本方案介绍了一种在婴儿与演员进行无预设社交互动时，从自由活动的婴儿中解码其意图的新型神经解码方法。采用非侵入性高密度主动式头皮脑电图（EEG）记录神经活动，同时使用惯性测量单元采集运动学数据，并辅以同步视频记录进行补充。
本文内容
摘要
摘要
理解典型与非典型发育仍是发展性人类神经科学中的基本问题之一。传统上，由于可用的测量与分析技术以及受试者年龄所带来的技术限制，实验范式和分析工具主要局限于受控的实验室任务和环境。这些限制严重制约了对婴儿在“真实行为与情境中”进行认知、感知和动作时所涉及的发育性神经动态及其相关神经网络的研究。本方案提出了一种新方法，用于研究婴幼儿在复杂、部分不可预测且高度动态的环境中自由组织自身行为及其后果的过程。该方法整合了同步的高密度主动式头皮脑电图（EEG）、惯性测量单元（IMUs）、视频记录和行为分析，以非侵入方式捕捉自由活动婴儿的大脑活动与身体运动。该实验装置使得研究者能够在真实行为与情境中，探究发育中大脑的神经网络动态，揭示这些网络在目标导向任务、探索行为及社会互动过程中被募集时的功能特性。
引言
人类的一项基本能力是能够有策略地学习并执行动作（动作产生），以实现目标和获得奖励；能够理解社会伙伴的目标（动作理解），从而产生适当的社会反应；以及能够通过观察和模仿向他人学习1。这些认知-运动能力的神经基础至少在一定程度上被认为与所谓的镜像神经元系统有关；该系统在个体观察他人执行动作以及自身执行动作时均会被激活。然而，镜像神经元系统与动作理解之间的潜在联系目前仍不明确1。对人类婴儿期镜像神经元系统的出现与发展进行研究，一直受到以下因素的限制：a）在获取与意图及精细运动数据相关联的多模态脑活动数据方面存在技术局限性；b）实验范式本身所施加的限制，这些范式往往缺乏自然性（例如，与视频中呈现的代理进行社会互动、需要保持静止姿势以减少脑电图（EEG）记录期间的伪迹等）；c）在测试年幼儿童或学步儿童时存在的沟通或语言障碍，这极大地限制了研究人员给予指导和验证行为的能力。
为了更好地理解自然行为中变化的神经和行为动态，我们开发了一种新颖的实验与分析方法，可对幼儿在出现目标导向行为和社会性行为时的神经基础进行时间分辨的研究。具体而言，我们采用基于脑电图的移动脑成像（MoBI）方法2，在婴儿与实验人员互动过程中自由活动的状态下记录其脑活动和运动行为。同时使用惯性测量单元（IMUs）监测被试与实验人员的运动学数据。
采用脑电图（EEG）技术和惯性传感器，研究婴儿在与实验者/表演者进行无预设脚本的互动过程中，与动作模仿和目标导向行为相关的神经模式及神经激活特征。诸如伸手-抓握、伸手-给予、观察、静息和探索等动作，均属于模仿过程中涉及的认知-运动过程。此外，我们采用源定位估计方法，以确定行为任务期间大脑内电位发生源的位置，从而研究全脑神经电流的时空动态变化。同样，我们应用机器学习算法，通过识别传感器空间（EEG）和/或源空间神经活动中与动作相关的时间-空间模式，来评估和量化这些行为动作的可预测性。 整合传统的事件相关去同步/同步（ERD/ERS）、源定位分析与解码分析，可更全面地描述此类行为的神经基础及其发展过程。
该设置使我们能够利用MoBI方法2,3 的优势，研究婴儿与实验者之间自然发生的、不受限制的社会互动。
从受试者到达至离开，整个实验流程大约需要1小时完成。惯性测量单元（IMU）和脑电图（EEG）设备的安装及电极定位时间根据受试者头发长度和配合程度等因素，通常为15至25分钟。设备初始化与配置需额外10分钟，测试阶段持续约15分钟。移除IMU和EEG帽，并清除婴儿头皮上的低致敏性凝胶，需时5至10分钟。
方案
以下方案已由休斯顿大学机构审查委员会审查并批准。所有婴儿受试者的父母或监护人均在参与前收到、阅读并签署了知情同意书。作为参与研究的补偿，父母可获得免费停车以及一张20美元的礼品卡，而婴儿则可选择一个适龄玩具。
入选的婴儿受试者需满足以下标准：1）年龄在6至24个月之间。2）婴儿健康，生长发育正常，无出生时并发症、脑震荡、癫痫、中风或学习障碍病史。一些常见的发育障碍示例（若存在则排除婴儿参与测试）包括生长迟缓、营养不良以及母亲在妊娠期间使用酒精或药物。
一种通过头皮脑电图（EEG）和惯性测量单元（IMUs）在自由活动的婴儿中同步记录多模态神经活动的简化流程图 呈现于 图1.
1. 知情同意
- 向家长展示实验房间，并简要向他们说明实验的目的。
2. 头皮脑电图准备
- 注意：所使用的 EEG 系统（表 1）包含一个带有可拆卸电极的有源电极系统。电极上的 LED 指示阻抗水平。
- 以厘米为单位测量婴儿的头围。将卷尺围绕头部最宽处，从前额眉毛上方经过，并绕至后脑的枕骨隆起处。
注意：测量头围对于选择合适尺寸的 EEG 帽至关重要。针对婴儿群体有特殊尺寸，详见 表 1。 - 根据国际 10-20 系统的要求，将电极安装在合适尺寸的 EEG 帽上（表 1）。该帽可确保电极在头皮上的准确定位。
注意：最好在婴儿到达实验地点前准备好 EEG 帽。头部尺寸信息可提前向家长获取，或通过在线表格进行估算 [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]。如果实测头围与研究人员的预估值不符，则必须准备新的 EEG 帽。若有多个 EEG 帽和电极可用，可提前准备多个 EEG 帽以减少现场准备时间。 - 向家长解释注胶过程。向他们展示用于向每个电极注入导电膏的钝针和注射器，并让他们在自己皮肤上感受针头。使用演示用 EEG 电极和头皮帽演示整个注胶过程。
- 沿头皮表面的正中矢状面测量鼻根至枕外隆突之间的距离。随后从婴儿头后方开始佩戴 EEG 帽。
- 将 Cz 电极与头部顶点对齐。接着将 Fp1 和 Fp2 电极在额部对称放置，位置约为鼻根至枕外隆突距离的 10% 处。使 EEG 帽沿头部正中矢状面对称居中。确保中线电极 [AFz, Fz, FCz, Cz, CPz, Pz, POz, Oz] 与鼻根和枕外隆突对齐。完成后，通过下巴下方的绑带固定 EEG 帽。
注意：在为婴儿佩戴 EEG 帽时应进行适当分散注意力。通常使用适合年龄的视频来帮助婴儿在准备过程中保持专注。 - 将参考电极、接地电极和记录电极连接至控制盒。从控制盒开启阻抗指示功能。
- 从接地电极和参考电极开始，使用小注射器将电解质凝胶注入头皮与电极之间的空隙，直至每个电极的阻抗低于 60 kΩ。此时电极上的指示灯将显示为黄色或绿色。有关 EEG 电极准备的更多细节参见文献4。
注意：在注胶过程中，婴儿可能因各种原因（如好奇、恐惧、注意力转移）移动头部。因此建议第二名实验人员或家长持续分散婴儿注意力。应从婴儿头部后方使用注射器，以避免因受试者突然移动而导致针头意外伤及面部。 - 通过光纤转 USB 转换器，将放大器经由 USB 接口连接至主机电脑。
注意：图 2A 显示了佩戴 EEG 帽及惯性测量单元（IMU）的婴儿受试者设置。请注意，电极导线和控制盒被悬吊固定，使受试者活动时无负重负担。图 2B 展示了按照 10-20 标记系统排列的 EEG 帽电极位置的拓扑图。
3. 惯性测量单元（IMU）的准备
- 打开IMU软件，点击图形界面上的“New”。
- 然后在对话框中点击“Configure”以配置IMU，将采样频率设置为128 Hz。
- 将IMU固定在婴儿的头部、胸部以及左右手腕上。
注意：参见图2A。同时，将实验人员的手腕也佩戴上IMU。确保IMU牢固地固定在身体上，以尽量减少惯性测量误差。 - 使用绑带将手腕IMU佩戴在手腕背侧，使用背心将胸部IMU固定在胸部腹侧中央附近。
- 将头部IMU连接到头皮帽的下巴绑带上，使其靠近左侧下巴。安装IMU时应使其朝外，LED灯朝上。
注意：每个IMU重量约为22 g，体积小、重量轻，不太可能妨碍运动。根据步骤2.8所述原因，可能需要额外的实验人员来分散婴儿的注意力。
4. 视频采集与数据流同步
- 将摄像机（18）放置在能够清晰看到婴儿（12）、实验人员（14）和LED触发器（13）的位置。参见图4。
注意：视频记录用于对实验人员触发的行为进行可视化标注和分段，同时确认记录会话的开始和结束时间。 - 将触发输入/输出盒（7）连接至脑电图设备（EEG，5）和惯性测量单元（IMUs，4）。参见图3。
注意：如图3所示，已设计一个定制的输入/输出盒（7），用于同步所有记录的数据流（EEG、IMUs 和视频），从而利用某一记录（如视频）中的事件标记，辅助分析其他记录（如EEG或加速度数据）。该功能通过一个瞬时按压按钮实现：按下时，会同时向脑电图设备（通过DB-25并行端口）、IMU（通过mini-DIN-6连接器）和视频记录（通过点亮位于摄像机视野内的发光二极管（LED））发送一个低电平有效（+V 至 GND）的触发脉冲。使用7404 IC逻辑反相器芯片将低电平状态（GND）转换为高电平状态（+V）脉冲，以提供点亮LED所需的电压。 - 安排一名实验人员靠近触发按钮和数据采集计算机。该实验人员负责操作触发装置、在实验过程中监控数据质量，并保存数据。
5. 测试环境的准备
- 参见图4。
6. 数据收集
- 使用控制软件记录 EEG 电极的初始阻抗值：选择“阻抗检查”选项卡，点击单选按钮“阻抗开启”（等待约 5 秒 使电极阻抗值稳定），然后点击“保存阻抗”单选按钮以保存阻抗值。参见图 5。
- 在 EEG 数据采集过程中不应用任何滤波器。
- 在 EEG 记录程序中，点击“监控”，然后点击“播放”以开始记录 EEG 数据。参见图 6。
- 在 IMU 软件中，点击“流式传输”，然后在弹出的对话框中点击“记录”以开始记录 IMU 数据。参见图 7。
- 使用输入/输出箱体（7）上的按钮施加三个触发信号（III），以标记实验的开始。在记录过程中让婴儿休息 1 分钟，以获取初始基线数据。
- 进行实验，并根据需要允许婴儿受试者中途休息。每次实验试次包括一个轮流任务：实验者使用一个物体（通常是但不一定是玩具）向婴儿展示一个动作，将物体传递给婴儿以试图引发模仿反应，最后从婴儿处取回物体。
注意：该交互过程通常重复 4–5 次，或直至婴儿对物体不再表现出兴趣为止。 - 根据实验环境，在数据采集完成后，利用视频记录对每种行为的发生时间进行标注 。
- 记录 EEG 电极的最终阻抗值。参见步骤6.1。
- 使用 EEG 电极 3D 扫描仪及其配套软件对 EEG 电极的三维空间坐标进行数字化处理。
- 启动 3D 扫描软件。进入“文件”菜单并选择“新建工作区”。在工作区的第一个选项卡中加载电极位置文件，并在存储选项卡中填写必要信息。
- 在扫描工具栏中，点击“开始扫描”。使用 3D 扫描仪，距离婴儿头部约 30 cm ，根据帽上变化的光模式追踪并扫描电极位置。扫描完成后，软件将自动保存结果。
注意：由于婴儿头部较小，电缆可能会遮挡枕部区域电极上的 LED。软件允许用户在不影响结果的前提下移除部分电极的扫描数据。如有必要，可将枕部电极从扫描中移除。
7. 行为分割
- 检查实验过程的视频记录，标记触发LED闪烁的时间点即， 实验开始和结束的时间，以及步骤 6.6 中提到的任何行为发生的时间 开始和结束。
8. 源成像
- 注意：源成像能够准确定位脑内 EEG 电位的产生源，通常包括求解正问题和逆问题 5.
- 从公共数据库（如神经发育 MRI 数据库）获取高分辨率 T1 加权磁共振成像（MRI）数据，该数据库包含生命前两年（按月计算年龄）不同年龄段的平均 MRI 模板 6,7.
注意：本研究仅使用适合婴儿年龄的前向头部模型，因此在选择MRI模板时未考虑性别信息。 - 获取包含头部 compartments 的边界元模型（BEM）的源体积即， 灰质、白质、头皮、颅骨内层或外层）作为来自神经发育 MRI 数据库的 MRI 容积数据 8.
- 在Curry 7或类似的脑成像软件中，对BEM MRI容积数据进行预处理，通过提取脑和头部各隔室的表面，构建逼真的头部模型。
- 导入T1加权MRI图像。在脑成像软件或类似软件包中，手动识别三个颅骨标记点，如左右耳前点和鼻根点。
- 通过将MRI上标记的解剖标志点与使用3D扫描仪在步骤中获取的颅面标志点进行配准，实现EEG与MRI空间的共配准，从而获得MRI空间与受试者实际空间之间的刚性几何变换。 6.9-6.11 使用脑成像软件或类似软件包。
- 求解正演模型。
注意：正问题涉及定义一个头部模型，该模型用于表示头部的几何结构以及头部容积的电导率特性 9,10. - 求解逆问题
注意：逆问题试图利用信号处理技术，通过头皮脑电图（EEG）信号来推断大脑中源的位置、强度及其时间进程。 11. - 将连续的脑电图（EEG）数据按任务开始时间点分段为多个试验段（例如，模仿，观察片段）与任务开始前后的2秒片段 长度。识别阻抗较高的通道为“坏通道”，并在每次试验中识别其他含伪迹的试验。使用独立成分分析（ICA）对 EEG 数据进行预处理以去除伪迹，并用邻近无伪迹通道的平均值重建坏通道。 12,13,14.
- 将正向模型作为输入，提供给自动化优化算法，该算法在整个大脑范围内搜索，以确定最可能的源位置。
- 目视分析估计的源信号，根据实验性质的先验知识，选取最符合预期的结果，并进行仔细解读。
注意：由于逆问题具有病态性，该步骤最容易产生偏差，即不同的源配置可能产生相同的表面电位。因此，建议进行合理性检验，以验证特定的头部模型和逆方法是否有效。 - 执行合理性检验，对一个已知的模拟偶极子进行定位。具体而言，对于给定的头部模型，放置一个具有已知构型的偶极子，并求解正问题以获得该偶极子产生的模拟电压。
- 使用相同的头部模型，对这些电压求解逆问题，以确保其能够返回模拟的偶极子。
注意：这些合理性检验应能以高度准确性返回最初放置的偶极子。
结果
图8展示了受试者与实验人员互动期间记录的16秒时间窗口内的IMU加速度计和脑电图（EEG）示例数据。EEG数据被重采样至100 Hz，随后使用三阶零相位巴特沃斯滤波器进行1–40 Hz带通滤波。阻抗值较高（Z > 60 kΩ）的通道以及外周通道均被剔除12,15。IMU以128 Hz频率记录了九个信号：三个笛卡尔坐标轴方向的磁通量、角速度和线性加速度。此处展示的是经重力补偿（GC）后的加速度幅值。通过应用卡尔曼滤波器在全局坐标系中预测IMU的姿态，以补偿重力加速度的影响16。数据通过目视检查视频记录进行分段（步骤7.1）。垂直实线表示目标行为的开始，垂直虚线表示事件的结束。
运动伪迹的影响存在于所示的脑电图数据中 图8 约709秒。本实验方案采用无约束的数据采集方法，使得脑电图（EEG）数据容易受到眨眼、眼动、身体运动以及肌电伪迹的干扰。数据通过使用3rd 使用零相位巴特沃斯带通滤波器将信号限制在 delta 波段（1-4 Hz），并通过减去均值并除以标准差进行标准化。采用伪迹子空间去除（Artifact Subspace Removal, ASR）方法自动去除高幅度伪迹。 17此外，在数据分析中排除了外周通道，以尽量减少肌电伪迹的污染。额肌和颞肌收缩产生的信号最显著地混入外周区域的脑电图信号中：额肌收缩主要出现在前部区域，而颞肌收缩则主要出现在外侧额部和颞部区域。 15.
为检验本方案所采集数据的性质，图9中绘制了脑电数据的直方图。图9A描述了三个空间上具有代表性的电极记录的标准化信号的数据分布。脑电数据显示出针对所分析行为的多峰分布特征。图9B以柱状图形式展示了峰度值，以便更直观地观察数据。
分类通过提取每个脑电通道的时间滞后特征实现，在保留每一类局部离散性的同时降低数据维度（局部费舍尔判别分析（LFDA）18），并对降维后的特征集训练/测试模型（高斯混合模型（GMM）19）。为防止过拟合，训练/测试样本在20次迭代中随机采样（即，交叉验证）。由于被剔除通道数量（即，阻抗大于60 kHz）、实验会话时长、试验次数及表达行为数目的不同，训练/测试样本量有所变化。然而，每一类（行为）所使用的训练和测试样本数均对应于最少样本类别的50%。例如，如图10所示婴儿数据中，每一类的测试集样本量为N = 1,069个样本。所有预处理和分类步骤均在MATLAB编程环境中完成。
图11 以逐步方式展示了本研究中进行脑电图源估计的完整流程。每个步骤的更多细节也在第8节中进行了总结。
图12展示了在“伸手-给予”任务期间，μ节律（5–9 Hz）的事件相关（去）同步（ERD/ERS）结果及偶极子源定位。ERD和ERS的计算方法为：与参考时段（事件前的一段时期）相比，事件时段（伸手和给予任务期间）特定频段功率下降或上升的百分比。该图还显示了在任务过程中从婴儿和实验者双侧手腕获得的重力补偿后的加速度幅值。对于偶极子分析，采用独立成分分析（ICA）对脑电（EEG）信号进行分解，以消除背景噪声。在ICA预处理后，通过固定的MUSIC算法5对μ节律进行源估计。与预期一致，当受试者使用左手抓取物体时，源定位结果集中在右侧初级运动区。
| 产品名称 | 公司 | 数量 |
| BrainAmp 放大器 | Brain Products, Gmbh | 2 |
| actiCAP 脑电帽 - 64 电极* | Brain Products, Gmbh | 10 |
| actiCAP 控制盒 | Brain Products, Gmbh | 1 |
| Brain Vision Recorder 软件 | Brain Products, Gmbh | 1 |
| actiCAP 控制盒软件 | Brain Products, Gmbh | 1 |
| CapTrak | Brain Products, Gmbh | 1 |
| CapTrak 软件 | Brain Products, Gmbh | 1 |
| Opal 运动监测器 | APDM, Inc | 6 |
| Opal 底座 | APDM, Inc | 6 |
| Opal 无线接入点 | APDM, Inc | 1 |
| Motion Studio 软件 | APDM, Inc | 1 |
| 触发盒 | Custom | 1 |
| 摄像机 | HC-W850M, Panasonic Co. | 1 |
| *脑电帽提供以下适用于婴儿的头围尺寸：42、44、46、48、50 cm。本方案建议每种尺寸储备 2 顶。 | ||
表1 仪器设备。
图1. 流程图。(A) 实验设置的流程图。 (B) 数据采集过程的流程图。 请点击此处查看此图的放大版本。
图 2. 受试者准备就绪，进入数据采集状态。（A） 受试者佩戴脑电帽及四个惯性测量单元（IMU）的正面视图。（B） 采用国际10-20标准电极定位系统的64通道脑电帽的拓扑图示。 请点击此处查看该图的放大版本。
图3. 数据采集设备及测试房间。（A） 数据采集设备布置：EEG控制箱（1）、EEG帽（2）、触发器（3）、无线IMU数据接收器（4）、EEG放大器（5）、玩具箱（6）、触发按钮（7）、数据采集用笔记本电脑（8）、IMU对接站（9）。（B） EEG帽、有源电极及控制箱的特写。（C） IMU传感器与无线接收器、触发按钮、EEG放大器及数据采集笔记本电脑的特写。请点击此处查看该图的放大版本。
图4. 实验设置的示意图。 EEG控制箱支架（10）。受试者监护人坐在椅子（11）上，实验员坐在椅子（14）上，负责监控数据的人员坐在椅子（17）上。其余实验装置如下所示：交互式桌面（12）、触发器（13）、玩具箱（15）、数据采集台（16）、摄像机位置（18）。请点击此处查看该图的放大版本。
图5. 脑电图控制软件的截图。 箭头指向第6.1步所述软件中的关键图标。 6.8. 请点击此处查看此图的放大版本。
图6. 脑电图记录软件的截图。箭头指向第6.2和6.3步中描述的软件关键图标。图中显示了一段实时传输的原始数据。请点击此处查看该图的高清版本。
图7. IMU软件界面截图。 红色框标出了步骤6.4中描述的软件关键图标。(A) 主命令窗口。(B) 配置窗口。(C) 记录窗口。 请点击此处查看该图的放大版本。
图8. 一次典型实验会话的示例数据。（A）显示脑电图（EEG）和加速度数据，均经过带通滤波处理 [1-40 Hz]。图中展示的是在整个实验过程中阻抗较低（Z < 60 kΩ）的EEG电极数据。实心垂直线表示行为开始的时间点。（B） 婴儿参与分析行为的静态帧图像：观察、伸手抓握、伸手给予、模仿、探索、静息。请点击此处查看该图的高清版本。
图 9. 六种已识别行为的脑电图振幅样本直方图。A) 所示数据来自一名 20 月龄婴儿一次实验中记录的三个电极（CP2、FC5、POz）的原始数据。直方图按最高发生次数进行缩放，每个直方图的峰度值显示在对应图的右侧。请注意，大多数行为呈现多峰分布。 B) 每种行为样本数据的峰度值。 请点击此处查看该图的放大版本。
图10. 脑电图可预测自由活动婴儿的行为动作12。 显示了一个20个月大婴儿分类准确率的混淆矩阵示例。总体解码准确率显示在右下角。请点击此处查看该图的放大版本。
图 11. 源定位。 使用解剖 MRI 和功能 EEG 数据进行婴儿偶极子源定位所需的步骤。 请点击此处查看此图的放大版本。
图12. 抓取-给予任务分析图谱。A) 婴儿执行“抓取-给予”任务时的抓拍图像。B) Mu频段（5-9 Hz）EEG的平均全局场功率、婴儿与实验者肢体运动轨迹，以及所有通道的平均事件相关谱扰动。C) “运动起始”和“运动完成”两个事件的局部偶极子源定位。请点击此处查看该图的高清版本。
讨论
本方案描述了一种在婴儿与实验人员实时互动过程中，采集其自由活动状态下数据的方法。该方法采用移动式脑成像技术（头皮脑电图，EEG）记录神经活动，同时使用惯性测量单元（IMU）在身体特定部位同步采集运动学数据。实验过程还通过视频摄像机进行记录。三种数据采集系统通过定制的触发系统实现同步。
在实验过程中，受试者可自由活动，此时需将其固定佩戴脑电图（EEG）和惯性测量单元（IMU）系统。IMU必须牢固固定，以准确捕捉运动学数据。为确保受试者完全无约束地活动，设备应尽可能减少干扰；因此需使用支架来支撑脑电图的电极导线和脑电控制盒。随后，实验人员与婴儿互动约15分钟。在此期间，婴儿会表现出与年龄相关的多种行为，包括静止、伸手抓握、伸手递物、探索、观察和模仿。然而，部分婴儿可能因疲劳、不适或压力而不愿配合实验。为避免婴儿出现负面反应，应在其最为活跃和精力充沛的时段安排实验。
实验的性质可能导致整个记录过程中数据质量受损。因此，在开始记录之前，必须测试所有连接和数据质量，并在记录过程中持续监控。如果脑电系统未能记录到高质量数据，应立即停止软件运行并拔掉所有连接。在重新启动软件或将设备重新连接至笔记本电脑之前，需移除所有可能的噪声源即，电源）远离记录设备。脑电图（EEG）设备包含信号放大器，若放置在电磁噪声源附近，可能拾取环境噪声。对于惯性测量单元（IMU）接收器，应确保接收器与实验装置及婴儿之间无视线遮挡干扰。
该实验装置通过测量头皮表面的电活动，可获得高时间分辨率的神经数据。近期研究表明，结合全身运动学信号，这些神经信号可用于识别表达性动作20和功能性动作21,22的可分类信息，提示这种提议的数据采集方法有助于更深入理解婴儿模仿行为的神经基础。
近期研究将强大的机器学习算法应用于脑动力学分析13,20,21，正在逐步构建一套可在更自然环境下研究脑表面电位的工具集。该提议的实验设置为可探讨的研究问题提供了广泛的可能性2,22。具体而言，其可应用于以下研究方向：a）基于大量受试者群体，探究婴儿认知-运动发育的神经基础；b）理解婴儿在“动作与情境”中的行为意图的神经机制，该意图应能预测即将发生的行为反应；c）量化共同与独特的神经活动模式，以表征发育中大脑的个体差异与变异性；d）研究模仿与学习过程的出现机制。实现这些目标需要部署能够同时处理来自脑源性电位以及运动或肌电伪迹的统计丰富数据的机器学习算法12,20,23。
本研究旨在估算皮层源及电活动 利用婴儿脑电图数据计算场电位。由于婴儿头部导电性参数及皮层组织厚度等关键信息尚不明确，准确构建头部模型存在技术困难。未来仍需开展进一步研究，以实现对婴儿脑组织区域性非侵入性电导率的估算。 24婴儿MRI数据的皮层表面分割由于发育中的人类大脑图像对比度较低而面临额外的挑战 25未来研究需要解决这些困难，并估算婴儿发育和行为的各种神经生理学相关指标。
最后，所提出的实验方案和方法可应用于发育障碍人群的研究，例如可能患有自闭症谱系障碍（ASD）的婴儿。在此类应用中，应包含对照组以及适当的发育评估手段，以表征两组（对照组和ASD组）的特征。例如，研究组可由所有具有高ASD风险的婴儿兄弟姐妹组成，并通过自闭症诊断观察量表26、症状严重程度27以及Mullen早期学习量表28进行评估，以表征其一般认知能力。如有条件，还应尽可能获取弥散加权MRI扫描数据29。
披露
Brain Products 和 Brain Vision 慷慨资助了该期刊收取的开放获取费用。
致谢
本研究由尤妮斯·肯尼迪·施莱佛儿童健康与人类发展国立研究所（Eunice Kennedy Shriver National Institutes of Child Health & Human Development，NICHD）资助项目 # P01 HD064653-01 支持。本内容仅由作者负责，不代表 NICHD 或美国国立卫生研究院的官方观点。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| BrainAmp 放大器 | Brain Products, Gmbh | ||
| actiCAP 脑电帽 - 64 电极* | Brain Products, Gmbh | ||
| actiCAP 控制盒 | Brain Products, Gmbh | ||
| Brain Vision Recorder 软件 v1.20.0601 | Brain Products, Gmbh | ||
| actiCAP 控制盒软件 v1.2.5.2 | Brain Products, Gmbh | ||
| CapTrak | Brain Products, Gmbh | ||
| CapTrak 软件 v1.0.0 | Brain Products, Gmbh | ||
| Opal 运动监测器 | APDM, Inc | ||
| Opal 转接底座 | APDM, Inc | ||
| Opal 无线接入点 | APDM, Inc | ||
| Motion Studio 软件 v1.0.0.201503302222 | APDM, Inc | ||
| 触发盒 | 定制 | ||
| 摄像机 | HC-W850M, Panasonic Co. | ||
| *脑电帽提供以下适用于婴儿的头围尺寸：42、44、46、48、50 cm。本方案建议每种尺寸至少准备 2 顶。 |
参考文献
- Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
- Makeig, S., Gramann, K., Jung, T. -P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73 (2), 95-100 (2009).
- Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
- GmbH Brain Products. actiCAP Operating Instructions. , Version 006, Author. Munich, Germany. (2013).
- Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
- Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54 (1), 77-91 (2012).
- Richards, J. E. Neurodevelopmental MRI Database. , Available from: http://jerlab.psych.sc.edu/NeurodevelopmentalMRIDatabase (2010).
- Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
- Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
- Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
- Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
- Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. , 2115-2118 (2014).
- Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. , 8(2014).
- Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34 (1), 26-43 (2014).
- Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114 (9), 1580-1593 (2003).
- Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
- Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. , 2184-2197 (2013).
- Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
- Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
- Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8 (188), (2014).
- Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. , 5606-5609 (1109).
- Gramann, K., Jung, T. -P., Ferris, D. P., Lin, C. -T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8 (444), (2014).
- Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26 (77), (2013).
- Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
- Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
- Lord, C., Rutter, M., DiLavore, P. C., Risi, S. Autism Diagnostic Observation Schedule. , Psychological Services. Los Angeles, Calif, Western. (2000).
- Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
- Mullen, E. M. Mullen Scales of Early Learning. , AGS Edition, AGS Publishing. Circle Pines, Minn. (1995).
- Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169 (6), 589-600 (2012).
重印与许可
标签
