Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Kortikale Quelle Analyse von High-Density-Aufnahmen EEG bei Kindern

20.9K Aufrufe

⸱

DOI:

10.3791/51705

⸱

30. Juni 2014

 ,  , 
1Cognitive Neuroscience & Neuropsychiatry Section, UCL Institute of Child Health, 2Academic Division of Neonatology, Institute for Women's Health, University College London

In diesem Artikel

Zusammenfassung

In den letzten Jahren gab es eine wachsende Interesse an der Schätzung der kortikalen Quellen der Kopfhaut gemessene elektrische Aktivität für kognitive Neurowissenschaften Experimente. Dieser Artikel beschreibt, wie hohe Dichte EEG erfasst und ab dem Alter von 2 Jahren an der London Baby Lab, wie Aufnahmen für kortikale Quelle Schätzung bei Kindern verarbeitet.

Zusammenfassung

EEG wird traditionell als Neuroimaging-Technik mit hoher zeitlicher und räumlicher Auflösung niedrig beschrieben. Jüngste Fortschritte in der biophysikalischen Modellierung und Signalverarbeitung machen es möglich, Informationen von anderen bildgebenden Verfahren wie MRT Struktur, die hohe räumliche Auflösung, um diese Einschränkung zu überwinden 1 zu nutzen. Dies ist besonders nützlich für Untersuchungen, die eine hohe Auflösung in der zeitlichen als auch räumlichen Bereich erfordern. Darüber hinaus aufgrund der einfachen Anwendung und niedrigen Kosten der EEG-Aufzeichnungen, ist EEG oft die Methode der Wahl bei der Arbeit mit Bevölkerungen, wie kleine Kinder, die funktionelle MRT nicht vertragen, scannt auch. Um jedoch zu untersuchen, welche neuronalen Substrate, anatomischen Informationen beteiligt strukturelle MRT noch benötigt wird. Die meisten EEG-Analyse-Pakete arbeiten mit Standard-Kopfmodelle, die auf erwachsene Anatomie beruhen. Die Genauigkeit dieser Modelle, wenn für Kinder verwendet wird, 2 begrenzt, da die CO-mPosition und räumliche Konfiguration der Kopf Geweben ändert sich im Laufe der Entwicklung 3.

In der vorliegenden Arbeit geben wir einen Überblick über unsere Arbeit in den letzten Nutzung Kopfmodelle auf Basis von einzelnen Struktur MRI-Scans oder altersspezifische Kopfmodelle, die kortikalen Generatoren mit hoher Dichte EEG rekonstruieren. Dieser Artikel beschreibt die EEG-Aufzeichnungen erfasst, verarbeitet und mit pädiatrischen Populationen an der London Baby Lab, einschließlich Laboraufbau, Aufgabengestaltung, EEG Vorverarbeitung, MRI Verarbeitung und EEG-Kanal-Ebene und Quellenanalyse analysiert.

Einleitung

Präsident Barack Obama bezeichnete die menschliche Gehirn als nächste Grenze der wissenschaftlichen Entdeckung mit hoher Bedeutung für die Gesundheit und Wirtschaft 3 (http://www.whitehouse.gov/share/brain-initiative). , Wie jeder andere Bereich in den Naturwissenschaften, Neurowissenschaften, hängt jedoch von Fortschritten in der Methoden-und Analysetechniken für den Fortschritt. Zwei häufig verwendete nicht invasive Werkzeuge in Studien über die Gehirnfunktion bei Menschen sind Kernspintomographie (MRI) und Elektroenzephalogramm (EEG). Das Tool nutzen unterschiedlichen physikalischen Eigenschaften und stellen verschiedene Einblicke in die Gehirnfunktion mit einzigartigen Vorteile und Nachteile. MRI nutzt die magnetischen Eigenschaften der Wassermoleküle in Magnetfeldern, um Bilder von lebendem Gewebe zu erhalten. Gegenstand muss in einem Magneten mit hoher Feldstärke angeordnet werden. Bewegung des Teilnehmers wird während dieser Verfahren beschränkt, und die Teilnehmer Lärm durch schnelle Änderungen der magnetischen verursacht tolerierenFeld. Neben strukturellen Bilder, auch MRT bietet die Möglichkeit, Veränderungen des Blutsauerstoffsättigung zu messen, um die Gehirnfunktion (fMRT) zu untersuchen. Zusammengefasst bietet MRI relativ hohen räumlichen Auflösung von bis zu 0,5 mm 3 mit modernen High Felder Scanner und optimierten Parametern 4. Im Gegensatz dazu ist die zeitliche Auflösung der fMRT beschränkt sich auf die langsame Kinetik der BOLD-Antwort, die nur indirekt spiegelt die hohe zeitliche Dynamik der neuronalen Aktivität 5,6.

Andererseits misst EEG-Veränderungen in der elektrischen Aktivität durch die Aktivität von Neuronen durch die Elektroden auf der Kopfhaut platziert verursacht. Jüngste Fortschritte in der EEG-Technologie erlauben eine schnelle und einfache Anwendung der Sensoren für kurz-oder langfristige und stationären als auch ambulanten Aufnahmen. Da EEG ist weniger restriktiv, es ist auch die Methode der Wahl für bestimmte Teilnehmer-Populationen, die nicht die MRT-Umgebung gut vertragen wie Kinder-und bestimmtegeriatrischen und psychiatrischen Populationen. Die Eigenschaften des EEG zeigen eine inverse Muster mit denen der MRT: die zeitliche Auflösung ist sehr hoch mit Millisekunden-Präzision, sondern die räumliche Auflösung ist begrenzt. Elektrische Ströme durchlaufen verschiedene Gewebe zwischen den Generator und die EEG-Elektroden an der Oberfläche der Kopfhaut. Dies führt zu einer Misch-und Raum Verschmieren der Quellenaktivität als das Volumen Leitungseffekt bekannt. Daher Aktivität von den Elektroden auf der Oberfläche der Kopfhaut gemessen reflektiert Aktivität von verschiedenen Quellen, die einen Abstand zur Position der Elektrode auf den Kopf 1,7 sein könnte.

Viel Arbeit in den letzten Jahren wurde, um die Vorteile ihrer jeweiligen Stärken zu ergreifen, um die Verschmelzung von MRT und EEG gewidmet. Eine Linie der Arbeit ist mit dem gleichzeitigen Erwerb von EEG und MRT in der funktionellen Studien gewidmet. Ein weiterer Ansatz ist die räumliche Information durch strukturelle MRT vorgesehen zu verwenden, um der Lautstärke c nehmenonduction Effekt durch biophysikalische Modellierung. Die Verwendung von Strukturinformationen für die Quellenrekonstruktion von EEG-Aufzeichnungen ist besonders nützlich für Studien mit Kindern und Jugendlichen. Die Untersuchung der Entwicklung der Gehirnfunktion ist zentral für das Verständnis, wie komplexe kognitive Fähigkeiten werden auf der Oberseite der einfachen Vorstufen 8 gebaut.

Diese Untersuchungen helfen, Veränderungen der neuronalen Substrate und Reaktionseigenschaften, die mit Veränderungen der Verhaltensleistung korrelieren markieren. Doch die Untersuchung der Hirnfunktion und Kognition in der Entwicklung stellt auch besondere Herausforderungen. Insbesondere wird die Möglichkeit für die funktionelle MRT-Studien, wie Kinder und Kleinkinder entweder schläft oder sediert, um MRT-Daten, ohne Bewegungsartefakte und negative Auswirkungen auf das Wohlbefinden zu erhalten Teilnehmer zu sein, beschränkt. Ferner wird als EEG weniger riskant und invasive von Eltern, die die Rekrutierung von Studienteilnehmern erleichtert wahrgenommen. Therefore ist EEG die Methode der Wahl für viele Untersuchungen der Hirnfunktion bei jungen Kindern. Methodische Fortschritte in der EEG-Systeme ermöglichen die Anwendung des Elektrodenarrays hoher Dichte mit 128 oder mehr Kanäle innerhalb weniger Minuten. Einfache Anwendung und Tragekomfort sind ausreichend, um sogar erlauben EEG-Aufzeichnung in der jüngsten Kinder. Doch oft sind nicht nur Forscher interessieren sich für die zeitliche Dynamik von Reaktionen auf bestimmte Reize, sondern möchte auch die neuronalen Substrate, die die Antworten vermitteln vergleichen.

Eine vorherrschende Annahme in Kanalpegel ERP-Analyse im Vergleich verschiedener Altersgruppen ist, dass die gleichen neuronalen Substrate zu reagieren, sondern, dass der Zeitpunkt oder die Antwortamplitude variiert in Alter von 9. Ähnliche Kopfhaut Topographie wird oft als Indikator gleichartigen Grund neuronale Aktivität verwendet. Allerdings können viele verschiedene Konfigurationen Quelle ähnliche Topographien 10 Kopfhaut führen. Durch die Anwendung Quelle Schätzung, diese Uncertainty reduziert und quantifiziert werden. Die Unabhängigkeit der Beobachtungen ist für Netzwerk-Accounts der Gehirnfunktion: wenn die Quellen gemischt werden, Korrelationen zu höheren lokalen Konnektivität vorgespannt werden. Quellenrekonstruktion angewendet werden, um diese Vorspannung 11 zu reduzieren. Alternativ können Unterschiede in der Zeit und der Phase für Konnektivitätsanalyse verwendet werden, aber diese mathematischen Modelle erfordern Annahmen, die schwer in nicht simulierten Daten 12 bewerten sind. Zusammenfassend stellt Quelle Schätzung zusätzliche Informationen, Kanal-Ebene EEG-und ERP-Analyse auf Basis von Wissen über Anatomie und biophysikalischen Eigenschaften von Gewebe.

Verschiedene Algorithmen entwickelt worden, um Lösungen für das umgekehrte Problem zu finden. Diese Algorithmen lassen sich grob in zwei Kategorien: parametrischen und nicht parametrischen 13. Parametrische Modelle nehmen eine oder mehrere Dipole, die in Lage, Orientierung und Stärke variieren kann. Im Gegensatz dazu, nicht parametrische Modelle Containa große Anzahl von Dipolen mit festen Position und Ausrichtung. In diesen Modellen wird die Kopfhaut elektrische Aktivität als eine Kombination von Aktivierungen in der festen Dipole 10,13,14 erläutert. Nicht parametrische, kann die verteilte Quell-Modelle auf Wissen über Anatomie und Leitfähigkeit in verschiedenen Medien basieren. Boundary Element Modelle verfügen Leitfähigkeitswerte für die wichtigsten Gewebe des Kopfes mit verschiedenen Schalen für das Gehirn, Rückenmark-Flüssigkeit Cerebro und Schädel. Dies basiert auf der Annahme, daß die Leitfähigkeit ist meist innerhalb jeder Kammer konstant ist, sondern daß deutliche Veränderungen an der Grenze der verschiedenen Kammern auftreten basiert. Finite-Elemente-Modelle sind auf weitere Segmentierung des MR-Scans in grauer und weißer Substanz bezogen, so daß Leitfähigkeitswerte können in jedem Voxel 15 zugeordnet werden.

In der Praxis sind nicht parametrischen Modellen besonders nützlich für Quellenrekonstruktion in komplexen kognitiven Aufgaben, bei denen die Anzahl von Bereichen beteiligt sind10 nicht bekannt werden. Boundary-Element-Modelle werden am häufigsten in der aktuellen Literatur verwendet wird, wahrscheinlich, weil die genauere Finite-Elemente-Modelle stellen vergleichsweise hohen Rechenaufwand. Weiterhin gibt es erhebliche interindividuelle Variabilität in der grauen und weißen Substanz, so dass FEMs sollte auf individuellen MRT-Aufnahmen basieren.

Nicht parametrische Modelle erfordern einen zweiten Schritt zur Anpassung der Kopfhaut gemessen Aktivität, um den Vorhersagen der Vorwärtsmodell. Auch hier haben verschiedene Ansätze mit unterschiedlichen Vor-und Nachteile in der Literatur diskutiert worden (siehe Michel et al. 2004 für einen Überblick). Die am häufigsten verwendeten Algorithmen basieren auf Minimum-Norm Schätzung (MNE), die die Kopfhaut gemessen Aktivität zu einer Stromverteilung in der Vorwärtsmodell mit der niedrigsten Gesamtintensität 16 Spiele basiert. MNE ist auf schwache und oberflächliche Quellen vorgespannt. Tiefe gewichtete MNE Algorithmen versuchen, die Oberfläche Vorspannung, die durch Einführung von Gewichtungs reduzierenMatrizen auf der Grundlage mathematischer Annahmen 10. Die weit verbreitete LORETA Ansatz wird auch auf den gewichteten MNE Basis, aber die Laplace-Quellen, die auf glatter Lösungen 17,18 führt zusätzlich minimiert. LORETA wurde festgestellt, am besten für einzelne Quellen in Simulationsstudien durchzuführen 19,20. Allerdings kann LORETA über Glättung der Lösungen führen. Tiefe gewichtete MNE ist vorzuziehen, wenn die Quellen nicht bekannt sind oder mehrere Quellen vorhanden sind wahrscheinlich 13, 16 zu sein. Vergleichen der Ergebnisse der verschiedenen Algorithmen, um den Einfluss der verschiedenen Modellannahmen auszuwerten empfohlen.

Zusammenfassend wurde Quellenrekonstruktion durch Modellierungsmethoden für Kinder bis vor kurzem eingeschränkt. Das ist, weil die meisten EEG-Analyse-Software setzt auf Kopfmodelle auf Basis von Erwachsenen Anatomie, die die Richtigkeit der Source-Lösungen bei Kindern 2,8 wesentlich einschränkt. Die billigen Zugang zu Rechenleistung und die Bereitstellung vonbenutzerfreundliche Software für Quellenrekonstruktion machen es möglich, diese Einschränkungen zu überwinden. Anwenden Quelle Schätzung des EEG bietet zwei wichtige Vorteile gegenüber Analyse basierend auf Kanalebene Beobachtungen allein: verbesserte räumliche Auflösung und die Unabhängigkeit der Beobachtungen.

Quelle Abschätzung kann nicht informativ sein, in einigen Fällen: eine gute Abdeckung des Kopfes erforderlich ist, um Quellen zu unterscheiden. High-Density-Systeme mit 128 oder mehr Elektroden werden empfohlen 10,15; ein spärlicher Abdeckung wird als ein Raumfilter, die zu weiter verbreitet Quelle Aktivierung oder falsch-negative Ergebnisse 10 handeln. Außerdem hat Quellenrekonstruktion auf der Basis der in diesem Artikel beschriebenen Verfahren nur für kortikale Generatoren gemeldet. Daher ist es für die Prüfung von Hypothesen über subkortikalen Substraten oder kortikalen subkortikalen Wechselwirkungen weniger geeignet. Schließlich sollte auf detaillierte Quellenanalyse vor Hypothesen über die kortikale Substrate basieren,unter die vorhandene Literatur aus anderen bildgebenden Verfahren in Betracht. Räumliche Filtertechniken können auch verwendet werden, um die räumliche Auflösung des EEG-Signals, indem räumliche Mischen auf der Kopfebene zu verbessern. Alternative Methoden, um den Einfluss von Volumenleitungseffekte ohne Kopf reduzieren Modellierung verwendet werden, z. B. Laplace-Filterung 21 oder Current Source Density Analyse 22. Allerdings sind diese Methoden nicht mehr Informationen über neuronale Generatoren als Volumenleitungseffekte sind nicht nur Sensoren in räumlicher Nähe ein beschränkt.

In den folgenden Abschnitten beschreibt der Artikel, wie Experimente zur Untersuchung von Gehirn und kognitive Funktion bei Kindern ab 2 Jahren werden an der London Baby Lab entwickelt. Anschließend wird EEG Datenerfassung mit hoher Dichte niedriger Impedanz Systeme mit Kindern diskutiert. Dann wird EEG Vorverarbeitung und Analyse auf der Kanal-Ebene vorgestellt. Lastly, der Artikel konzentriert sich auf die Verarbeitung von strukturellen MRT-Daten für kortikale Quelle Rekonstruktion und Analyse von Source-Level-Signale.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

1. Planung EEG & Event bezogene Potenzial Experimente für Kinder

Hinweis: Ein einfaches Experiment wurde für die Zwecke dieses Artikels, die zur Verarbeitung von Gesichtern bei Kindern untersuchen werden können, konzipiert. Im folgenden Abschnitt wird das Experiment zu beschreiben und zu erklären, wie es zu implementieren mit MATLAB und R2012b Psychtoolbox V3.0.11 23,24. Bilder von der NimStim Satz von emotionalen Gesichtsausdruck 25 aufgenommen wurden für dieses Beispiel verwendet. Dieser Stimulus-Set ist auf Anfrage für Forschungszwecke zur Verfügung ( http://www.macbrain.org/resources.htm ).

  1. Übertragen Sie die RGB-Bilder in Graustufen, um Unterschiede zwischen Reizen zu reduzieren. Siehe Tabelle 1. Hinweis: Diese Befehle erfordern die Image Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Freie Alternativen gefunden werden turch den File Exchange ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Verwenden experimentelle Steuerungssoftware, um das Experiment mit präzisem Timing für Stimulus-Präsentation Trigger mit einer Reihe von Befehlen (siehe Tabelle 1 für ein Beispiel) zu implementieren.

2. Datenerfassung

  1. Stellen Sie sicher, dass das Kind wohl mit der Testumgebung. Lassen Sie kleine Kinder auf dem Schoß ihrer Pflegeperson oder in einem komfortablen Kindersitz zu sitzen. Lassen Sie das Kind sehen und spüren Sie die Sensornetz, bevor sie auf den Kopf des Kindes. Wenn es eine zusätzliche Netto, haben die Eltern auch versuchen, eine auf ein oder legen Sie ein auf eine Puppe oder teddy.
  2. Messen Sie die maximale Kopfumfang, um die richtige Größe netto für das Kind auszuwählen. Verwenden Sie ein Maßband und halten Sie es an die Nasenwurzel. Dann messen Sie um den Kopf um den maximalen Umfang (~ 1cm über dem Inion). Hinweis: eine Aufzeichnung der gemessenen Kopfumfang und die für die spätere Analyse 26 verwendet sensor net. Es hilft, wenn die Eltern den Kopf wird ebenfalls gemessen Kinder wohler mit der Situation zu machen.
  3. Identifizieren Sie den Scheitelpunkt des Kopfes an der Kreuzung von der Mitte der Abstand zwischen Nasenwurzel und Inion und links und rechts periauricular Punkt. Markieren Sie diesen Punkt mit einer China-Stift, um sicherzustellen, dass der Scheitelpunkt Kanal richtig positioniert, wenn die Anwendung im Netz.
  4. Wenden Sie das Sensornetz und stellen Sie sicher, dass die wichtigsten Kanäle sind mit den anatomischen Landmarken (Nasion, Inion, Vertex und links / rechts Mastoide) ausgerichtet. Hinweis: Für die genauesten Ergebnisse, kann die Position der Kanäle auf den Kopf digital mit speziellen Digitalisierung Ausrüstung erworben werden. Forscher, die die Sensorposition zu erwerben sollte auf die entsprechende Hard-und Software-Handbüchern. Alternativ Elektrode Karten, die Standard-Platzierung der Elektroden entlang anatomischen lan nehmendmarks verwendet werden. Diese Karten können verbogen werden, um geeignete Kopfmodelle altern, wie in der Analyse beschrieben.
  5. Stellen Sie sicher, dass die Kanäle haben einen guten Kontakt mit der Kopfhaut durch individuelle Positionierung der Sensoren; drehen Sie vorsichtig jeden Sensor von Seite zu Seite, um Haare aus dem Weg zu bewegen.
  6. Messen Kanalverstärkungen und Kanal Impedanzen. Klicken Sie auf "Start", um die Aufnahme in NetStation EEG-Aufnahme-Software zu beginnen und starten Verstärkung und Impedanzmessung. Wenn die Messung nicht automatisch starten, verwenden Sie den "Kalibrieren Verstärker" und "Messen Impedanzen Net"-Taste.
  7. Überprüfen Sie die Aufnahme-Software für Kanäle mit Impedanzen von mehr als 50 kOhm, die rot erscheinen. Wenden Sie zusätzliche Elektrolytlösung mit einer Pipette, um die Kanalwiderstände zu senken. Überprüfen Sie die Anzeige für EEG-Kanäle, die Hochfrequenz-Aktivität trotz niedriger Impedanz oder deutlich weniger Aktivität als die umgebenden Kanäle (flache Linie Kanäle) zu zeigen. Diese Kanäle können have losen Kontakt mit der Kopfhaut und erfordern Anpassung.
  8. Um Kinder und Jugendliche während der EEG Vorbereitung komfortabel zu halten, damit das Kind, um Musik zu hören, sehen ein Alter entsprechende Cartoon oder ablenken, sie mit einem anderen Experimentator, z. B. Seifenblasen für Kleinkinder.

3. Analyse

  1. Vorverarbeitung
    1. Die Daten mit einem Hochpassfilter mit einem Cut-off bei 0,1 Hz zu entfernen driftet Kanal 27 (Tabelle 1) Digital filtern.
    2. Für ERP-Analyse, gelten ein Tiefpassfilter mit einer Grenz bei 30 Hz 27 (Tabelle 1).
    3. Epoch die kontinuierlichen Daten nach den Trigger-Codes während der Aufnahme eingestellt. Bei den meisten Experimenten, verwenden Sie einen Ausgangswert von 200 ms vor Beginn und einen Beitrag Stimulus-Intervall von 600 ms Reiz, das Zeitintervall von Interesse (Tabelle 1) zu decken.
    4. Entfernen Epochen, die Bewegung oder blinken Artefakte enthalten: Zeichen channels mit einer Spitzenamplitude um mehr als 150 mV Spitze - passen diese Schwelle in Abhängigkeit von der Teilnehmer-Gruppe und Datenqualität. Für Konsistenz, verwenden die gleiche Schwelle für alle Teilnehmer in einer Studie. Wenn ein Kanal ist über dieser Schwelle in mehr als 30% der Epochen, entfernen Sie den Kanal (Kanalaktivität kann aus den umliegenden Kanälen interpoliert werden, wenn diese akzeptabel Daten enthalten). Wenn mehr als 20% der Kanäle sind in einer Epoche, als fehlerhaft markiert, entfernen Sie die Epoche. Wenn mehr als 20% der Kanäle werden durch den Algorithmus verworfen oder weniger als 50% der Epochen beibehalten werden, in Betracht ziehen, den Datensatz aus der weiteren Analyse (Tabelle 1).
      Hinweis: Die Prozentschwellen für die Epoche und Kanalunterdrückung sind grobe Zahlen, die eine ausreichende Menge an Lärm in unserer Erfahrung zu entfernen. Die Menge des Artefakts in der Aufnahme ist wahrscheinlich, anders zu sein, die andere Teilnehmergruppen, experimentelle Paradigmen oder EEG-Systeme. Die Experimentatoren können, um den Prozentsatz anpassen möchtenSchwellen und überprüfen, ob sie mit der Artefaktunterdrückung zufrieden sind. Alternativ können Studien, die Experimentatoren Artefakt durch Sichtprüfung enthalten abzulehnen.
    5. Re Bezug auf durchschnittlichen Referenz durch Subtrahieren der mittleren Aktivität über alle Kanäle hinweg von jedem Kanal (Tabelle 1). Hinweis: Die Vertex-Elektrode wird in der Regel als Aufnahme Referenz in NetStation verwendet.
  2. Artefakt-Korrektur mit Independent Component Analysis
    1. Importieren Sie die Daten in die Toolbox SCHNELLER 28 und führen Sie das automatische Artefaktunterdrückung Algorithmus auf die Daten (Tabelle 1).
    2. Verwenden Sie die grafische Benutzerschnittstelle (GUI) für SCHNELLER; um die GUI, Typ FASTER_GUI in die Kommandozeile öffnen.
    3. Deaktivieren Sie die Filteroptionen in der Filtermenü wie die Daten bereits vor dem epoching gefiltert.
    4. Geben Sie die Anzahl der Kanäle: 126 EEG-Kanäle mit 2 electrooculagram (EOG)-Kanäle.
    5. Geben Sie dieMarker für epoching die Daten als Zeichenfolgen in einer Zellenanordnung verwendet. Für den vorliegenden Fall ein: {'Gesicht', 'scra'} für das Gesicht und kletterte Gesicht Bedingungen.
    6. Wählen Sie die Kanäle für die Independent Component Analysis (ICA). Typischerweise Alle wählen Aufzeichnungskanäle, inkl. externen, nicht-EEG-Kanäle.
    7. Geben Sie die Ein-und Ausgabe-Ordner im rechten Bereich der GUI.
    8. Wählen Sie die entsprechende Kanal-Datei für die Aufnahmen. Hinweis: Channel-Dateien für die meisten EEG-System kann entweder vom Hersteller heruntergeladen werden oder kann von der EEGLAB Website heruntergeladen werden.
    9. Klicken Sie auf RUN auf eine schnellere Verarbeitung zu beginnen. Je nach Länge der Aufnahmen und die Anzahl der Dateien, kann diese Verarbeitung mehrere Stunden dauern.
    10. Sichtkontrolle der Aufnahmen, Karten und unabhängige ERPs nach der Verarbeitung.
  3. Channel Level Analyse der ereigniskorrelierten Potenzialen Daten
    1. Kombinieren Sie mehrere Kanäle, um eine virtuelle c bildenanal mit besseren Signal-Rausch-Verhältnis (Tabelle 1). Hinweis: Die Auswahl der Kanäle sollten auf früheren Berichten in der Literatur oder a-priori-Hypothesen beruhen. Kanäle auswählen, die die höchste Amplitude innerhalb eines vorgegebenen Zeitfensters zeigen, wird nicht empfohlen, 29.
    2. Erhalten Maßnahmen wie Spitzenamplitude, mittlere Amplitude und Peak-Latenz um die Wellenform zu charakterisieren und statistische Tests (Tabelle 1).
  4. Neues Boundary Element-Modelle (BEM)
    1. Segment der anatomischen MRT-Untersuchung mit Freesurfer. Hinweis: Für die genauesten Ergebnisse stützen die Grenze auf einzelne Elemente-Modell MRI-Scans für jeden Teilnehmer. Wenn dies nicht möglich ist, sollten die durchschnittlichen MRI-Vorlagen, die der Teilnehmer Alter so genau wie möglich entsprechen verwendet werden. Bitte beachten Sie, dass BEM können nicht für Kinder unter 24 Monaten verbraucht werden. Boundary-Element-Modelle davon aus, dass jede Schale (Gehirn, Schädel, Haut) besteht aus einer geschlossenen Hülle. Jedoch in young Kindern die Fontanelle in den Schädel nicht geschlossen sind, die die geschlossene Schalen Annahme verstößt.
      1. Um Freesurfer-Software zu installieren, laden Sie zunächst aus der Freesurfer Website ( http://freesurfer.net/fswiki/DownloadAndInstall ). Nächstes eingerichtet die Shell-Umgebung gehören Freesurfer; . für bashrc, gehören die folgenden Befehle in der bashrc.:
        1. Export FREESURFER_HOME = / Anwendungen / Freesurfer /
        2. Quelle FREESURFER_HOME $ / FreeSurferEnv.sh
          Hinweis: Diese Befehle annehmen, dass die Freesurfer-Ordner ist im Ordner Anwendungen auf einem Unix-System. Es gibt mehr Details über die Einrichtung von Freesurfer mit alternativen Shell-Umgebungen, z. B. csh / tcsh oder Betriebssysteme auf dem Freesurfer Website ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Als nächstes definieren Sie den Betreff RichtungGeschichte, also den Ordner, der Ausgang auf mit dem folgenden Befehl geschrieben werden:
        1. Export SUBJECTS_DIR = / ... / BEM /
          Hinweis: Die Ergebnisse können in einen beliebigen Ordner auf dem System geschrieben werden.
      3. Nächstes ändern Sie das Arbeitsverzeichnis in den Ordner, der MRI-Datei für den Boundary-Elemente-Modell mit dem folgenden Befehl enthält:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Kinder / Gehirn /
          Hinweis: Jeder Ordner auf dem System kann mit der Syntax des Befehls cd angegeben werden. Dies ist ein Beispiel des primären Forscher Dateistruktur.
      4. Schließlich beginnen die Rekonstruktion mit den folgenden Befehlen:
        1. recon-all-i- subjid
        2. recon-all-all-subjid
          Hinweis: mit dem Dateinamen der gewünschten MRI-Scans im aktuellen Verzeichnis ersetzt werden muss. kann repmit einem beliebigen Namen geschnürt. Freesurfer wird ein Ordner mit diesem Namen in der Betreff-Verzeichnis zu erstellen. Abhängig vom verwendeten System können die letzten Befehle einige Zeit laufen müssen.
    2. Überprüfen Sie die Freesurfer Segmentierung für falsche Segmentierung, zB. überlappenden Kugeln, anatomisch unwahrscheinlich Fächer etc. durch den Import der Segmente in Brainstorm und verwenden Sie die Display-Tools in der GUI:
      1. In Brainstorm, wählen Sie die Anatomie Bereich. Importieren Sie die segmentierten MRT mit einem rechten Mausklick auf das Thema und die Auswahl von "Import Anatomie Ordner". Achten Sie darauf, den Ordner mit dem Freesurfer Ausgang gewählt ist. Überprüfen Sie die Segmentierung visuell durch einen Rechtsklick und wählen Sie "Anzeige". Hinweis: Alternativ können Freesurfer Befehle verwendet werden. Eine ausführliche Beschreibung finden Sie auf der Freesurfer Website: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Wenn interessierende Region Analyse basierend auf anatomischen Parzellierung gewünscht wird, die Freesurfer Funktionen mris_ca_label , mri_annotation2label und mri_mergelabels verwendet werden. Beachten Sie die Freesurfer Publikationen und Online-Hilfe-Seiten für weitere Informationen.
  5. Schätzen Sie die Quelle Aktivität in Brainstorm
    1. Brainstorm starten, indem Sie "Brainstorming" im Befehlsfenster.
    2. Erstellen Sie ein neues Protokoll mit Neu-Protokoll aus dem Menü Datei.
    3. Fügen Sie einen neuen subject dem Protokoll, indem Sie Neu Thema aus dem Menü Datei.
    4. Import EEG-Daten für den Teilnehmer mit der rechten Maustaste auf das Thema und die Auswahl von "Import MEG / EEG".
    5. Importieren Sie ein Kanal-Datei mit einem Rechtsklick und "Import Kanal-Datei" wählen. Hinweis: Um auf die MRT zur Quellenrekonstruktion ausgerichtet werden, der Kanal-Datei benötigt. Brain verwendet ein System von 4 anatomischen Referenzpunkten, die der Benutzer in der MRI markieren muss. Bitte beachten Sie die Brainstorm-Tutorials für weitere Informationen ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Die Standard-Position, wie durch einen Kanal-Datei für eine bestimmte EEG-System oder im Idealfall die Kopfpositionen, die vor der EEG-Aufzeichnung digitalisiert wurden verwendet werden kann definiert.
    6. Überprüfen Sie, dass die BEM und die Kanäle ausrichten wie erwartet: Rechtsklick auf den Kanal-Datei für das Thema und navigieren Sie zu "MRT-Registrierung" und "; Prüfen ". Hinweis: Wenn die Kugeln in dem Modell überlappen oder wenn die Kanäle in der BEM, wird der Quellenrekonstruktion zu falschen Ergebnissen führen. Stellen Sie die Ausrichtung mit der Option "Bearbeiten" im Menü "MRT-Segmentierung".
    7. Berechnen Sie die Rauschkovarianzmatrix von der Grundlinie jeder Epoche mit der rechten Maustaste auf den Teilnehmer und wählen Sie "Rauschkovarianzmatrix" und "Berechnen von Aufnahme". Hinweis: Die Autoren der Brainstorm-Toolbox empfehlen, mit einem diagonalen Rauschkovarianzmatrix für kurze Aufnahmen (~ weniger Zeitpunkten als Kanäle) und eine volle für längere Aufnahmen. : Bitte auf die Brainstorm Quelle Schätzung Tutorial für weitere Informationen siehe http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Berechnen Sie die Source Modell durch Rechtsklick auf das Thema und wählen Sie "Compute-Source-Modell ".
    9. Berechnen Sie die inverse Lösung mit Tiefe gewichtete Minimum Norm Schätzung durch Rechtsklick auf das Thema und die Auswahl von "Compute Source" und "Minimum-Norm Schätzung". Hinweis: Weitere Optionen (DSPM, sLORETA) zur Verfügung. Jede Option hat verschiedene Vor-und Nachteile. Der Algorithmus basierend auf a-priori-Überlegungen und früheren Berichte in der Literatur ausgewählt werden. Weiterhin sind einige Algorithmen besser bei der Lösung von Schwer Aktivierung in bestimmten Bereichen, während andere besser geeignet sind für den breiten Aktivierung. MNU wurde für diese Studie auf Basis von früheren Berichte in der Literatur 16 verwendet. Einheitlichkeit sollte der gleiche Algorithmus für die inverse Lösung für alle Teilnehmer in einer Studie verwendet werden. Die Forscher können auch auf die Anwendung der verschiedenen inversen Lösungsalgorithmen zu vergleichen, wie robust Erkenntnisse sind.
    10. Wiederholen Sie Abschnitt 3 für alle Teilnehmer in der Studie. Hinweis: Verwenden Sie entweder den graphischen Dosier-Schnittstelle oder Skripte, um Verarbeitungsschritte für die Teilnehmer zu wiederholen. Siehe die Brainstorm-Dokumentation ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Durchschnittliche Quelle Aktivität über Versuche pro Teilnehmer, indem Sie die Aufnahmen auf der Process-Menü und wählen Sie "Average" und "Nach Bedingung (vorbehaltlich Durchschnitt)".
    12. Vergleichen Sie die Bedingung indem Sie die "Prozesse 2" und ziehen jede Bedingung in einem Fenster. Wählen Sie dann "Test" und "Student-t-Test" oder "Student-t-Test (gepaart)" je nach Ausführung. Um mehrere Vergleiche, stellen Amplitude und Fläche Schwellen in der Anzeige des resultierenden statistischen Karte im Menü "Stat" durchzuführen. Hinweis: Alternativ können die Aktivierungskarten SPM (exportiert werden http://www.fil.ion.ucl.ac.uk / spm /) für weitergehende statistische Analyse ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Berechnen Sie die ereignisbezogenen Antwort für einen Bereich von Interesse. Für Parzellierung basierend ROIs, laden Sie die Freesurfer Parzellierung mit der rechten Maustaste auf die Kortexoberfläche in der Anatomie-Menü und wählen Sie "Import-Etiketten". Navigieren Sie die entsprechende Datei und laden. Jetzt wählen Sie eine ROI in der "Scout" Bereich der funktionellen Daten-Menü.
    14. Erhalten Sie die ROI ereignisbezogenen Aktivität, indem Sie Dateien auf die Verfahren 1 und wählen "Extract Scout Time Series" aus dem Quellen-Menü. Hinweis: Hier können mehrere ROIs gleichzeitig ausgewählt werden, und die ROI Zeitreihe kann zur weiteren Plotten und Analyse mit der rechten Maustaste auf den Scout Zeit exportiert werdenReihendaten und wählen Sie "Export to Matlab".

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Entwerfen ERP-Experimente für Säuglinge und Kinder ist oft eine Herausforderung, die aufgrund ihrer begrenzten Kapazität, lange wiederholenden Versuche 30 zu tolerieren. Dieses Problem wird weiter verschärft, wenn der Experimentator plant Quellenrekonstruktion gilt, da genaue Quellenrekonstruktion wird ein hohes Signal-Rausch-Verhältnis erforderlich 1. Abbildung 1 zeigt ein experimentelles Protokoll für die Untersuchung von Gesicht Verarbeitungsmechanismen, die mit sehr kleinen Kin...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Der vorliegende Artikel beschreibt die Aufzeichnung und Analyse von hoher Dichte EEG für den Wiederaufbau der kortikalen Generatoren mit Boundary-Element-Modelle, die auf altersgerechte durchschnittliche MRI-Vorlagen und Tiefe gewichtete Minimum-Norm-Schätzung in einem Standard-ERP-Paradigma für Kinder geeignet. In diesem Paradigma werden Bilder von Gesichtern und Rührei Gesichter präsentiert. Verschiedene Autoren dieses Paradigma verwendet, um die Entwicklung der Gesichtsverarbeitungsmechanismen über 35 Entw...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Publikationskosten für diesen Artikel wurden von Elektro Geodäten, Inc. gesponsert

Danksagungen

Wir wollen Prof. John Richards, University of South Carolina, für die Gewährung der uns Zugang zu den Entwicklungs MRI-Datenbank und hilfreiche Diskussionen. Wir möchten auch unseren Geldgebern danken Great Ormond Street Kinderhilfswerk, UCL Impact & Grand Challenges.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Zeitschrift für neurowissenschaftliche Methoden134
Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
EEG-Sensornetz mit hoher Dichte (128 oder 256 Kanäle)HydroCel Geodätisches Sensornetz 128Electrical Geodesic Inc., Oregon, USA
EEG-Verstärker mit hoher ImpenanzNetAmps 200Electrical Geodesic Inc., Oregon, USA
Datenerfassungscomputer PowerMac G4Apple Inc., Kalifornien, USA
Stimulus Presentation ComputerOptiplex 745Dell Computers Inc., Texas, USA
Stimulus Presentation SoftwareMATLAB R2012b mit PsychToolBoxBrainard et al. 1997
EEG-AufzeichnungssoftwareNetStation 4.5.1Electrical Geodesic Inc., Oregon, USA
EEG-Analyse SoftwareMATLAB R2012bThe Mathworks Inc.
EEGLABDelorme et al. 2004
BrainStormSylvain et al. 2001
MRT-VerarbeitungssoftwareFreeSurferFischl et al. 2004
OpenMEEGGramfort et. al. 2010<
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorming: Eine benutzerfreundliche Anwendung für die MEG/EEG-Analyse. Computational Intelligence and Neuroscience, 1– 13, (2011).
Fischl, B. et al. Automatische Parzellierung der menschlichen Großhirnrinde. Großhirnrinde, 14(1), 11– 22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: Opensource-Software für quasistatische Bioelektromagnetik. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. Der Werkzeugkasten der Psychophysik. Räumliches Sehen, (1997).
td colspan="4">Delorme, A., & Makeig, S. EEGLAB: eine Open-Source-Toolbox zur Analyse der EEG-Dynamik in Einzelstudien, einschließlich unabhängiger Komponentenanalyse. , (1), 9– 21, (2004).

Referenzen

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

p diatrische Teilnehmerstrukturelle MRTBoundary Element MethodeQuellenrekonstruktionEEG VorverarbeitungFreeSurfer SoftwareBrainstorm SoftwareMinimum Norm Sch tzung
Kortikale Quelle Analyse von High-Density-Aufnahmen EEG bei Kindern
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.