Method Article

Según los Estados y análisis de complejidad de Omega de la electroencefalografía de estado descansando

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

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

Este artículo describe el protocolo subyacente electroencefalografía (EEG) microestado análisis y análisis de complejidad de omega, que son dos medidas de EEG de referencia gratuita y muy valiosa para explorar los mecanismos neurales de los trastornos cerebrales.

Abstract

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

Complejidad según los Estados y omega son dos medidas de referencia libre de electroencefalografía (EEG) que pueden representar la complejidad temporal y espacial de los datos de EEG y han sido ampliamente utilizadas para investigar los mecanismos neuronales en algunos trastornos cerebrales. El objetivo de este artículo es describir el protocolo subyacente EEG microestado y omega complejidad análisis paso a paso. La principal ventaja de estas dos medidas es que podría eliminar el problema de referencia dependientes inherente al análisis de espectro tradicional. Además, análisis de microestado hace buen uso de la hora de resolución de EEG estado descansando, y las cuatro clases de microestado obtenidos podrían coincidir respectivamente con las correspondientes redes de estado descansando. La complejidad de omega caracteriza la complejidad espacial del cerebro entero o las regiones específicas del cerebro, que tiene evidente ventaja en comparación con las medidas de complejidad tradicional centrado en la complejidad de la señal en un solo canal. Estas dos medidas de EEG podrían complementarse para investigar la complejidad cerebral del dominio espacial y temporal respectivamente.

Introduction

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

Electroencefalografía (EEG) ha sido ampliamente utilizada para registrar la actividad eléctrica del cerebro humano tanto en diagnóstico clínico e investigación científica, ya que es no invasivo, bajo costo calculado y tiene una resolución temporal muy alta1. Con el fin de estudiar las señales de EEG en estado de reposo, los investigadores han desarrollado muchas EEG técnicas (por ejemplo, análisis de espectro de potencia, análisis de conectividad funcional)2,3. De estos, microestado análisis y complejidad de omega podrían hacer un buen uso de la información espacial y temporal inherentes en las señales de EEG4.

Investigaciones anteriores han demostrado que aunque la distribución topográfica de las señales EEG varía con el tiempo en ojo cerrado ojo-libre estado de descanso, la serie de mapas momentáneos muestra cambios discontinuos de paisajes, es decir, periodos de estabilidad alternados con períodos de transición corto entre algunos cuasi-estable de topografías de EEG5. Microestados se definen como estos episodios con topografías cuasi-estables de la EEG, que durar entre 80 y 120 ms1. Puesto que diferentes paisajes de potencial eléctricos deben se han generado por diversas fuentes neuronales, estos microestados pueden calificar como los bloques básicos de mentación y pueden considerarse como "átomos de pensamiento y la emoción"6. Usando algoritmos de clasificación de patrón moderno, cuatro clases de microestado de EEG de reclinación se han constantemente observado, que fueron etiquetados como clase A, clase B, clase C y clase D7. Por otra parte, investigadores revelaron que estas cuatro clases de microestado de datos EEG en reposo eran estrechamente con conocidos sistemas funcionales observados en estado reposo fMRI (resonancia magnética funcional) muchos estudios8,9 . Así, el análisis de microestado proporcionó un nuevo enfoque para estudiar las redes de estado reposo (RSNs) del cerebro humano. Además, la duración promedio y la frecuencia de ocurrencia de cada clase según los Estados, la forma topográfica de los cuatro mapas de microestado están significativamente influenciados por algún cerebro trastornos4,10,11, y se asocian con la inteligencia fluida12 y personalidad13.

En el otro aspecto, conectividad funcional tradicional de varios canales EEG podría describir solamente las conexiones funcionales entre dos electrodos, por lo tanto no se pudo evaluar la conectividad funcional global a través del cuero cabelludo o dentro de una cierta región del cerebro. La complejidad de omega, propuesto por Wackermann (1996)14 y calculados a través de un enfoque que combina análisis de componentes principales (PCA) y la entropía de Shannon, se ha utilizado para cuantificar la sincronización global de banda ancha entre espacial regiones del cerebro distribuidas. Para evaluar la complejidad de omega de cada banda de frecuencia, transformada de Fourier comúnmente se realizó como un primer paso25.

Los microestados y omega complejidad pueden utilizarse para reflejar dos conceptos estrechamente vinculados, es decir, la complejidad temporal y espacial de la complejidad4. Puesto que las clases de microestado representan ciertas operaciones mentales en el cerebro humano, reflejan la estructura temporal de las oscilaciones neuronales. Menor duración y mayor tasa de ocurrencia por segundo deben indicar mayor complejidad temporal. La complejidad de omega está relacionada positivamente con el número de fuentes independientes de nervios en el cerebro, así son comúnmente considerado como un indicador de complejidad espacial4.

El actual artículo describe el protocolo de análisis del microestado de EEG y omega complejidad en detalle. El análisis de complejidad EEG microestado y omega ofrecen la oportunidad de medir la complejidad temporal y espacial de la actividad cerebral respectivamente.

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

Protocol

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

Este protocolo fue aprobado por el Comité de ética local. Todos los participantes y sus padres firmaron un consentimiento informado para este experimento.

1. los sujetos

  1. Son sólo 15 hombres adolescentes sanos, cuya edad oscila entre 14 y 22 años (media ± desviación estándar: ± 18,3 años 2,8).
    Nota: El protocolo actual para analizar la complejidad microestado y omega ha sido desarrollado para sujetos sanos, pero no se limita a este grupo solamente.

2. registro de datos de EEG

  1. Pedir temas a sentarse en una silla cómoda en un cuarto silencioso, con temperatura controlada, donde se registraron los datos de EEG. Recoge los datos de EEG de 20 canales con el sistema de EEG de hormiga en este protocolo.
  2. Ponga la tapa en la cabeza de los sujetos.
    1. En este estudio, usando un tamaño medio, ya que era conveniente para los temas más adolescentes o varones. Para los niños, medir la circunferencia de la cabeza de cada tema y determinar la tapa con el tamaño adecuado.
    2. Coloque el electrodo Cz en aproximadamente 50% de la distancia entre nasion y el inion y 50% de la distancia entre las sangrías izquierdas y derecha entre aurales. Coloque los electrodos de referencia en la mastoides izquierda y derecha, respectivamente. Coloque los electrodos en las ubicaciones estándar según el internacional sistema 10-20.
      Nota: Un sistema de electrodos y EEG amplificador con 20 canales es suficiente para EEG microestado análisis y complejidad de omega.
  3. Llenar los electrodos con gel conductor insertando una aguja embotada por los electrodos. Use el gel conductor para bajar la impedancia. Mantenga todas las impedancias de electrodo inferior de 10 kiloohms (kΩ).
    1. Durante este período, ofrecer algún entretenimiento para los sujetos (por ejemplo, mostrar un cortometraje). Si se utiliza un electrodo seco o un electrodo salino, omita el paso de inyectar gel conductor.
  4. Instruir a los sujetos para relajarse con los ojos cerrados durante la grabación, que dura 5 minutos uso el software de digitalización digitalizar y grabar el EEG de la señal. Utilice una velocidad de muestreo de 250 muestras/s. uso de un filtro en línea mayor que 0,1 y 80 Hz.
    Nota: Aunque usan más sistemas de electrodo-amplificador disponible un sistema de electrodo activo, que podría mejorar la relación señal a ruido de la señal EEG, no coloque este sistema cerca de dispositivos eléctricos durante la grabación de EEG.

3. EEG datos procesamiento previo

Nota: Datos de EEG podrían preprocesados usando varios de código abierto o software comercial. Las instrucciones siguientes son específicas para EEGLAB. Esta es sólo una de muchas opciones disponibles para preprocesar datos de EEG.

  1. Importar los datos de EEG sin procesar en el software de EEG (por ejemplo, EEGLAB) (archivo | Importar datos | Uso de EEGLAB funciones y plugins).
    Nota: Los datos sin procesar del EEG grabados desde varios sistemas de electrodo amplificador podrían ser reconocidos por EEGLAB, como EGI, hormiga, Neuroscan y registrador de visión del cerebro.
  2. Cargar el archivo de ubicación de canal en el software de EEG (editar | Localizaciones de canal). Aunque los datos del EEG y los nombres de canal se han importado a EEGLAB, importar un archivo de ubicación de canal en el software de EEG para obtener las ubicaciones espaciales de estos electrodos.
  3. Quite los electrodos de referencia (editar | Seleccionar datos | Seleccionar datos en la gama del canal). En la opción de "Seleccionarlos datos en gama del canal" de la caja de diálogo emergente, seleccione sólo los electrodos de la grabación y no seleccione los electrodos de referencia para que los electrodos de referencia se pueden quitar. Los datos registrados en los electrodos de referencia no están señal de cerebro 'verdadero', ya que estos dos electrodos se colocan en el hueso mastoideo izquierdo y derecho respectivamente.
  4. Paso filtrar el EEG datos entre 0,5 y 80 Hz de banda (herramientas | Filtrar los datos | Filtro de abeto básica [nuevo, default]). En el cuadro de diálogo emergente, seleccionar 5 para el "borde inferior de la banda de paso de frecuencia (Hz)" y elija 80 para el "borde superior de la banda de paso de frecuencia (Hz)". Haga clic en el botón de "Ok".
  5. Eliminar el ruido de línea de potencia con un filtro de muesca entre 49 y 51 Hz (herramientas | Filtrar los datos | Filtro de abeto básica [nuevo, default]). En el cuadro de diálogo emergente, elija 49 de "el borde inferior de la banda de paso de frecuencia (Hz)," elegir 51 para el "borde superior de la banda de paso de frecuencia (Hz)" y seleccionar la opción de «Muesca filtro los datos en lugar de banda». Haga clic en el botón de "Ok".
  6. Corregir las porciones de datos contaminadas por movimientos oculares, la electromiografía (EMG) o cualquier otros artefactos no fisiológica utilizando el algoritmo de separación de fuente ciega (BSS)15. Para los movimientos de ojo, haga clic en herramientas | Retiro de artefacto con AAR 1.3 | Retiro de EOG | Utilizando BSS; para EMG, herramientas | Retiro de artefacto con AAR 1.3 | Eliminación del EMG usando BSS.
  7. Segmentar los datos previamente procesados de EEG continuo en épocas, con la longitud de la época de 2 s. Para ello, escriba 'EEG = eeg_regepochs (EEG, 'repetición', 2, 'límites', [0 2], 'rmbase', NaN); pop_saveset(EEG)', luego presione la tecla Enter del teclado. Una ventana se abrirá que permite el ahorro de los datos segmentados de EEG.
  8. Importar los datos segmentados de EEG para el software de EEG (archivo | Cargar dataset existente).
  9. Rechazar las épocas EEG con valores de amplitud superior a ± 80 μV en cualquier electrodo (herramientas | Rechazar épocas de datos | Rechazo de datos [todos los métodos]).
  10. Guardar los datos de EEG preprocesados (archivo | Guardar actual dataset como).

4. EEG microestado análisis

Nota: Se utiliza una versión modificada del clásico algoritmo K-means para microestado clase análisis16, que contiene un procedimiento y un procedimiento de abajo para arriba. En el procedimiento de abajo hacia arriba, las clases de nivel de grupo microestado se identifican usando la correlación espacial como un criterio de agrupamiento. Luego en el procedimiento de abajo para arriba, cada mapa topográfico de cada sujeto en cada grupo se asigna a la clase de microestado del EEG con la máxima correlación espacial. Para el análisis de microestado EEG estado descansando, la polaridad de mapas topográficos comúnmente es ignorada. Análisis de clase de microestado EEG podrían hacerse utilizando distintos software de código abierto, como CARTOOL, sLORETA, EMMA y MapWin. Las instrucciones siguientes son específicas para el plugin EEGLAB de microestados. Este plugin EEGLAB puede descargarse de https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.

  1. Para cada tema, cargar los datos de EEG preprocesados (archivo | Canales de referencia carga existente dataset), convertir a media común de referencia (herramientas | Volver a hacer referencia) y pase de banda filtro los datos de EEG entre 2 y 20 Hz (herramientas | Filtrar los datos | Filtro de abeto básica [nuevo, default]).
  2. Identificar los cuatro mapas de microestado en cada tema (herramientas | Microestados | identificar mapas de microestado). En el cuadro de diálogo emergente, elegir 3 para el "número mínimo de clases", elegir 6 para "número máximo de clases", elegir 50 para el "número de reinicios", elija "Número máximo de mapas a utilizar" y seleccione las opciones de "Pico GFP sólo" y "Sin polaridad". Haga clic en el botón de "Ok".
  3. Guardar los datos de EEG de cada tema después de identificar su propio microestado los mapas (archivo | Guardar actual dataset como).
  4. Los conjuntos de datos de EEG de todos los temas salvados en el último paso a la vez la importación (archivo | Cargar dataset existente).
  5. Identificar los mapas de nivel de grupo microestado (herramientas | Microestados | Microestado promedio todos los mapas a través de conjuntos de datos). En el cuadro de diálogo emergente, seleccione los conjuntos de datos de todos los temas en la opción "Elegir conjuntos para calcular el promedio". En la opción "Nombre del medio", dar un nombre para los mapas de nivel de grupo microestado. El nombre predeterminado es "GrandMean". Haga clic en el botón de "Ok". Esto creará un nuevo conjunto de datos denominado como "GrandMean", que almacena los mapas de nivel de grupo microestado.
  6. Manualmente el orden de los cuatro mapas de microestado de nivel de grupo según su orden clásico (parcela | Editar mapas de microestado). En la ventana emergente, seleccione "Más", y entonces se convierte en el número de mapas se muestran cuatro. Seleccione el "Tipo de hombre". En el cuadro de diálogo emergente, introduzca la nueva orden de los cuatro mapas de microestado de nivel de grupo. Haga clic en "Cerrar".
  7. El orden de los cuatro mapas de microestado de cada sujeto (herramientas | Microestados | Ordenar los mapas según los Estados individuales según la media).
  8. Guardar los parámetros según los Estados de cada tema (herramientas | Microestados | Cuantificar los microestados en dataset [mapas de plantilla media]), que invocará dos cuadros de diálogo emergentes secuencialmente.
    1. En el primer cuadro de diálogo, seleccione los conjuntos de datos de todos los temas. En el segundo cuadro de diálogo, seleccione "4 clases" para la opción "Número de clases", seleccione las opciones de "Ajuste sólo en picos GFP" y "Eliminar potencialmente truncado microestados", elegir 30 para el sello"suavizado de ventana (ms)" y elija 1 de la suavidad"no pena". Haga clic en 'Aceptar'. Un archivo csv que almacena los parámetros de microestado se guardarán en el ordenador.

5. omega complejidad análisis

  1. Guardar los datos de EEG de cada época y cada tema en ASCII o txt formato usando script modificado para requisitos particulares. Un ejemplo de la secuencia de comandos personalizada para paso 5.1 podría encontrarse en los materiales complementarios.
    Nota: Si se calcula la complejidad global de omega, los datos de EEG de todos los electrodos del cuero cabelludo se necesitan para exportar en formato ASCII o txt. Si se calcula la complejidad regional omega, exportar sólo los datos de EEG de electrodos en la región del cuero cabelludo. Por ejemplo, para calcular la complejidad anterior omega, exportar sólo los datos de EEG de electrodos en la región anterior (es decir, Fp1, Fp2, F7, F3, Fz, F4 y F8) para computar la complejidad posterior de omega, exportar sólo los datos de EEG de electrodos en la región posterior (es decir, T5, T6, P3, P4, Pz, O1 y O2).
  2. Calcular la complejidad de omega de todas las frecuencias discretas usando el software de sLORETA17 (Utilidades | Conectividad Global). Este software está disponible en http://www.uzh.ch/keyinst/loreta.htm.
  3. Calcular la complejidad de omega de cada banda de frecuencia usando el script modificado para requisitos particulares26. En nuestro caso, calcular la complejidad de omega las siguientes ocho bandas de frecuencia como el valor medio dentro de cada límite de frecuencia, que son delta (0,5 a 3,5 Hz), theta (4-7.5 Hz), alfa 1 (8-10 Hz), alfa2 (10.5 13.5 Hz), beta1 (14-18 Hz), beta2 (18.5-30 Hz), gamma1 ( 30.5-48 Hz) y gamma2 (52-80 Hz)4. Un ejemplo de la secuencia de comandos personalizada para paso 5.3 podría encontrarse en los materiales complementarios.

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

Results

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

Microestado de EEG

Gran media Normalizada según los Estados de mapas se muestran en la figura 1. Los paisajes potenciales eléctricos de estas cuatro clases de microestado identificados aquí son muy similares a los encontrados en estudios anteriores4.

La media y desviación estándar (DS) de parámetros según los Estados d...

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

Discussion

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

En este artículo, dos tipos de métodos analíticos de EEG (es decir, análisis de microestado y análisis de complejidad de omega), medición de la complejidad temporal y espacial complejidad del cerebro humano respectivamente, fueron descritos en detalle. Hay varios pasos críticos en el protocolo que debe ser mencionado. En primer lugar, los datos de EEG se deben limpiar antes el cálculo de la complejidad según los Estados y omega. En segundo lugar, los datos de EEG deben ser remontaged contra la media de referencia antes e...

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

Disclosures

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

Los autores no tienen nada que revelar.

Acknowledgements

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

Este artículo fue apoyado por la Fundación Nacional de Ciencias naturales de China (31671141).

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Sistema EEG/ERP ANT de 20 canalesASA-Lab, ANT B.V., Países Bajosdirección web de la empresa:
http://www.ant-neuro.com/
EEGLAB plugin para microestadosThomas Koenighttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETARoberto D. Pascual-Marquihttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010aEl MathWorks Inc.dirección web de la empresa:
http://www.mathworks.com/
eeglabCentro Swartz de Neurociencia Computacional, Universidad de California, 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