Anwendungen von EEG Neuroimaging Daten: Ereignis-korrelierte Potenziale, Spectral Power und Multiscale Entropy

Das übergeordnete Ziel dieses Verfahrens ist es, die Variabilität einer EEG-Zeitreihe zu quantifizieren und diese Variabilität mit der Informationsverarbeitungskapazität des zugrundeliegenden neuronalen Systems in Beziehung zu setzen. Dies wird erreicht, indem zunächst qualitativ hochwertige EEG-Aufzeichnungen der Reaktion des Gehirns aufgenommen werden. Der zweite Schritt besteht darin, die Daten vorzuverarbeiten, um alle Artefakte zu entfernen.

Als nächstes werden die interessierenden Statistiken extrahiert. Hier werden wir die neuartige Anwendung der Multiskalen-Entropie mit traditionelleren Methoden der mittleren Amplitude und spektralen Leistung vergleichen. Der letzte Schritt besteht darin, die statistische Signifikanz der Ergebnisse zu analysieren und die Daten zu interpretieren.

Dieser Schritt kann durch die Verwendung datengesteuerter multivariater Ansätze wie der Analyse von partial lease square erleichtert werden. Letztendlich wird die Multiskalen-Entropie verwendet, um zu zeigen, wie eine Abfolge von Änderungen im räumlichen Zeitmuster über mehrere Zeitskalen hinweg zu spezifischen kognitiven Operationen beiträgt. Der Vorteil der Verwendung von MSC gegenüber bestehenden Methoden wie mittlerer Amplitude oder Spektrenleistung besteht darin, dass MSC empfindlich auf die Nichtlinearitäten in den Daten reagiert.

Diese nichtlineare Dynamik spiegelt Übergänge oder Bifurkationen zwischen den Mikrozuständen eines Netzwerks wider, was für den Informationsaustausch über ein verteiltes Netzwerk von Gehirnregionen wichtig ist. Dieses Verfahren wird Christina Backer aus dem ERP-Labor des Rotman Research Institute demonstrieren. Erklären Sie zunächst dem Teilnehmer die experimentellen Verfahren und holen Sie eine Einverständniserklärung ein.

Reinigen Sie den Bereich, in dem die Dropdown-Elektroden platziert werden, mit einem Alkoholtupfer. Geben Sie etwas Gel auf die Elektrode. Nehmen Sie die Papiere von der Hautseite ab und platzieren Sie die Elektroden auf dem Teilnehmer, um Augenbewegungsartefakte zu identifizieren.

Platzieren Sie eine Elektrode an der lateralen Verbindung des oberen und unteren Teils des Augenlids. Platzieren Sie eine weitere Elektrode in der Mitte des Orbitakamms, etwa einen Zentimeter unterhalb des Auges und in einer Linie mit der Pupille. Wiederholen Sie den Vorgang für das andere Auge.

Messen Sie den Kopfumfang des Teilnehmers und wählen Sie die geeignete Elektrodenkappengröße nach dem international anerkannten 10 20 System. Messen Sie für die Elektrodenplatzierung den Abstand vom indischen Ian entlang der Mittellinie und dividieren Sie mit dieser Zahl durch 10 %. Messen Sie mit NAS und markieren Sie.

Richten Sie die Elektrodenkappe in Position FP an dieser Markierung aus und ziehen Sie die Kappe zurück. Achten Sie darauf, dass die Mitte der Kappe in einer Linie mit der Nase liegt. Messen Sie nasn bis cz und bestätigen Sie, dass diese Entfernung halb so groß ist wie die Entfernung von NAS zu Indian.

Ziehen Sie dann den Kinnriemen fest und legen Sie bei Bedarf Gaze unter den Riemen, um ihn bequem zu halten. Setzen Sie nun die mit Gel gefüllte stumpfe Spitzenspritze in die Elektrodenhalter ein, um eine leitfähige Gelsäule zu erzeugen. Beginnen Sie in Kontakt mit der Kopfhaut, drücken Sie dann und ziehen Sie sich zurück.

Beachten Sie, dass das Auftragen von zu viel Gel die Signale benachbarter Elektroden überbrücken kann. Befestigen Sie anschließend aktive Elektroden in den Elektrodenhaltern. Positionieren Sie dann das Motiv in dem entsprechenden Abstand vor dem Monitor.

Bitten Sie den Teilnehmer für das Experiment, still zu bleiben und zu betonen, wie wichtig es ist, Augenbewegungen und Blinzeln zu minimieren. Für eine saubere Aufzeichnung untersuchen Sie die Elektrodenanschlüsse und die EEG-Signalqualität auf dem Erfassungscomputer. Wenn es ein Problem mit einer bestimmten Elektrode gibt, nehmen Sie diese Elektrode heraus und tragen Sie das Gel erneut auf, um die Impedanzen an dieser Stelle nach dem Experimentieren anzupassen, aber bevor Sie die bestimmte Statistik von Interesse extrahieren.

Verarbeiten Sie die kontinuierlichen EEG-Daten vor, um Artefakte mithilfe von Standardverfahren der Filterung und Artefaktabweisung zu entfernen. Die ereignisbezogene Potenzialanalyse erfasst die synchrone Gehirnaktivität, d. h. die Phasensperre bis zum Beginn eines Stimulus, die Zeitsperre die Reaktion des Gehirns auf den Beginn eines hervorstechenden Ereignisses und mittelt dann über viele ähnliche Ereignisse. Um das Signal-Rausch-Verhältnis zu erhöhen, die Spitzenamplitude und die Latenz der ERP-Komponente für jeden Probanden zu identifizieren, quantifiziert Spectra Power den relativen Beitrag einer Frequenz zu einem bestimmten EEG-Signal.

Verwenden Sie die Fourier-Analyse, um das EEG-Signal vom Zeitbereich in den Frequenzbereich umzuwandeln und das Signal in seine Bestandteile Sinuswellen unterschiedlicher Frequenzen zu zerlegen. Die Multiskalen-Entropie ist eine informationstheoretische Metrik, die die Variabilität neuroelektrischer Signale über die Zeit und über mehrere Zeiten hinweg erfasst. Waage. Verwenden Sie den Algorithmus von PhysioNet, um die Multiskalen-Entropie in zwei Schritten zu berechnen.

Im ersten Schritt geht es nach und nach nach nach unten. Nehmen Sie eine Abtastung des Signals für jeden Versuch und jede Bedingungszeitskala. Die eine steht für das Originalsignal.

Erstellen Sie nachfolgende Zeitskalen, indem Sie zuerst das ursprüngliche Signal in nicht überlappende Fenster der Zeitskalenlänge aufteilen. Mitteln Sie dann die Datenpunkte in jedem Fenster. Um beispielsweise eine Zeitskala zu erstellen, können zwei Mittelwerte zusammen berechnet werden.

Die ersten beiden Punkte, die nächsten beiden Punkte und so weiter. Um eine Zeitskala zu erstellen, mitteln drei die ersten drei Punkte, die nächsten drei Punkte zusammen und so weiter. Durch die Darstellung des ursprünglichen Signals auf verschiedenen Zeitskalen können neuronale Prozesse, die sich möglicherweise mit unterschiedlichen Geschwindigkeiten entfalten, analysiert werden.

Im zweiten Schritt wird die Stichprobenen-Entropie für jeden Kurs berechnet. Körnige Zeitreihen. Dies ermöglicht eine Schätzung der Komplexität der Reaktion des Gehirns auf den verschiedenen Zeitskalen.

Reguläre Signale haben eine geringere Abtastentropie als stochastische Signale. In diesem Beispiel wird die Musterlänge M auf zwei gesetzt. Das bedeutet, dass die Zeitreihe als Verhältnis von Zwei- und Drei-Punkte-Sequenzübereinstimmungen dargestellt wird.

Parameter R ist das Ähnlichkeitskriterium. Datenpunkte, die innerhalb dieses Amplitudenbereichs liegen, haben ähnliche Werte und werden daher als übereinstimmend bezeichnet. Weitere Informationen zum Einstellen von Parametern finden Sie im Textprotokoll zur Berechnung der Probenentropie für diese simulierte Zeitreihe.

Beginnen Sie mit den ersten beiden Komponenten. Sequenzmuster, rot-orange, zuerst zählen, wie oft das rot-orangefarbene Sequenzmuster in der Zeitserie auftritt. Dafür gibt es 10 Spiele.

Sequenz von zwei Komponenten. Zweite Zählung, wie oft die ersten drei Komponenten verwendet werden. Das Sequenzmuster, rot, orange, violett tritt in der Zeitreihe auf.

Dafür gibt es fünf Matches. Drei-Komponenten-Sequenz. Fahren Sie mit den gleichen Operationen für die nächsten zwei Komponentensequenzen (Orange, Lila) und die nächsten drei Komponentensequenzen (Orange, Lila, Grün) der Zeitserie fort.

Addieren Sie die Anzahl der Übereinstimmungen mit zwei Komponenten und drei Komponenten für diese Sequenzen zu den vorherigen Werten. Wiederholen Sie diesen Vorgang für alle anderen Sequenzübereinstimmungen in der Zeitreihe, um das Gesamtverhältnis von zwei Komponentenübereinstimmungen zu drei Komponentenübereinstimmungen zu bestimmen. Die Probenentropie ist der natürliche Logarithmus dieses Verhältnisses.

Diese Daten zeigen Zustandsunterschiede in der spektralen Leistung und Entropie des ERP, die die anfängliche und die wiederholte Präsentation von Gesichtsfotos gegenüberstellen. In diesem Beispiel konvergierten alle Messgrößen, um den gleichen Effekt der Abnahme der Stichprobenentropie zu zeigen, der mit der Gesichtswiederholung einhergeht. Diese Abnahme der Komplexität deutet darauf hin, dass das beteiligte funktionale Netzwerk einfacher ist und weniger Informationen verarbeitet.

Diese statistischen Ergebnisse stammen aus der multivariaten Analyse von partiellen Pachtquadraten mit spektraler ERP-Leistung und Multiskalenen-Entropie für Flächen, die mit unterschiedlichen Vertrautheitsgraden verbunden sind. Der Kontrast zeigt, dass die ERP-Amplitude neue Gesichter von bekannten Gesichtern unterschied, aber nicht unter den bekannten Gesichtern, die sich in der Menge der vorherigen Exposition unterschieden. Die spektrale Leistung unterschied Gesichter nach der Vertrautheit, unterschied aber nicht genau zwischen Gesichtern mit geringer und mittlerer Vertrautheit.

Die Multiskalen-Entropie reagierte am empfindlichsten auf die Bedingungsunterschiede. Die Entropiewerte der Probe stiegen mit zunehmender Vertrautheit des Gesichts an. Diese Bilddiagramme erfassen die räumliche und zeitliche Verteilung des Bedingungseffekts.

Interessanterweise enthüllte die Multiskalen-Entropie einzigartige Informationen, die mit den traditionelleren Analysen von ERP oder spektraler Leistung nicht gewonnen wurden. Diese Divergenz der Multiskalen-Entropie deutet darauf hin, dass sich die Bedingungen in Bezug auf nichtlineare Aspekte ihrer Netzwerkdynamik unterscheiden, die möglicherweise die Wechselwirkungen zwischen den Frequenzbändern beinhalten. Dieses neuartige Analysewerkzeug hilft uns, neue Informationen über die Dynamik neuronaler Netze zu erfassen, und hilft uns, von der Charakterisierung mentaler Funktionen in Bezug auf statische Zustände wegzukommen und die fließende Entfaltung von Prozessen zu verstehen, die mit der menschlichen Kognition verbunden sind.