Funkční reorganizace mozkových sítí po cévní mozkové příhodě

Abstract

Mozek je komplexní systém, který je možné popsat jako síť s vrcholy (oblastmi mozku) a hranami (spojeními). Tato mozková síť je narušena po cévní mozkové příhodě a při zhoršování kognitivních funkcí. Z tohoto důvodu předpokládáme, že kognitivní deficit po cévní mozkové příhodě je následkem narušení mozkové sítě. Cílem této práce je vyhodnotit vztah mezi síťovými a kognitivními parametry u pacientů po cévní mozkové příhodě. Vyhodnotil jsem klidovou elektroencefalografickou (EEG) aktivitu a neuropsychologické testy pro 45 pacientů po cévní mozkové příhodě. Vytvořil jsem automatizovaný modulární algoritmus na zpracování EEG a odhad síťových parametrů. Tento algoritmus zahrnuje odstranění srdečních a očních artefaktů pomocí analýzy hlavních komponent. Funkční konektivita byla odhadnuta na základě koherence, imaginární koherence a váženého indexu fázového zpoždění v théta, alfa a beta frekvenčních pásmech. Ve spolupráci s neuropsycholožkou jsme připravili metodu parametrizace neuropsychologických testů a jejich převod do kognitivních parametrů. Vztah mezi síťovými a kognitivními parametry byl odhadnut pomocí Kendallova koeficientu korelace. Tato práce ukázala zajímavé trendy v théta a beta pásmu pro imaginární koherenci. Nicméně po korekci vícenásobného testování tyto trendy nebyly dostatečné statisticky významné. Proto nemohu konstatovat, že bych pozoroval závislost mezi síťovými a kognitivními parametry u pacientů po cévní mozkové příhodě.

The brain is a complex system that can be described as a network consisting of nodes (brain regions) and links (connections). This network undergoes functional reorganisations after a stroke and in cognitive decline. Therefore, we assume that the post-stroke cognitive deficit is related to the disruption of the brain network caused by the stroke. This thesis aims to find possible relationships between the network and cognitive parameters in post-stroke patients. I evaluated the resting-state closed-eye electroencephalographic (EEG) data and the neuropsychological tests for 45 post-stroke patients. An automatic modular pipeline was developed to process the EEG recordings and estimate network parameters. The algorithm includes removal of the cardiac and ocular artefacts based on the independent component analysis. The functional connectivity was estimated based on coherence, imaginary coherence and the weighted phase lag index in three frequency bands, theta, alpha and beta. In cooperation with a neuropsychologist, we proposed a parametrisation of the neuropsychological tests and converted them into cognitive parameters. Finally, I used the Kendall rank correlation coefficient to correlate the network and cognitive parameters. The thesis showed some interesting trends in the theta and beta bands for imaginary coherence. However, statistical evidence for those trends was rather weak when I accounted for the repeated testing. Consequently, I cannot state there is a relationship between the cognitive and network parameters in post-stroke patients.