Method Article

Microstate und Omega Komplexität Analysen der ruhenden Zustand Elektroenzephalographie

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

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

Dieser Artikel beschreibt die zugrunde liegenden Elektroenzephalographie (EEG) Microstate Protokollanalyse und Omega Komplexitätsanalyse, die zwei Referenz-freie EEG Maßnahmen sind und sehr wertvoll für die neuronalen Mechanismen von Erkrankungen des Gehirns zu erforschen.

Abstract

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

Komplexität, Microstate und Omega sind zwei Referenz-freie Elektroenzephalographie (EEG) Maßnahmen, die die zeitliche und räumliche Komplexität der EEG-Daten darstellen können und allgemein verwendet wurden, um die neuronalen Mechanismen in einige Erkrankungen des Gehirns zu untersuchen. Das Ziel dieses Artikels soll das Protokoll zugrunde liegenden EEG Microstate und Omega Komplexität Analysen Schritt für Schritt beschreiben. Der Hauptvorteil dieser beiden Maßnahmen ist, dass sie die Referenz-abhängige Problem mit traditionellen Spektrumanalyse beseitigen könnte. Darüber hinaus Microstate Analyse macht guten Gebrauch von hohe zeitliche Auflösung von ruhenden Zustand EEG, und die vier erhaltenen Microstate Klassen bzw. die entsprechenden Netzwerke ruhenden Zustand passen könnte. Die Omega-Komplexität charakterisiert die räumliche Komplexität des ganzen Gehirns oder bestimmten Gehirnregionen, die offensichtlichen Vorteil gegenüber traditionellen Komplexität Maßnahmen mit Schwerpunkt auf der Signal-Komplexität in einem einzigen Kanal hat. Diese zwei EEG-Maßnahmen könnte untersuchen die Gehirn Komplexität aus der zeitlichen und räumlichen Domäne bzw. ergänzen.

Introduction

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

Elektroenzephalographie (EEG) hat am meisten benutzt, um elektrische Aktivität des menschlichen Gehirns in wissenschaftliche Forschung und klinische Diagnose aufzunehmen, da es nicht-invasive, niedrig kalkuliert und sehr hohe zeitliche Auflösung1 hat. Um die EEG-Signale im Ruhezustand zu studieren, haben Forscher viele EEG-Techniken (z. B. Power-Spektrum-Analyse, funktionelle Verknüpfung Analyse)2,3entwickelt. Davon könnte Microstate und Omega Komplexitätsanalyse der räumlichen und zeitlichen Informationen innewohnt, EEG-Signale4nutzen.

Frühere Forschungen haben gezeigt, dass obwohl die topographische Verteilung der EEG-Signale im Laufe der Zeit im Auge geschlossen variiert oder Auge-offene Ruhezustand, die momentane Karten diskontinuierlicher Veränderungen von Landschaften zeigen, d. h. Perioden der Stabilität abwechselnd mit kurzen Übergangszeiten zwischen bestimmten quasi-stabil EEG Topographien5. Kleinstaaten sind definiert als diese Episoden mit quasi-stabil EEG Topographien, die zwischen 80 und 120 ms1dauern. Da verschiedene elektrische mögliche Landschaften von verschiedenen neuronalen Quellen generiert haben müssen, diese Kleinstaaten können gelten als die grundlegenden Bausteine der Dokumentation und können als "Atome von Gedanken und Emotionen"6. Moderne Muster-Klassifizierung-Algorithmen verwenden, haben vier ruht EEG Microstate Klassen konsequent beobachtet, die als Klasse A, Klasse B, Klasse C und Klasse D7beschriftet waren. Darüber hinaus ergab Forscher, dass diese vier Microstate Klassen der EEG-Daten im Ruhezustand eng mit bekannten Funktionssystemen beobachtet in vielen ruhenden Zustand fMRT (funktionelle Magnetresonanztomographie) Studien8,9 . Somit bot die Microstate Analyse einen neuartigen Ansatz um den ruhenden Zustand-Netzen (RSNs) des menschlichen Gehirns zu studieren. Darüber hinaus werden die durchschnittliche Dauer und Häufigkeit des Vorkommens der einzelnen Microstate Klassen, die topographische Form der vier Microstate Karten von einigen Gehirn Störungen4,10,11maßgeblich beeinflusst, und Fluide Intelligenz12 und Persönlichkeit13zugeordnet sind.

In den anderen Aspekt beschreiben traditionelle funktionelle Verknüpfung von Multi-Kanal-EEG nur die funktionalen Zusammenhänge zwischen zwei Kopfhaut Elektroden, somit nicht den globalen funktionelle Verknüpfung auf Kopfhaut oder innerhalb einer bestimmten Region des Gehirns zu beurteilen. Die Omega-Komplexität, von Wackermann (1996)14 vorgeschlagen und durch einen Ansatz kombiniert Hauptkomponentenanalyse (PCA) und Shannon Entropie berechnet wurde verwendet, um die Breitband-globale Synchronisation zwischen räumlich zu quantifizieren Hirnregionen verteilt. Bei der Beurteilung die Omega Komplexität jedes Frequenzband wurde Fourier-Transformation häufig als einen ersten Schritt25durchgeführt.

Die Kleinstaaten und Omega Komplexität lässt sich zwei eng miteinander verbundene Begriffe, d. h., die zeitlichen Komplexität und räumliche Komplexität4widerspiegeln. Da die Microstate Klassen bestimmte psychische Vorgänge im menschlichen Gehirn darstellen, können sie die zeitliche Struktur der neuronale Oszillationen reflektieren. Geringere Dauer und höhere Häufigkeit pro Sekunde müssen höheren zeitliche Komplexität angeben. Die Omega-Komplexität ist positiv in Zusammenhang stehen mit der Anzahl der unabhängigen neuronalen Quellen im Gehirn, so gelten Sie häufig als Indikator für räumliche Komplexität4.

Der aktuelle Artikel beschreibt das Protokoll des EEG Microstate und Omega Komplexitätsanalyse im Detail. Die EEG Microstate und Omega Komplexität Analysen bieten die Möglichkeit, die zeitliche und räumliche Komplexität der Aktivität des Gehirns bzw. zu messen.

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

Protocol

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

Dieses Protokoll wurde von der lokalen Ethikkommission genehmigt. Alle Teilnehmer und ihre Eltern unterzeichnet eine Einverständniserklärung für dieses Experiment.

1. Themen

  1. Nur gehören 15 gesunde männliche Jugendliche Probanden, deren Alter von 14 bis 22 Jahren reicht (± Standardabweichung bedeutet: 18,3 ± 2,8 Jahre).
    Hinweis: Das aktuelle Protokoll die Mikrostaat und Omega Komplexität zu analysieren ist für gesunde Probanden entwickelt worden, aber beschränkt sich nicht nur dieser Gruppe.

(2) EEG-Daten-Erfassung

  1. Fragen Sie, Themen, auf einem bequemen Stuhl in einem stillen, temperierten Raum zu sitzen, wo die EEG-Daten aufgezeichnet wurde. Die 20-Kanal-EEG-Daten mit dem ANT EEG-System in diesem Protokoll zu sammeln.
  2. Setzen Sie die Kappe auf die Themen Kopf.
    1. Verwenden Sie in dieser Studie eine Kappe mit mittlerer Größe, da es für Jugendliche oder männliche Themen geeignet war. Für Kinder den Kopfumfang des Fachs zu messen, und die Kappe mit geeigneter Größe zu bestimmen.
    2. Legen Sie die Elektrode Cz bei ca. 50 % des Abstandes zwischen Inion und Nasion und 50 % des Abstandes zwischen Links und rechts zwischen auditiven Vertiefungen. Die linken und rechten Warzenfortsatzes Knochen, bzw. die Referenzelektroden auflegen. Platzieren Sie die andere Kopfhaut Elektroden an den standard-Standorten nach der internationalen 10-20-System.
      Hinweis: Ein elektrodensystem und EEG-Verstärker mit 20 Kanälen reicht für EEG Microstate und Omega Komplexitätsanalyse.
  3. Füllen Sie die Elektroden mit leitfähigen Gel durch eine stumpfe Nadel durch die Elektroden. Verwenden Sie das leitfähige Gel, um die Impedanz zu senken. Halten Sie alle Elektrode Impedanzen niedriger als 10 Kiloohms (kΩ).
    1. Während dieser Zeit bieten einige Unterhaltung für die Fächer (z. B. einen kurzen Film zeigen). Wenn eine trockene Elektrode oder einer Kochsalzlösung Elektrode verwendet wird, überspringen Sie den Schritt der Injektion leitenden Gels.
  4. Weisen Sie die Themen zum Entspannen mit Augen geschlossen während der Aufnahme, welche dauert 5 min. nutzen Sie die Digitalisierung Software zu digitalisieren und Aufzeichnen der EEG-signal. Verwenden Sie eine Sampling-Rate von mindestens 250 Proben/s. Nutzung eines Online-Filter, die breiter als 0,1 und 80 Hz.
    Hinweis: Obwohl die meisten kommerziellen verfügbaren Elektrode-Verstärker-Systeme verwenden eine aktive Elektrode-System, das das Signal Rauschabstand des EEG Signals verbessern könnten, stellen Sie nicht dieses System in der Nähe von elektrischen Geräten während der EEG-Aufzeichnung.

(3) EEG Daten Vorverarbeitung

Hinweis: EEG-Daten können mit verschiedenen open-Source oder kommerzielle Software vorverarbeitet werden. Die Anweisungen unten sind spezifisch für EEGLAB. Dies ist nur einer von vielen verfügbaren Optionen Vorverarbeitung von EEG-Daten.

  1. Die EEG-Rohdaten der EEG-Software (z. B. EEGLAB) zu importieren (Datei | Daten importieren | Mit EEGLAB Funktionen und Plugins).
    Hinweis: Die EEG-Rohdaten aus verschiedenen Elektrode-Verstärkersysteme aufgenommen von EEGLAB, wie z. B. EGI, ANT, erkannt werden konnte Gehirn Vision Recorder und Neuroscan.
  2. Laden Sie den Kanal-Adressdatei in der EEG-Software (Bearbeiten | Kanal-Standorte). Obwohl die EEG-Daten und den Channel-Namen auf EEGLAB importiert wurden, importieren Sie eine Kanal-Adressdatei in die EEG-Software, um die räumlichen Positionen der diese Elektroden zu erhalten.
  3. Entfernen Sie die Referenzelektroden (Bearbeiten | Wählen Sie Daten | Wählen Sie Daten im Kanalbereich). Wählen Sie in die Option "Ausgewählte Daten im Kanalbereich" im Popup-Dialogfeld nur die Aufnahme Elektroden und wählen Sie die Referenzelektroden nicht, so dass die Referenzelektroden entfernt werden können. In Referenzelektroden aufgezeichneten Daten ist nicht "wahr" Gehirn-Signal, da diese beiden Elektroden jeweils am linken und rechten Warzenfortsatzes Knochen platziert werden.
  4. Band-Pass Filter das EEG Daten zwischen 0,5 bis 80 Hz (Tools | Filtern Sie die Daten | Grundlegende FIR-Filter [neue, Default]). In der Pop-up-Dialogbox wählen Sie 5 für die "untere Kante des Pass Frequenzbandes (Hz)", und 80 für den "höheren Rand des Pass Frequenzbandes (Hz)". Klicken Sie auf die Schaltfläche "Ok".
  5. Entfernen Sie die Macht Leitungsrauschen mit Notch-Filter zwischen 49 und 51 Hz (Tools | Filtern Sie die Daten | Grundlegende FIR-Filter [neue, Default]). Wählen Sie in der Pop-up-Dialogbox 49 für die "untere Kante des Pass Frequenzbandes (Hz)", und wählen Sie 51 für den "höheren Rand des Pass Frequenzbandes (Hz)", und wählen Sie die Option "Notch filter Daten statt Durchlass". Klicken Sie auf die Schaltfläche "Ok".
  6. Korrigieren Sie die Daten-Portionen von Augenbewegungen, Elektromyographie (EMG) oder jede andere physiologisch Artefakte mit Blind Source Separation (BSS) Algorithmus15kontaminiert. Für Augenbewegungen, klicken Sie auf Extras | Artefakt-Entfernung mit AAR 1.3 | EOG-Entfernung | Die Verwendung von BSS; Tools für EMG, | Artefakt-Entfernung mit AAR 1.3 | EMG-Entfernung mit BSS.
  7. Segment der vorverarbeiteten kontinuierlichen EEG-Daten in Epochen, mit Epoche Länge von 2 s. Um dies zu tun, zu schreiben "EEG = Eeg_regepochs (EEG,"Wiederholung", 2"begrenzt", [0 2], 'Rmbase', NaN); pop_saveset(EEG)", drücken Sie die Enter-Taste der Tastatur. Ein Fenster öffnet sich, das die Einsparung der segmentierten EEG-Daten ermöglicht.
  8. Importieren Sie die segmentierten EEG-Daten der EEG-Software (Datei | Vorhandenen Dataset zu laden).
  9. EEG-Epochen mit Amplitudenwerte von mehr als ± 80 µV an jede Elektrode ablehnen (Tools | Daten Epochen ablehnen | Lehnen Sie Daten [alle Methoden ab]).
  10. Die vorverarbeiteten EEG-Daten speichern (Datei | Speichern Sie aktuellen Datensatz als).

4. EEG Microstate Analyse

Hinweis: Eine modifizierte Version des klassischen K-Means-clustering-Algorithmus dient für Microstate Klasse Analyse16, enthält ein Bottom-up-Verfahren und eine oben-unten. Im Bottom-up-Verfahren werden die Gruppenebene Microstate Klassen durch die räumliche Korrelation als clustering Kriterium identifiziert. Dann ist in der oben-unten-Prozedur der EEG Microstate Klasse mit maximale räumliche Korrelation jede Topographische Karte von jedem Thema in jeder Gruppe zugewiesen. Für Ruhe-EEG Microstate Analyse ist die Polarität der topographischen Karten häufig außer acht gelassen. EEG Microstate Klassenanalyse getan werden mit verschiedenen open-Source-Software, wie CARTOOL, sLORETA, EMMA und MapWin. Die Anweisungen unten sind spezifisch für das EEGLAB-Plugin für Kleinstaaten. Dieses EEGLAB-Plugin kann von https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins heruntergeladen werden.

  1. Für jedes Fach die vorverarbeiteten EEG-Daten laden (Datei | Last vorhandenen Dataset), konvertieren Referenz Kanäle mit gemeinsamen durchschnittliche Referenz (Tools | Neu verweisen), und die EEG-Daten zwischen 2 und 20 Hz Filtern Bandpass (Tools | Filtern Sie die Daten | Grundlegende FIR-Filter [neue, Default]).
  2. Die vier Microstate Karten in jedem Fach zu identifizieren (Tools | Kleinstaaten | Identifizieren Sie Microstate Karten). Wählen Sie in der Pop-up-Dialogbox 3 für die "min. Anzahl der Klassen", wählen Sie 6 für die "Max Anzahl der Klassen" entscheiden Sie sich für die "Anzahl von Neustarts" 50, wählen Sie "Maximalanzahl von Karten verwenden" und wählen Sie die Optionen "Nur GFP-Peak" und "Keine Polarität". Klicken Sie auf die Schaltfläche "Ok".
  3. Die EEG-Daten der einzelnen Fächer zu speichern, nachdem Identifizierung eigener Microstate Karten (Datei | Speichern Sie aktuellen Datensatz als).
  4. Importieren Sie die EEG-Datensätze aller Fächer, die im letzten Schritt auf einmal gespeichert (Datei | Vorhandenen Dataset zu laden).
  5. Die Gruppenebene Microstate Karten zu identifizieren (Tools | Kleinstaaten | Durchschnittliche Microstate Karten über Datasets). Wählen Sie im Popup-Dialog die Datensätze aller Fächer in der Option "Wählen Sie setzt für die Mittelung". Geben Sie in der Option "Name bedeutet" einen Namen für die Gruppenebene Microstate Karten. Der Standardname lautet "GrandMean". Klicken Sie auf die Schaltfläche "Ok". Dadurch entsteht ein neues Dataset benannt als "GrandMean", die die Gruppenebene Microstate-Karten speichert.
  6. Die Reihenfolge der vier Gruppenebene Microstate Karten entsprechend ihrer klassischen Reihenfolge manuell zu sortieren (Plot | Bearbeiten Sie Microstate Karten). In dem Popup-Menü wählen Sie "Mehr", und dann die Anzahl der Karten angezeigt wird vier. Wählen Sie "Man sortieren". Geben Sie im Popup-Dialogfeld die Neuordnung der vier Gruppenebene Microstate Karten. Klicken Sie auf "Schließen".
  7. Sortieren Sie die Reihenfolge der vier Microstate-Karten von jedem Fach (Tools | Kleinstaaten | Sortieren Sie individuelle Microstate Karten nach bedeuten).
  8. Speichern der Mikrostaat Parameter jedes Fach (Tools | Kleinstaaten | Quantifizieren Sie Kleinstaaten im Dataset [mittlere Vorlage Karten]), die werden zwei Pop-up-Dialog-Boxen nacheinander aufrufen.
    1. Wählen Sie im ersten Dialogfeld die Datensätze aller Fächer. Im zweiten Dialog wählen Sie "4 Klassen" Option "Anzahl der Klassen", wählen Sie die Optionen "Montage nur auf GLP-Gipfel" und "Remove abgeschnitten potenziell Mikrostaaten", wählen Sie 30 für das "Label Glättung Fenster (ms)" und wählen Sie 1 für die "Non-Laufruhe Strafe". Klicken Sie auf "Ok". Eine Csv-Datei, die Mikrostaat Parameter gespeichert werden auf dem Computer gespeichert werden.

5. Omega Komplexitätsanalyse

  1. Sichern Sie die EEG-Daten jeder Epoche und jedes Thema in ASCII oder Txt-Format verwenden angepasst Skript. Ein Beispiel für die benutzerdefinierten Skripts für Schritt 5.1 konnte in den ergänzenden Materialien gefunden werden.
    Hinweis: Wenn die Komplexität der globalen Omega berechnet wird, werden die EEG-Daten der Kopfhaut Elektroden benötigt im ASCII- oder Txt-Format zu exportieren. Wenn die regionalen Omega Komplexität berechnet wird, exportieren Sie nur die EEG-Daten von Elektroden in der Kopfhaut-Region. Exportieren Sie z. B. um vorderen Omega Komplexität zu berechnen, nur die EEG-Daten der Elektroden im Frontzahnbereich (d.h., Fp1, Fp2, F7, F3, Fz, F4 und F8); um die hinteren Omega Komplexität zu berechnen, exportieren Sie nur die EEG-Daten der Elektroden im seitzahnbereich (d.h., T5, T6, P3, P4, Pz, O1 und O2).
  2. Berechnen die Omega Komplexität aller diskreten Frequenzen mit der sLORETA Software17 (Utilities | Globale Konnektivität). Diese Software ist erhältlich bei http://www.uzh.ch/keyinst/loreta.htm.
  3. Berechnen Sie die Omega Komplexität jedes Frequenzband mit benutzerdefinierten Skripts26. In unserem Fall berechnen die Delta sind die Omega Komplexität der folgenden acht Frequenzbänder als Mittelwert innerhalb jedes Grenzfrequenz (0,5-3,5 Hz), Theta (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), und gamma2 (52-80 Hz)4. Ein Beispiel für die benutzerdefinierten Skripts für Schritt 5.3 konnte in den ergänzenden Materialien gefunden werden.

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

Results

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

EEG-microstate

Grand bedeuten normalisierte Microstate Maps in Abbildung 1angezeigt werden. Die elektrische möglichen Landschaften dieser vier Microstate Klassen identifiziert hier sind sehr ähnlich zu denen in früheren Studien4gefunden.

Der Mittelwert und die Standardabweichung (SD) der Mikrostaat Parameter von gesund...

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

Discussion

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

In diesem Artikel zwei Arten von EEG analytische Methoden (z.B. Microstate Analyse und Omega Komplexitätsanalyse), Messung der zeitlichen Komplexität und räumliche Komplexität des menschlichen Gehirns bzw., wurden ausführlich beschrieben. Es gibt mehrere wichtige Schritte im Rahmen des Protokolls, die erwähnt werden sollten. Erstens müssen die EEG-Daten vor der Berechnung der Mikrostaat und Omega Komplexität gereinigt werden. Zweitens sollte die EEG-Daten gegen die durchschnittliche Referenz vor der Berechnung der Mikros...

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

Disclosures

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

Die Autoren haben nichts preisgeben.

Acknowledgements

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

Dieser Artikel wurde von der National Natural Science Foundation of China (31671141) unterstützt.

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 Kanäle EEG/ERP-System ASA-Lab, ANT B.V., NiederlandeFirma Webadresse:
http://www.ant-neuro.com/
EEGLAB Plugin für MikrostatenThomas Koenighttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETARoberto D. Pascual-Marquihttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010aDie MathWorks Inc.Webadresse des Unternehmens:
http://www.mathworks.com/
eeglabSwartz Center for Computational Neuroscience, Universität von Kalifornien, San Diegohttps://sccn.ucsd.edu/eeglab/index.php

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