Aplicaciones de EEG datos de neuroimagen: Potenciales relacionados con eventos, Energía espectral y Multiscale Entropy

El objetivo general de este procedimiento es cuantificar la variabilidad de una serie temporal de EEG y relacionar esa variabilidad con la capacidad de procesamiento de información del sistema neuronal subyacente. Esto se logra adquiriendo primero registros de EEG de alta calidad de la respuesta del cerebro. El segundo paso es preprocesar los datos para eliminar cualquier artefacto.

A continuación, se extraen las estadísticas de interés. Aquí contrastaremos la novedosa aplicación de la entropía multiescala con métodos más tradicionales de amplitud media y potencia espectral. El paso final es analizar la significación estadística de los resultados e interpretar los datos.

Este paso se puede facilitar mediante el uso de enfoques multivariados basados en datos, como el análisis de cuadrados de arrendamiento parcial. En última instancia, la entropía multiescala se utiliza para mostrar cómo una secuencia de cambios en el patrón temporal espacial a través de múltiples escalas de tiempo contribuye a operaciones cognitivas específicas. La ventaja de usar MSC sobre los métodos existentes, como la amplitud media o la potencia de los espectros, es que MSC es sensible a las no linealidades de los datos.

Estas dinámicas no lineales reflejan transiciones o bifurcaciones entre los microestados de una red, lo cual es importante para el intercambio de información a través de una red distribuida de regiones cerebrales. La demostración de este procedimiento estará a cargo de Christina Backer, del laboratorio de ERP del Instituto de Investigación Rotman. En primer lugar, explique los procedimientos experimentales al participante y obtenga el consentimiento informado.

Limpie el área donde se colocarán los electrodos desplegables con un hisopo con alcohol. Coloque un poco de gel en el electrodo. Retire los papeles del lado de la piel y coloque los electrodos en el participante para identificar los artefactos de movimiento ocular.

Colocar un electrodo en la unión lateral de la parte superior e inferior del párpado. Coloque otro electrodo en el centro de la cresta orbital, aproximadamente un centímetro por debajo del ojo y en línea con la pupila. Repita para el otro ojo.

Mida la circunferencia de la cabeza del participante y elija el tamaño adecuado de la tapa del electrodo siguiendo el sistema 10 20 reconocido internacionalmente. Para la colocación de los electrodos, mida la distancia desde Indian Ian a lo largo de la línea media y divida por 10% usando ese número. Medir desde NAS y marcar.

Alinee la posición de la tapa del electrodo FP con esta marca y tire de la tapa hacia atrás. Asegúrate de que el centro de la gorra esté alineado con la nariz. Mida nasn a cz y confirme que esta distancia es la mitad de la distancia de NAS a la India.

Luego apriete la correa de la barbilla y coloque una gasa debajo de la correa para mayor comodidad si es necesario. Ahora, coloque la jeringa de punta roma llena de gel en los portaelectrodos para crear una columna conductora de gel. Comience en contacto con el cuero cabelludo, luego apriete y tire hacia atrás.

Tenga en cuenta que la aplicación de demasiado gel puede puentear las señales de los electrodos vecinos. A continuación, fije los electrodos activos en los portaelectrodos. A continuación, coloque el sujeto frente al monitor a la distancia adecuada.

Para el experimento, pida al participante que permanezca quieto enfatizando la importancia de minimizar los movimientos oculares y los parpadeos. Para un registro limpio, examine las conexiones de los electrodos y la calidad de la señal de EEG en la computadora de adquisición. Si hay un problema con un electrodo en particular, saque ese electrodo y vuelva a aplicar el gel para ajustar las impedancias en ese sitio después de la experimentación, pero antes de extraer la estadística particular de interés.

Procese previamente los datos de EEG continuos para eliminar artefactos mediante procedimientos estándar de filtrado y rechazo de artefactos. El análisis de potencial relacionado con eventos captura la actividad cerebral sincrónica que es el bloqueo de fase hasta el inicio de un estímulo, el bloqueo de tiempo, la respuesta del cerebro al inicio de un evento destacado, y luego el promedio de muchos eventos similares. Para aumentar la relación señal-ruido, identificar la amplitud máxima y la latencia del componente ERP para cada sujeto, Spectra power cuantifica la contribución relativa de una frecuencia a una señal de EEG en particular.

Utilice el análisis de Fourier para transformar la señal de EEG del dominio del tiempo al dominio de la frecuencia y descomponer la señal en sus ondas sinusoidales componentes de frecuencias variables. La entropía multiescala es una métrica teórica de la información que captura la variabilidad de las señales neuroeléctricas a lo largo del tiempo y a través de múltiples tiempos. Balanza. Utilice el algoritmo de PhysioNet para calcular la entropía multiescala en dos pasos.

En el primer paso, descendiendo progresivamente. Muestree la señal para cada escala de tiempo de prueba y condición. Uno representa la señal original.

Cree escalas de tiempo posteriores dividiendo primero la señal original en ventanas no superpuestas de la longitud de la escala de tiempo. A continuación, promedie los puntos de datos dentro de cada ventana. Por ejemplo, para crear una escala de tiempo de dos promedios juntos.

Los dos primeros puntos, los dos siguientes, y así sucesivamente. Para crear una escala de tiempo, tres promedian juntos los tres primeros puntos, los tres puntos siguientes y así sucesivamente. Al representar la señal original en varias escalas de tiempo, se pueden analizar los procesos neuronales que pueden estar desarrollándose a diferentes velocidades.

El segundo paso calcula la entropía de la muestra para cada curso. Series temporales granuladas. Esto proporciona una estimación de la complejidad de la respuesta del cerebro en las diferentes escalas de tiempo.

Las señales regulares tienen una entropía de muestra más baja que las señales más estocásticas. En este ejemplo, la longitud del patrón M se establece en dos. Esto significa que la serie temporal se representará como una relación de coincidencias de secuencia de dos frente a tres puntos.

El parámetro R es el criterio de similitud. Los puntos de datos que se encuentran dentro de este rango de amplitud tienen valores similares y, por lo tanto, se dice que coinciden. Para obtener más información sobre la configuración de los parámetros, consulte el protocolo de texto para calcular la entropía de muestra para esta serie temporal simulada.

Comience con los dos primeros componentes. Patrón de secuencia, rojo anaranjado, primero cuenta el número de veces que el patrón de secuencia rojo anaranjado ocurre en la serie temporal. Hay 10 partidos para esto.

Secuencia de dos componentes. En segundo lugar, cuente el número de veces que los tres primeros componentes. El patrón de secuencia, rojo, naranja, morado ocurre en las series temporales.

Hay cinco partidos para esto. Secuencia de tres componentes. Continúe con las mismas operaciones para la siguiente secuencia de dos componentes, naranja, morado, y la siguiente secuencia de tres componentes, naranja, morado, verde de la serie temporal.

Agregue el número de dos coincidencias de componentes y tres coincidencias de componentes para estas secuencias a los valores anteriores. Repita el procedimiento para todas las demás coincidencias de secuencia de la serie temporal para determinar la relación total entre dos coincidencias de componentes y tres coincidencias de componentes. La entropía de la muestra es el logaritmo neperiano de esta relación.

Estos datos muestran diferencias de condición en la potencia espectral y la entropía de ERP, contrastando la presentación inicial frente a la repetida de las fotografías faciales. En este ejemplo, todas las medidas convergieron para revelar el mismo efecto de disminución en la entropía de la muestra que acompaña a la repetición de la cara. Esta disminución de la complejidad sugiere que la red funcional involucrada es más sencilla y procesa menos información.

Estos resultados estadísticos se derivan del análisis multivariado de cuadrados de arrendamiento parcial de la potencia espectral de ERP y la entropía multiescala para rostros asociados con diferentes niveles de familiaridad. El contraste muestra que la amplitud del ERP distinguió las caras nuevas de las conocidas, pero no entre las caras conocidas que variaron en la cantidad de exposición previa. La potencia espectral distinguía los rostros de acuerdo con la familiaridad, pero no distinguía con precisión entre los rostros de familiaridad baja y media.

La entropía multiescala fue más sensible a las diferencias de condición. Los valores de entropía de la muestra aumentaron a medida que aumentaba la familiaridad con la cara. Estos gráficos de imagen capturan la distribución espacio-temporal del efecto de condición.

Curiosamente, la entropía multiescala reveló información única que no se obtuvo mediante los análisis más tradicionales de ERP o potencia espectral. Esta divergencia de la entropía multiescala sugiere que las condiciones difieren con respecto a los aspectos no lineales de su dinámica de red, posiblemente involucrando las interacciones entre bandas de frecuencia. Esta novedosa herramienta analítica nos ayuda a capturar nueva información sobre la dinámica de las redes neuronales, lo que nos ayuda a alejarnos de la caracterización de la función mental en términos de estados estáticos y a comprender el despliegue fluido de los procesos que se vinculan con la cognición humana.