Method Article

静止状态脑电图的微状态和欧米茄复杂性分析

DOI:

10.3791/56452

⸱

June 15th, 2018

 ,  , 
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文描述了基于脑电图 (eeg) 微状态分析和欧米茄复杂性分析的协议, 这是两种无参考脑电图的方法, 对探讨脑功能紊乱的神经机制具有十分重要的价值。

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

微状态和欧米茄的复杂性是两个无参考脑电图 (eeg) 措施, 可以代表的时间和空间复杂的脑电图数据, 并已广泛用于调查神经机制的一些脑部疾病。本文的目的是描述脑电图微状态和欧米茄复杂性分析的基本协议。这两种方法的主要优点是可以消除传统频谱分析固有的参考依赖问题。此外, 微状态分析充分利用了静止状态脑电图的高时间分辨力, 得到的四微状态类可以分别匹配相应的休眠状态网络。欧米茄复杂性的特点是整个大脑或特定大脑区域的空间复杂度, 这与传统的复杂度测量方法相比, 在单个信道中的信号复杂度具有明显的优越性。这两种脑电图测量方法可以相互补充, 分别从时间和空间领域对大脑的复杂性进行研究。

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脑电图 (eeg) 已被广泛用于记录人脑的电活动在临床诊断和科学研究, 因为它是无创的, 低成本的, 有非常高的时间分辨率1。为了研究静止状态下的脑电图信号, 研究人员开发了许多脑电图技术 (如功率谱分析、功能连接分析)2、3。其中, 微状态分析和欧米茄复杂性分析可以很好地利用脑电信号4中固有的时空信息。

以往的研究表明, 尽管脑电信号的地形分布随着时间的推移在闭眼或睁开的静止状态下变化, 但序列的瞬时图显示了景观的不连续变化, 即稳定交替期在某些准稳定脑电图之间有短的过渡期地形5。微状态被定义作为这些情节与准稳定 EEG 地形, 为时在80和 120 ms1之间。由于不同的电势景观必须由不同的神经源产生, 这些微状态可能成为心理状态的基本块, 可以被认为是 "思想和情感的原子"6。采用现代模式分类算法, 连续观察到四个静止脑电图微状态类, 被标记为 a 类、B 类、C 类和 D 类7。此外, 研究人员发现, 这四微状态类静止脑电图数据与已知的功能系统密切联系在许多静止状态 fMRI (功能磁共振成像) 研究8,9.因此, 微状态分析为研究人脑的静止状态网络 (RSNs) 提供了一种新的方法。此外, 每微状态类的平均持续时间和发生频率, 四微状态地图的地形形状都受到一些脑部疾病4,10,11的影响,并且与流体智力12和个性13相关。

在另一方面, 多通道脑电图的传统功能连接只能描述两个头皮电极之间的功能连接, 从而无法评估整个头皮或某一脑区内的全球功能连通性。Wackermann (1996)14提出的欧米茄复杂性, 并通过结合主成分分析 (PCA) 和香农熵的方法计算, 已被用来量化宽带全球同步的空间分布的脑区。为了评估每个频带的欧米茄复杂度, 傅立叶变换通常是作为初始步骤25进行的。

微状态和欧米茄复杂性可以用来反映两个紧密相连的概念,即时态复杂性和空间复杂性4。由于微状态类代表人脑中的某些心理操作, 它们可以反映神经元振荡的时间结构。更低的持续时间和更高的发生率每秒必须表明更高的时态复杂性。欧米茄复杂性与大脑中独立神经源的数量呈正相关, 因此通常被认为是空间复杂度4的指标。

本文详细介绍了脑电图微状态分析和欧米茄复杂性分析的协议。脑电图微状态和欧米茄复杂性分析为测量脑活动的时间和空间复杂性提供了机会。

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本议定书经当地道德委员会批准。所有参与者和他们的父母都签署了这个实验的知情同意表格。

1. 主题

  1. 仅包括15个健康的男性青春期的科目, 年龄从14年到22岁 (意味着标准偏差: 18.3 @ 2.8 年)。
    注意: 目前的协议, 分析微状态和欧米茄的复杂性已经发展为健康的对象, 但不限于这个组只。

2. 脑电图数据记录

  1. 让受试者坐在一个安静的, 温控室的舒适的椅子上, 在那里记录脑电图数据。利用蚂蚁脑电图系统在本协议中采集20通道 eeg 数据。
  2. 把帽子放在主题头上。
    1. 在这项研究中, 使用中等大小的帽子, 因为它适合大多数青少年或男性科目。对于儿童, 请测量每个科目的头部周长, 并确定适当大小的帽子。
    2. 将电极直拉在大约50% 的距离 inion 和 nasion 之间, 50% 的距离之间的左和右之间的听觉凹痕。分别将参考电极放在左、右乳突骨上。根据国际10-20 系统, 将其他头皮电极置于标准位置。
      注:20 通道的电极系统和 eeg 放大器足以进行脑电图微状态分析和欧米茄复杂度分析。
  3. 通过电极插入钝针, 填充所有电极与导电凝胶。使用导电凝胶降低阻抗。保持所有电极阻抗低于 10 kiloohms (kΩ)。
    1. 在此期间, 为主题提供一些娱乐 (例如, 放映短片)。如果使用干电极或盐水电极, 则跳过注射导电凝胶的步骤。
  4. 在录音过程中, 指导受试者闭上眼睛放松, 持续5分钟. 使用数字化软件对脑电图信号进行数字化和记录。使用至少250个样品的取样率. 使用比0.1 和 80 Hz 宽的在线过滤器。
    注意: 虽然大多数商用电极放大器系统使用的是有源电极系统, 它可以提高 eeg 信号的信噪比, 但在脑电图记录过程中, 不要将此系统靠近任何电子设备。

3. 脑电图数据预处理

注: 脑电图数据可以使用各种开源软件或商用软体进行预处理。下面提供的说明是特定于 EEGLAB 的。这只是许多可用选项中的一个来预处理脑电图数据。

  1. 将原始脑电图数据导入 eeg 软件 (如 EEGLAB) (文件 |导入数据 |使用 EEGLAB 函数和插件)。
    注: 从各种电极放大器系统记录的原始脑电图数据可由 EEGLAB 识别, 如艾吉、蚂蚁、脑视记录仪和 Neuroscan。
  2. 将通道位置文件加载到 EEG 软件中 (编辑 |通道位置)。尽管 eeg 数据和通道名称已导入 EEGLAB, 但为了获得这些电极的空间位置, 请将通道位置文件导入 eeg 软件。
  3. 删除参考电极 (编辑 |选择数据 |在通道范围内选择数据)。在弹出对话框中的 "选择通道范围内的数据" 选项中, 只选择记录电极, 不要选择参考电极, 以便可以删除参考电极。参考电极记录的数据不是 "真实" 的大脑信号, 因为这两个电极分别放在左和右乳突骨上。
  4. 带通过滤器脑电图数据在0.5 和 80 Hz 之间 (工具 |筛选数据 |基本 FIR 过滤器 [新建, 默认])。在弹出对话框中, 为 "频率传递带 (hz)" 的 "下边缘" 选择 5, 并为 "频率传递带 (hz)" 的 "较高边缘" 选择80。然后单击 "确定" 按钮。
  5. 在49和 51 Hz 之间删除带有凹槽过滤器的电源线噪音 (工具 |筛选数据 |基本 FIR 过滤器 [新建, 默认])。在弹出对话框中, 为 "频率传递带 (hz)" 的下边缘选择 49, 然后选择 "频率传递带 (hz) 的更高边缘" 的 51, 然后选择 "凹槽过滤数据而不是传递带" 选项。然后单击 "确定" 按钮。
  6. 使用盲源分离 (BSS) 算法15, 纠正由眼球运动、肌电信号 (肌电图) 或任何其他非生理工件污染的数据部分。对于眼球运动, 点击工具 |使用 AAR 1.3 删除工件 |EOG 去除 |使用 BSS;对于肌电信号, 工具 |使用 AAR 1.3 删除工件 |使用 BSS 去除肌电信号。
  7. 将预处理后的连续脑电图数据分割成世纪, 以2秒为纪元长度。为此, 写 '脑电图 = eeg_regepochs (eeg, ' 复发 ', 2, ' 极限 ', [0 2], ' rmbase ', 南); pop_saveset (EEG)', 然后击中键盘的输入键。一个窗口将弹出, 允许保存分段脑电图数据。
  8. 将分段脑电图数据导入脑电图软件 (文件 |加载现有数据集)。
  9. 拒绝脑电图时代与振幅值超过80µV 在任何电极 (工具 |拒绝数据世纪 |拒绝数据 [所有方法])。
  10. 保存预处理的脑电图数据 (文件 |将当前数据集另存为)。

4. 脑电图微状态分析

注: 经典 k-均值聚类算法的一个改进版本用于微状态类分析16, 它包含一个自下而上的过程和一个自下而上的过程。在自底向上的过程中, 用空间相关作为聚类准则来识别群级微状态类。然后在自下而上的过程中, 每组每个主题的每个地形图都被分配到具有最大空间相关性的 EEG 微状态类。对于静止状态脑电图微状态分析, 地形图的极性通常被忽略。脑电图微状态类分析可以使用各种开源软件, 如 CARTOOL, sLORETA, 艾玛和 MapWin。下面提供的说明是特定的 EEGLAB 插件微状态。这个 EEGLAB 插件可以从 https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins 下载。

  1. 对于每个主题, 加载预处理的脑电图数据 (文件 |加载现有数据集), 将参考通道转换为普通平均引用 (工具 |重新参考), 和带通滤波器的脑电图数据之间的2和 20 Hz (工具 |筛选数据 |基本 FIR 过滤器 [新建, 默认])。
  2. 确定每个主题中的四微状态映射 (工具 |微状态 |识别微状态地图)。在弹出对话框中, 为 "最小类数" 选择 "3", 为 "最大类数" 选择 6, 选择 "重新启动次数" 50, 选择 "要使用的最大映射数", 然后选择 "GFP 峰值" 和 "无极性" 选项。然后单击 "确定" 按钮。
  3. 保存每个主题的脑电图数据后, 确定自己的微状态地图 (文件 |将当前数据集另存为)。
  4. 导入最后一步中保存的所有主题的 EEG 数据集 (文件 |加载现有数据集)。
  5. 识别组级微状态映射 (工具 |微状态 |平均微状态映射跨数据集)。在弹出对话框中, 选择 "选择平均值集" 选项中所有主题的数据集。在 "平均名称" 选项中, 给出组级微状态映射的名称。默认名称为 "GrandMean"。然后单击 "确定" 按钮。这将创建一个名为 "GrandMean" 的新数据集, 它存储组级微状态映射。
  6. 根据他们的经典顺序手动排序四组级微状态地图 (剧情 |编辑微状态地图)。在弹出式中, 选择 "更多", 然后显示的地图数变为四。选择 "人类排序"。在弹出对话框中, 输入四组级微状态映射的新顺序。然后单击 "关闭"。
  7. 排序每个主题的四微状态地图的顺序 (工具 |微状态 |按平均值对单个微状态映射进行排序)。
  8. 保存每个主题的微状态参数 (工具 |微状态 |在数据集 [平均模板映射] 中量化微状态, 它将依次调用两个弹出对话框。
    1. 在第一个对话框中, 选择所有主题的数据集。在第二个对话框中, 为选项 "类数" 选择 "4 类", 选择 "仅适用于 GFP 峰值" 和 "删除可能截断的微状态" 选项, 选择 "30" 作为 "标签平滑窗口 (ms)", 然后为 "非平滑性" 选择1。惩罚 "。然后单击 "确定"。存储微状态参数的 csv 文件将保存在计算机上。

5. 欧米茄复杂性分析

  1. 使用自定义脚本保存每个纪元的 EEG 数据和每个主题的 ASCII 或 txt 格式。在补充材料中可以找到步骤5.1 的自定义脚本示例。
    注: 如果计算了全局欧米茄复杂性, 则需要所有头皮电极的 EEG 数据以 ASCII 或 txt 格式导出。如果区域欧米茄复杂性被计算, 仅出口电极的 EEG 数据在那头皮区域。例如, 为了计算前欧米茄复杂度, 只导出前区电极的脑电图数据 (即 Fp1、Fp2、F7、F3、熔、F4 和 F8);为了计算后欧米茄复杂度, 只导出后区电极的脑电图数据 (即 T5、T6、P3、P4、Pz、O1 和 O2)。
  2. 使用 sLORETA 软件17计算所有离散频率的欧米茄复杂度 (实用程序 |全局连接性)。此软件可在 http://www.uzh.ch/keyinst/loreta.htm 中使用。
  3. 使用自定义脚本26计算每个频带的欧米茄复杂性。在我们的例子中, 计算以下八频带的欧米茄复杂度作为每个频率限制中的平均值, 这是三角洲 (0.5-3.5 hz), θ (4-7, 5 hz), alpha1 (8-10 hz), alpha2 (10.5-13.5 hz), beta1 (14-18 hz), beta2 (18.5-30 hz), gamma1 (30.5-48 hz), 和 gamma2 (52-80 Hz)4。在补充材料中可以找到步骤5.3 的自定义脚本示例。

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脑电图微状态

图 1显示了大平均规范化的微状态映射。这里所确定的四微状态类的电势景观与以前的研究4中所发现的类似。

表 1显示了健康受试者微状态参数的平均值和标准差 (SD)。对于微状态 a 类, 其发生率为 3.44, 1.29 次/秒, 持续时间为 72 13 毫秒. 对于微状态 B 类, 发生率为 3.54 @ 0.85 次/秒, 持续时间为 71 @ 18 毫秒. 微状态类 C 的发生率为3.85 秒/秒, 持续时间为 69 9 毫秒, 为微状态类 D, 发生率为 3.41 @ 0.78 次/秒, 持续时间为 66 @ 11 毫秒。

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文详细介绍了两种脑电图分析方法 (即微状态分析法和欧米茄复杂度法), 分别测量人脑的时间复杂度和空间复杂性。在议定书内有几个关键步骤应予提及。首先, 在计算微状态和欧米茄复杂度之前, 必须对 EEG 数据进行清理。其次, 在计算微状态和欧米茄复杂度之前, 应 remontaged 对脑电图数据进行平均参考。第三, 在微状态和欧米茄复杂度计算之前, 必须将连续脑电图数据分割成时代。每个纪元的长度应该是2秒. 最后, 可用于微状态分析的软件包括 Cartool (https://sites.google.com/site/cartoolcommunity/about)、sLORETA (http://www.uzh.ch/keyinst/loreta.htm) 和 MapWin (http://www.thomaskoenig.ch/index.php/software/mapwin)。本文以 EEGLAB 中的一个插件为例, 进行了微状态分析。

虽然这里进行的微状态分析应用于静止状态脑电图数据, 它可以很容易地应用于事件相关电位 (ERPs), 这将有助于我们发现更多的信息的时间课...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者没有什么可透露的。

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

这篇文章得到了中国国家自然科学基金 (31671141) 的支持。

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
ANT 20 通道 EEG/ERP 系统ASA-Lab， ANT B.V.， 荷兰公司网址：
http://www.ant-neuro.com/
EEGLAB 微状态插件Thomas Koenig
https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins sLORETARoberto D. Pascual-Marquihttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010aMathWorks 公司公司网址：
http://www.mathworks.com/
eeglab加州大学圣地亚哥https://sccn.ucsd.edu/eeglab/index.php
分校 Swartz 计算神经科学中心

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
  3. Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
  4. Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
  9. Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912(2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
  21. Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
  22. Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EEG Microstate AnalysisOmega ComplexityResting state EEGEEG PreprocessingBandpass FilteringArtifact RemovalMicrostate MappingGroup Level AnalysisEEG Lab SoftwareReference free EEG

Related Articles