脑电图神经影像数据:事件相关电位，光谱功率，和多尺度熵的应用

该程序的总体目标是量化 EEG 时间序列的可变性，并将该可变性与底层神经系统的信息处理能力相关联。这是通过首先获取大脑反应的高质量 EEG 记录来实现的。第二步是预处理数据以删除任何构件。

接下来，提取感兴趣的统计数据。在这里，我们将多尺度熵的新应用与更传统的平均振幅和频谱功率方法进行对比。最后一步是分析结果的统计显著性并解释数据。

通过使用数据驱动的多变量方法（如 partial lease square 的分析）可以促进这一步。最终，多尺度熵用于显示跨多个时间尺度的时空模式序列变化如何促进特定的认知作。与现有方法（如平均振幅或频谱功率）相比，使用 MSC 的优势在于 MSC 对数据中的非线性很敏感。

这些非线性动力学反映了网络微观状态之间的转换或分叉，这对于跨分布式大脑区域网络的信息交换非常重要。演示此程序的是 Rotman 研究所 ERP 实验室的 Christina Backer。首先，向参与者解释实验程序并获得知情同意。

使用酒精棉签清洁放置下拉电极的区域。在电极上涂一些凝胶。从皮肤侧取下纸张，将电极放在参与者身上以识别眼球运动伪影。

将电极放在眼睑上下侧交界处。将另一个电极放在眼眶脊的中心，距离眼睛下方约 1 厘米，并与瞳孔对齐。对另一只眼睛重复上述步骤。

测量参与者的头围，并按照国际公认的 10 20 系统选择合适的电极帽尺寸。对于电极放置，沿中线测量与 Indian Ian 的距离，然后除以 10%使用该数字。从 NAS 开始测量并标记。

将电极帽位置 FP 与此标记对齐，然后将帽向后拉。确保瓶盖的中心与鼻子对齐。测量 nasn 到 cz 并确认此距离是从 NAS 到 Indian 的距离的一半。

然后收紧下巴带，必要时将纱布放在带下以保持舒适。现在，将充满凝胶的钝点注射器放入电极支架中，以形成导电的凝胶柱。从接触头皮开始，然后挤压和拉回。

请注意，应用过多的凝胶可能会桥接相邻电极的信号。接下来，将有源电极固定到电极支架中。然后将拍摄对象放置在显示屏前方的适当距离。

在实验中，要求参与者保持静止，强调尽量减少眼球运动和眨眼的重要性。为了干净的记录，请检查采集计算机上的电极连接和 EEG 信号质量。如果特定电极有问题，请在实验后取出该电极并重新涂上凝胶以调整该部位的阻抗，但在提取感兴趣的特定统计数据之前。

使用过滤和伪影抑制的标准程序对连续的 EEG 数据进行预处理以去除伪影。与事件相关的电位分析捕获同步的大脑活动，即锁相到刺激的开始时间锁定大脑对显着事件开始的反应，然后对许多类似事件进行平均。为了提高信噪比，确定每个受试者的 ERP 组件的峰值振幅和延迟，Spectra power 量化了频率对特定 EEG 信号的相对贡献。

使用傅里叶分析将 EEG 信号从时域转换为频域，并将信号分解为不同频率的分量正弦波。多尺度熵是一种信息论指标，用于捕获神经电信号随时间和多次的变化。尺度。使用 PhysioNet 的算法分两步计算多尺度熵。

第一步，逐渐下降。对每个试验和条件时间尺度的信号进行采样。1 表示原始信号。

首先将原始信号划分为时间刻度长度的不重叠窗口，从而创建后续时间刻度。然后平均每个窗口内的数据点。例如，要创建时间刻度，两个平均值一起。

前两个点、后两个点，依此类推。要创建时间标尺，请将前三个点、接下来的三个点平均在一起，依此类推。通过在不同的时间尺度上表示原始信号，可以分析可能以不同速率展开的神经过程。

第二步计算每个课程的样本熵。粒度时间序列。这提供了大脑在不同时间尺度上反应复杂性的估计。

常规信号的样本熵比随机信号低。在此示例中，模式长度 M 设置为 2。这意味着时间序列将表示为 2 点与 3 点序列匹配的比率。

参数 R 是相似性标准。位于此振幅范围内的数据点具有相似的值，因此称为匹配。有关设置参数的详细信息，请参阅文本协议以计算此模拟时间序列的样本熵。

从前两个组件开始。序列模式，红橙，首先统计红橙序列模式在时间序列中出现的次数。这有 10 个匹配项。

两个组件序列。Second 计算前 3 个分量的次数。序列模式、红色、橙色、紫色出现在时间序列中。

有五场比赛。三组分序列。对时间序列的下一个两个分量序列 orange、purple 和接下来的三个分量序列 orange、purple、green 继续执行相同的作。

将这些序列的两个组件匹配项和三个组件匹配项的数量添加到前面的值中。对时间序列中的所有其他序列匹配重复此作，以确定两个分量匹配项与三个分量匹配项的总比率。样本熵是该比率的自然对数。

这些数据显示了 ERP 光谱功率和熵的条件差异，对比了面部照片的初始呈现与重复呈现。在这个例子中，所有测量都收敛在一起，揭示了伴随面重复的样本熵减少的相同效果。复杂性的降低表明，参与的功能网络更简单，处理的信息更少。

这些统计结果来自对 ERP 光谱功率的部分租赁平方和与不同熟悉程度相关的面孔的多尺度熵的多变量分析。对比表明，ERP 振幅区分了新面孔和熟悉面孔，但在先前曝光量不同的熟悉面孔中却没有区分开来。Spectral Power 根据熟悉度来区分面孔，但不能准确区分低熟悉度和中熟悉度的面孔。

多尺度熵对条件差异最敏感。样本熵值随着人脸熟悉度的增加而增加。这些图像图捕获条件效应的时空分布。

有趣的是，多尺度熵揭示了更传统的 ERP 或光谱功率分析无法获得的独特信息。多尺度熵的这种发散表明，条件在其网络动力学的非线性方面有所不同，可能涉及频段之间的相互作用。这种新颖的分析工具帮助我们捕获有关神经网络动力学的新信息，帮助我们从静态状态来描述心理功能，转向理解与人类认知相关的过程的流体展开。