A grouped beta process model for multivariate resting-state EEG microstate analysis on twins.

L'analyse des micro-états d'un électroencéphalogramme (EEG) porte sur une collection de différents blocs temporels caractérisant l'activité électrique du cerveau. L'activité cérébrale est stable à l'intérieur de chaque bloc, mais elle varie rapidement entre les différents micro-états de façon non aléatoire. Les auteurs proposent un modèle bayésien non paramétrique qui estime simultanément le nombre de micro-états et leur comportement sous-jacent. Ils utilisent le cadre de vecteurs autorégressifs (VAR) markoviens commutants où un modèle de Markov caché (MMC) contrôle les dynamiques de commutations non aléatoires de l'activité de l'EEG et le modèle de VAR définit le comportement à travers le temps pour un état donné. Ils analysent des données d'EEG au repos de paires de jumeaux collectées dans l'étude des jumeaux du Minnesota comportant 70 époques de deux secondes d'EEG chacune pour chaque participant. Les auteurs ajustent leur modèle au niveau des paires de jumeaux, partageant les informations d'un participant et de son jumeau pour une même époque. Ils capturent les similarités dans la paire de jumeaux avec un processus du buffet indien afin de constituer une bibliothèque infinie de micro-états et de permettre à chaque participant de choisir un ensemble fini d'états provenant de celle-ci. L'espace d'états de jumeaux très semblables peut se chevaucher entièrement alors que des jumeaux différents pourraient avoir des espaces distincts. Le modèle bayésien non paramétrique des auteurs définit ainsi un ensemble creux d'états qui décrivent les données d'EEG. Toutes les époques d'un même participant utilisent le même ensemble d'états, et elles doivent adhérer au même régime de changement d'état pour leur dynamique de commutation selon le MMC, forçant ainsi une similarité intra-participant.