM)
I principali tessuti interni alla testa umana non presentano affatto
forma di sfera e anzi differiscono marcatamente da individuo ad individuo. Il
metodo degli elementi di confine (Boundary Element Method, BEM) [Fuchs
et al., 1998] è un algoritmo numerico che valuta la distribuzione di potenziale
sulle superfici di confine di un volume conduttore, costituito da un set di
compartimenti (o gusci), conoscendo i potenziali sulle superfici più interne.
La conducibilità è assunta omogenea ed isotropa in ogni
compartimento, cosicché essa è libera di variare solo lungo le interfacce tra i
compartimenti.
Ogni interfaccia è modellata con una struttura divisa in triangoli
(triangulated structure); più numerosi sono i triangoli, più alta è la risoluzione
e, di conseguenza, anche la complessità del modello.
L’espressione dell’induzione magnetica sulla superficie di
confine esterna, in un generico modello multi-compartimentale può essere
calcolata facendo ricorso al teorema di induzione:
3 31
( ) ( ') ( ') ( ')( ') ( ')( ) ' (3.3)4 4' '
j
Nj j j
jj S
V r n r r rJ r r rB r dr dSr r r r
σ σμπ π
+ −
=Ω
− × −× −= +
− −∑∫ ∫
ove N è il numero dei compartimenti ed nj(r') è la normale alla j-
esima superficie di confine nel punto r'. Il primo termine in (3.3) rappresenta
il campo di induzione magnetica in un mezzo omogeneo ed infinito, B∞. I
termini 1
( ) ( ')N
jj jj
V r nσ σ+ −
=
−∑ , invece, rappresentano chiaramente sorgenti di
corrente fittizie (i cosiddetti dipoli secondari, la cui ampiezza è proporzionale
alla differenza di conducibilità ed al potenziale elettrico), dirette normalmente
Capitolo 3 Stima dell’attività corticale
23
alle interfacce e introdotte per "sostenere" le disomogeneità tra i diversi
compartimenti. Va notato che l’espressione per il vettore d'induzione dipende
dalla distribuzione del potenziale elettrico attraverso ogni superficie di
confine. Tale distribuzione può essere facilmente ricavata allo stesso modo
dell’induzione magnetica; la distribuzione di potenziale sull'i-sima superficie
di confine può, ad esempio, essere espressa come:
3 31
2( ) ( ') ( ')( ')2 ( ') ( ')( ) (3.4)4 ( ) 4 ( )' '
j
Nj j j
i jji i i i S
V r n r r rJ r r rV r dr dSr r r r
σ σπ σ σ π σ σ
+ −
+ − + −=Ω
− −× −= +
− −− −∑∫ ∫
Anche in questo caso, possiamo riconoscere nel primo termine il
potenziale elettrico in un mezzo omogeneo infinito di conducibilità
2i i
iσ σσ
+ −−= , V∞; mentre il secondo termine tiene conto del potenziale
generato dalle sorgenti fittizie.
Inoltre, considerando:
3
( ')( ') ( ') (3.5)'
jj jr rd r n r dSr r−
Ω = ⋅−
come l'angolo solido sotteso dalla superficie infinitesima dSj,
l’equazione (3.4) può essere riscritta in una forma più compatta.
Quando la forma delle superfici di confine è molto complessa
(tanto da non poter essere descritta tramite uno sviluppo analitico in forma
chiusa), dovremo usare il BEM, dividendo ciascuna delle N superfici in Mj
(j=1..N) elementi triangolari. Supponendo che il potenziale si mantenga
costante su ciascun triangolo e approssimando l’angolo solido dΩj(r') col
valore che esso assume nel suo baricentro, si può derivare un’espressione del
potenziale sull’i-esimo triangolo della k-esima superficie:
Capitolo 3 Stima dell’attività corticale
24
1 1
kl
2 (3.6a)
dove a2 ( )
ed = l'angolo solido del j-th triangolo della superficie l, comesi vede dall'i-th triangolo della superf
lMNij
ki ki kl lj kli jk k
l l
k k
ijkl
V V a Vσ σ
σ σπ σ σ
∞+ −
= =
+ −
+ −
= + Ω−
−=
−
Ω
∑∑
icie k.
Si noti che, con le assunzioni fatte, ogni dipolo secondario è
posto nel baricentro di ogni triangolo ed è diretto normalmente al triangolo
stesso.
Analogamente il campo di induzione nel triangolo k-simo della
superficie esterna del volume conduttore è (3.6b)
1 1
klj
(3.6b)
dove = ( ) ed K ( )2
con R= vettore distanza tra il centro del tringolo ed il punto di osservazione.
l
ij
MNk
k k l li ljl j
l l l ljS
B B a V K
Ra n dSR
μ σ σπ
∞
= =
+ −
= +
− = ×
∑∑
∫
%
%
In modelli più accurati il potenziale su ogni triangolo non è più
assunto costante, ma è supposto variabile linearmente tra i vertici; cosicché
occorre considerane il valor medio: 1 ( ')
dove è il k-th triangolo dell' i-th surperficie, è l' area dello stesso triangolo.
1 ( ')
1 2
ik
ik
iki ki
k
i ik k
iki ki
k
kiki ik i i
ij ijkl kl kl
V V r dSA
A
V V r dSA
g VA
B a
σ σ
Δ
∞ ∞
Δ
∞
+ −
=
Δ
=
=+
= Ω
∫
∫
Capitolo 3 Stima dell’attività corticale
25
In accordo con queste definizioni entrambe le equazioni (3.6a) e
(3.6b) possono essere riscritte in forma matriciale, come segue: riarrangiando i termini
riarrangiando i termini
( ) (3.7a)
( ) (3.7b)
V g V V g
B B V B B∞ ∞ ∞
= + ⎯⎯⎯⎯⎯⎯⎯→ − =
= + ⎯⎯⎯⎯⎯⎯⎯→ − =
B I B
A I A% %
Nell'ottica di rendere questo approccio adatto alla soluzione del
problema neuroelettrico diretto, occorre prendere in considerazione
un'opportuna operazione di deflazione, nota come deflazione della matrice di
sistema. Questa tecnica consiste nel rimuovere opportunamente l'autovalore
della matrice B, che rende il sistema singolare (per maggiori dettagli [Lynn
and Ttimalke, 1968]).
3.2.4 La generazione del modello di testa
Attraverso tecniche non invasive di indagine anatomica come la
Tomografia Computerizzata (CT) e le Immagini di Risonanza Magnetica
(Magnetic Resonance Images-MRI) e grazie al progressivo incremento delle
capacità di calcolo degli elaboratori, a partire dalla seconda metà degli anni
80 è stato possibile sviluppare dei modelli numerici che hanno soppiantato i
modelli analitici, fino ad allora utilizzati e descritti nei precedenti paragrafi.
Per ottenere un modello di testa realistico vengono utilizzate
immagini di risonanza magnetica dalle quali è possibile ricavare, grazie
all'alta definizione che caratterizza tali immagini, tutte le informazioni
geometriche utili per la ricostruzione delle strutture della testa, ovvero scalpo,
dura madre, scatola cranica e corteccia cerebrale.
Il risultato di una tomografia NMR è costituito da un set di
immagini ognuna delle quali rappresenta una diversa sezione verticale della
testa essendo la distanza tra due lastre successive di 3 mm ed il numero totale
di immagini per soggetto variabile da un minimo di 58 ad un massimo di 65.
Capitolo 3 Stima dell’attività corticale
26
La risoluzione, all’interno di una generica lastra, è dell’ordine del millimetro
e tale da garantire il riconoscimento e la ricostruzione delle varie strutture.
Una generica immagine NMR è composta da 256 x 256 pixels a
ciascuno dei quali è associato un livello di grigio, tra 256 possibili, indice
della densità media di idrogeno (grigio chiaro, densità elevata) nel volume
rappresentato dal pixel. Poiché le diverse strutture cerebrali hanno un diverso
contenuto medio di acqua e quindi di idrogeno è possibile riconoscerle in base
al valore di grigio.
Per poter costruire i modelli realistici delle varie strutture
anatomiche occorre dunque:
• individuare nella lastra le strutture anatomiche sfruttando il loro diverso
livello di grigio, operazione che prende il nome di “Segmentazione”;
• individuare i contorni di queste strutture estraendo le coordinate dei loro
punti, operazione che prende il nome di “Contouring”;
• individuare una rappresentazione efficiente dei contorni estratti in
relazione al numero di punti necessario per rappresentarli.
La figura 3.1 riassume questi passi visualizzando la rilevazione di contorni da
lastre di risonanza magnetica della testa di un soggetto sperimentale.
a) b) Fig. 3.1 Estrazione dei contorni delle strutture anatomiche della testa in base a immagini di
Capitolo 3 Stima dell’attività corticale
27
risonanza magnetica (MRI) anatomica. a) Contouring delle strutture principali (cervello, dura madre e scalpo) sulla singola lastra; b) Rappresentazione della testa ottenuta dai contorni estratti da tutte le lastre.
Il risultato dell’operazione di triangolazione dei contorni estratti
dalle MRI è una lista di posizioni e di indici: la prima indica le coordinate dei
vertici dei triangoli e la seconda il numero dei vertici di ogni triangolo.
A titolo di esempio, viene mostrato in figura 3.2 il risultato
dell’operazione di triangolazione realizzato sulla testa di un soggetto
sperimentale.
Fig. 3.2 Superficie della testa modellizzata per mezzo di pannelli triangolari adiacenti. I vertici di tali triangoli sono vincolati a giacere sui contorni estratti dalle MRI.
3.3 Il problema lineare inverso
Per quanto visto nei paragrafi precedenti, le equazioni che sono
state prese in considerazione possono essere usate per ricavare i valori di
potenziale generati su un numero finito di triangoli (su quelli nei quali sono
posti gli elettrodi, ad esempio) della struttura che modellizza la superficie
dello scalpo, noti i momenti di dipolo di ciascuna sorgente corticale. Tale
procedimento porta chiaramente ad un sistema di equazioni lineari del tipo:
Capitolo 3 Stima dell’attività corticale
28
(3.8)x b=A
ove x è il vettore delle sorgenti (momenti di dipolo), b è il vettore
delle misure (valori di potenziale in un fissato numero di punti sulla testa) e A
è la matrice dei lead-fields, la cui funzione verrà ampiamente descritta nel
prossimo paragrafo. Per ora, è nostra intenzione far notare come il sistema
(3.8) costituisca il punto di partenza per il problema lineare inverso, il cui
compito è proprio quello di stimare l'attività corticale (vettori x), a partire da
una serie di misure (vettori b) sullo scalpo.
Il sistema (3.8) è consistente, poiché possiede un numero di
incognite maggiore del numero di termini noti e la matrice A è una matrice a
rango pieno. Perciò, se A ha dimensioni m per n (di solito m è dell'ordine dei
19 fino ai 256 elettrodi, mentre n è dell'ordine dei 3000-6000 dipoli), il
sistema lineare (3.8) prevede ∞n-m soluzioni; ovvero: la stessa distribuzione di
potenziale sugli m punti di misura può essere generata da un numero infinito
di configurazioni dipolari sulla corteccia.
Lo scopo del processo di ricostruzione è quello di selezionare la
soluzione che meglio approssimi le sorgenti corticali di corrente impresse,
facendo uso, possibilmente, di una serie di vincoli fisiologici e/o matematici
che restringano il campo delle soluzioni ammissibili.
La quasi totalità dei metodi proposti in letteratura si fonda sul
concetto di matrice inversa generalizzata, definita come segue:
Capitolo 3 Stima dell’attività corticale
29
Se è una matrice (m x n), la pseudo-inversa (n x m) di è la matrice che verifica le seguenti relazioni:(i) (ii) (iii) (iv) sono valide l
Definizione†
†
† † †
† T †
† T †
:A AA
AA A = AA AA = A(AA ) = AA(A A) = A A
1
e proprietà seguente: per ogni matrice (m x n) esiste una unica matrice pseudo-inversa; se è una matrice a rango completo (i.e. rango( )=n, se n<m; rango( )=m, se n>m
allora se m
−
••
•
† T T
AA A A
A = (A A) A=n=rango( ), allora −=† 1A A A
Si può dimostrare [Campbell and Meyer, 1991] che, a partire da
un problema lineare come il (3.8), ove A è (m x n) e m<n, il vettore:
*x b= †A
costituisce la soluzione a minima norma euclidea, e perciò:
* 0
* per ogni soluzione *
Ax b
x x x x
− =
< ≠
L'importanza della soluzione a minima norma è espressa in un
noto teorema di algebra lineare, secondo il quale una soluzione generica del
(3.8) può essere espressa come combinazione lineare di x* e di un vettore x0
che appartenga al kernel del (3.8), ovvero che sia soluzione del sistema
omogeneo associato. Inoltre, in termini di potenza, è evidente che, fissata la
distribuzione di potenziale sullo scalpo, la soluzione a minima norma del (3.8)
è quella che riduce al minimo il dispendio energetico dell'attivazione
corticale.
D'altro canto, la norma euclidea non è l'unica definizione
possibile per la norma di un vettore di ℜ n. Infatti, scelta una matrice di
metrica N (nxn) su ℜ n, che sia non singolare e le cui colonne (ovvero le
Capitolo 3 Stima dell’attività corticale
30
righe) costituiscano quindi una base per ℜ n stesso, si può selezionare la
norma-N di un vettore x∈ℜ n : 2
n2 2
(3.9a)
nel caso di metrica Euclideana, N=I , quindi:
(3.9b)n
TN
T TnI
x x Nx
x x x I x x x
=
= = =
Nel seguito faremo sempre riferimento, salvo esplicito avviso
contrario, all'espressione più generale (3.9a), la quale ci obbliga a considerare
una serie di correzioni al metodo della matrice pseudo-inversa sopra citato.
La stima delle sorgenti corticali si riduce ora, infatti, ad un problema di
minimo vincolato, nel quale la funzione da minimizzare è proprio
l'espressione della norma-N del vettore x, con il vincolo che x risolva il
sistema (3.8):
n n n
2 T
1 2
min ( ) min x min =x x: (3.10)
( ) x-b=0
dove H(x) è una matrice (m x n), le cui righe, saranno indicate comeh (x)...h (x), costituiscono gli m vincoli per il problem
f x
H xℜ ℜ ℜ
⎧ = =⎪℘ ⎨=⎪⎩
NN
A
a ℘
introducendo la funzione Lagrangiana per il problema ℘:
[ ]1 1
1
( ) ( ) ... ( ) ( )con ,..., moltiplicatori di Lagrange.
Tm m
m
L f x h x h x x Nx x bλ λ λλ λ λ
= + + + = + −
= =
A
e notando che:
• A è una matrice a rango pieno (rango(A)=m) (quindi ogni punto di nℜ è
un punto di regolarità per i vincoli);
• f(x) è una funzione quadratica (perciò convessa);
allora, la condizione (Karush-Kunt-Tucker)
[ ]0 quindi:
0 con 0,...,0 (3.11)x
T T
L
x λ λ
∇ =
+ = ≠N A
Capitolo 3 Stima dell’attività corticale
31
costituisce una condizione necessaria e sufficiente per la
determinazione di una soluzione del problema (3.10).
3.4 La matrice dei Lead-Field (A)
Come accennato nel paragrafo precedente, la matrice A (m x n)
dei lead-field costituisce l'elemento cruciale sia per il problema diretto che per
quello inverso, rappresentando un legame strutturale fra le sorgenti e il vettore
delle misure. Essa merita, pertanto, una più approfondita analisi, allo scopo di
comprenderne meglio il significato fisiologico.
Il numero di righe (m) della lead-field è pari al numero di
elettrodi (la posizione dei quali è fondamentalmente un sottocampionamento
dei vertici dello scalpo), mentre il numero di colonne (n) corrisponde al
numero di sorgenti (numero di dipoli o vertici della corteccia).
Moltiplicando la matrice A, a destra, per un vettore composto di
tutti zeri, tranne che per il j-esimo elemento (dipolo), supposto unitario, si può
selezionare la j-esima colonna della matrice dei lead-field. Perciò, una
generica colonna di A non è altro che la distribuzione di potenziale sugli m
punti di misura, generata dall'attivazione del singolo dipolo corrispondente,
mentre tutti gli altri dipoli sono supposti inattivi.
La sovrapposizione di tutti i contributi portati da ciascun dipolo,
pesato per il corrispondente momento dipolare, genera proprio il vettore dei
dati di misura. In questo senso le colonne di A rappresentano i cosiddetti
campi principali, cioè i campi (magnetici o elettrici) che discendono
direttamente dalla singola attivazione di ciascuna sorgente primaria.
D'altra parte, le singole righe della matrice A, moltiplicate per un
vettore unitario, danno origine ai potenziali generati nelle posizioni dei
Capitolo 3 Stima dell’attività corticale
32
rispettivi elettrodi, in conseguenza ad un'attivazione sincrona ed identica di
tutti i dipoli.
A causa della loro indipendenza lineare, si può sempre scegliere
una base di ℜ n che includa questi vettori riga, semplicemente aggiungendo ad
essi altre m-n righe, in modo che l'intero set di vettori sia ancora indipendente.
In tal modo, ogni soluzione di (3.10) e (3.11) può essere espressa come una
combinazione lineare della base appena costruita e quindi anche delle m righe
della matrice A, le quali rappresentano, quindi, una sorta di configurazioni
dipolari fondamentali.
In conseguenza di tali osservazioni, ciascuna riga di A è una
misura della sensibilità dell'elettrodo omologo alle diverse sorgenti corticali,
mentre ciascuna colonna indica come la corrispondente sorgente si
distribuisca sull'intero scalpo. In realtà, uno degli effetti principali del volume
di conduzione è che, tra gli n vettori colonna, quelli che corrispondono a
sorgenti spazialmente vicine risultano essere quasi paralleli. In altre parole, è
molto difficile distinguere tra i campi principali generati da dipoli vicini, che
risultano perciò altamente correlati. Una conseguenza di ciò è la grande
instabilità del problema inverso, per quanto riguarda i dati, a tal punto che
piccole variazioni dei loro valori conducono a grandi scostamenti del vettore
delle soluzioni (configurazioni dipolari). S'aggiunga il fatto che un rumore sia
biologico che strumentale può notevolmente influenzare le misure,
provocando appunto le variazioni di cui sopra.
Nell'ottica di contrastare questa instabilità sono state messe a
punto una serie di tecniche di regolarizzazione, in accordo con le quali, il
problema (3.11) va opportunamente corretto.
3.5 Regolarizzazione di Tickhonov
Capitolo 3 Stima dell’attività corticale
33
Il problema della regolarizzazione è stato largamente discusso in
Letteratura; uno delle soluzioni più comunemente usate è stata presentata
indipendentemente da Phillips [Phillips, 1962] e Tikhonov [Tikhonov, 1963]
e può essere espressa nella seguente forma:
( )2 22arg min (3.12)n M N
xξ λ
∈ℜ= − +Ax b x
ove ξ è la soluzione stimata e regolarizzata, M e N sono due
matrici di metrica per gli spazi ℜ m e ℜ n rispettivamente, e λ è il parametro
che gestisce la regolarizzazione. Il funzionale da minimizzare nella (3.12) si
compone di due termini distinti: il primo rappresenta il termine di residuo
sullo scalpo, 2
M−Ax b (in metrica M), mentre il secondo è la norma-N della
soluzione, 2
Nx .
Il parametro λ controlla la predominanza, nel processo di
minimizzazione, ascritta al primo piuttosto che al secondo termine. E' chiaro
che, per λ=0, il problema non è affatto regolarizzato, mentre valori di λ vicini
allo zero selezionano tutte quelle soluzioni in cui la minimizzazione del
residuo sullo scalpo è largamente dominante rispetto al termine della norma
delle sorgenti N
x . Al contrario, più alti valori di λ selezionano quelle
soluzioni in cui la minimizzazione delle sorgenti (x) è fondamentalmente lo
scopo primario, a dispetto del termine di residuo sullo scalpo che può pertanto
assumere valori irragionevoli.
La scelta del parametro λ più appropriato costituisce senz'altro il
punto cruciale dell'intera tecnica di regolarizzazione e perciò è diventata
oggetto di diversi studi di letteratura, allo scopo di determinare una tecnica di
scelta automatica e generalmente valida in diverse condizioni operative.
Uno degli approcci a questo problema più diffusamente usati è
quello della cosiddetta L-Curve [Hansen, 1992], che consiste in un grafico
doppiamente logaritmico (log-log plot) della norma della soluzione
Capitolo 3 Stima dell’attività corticale
34
regolarizzata ( 2
Nx ) rispetto al corrispondente valore del residuo ( 2
M−Ax b ), al
variare dei valori di λ. Si è dimostrato, nel campo della teoria della
regolarizzazione, che, sotto opportune ipotesi sulle caratteristiche del rumore
rispetto al vettore dei dati imperturbati (condizioni di Picard), tale grafico
assume una caratteristica forma ad "L" (fig. 3.3a).
L'angolo della L-curve costituisce chiaramente il miglior
compromesso nell'ottica di minimizzare contemporaneamente sia la norma
dei residui che la norma della soluzione ed esso può essere agevolmente
determinato per mezzo delle routine originali di Hansen [Hansen, 1994].
a) b)
Capitolo 3 Stima dell’attività corticale
35
c)
Fig. 3.3 L-Curva: a) andamento teorico; b) andamento realistico, calcolato su una misura
di EEG reale; c) distribuzione di potenziale sullo scalpo per cui la L-curve realistica è
stata calcolata.
In realtà, sono stati proposti molti altri approcci, in conseguenza
all'osservazione empirica secondo la quale (fig. 3.3b), in casi pratici, l'angolo
della L-curve non è sempre ben definito; tuttavia la L-curve resta uno
strumento importante per investigare il comportamento di entrambi i termini
della (3.12). Il criterio di Morozov [Morozov, 1984], ad esempio, usa la L-
curve per fissare il valore di lambda attraverso la scelta di un determinato
residuo sullo scalpo, preventivamente fissato in accordo con il livello
dell'SNR stimato.
3.6 La matrice dei pesi
Capitolo 3 Stima dell’attività corticale
36
Il funzionale nella (3.12) merita ulteriori considerazioni. Infatti,
eguagliando a zero la sua derivata rispetto ad x, si può trovare:
(3.13a)λ-1 T -1 T 2 -1 -1ξ = N A (AN A + M ) b
che è la soluzione generale del problema regolarizzato e può
essere espressa in una forma ancor più compatta: (3.13b)bξ = G
nascondendo il particolare tipo di regolarizzazione usato nella
matrice G, la quale lega direttamente la soluzione stimata con le misure.
Inoltre, se le matrici M e N nella (3.13a) sono non-singolari e
definite positive, allora si può usare la decomposizione di Cholesky:
assumendo:
(3.14a)
analogamente:
( ) ( ) ( ) ( ) (3.14b)
dove
N
2 2 T T2 I
T
2 2T2 N
2 2T2 M
T
Cx = Cx = x C Cx
N = C C,
Cx = x Nx = x
D Ax - b = Ax - b M Ax - b = Ax - b
M = D D
legando la norma L2 di un vettore alla sua norma in uno spazio
con metrica N. Introducendo le (3.15) nelle (3.13) e (3.14a):
{ }2 222 2
2
arg min (3.15a)
(3.15b)
λ
λ
=
= T -1 T T -1 T T -1
ξ D(Ax - b) + Cx
ξ (C C) A (A(C C) A + (D D) )b
Le matrici C e D vengono comunemente chiamate matrici dei
pesi, data la loro capacità di bilanciare o sbilanciare le singole componenti nel
calcolo della norma di entrambi i termini della (3.15a). In pratica, esse
agiscono come dei filtri, la prima sullo spazio ℜ n delle sorgenti, la seconda
direttamente sui sensori (ℜm), esaltando particolari aspetti dei loro rispettivi
spazi di azione.
Informazioni anatomiche e funzionali possono essere facilmente
integrate nella matrice C, basandosi su conoscenze a-priori delle
Capitolo 3 Stima dell’attività corticale
37
caratteristiche del modello diretto e/o del comportamento fisiologico del
cervello. [Babiloni et al, 2000]. Per quanto riguarda la matrice D, ad essa si
associa generalmente un compito di pre-processamento sia delle misure che
dei campi principali (colonne di A) propagati sullo scalpo.
Capitolo 4 Directed Transfer Function (DTF)
38
CAPITOLO 4
Directed Transfer Function (DTF)
4.1 Cenni preliminari
La stima del flusso d’informazione da un’area della corteccia
cerebrale ad un’altra riveste un’importanza fondamentale sia negli studi
neurologici sia nelle applicazioni cliniche, in quanto rende conto della
propagazione del segnale attraverso le varie aree cerebrali durante il compito
sperimentale analizzato. Poiché i segnali EEG sono solitamente caratterizzati
per mezzo delle loro proprietà spettrali, l’interesse si pone sia sulla direzione
del flusso che sul suo contenuto spettrale.
Allo scopo di stimare tale flusso a partire dai dati sperimentali
registrati sullo scalpo, sono state utilizzate nel corso degli anni differenti
metodologie: tra le altre, le mappe di Lehmann (1987), le funzioni di cross-
covarianza di Gevins (1989), i confronti di coerenza come funzione delle
distanze fra i vari elettrodi (Thatcher et al. 1986). La maggior parte di questi
metodi, tuttavia, ha il limite di trattare di serie temporali bivariate, ossia di
analizzare le relazioni tra segnali prendendo in considerazione una coppia di
canali alla volta e non la totalità della struttura multicanale. Volendo
considerare un numero di canali maggiore di due, la complessità del problema
cresce rapidamente, al che si aggiunge il rischio di giungere a conclusioni
errate in conseguenza del fatto di aver analizzato in modo parziale le
informazioni a disposizione.
Il metodo della Directed Transfer Function (Kaminski e
Blinowska, 1991) costituisce una misura spettrale multivariata che può essere
Capitolo 4 Directed Transfer Function (DTF)
39
usata per determinare l’intensità e la direzione del flusso tra una qualunque
coppia di canali a partire da un unico modello autoregressivo multivariato
(MVAR) stimato sull’intero set di segnali.
4.2 Descrizione del metodo
Dato un set di k misure, effettuate all’istante t,su k canali diversi,
e rappresentato dal vettore (1x k):
X = [X1 (t), X2 (t), …, Xk (t) ]T (4.1)
supponiamo che X sia adeguatamente descritto dal seguente
processo MVAR:
)()()(
1tEitXiAX
p
i+−−=∑
= (4.2)
che equivale a:
)()()(0
tEitXiAp
i=−∑
= con A (0) = I (4.3)
dove:
A (1), A (2), …, A (p) sono le matrici (k x k) dei coefficienti del
modello; E (t) = [E1 (t), E2 (t), … , Ek (t) ] è il vettore dei residui, supposti
bianchi e non correlati tra loro e con il segnale; P è l’ordine del modello,
ossia il numero di campioni, relativi agli p-1 istanti precedenti, presi in
considerazione ad ogni istante e per ogni canale.
Tale modello corrisponde ad un sistema di filtri ricorsivi i quali
agiscono su ingressi costituiti da rumore bianco. Il grande vantaggio di questa
tecnica è costituito dal fatto che tutti i canali sono trattati come membri di un
sistema e tutte le loro influenze reciproche sono prese in considerazione
Capitolo 4 Directed Transfer Function (DTF)
40
contemporaneamente (anziché limitarsi all’analisi delle relazioni tra due
canali alla volta).
Identificazione del modello
Gli elementi della matrice Aj possono essere stimati
moltiplicando entrambi i membri della (4.3) per il trasposto di X (t-s) e
passando ai valori attesi. Si giunge in tal modo al sistema di equazioni lineari: 0)()(...)1()1()( =−++−+− spRpAsRAsR , per s = 1, …, k (4.4)
dove:
R(s) è la matrice di covarianza di lag s del vettore X(t), pari a
E [X(t), XT (t+s)];
k è il numero di canali.
Tale sistema costituisce un analogo multivariato delle equazioni
di Yule-Walker per la stima dei coefficienti di un filtro AR. La sua
risoluzione rispetto alle A(i) permette di ottenere una stima dei coefficienti
del processo.
Un procedimento per l’identificazione di un modello MVAR è
descritto da Franaszczuk e al.(1985): il sistema di equazioni viene risolto
mediante il metodo numerico di Cholesky (Dahlquist and Bjorck 1969)
mentre la scelta dell’ordine del modello viene effettuata per mezzo del criterio
multicanale di Akaike:
AIC(p)= ln ( det(Ve) ) + 2pm2/N (4.5)
In cui Ve è la matrice di covarianza dell’ingresso, assunto come
rumore bianco, N il numero dei campioni (data points) per ogni canale, p è
l’ordine del modello.
Per analizzare le proprietà spettrali del processo in esame occorre
passare allo studio nel dominio della frequenza. In tal modo si perviene
all’espressione:
Capitolo 4 Directed Transfer Function (DTF)
41
A(f) X(f) = E(f) (4.6)
in cui:
∑=
Δ−=p
i
tifjeiAfA0
2)()( π
. (4.7)
Il sistema può essere riscritto nella forma:
X(f) = A-1(f) E(f) = H(f) E(f) (4.8)
H(f) costituisce la matrice di trasferimento, il cui generico
elemento Hij rappresenta la connessione tra il j-esimo ingresso e la i-esima
uscita del sistema stesso.
La matrice spettrale del sistema , costituita dagli spettri di densità
di potenza dei segnali stimati dal modello, può essere espressa nella forma:
S(f)=X(f) X(f)*=H(f)V H(f)* (4.9)
dove V è la matrice delle densità spettrali di potenza dei residui.
H(z) non è, in generale, una matrice simmetrica. Ciò implica che
la connessione dal canale j al canale i sia diversa da quella dal canale i al
canale j, e suggerisce quindi che gli elementi Hij costituiscano una misura del
flusso direzionale cercato.
La Directed Transfer Function (DTF) valutata dal canale j al
canale i, che rappresenta l’influenza causale di j su i, è definita allora come:
( ) ( ) 22 fHf ijij =θ (4.10)
Allo scopo di confrontare i risultati ottenuti con la DTF a partire
da dati con differenti potenze spettrali è stato visto essere utile effettuare una
normalizzazione degli stessi. In particolare, dividendo la DTF per la somma
Capitolo 4 Directed Transfer Function (DTF)
42
dei quadrati di tutti gli elementi della riga corrente della matrice di
trasferimento, si ottiene la DTF normalizzata (Kaminski e Blinowska, 1991):
( )( )
( )∑=
= k
mim
ijij
fH
fHf
1
2
2
2γ
(4.11)
che esprime la quota di influenza del canale j-esimo sul canale i-
esimo rispetto a quella esercitata da tutti gli altri canali.
La condizione di normalizzazione è la seguente:
( ) 11
2 =∑=
fk
ninγ
(4.12)
il che equivale a dire che la somma di tutte le DTF dirette verso
uno stesso canale è uguale a 1. La DTF normalizzata può quindi assumere
valori compresi nell’intervallo [0,1].
1
3
2a)
b)
Capitolo 4 Directed Transfer Function (DTF)
43
Fig. 4.1 - a) Schema di causalità che lega i segnali 1, 2 e 3; b) Andamenti ottenuti per
la DTF non normalizzata calcolata sui segnali; c) Andamenti ottenuti per gli stessi
segnali mediante la DTF normalizzata. Le curve rappresentate in entrambi i grafici
costituiscono gli andamenti della DTF relativi alla coppia di aree (indicate in legenda)
nelle due direzioni. La curva verde rappresenta la DTF nel verso j->i, la curva blu (in
questo caso sempre prossima allo zero, per la struttura dei legami causali analizzati
che sono tutti diretti dal canale con indice più basso a quello con indice più alto)
rappresenta la DTF nel verso i->j.
Da qui in avanti per indicare genericamente la DTF fra un canale
i ed uno j, qualora non sia necessario effettuare la distinzione tra DTF
normalizzata (θij) e non (γij), si adotterà l’espressione DTFij(f).
4.3 Misure di causalità diretta (DC)
Come già detto, una delle peculiarità della tecnica della Directed
Transfer Function è costituita dal fatto che essa prende in considerazione la
rete di influenze reciproche nella sua totalità, tenendo conto
contemporaneamente delle informazioni provenienti da tutti i canali. Se da un
lato questo approccio costituisce un punto di forza del metodo, dall’altro esso
necessita di ulteriori analisi, effettuate per mezzo di altri parametri o
c)
Capitolo 4 Directed Transfer Function (DTF)
44
indicatori, al fine di chiarire il tipo di legame realmente esistente tra i diversi
canali.
Infatti, un valore non negativo della DTF tra due canali non
implica necessariamente che essi interagiscano direttamente. Un’analisi più
accurata della sua formulazione matematica porta a concludere che la DTF è
costituita da una combinazione lineare dell’influenza diretta da un canale
all’altro e dell’influenza indiretta, mediata dagli altri canali lungo diversi
percorsi di causalità.
Fig. 4.2 - A) legame di causalità diretta tra il canale 1 e il canale 3 (in rosso); B)
percorso indiretto tra il canale 1 e il canale 3 (in blu), che dà luogo a valori non nulli per
la DTF31.
Per chiarire questo punto, si consideri uno schema a tre canali.
Da quanto descritto in precedenza si ha:
( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )
( )( )( )
( )( )( )⎥
⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
fEfEfE
fXfXfX
fAfAfAfAfAfAfAfAfA
3
2
1
3
2
1
333231
232221
131211
. (4.13)
Invertendo la matrice A e prendendo l’elemento [21] della
matrice di trasferimento ottenuta, si ottiene la DTF non normalizzata diretta
da 1 a 2:
( ) ( ) ( ) ( ) ( )( ) 2
2233133212
21fA
fAfAfAfAf
−=θ (4.14)
B)
1
3
2 1
3
2
Capitolo 4 Directed Transfer Function (DTF)
45
Come si vede, qualora l’influenza diretta A21 sia uguale a zero,
la DTF 1 2 può ancora essere diversa da zero, purché tutte le influenze
causali attraverso il cammino indiretto 1 3 2 siano non nulle. (Si ricordi
che l’influenza da 1 2 è rappresentata dall’elemento [21]). Più raro, ma
teoricamente possibile, è il caso in cui un valore pressoché nullo o molto
basso di DTF sia dovuto non all’assenza di relazioni causali tra i canali, ma ad
effetti di compensazione tra il cammino diretto e un cammino indiretto con
valori confrontabili, ma di segno opposto.
Queste considerazioni fanno comprendere la necessità di avere
una conoscenza più precisa dello schema delle connessioni del sistema che si
sta studiando, che si affianchi alla visione d’insieme costituita dalla DTF; in
particolare, si cerca un parametro capace di discriminare il caso in cui esiste
un’influenza causale diretta da quello in cui l’influenza è interamente dovuta
a cammini causali indiretti.
A tal scopo, si consideri il modello MVAR nel tempo (4.2). Si
vede immediatamente che, se i coefficienti temporali Aij non sono tutti
uniformemente nulli, allora possiamo dire che c’è una relazione di causalità
diretta tra il canale j e il canale j. Si definisce misura di Direct Causality (DC)
la somma dei coefficienti temporali, che costituisce il parametro cercato:
( )tADCp
tijij ∑
=
=1
22
(4.15)
Di questo parametro esiste anche una formulazione in frequenza:
( ) ( ) 22 fAfDC ijij = (4.16)
chiamata funzione di Direct Causality o Partial Directed
Coherence (Sameshima e Baccalà, 1999). Grazie alla sua dipendenza dalla
frequenza, quest’ultimo parametro è stato preferito al primo ed utilizzato nel
corso della presente tesi.
Capitolo 4 Directed Transfer Function (DTF)
46
Un esempio dell’importanza della Direct Causality è riportato in
figura 4.3. La situazione considerata vede la presenza di un’influenza indiretta
tra due canali che dà luogo a valori non nulli di DTF. Senza il contributo della
DC, tale influenza sarebbe indistinguibile da una diretta. L’analisi dei valori
ottenuti per questo parametro permette invece di distinguere i due diversi
comportamenti, fornendo informazioni preziose sulla reale topologia del
sistema in esame.
B)
A) 1
3
2
Capitolo 4 Directed Transfer Function (DTF)
47
Fig. 4.3 – Esempio dell’importanza della Direct Causality (DC). A): Schema di
causalità che lega i segnali 1, 2 e 3; B) Andamenti ottenuti per la DTF non normalizzata
calcolata sui segnali; C) Andamenti ottenuti per gli stessi segnali mediante la DC. Le
curve in verde e in blu rappresentano gli andamenti delle funzioni per le due direzioni
tra i segnali (in verde j->i, in blu i->j). Si noti come per la direzione 1->3 si abbia una
DTF non nulla, dovuta interamente al cammino indiretto esistente tra 1 e 3(fig.A). Il
valore nullo della DC tra gli stessi segnali (fig. B) svela l’assenza di un legame diretto.
4.4 La validazione statistica delle misure di DTF
Uno dei principali problemi emersi nell’utilizzo del metodo della
Directed Transfer Function è costituito dalla necessità di valutare la
significatività statistica dei risultati ottenuti. Infatti, una volta ricavati gli
andamenti della DTF (uno per ciascuna direzione, per ciascuna coppia di
canali) occorre stabilire se i valori ottenuti sono statisticamente significativi
(rappresentano cioè l’esistenza di un legame funzionale fra i segnali) oppure
C)
Capitolo 4 Directed Transfer Function (DTF)
48
costituiscono un valore puramente casuale ottenibile da oscillazioni
randomiche dei segnali stessi.
Per chiarire meglio questo punto, consideriamo una situazione a
due canali in cui si siano ottenuti gli andamenti di DTF descritti in figura 4.4,
e si voglia stabilire quali di essi rappresentino l’effettiva presenza di un flusso
d’informazione.
Fig. 4.4 – Validazione statistica dei risultati ottenuti con la DTF (non normalizzata). A
sinistra si vedono gli andamenti ottenuti per la DTF tra due canali. Ci si chiede quale dei
due valori corrisponda all’esistenza di un legame causale effettivo tra i segnali.
A tal scopo è necessario disporre di una descrizione statistica
della distribuzione dei valori di DTF con la quale confrontare la DTF ottenuta
nel periodo di interesse. Tuttavia, poiché sia la DTF che la DC sono legate
alle serie temporali dei dati da cui esse derivano da una relazione fortemente
non lineare, non è nota per esse una distribuzione di densità di probabilità
teorica.
Una possibile soluzione a questo problema consiste nel generare
una distribuzione empirica a partire da dati surrogati. Su tale distribuzione
potranno poi essere effettuati i test statistici di significatività.
1 2?
Capitolo 4 Directed Transfer Function (DTF)
49
Procedura di Shuffling
La procedura è la seguente: si genera un set di dati surrogati
frammentando le serie temporali di ogni canale in brevi intervalli e
successivamente mescolandole in modo casuale e indipendente (D’ora in
avanti questo procedimento verrà indicato con il termine di shuffling). Sui
dati surrogati così generati si esegue il fitting di un nuovo modello, il quale
permette di calcolare le funzioni di DTF. Iterando il procedimento, ogni volta
su un diverso set di dati surrogati, si crea una distribuzione empirica delle
misure effettuate, in base alla quale è possibile stabilire la significatività dei
risultati ottenuti sui dati reali. Poiché la procedura di shuffling distrugge la
struttura temporale dei dati, per i segnali così generati non esiste alcuna
interazione tra i canali. Quindi la distribuzione empirica ottenuta rappresenta
la variabilità della funzione DTF quando è vera l’ipotesi di assenza di
relazioni causali.
Processando i dati con un numero sufficiente di iterazioni
(almeno 100) si può costruire l’istogramma dei valori surrogati della DTF in
funzione della frequenza (in fig. 4.5.a, relativo a DTF normalizzata). Poiché la
distribuzione è per costruzione indipendente dalla frequenza, si possono
ricombinare i campioni di tutte le frequenze ed ottenere un’unica
distribuzione (Fig. 4.5.b).
Capitolo 4 Directed Transfer Function (DTF)
50
Fig. 4.5 Distribuzione dei valori di DTF normalizzata risultanti
dall’elaborazione di 100 set di dati surrogati. a) - istogramma in funzione della
frequenza; b) - istogramma ottenuto trascurando la suddivisione in bande
spettrali dei dati ottenuti (indipendenza dalla frequenza dei dati di shuffling).
Senza avere una formulazione esplicita per l’andamento di
questa distribuzione, si può infine calcolare una soglia empirica per un dato
livello di significatività. Tale soglia empirica corrisponde alla quota alla
quale i valori della DTF ottenuta casualmente staccano alla propria sinistra il
95% della distribuzione di tutti i dati ottenuti dallo shuffling. Tale criterio è
identico a quello impiegato per determinare la soglia statistica nelle
distribuzioni più comunemente impiegate, quali la distribuzione gaussiana o
quella di Student (ad un livello di probabilita’ del 5%, o p = 0.05). Tornando
alla situazione di figura 4.4, si può ora verificare la significatività statistica
Capitolo 4 Directed Transfer Function (DTF)
51
delle DTF ottenute confrontandole con i valori di soglia ricavati dagli
istogrammi relativi alla procedura di shuffling. In figura 4.6 sono
rappresentate le funzioni DTF nelle due direzioni rispetto ai corrispondenti
valori di soglia. Come si vede, la funzione diretta dalla ROI 1 verso la ROI 2
si trova al di sopra della soglia statistica adottata al 5%, nella banda
d’interesse; viceversa, il valore della funzione relativa alla direzione inversa
si trova al di sotto di essa: ciò indica l’assenza del flusso di informazione
causale dal canale 2 al canale 1.
Fig. 4.6 – Scelta dei valori significativi di DTF (normalizzata). In rosso sono
rappresentati i valori di soglia. Si noti come la DTF 1->2 si attesta al di sopra del
valore di soglia (in rosso), mentre la 2->1 si attesta al di sotto di esso. Ciò permette di
stabilire che tra le due aree esiste un flusso diretto da 1 a 2. Si noti anche che il valore
di soglia ottenuto mediante la tecnica dello shuffling è diverso per le due direzioni.
Il discorso fatto fin qui per la DTF può essere esteso anche alla
misura della significatività statistica della Direct Causality o DC, sia nella
sua formulazione nel tempo che in quella in frequenza.
4.5 Descrizione del flusso d’informazione entrante ed uscente
(Inflow ed Outflow)
X 1 2
Valore di soglia
Capitolo 4 Directed Transfer Function (DTF)
52
La descrizione fin qui operata del metodo della Directed Transfer
Function è relativa al suo utilizzo nello studio delle relazioni causali esistenti
tra segnali relativi a diversi canali, al fine di descrivere la presenza e la
direzione di un flusso d’informazione tra le varie aree corticali durante
l’esecuzione di un compito sensorimotorio o cognitivo. Tale utilizzo
costituisce l’applicazione classica che di questa tecnica si è finora vista in
letteratura.
Tuttavia, nell’ambito delle neuroscienze, un altro argomento
d’interesse è costituito dalla caratterizzazione di una determinata area della
corteccia cerebrale in termini del suo comportamento prevalente rispetto alle
altre aree d’interesse.
In altre parole, oltre al fatto che esista un certo flusso
d’informazione diretto da un’area ad un’altra, può essere utile descrivere la
quantità totale di informazione entrante o uscente da un’area corticale come
misura del suo ingaggio durante la funzione cognitiva studiata. Tali quantità
possono essere definite l’ Inflow e l’ Outflow del flusso di informazioni
dell’area corticale considerata.
Nel corso della presente tesi si è cercato un modo per applicare la
teoria che è alla base delle metodiche precedentemente descritte al problema
della descrizione dell’Inflow e dell’Outflow di un’area corticale. Le soluzioni
proposte, che verranno illustrate in dettaglio nei paragrafi successivi, sono tre:
• Caratterizzazione dei flussi entranti ed uscenti da un’area
mediante i valori di DTF;
• Caratterizzazione mediante i relativi valori della DC;
• Caratterizzazione mediante il numero di connessioni
significative con direzione entrante ed uscente dall’area.
Nei paragrafi successivi si presenteranno tali proposte.
Capitolo 4 Directed Transfer Function (DTF)
53
4.5.1 Caratterizzazione mediante la DTF
Il primo metodo scelto per descrivere l’Inflow e l’Outflow
consiste nel considerare la somma, per ogni singola banda di frequenza
considerata, dei valori ottenuti dal computo della DTF normalizzata con verso
rispettivamente entrante o uscente dall’area corticale analizzata.
Per chiarire meglio quanto detto, consideriamo la situazione
descritta in figura 4.7:
Fig. 4.7 – Schema di causalità sussistente tra segnali.
per la quale si siano ottenuti i seguenti andamenti per la DTF
normalizzata (fig. 4.8):
1
2
3
Capitolo 4 Directed Transfer Function (DTF)
54
Fig. 4.8 – Andamenti di DTF normalizzata ottenuti per lo schema di figura 4.7.
Volendo caratterizzare l’Inflow, ad esempio, dell’area 2, il
metodo proposto consiste nell’effettuare la somma di tutte le DTF con verso
entrante nell’area, quindi si ottiene:
Inflow2 = γ21 + γ23 . (4.17)
Analogamente, si può stimare l’outflow nel modo seguente:
Outflow2 = γ12 + γ32, (4.18)
ossia come la somma delle DTF con verso uscente dall’area.
In generale, considerando la matrice costituita dalle DTF
normalizzate, ciò equivale:
per l’Inflow, a sommare tutti gli elementi della riga
corrispondente all’area d’interesse, tranne quelli appartenenti alla diagonale
principale (elementi di autoregressione, 1 1, 2 2, 3 3)
per l’Outflow, a sommare tutti gli elementi della colonna
d’interesse, salvo quelli sulla diagonale principale.
I risultati ottenuti per l’esempio considerato sono riportati nelle
figure 4.9 e 4.10:
Fig 4.9:Andamento dell’ Inflow ottenuto mediante DTF normalizzata, per le tre aree
considerate. Si noti come l’andamento per l’Inflow 1 (linea blu) sia praticamente nullo
su tutto lo spettro.
Capitolo 4 Directed Transfer Function (DTF)
55
Fig 4.10: Andamento dell’Outflow ottenuto mediante DTF normalizzata, per le tre aree
considerate. Si consideri come l’andamento del grafico per l’Outflow 3 (in rosso) sia
nullo in tutta la banda di frequenza analizzata
4.5.2 Caratterizzazione mediante la DC
Come si è detto la DTF, normalizzata e non, costituisce una misura
dell’influenza totale (sia diretta che mediata da altre aree) esercitata da un’area
corticale su un’altra. Tale caratteristica si ripercuote sulle misure di Inflow ed
Outflow ottenute nel modo descritto nel paragrafo precedente, che saranno
indicative di questo tipo di connessione.
Se invece si desidera rappresentare il flusso d’informazione in
ingresso o in uscita evidenziando le sole influenze dirette esercitate o subite da
un’area, è opportuno utilizzare, in luogo della DTF normalizzata, la funzione di
Direct Causality illustrata nel paragrafo 4.1.
Consideriamo ancora l’esempio precedente (fig. 4.7), per il quale si
siano ottenuti gli andamenti per la DC descritti in figura 4.11.
Capitolo 4 Directed Transfer Function (DTF)
56
Fig. 4.11 – Valori di Direct Causality (DC) ottenuti per lo schema di figura 4.7. Stesse
convenzioni che nelle figure precedenti.
Considerando la matrice costituita dalle DC, il metodo proposto
equivale:
per l’Inflow, a sommare tutti gli elementi della riga
corrispondente all’area d’interesse, tranne quelli appartenenti
alla diagonale principale (elementi di autoregressione, 1 1,
2 2, 3 3)
per l’Outflow, a sommare tutti gli elementi della colonna
d’interesse, salvo quelli sulla diagonale principale.
Ad esempio, per l’area 2 si ha:
Inflow2 = DC 2 21 +DC 2 23 . (4.19)
Outflow2 = DC 2 12 + DC 2 32, (4.20)
Capitolo 4 Directed Transfer Function (DTF)
57
I risultati ottenuti per l’esempio considerato sono riportati nelle
figure 4.12 e 4.13:
Fig. 4.12- Andamento dell’Inflow ottenuto mediante DC, per le tre aree considerate. Si
noti come l’andamento InflowDC1 sia coincidente con l’ascissa del grafico.
Fig. 4.13- Andamento dell’Outflow ottenuto mediante DC, per le tre aree considerate.
4.5.3 Caratterizzazione mediante il numero di archi entranti ed uscenti
Una definizione di Inflow ed Outflow più immediata delle
precedenti consiste nel caratterizzare ciascuna area mediante il numero di
connessioni significative in ingresso o in uscita da essa. Il vantaggio di questa
Capitolo 4 Directed Transfer Function (DTF)
58
definizione risiede nella semplicità della sua interpretazione; gli svantaggi sono
dovuti alla minor precisione (infatti l’intensità del flusso non è presa in
considerazione) e alla mancata dipendenza dalla frequenza.
Considerando lo schema di figura 4.14:
Fig. 4.14 – Schema di causalità: le frecce rappresentano i flussi risultati significativi dal
confronto con i valori di soglia calcolati con il metodo dello shuffling.
I valori di Inflow ed Outflow che seguono dall’applicazione del
metodo appena illustrato sono rappresentati in figura 4.15:
Fig. 4.15 – Inflow (a sinistra) ed Outflow (a destra) definiti come totale degli archi
uscenti ed entranti da un nodo rappresentante un segnale.
La scelta tra le tre diverse formulazioni appena descritte per il
flusso totale entrante e uscente da un’area cerebrale dipenderà dalle proprietà
che si intende evidenziare nel flusso di informazioni indagato. In particolare:
1
2
3
Capitolo 4 Directed Transfer Function (DTF)
59
- i parametri caratterizzati mediante DTF sono maggiormente
rappresentativi dell’intensità del flusso di informazione, costituito
anche delle influenze indirette;
- la caratterizzazione mediante DC rappresenta anch’essa l’intensità del
flusso, ma solo della parte di esso costituito da influenze dirette;
- la caratterizzazione mediante numero di archi privilegia la quantità di
aree influenzate da un’area, o da cui essa è influenzata, senza tenere in
alcun conto la loro intensità.
Capitolo 5 Descrizione dello studio di simulazione
60
CAPITOLO 5
Descrizione dello studio di simulazione
L’obiettivo di questo studio è fornire una caratterizzazione
precisa delle prestazioni delle due tecniche viste nei precedenti capitoli, il
SEM e la DTF, nell’ambito della stima della connettività corticale ottenuta
mediante analisi di registrazioni EEG ad alta risoluzione spaziale.
A tal scopo è stato effettuato uno studio di simulazione teso ad
analizzare il recupero della connettività del modello stimato rispetto ad un
modello imposto, del quale era noto il pattern di connettività. Il modello
impiegato, costituito da quattro diverse aree corticali diversamente connesse
fra loro, è stato analizzato in differenti condizioni sperimentali con l’impiego
di dati corticali reali, stimati cioè da vere registrazioni EEG ad alta
risoluzione spaziale mediante tecniche lineari di stima inversa. I principali
fattori presi in considerazione nelle differenti condizioni sperimentali sono
stati il rapporto segnale-rumore dei dati generati (Signal-to-Noise Ratio;
SNR) e la lunghezza dell’attività corticale misurata in termini di numero di
campioni. I livelli assunti da tali fattori coprono l’intervallo tipico dell’attività
corticale stimata con le tecniche di EEG ad alta risoluzione. Gli indici usati
per valutare gli scostamenti della connettività stimata da quella
originariamente imposta nel modello sono stati la Norma di Frobenius della
matrice riportante le differenze tra i valori delle connessioni, e l’errore
massimo ottenuto su un singolo arco di connessione. I risultati della
simulazione, in termini di errore, sono stati successivamente sottoposti
Capitolo 5 Descrizione dello studio di simulazione
61
all’Analysis of Variance (ANOVA) per stabilire l’effetto dei singoli fattori
(SNR, lunghezza del tratto di segnale) da un punto di vista statistico.
Nei paragrafi seguenti verranno descritte in dettaglio le modalità
seguite nella realizzazione delle simulazioni relative ai due metodi.
5.1 Simulazione DTF
5.1.1 Descrizione generale della procedura
La simulazione è stata implementata in ambiente MATLAB,
mediante una serie di funzioni e programmi relativi che svolgono i diversi
compiti descritti nello schema di figura 5.1.1.
Capitolo 5 Descrizione dello studio di simulazione
62
Fig. 5.1.1- (pagina precedente) Schema a blocchi della generazione delle simulazioni
DTF e loro relativo test statistico. Anova è la contrazione di Analysis of Variance.
FILE DI TESTO RISULTATI
TABELLA PER L’ANALISI
STATISTICA
MEDIA SULLE BANDE
GENERAZIONE
DEI SEGNALI
CALCOLO DELLA
DTF
MEDIA SULLE BANDE
ANOVA
CALCOLO DEI
VALORI TEORICI DI DTF
SEGNALE EEG
Capitolo 5 Descrizione dello studio di simulazione
63
5.1.2 Generazione dei segnali di test
Il primo passo compiuto nella realizzazione dello studio di
simulazione è stata la generazione di un set di segnali di test, dotati di
proprietà spettrali imposte a priori e tali da rispettare uno schema di causalità
noto. In tal modo, una volta applicate ai segnali generati le metodiche da
testare, è stato possibile analizzare il recupero della connettività del modello
stimato rispetto a quello imposto e dare una valutazione quantitativa delle
prestazioni del metodo in esame. Tale valutazione quantitativa è stata anche
posta in relazione alla variazione, durante la simulazione, di alcuni parametri
significativi per i segnali di interesse. Nel nostro caso, trattandosi di segnali
corticali stimati con le procedure di EEG ad alta risoluzione, i principali
fattori presi in considerazione sono stati il rapporto segnale rumore (fattore
SNR) offerto dai dati acquisiti, la lunghezza dell’attività corticale misurata in
termini di campioni (fattore NCAMP) e le bande d’interesse (fattore BAND).
Allo scopo di verificare un’eventuale influenza della durata dei
tempi di propagazione del segnale attraverso le strutture anatomiche, sono
stati valutati diversi schemi di ritardo per ciascuno dei modelli considerati. I
livelli assunti da tutti i fattori fin qui descritti (SNR = 0.1, 1, 3, 5, 10;
LENGTH = 1000, 3000, 5000, 10000, 20000, 40000 campioni) sono stati
scelti in modo da coprire gli intervalli di valore tipici dell’attività corticale
stimata con le tecniche di EEG ad alta risoluzione.
Una volta stabilito lo schema di causalità scelto, questi può
essere descritto in modo immediato da un diagramma del tipo di quello
rappresentato in figura 5.1.2:
Capitolo 5 Descrizione dello studio di simulazione
64
Fig. 5.1.2 - Schema a blocchi per la generazione e la valutazione dei segnali di test,
con i relativi ritardi temporali di propagazione (valori τij), ed i coefficienti di legame
fra le ampiezze nelle due aree corticali (valori aij).
Si passa quindi alla generazione dei segnali, a partire da un
segnale indipendente, che si propaga attraverso la struttura secondo lo schema
stabilito. Nel far ciò, occorre assicurare che anche l’ordine temporale dei
segnali generati rispetti lo schema di causalità desiderato. I parametri che
intervengono nella generazione sono pertanto:
- i ritardi nella propagazione del segnale, indicati con τij;
- i coefficienti di proporzionalità tra le ampiezze dei segnali,
indicati con aij;
- i residui, indicati con ni,, i quali rappresentano la quota di
attivazione dell’area che non dipende dall’influenza delle altre aree, e che nel
nostro caso costituiscono il disturbo.
Per chiarire meglio quanto detto, si consideri il caso in cui si
vogliano generare i segnali relativi a tre aree, tra le quali sussista un flusso di
informazione del tipo di figura 5.1.3:
x3 x1
x2 a32 a21
3
a31
τ12 τ32
τ31
Capitolo 5 Descrizione dello studio di simulazione
65
Fig. 5.1.3 – Schema di connessione imposto nella generazione dei segnali. In rosso è
indicato il segnale indipendente x1. Valori di τij pari al ritardo nella propagazione del
segnale dal blocco i a quello j.
I segnali, generati a partire dal segnale indipendente x1, hanno
allora la seguente espressione:
x2 ( t ) = a21* x1 ( t – τ21 ) + n2 ( t ) = x2’( t ) + n2 ( t ) (5.1.1)
x3 ( t )= a32* x2 ( t - τ32 ) + n3 ( t ) = x3’ ( t )+ n3 ( t ). (5.1.2)
Espresso in forma generale, il procedimento è il seguente:
( ) ( )∑=
−⋅=N
ijiijij txatx
1
' τ (5.1.3)
( ) ( ) ( )tntxtx jjj += '
(5.1.4)
per j = 2, …, N
con N = numero di canali.
5.1.3 Implementazione
Il modulo relativo alla generazione dei segnali è costituito da una
funzione in linguaggio MATLAB (fig. 5.1.4), la quale riceve in ingresso:
il segnale indipendente per la generazione (x1);
a32 τ32
n2
x1 x2 a21
τ21
n3
x3
Capitolo 5 Descrizione dello studio di simulazione
66
il modello di connessione voluto, sotto forma di una matrice A che
rende conto della topologia e dei valori dei coefficienti del modello;
lo schema di ritardi scelto, sotto forma di una matrice di interi, i quali
rappresentano il numero di campioni che costituisce il lag voluto per
ogni arco;
la modalità scelta per la generazione del rumore (bianco o filtrato
secondo il segnale);
il valore di SNR imposto ai segnali;
la lunghezza voluta per il segnale, sotto forma di numero di campioni.
Fig. 5.1.4 – Struttura della funzione che genera il set di dati di test.
Mediante i primi quattro degli ingressi sopra indicati è possibile
scegliere il tipo di simulazione voluta; gli ultimi due permettono di variare
sistematicamente i parametri di interesse per la successiva analisi statistica. Il
terzo parametro considerato, cioè la banda d’interesse, verrà preso in
considerazione all’interno di un’altra funzione, quella relativa al calcolo dei
valori medi di DTF da attribuire come pesi agli archi del grafo.
La funzione GeneraDati restituisce in uscita un array contenente i
segnali generati secondo il procedimento descritto nel paragrafo precedente.
La potenza del rumore generato è scelta in modo tale da ottenere
un SNR pari a quello desiderato. In particolare, qualora si sia scelto di
sommare ai segnali un rumore colorato, questo è ottenuto filtrando del rumore
bianco di potenza unitaria mediante un filtro ottenuto dalla PSD del segnale
Numero di campioni
X1
NoiseType SNR
A τ
X1
Xn
.
.
. GeneraDati
Capitolo 5 Descrizione dello studio di simulazione
67
x1 e successivamente facendo variare la sua potenza in modo opportuno, al
fine di ottenere l’SNR desiderato.
Si noti che la funzione, essendo sviluppata in forma vettoriale,
permette la generazione di un numero qualsivoglia di segnali, secondo una
qualunque topologia, semplicemente variando valori e dimensioni degli array
posti in ingresso.
L’unico vincolo che si è scelto di porre alla scelta del modello di
connessione è l’assenza di anelli retroattivi; ciò permette sempre di esprimere
la matrice dei coefficienti, così come quella dei ritardi, in forma triangolare.
5.1.4 Decomposizione della DTF in termini di parametri del modello di
generazione
Allo scopo di valutare quantitativamente le prestazioni del
metodo della Directed Transfer Function è necessario definire un indice della
bontà della stima effettuata. Come accennato ad inizio capitolo, un approccio
di questo tipo non è frequente in letteratura, dove lo studio di questa tecnica è
finora stata affrontato essenzialmente con test di tipo black-box: ossia
mediante un’analisi dei risultati ottenuti piuttosto che una descrizione precisa
dei meccanismi che sottendono a tali risultati.
Le considerazioni che seguono hanno lo scopo di cercare di
valutare matematicamente come i parametri caratteristici dei segnali in
ingresso si ripercuotano sui valori che il metodo produce per il modello di
connessione stimato.
Capitolo 5 Descrizione dello studio di simulazione
68
Per fissare le idee, consideriamo due esempi, il primo riguardante
una situazione molto semplificata, il secondo più vicino a casi realistici.
Consideriamo uno schema del tipo:
Fig. 5.1.5 – Schema di base che rappresenta il pattern di connessione a cui si desidera
dar luogo con i segnali di test generati.
Esso rappresenta un modello a 3 canali, costituito da un segnale
indipendente e due segnali dipendenti, caratterizzato da una matrice di
topologia pari a:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
000000
3231
21
aaaA (5.1.5)
e da una matrice dei ritardi pari a:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
000000
3231
21
τττT . (5.1.6)
In un primo momento supponiamo che il segnale indipendente
x1 sia costituito da rumore bianco. I segnali generati sono quindi espressi da:
τ12 τ32
x3 x1
x2 a3
2 a2
a3
1 τ31
Capitolo 5 Descrizione dello studio di simulazione
69
( )( ) ( ) ( )( ) ( ) ( ) ( )tntxatxatx
tntxatxtntx
332232311313
2211212
11 )(
+−⋅+−⋅=+−⋅=
=
τττ
(5.1.7)
Preso un generico modello MVAR a 3 canali, la sua espressione
nel tempo (vedi 4.2) è data da:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )teptxpAtxAtxAtx
teptxpAtxAtxAtxteptxpAtxAtxAtx
33332321313
23232221212
13132121111
ˆ...1ˆ11ˆ1ˆˆ...1ˆ11ˆ1ˆ
ˆ...1ˆ11ˆ1ˆ
+−++−+−=+−++−+−=+−++−+−=
(5.1.8)
Confrontando le espressioni dei segnali generati X e quelle dei
segnali stimati X̂ , e identificando i residui e dell’MVAR con il rumore n della
generazione (nell’ipotesi che questo sia bianco a media nulla):
e1(t) = n1(t)
e2(t) = n2(t) (5.1.9)
e3(t) = n3(t)
si ottengono le espressioni delle p matrici A(s) dei coefficienti
temporali relativi ai vari lag in funzione dei coefficienti di proporzionalità tra
i segnali e dei ritardi:
( )⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
00000000
ijij aA τ
. (5.1.10)
Ad esempio, se:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
032001000
T
: (5.1.11)
Capitolo 5 Descrizione dello studio di simulazione
70
si ha:
( )
( )
( )
( )
( )
( )⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
000000000
000000000
4
00000000
3
00000000
2
00000000
1
100010001
0
32
31
21
pA
A
aA
aA
aA
A
M
(5.1.12)
Si noti che in questo primo caso i coefficienti autoregressivi
(A11(s), A22(s),…) sono tutti nulli. Passando al dominio della frequenza si
ottiene:
( ) ( )⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⋅−⋅−⋅−=⋅−=
−−
−
=
−∑101001
3231
21
232
231
221
0
2
τπτπ
τππ
fjfj
fjp
i
fij
eaeaeaeiAIfA
(5.1.13)
Da questa matrice si ricavano le espressioni della DC in
frequenza e della DTF:
Capitolo 5 Descrizione dello studio di simulazione
71
( )⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
=
101001
232
231
221
2
aaafDC
(5.1.14)
( ) ( ) ( )( )
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⋅+⋅⋅
===−+−
−
1
01001
223
2231
23221
221
212
313221 aeaeaa
afAfHfDTFfjfj τπττπ
(5.1.15)
I ragionamenti fin qui fatti permettono di dire che, se la stima del
modello MVAR sui segnali di ingresso ricostruisse perfettamente la struttura
dei segnali stessi, attribuendo correttamente i valori dei coefficienti che
descrivono la composizione dei vari canali e le loro influenze reciproche, i
valori ottenuti per la DTF e per la DC, nel caso di segnale indipendente con
spettro bianco, avrebbero l’espressione indicata nelle 5.1.14 e 5.1.15.
Applicando la DTF ai segnali generati come descritto, e
confrontandola con gli andamenti calcolati a priori sulla sola base della
conoscenza dei parametri della generazione, si ottengono gli andamenti di
figura 5.1.6.
Capitolo 5 Descrizione dello studio di simulazione
72
Fig. 5.1.6 – Risultato del computo della DTF (in viola la direzione j->i, in rosso la
direzione i->j) a confronto con gli andamenti predetti a partire dalle proprietà dei
segnali (in verde la direzione j->i, in blu la direzione i->j).
Come si vede, tali risultati sembrano confermare la validità delle
considerazioni fatte.
Volendo ora estendere le considerazioni fatte fin qui al caso in
cui il segnale indipendente sia qualunque, riferendosi allo stesso schema
dell’esempio precedente (figura 5.1.5) l’espressione (5.1.7) risulta modificata
come segue:
( ) ( )( ) ( ) ( )( ) ( ) ( ) ( )tntxatxatx
tntxatxtntxtx
332232311313
2211212
11 ')(
+−⋅+−⋅=+−⋅=
+=
τττ
(5.1.16)
Come si vede, la difficoltà principale è costituita dalla
descrizione del segnale indipendente in termini di coefficienti autoregressivi
Capitolo 5 Descrizione dello studio di simulazione
73
multivariati. In altre parole, occorre quantificare il legame tra il segnale x1’(t)
e i coefficienti autoregressivi relativi al primo canale (A11(1), A11(2), …,
A11(p)).
La (5.1.8) diventa:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )teptxpAtxAtxAtx
teptxpAtxAtxAtxteptxpAtxAtxAtx
33332321313
23232221212
11111111111
ˆ...1ˆ11ˆ1ˆˆ...1ˆ11ˆ1ˆˆ...2ˆ21ˆ1ˆ
+−++−+−=+−++−+−=+−++−+−=
(5.1.17)
Confrontando la 5.1.7 con la 5.1.8 si ottiene:
( ) ( ) ( ) ( ) ( ) ( ) ( )ptxpAtxAtxAtx −++−+−= 1111111111 ˆ...2ˆ21ˆ1' (5.1.18)
in cui risultano ancora da quantificare i coefficienti A11(s).
Poiché essi devono essere tali da generare un segnale analogo a x1, ci si è
chiesto se tali coefficienti fossero legati ai coefficienti di un filtro AR, dello
stesso ordine dell’MVAR, stimato sul solo canale indipendente. Per verificare
questa teoria, un filtro AR di ordine p è stato stimato sul segnale x1 e i
coefficienti ottenuti sono stati confrontati con i valori ottenuti dal computo
della DTF, con esito positivo. Ciò ha permesso di attribuire un significato ai
coefficienti A11(s) e di prevedere il loro valore.
I valori calcolati precedentemente nell’ipotesi di segnale
indipendente a spettro bianco diventano in questo caso:
( )( )
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
000000011
ij
ij
ij aa
Aτ
τ
( ) ( )( )
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⋅−⋅−⋅−=⋅−=
−−
−
=
−∑10100
3231
21
232
231
221
11
0
2
τπτπ
τππ
fjfj
fjp
i
fij
eaeaea
fAeiAIfA
(5.1.19)
Capitolo 5 Descrizione dello studio di simulazione
74
( )( )
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
10100
232
231
221
211
2
aaa
fAfDC
(5.1.20)
( ) ( ) ( )( )
( )( ) ( ) ( ) ⎥
⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⋅⋅+⋅⋅
===−+−
−
fAafAeaeaa
fAafA
fAfHfDTFfjfj
11
2
23
211
2231
23221
211
2212
11
212
2313221
0001
1
τπττπ
=
=
( )
( )( )
( ) ⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
⋅+⋅⋅ −+−
1
01
001
2232
11
2231
23221
211
221
211
313221
afA
eaeaa
fAa
fA
fjfj τπττπ
(5.1.21)
Indicando con H11(f) l’espressione ( )fA11
1, e considerando che
essa corrisponde alla funzione di trasferimento del filtro AR stimato su x1, si
arriva ad una formulazione della DTF che dipende solo dai coefficienti aij di
proporzionalità tra i segnali, dai ritardi τij e dallo spettro H11(f) del segnale
indipendente x1:
( )( )
( )( ) ( ) ⎥
⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⋅⋅+⋅⋅
⋅=−+− 1
0100
223
211
2231
23221
211
221
211
313221 afHeaeaa
fHafH
fDTFfjfj τπττπ
(5.1.22)
Il risultato ottenuto applicando la DTF ai segnali generati come
descritto e confrontandola con gli andamenti calcolati a priori, sulla sola base
della conoscenza dei parametri della generazione, è riportato in figura 5.1.7:
Capitolo 5 Descrizione dello studio di simulazione
75
Fig. 5.1.7 – Risultato del computo della DTF (in verde la la direzione j->i, in blu la
direzione i->j) a confronto con gli andamenti predetti a partire dalle proprietà dei segnali
(in rosso la direzione j->i, in nero la direzione i->j).
La validità di tali risultati dipende dalla bontà della stima
effettuata sia dall’MVAR che dall’AR utilizzato per predire i valori dei
coefficienti. Nel presente lavoro è stata effettuata una verifica preventiva della
validità di tale stima prima di procedere con la simulazione. L’ordine ottimale
per entrambi i modelli si è rivelato essere 8. I risultati di questa verifica sono
riportati nel capitolo 7.
5.1.5 Implementazione del calcolo della DTF e della DC
Nel corso della presente tesi è stato sviluppato un tool in
ambiente MATLAB per l’implementazione delle metodiche di DTF. Tale
programma, chiamato DTF_function, permette di:
Calcolare gli andamenti in funzione della frequenza della DTF,
normalizzata e non, relativi ad un determinato set di segnali in ingresso;
Capitolo 5 Descrizione dello studio di simulazione
76
calcolare gli andamenti in frequenza della DC;
calcolare i coefficienti temporali del modello MVAR stimato;
calcolare i residui del modello MVAR;
graficare i segnali stimati dall’MVAR per verificare la bontà della
stima.
Gli ingressi sono costituiti da un array contenente il set di segnali
generato da GeneraDati, e da una serie di parametri che permettono di
scegliere:
se effettuare o meno la normalizzazione della DTF;
se effettuare la standardizzazione dei segnali (sottrazione del valor
medio e divisione per la deviazione standard) prima di calcolare la
DTF;
l’ordine del modello.
L’identificazione del modello viene effettuata secondo il metodo descritto nel
Capitolo 4.
5.1.6 Estrazione dei risultati
Al fine di poter più facilmente valutare l’errore commesso dalla
DTF, gli andamenti in frequenza di quest’ultima sono stati mediati su alcune
bande d’interesse, in modo da permettere il passaggio da una funzione della
frequenza ad un numero, per ogni banda e per ogni arco del grafo di
connessione tra le varie aree. Le bande scelte sono state la theta (da 4 a 7 Hz),
la alfa (da 8 a 12 Hz), la beta (da 16 a 24 Hz), data la loro rilevanza nello
studio delle proprietà dell’EEG nell’uomo.
A questo punto, per ciascun arco di connessione si ha:
- il valore ottenuto mediando la DTF calcolata da
DTF_function;
Capitolo 5 Descrizione dello studio di simulazione
77
il valore predetto a partire dalla conoscenza delle proprietà dei
segnali generati.
Due funzioni distinte effettuano il computo di tali valori, che
vengono successivamente confrontati, secondo lo schema introdotto già ad
inizio capitolo (fig. 5.1.1).
Capitolo 6 Risultati dello studio di simulazione
78
Capitolo 6
Risultati dello studio di simulazione
La finalità di questa tesi è stata studiare la possibilità di applicare
la tecnica in esame, il metodo della Directed Transfer Function, allo studio
della connettività corticale nell’uomo durante lo svolgimento di compiti
sperimentali, nel particolare caso in cui i segnali utilizzati a tal scopo siano
stati ottenuti mediante analisi di registrazioni EEG ad alta risoluzione
spaziale. I risultati dello studio di simulazione di seguito presentato hanno
fornito quindi indicazioni preziose sui limiti di applicabilità e sui margini di
errore attesi durante l’analisi di dati EEG ad alta risoluzione spaziale,
illustrata successivamente nel Cap. 7.
In questo capitolo verranno presentati i risultati ottenuti dallo
studio di simulazione effettuato per la DTF. Tali risultati sono relativi al
confronto tra il modello di connessione imposto e quello recuperato dalla
metodica DTF. L’analisi statistica (ANOVA: Analysis of Variance) effettuata
sui valori ottenuti per i diversi parametri d’interesse fornisce una descrizione
quantitativa della significatività e rilevanza dei risultati stessi.
6.1 Risultati della Directed Transfer Function
In questo paragrafo verranno riportati i risultati ottenuti per le
simulazioni effettuate mediante il metodo della Directed Transfer Function
secondo quanto descritto nella prima parte del capitolo dedicato allo studio di
simulazione.
Capitolo 6 Risultati dello studio di simulazione
79
Sono state effettuate diverse simulazioni, partendo da modelli
molto semplici come topologia ed incrementandone per gradi la complessità
(intesa come insieme di elementi non nulli della matrice di connessione) via
via che i risultati sperimentali confermavano la validità delle considerazioni
fatte e dei metodi di analisi impiegati. Vengono qui riportati solo i risultati
relativi all’ultimo modello utilizzato, in quanto sufficientemente completo da
riassumere le proprietà e i risultati emersi nel corso dell’intero studio. Tale
modello è rappresentato schematicamente in figura 6.1.1.
Fig. 6.1.1- Modello di connessione utilizzato. I segnali relativi alle quattro aree d’interesse
(qui segnati come X1, X2, X3 ed X4) sono stati generati in modo tale da verificare lo
schema di connessione rappresentato in figura. In rosso sono indicati i coefficienti che
rappresentano l’intensità dell’influenza causale di un segnale su un altro, in blu i ritardi
temporali nella propagazione del flusso d’informazione.
La matrice di connessione utilizzata è stata la seguente:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
00002.10007.05.000
01.14.10
A
(6.1.1)
X2
X3
X4 X1
a42
τ42
τ32
τ43
a43
τ31
a32
a31
τ21
a21
Capitolo 6 Risultati dello studio di simulazione
80
Come visto nella capitolo metodologica della presente tesi, la
computazione della DTF si basa interamente sui parametri di un modello
MVAR stimato sui dati in esame. Di conseguenza, il presupposto
fondamentale della sua capacità di restituire informazioni sulle relazioni di
causalità tra i segnali è che il modello stimato approssimi bene i segnali stessi.
Infatti, un modello poco preciso non potrebbe che dare luogo a risultati
relativi ai flussi di informazione fra i blocchi dello stesso non corretti. Per
questo, il primo passo della procedura di simulazione è stato quello di
verificare la bontà della stima del modello MVAR utilizzato per la
rappresentazione dei segnali simulati.
Per ottenere una migliore stima dei segnali, nella banda di
frequenza d’interesse (0 – 32 Hz per gli usi tipici di segnali del tipo
considerato), si è effettuato un ricampionamento dei dati a disposizione,
registrati con frequenza di campionamento di 256 Hz, riducendo (previo
filtraggio anti-aliasing) di un fattore 4 la frequenza di campionamento
iniziale. Ciò ha permesso un notevole miglioramento nel modello ottenuto. In
figura 6.1.2 sono riportati gli andamenti delle densità spettrali di potenza dei
segnali e le relative stime effettuate dal filtro MVAR utilizzato. Si è scelto di
utilizzare un modello di ordine 8, che è risultato essere il più preciso per la
stima del segnale acquisito. Tale ordine del modello MVAR è in accordo con
i valori degli ordini dei modelli MVAR ed AR generalmente impiegati nella
letteratura scientifica inerente l’argomento.
Capitolo 6 Risultati dello studio di simulazione
81
Fig. 6.1.2 – Stima delle PSD (densità spettrali di potenza) dei segnali effettuata dal
modello MVAR scelto (ordine 8). Le stime ottenute con lo MVAR di tali spettri sono
caratterizzate da un andamento privo di oscillazioni di ampiezza, mentre gli andamenti
reali dello spettro sono rappresentati con le loro marcate oscillazioni in ampiezza..
Il risultato dell’applicazione del tool realizzato per il calcolo della DTF a
partire dai segnali di test generati secondo il modello di figura 6.1.1 è
riportato in figura 6.1.3. Come si vede, i valori ottenuti riflettono le
connessioni presenti tra le diverse aree e le loro direzioni. In particolare, si
confrontino i valori relativi a due andamenti simmetrici rispetto alla diagonale
principale per evidenziare la direzione del flusso tra due aree. I due tracciati,
evidenziati in rosso e in blu, rappresentano il confronto tra il modello imposto
e quello recuperato dal metodo in esame.
Freq (Hz)
Capitolo 6 Risultati dello studio di simulazione
82
In figura 6.1.4 sono invece riportati i risultati dell’applicazione del tool
realizzato per il calcolo della DC a partire dagli stessi segnali del caso
precedente.
Anche in questo caso i valori ottenuti riflettono le connessioni presenti
tra le diverse aree. In particolare, l’accento è posto sulle sole connessioni
dirette, a differenza del caso precedente in cui era valutata l’influenza
complessiva di un segnale su un altro. A tal scopo, si confrontino i valori
ottenuti per la DTF e la DC relativamente alla coppia di aree 1->4.
Fig. 6.1.3 - Andamenti della DTF ottenuti per il modello di figura 6.1.1. In ascissa a ciascun grafico è riportata la frequenza (in Hz). In rosso è indicato l’andamento predetto in base alle proprietà spettrali del segnale indipendente x1 e ai coefficienti dello schema di causalità imposto. In blu è tracciato l’andamento ottenuto come risultato del’applicazione della DTF. Ciascun grafico è riferito ad una coppia di aree e ad una direzione (indicate al di sopra di ogni andamento). Le direzioni opposte relative ad una stessa coppia di aree sono rappresentate da elementi simmetrici rispetto alla diagonale principale. Si noti come questi andamenti rispecchiano il modello imposto (illustrato in fig. 6.1.1.). Si noti in particolare il valore non nullo della DTF 1->4, dovuto esclusivamente alla presenza di cammini indiretti tra x1 e x4.
Freq. (Hz)
Capitolo 6 Risultati dello studio di simulazione
83
Fig. 6.1.4 - Andamenti della DC ottenuti per il modello di figura 6.1.1. In ascisse, la
frequenza (in Hz). La coppia di aree e la direzione del flusso a cui si riferisce ciascun
andamento sono indicate al di sopra di ogni grafico. Le direzioni opposte relative ad una
stessa coppia di aree sono rappresentate da elementi simmetrici rispetto alla diagonale
principale. Gli elementi della diagonale, tracciati in verde, rappresentano le componenti
intrinseche dei segnali (la quota di segnale non dovuta all’influenza degli altri segnali).
Si noti come questi andamenti rappresentino i soli cammini diretti presenti nel modello
imposto (cfr. fig. 6.1.1.). Si noti in particolare il valore nullo della DC 1->4, dovuto
all’assenza di cammini diretti tra x1 e x4. Confrontando questi grafici con quelli di figura
6.1.3 è possibile avere informazioni più complete sulla rete di connessione.
6.2 Risultati dell’analisi statistica (ANOVA)
Come descritto nella parte relativa ai metodi, i risultati ottenuti a
partire dalle ripetizioni effettuate per la stima, per ogni diversa condizione di
Freq. (Hz)
Capitolo 6 Risultati dello studio di simulazione
84
generazione dei segnali, sono stati sottoposti all’Analysis of Variance
(ANOVA).
Si ricordano le definizioni date nel cap. 6 per gli indici scelti per
la valutazione delle prestazioni:
Errore relativo totale: consiste, come già detto nel capitolo relativo
alla descrizione delle modalità di simulazione, nella Norma di
Frobenius della matrice riportante le differenze tra i valori di A e B
imposti e quelli ottenuti dalla stima mediante Path Analysis fratto e la
norma delle matrici A e B imposte:
( )
( )∑ ∑∑
∑ ∑∑
= ==
= ==
+
−+−
=m
i
n
kk
m
jij
m
i
n
kkkij
m
jij
relativo
ba
bbaaE
1 1
22
1
1 1
22
1
)(
ˆ)ˆ(
(6.1.2)
Questo indice serve a dar una misura complessiva, espressa in termini
percentuali, dell’errore commesso nella stima di un modello.
Errore massimo commesso, cioè il massimo tra gli errori commessi su
ogni singolo arco:
( )ijijij aaE ˆmaxmax −= (6.1.3)
Questo indice ha lo scopo di verificare eventuali comportamenti che
potrebbero essere mascherati dalla valutazione complessiva costituita
dall’errore totale (ad esempio, un errore sensibilmente più alto su particolari
archi del modello).
Tutte le simulazioni sono state effettuate sotto le seguenti
condizioni :
• Livelli assunti dal fattore SNR = [0.1, 1, 3, 5, 10];
Capitolo 6 Risultati dello studio di simulazione
85
• Livelli assunti dal fattore Length = [1000, 3000, 5000, 10000, 20000,
38900].
• Bande considerate: [theta(4-7 Hz), alfa(8-13 Hz), beta1(14-22 Hz),
beta2(23-30 Hz)].
Per ogni combinazione dei fattori appena elencati, sono state
effettuate 50 ripetizioni della stima dei parametri, allo scopo di ottenere una
valutazione statistica più affidabile.
ERRORE RELATIVO
L’ANOVA è stata calcolata con l’ausilio del programma
STATISTICA, impiegando come fattori principali il rapporto segnale rumore
(fattore SNR), la lunghezza del segnale (NCAMP) e la banda d’interesse
(BAND), ai livelli utilizzati per la generazione dei segnali e descritti alla fine
del paragrafo precedente.
Per quanto riguarda l’errore totale relativo, l’analisi effettuata ha
indicato un’elevata significatività statistica per tutti i main factors e per tutte
le loro interazioni reciproche. Ciò significa che tutti i fattori presi in
considerazione hanno un’influenza significativa sull’errore commesso dalla
tecnica della DTF.
In particolare, il grafico di figura 6.1.5 mostra l’andamento della
media degli errori totali relativi di tutte le simulazioni compiute con qualsiasi
numero di campioni (fattore NCAMP) e per tutte le bande al variare
dell’SNR. Si osservi come l’andamento dell’errore decresca all’aumentare del
fattore SNR solo nel passaggio dal livello 0.1 al livello 1 e da questo al
successivo, mantenendosi poi relativamente stabile fino a SNR 10.
Il test post-hoc, eseguito impiegando la procedura di Duncan
(con soglia di significatività al 5%) conferma quanto osservato, indicando
Capitolo 6 Risultati dello studio di simulazione
86
differenze statisticamente significative solo tra i primi due livelli, tra loro e
rispetto ai seguenti. Ciò significa che la differenza tra un SNR pari a 3, 5 o 10
non è tale da ridurre significativamente l’errore.
Fig. 6.1.5 - Risultati dell’ANOVA effettuata sull’errore relativo commesso sulla stima del
grafo di connessione. Andamento relativo all’ SNR. L’ANOVA indica per il fattore SNR
un’elevata significatività statistica, testimoniata dal valore di F riportato in alto. Il grafico
mostra in ascisse i valori del rapporto segnale rumore (SNR) impiegati per l’analisi
statistica e in ordinate i valori dell’Errore Relativo Totale nella stima delle connettività
sugli archi. Nel cerchio sono evidenziati i punti tra i quali il test post-hoc effettuato
(Duncan test allo 0.5%) non indica differenze statisticamente significative
Capitolo 6 Risultati dello studio di simulazione
87
In figura 6.1.6 è riportato invece l’andamento della media degli
errori totali relativi di tutte le simulazioni compiute relativamente al fattore
NCAMP.
Fig. 6.1.6 - Andamento della media dell’errore relativo totale relativamente alla lunghezza
del segnale. L’ANOVA indica per il fattore NCAMP un’elevata significatività statistica,
testimoniata dal valore di F riportato in alto. In ascisse i valori della lunghezza (in numero
di campioni) impiegati per l’analisi statistica e in ordinate i valori dell’Errore Relativo
Totale nella stima delle connettività sugli archi. Il test post-hoc indica differenze
statisticamente significative tra tutti i livelli considerati. Ciò indica una forte influenza del
fattore NCAMP sull’errore commesso nella stima. Ad es, come indicato dalla freccia
arancione sul grafico un numero di campioni superiore a 10000 dà un errore inferiore al
7%.
Come già detto, dall’ANOVA è risultata anche la significatività
statistica delle interazioni a due e a tre vie tra i diversi fattori. I risultati
riportati nelle figure 6.1.7, 6.1.8 e 6.1.9, relativi ai casi più significativi,
descrivono in che modo l’SNR, la lunghezza del segnale e la banda
d’interesse interagiscano tra loro nell’influenzare l’errore della stima:
Capitolo 6 Risultati dello studio di simulazione
88
Fig. 6.1.7 - Andamento dell’interazione a due vie tra il fattore SNR e il fattore NCAMP. In
ordinate sono riportati gli andamenti dell’errore totale relativo al variare dell’SNR, per
segnali di varia lunghezza. Il test post-hoc indica una differenza significativa dal punto di
vista statistico tra i livelli di 1000 e 3000 campioni e gli altri, per gli SNR maggiori di 1 (in
particolare 3, in rosso), mentre la differenza, per tutti gli SNR (in particolare 5, in blu), tra
una lunghezza di 5000 o del doppio non è tale da ridurre significativamente l’errore. Per
tutti i valori di NCAMP (in particolare 1000, in verde), non risultano differenze
statisticamente significative tra i valori di SNR di 3, 5 e 10.
Capitolo 6 Risultati dello studio di simulazione
89
Fig. 6.1.8 - Andamento dell’interazione a due vie tra il fattore SNR e il fattore BAND. In
ordinate sono riportati gli andamenti dell’errore totale relativo al variare dell’SNR, per
segnali di varia lunghezza. Dal test post- hoc emerge che per SNR maggiori di 3 non c’è
differenza statisticamente significativa tra le bande theta e beta1 (in rosso, per SNR=3) e
tra le bande alfa e beta 2 (in rosso, per SNR = 5). Per gli stessi valori di SNR, sono tutte
significative le differenze tra i due gruppi sopra elencati (in blu, per SNR=10). Per tutte le
bande, la differenza tra un SNR di 3, 5 e 10 non è tale da ridurre significativamente
l’errore.
Capitolo 6 Risultati dello studio di simulazione
90
Fig. 6.1.9 - Andamento dell’interazione a tre vie nell’ANOVA eseguita sui tre fattori presi in
esame, il numero di campioni NCAMP, il rapporto segnale rumore SNR e la banda impiegata
BAND. In ordinate sono riportati gli andamenti dell’errore totale relativo al variare dell’SNR, per
segnali di varia lunghezza, per ciascuna banda di interesse. I valori dell’errore si mantengono
particolarmente contenuti in banda alfa, per tutti gli SNR e per tutte i valori di lunghezza del
segnale. In banda theta, il test post hoc (Duncan al 5%) evidenzia in particolare differenze
significative tra lunghezze inferiori ai 3000 campioni e lunghezze superiori ai 5000 campioni (in
verde). In banda beta1, per tutti i livelli di numero di campioni, risulta che una differenza tra un
SNR di 0.1, 1 e tutti gli altri livelli è tale da influenzare l’errore, mentre quelle tra i rimanenti livelli
non lo sono (in blu). In banda beta2 e alfa, emergono differenze significative in particolare tra il
livello 1000 di NCAMP e gli altri (in rosso).
ERRORE MASSIMO
I risultati dell’analisi statistica effettuata sull’errore
massimo (definito in 6.1.2) presentano andamenti analoghi a quelli
ottenuti per l’errore totale relativo. In particolare, il fatto che i valori di
errore siano dello stesso ordine di grandezza di quelli ottenuti per
l’errore totale dimostra che quest’ultimo è un buon indice del
Capitolo 6 Risultati dello studio di simulazione
91
comportamento della tecnica analizzata, in quanto il comportamento
uniforme del metodo riguardo alle diverse connessioni fa sì che
considerare le prestazioni medie non nasconda errori differenti sui
diversi archi d’interesse.
A titolo di esempio, si riportano gli andamenti relativi all’SNR in
interazione con la banda d’interesse e l’influenza dei tre fattori (SNR,
lunghezza del segnale e banda d’interesse) riassunta nel grafico di
interazione a tre vie.
Fig. 6.1.10 – Andamento dell’interazione a due vie tra SNR e banda d’interesse, BAND. In
ordinate sono riportati gli andamenti dell’errore massimo al variare dell’SNR, per le
diverse bande. Si confrontino questi andamenti con quelli di figura 6.1.8 per osservare
come l’ordine di grandezza dell’errore sia analogo a quello ottenuto per l’errore relativo.
Capitolo 6 Risultati dello studio di simulazione
92
Fig. 6.1.11 - Andamento dell’interazione a tre vie fra i fattori SNR, BAND e NCAMP. In
ordinate sono riportati gli andamenti dell’errore massimo in funzione dell’SNR, al variare
della lunghezza dei segnali, per ciascuna banda di interesse. Si confrontino questi
andamenti con quelli di figura 6.1.9 per osservare come l’ordine di grandezza dell’errore
sia analogo a quello ottenuto per l’errore relativo.
6.3 Conclusioni dello studio di simulazione
L’esame dei risultati ottenuti dallo studio di simulazione fornisce
indicazioni precise riguardo prestazioni, margini di errore e limiti di validità
dell’applicazione delle due tecniche alla stima della connettività corticale da
registrazioni EEG ad alta risoluzione.
Entrambi i fattori in esame, l’SNR e la lunghezza delle
registrazioni, risultano avere un’influenza statisticamente significativa sulle
prestazioni della DTF. Ad una maggiore lunghezza del segnale corrisponde
un marcato miglioramento della stima: in particolare risulta essere
Capitolo 6 Risultati dello studio di simulazione
93
conveniente disporre di segnali di lunghezza maggiore o uguale a 3000
campioni.
La DTF non necessita di informazioni a priori sul pattern di
causalità, né pone alcun vincolo sul numero di archi o sul numero di canali
del modello da stimare, come invece presuppongono altre tecniche per lo
studio della connettività.
Capitolo 7 Applicazione a dati reali: Finger Tapping
94
Capitolo 7
Applicazione a dati reali: Finger Tapping
A conclusione dello studio effettuato nel corso della presente
tesi, mirato a valutare l’applicabilità della tecnica della Directed Transfer
Function alla stima della connettività corticale durante l’esecuzione di compiti
cognitivi e motori nell’uomo, si analizzeranno i dati EEG registrati durante un
compito di sincronizzazione temporale. In particolare, si mostrerà come
l’impiego di una serie di tecnologie allo stato dell’arte dell’analisi del segnale
EEG consentirà, a partire da misure non invasive di EEG, di inferire quali
network corticali possano supportare compiti di temporizzazione nell’uomo.
I dati EEG sono stati collezionati, durante l’esecuzione del
compito sperimentale richiesto, anche dentro uno scanner di Risonanza
Magnetica funzionale (fMRI). In tal modo, grazie alle precise indicazioni
relative alle variazioni di flusso sanguigno durante il compito sperimentale
delle diverse aree corticali è stato possibile stimare con maggior precisione la
loro attivazione funzionale e confrontarla con quella ottenuta con le sole
informazioni EEG.
Capitolo 7 Applicazione a dati reali: Finger Tapping
95
7.1 Design Sperimentale
7.1.1 Compito sperimentale
Durante la registrazione, il soggetto sperimentale sedeva di
fronte ad un monitor che presentava un segnale luminoso intermittente, ad
intervalli randomici di 1 secondo. Una volta che il segnale luminoso appariva
sullo schermo il soggetto doveva generare un semplice movimento del dito
medio della mano sinistra. Tale movimento era monitorato da una coppia di
elettrodi posti sul muscolo digitoris communis per la valutazione del segnale
elettromiografico, per la determinazione del momento esatto dell’inizio della
contrazione muscolare.
7.1.2 Acquisizione delle registrazioni EEG
La registrazione EEG è stata effettuata tramite un insieme di un
centinaio di elettrodi posti uniformemente sullo scalpo dei soggetti. La figura
successiva mostra la disposizione di tali elettrodi sulla ricostruzione della
interfaccia aria-pelle del soggetto sperimentale. I punti rossi sulla superficie
dello scalpo rappresentano le posizioni degli elettrodi, mentre le etichette
vicino ad ogni puntino rappresentano la denominazione di tali elettrodi nel
sistema di denominazione detto 10/10 aumentato.
Capitolo 7 Applicazione a dati reali: Finger Tapping
96
Figura 7.1.1. Posizione degli elettrodi relativi alla registrazione sperimentale analizzata. I
punti rossi rappresentano la posizione elettrodica sullo scalpo mentre in giallo sono
stampate le denominazione degli elettrodi stessi secondo il sistema internazionale 10-10.
7.1.3 Caratteristiche del segnale EEG acquisito
Il segnale EEG è stato registrato, durante il compito
sperimentale, in un intervallo temporale che ricopriva i 300 msec precedenti
alla manifestazione dell’attività elettrica muscolare rilevata dall’EMG (onset
EMG) fino ai 300 msec successivi. Durante il movimento del dito della mano
sinistra sono stati registrati 500 trial. La frequenza di campionamento è stata
di 250 Hz. Successivamente, si è proceduto alla rimozione di quei trial EEG
che fossero affetti da artefatti oculari o da movimento. Sul set così ripulito di
trial EEG si sono formate le medie di insieme dell’attività, per la sua
caratterizzazione sullo scalpo, così come sono state computate sui singoli trial
Capitolo 7 Applicazione a dati reali: Finger Tapping
97
le stime dell’attività corticale mediante la soluzione del problema lineare
inverso (delineato nella parte dei metodi di questa tesi).
Le distribuzioni topografiche dell’attività di potenziale mediata
sono rappresentabili in forma di mappe, come quella illustrata nella figura
seguente:
Figura 7.1.2 Distribuzione di potenziale sullo scalpo occorrente 112 msec dopo la
manifestazione dell’onset EMG. La scala di colori sulla destra codifica il valore del
potenziale in colori. Valori in microvolt. Le etichette gialle rappresentano le
denominazioni degli elettrodi poste sullo scalpo.
Successivamente, mediante la soluzione del problema lineare
inverso, è stato possibile stimare l’attività corticale sulla rappresentazione
della corteccia cerebrale dei dati così registrati. Prima di illustrare i risultati
relativi ai pattern corticali ottenuti da questa attività stimata, è necessario però
illustrare il processo di formazione del modello di testa del soggetto
sperimentale e mostrare i dati di attivazione emodinamica che sono stati poi
impiegati per generare le soluzioni EEG/fMRI riguardanti i pattern di
connettività corticale che si vedranno nel seguito.
Capitolo 7 Applicazione a dati reali: Finger Tapping
98
7.1.4 Modelli delle strutture utilizzate
I soggetti sperimentali sono stati sottoposti ad una scansione
della testa mediante Risonanza Magnetica (MRI). Grazie a ciò, è stato
possibile generare un modello tridimensionale delle principali strutture
coinvolte nella trasmissione del potenziale dalla superficie corticale allo
scalpo. Le strutture modellizzate per la generazione della matrice di lead field
sono state lo scalpo stesso, il cranio e la dura madre. Ognuna di queste
strutture è stata individuata sulle lastre riportanti le immagini ottenute ed un
apposito programma ha provveduto a segmentare tali immagini. Ad ognuna
delle strutture citate è stata assegnata una propria conducibilità elettrica, con
valori universalmente accettati dalla letteratura scientifica corrente. Nella
figura successiva è mostrata la struttura a Boundary Element delle tre strutture
impiegate per la generazione della matrice di lead field.
Capitolo 7 Applicazione a dati reali: Finger Tapping
99
Figura 7.1.3. La figura mostra i tre compartimenti impiegati per la costruzione del modello
realistico della testa del soggetto sperimentale.
7.1.5 Segmentazione della corteccia cerebrale
La computazione della matrice di lead field non esaurisce le
procedure di costruzione dei modelli geometrici di testa necessarie per la
stima dell’attività corticale del soggetto sperimentale a partire dalle misure
non invasive EEG. Infatti, la segmentazione della corteccia cerebrale dalle
immagini di MR fornisce un modello di corteccia che è poi possibile
impiegare nella soluzione del problema lineare inverso. Il modello ottenuto
per il soggetto sperimentale consiste in una struttura corticale triangolata
mediante 5000 triangoli, che seguono i principali solchi e circonvoluzioni
della corteccia dello stesso. Sotto ogni triangolo è stato disposto un dipolo
equivalente di corrente, orientato normalmente alla superficie, che simula una
porzione di alcuni mm quadrati di corteccia cerebrale. In questo modo, ad
ogni istante temporale di campionamento si hanno 128 dati EEG sulla
superficie dello scalpo, e la soluzione del problema lineare inverso restituisce
5000 valori di intensità di ogni dipolo disposto sulla superficie corticale. Tale
insieme di valori risulta poco maneggevole (si tratta infatti di 5000 forme
d’onda); inoltre scendere così nel dettaglio non risulta utile, a causa dei
possibili errori di discretizzazione commessi durante le procedure di
digitizzazione e determinazione delle strutture. Per tale motivo è
generalmente impiegata la procedura di descrizione dell’attività corticale
stimata mediante la media delle attività corticali all’interno di particolari aree
cerebrali, introdotte nel primo capitolo, note come aree di Brodmann. Come
già detto, si tratta di aree corticali omogenee dal punto di vista architettonico e
funzionale. In particolare, decenni di sperimentazioni hanno mostrato che
ogni area di Brodmann sottintende una particolare funzione cerebrale. Le aree
Capitolo 7 Applicazione a dati reali: Finger Tapping
100
di Brodmann hanno una distribuzione standard sulla corteccia, che è già stata
riportata nel primo capitolo e che viene riportata per comodità nella figura
seguente, in quanto servirà a determinare le aree impiegate anche nel seguito
di questo capitolo.
Figura 7.1.4. Aree di Brodmann sulla superfice corticale e loro relative numerazione.
Si è quindi proceduto alla determinazione delle aree di
Brodmann della ricostruzione corticale del soggetto sperimentale in esame. Il
risultato è osservabile nella figura successiva, dove sono evidenziate in
colore, contro lo sfondo corticale nero, le varie aree di Brodmann impiegate in
questo studio per la generazione dei pattern di connettività:
Capitolo 7 Applicazione a dati reali: Finger Tapping
101
Figura 7.1.5 Le regioni di interesse (ROI) generate sul modello di testa del soggetto
sperimentale. In colore le aree di Brodmann considerate.
L’attività nelle ROI, calcolata per ogni trial EEG analizzato,
viene quindi passata agli algoritmi di computo della DTF per l’analisi della
connettività corticale. Come già accennato precedemente, il soggetto
sperimentale ha eseguito lo stesso compito fuori e dentro uno scanner fMRI,
in grado di rilevare le zone corticali ove si osserva un aumento del flusso
ematico cerebrale corticale durante il compito sperimentale. Nella figura
successiva si osservano le zone corticali (segnate in rosso) in cui si osserva un
aumento del flusso sanguigno in risposta all’aumento di attività.
Capitolo 7 Applicazione a dati reali: Finger Tapping
102
Figure 7.1.6. Ricostruzione realistica della testa del soggetto sperimentale con la presenza
delle zone di incrementato flusso ematico cerebrale durante l’esecuzione del compito
sperimentale. Tali informazioni sono inserite nella soluzione del problema lineare inverso
restituendo una diversa , e piu’ completa, stima dell’attivita’ corticale
In questa sede si sono volute comparare anche le differenze di
connettività corticale indotte dall’impiego delle informazioni emodinamiche
rispetto a quelle solo EEG. Questo riveste una particolare rilevanza, in quanto
costituisce il primo caso in letteratura scientifica in cui tale confronto viene
eseguito.
7.2 Risultati dell’applicazione della DTF
Capitolo 7 Applicazione a dati reali: Finger Tapping
103
Una volta effettuata la stima dell’attività corticale, mediante la
risoluzione del problema lineare inverso a partire dai dati registrati sullo
scalpo, si giunge alle forme d’onda medie relative alle ROI impiegate.
Tali forme d’onda rappresentano l’attività cerebrale media
stimata su ciascuna regione d’interesse, con e senza l’utilizzo delle
informazioni emodinamiche a priori raccolte sullo stesso soggetto mediante
Risonanza Magnetica Funzionale (fMRI). L’attività corticale stimata senza
l’uso di dati emodinamici sarà quindi indicata nel seguito di questo capitolo
come ‘EEG’, mentre con ‘EEG-fMRI’ ci si riferirà alle stime corticali
ottenute risolvendo il problema lineare inverso mediante informazioni a priori
ottenute dalla fMRI.
Su tali dati è stato effettuato il computo della DTF, che permette
l’analisi della rete di connettività tra le aree cerebrali nel dominio della
frequenza. Analogamente a quanto fatto nello studio di simulazione, l’analisi
è stata effettuata nelle quattro bande di frequenza standard, la theta, la alfa, la
beta e la gamma. Dei risultati ottenuti per le DTF relative a ciascuna coppia di
aree e a ciascuna direzione tra di esse, sono stati evidenziati e riportati solo
quelli statisticamente significativi con un livello di significatività superiore al
5%. Come già descritto nei capitoli precedenti, i test di significatività
statistica sono stati effettuati a partire da una distribuzione empirica dei valori
di DTF, ottenuta con la procedura di shuffling.
Date le caratteristiche del compito sperimentale analizzato, si
può pensare di dividerlo logicamente in due fasi; una precedente ed una
successiva alla esecuzione del movimento da parte del soggetto dopo
l’apparizione dello stimolo luminoso di avvio. Il primo intervallo temporale
considerato è formato quindi dal periodo immediatamente precedente al
verificarsi del movimento (monitorato dall’onset dell’EMG registrato sul
muscolo del soggetto sperimentale), e rappresenta il periodo di preparazione
Capitolo 7 Applicazione a dati reali: Finger Tapping
104
al movimento. Tale periodo verrà indicato come ‘PRE-TRIGGER’. Il secondo
intervallo si estende dal trigger EMG fino alla fine della registrazione del
singolo trial, e dovrebbe rendere conto dell’arrivo del feedback
somatosensoriale generato dai recettori di stiramento e di posizione angolare
del dito. Questo secondo periodo verrà indicato come ‘POST-TRIGGER’.
7.2.1 Risultati ottenuti su dati stimati senza includere informazioni
fornite dalla fMRI.
Per la rappresentazione dei risultati ottenuti con la DTF è stato
utilizzato un programma MATLAB implementato ad hoc, che permette di
visualizzare il flusso d’informazione tra le diverse aree corticali direttamente
sulla corteccia, sotto forma di frecce dirette da una all’altra di esse.
A tal fine è stata utilizzata la ricostruzione della corteccia del
soggetto ottenuta come descritto nelle pagine precedenti, in cui ciascuna area
è stata evidenziata mediante una colorazione diversa. Le frecce che
rappresentano la DTF diretta da un’area verso un’altra (mediata nella banda di
frequenza d’interesse) collegano i baricentri geometrici delle aree stesse e
rendono conto dell’intensità del flusso mediante una codifica basata sulle loro
dimensioni e colore. In particolare, a frecce più chiare (colorazione che tende
al giallo) e più spesse, corrisponde un flusso più consistente.Un esempio di
tale rappresentazione è riportato in figura 7.2.1.
Capitolo 7 Applicazione a dati reali: Finger Tapping
105
Fig. 7.2.1 – Esempio di pattern di connettività ottenuto mediante DTF, rappresentato su
una ricostruzione della corteccia del soggetto. A frecce più spesse e chiare corrisponde un
flusso di entità maggiore. Le etichette poste alla loro base rappresentano le denominazioni
delle aree di Brodmann considerate (evidenziate in diversi colori).
Come già accennato, nelle figure presentate sono stati riportati
solo i valori di DTF che si sono attestati al di sopra della soglia di
significatività del 5%.
Periodo PRE-TRIGGER
Nelle figure seguenti sono riportati i grafici di connettività
risultanti dall’applicazione della DTF ai dati relativi al periodo precedente al
trigger, nelle quattro bande di frequenza considerate (alfa, beta, gamma e
theta).
Tali risultati mostrano un’attività rilevante delle aree posteriori
sinistre, coincidenti con l’area di Brodmann 5L, la quale appare essere un
centro di attività connesso soprattutto con le aree premotorie (aree 6-F2 da
ambo i lati, 6-F4) e con l’area prefrontale (area 8). In figura 7.2.2 sono
riportati i risultati ottenuti per la banda theta:
Capitolo 7 Applicazione a dati reali: Finger Tapping
106
theta – pre-trigger
Fig.7.2.2 – Flusso d’informazione tra le diverse aree corticali ottenuto mediante la DTF.
Valori medi in banda THETA, nel periodo di PRE-TRIGGER. Nella figura di sinistra, la
testa è vista dall’alto, con la parte anteriore rivolta verso sinistra. A destra, la stessa
immagine vista da una diversa prospettiva (posteriore destra). A frecce più spesse e chiare
corrisponde un flusso di entità maggiore. Le etichette poste alla loro base rappresentano le
denominazioni delle aree di Brodmann considerate (evidenziate in diversi colori). Si nota
un consistente flusso in uscita dall’area 5L e diretto verso le altre ROI, in particolare verso
le premotorie (6-F2 destra e sinistra, 6-F4) e verso l’area prefrontale (8F).
Capitolo 7 Applicazione a dati reali: Finger Tapping
107
I risultati ottenuti, sempre nel periodo di pre-trigger, per la banda
alfa sono riportati in figura 7.2.3.
alpha – pre-trigger
Fig. 7.2.3 - Flusso d’informazione tra le diverse aree corticali ottenuto mediante la DTF. Valori medi in banda ALFA, nel periodo di PRE-TRIGGER. Stesse convenzioni adottate nella figura precedente. I flussi hanno direzione ed intensità simili a quanto osservato per la banda theta.
Infine, i risultati per le bande beta e gamma, relativi alla fase di
pre-trigger, sono riportati in figura 7.2.4:
Fig. 7.2.4 A): Pattern di connettività ottenuto mediante DTF. Valori medi in banda BETA, nel periodo di PRE-TRIGGER. La testa è vista dall’alto, con il naso rivolto a sinistra. Si nota come le aree maggiormente coinvolte coincidano con quelle evidenziate nei casi precedenti. Rispetto a quanto osservato per le bande theta ed alfa, si nota un aumento dell’intensità dei flussi originati dalla 5L e diretti verso le altre aree. B): Valori medi in banda GAMMA, nel periodo di PRE-TRIGGER. Anche in questo caso valgono le considerazioni fatte per la banda beta. L’aumento di intensità dei flussi è qui ancora più marcato.
beta – pre-trigger gamma – pre-trigger
A) B)
Capitolo 7 Applicazione a dati reali: Finger Tapping
108
Periodo POST-TRIGGER
Il pattern di connettività relativo al periodo successivo al trigger,
che si estende per tutta la durata del movimento (indicato come POST-
TRIGGER), nelle bande di frequenza theta, beta e gamma non si differenzia
in modo sostanziale da quello ottenuto nel periodo di pre-trigger (figure 7.2.5,
7.2.6 e 7.2.7).
theta – post-trigger
beta – post-trigger
Capitolo 7 Applicazione a dati reali: Finger Tapping
109
Figg. 7.2.5, 7.2.6 e 7.2.7 – (pagina precedente) Pattern di connettività ottenuti mediante
DTF nel periodo di POST-TRIGGER. Dall’alto verso il basso, andamenti relativi alle
bande theta, beta e gamma. Nelle figure a sinistra, la testa è vista dall’alto, con il naso
rivolto a sinistra. Nelle figure di destra, è vista dal lato posteriore destro. Rispetto agli
analoghi andamenti relativi al periodo pre-trigger, si nota ancora un ruolo preminente
dell’area 5L verso le premotorie 6-F2 destra e sinistra e un flusso diretto da 5R verso
7R.
In banda alfa, invece, si nota un notevole cambiamento nel
pattern di connettività ottenuto nel periodo di post-trigger rispetto a quanto
osservato nel pre-trigger. Tale cambiamento è in accordo con il ruolo svolto
durante il movimento dalla componente relativa a questa banda di frequenza,
come già assodato in precedenti studi presenti in letteratura scientifica. In
figura 7.2.8 è riportato il confronto tra i risultati ottenuti in banda alfa per i
due periodi.
gamma – post-trigger
Capitolo 7 Applicazione a dati reali: Finger Tapping
110
Fig. 7.2.8 – Pattern di connettività ottenuti mediante DTF in banda ALFA. In alto, risultati
relativi al periodo di PRE-TRIGGER; in basso, relativi al POST-TRIGGER. Si nota un
notevole cambiamento del pattern di connessione nelle aree in cui è generato il massimo
flusso d’informazione. Nel pre-trigger si nota un consistente flusso in uscita dall’area 5L e
diretto verso le altre ROI, in particolare verso le premotorie (6-F2 destra e sinistra, 6-F4) e
verso l’area prefrontale (8F). Nel post-trigger le aree maggiormente interessate sono le
sensorimotorie primarie (a321 e a4) dell’emisfero sinistro.
In conclusione, i pattern di connettività corticale, ottenuti
mediante DTF calcolata sull’attività cerebrale media stimata su ciascuna
regione d’interesse a partire da registrazioni EEG effettuate durante il
movimento, permettono di attribuire un ruolo particolare all’area cerebrale 5L
nella trasmissione dell’informazione legata al compito sperimentale eseguito.
alpha – pre-trigger
alpha – post-trigger
Capitolo 7 Applicazione a dati reali: Finger Tapping
111
Inoltre, da essi risulta che almeno due pattern di connettività rilevanti sono
legati alla particolare banda di frequenza, in quanto la tecnica utilizzata ha
evidenziato differenze marcate in tali pattern nel caso della banda alfa rispetto
alle altre bande.
Una possibile spiegazione del pattern di connettività osservato
durante entrambi i periodi temporali PRE e POST in quasi tutte le bande di
frequenza è che riveli un network corticale che si attiva per l’allocazione di
risorse cognitive e di temporizzazione durante l’esecuzione del compito
sperimentale. Infatti, tale pattern è indipendente dalla banda di frequenza
considerata ed è relativamente indipendente dal segmento temporale
analizzato (PRE o POST trigger). Invece, il network corticale evidenziato
nella sola banda alfa per quanto riguarda il periodo temporale POST trigger
sembra supportare un tipo di attività dipendente dal compito motorio
esercitato dal soggetto sperimentale. Tale ipotesi si basa sulle aree coinvolte,
che sono essenzialmente quelle che processano le riafferenze sensorimotorie e
dalla banda considerata, l’alfa, che è tipicamente modulata dalla
pianificazione e dalla esecuzione del movimento. E’ possibile anche
ipotizzare un ruolo della area cerebrale sensori motoria ipsilaterale (il
movimento era quello del dito sinistro) nell’ambito delle conoscenze attuali
che vedono l’area motoria ipsilaterale attivata durante un movimento eseguito
con la mano non dominante (cioè quella sinistra per i soggetti destrorsi).
Capitolo 7 Applicazione a dati reali: Finger Tapping
112
7.2.2 Risultati ottenuti su dati stimati con l’inclusione delle informazioni
fornite dalla fMRI.
Periodo PRE-TRIGGER
I risultati ottenuti nel caso di pattern di connettività generati da
stime corticali eseguite mediante utilizzo di informazioni emodinamiche
ottenute dalla Risonanza Magnetica Funzionale presentano delle differenze
rispetto a quanto ottenuto con le sole registrazioni EEG.
Infatti, accanto alla presenza di un flusso consistente in uscita
dall’area 5L, già osservato nel caso precedente, si nota per tutte le frequenze
la presenza di un flusso originato nelle aree premotorie destra e sinistra (a6-
F2). Tali sorgenti premotorie sono connesse funzionalmente, durante il
periodo di pre-trigger, con le aree prefrontali (a8, a9, a46) di ciascun emisfero
cerebrale.
In figura 7.3.1 sono riportati i risultati ottenuti per le bande theta
e gamma:
Capitolo 7 Applicazione a dati reali: Finger Tapping
113
Fig. 7.3.1 - Pattern di connettività ottenuti mediante DTF nel periodo di PRE-TRIGGER,
per segnali stimati mediante EEG e fMRI. Dall’alto verso il basso, andamenti relativi alle
bande THETA e GAMMA. Nelle figure a sinistra, la testa è vista dall’alto, con il naso
rivolto a sinistra. Nelle figure di destra, è vista dal lato posteriore destro. Accanto alla
presenza di un flusso consistente in uscita dall’area 5L, già osservato nel caso in cui si
erano prese in considerazione le sole registrazioni EEG, si nota la presenza di un flusso
originato nelle aree premotorie destra e sinistra (a6-F2). Tali sorgenti premotorie sono
connesse funzionalmente con le aree prefrontali (a8, a9, a46) di ciascun emisfero
cerebrale.
I risultati relativi alla banda alfa verranno presentati nel prossimo
paragrafo, per evidenziarne le differenze nei due periodi temporali
considerati.
theta – pre-trigger
gamma – pre-trigger
Capitolo 7 Applicazione a dati reali: Finger Tapping
114
Periodo POST-TRIGGER
Dopo l’esecuzione del movimento, il pattern di connettività
stimato con l’ausilio della fMRI si differenzia da quello osservato nel periodo
di pre-trigger.
Come già osservato per la connettività stimata a partire dalle sole
registrazioni EEG, tali cambiamenti interessano soprattutto il pattern relativo
alla banda alfa.
In figura 7.3.2 sono riportati i risultati ottenuti in banda theta,
analoghi a quanto osservato nelle bande beta e gamma.
theta – post-trigger
Fig. 7.3.2 - Pattern di connettività ottenuto con la DTF, per segnali stimati mediante EEG
e fMRI. Valori medi in banda THETA, nel periodo di POST-TRIGGER. Si nota ancora un
ruolo preponderante dell’area 5L, accompagnato però da flussi diretti dalle aree
premotorie 6F2 (destra e sinistra) verso le aree prefrontali a9, a8, a46 di entrambi gli
emisferi cerebrali.
Come già accennato, anche in questo caso, coerentemente con
quanto già noto dalla letteratura, le differenze maggiori tra periodo precedente
e successivo al movimento si osservano in banda alfa. In figura 7.3.3 è
riportato il confronto tra i risultati ottenuti per i due periodi.
Capitolo 7 Applicazione a dati reali: Finger Tapping
115
Fig. 7.3.3 - Pattern di connettività ottenuti mediante DTF in banda ALFA, per segnali
stimati mediante EEG e fMRI. In alto, risultati relativi al periodo di PRE-TRIGGER; in
basso, relativi al POST-TRIGGER. Si nota, oltre alla presenza dei flussi uscenti dalle aree
premotorie già evidenziati per le altre bande, una riduzione della 5L, mentre le due aree
sensorimotorie diventano preponderanti.
Anche in questo caso esistono due pattern di connettività
principali. Il primo coinvolge le aree parietali posteriori e le aree prefrontali
premotorie in tutte le bande di frequenza esaminate. Il secondo interessa le
aree primaria somatosensoriale e motoria e riguarda la sola banda di
frequenza alfa. Quest’ultimo pattern sembra essere legato all’esecuzione vera
alpha - pre-trigger
alpha - post-trigger
Capitolo 7 Applicazione a dati reali: Finger Tapping
116
e propria del movimento, poiché subisce dei cambiamenti dalla fase di pre a
quella di post trigger. L’aver incluso le informazioni fornite dall’fMRI ha
rivelato l’importanza rivestita dalle aree premotorie-prefrontali, che era
rimasta nascosta nell’analisi basata sul solo EEG.
Capitolo 8 Applicazione a dati reali: ENC-RET
117
CAPITOLO 8
Applicazione a dati reali: ENC-RET
In questo capitolo verranno illustrati i risultati ottenuti nella
presente tesi relativamente al compito di memoria visuo-spaziale a medio
termine richiesto al generico soggetto sperimentale.
Il primo compito coinvolgeva la memoria episodica (codifica e
memorizzazione di una serie di immagini relative ad interni di ambiente).
Dopo aver esposto i soggetti sperimentali alla visione di una serie
di immagini di ambienti interni ed esterni, circa un’ora dopo sono state
prelevate dagli stessi soggetti altrettante registrazioni EEG durante il compito
di recupero di tali informazioni. Venivano presentate infatti ai soggetti
sperimentali un'altra serie di immagini di interni e loro dovevano dire se
avevano già visto l’immagine un’ora prima o no, mediante la pressione di un
tasto del mouse. In tal modo, si venivano a testare le componenti del segnale
EEG che sono relative ad una fase di encoding (di immagazzinamento cioè
delle informazioni relative alle immagini viste) e di successivo retrieval (di
recupero, un’ora dopo, delle informazioni relative a tali immagini per la loro
comparazione con quelle attualmente presentate).
In particolare verranno riportate le ricostruzioni nel tempo delle attivazioni
corticali, ottenute a partire dai dati EEG registrati sullo scalpo. Tali
attivazioni, mediate in ciascuna ROI, mostrano l’andamento del segnale
durante lo svolgimento della task per ciascun soggetto sperimentale. Le
conclusioni verteranno quindi sui pattern di connettività corticale stimati sulle
ROI dei soggetti analizzati.
Capitolo 8 Applicazione a dati reali: ENC-RET
118
8.1 Risultati dell’analisi dei dati nel dominio del tempo: forme
d’onda medie sullo scalpo
In questo paragrafo, sono state riportate le forme d’onda medie
sullo scalpo per un set di elettrodi, disposti in corrispondenza delle aree
sensomotorie e premotorie di entrambi gli emisferi. Ogni tracciato rappresenta
la variazione del potenziale durante la task. I valori negativi sono
rappresentati in basso. Sull’asse delle ascisse è riportata la variabile tempo; in
corrispondenza dell’ascissa 0 è riportato l’istante di trigger (EMG onset),
indicato in figura da un triangolo rosso. Tutti gli istanti che precedeno l’EMG
onset si configurano come negativi, mentre quelli che seguono come positivi.
Nelle figure 8.1 e 8.2 vengono rappresentate le forme d’onda più significative.
Tutti i tracciati presentano un andamento simile; si notano una
desincronizzazione nel periodo di warning (prima del trigger) e una
successiva sincronizzazione nel periodo di cue, subito dopo la presentazione
dello stimolo visivo (immagine). Successivamente nel periodo di Go, in
corrispondenza della presenza della mira luminosa verde che avverte il
soggetto che può eseguire il compito motorio assegnato, è presente una
desincronizzazione e successiva sincronizzazione. Inoltre il potenziale
registrato sugli elettrodi centrali e frontali scende visibilmente al di sotto del
livello di baseline a partire dalla presentazione dello stimolo visivo (segnale
di warning) per un intervallo di tempo, di durata variabile da soggetto a
soggetto, che coincide con il periodo di tempo in cui il soggetto stesso si
prepara all’esecuzione del compito motorio richiesto.
Capitolo 8 Applicazione a dati reali: ENC-RET
119
Figura 8.1 Forme d’onda del potenziale sullo scalpo in corrispondenza degli elettrodi
frontali, parietali e centrali per i dati relativi al periodo di encoding. L’asse orizzontale
mostra il tempo in msec relativo all’evento di EMG onset (tempo 0). I valori positivi
sono rappresentati sopra l’asse delle x, mentre quelli negativi sono rappresentati sotto
l’asse delle x. Le sigle sulla sinistra sono relative alla denominazione degli elettrodi
utilizzati. Per esempio la forma d’onda F2 e’la variazione della tensione durante il
compito sperimentale registrata in corrispondenza dell’elettrodo F2 (sistema di
montaggio 10-20 aumentato). In particolare sono rappresentate le variazioni percentuali
della tensione rispetto ad un periodo di riposo registrato prima della presentazione di
ogni immagine.
Capitolo 8 Applicazione a dati reali: ENC-RET
120
Figura 8.2 Forme d’onda del potenziale sullo scalpo in corrispondenza degli elettrodi
occipitali e parieto-occipitali per i dati relativi al periodo di encoding. Valgono le stesse
convenzioni adottate per la precedente figura.
Le sigle sulla sinistra sono relative alla denominazione degli
elettrodi utilizzati. Secondo il sistema di montaggio 10-20 aumentato. Per
esempio la forma d’onda Oz e’la variazione della tensione durante il compito
sperimentale registrata in corrispondenza dell’elettrodo Oz. In particolare
sono rappresentate le variazioni percentuali della tensione rispetto ad un
periodo di riposo registrato prima della presentazione di ogni immagine.Le
stesse valutazioni possono essere eseguite osservando gli andamenti temporali
registrati un’ora dopo, durante la task di retrieval. Nelle figure 8.3 e 8.4 sono
riportate le forme d’onda medie del potenziale registrato sullo scalpo in
corrispondenza degli stessi elettrodi.
Capitolo 8 Applicazione a dati reali: ENC-RET
121
Figura 8.3 Forme d’onda del potenziale sullo scalpo in corrispondenza degli elettrodi
centrali, frontali e parietali per i dati relativi al periodo di retrieval. Valgono le stesse
convenzioni adottate per le precedenti figure.
Figura 8.4 Forme d’onda del potenziale sullo scalpo in corrispondenza degli elettrodi
occipitali e parieto-occipitali per i dati relativi al periodo di retrieval. Valgono le stesse
convenzioni adottate per le precedenti figure.
Capitolo 8 Applicazione a dati reali: ENC-RET
122
8.2 Forme d’onda medie sulla corteccia: stima dell’attività corticale
Mediante registrazioni EEG multicanale si può stimare l’attività
corticale sul modello di cervello impiegato mediate la tecnica di stima lineare
inversa descritta nei capitoli precedenti. Con tale tecnica si possono produrre
immagini in cui l’andamento dell’attività corticale viene evidenziato sul
modello di corteccia cerebrale impiegato. Dato che il modello di corteccia
impiegato prevede circa 3000 dipoli equivalenti di corrente, il risultato della
procedura di stima sarà il valore della grandezza di tali dipoli equivalenti
durante l’esecuzione del compito sperimentale. Come già accennato in
precedenza, l’esistenza sulla corteccia cerebrale di particolari aree in cui i
neuroni sono anatomicamente simili (dette aree di Brodmann), fa si’che si
possa pensare di valutare l’attività risultante cerebrale non per ognuno dei
singoli dipoli ma come invece la media di insieme dei dipoli appartenenti ad
una determinata area di Brodmann. In tal modo non si ingenera una
aspettativa irrealistica di risoluzione spaziale della metodica (dell’ordine del
millimetro quadro) ma si analizzano i dati EEG sulle regioni di interesse
coincidenti con le aree di Brodmann stesse, ad una risoluzione spaziale ancora
accettabile (0.8-1 cm quadro).
Precedenti ricerche eseguite in letteratura mediante tecniche di
rilevazione dell’attività emodinamica (functional Magnetic Resonance
Imaging; fMRI) nell’uomo durante compiti di memoria a medio termine
hanno evidenziato come alcune particolari aree di Brodmann siano implicate
nel processamento e nella memorizzazione di immagini. Comunque, va
ricordato che le analisi condotte con tecniche fMRI hanno però il difetto di
avere una scarsissima risoluzione temporale, nell’ordine dei secondi, che
risulta inadeguata a seguire l’evoluzione dei processi cerebrali coinvolti in
questo compito. Da qui invece l’interesse ad analizzare questi compiti
sperimentali con l’impiego di EEG ad alta risoluzione spaziale, che manifesta
Capitolo 8 Applicazione a dati reali: ENC-RET
123
una risoluzione temporale di meno di 500 ms (necessari per il computo
affidabile dei valori spettrali).
Fig. 8.5 Rappresentazione delle ROI prese in considerazione nell’analisi delle attivazioni
corticali nel tempo sia per l’emisfero destro che sinistro.Tali aree sono denominate come 8,
9, 10 e 46 in zona frontale (aree arancioni-verdi-blu) mentre in zona parietale si possono
apprezzare le aree 5 e 7 (colori celeste-azzurro); nella zona centrale in rosso e giallo e
marrone si evidenziano le aree 4, 6 e SMApr (area sensomotoria anteriore propria) ed
infine nella zona occipitale l’area 19. Si sono considerate aree corticali sia nell’emisfero di
destra che in quello di sinistra. La figura presenta per chiarezza espositiva solo le aree di
Brodmann sinistre.
In armonia con i risultati della letteratura precedente, in questo
studio le zone di interesse sulla corteccia cerebrale di cui faremo vedere le
Capitolo 8 Applicazione a dati reali: ENC-RET
124
forme d’onda medie sono state scelte con le aree di Brodmann rappresentate
nella figura 8.5.
In particolare, come descritto nella figura, sono state selezionate
le zone di interesse sulla corteccia cerebrale modellanti le aree fronto-
parietali, corrispondenti alle aree di Brodmann 5, 7, 8, 9, 10 e 46, le aree
centrali corrispondenti alle aree di Brodmann 4, 6 e SMApr e l’area occipitale
corrispondente all’area di Brodmann 19. Le ROI scelte sono state selezionate
sia sull’emisfero di sinistra che su quello di destra.
Nei paragrafi successivi prenderemo in esame le variazioni
spettrali ottenute dall’analisi dell’EEG nelle differenti bande teta (4-7 Hz),
alfa (6-12 Hz), beta ( 13-30) ed alla banda gamma (31-48 Hz) durante il
compito sperimentale di ENCODING e RETRIEVAL.
L’applicazione operatore Laplaciano sulla superficie (SL)
fornisce forme d’onda libere da riferimento e incrementa la frequenza spaziale
dei dati.
Nelle figure 8.6, 8.7, 8.8 sono riportate le forme d’onda medie
sulle ROI considerate, filtrate con l’operatore Laplaciano, relative al periodo
di encoding. Ogni tracciato rappresenta la variazione del potenziale durante la
task. I valori negativi sono rappresentati in basso. Sull’asse delle ascisse è
riportata la variabile tempo; in corrispondenza dell’ascissa 0 è riportato
l’istante di trigger (EMG onset) indicato in figura da un triangolo rosso. Tutti
gli istanti che precedeno l’EMG onset si configurano come negativi, mentre
quelli che seguono come positivi. Con i cursori sono stati evidenziati gli
intervalli di tempo significativi, ovvero il periodo di tempo in cui viene
presentata l’immagine (periodo di cue), all’interno del quale sono stati
evidenziati i due intervalli analizzati in questo studio (0-1000 msec e 1000-
2000 msec), e l’intervallo di Go (5000-6000 msec).
Capitolo 8 Applicazione a dati reali: ENC-RET
125
Fig. 8.6 Distribuzione dell’attività corticale nella zona frontale (ROI 8, 9 10 e 46) ottenuta
dai segnali EEG registrati sugli elettrodi attraverso la ricostruzione tramite la lead-field
relativa alla task Encoding. Le sigle sulla sinistra sono relative alla denominazione delle aree
di Brodmann analizzate. Per esempio la forma d’onda a9L e’la variazione della potenza
spettrale della densita’di corrente durante il compito sperimentale ottenuta in media nella
area di Brodmann 9, nell’emisfero sinistro. In particolare sono rappresentate le variazioni
percentuali della potenza spettrale rispetto ad un periodo di riposo registrato prima della
presentazione di ogni immagine.
Capitolo 8 Applicazione a dati reali: ENC-RET
126
Fig. 8.7 Distribuzione dell’attività corticale nella zona centro parietale (aree sensitive 5
e 7) e nella zona occipitale (area visiva 19) ottenuta dai segnali EEG registrati sugli
elettrodi attraverso la ricostruzione tramite la lead-field relativa alla task Encoding.
Valgono le stesse convenzioni adottate nelle precedenti figure.
Fig. 8.8 Distribuzione dell’attività corticale nella zona centrale ( aree motorie 4 e 6 e
area sensori-motoria 321) ottenuta dai segnali EEG registrati sugli elettrodi attraverso
la ricostruzione tramite la lead-field relativa alla task Encoding. Valgono le stesse
convenzioni adottate nelle precedenti figure.
Capitolo 8 Applicazione a dati reali: ENC-RET
127
Le sigle sulla sinistra sono relative alla denominazione delle aree
di Brodmann analizzate. Per esempio la forma d’onda a6L è la variazione
della potenza spettrale della densità di corrente durante il compito
sperimentale ottenuta in media nella area di Brodmann 6, nell’emisfero
sinistro. In particolare sono rappresentate le variazioni percentuali della
potenza spettrale rispetto ad un periodo di riposo registrato prima della
presentazione di ogni immagine.
Sulle regioni centrali sia destre che sinistre (a6, a 321) si osserva
un’attività rilevante in corrispondenza degli istanti immediatamente
precedenti e successivi al trigger; lo stesso si può dire per l’attività delle aree
frontali (in particolre a10 e a46) e dell’area occipitale (a19), sia nell’emisfero
destro che in quello sinistro.
Si può notare un picco di desincronizzazione (abbassamento
percentuale della potenza spettrale nella banda considerata rispetto al periodo
di riposto) detto ERD, da Event-Related Desynchronization, dopo il trigger (0
ms), ovvero nel primo intervallo del periodo di CUE, in quasi tutte le ROI in
esame (inizio di un’attività da parte dei soggetti). Nella figura riportata di
seguito è possibile visualizzare tale desincronizzazione spettrale nella banda
theta (4-7 Hz).
Capitolo 8 Applicazione a dati reali: ENC-RET
128
Fig.8.9 Mappa sulla corteccia relativa alla latenza 3000 ms sulle ROI nel caso
Encoding. Si osservi l’orientazione della testa, che è vista da sopra, con il naso in
basso, per una corretta localizzazione delle regioni di interesse investigate in questa
tesi. In azzurro si possono notare le zone di desincronizzazione della potenza spettrale
nella banda tetha (4-7 Hz), mentre ci sono zone, posizionate sull’emisfero destro in
posizione fronto-parietale (zone verde gialle), in cui aumenta percentualmente la
potenza spettrale in banda tetha.
In azzurro sono evidenziate le ROI interessate da un’attività del
soggetto appena posto davanti all’immagine durante la task di Encoding .
Successivamente si nota una fase di aumento percentuale della potenza
spettrale (conosciuto come Event-Related Synchronization;ERS) nella banda
tetha. Tale aumento ha il suo culmine al termine della fase di CUE quando
durante la fase di GO il soggetto deve premere il tasto del mouse a seconda
del tipo di risposta che vuole dare, infatti, una successiva fase di ERD si può
notare intorno ad una latenza di 8500 ms.
Capitolo 8 Applicazione a dati reali: ENC-RET
129
Fig. 8.10 Sequenza delle attivazioni ERD (in blue) ed ERS (in rosso) durante la fase di
CUE
della task di encoding nella banda di frequenza theta . L’inizio (0 ms) è quello della fase
di CUE (presentazione della immagine da memorizzare al soggetto sperimentale). La
disposizione delle teste rappresentate in figura sono orientate con il naso verso il basso.
Le aree grigie sono relative a parti del modello di corteccia cerebrale (aree di Brodmann)
in cui non si evidenzia un aumento o una diminuzione percentuale di potenza spettrale
rispetto al periodo di riferimento scelto. Questo e’indice di una non partecipazione di tali
aree al processamento dell’informazione relativa alla memorizzazione dell’immagine
presentata.
Dalla Fig. 8.10 si può notare come 437.5 ms dopo l’inizio della
fase di CUE si evidenzi un’attività, picchi ERD in blu, come già accennato in
precedenza.
Successivamente ha luogo una fase di sincronizzazione ERS in rosso.
È interessante notare che le mappe relative alle attivazioni
corticali presentate nelle figure 7.9 e 7.10 provengono dalla media di insieme
di tutta la popolazione analizzata nel presente studio (5 soggetti sani). Sono
dati che quindi rispecchiano il comportamento in frequenza della potenza
spettrale dei segnali EEG in tutta la popolazione analizzata.
Le stesse considerazioni possono essere fatte per la successiva
fase di retrieval, dopo un intervallo di circa un’ora, da quella di Encoding,
procedendo con la medesima procedura sperimentale con la differenza che il
Capitolo 8 Applicazione a dati reali: ENC-RET
130
soggetto era chiamato a riconoscere se le immagini che gli venivano
sottoposte erano nuove (distrattori) o gia viste durante la precedente fase. É
dunque sollecitata un’attività di memorizzazione spaziale a medio termine,
ritrovamento (Retrieval) o riconoscimento di immagini.
Nelle figure che seguono (figure 8.11, 8.12, 8.13) vengono
rappresentati gli andamenti temporali delle sollecitazioni corticali durante la
fase di Retrieval, in tutte le ROI considerate significative per la task
analizzata.
Fig. 8.11 Distribuzione dell’attività corticale nella zona frontale (ROI 8, 9 10 e 46)
ottenuta dai segnali EEG registrati sugli elettrodi attraverso la ricostruzione tramite la
lead-field relativa alla task Retrieval. Le sigle sulla sinistra sono relative alla
denominazione delle aree di Brodmann analizzate. Per esempio la forma d’onda a9L
e’ la variazione della potenza spettrale della densita’di corrente durante il compito
sperimentale ottenuta in media nella area di Brodmann 9, nell’emisfero sinistro. In
particolare sono rappresentate le variazioni percentuali della potenza spettrale rispetto
ad un periodo di riposo registrato prima della presentazione di ogni immagine.
Capitolo 8 Applicazione a dati reali: ENC-RET
131
Fig. 8.12 Distribuzione dell’attività corticale nella zona centro parietale (aree sensitive 5
e 7) e nella zona occipitale (area visiva 19)ottenuta dai segnali EEG registrati sugli
elettrodi attraverso la ricostruzione tramite la lead-field relativa alla task Retrieval.
Valgono le stesse convenzioni adottate nelle precedenti figure.
Fig. 8.13 Distribuzione dell’attività corticale nella zona centrale ( aree motorie 4 e 6 e
area sensori-motoria 321) ottenuta dai segnali EEG registrati sugli elettrodi attraverso la
ricostruzione tramite la lead-field relativa alla task Retrieval. Valgono le stesse
convenzioni adottate nelle precedenti figure.
Capitolo 8 Applicazione a dati reali: ENC-RET
132
In tutte le ROI si possono notare dei picchi di desincronizzazione
(ERD), quindi è rilevata attività, subito dopo l’inizio del periodo di CUE,
quando al soggetto viene fatta vedere l’immagine.
8.3 Stima della connettività corticale
Nell’elaborazione della presente tesi ha rivestito un’importanza
fondamentale la stima del flusso di informazione da un’area della corteccia
cerebrale ad un’altra, dato che questo rende conto della propagazione del
segnale attraverso le varie aree cerebrali durante il compito sperimentale
analizzato. Tale stima, anche in questo caso, è stata condotta tramite
l’algoritmo denominato Directed Function Tranfer (DTF), già abbondamente
illustrato nei precedenti paragrafi. La stima delle connettività è stata
computata per le bande di frequenza di interesse per le task memoria visuo-
spaziale analizzate, che sono rispettivamente: la banda theta (4-7 Hz), la
banda alpha (8-12 Hz), la banda beta (13-30 Hz) e la banda gamma (31-47
Hz) già individuate come le più sensibili rispetto all’esecuzione di compiti di
riconoscimento e memorizzazione. Nel considerare tutte le possibili
connessioni tra le RoI in esame (nell’emisfero destro e nell’emisfero sinistro),
ci si è posti immediatamente il problema di dotarsi di una metodologia per
stabilire la significatività statistica dei risultati ottenuti. Infatti, è necessario
stabilire se e quali connessioni indicate dalla DTF siano “stabilmente” piu’alte
delle fluttuazioni casuali. Purtroppo, dalla formulazione matematica della
DTF non si è stati in grado di derivare una curva di densità di probabilità in
maniera tale che si potessero formulare dei test statistici di significatività per i
valori della DTF stessi. In queste condizioni, l’applicazione dei test statistici
si può ancora eseguire a patto di stimare empiricamente la funzione di
distribuzione dei valori casuali di DTF per una qualsiasi delle coppie di aree
Capitolo 8 Applicazione a dati reali: ENC-RET
133
di Brodmann considerate. La stima empirica della distribuzione dei valori di
DTF dovuta al caso consente poi di generare dei test di significatività
statistica, necessari alla valutazione dei risultati ottenuti. Tale metodologia è
nota come procedura Monte Carlo. Nel caso della DTF la procedura di
generazione della distribuzione di densità di probabilità dei valori casuali è
detta procedura di shuffling. Infatti, date le serie temporali di due aree di
Brodmann, è possibile generare i valori di DTF dovuti all’accoppiamento
casuale se si “rompe” la consequenzialità temporale delle due serie di dati.
Dai tracciati ottenuti, sui quali è stato distrutto qualsiasi legame temporale,
sono stati ricavati i valori di DTF, utilizzati per la costruzione
dell’istogramma che approssima la distribuzione della densità di probabilità
cercata. Una volta costruito, per ogni coppia di dati relativi alle aree di
Brodmann, l’istogramma della distribuzione dei valori di DTF casuali, è stato
necessario stabilire una soglia di significatività per i valori di DTF. Tale
soglia è stata fissata al valore che lascia sotto di sè il 95% della distribuzione
dei valori di DTF ottenuti dai segnali casuali. Ciò è equivalente ad un test
statistico eseguito con una probabilità del 5% come soglia di significatività
statistica.
In particolare è stato possibile, con opportune elaborazioni in ambiente
Matlab, creare una sorta di matrice in grado di mostrare immediatamente in
maniera grafica i valori di DTF e di soglia.
Capitolo 8 Applicazione a dati reali: ENC-RET
134
Fig. 8.14 La figura mostra da sinistra a destra e dall’alto in basso rispettivamente la
matrice dei valori di DTF, della soglia e dei valori significativi, mediati in banda theta,
nella task di Encoding. Da notare le barre di colore che codificano le grandezze in esame,
mentre nel caso della matrice dei dati significativi ci sono rappresentate come puntini le
coppie di aree di Brodmann che risultano significative con una probabilità superiore al
5%.
È inoltre possibile avere una rappresentazione grafica attraverso
l’uso di istogrammi che prendano sempre in considerazione i valori di DTF e
quelli di soglia relativi allo shuffling, sia in scala reale che logaritmica.
Capitolo 8 Applicazione a dati reali: ENC-RET
135
Fig.8.15 Istogrammi relativi ai valori di DTF e della soglia, mediati in banda
theta, nella task di Encoding. In particolare, nella figura in alto a sinistra
e’possibile osservare il numero di volte in cui si ha un certo valore di DTF
mentre nella figura in altro a destra è rappresentato il medesimo grafico in
scala logaritmica. La figura in basso a sinistra illustra allo stesso modo il
numero di occorrenze di un dato valore della soglia mentre la distribuzione in
basso a destra viene rappresentato in scala logaritmica.
Infine è stato implementata, con l’uso di un programma
MATLAB ad hoc, una rappresentazione visiva della direzione e della
dimensione di ogni flusso significativo tra ogni area.
La direzione del flusso è indicata dalla freccia presente nella
parte centrale dell’arco, mentre lo spessore e la colorazione indicano l’entità
del flusso tra diverse aree, in modo particolare più le frecce sono chiare
Capitolo 8 Applicazione a dati reali: ENC-RET
136
(colorazione arancione-giallo) e spesse, più il flusso è statisticamente
significativo.
Anche per mostrare questi risultati, è stata realizzata, sempre con
l’uso di un programma in linguaggio MATLAB, una rappresentazione visiva
sintetica del flusso di informazione che interessa ciascuna delle aree
coinvolte, utilizzando il parametro DTF che rappresenta per ciascuna coppia
di ROI il flusso di informazione scambiato, considerando sia il flusso diretto
che le influenze indirette. Vengono quindi rappresentate tre immagini della
corteccia. La prima figura rappresenta il flusso di informazione che entra in
ciascuna ROI, ovvero vengono sommati tutti in flussi di informazione che
arrivano in ogni ROI, provenienti da tutte le altre ROI considerate nell’analisi.
La seconda figura rappresenta il flusso totale uscente da ciascuna ROI, ovvero
vengono sommati tutti i flussi che sono diretti dalla ROI in esame verso tutte
le altre ROI considerate.
Nel baricentro di ciascuna ROI è raffigurata una sfera la cui
dimensione e il cui colore indicano la significatività e l’entità del flusso.
I colori delle sfere che rappresentano nelle due figure
rispettivamente i flussi entranti e uscenti dall’area sulla quale è rappresentata
la sfera vanno dal rosso scuro al giallo. Più la sfera è grande e chiara
maggiore è l’entità del flusso.
La terza figura rappresenta il flusso differenziale che interessa
ogni ROI, ovvero la differenza fra il flusso totale uscente e il flusso totale
entrante nella ROI. Anche in questa figura il flusso, per ogni ROI, è
rappresentato da una sfera, centrata nel baricentro della ROI, il cui colore e la
cui dimensione indicano l’entità e la significatività del flusso. Se il flusso
differenziale è positivo (flusso netto entrante) il colore della sfera va dal rosso
scuro al giallo, se il flusso è negativo (flusso netto uscente) il colore della
sfera va dal blu scuro al celeste. Più la sfera è grande e di colore chiaro,
maggiore è l’entità e la significatività del flusso.
Capitolo 8 Applicazione a dati reali: ENC-RET
137
In figura 8.16 viene riportato un esempio delle figure che
rappresentano sinteticamente i flussi di informazione entranti, uscenti e
differenziali. L’esempio è relativo alla task encoding e ad un intervallo
temporale della durata di un secondo, immediatamente successivo alla
presentazione dello stimolo (CUE), per uno dei soggetti sperimentali
analizzati.
Fig.8.16 Rappresentazione sintetica rispettivamente dei flussi entranti, uscenti e differenziali,
relativi alla task Encoding e alla prima fase del periodo di cue (0-1000 msec).
Capitolo 8 Applicazione a dati reali: ENC-RET
138
8.4 Analisi dei risultati
Nella presente tesi è stata analizzata una finestra temporale che si
colloca nel periodo di cue ed è immediatamente successiva alla presentazione
dello stimolo, perchè durante tale intervallo temporale il soggetto, nella fase
di encoding elabora l’immagine vista, per decidere il tipo di ambiente, mentre
nella successiva fase di retrieval è stimolato in compiti di mid-memory per
decidere se ha precedentemente visto l’immagine che gli viene presentata,
impegnando in maniera differente il coinvolgimento delle stesse strutture
cerebrali sollecitate nella precedente fase. La finestra temporale è stata
suddivisa in due intervalli, della durata di un secondo ciascuno, che sono stati
analizzati separatamente per mettere in risalto la diversa risposta del soggetto
appena gli viene presentata l’immagine (prima fase) e dopo un secondo dalla
presentazione della stessa (seconda fase). Grazie alle caratteristiche di
risoluzione spaziale del metodo utilizzato, è stato possibile analizzare periodi
temporali dell’ordine del secondo, che non sono invece risolvibili con le
attivazioni emodinamiche rilevate dalla fMRI.
In questo paragrafo verranno presentati i risultati ottenuti nelle
due fasi analizzate e in ciascuna delle bande di frequenza di interesse per le
task memoria visuo-spaziale analizzate, che sono rispettivamente: la banda
theta (4-7 Hz), la banda alpha (8-12 Hz), la banda beta (13-30 Hz) e la banda
gamma (31-47 Hz) già individuate come le più sensibili rispetto
all’esecuzione di compiti di riconoscimento e memorizzazione.
Capitolo 8 Applicazione a dati reali: ENC-RET
139
8.4.1 Analisi dei pattern di connettività in banda theta
Nel caso della task di Encoding la figura 8.17 rappresenta i
grafici di connnettivita’fra le differenti aree di Brodmann per la popolazione
analizzata (5 soggetti sani). Attraverso l’uso di frecce di diversa colorazione e
spessore, è mostrata la direzione e l’entità del flusso tra le diverse aree. In
modo specifico più le frecce sono chiare (colorazione arancione-giallo) e più
sono spesse, più il flusso è importante nonche’significativo.
8.17 Pattern di connettività corticale per la popolazione analizzata durante la task di
encoding nei due intervalli di interesse, T1 (0-1000 msec) e T2 ( 1000-2000 msec) nella
banda theta. Le frecce rappresentano la direzione e l’entità del flusso di informazione fra
le aree corticali, più sono chiare e spesse più il flusso è importante e significativo.
Accanto ad ogni figura è mostrata una barra che rappresenta la scala dei colori utilizzata
per rappresentare l’intensità del flusso.
È possibile notare che i flussi sono più intensi nella prima fase
che nella seconda.
Il pattern corticale che si manifesta più spesso coinvolge le aree
frontali e parietali, sia destre che sinistre. Le frecce partono infatti dalle aree
T1
T2
Capitolo 8 Applicazione a dati reali: ENC-RET
140
frontali e terminano in quelle parietali. In alcuni soggetti il network corticale
ha origine principalmente nelle aree destre, in altri principalmente nelle aree
sinistre, in altri ancora i flussi partono da entrambe le aree e spesso si nota
anche un coinvolgimento delle aree centrali motorie.
Nella seguente figura è possibile osservare un network corticale
che parte dalle aree frontali di entrambi gli emisferi per arrivare alle aree
parietali sempre di entrambi gli emisferi e a quelle centrali, soprattutto
nell’emisfero destro. E’particolarmente intenso il flusso che parte dall’area
10L e arriva all’area occipitale 19L e i flussi entranti nell’area 10L,
provenienti dalle aree 10L e 10L.
Fig. 8.18 Connettività corticale relativa alla task di encoding e al periodo T1 (0-1000 msec)
nella banda theta.
Nella figura seguente viene fornita la rappresentazione sintetica
del pattern corticale presentato nella figura precedente che coinvolge le aree
frontali e parietali sia destre che sinistre.
Capitolo 8 Applicazione a dati reali: ENC-RET
141
IN
OUT DIFF
8.19.1 Flussi entranti in
ciascuna ROI durante la fase
T1 della task di encoding
.Ciascuna sfera rappresenta
il flusso entrante nella ROI
sulla quale è posizionata.
8.19.2 Flussi uscenti da
ciascuna ROI durante la fase
T1 della task di encoding
.Ciascuna sfera rappresenta il
flusso entrante nella ROI
sulla quale è posizionata.
8.19.3 Flussi differenziali che
interessano ciascuna ROI
durante la fase T1 della task di
encoding. Ciascuna sfera
rappresenta la differenza fra il
flusso entrante e il flusso
uscente dalla ROI sulla quale è
posizionata.
Sul modello di corteccia utilizzato vengono visualizzati i flussi
entranti (IN), i flussi uscenti (OUT), e il flusso differenziale (DIFF) per
ciascuna delle regioni corticali considerate di interesse nel presente studio.
Ogni sfera è posizionata nel baricentro di una delle ROI e rappresenta il flusso
di informazione che ineressa tale regione.
Nella seguente figura è possibile invece osservare un pattern di
connettività molto forte che coinvolge esclusivamente le aree frontali e
parieto-occipitali. Tutti i flussi sono uscenti dalle aree frontali destre (8, 9, 10
e 46) e arrivano alle aree parietali sia destre che sinistre e alle aree frontali
destre. Sono particolarmente intensi i flussi che arrivano all’area frontale 10L
e alle aree parietali 5L e 5R.
Capitolo 8 Applicazione a dati reali: ENC-RET
142
Fig. 8.20 Connettività corticale relativa alla task di encoding e al paeriodo T2 (1000-2000
msec) in banda theta.(Soggetto 3).
Un altro tipo di pattern che si manifesta nei soggetti analizzati
coinvolge principalmente l’area sensori-motoria, dalla quale partono i flussi
diretti soprattutto verso le aree frontali. Un esempio di tale network corticale è
quello che si vede in figura 8.20.
Fig. 8.21 Connettività corticale relativa alla task di encoding e al paeriodo T1 (0-1000
msec) nella banda theta.(Soggetto 4)
Capitolo 8 Applicazione a dati reali: ENC-RET
143
I flussi partono tutti dall’area sensori-motoria e dalle aree
centrali. I flussi che errivano nelle aree dell’emisfero destro sono molto più
intensi di quelli che arrivano nell’emisfero sinistro.
Nella figura seguente possiamo osservare che il flusso di
informazioni parte quasi esclusivamente dall’area sensori-motoria.
8.22 Flussi uscenti da ciascuna ROI durante la fase T1 della task di encoding .Ciascuna
sfera rappresenta il flusso entrante nella ROI sulla quale è posizionata.
Lo stesso tipo di connettività corticali si riscontra per la task di
retrieval ma i flussi nella prima fase (0-1000 msec) risultano meno intensi di
quelli riscontrati nella precedente task di encoding, mentre nella seconda fase
(1000-2000 msec) sono più intensi rispetto a quelli riscontrati nella task di
encoding.
Capitolo 8 Applicazione a dati reali: ENC-RET
144
8.23 Pattern di connettività corticale per la popolazione analizzata durante la task di
retrieval nei due intervalli di interesse, T1 (0-1000 msec) e T2 ( 1000-2000 msec) nella
banda theta. Le frecce rappresentano la direzione e l’entità del flusso di informazione fra
le aree corticali, più sono chiare e spesse più il flusso è importante e significativo.
Accanto ad ogni figura è mostrata una barra che rappresenta la scala dei colori utilizzata
per rappresentare l’intensità del flusso.
Nella seguente figura possiamo osservare la connettività corticale
relativa sia alla task di encoding che a quella di retrieval per uno dei soggetti
analizzati.
Capitolo 8 Applicazione a dati reali: ENC-RET
145
8.24 Connettività corticale in banda theta relativa ad uno dei soggetti analizzati. Le frecce
rappresentano direzione e intensità del flusso di informazione da un’area corticale all’altra.
La barra a destra di ciascuna figura indica la scala di colori utilizzata per rappresentare le
intensità dei flussi di corrente, in micro Ampere. Più la freccia è spessa e di colore chiaro
maggiore è l’intensità del flusso che rappresenta.
Nella fase T1 (0-1000 msec) i flussi sono più intensi nella task di
riconoscimento dell’immagine (ENCODING) mentre nella fase T2 (1000-
2000 msec) i flussi sono più intensi nella task di memorizzazione e
riconoscimento (RETRIEVAL). Inoltre nella task di encoding le sorgenti
della corrente corticale sono principalmente le aree frontali sinistre mentre
nella task di retrieval sono le aree frontali destre.
T1
ENC
T2
RET
Capitolo 8 Applicazione a dati reali: ENC-RET
146
8.4.2 Analisi dei pattern di connettività in banda alpha
Nel caso della task di Encoding la figura 8.17 rappresenta i
grafici di connnettività’fra le differenti aree di Brodmann per la popolazione
analizzata (5 soggetti sani).
8.25 Pattern di connettività corticale per la popolazione analizzata durante la task di
encoding nei due intervalli di interesse, T1 (0-1000 msec) e T2 ( 1000-2000 msec) nella
banda alpha. Le frecce rappresentano la direzione e l’entità del flusso di informazione fra le
aree corticali, più sono chiare e spesse più il flusso è importante e significativo. Accanto ad
ogni figura è mostrata una barra che rappresenta la scala dei colori utilizzata per
rappresentare l’intensità del flusso.
In banda alpha si riscontra la stessa tipologia di connessioni
corticali riscontrata in banda theta, i flussi hanno però intensità minore.
Le connessioni corticali coinvolgono sempre le aree frontali e
parietali e l’area occipitale (a19) e in alcuni casi l’area sensori-motoria (a321).
I tre tipi di pattern corticali sono mostrati nelle figure 8.24, 8.25 e
8.26 dove vengono messe a confronto le connessioni corticali relative allo
stesso soggetto e alla stessa fase per le due bande alpha e theta. E’possibile
Capitolo 8 Applicazione a dati reali: ENC-RET
147
notare la maggiore intensità dei flussi in banda theta nei tre casi mostrati
osservando l’intensità e il colore delle frecce e le scale dei colori adottate.
Fig. 8.26 Connettività corticale relativa alla task di encoding e alla fase T1 (0-1000
msec) rispettivamente in banda alpha (8-13 Hz) e in banda theta (4-7 Hz).
I flussi più intensi partono dalle aree frontali e arrivano alle aree
parietali e all’area occipitale 19, sia nell’emisfero destro che in quello sinistro.
E’particolarmente intenso il flusso che parte dall’area frontale 10L e arriva
all’area occipitale 19L. Ci sono dei flussi non molto intensi che arrivano
all’area centrale dell’emisfero destro.
Fig. 8.27 Connettività corticale relativa alla task di encoding e alla fase T1 (0-1000
msec) rispettivamente in banda alpha (8-13 Hz) e in banda theta (4-7 Hz).
thetaalpha
alpha theta
Capitolo 8 Applicazione a dati reali: ENC-RET
148
In questo caso i flussi direzionali di connettività risultano uscenti
dalle aree frontali destre e entranti sia nelle aree parietali di entrambi gli
emisferi che nelle aree frontali dell’emisfero sinistro. Le aree centrali
dell’emisfero destro risultano sempre coinvolte mentre il flusso che arriva
all’area occipitale è di intensità trascurabile.
Fig. 8.28 Connettività corticale relativa alla task di encoding e alla fase T1 (0-1000
msec) rispettivamente in banda alpha (8-13 Hz) e in banda theta (4-7 Hz).
In quest’ultimo caso i flussi sono uscenti dall’area sensori-
motoria e arrivano alle aree frontali destre. Le aree occipitali non risultano
interessate in maniera rilevante da fenomeni relativi allo scambio di
informazione.
Analizziamo ora la fase di recupero e memorizzazione delle
informazioni acquisite (RETRIEVAL).
In figura 8.27 vengono mostrati i pattern di connettività rilevati
durante la task di retrieval per tutti i soggetti sperimentali analizzati nel
presente studio (5 soggetti sani).
theta alpha
Capitolo 8 Applicazione a dati reali: ENC-RET
149
8.28 Pattern di connettività corticale per la popolazione analizzata durante la task di retrieval
nei due intervalli di interesse, T1 (0-1000 msec) e T2 ( 1000-2000 msec) nella banda alpha. Le
frecce rappresentano la direzione e l’entità del flusso di informazione fra le aree corticali, più
sono chiare e spesse più il flusso è importante e significativo. Accanto ad ogni figura è
mostrata una barra che rappresenta la scala dei colori utilizzata per rappresentare l’intensità del
flusso.
Come per la banda theta i flussi di informazione sono più intensi
nella seconda fase (1000-2000 msec) che nella prima, mentre nella task di
encoding sono più intensi nella prima fase (0-1000 msec).
Rispetto alla banda theta i flussi sono comunque di intensità
minore, soprattutto quelli che interessano le aree frontali e parietali, come si
può vedere nell’esempio riportato in figura 8.28.
8.29 Confronto fra le connettività corticali in banda alpha e in banda theta. Connettività
corticale relative alla task di retrieval e alla fase T2 (1000-2000 msec) per uno dei
soggetti analizzati.
alpha theta
Capitolo 8 Applicazione a dati reali: ENC-RET
150
8.4.3 Analisi dei pattern di connettività in banda beta
Nel caso della task di Encoding la figura 8.30 rappresenta i flussi
di connnettivita’fra le diverse aree di Brodmann per il gruppo di soggetti
analizzati (5 soggetti sani).
8.30 Pattern di connettività corticale per la popolazione analizzata durante la task di
retrieval nei due intervalli di interesse, T1 (0-1000 msec) e T2 ( 1000-2000 msec) nella
banda alpha.
Le frecce rappresentano la direzione e l’entità del flusso di informazione fra le aree
corticali, più sono chiare e spesse più il flusso è importante e significativo. Accanto ad
ogni figura è mostrata una barra che rappresenta la scala dei colori utilizzata per
rappresentare l’intensità del flusso.
I flussi di informazione interessano sempre le aree frontali,
parietali, occipitali e l’area sensori-motoria, come accade in banda theta e in
banda alpha.
Si riscontrano tre tipologie di network corticali, come nelle
bande precedentemente analizzate, ma in questo caso, diversamente dalle
bande alpha e theta, il network corticale che si manifesta più frequentemente è
quello che coinvolge l’area sensori-motoria; in particolare è ricorrente un
flusso di intensità rilevante dall’area sensori-motoria e arriva all’area
Capitolo 8 Applicazione a dati reali: ENC-RET
151
occipitale. Tale flusso si riscontra raramente nelle bande alpha e theta e
comunque è molto debole.
In figura 8.31 è mostrato un pattern di connettività in cui è
presente tale flusso.
Fig. 8.31 Connettività corticale relativa alla task di encoding e al paeriodo T1 (0-1000
msec) in banda beta
Nella successiva task di recupero e memorizzazione
dell’immagine (RETRIEVAL) i flussi di informazione fra le aree corticali
sono molto più intensi rispetto alla precedente task di riconoscimento
dell’immagine (ENCODING). In particolare il pattern corticale più frequente
è quello che coinvolge le aree frontali e parietali e l’area occipitale (a19).
Mentre i flussi nella task di encoding sono meno intensi di quelli
riscontrati in banda theta, i flussi nella task di retrieval sono più intensi di
quelli in banda theta, in particolare quelli che partono dalle aree frontali e
arrivano alle aree occipitali.
I flussi sono leggermente più intensi nella seconda fase (1000-
2000 msec) che nella prima (0-1000 msec). Anche nella task di retrieval è
presente spesso il flusso di informazione che parte dall’area sensori-motoria e
arriva all’area occipitale.
In figura 8.32 viene mostrata la connettività corticale relativa alla task
di retrieval, mettendo a confronto le due fasi analizzate (T1 eT2).
Capitolo 8 Applicazione a dati reali: ENC-RET
152
Fig. 8.32 Connettività corticale relativa alla task di retrieval nelle due fasi analizzate (T1=0-
1000 msec; T2=1000-2000 msec) in banda beta.
T1 T2
Capitolo 8 Applicazione a dati reali: ENC-RET
153
8.4.4 Analisi dei pattern di connettività in banda gamma
La banda gamma (31-48 Hz) rappresenta quella frequenza
individuale per ogni soggetto in cui è massimo il picco di potenza dovuto alla
reattività del soggetto stesso all’inizio del periodo di presentazione
dell’immagine (CUE), rispetto al periodo di baseline, preso come riferimento
in quanto periodo significativo dell’inattività del soggetto (fase di REST).
Nel corso di studi precedenti al presente lavoro si è riscontrato
l’interessamento delle aree parietali e parzialmente di quelle centrali,
appartenenti agli emisferi, sinistro per l’encoding e destro per il retrieval.
Per quanto riguarda la connettività corticale in banda gamma si
nota meno la differenza tra le due fasi T1 e T2, ovvero non c’è una rilevante
differenza nell’intensità dei flussi.
I flussi uscenti dall’area sensori-motoria presentano delle
differenze rilevanti rispetto a quelli in banda alpha e theta. Mentre in banda
alpha e theta i flussi più intensi uscenti dall’area sensori-motoria sono diretti
principalmente alle aree frontali, in banda gamma, come anche in banda beta,
sono diretti alle aree parietali e all’area occipitale.
Sono molto intensi i flussi che coinvolgono le aree frontali e
parietali di entrambi gli emisferi, spesso sono più intensi di quelli che si
avevano in banda theta.
Nella seguente figura è possibile osservare la differenza fra i
pattern corticali che coinvolgono l’area sensori-motoria nelle due bande
gamma e theta.
Capitolo 8 Applicazione a dati reali: ENC-RET
154
Fig. 8.33 Connettività corticale relativa alla task di retrieval e al periodo T2 in banda
gamma (a sinistra) e in banda theta (a destra).
Come nelle altre bande analizzate, nella fase di recupero
dell’informazione (RETRIEVAL) i flussi sono più intensi rispetto a quelli che
si hanno nella prima fase di riconoscimento (ENCODING).
Conclusioni
155
Conclusioni Quanto riportato costituisce un esempio delle applicazioni che
costituiscono il fine ultimo dello studio effettuato in questa tesi.
Tale studio, costituito dall’esame teorico-matematico delle
tecniche considerate, dall’implementazione di tool atti a metterle in pratica su
segnali ottenuti a partire da registrazioni EEG ad alta risoluzione, e
dall’analisi della loro prestazioni effettuata per mezzo dello studio di
simulazione realizzato, ha raggiunto lo scopo di dimostrare che tali tecniche
possono essere applicate al problema della determinazione di pattern di
connettività corticale nell’uomo durante lo svolgimento di compiti
sperimentali.
I risultati ottenuti per queste applicazioni a dati reali si sono
dimostrati coerenti con le conoscenze già raggiunte in letteratura e
contemporaneamente hanno suggerito nuove interpretazioni dei meccanismi
che sottendono all’esecuzione di un compito di movimento del tipo di quello
esaminato, alla luce di una maggiore conoscenza dei percorsi seguiti dal
flusso d’informazione tra le diverse aree coinvolte e quindi dei meccanismi di
interazione tra queste ultime.
È nuova la possibilità presentata in questo lavoro di analizzare
l’attività di particolari distretti celebrali (ROIs) e la relativa connettività
mediante l’analisi dei dati registrati. La riduzione dell’attività corticale a
livello di aree omogenee dal punto di vista citoarchitettonico (le aree di
Brodmann), composte cioè da neuroni simili fra loro, e la successiva analisi
spettrale, costituiscono una novità metodologica nel campo delle neuroscienze
che tenta di stimare attività corticali a partire da dati non invasivi prelevati
sullo scalpo. È interessante notare come la congruenza dei dati ottenuti da
Conclusioni
156
questa tesi con i dati noti in letteratura confermi la validità dell’approccio
seguito e suggerisce l’utilità di tale tecnologia di analisi in altri contesti
sperimentali.
In conclusione, abbiamo presentato un metodo per ottenere una
stima delle informazioni corticali di connettività mediante metodologie non
invasive di misure neuroelettriche elettroencefalografiche. Tali metodologie ci
hanno permesso di descrivere il livello di significatività statistica delle
attivazioni corticali valutate nelle ROI e di seguire il modello di variazione di
connettività che si sviluppa durante task motorie e di memoria a medio
termine.
Bibliografia
157
BIBLIOGRAFIA
Abt, K. (1983) “Significance testing of many variables - problems and solution”
Neuropsychobiol. 9, 47-51.
Abt, K. (1987) “Descriptive Data Analysis: a concept between Confirmator and
Exploratory Data analysis, Met.” Inform. Med. 26, 77-88.
Abt, K. (1988) “Descriptive data analysis (DDA) in quantitative EEG studies, Statistics
and Topography in Quantitative EEG.” Amsterdam: Elsevier, 150-160.
Akaike, H. (1987). Factor analysis and AIC, Psychometrika, 52, 317-332.
Amorim MA, Lang W, Lindinger G, Mayer D, Deecke L, Berthoz A.(2000) “Modulation
of spatial orientation processing by mental imagery instructions: a MEG study of
representational momentum.” J Cogn Neurosci.;12(4):569-82.
Andrew C, Pfurtscheller G. (1997) “On the existence of different alpha band rhythms in
the hand area of man.” Neurosci Lett.;222(2):103-6.
Arfken, G. (1985) "Spherical Harmonics" and "Integrals of the Products of Three
Spherical Harmonics" §12.6 and 12.9 in Mathematical Methods for Physicists, 3rd ed.
Orlando, FL: Academic Press, pp. 680-685 and 698-700.
Babiloni, F., Babiloni, C., Carducci, F., Fattorini, L.,Onorati, P and Urbano, A. (1996)
Spline Laplacian estimate of EEG potentials over a realistic magnetic resonance-
constructed scalp surface mode, Electroenceph. clin. Neurophysiol., 98: 363-373.
Bibliografia
158
Babiloni, F., Babiloni, C., Fattorini, L., Carducci, F., Onorati, P and Urbano, A. (1995)
Performances of Surface Laplacian Estimators: a study of simulated and real scalp
potential distribution, Brain Topograph. 8:(1) 35-45.
Babiloni, F., Babiloni, C., Locche, L., Cincotti, F., Rossini P.M. and Carducci, F. (2000)
High resolution EEG: source estimates of Laplacian-transformed somatosensory-
evoked potentials using a realistic subject head model reconstructed from magnetic
resonance images. Medical & Biological Engineering & Computing, 38: 512-519.
Babiloni, F., Carducci, F., Del Gratta, C., Cincotti, F. (2000) Integration of High
ResolutionEEG and fMRI in the study of human movement related potentials. Methods
of Information in Medicine vol. 39: 179-82.
Buchel C., Friston K.J.(1997), Modulation of Connectivity in Visual Pathways by
Attention: Cortical Interactions Evalueted with Structural Equation Modelling and
fMRI, Cerebral Cortex, 7: 768-778
Campbell, S.L., Meyer, C.D. Jr. (1991), Generalized inverse of linear Transformations,
Dover Publications, New York.
De Munk, J. (1989) A mathematical and physical interpretation of the electromagnetic
field of the brain. PhD thesis, University of Amsterdsm, The Netherlands.
Dohrmann, C.R., Busby, H.R., Trujillo, D.M. (1988), Smoothing of noisy data using
dynamic programming and generalized cross-validation, ASME Journal of
Biomedical Engineering, 110: 37-41.
Fuchs M., Drenckhahn R., Wischmann H.A. and Wagner M. (1998), An improved
boundary element method for realistic volume-conductor modeling, IEEE Trans.
Biomed. Eng., 45:980-997.
Gevins, A. (1989) Dynamic functional topography of cognitive task, Brain Topograph. 2:
37-56
Bibliografia
159
Gevins, A., Le, J., Martin, N., Brickett, P., Desmond, J. and Reutter, B. (1994) High
resolution EEG: 124-channel recording, spatial deblurring and MRI integration
methods. Elecroencephal. clin. Neurophysiol., 39: 337-358.
Grave De Peralta Mendez, R., and Gonzalez Andino, S.L. (1998) Distributed source
models: standard solutions and new developments, in UJL, C. (ed.): Analysis of
neurophysiological brain functioning, Springer Verlag: 176-201
Grave De Peralta Mendez, R., Gonzalez Andino, S. and Lutkenhoner, B. (1996) Figures of
merit to compare linear distributed inverse solutions, Brain Topography, 9, (2): 117-
124
Grave de Peralta, R, Hauk, O, Gonzalez Andino, S, Voght, H. and Michel, C.M., (1997),
Linear inverse solution with optimal resolution kernels applied to the electromagnetic
tomography, Human Brain Mapping, vol. 5, pp. 454-467.
Hansen, P.C. (1992), Analysis of discrete ill-posed problems by means of the L-curve,
SIAM Review 34: 561-80.
Hansen, P.C. (1994), Regularization tools, a Matlab package for analysis and solution of
discrete ill-posed problems, Numer. Algorithms 6: 1-35.
Harder, R.L. and Desmarais, R.N. (1972) Interpolating using surface spilnes, J. Aircraft, 9:
189-191.
Henderson, C.J., Butler, S.R., and Glass, A. (1975), A localization of the equivalent dipoles
of EEG sources by the applilcation of electric field theory, Elecroenceph. clin.
Neurophysiol., Vol. 39: 117:130
Hjort, B. (1975) An online transformation of EEG scalp potentials into orthogonal source
derivations. Electroenceph. clin. Neurophysiol.. 39:26-530.
Bibliografia
160
Kaminski M.J., Blinowska K.J.(1991), A new method of the description of the information
flow in the brain structures, Biological Cybernetics, 65: 203-210
Kaminski M.J., Ding M., Truccolo W.A., Bressler S.L.(2001), Evaluating casual relations
in neural systems: Granger causality, direct transfer function and statistical
assessment of significance, Biological Cybernetics, 85,145-157
Kearfott, R., Sidman, R., Major, D. and Hill, D. (1991) Numerical test of a method for
simulating electrical potentials on the cortical surface IEEE Trans. Biomed. Eng., 38:
294-299.
Jöreskog, K.G., & Sörbom, D. (1989) LISREL 7-A guide to the program and applications
Chicago: SPSS Publications.
Jöreskog, K.G. & Sörbom, D. (1996a) PRELIS 2: User's Reference Guide Chicago:
Scientific Software International.
Jöreskog, K.G. & Sörbom, D. (1996b) LISREL 8:User's Reference Guide Chicago:
Scientific Software International.
Jöreskog, K.G. & Sörbom, D. (1996c). LISREL 8: Structural Equation Modeling with the
SIMPLIS Command Language Chicago: Scientific Software International.
Law, S.K., Nunez, P. and Wijesinghe, R.S. (1993) High resolution EEG using spline
generated surface Laplacians on spherical and ellipsoidal surfaces. IEEE Trans.
Biomed. Eng., BME-40:(2) 145-153
Le, J. and Gevins, A. (1993) A method to reduce blur distortion from EEGs using a
realistic head model. IEEE Trans. Biomed. Eng., 40: 517-528.
Liang H., Ding M., Bressler S. L. (2001) Temporal dynamics of information flow in the
cerebral cortex, Neurocomputig 38-40
Bibliografia
161
Liu, A.K. (2000), Spatiotemporal brain imaging, PhD dissertation, Massachusetts Institute
of Technology, Cambridge, Massachusetts.
Lynn, M. S. and Timakle, W.P. (1968) The use of multiple deflations in the numeric
solution of singular systems of equations to potential theory. SIAM J. Numeri. Anal.
5: 303-322.
Menke, W. (1989) Geophysical data analysis: discrete inverse theory. Academic Press,
San Diego, California.
Morozov, V. A. (1984) Methods for Solving Incorrectly Posed Problems, Springer,
Chapter 26.
Nunez, P. (1981), Electric fields of the brain, Oxford University Press, New York.
Nunez, P. (1986), Removal of reference electrode and volume conduction effects from
evoked potentials: I. Derivation of method and computer simulation, HFOSL Tech.
Note, 71: 86-105.
Nunez, P. (1990) Localization of brain activity with electroencephalography, in S. Sato
(Ed.), Advances in Neurology, Vol. 54. Magnetoencephalography. Raven Press, New
York.
Nunez, P. (1995), Neocortical dynamics and human EEG rhythms, Oxford University
Press, New York.
Nunez, P., Pilgreen, K., Westdorp, A., Law, S. and Nelson, A. (1991) A visual study of
surface potentials and Laplacians due to distributed neocortical sources: computer
simulations and evoked potentials, Brain Topograph. 4: 151-168
Nunez, P.L., Silberstein, R.B., Cadiush, P.J., Wijeesinghe, J., Westdorp, A.F. and
Srinivasan, R. (1994), A theoretical and experimental study of high resolution EEG
Bibliografia
162
based on surface Laplacian and corical imaging. Electroenceph. clin. Neurophysiol.,
90: 40-57.
Oostentorp, F. and Van Oosterom, A. (1996) The surface Laplacian of the potential:
theory and application, IEEE Trans. on Biomed. Eng. 43:(4) 394-405.
Pascual Marqui, R.D., Michel, C.M. and Lehmann, D. (1994), Low resolution
electromagnetic tomography: a new method for localizing electrical activity of the
brain, International Journal of Psychopsysiology 18: 49-65.
Pascual-Marqui, R.D. (1995), Reply to comments by Hamalainen, Ilmoniemi and Nunez. In
ISBET Newsletter N.6, December 1995. Ed: W. Skrandies., 16-28.
Perrin, F., Bertrand, O. and Pernier, J. (1987) Scalp current density mapping: value and
estimation from potential data, IEEE Trans. Biomed. Eng., 34: 283-287.
Perrin, F., Pernier, J., Bertrand, O. and Echallier, J.F. (1989) Spherical spline for scalp
potential and current density mapping, Electroenceph. clin. Neurophysiol., 72: 184-
187.
Perrin, F., Pernier, J., Bertrand, O. and Echallier, J.F. (1990) Corrigendum EEG 02274,
Electroenceph. clin. Neurophysiol., 76: 565.
Phillips, D.L. (1962), A technique for the numerical solution of certain integral equations
of the first kind, J. Assoc. Comput. Mach., 9, pp. 84-97.
Salu, Y., Cohen, L.G., Rose, D., Sato, S., Kufta, C. and Hallet, M. (1990) An improved
method for lacalizing electric brain dipoles, IEEE Trans. on Biomed. Eng. 37: (7)
699-705.
Sarvas, J. (1987), Basic mathematic and electromagnetic concepts of the biomagnetic
inverse problem, Phys. Med. Byol., Vol. 32, No.1: 11-22 .
Bibliografia
163
Sidman, R., Vincent, J., Smith, D. and Lee, L. (1992), Experimental test of the cortical
imaging technique: applications to the response to the median nerve stimulation and
the localization of epileptiform discharge. IEEE Trans. Biomed. Eng. 39:437-444.
Spiegel, M. (1978) Theory and problem of vector analysis and an introduction to tensor
analysis, McGraw Hill, New York.
Thickbroom, G., Marsaglia, F., Carrol, W. and Davis, H. (1984) Source derivation:
Application to topographic mapping of visual evoked potentials. Electroenceph. clin.
Neurophysiol., 59: 279-285.
Tikhonov, A.N. (1963), Solution of incorrectly formulated problems and the regularization
method, Soviet. Math. Dokl., 4, pp1035-1038; English translation of Dokl. Akad.
Nauk. SSSR, 151 1963, pp.501-504
Van de Broek, S. P. (1997) Volume conduction effects in EEG and MEG. PhD thesys,
University of Twente.
Wahba, G. and Wendelberger, J. (1980) Some new mathematical methods for variational
objective analysis using splines and cross-validation. Monthly Weather Rev., 108: 36-
57.
Whabba, G. (1981) Spline interpolation and smoothing on the sphere, SIAM J. Sci. Stat.
Comput., 2: 5-16.
Whabba, G. (1982) Erratum: spline interpolation and smoothing on the sphere, SIAM J.
Sci. Stat. Comput., 2: 385-386.