Name: Cortical Análisis Fuente de Alta Densidad EEG Grabaciones en niños (Video) | JoVE Journal
Uploaded: 2014-06-30T15:00:00.000+00:00
Duration: 9 min 32 s
Description: Aprende a estimar generadores neuronales de EEG de alta densidad en niños usando modelos de elementos de frontera y MRI. Este método computacional mejora la precisión en neurociencia cognitiva pediátrica.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Queremos agradecer al Prof. John Richards, de la Universidad de Carolina del Sur, por darnos acceso a la base de datos del desarrollo de resonancia magnética y útiles debates. También nos gustaría agradecer a nuestros patrocinadores la Caridad del Great Ormond Street Children, UCL Impacto y Grandes Desafíos.

<ol><li>Michel, C. M., Murray, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+the+utilization+of+EEG+as+a+brain+imaging+tool%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Towards the utilization of EEG as a brain imaging tool.</a> NeuroImage. 61 (2), 371-385 (2012).</li>
<li>Brodbeck, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstates+of+wakefulness+and+NREM+sleep%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">EEG microstates of wakefulness and NREM sleep.</a> NeuroImage. 62 (3), 2129-2139 (2012).</li>
<li>Sanchez, C. E., Richards, J. E., Almli, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Age-specific+MRI+templates+for+pediatric+neuroimaging%5BTitle%5D)+AND+%22Developmental+Neuropsychology%22%5BJournal%5D)">Age-specific MRI templates for pediatric neuroimaging.</a> Developmental Neuropsychology. 37 (5), 379-399 (2012).</li>
<li>Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((7+Tesla+MR+Imaging%3A+Opportunities+and+Challenges%5BTitle%5D)+AND+%22RoFo+%3A+Fortschritte+auf+dem+Gebiete+der+Rontgenstrahlen+und+der+Nuklearmedizin%22%5BJournal%5D)">7 Tesla MR Imaging: Opportunities and Challenges.</a> RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).</li>
<li>Logothetis, N. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bold+claims+for+optogenetics%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Bold claims for optogenetics.</a> Nature. 468 (7323), (2010).</li>
<li>Logothetis, N. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What+we+can+do+and+what+we+cannot+do+with+fMRI%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">What we can do and what we cannot do with fMRI.</a> Nature. 453 (7197), 869-878 (2008).</li>
<li>Roche-Labarbe, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High-resolution+electroencephalography+and+source+localization+in+neonates%5BTitle%5D)+AND+%22Human+Brain+Mapping%22%5BJournal%5D)">High-resolution electroencephalography and source localization in neonates.</a> Human Brain Mapping. 29 (2), 167-176 (2008).</li>
<li>Johnson, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interactive+Specialization%3A+A+domain-general+framework+for+human+functional+brain+development%5BTitle%5D)+AND+%22Developmental+cognitive+neuroscience%22%5BJournal%5D)">Interactive Specialization: A domain-general framework for human functional brain development.</a> Developmental cognitive neuroscience. 1, 7-21 (2010).</li>
<li>Nelson, C. A., McCleery, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+Event-Related+Potentials+in+the+Study+of+Typical+and+Atypical+Development%5BTitle%5D)+AND+%22Journal+of+the+American+Academy+of+Child+%26+Adolescent+Psychiatry%22%5BJournal%5D)">Use of Event-Related Potentials in the Study of Typical and Atypical Development.</a> Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).</li>
<li>Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+source+imaging%5BTitle%5D)+AND+%22Clinical+neurophysiology+%3A+official+journal+of+the+International+Federation+of+Clinical+Neurophysiology%22%5BJournal%5D)">EEG source imaging.</a> Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).</li>
<li>Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+brain+network+organisation+of+children+between+2+and+5years+derived+from+reconstructed+activity+of+cortical+sources+of+high-density+EEG+recordings%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings.</a> NeuroImage. 82, 595-604 (2013).</li>
<li>David, O., Cosmelli, D., Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+different+measures+of+functional+connectivity+using+a+neural+mass+model%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Evaluation of different measures of functional connectivity using a neural mass model.</a> NeuroImage. 21 (2), 659-673 (2004).</li>
<li>Grech, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+on+solving+the+inverse+problem+in+EEG+source+analysis%5BTitle%5D)+AND+%22Journal+of+NeuroEngineering+and+Rehabilitation%22%5BJournal%5D)">Review on solving the inverse problem in EEG source analysis.</a> Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).</li>
<li>Wendel, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG%2FMEG+source+imaging%3A+methods%2C+challenges%2C+and+open+issues%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">EEG/MEG source imaging: methods, challenges, and open issues.</a> Computational Intelligence and Neuroscience. 2009, 13 (2009).</li>
<li>Richards, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Localizing+cortical+sources+of+event-related+potentials+in+infants%27+covert+orienting%5BTitle%5D)+AND+%22Developmental+Science%22%5BJournal%5D)">Localizing cortical sources of event-related potentials in infants' covert orienting.</a> Developmental Science. 8 (3), 255-278 (2005).</li>
<li>Hauk, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Keep+it+simple%3A+a+case+for+using+classical+minimum+norm+estimation+in+the+analysis+of+EEG+and+MEG+data%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data.</a> NeuroImage. 21 (4), 1612-1621 (2004).</li>
<li>Pascual-Marqui, R. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Low+resolution+brain+electromagnetic+tomography+%28LORETA%29+functional+imaging+in+acute%2C+neuroleptic-naive%2C+first-episode%2C+productive+schizophrenia%5BTitle%5D)+AND+%22Psychiatry+Research%22%5BJournal%5D)">Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia.</a> Psychiatry Research. 90 (3), 169-179 (1999).</li>
<li>Pascual-Marqui, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Standardized+low-resolution+brain+electromagnetic+tomography+%28sLORETA%29%3A+technical+details.+Methods+and+findings+in+experimental+and+clinical+pharmacology%5BTitle%5D)+AND+%2224+Suppl+D%22%5BJournal%5D)">Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology.</a> 24 Suppl D. , 5-12 (2002).</li>
<li>Phillips, C., Rugg, M. D., Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Systematic+regularization+of+linear+inverse+solutions+of+the+EEG+source+localization+problem%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Systematic regularization of linear inverse solutions of the EEG source localization problem.</a> NeuroImage. 17 (1), 287-301 (2002).</li>
<li>Yao, J., Dewald, J. P. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+different+cortical+source+localization+methods+using+simulated+and+experimental+EEG+data%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Evaluation of different cortical source localization methods using simulated and experimental EEG data.</a> NeuroImage. 25 (2), 369-382 (2005).</li>
<li>Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial+enhancement+of+EEG+traces+by+surface+Laplacian+estimation%3A+Comparison+between+local+and+global+methods%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods.</a> Clinical Neurophysiology. 116 (1), 18-24 (2005).</li>
<li>Tenke, C. E., Kayser, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generator+localization+by+current+source+density+%28CSD%29%3A+implications+of+volume+conduction+and+field+closure+at+intracranial+and+scalp+resolutions%5BTitle%5D)+AND+%22Clinical+neurophysiology+%3A+official+journal+of+the+International+Federation+of+Clinical+Neurophysiology%22%5BJournal%5D)">Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions.</a> Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).</li>
<li>Brainard, D. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+psychophysics+toolbox%5BTitle%5D)+AND+%22Spatial+vision%22%5BJournal%5D)">The psychophysics toolbox.</a> Spatial vision. , (1997).</li>
<li>Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What%27s+new+in+Psychtoolbox-3%5BTitle%5D)+AND+%22Perception%22%5BJournal%5D)">What's new in Psychtoolbox-3.</a> Perception. , (2007).</li>
<li>Tottenham, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+NimStim+set+of+facial+expressions%3A+judgments+from+untrained+research+participants%5BTitle%5D)+AND+%22Psychiatry+Research%22%5BJournal%5D)">The NimStim set of facial expressions: judgments from untrained research participants.</a> Psychiatry Research. 168 (3), 242-249 (2009).</li>
<li>Chaste, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adjusting+head+circumference+for+covariates+in+autism%3A+Clinical+correlates+of+a+highly+heritable+continuous+trait%5BTitle%5D)+AND+%22Biological+Psychiatry%22%5BJournal%5D)">Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait.</a> Biological Psychiatry. 74 (8), 576-584 (2013).</li>
<li>Delorme, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEGLAB%2C+SIFT%2C+NFT%2C+BCILAB%2C+and+ERICA%3A+New+tools+for+advanced+EEG+processing%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing.</a> Computational Intelligence and Neuroscience. 2011, 130714 (2011).</li>
<li>Nolan, H., Whelan, R., Reilly, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FASTER%3A+Fully+Automated+Statistical+Thresholding+for+EEG+artifact+Rejection%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection.</a> Journal of Neuroscience Methods. 192 (1), 152-162 (2010).</li>
<li>Kilner, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bias+in+a+common+EEG+and+MEG+statistical+analysis+and+how+to+avoid+it%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">Bias in a common EEG and MEG statistical analysis and how to avoid it.</a> Clinical Neurophysiology. , (2013).</li>
<li>DeBoer, T., Scott, L. S., Nelson, C. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((12+ERPs+in+Developmental+Populations%5BTitle%5D)+AND+%22Event-related+Potentials%3A+A%22%5BJournal%5D)">12 ERPs in Developmental Populations.</a> Event-related Potentials: A. , (2005).</li>
<li>Sanchez, C. E., Richards, J. E., Almli, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neurodevelopmental+MRI+brain+templates+for+children+from+2+weeks+to+4+years+of+age%5BTitle%5D)+AND+%22Developmental+Psychobiology%22%5BJournal%5D)">Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age.</a> Developmental Psychobiology. 54 (1), 77-91 (2011).</li>
<li>Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brainstorm%3A+A+user-friendly+application+for+MEG%2FEEG+analysis%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">Brainstorm: A user-friendly application for MEG/EEG analysis.</a> Computational Intelligence and Neuroscience. 2011, 879716 (2011).</li>
<li>Haan, M., Johnson, M. H., Halit, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+face-sensitive+event-related+potentials+during+infancy%3A+a+review%5BTitle%5D)+AND+%22International+Journal+of+Psychophysiology%22%5BJournal%5D)">Development of face-sensitive event-related potentials during infancy: a review.</a> International Journal of Psychophysiology. 51, 45-58 (2003).</li>
<li>Earp, B. D., Everett, J. A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Is+the+N170+face+specific%3F+Controversy%2C+context%2C+and+theory%5BTitle%5D)+AND+%22Neuropsychological+Trends%22%5BJournal%5D)">Is the N170 face specific? Controversy, context, and theory.</a> Neuropsychological Trends. 13 (1), 7-26 (2013).</li>
<li>Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ERP+evidence+of+developmental+changes+in+processing+of+faces%5BTitle%5D)+AND+%22Clinical+neurophysiology+%3A+official+journal+of+the+International+Federation+of+Clinical+Neurophysiology%22%5BJournal%5D)">ERP evidence of developmental changes in processing of faces.</a> Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).</li>
<li>Ment, L. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Longitudinal+brain+volume+changes+in+preterm+and+term+control+subjects+during+late+childhood+and+adolescence%5BTitle%5D)+AND+%22PEDIATRICS%22%5BJournal%5D)">Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence.</a> PEDIATRICS. 123 (2), 503-511 (2009).</li>
<li>Courchesne, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impairment+in+shifting+attention+in+autistic+and+cerebellar+patients%5BTitle%5D)+AND+%22Behavioral+Neuroscience%22%5BJournal%5D)">Impairment in shifting attention in autistic and cerebellar patients.</a> Behavioral Neuroscience. 108 (5), 848-865 (1994).</li>
<li>Litvak, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+and+MEG+data+analysis+in+SPM8%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">EEG and MEG data analysis in SPM8.</a> Computational Intelligence and Neuroscience. (2011), (2011).</li>
<li>Daunizeau, J., David, O., Stephan, K. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+causal+modelling%3A+A+critical+review+of+the+biophysical+and+statistical+foundations%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Dynamic causal modelling: A critical review of the biophysical and statistical foundations.</a> NeuroImage. 58 (2), 312-322 (2011).</li>
</ol>

Los costos de publicación para este artículo fueron patrocinados por Electrical Geodesia, Inc.

El presente artículo describe el registro y análisis de alta densidad de EEG para la reconstrucción de los generadores corticales utilizando modelos de elementos de frontera por razones de edad plantillas MRI medios apropiados y profundidad ponderada estimación mínima norma en un paradigma ERP estándar adecuado para los niños. En este paradigma, se presentan imágenes de rostros y rostros revueltos. Diferentes autores utilizaron este paradigma para investigar el desarrollo de mecanismos de procesamiento de la cara sobre ...

El presidente Barack Obama describió el cerebro humano como la próxima frontera de los descubrimientos científicos con una alta importancia para la salud y la economía de 3 (http://www.whitehouse.gov/share/brain-initiative). Sin embargo, como cualquier otro campo de las ciencias naturales, las ciencias neurológicas depende de los avances en las metodologías y técnicas de análisis para el progreso. Dos herramientas no invasivas de uso común en los estudios sobre la función cerebral en los seres humanos son la resonancia magnética (RM) y la electroencefalografía (EEG). Estos herramienta explotar diferentes propiedades físicas y proporcionar diferentes ideas sobre la función cerebral con ventajas y desventajas. MRI utiliza las propiedades magnéticas de las moléculas de agua dentro de los campos magnéticos para obtener imágenes de los tejidos vivos. El sujeto tiene que ser colocado en un imán con alta intensidad de campo. El movimiento de la participante está restringido durante estos procedimientos y el participante tiene que tolerar el ruido causado por los rápidos cambios en el campo magnéticocampo. Además de las imágenes estructurales, resonancia magnética también ofrece la posibilidad de medir los cambios en la oxigenación de la sangre para investigar la función cerebral (fMRI). En resumen, la RM ofrece relativamente alta resolución espacial de hasta 0,5 mm 3 con modernos altos campos escáneres y parámetros optimizados 4. En contraste, la resolución temporal de resonancia magnética funcional se limita a la lenta cinética de la respuesta BOLD, que refleja sólo indirectamente la dinámica temporal altos de actividad neural 5,6. Por otro lado, el EEG mide los cambios en la actividad eléctrica causada por la actividad de las neuronas a través de electrodos colocados en el cuero cabelludo. Los recientes avances en la tecnología EEG permiten el uso rápido y fácil de los sensores de corto plazo o largo plazo y fijos, así como grabaciones ambulatorios. Debido a que el EEG es menos restrictiva, que también es el método de elección para ciertas poblaciones de los participantes que no toleran el medio ambiente así como la RM pediátrica y ciertageriatría y psiquiatría. Las propiedades de EEG muestran un patrón inverso a los de resonancia magnética: la resolución temporal es muy alta con una precisión de milisegundos, pero la resolución espacial es limitada. Las corrientes eléctricas pasan a través de diferentes tejidos entre su generador y los electrodos de EEG en la superficie del cuero cabelludo. Esto conduce a un mezclado y manchas espacial de actividad de la fuente conocida como el efecto de volumen de la conducción. Por lo tanto, la actividad medida por los electrodos en la superficie del cuero cabelludo refleja la actividad de múltiples fuentes que podrían ser distante a la posición del electrodo en la cabeza de 1,7. Gran parte del trabajo en los últimos años se ha dedicado a la fusión de la RM y EEG con el fin de aprovechar sus respectivos puntos fuertes. Una línea de trabajo se dedica a la adquisición simultánea de EEG y la RM en los estudios funcionales. Otro enfoque es usar la información espacial proporcionada por resonancia magnética estructural para tener en cuenta el volumen Conduction efecto a través del modelado biofísico. El uso de la información estructural para la reconstrucción fuente de registros de EEG es particularmente útil para estudios con una población pediátrica. La investigación sobre el desarrollo de la función cerebral es fundamental para la comprensión de cómo las habilidades cognitivas complejas se construyen en la parte superior de precursores simples 8. Estas investigaciones ayudan a poner de relieve los cambios en los sustratos neurales y propiedades de respuesta que se correlacionan con los cambios en el rendimiento de comportamiento. Sin embargo, la investigación de la función cerebral y la cognición durante el desarrollo también plantea retos específicos. En particular, la oportunidad para que los estudios de resonancia magnética funcional se limita como los niños pequeños y bebés, o bien tienen que estar dormido o sedado para obtener datos de MRI y sin artefactos de movimiento y el impacto negativo sobre el bienestar de los participantes. Además, el EEG se percibe como menos riesgoso e invasivo por los padres, lo que hace el reclutamiento de participantes en la investigación más fácil. Tor lo tanto, EEG es el método de elección para muchas investigaciones sobre la función del cerebro en los niños pequeños. Avances metodológicos en los sistemas de EEG permiten la aplicación de matrices de electrodos de alta densidad con 128 o más canales en cuestión de minutos. Facilidad de aplicación y la comodidad de uso son suficientes para permitir el registro EEG incluso en los niños más pequeños. Sin embargo, a menudo los investigadores no sólo están interesados ​​en la dinámica temporal de las respuestas a estímulos particulares, pero también le gustaría comparar los sustratos neurales que median las respuestas. Una suposición que prevalece en el análisis de ERP de nivel de canal comparando diferentes grupos de edad es que los mismos sustratos neurales responden, pero que el momento o la amplitud de la respuesta varía entre las edades de 9. Similar cuero cabelludo topografía se utiliza a menudo como un indicador de la actividad neuronal subyacente similar. Sin embargo, muchas diferentes configuraciones de origen pueden conducir a las topografías cuero cabelludo similares 10. Mediante la aplicación de la estimación de la fuente, esta UNCErtainty se puede reducir y cuantificados. La independencia de las observaciones es crítico para las cuentas de la red de la función cerebral: si se mezclan las fuentes, las correlaciones estarán sesgados hacia una mayor conectividad local. Fuente de reconstrucción se puede aplicar para reducir este sesgo 11. Alternativamente, las diferencias en tiempo y fase se pueden utilizar para el análisis de la conectividad, pero estos modelos matemáticos requieren supuestos que son difíciles de evaluar en datos no simulados 12. En resumen, la estimación de fuente proporciona información adicional a nivel de los canales EEG y análisis ERP basado en el conocimiento sobre la anatomía y propiedades biofísicas de los tejidos. Diferentes algoritmos se han ideado para encontrar soluciones al problema inverso. Estos algoritmos se dividen en dos categorías: paramétricas y no paramétricas 13. Modelos paramétricos asumen una o múltiples dipolos que pueden variar en localización, orientación y fuerza. Por el contrario, no modelos paramétricos containa gran número de dipolos con la ubicación y orientación fija. En estos modelos, la actividad eléctrica del cuero cabelludo se explica como una combinación de activaciones en los dipolos fijos 10,13,14. No paramétrica, modelos de fuentes distribuidas se pueden basar en el conocimiento sobre la anatomía y la conductividad en diferentes medios de comunicación. Modelos de Elementos de Contorno incorporan valores de conductividad de los principales tejidos de la cabeza con diferentes conchas para el cerebro, el líquido cefalorraquídeo y el cráneo. Esto se basa en la suposición de que la conductividad es principalmente constante dentro de cada compartimento, pero que los cambios marcados se produce en el límite de los diferentes compartimentos. Modelos de elementos finitos se basan en una mayor segmentación de los exámenes de IRM en la materia gris y el blanco de manera que los valores de conductividad se pueden asignar a cada voxel 15. En términos prácticos, los modelos no paramétricos son particularmente útiles para la reconstrucción de fuentes en las tareas cognitivas complejas, en las que el número de áreas involucradas puedenno ser conocido 10. Modelos de elementos de contorno son más utilizados en la literatura actual, probablemente porque los más precisos modelos de elementos finitos representan comparativamente altas demandas computacionales. Además, existe una considerable variabilidad individual entre en la materia gris y el blanco de manera que los FEM debe basarse en imágenes por resonancia magnética individuales. Modelos no paramétricos requieren un segundo paso para hacer coincidir la actividad medida el cuero cabelludo hasta las predicciones del modelo a seguir. Una vez más, los diferentes enfoques con diferentes ventajas y desventajas se han discutido en la literatura (véase Michel et al. 2004 para una visión general). Los algoritmos más utilizados se basan en la estimación de norma mínima (MNE), que coincide con la actividad medida cuero cabelludo para una distribución de corriente en el modelo hacia adelante con la intensidad total más bajo 16. MNE está sesgada hacia las fuentes débiles y superficiales. Algoritmos EMN ponderados Profundidad tratan de reducir la desviación de superficies mediante la introducción de ponderaciónmatrices basadas en supuestos matemáticos 10. El enfoque LORETA ampliamente utilizado se basa también en ponderada EMN, pero, además, reduce al mínimo el laplaciano de fuentes, que conduce a soluciones más suaves 17,18. LORETA se ha encontrado que el mejor rendimiento para fuentes individuales en estudios de simulación 19,20. Sin embargo, LORETA puede conducir a un exceso de suavizado de soluciones. Profundidad ponderada EMN es preferible cuando las fuentes son desconocidos o múltiples fuentes son propensos a estar presente 13, 16. Se recomienda Comparando los resultados de diferentes algoritmos para evaluar la influencia de diferentes supuestos del modelo. En resumen, la reconstrucción de fuentes a través de métodos de modelado se ha limitado a los niños hasta hace poco. Esto se debe a que la mayoría del software de análisis de EEG se basa en modelos de cabeza en base a la anatomía adulta que limita sustancialmente la precisión de las soluciones de código en los niños 2,8. El acceso barato a la potencia de cálculo y la prestación desoftware fácil de usar para la reconstrucción de la fuente que sea posible superar estas limitaciones. La aplicación de la estimación de origen a la EEG proporciona dos ventajas importantes sobre el análisis sobre la base de observaciones del nivel del canal solas: una mejor resolución y la independencia de las observaciones espaciales. Fuente de estimación puede no ser informativo en algunos casos: se requiere una buena cobertura de la cabeza para distinguir fuentes. Los sistemas de alta densidad con 128 o más electrodos se recomiendan 10,15; una cobertura más escasa actuará como un filtro espacial que conduce a activación de la fuente propagación más amplia o resultados negativos falsos 10. Además, sólo se ha informado de reconstrucción fuente basado en el método descrito en este artículo para generadores corticales. Por lo tanto, es menos adecuado para probar hipótesis acerca de sustratos subcorticales o interacciones subcorticales corticales. Por último, el análisis de origen debe basarse en hipótesis previas detalladas sobre los sustratos corticales,teniendo la literatura existente de otras modalidades de imágenes en cuenta. Técnicas de filtrado espacial también se pueden utilizar para mejorar la resolución espacial de la señal de EEG mediante la reducción de la mezcla espacial en el nivel del cuero cabelludo. Se utilizan métodos alternativos para reducir la influencia de los efectos del volumen de la conducción sin modelado de la cabeza, por ejemplo, el filtrado de Laplaciano 21 o análisis de la densidad Fuente de corriente 22. Sin embargo, estos métodos no proporcionan más información acerca de los generadores neuronales como efectos volumen de la conducción son no sólo restringidos a los sensores en estrecha proximidad espacial 1. En las siguientes secciones, el artículo describe cómo los experimentos para la investigación de la función cerebral y cognitivo en los niños de 2 años de edad están diseñados en el bebé Lab Londres. A continuación, se analiza la adquisición de datos de EEG con los sistemas de baja impedancia de alta densidad con niños. A continuación, se presenta EEG preprocesamiento y análisis sobre el nivel del canal. Ultimoly, el artículo se centra en el tratamiento de los datos de resonancia magnética estructural para la reconstrucción fuente cortical y el análisis de las señales de nivel de fuente.

<table><tbody><tr><td>Red de sensor de EEG de alta densidad (128 o 256 canales)</td><td>Red de sensor geodésico HydroCel 128</td><td>Electrical Geodesic Inc., Oregón, EE. UU</td><td></td></tr>. <tr><td>Amplificador de alta impendancia</td><td>EEG NetAmps 200</td><td>Electrical Geodesic Inc., Oregón, EE. UU</td><td></td></tr><tr><td>. Computadora de adquisición de datos&nbsp;</td><td>PowerMac G4</td><td>Apple Inc, California, EE. UU.</td><td></td></tr><tr><td>Computadora de presentación de estímulo Optiplex</td><td>745</td><td>Dell Computers Inc., Texas, EE. UU.</td><td></td></tr><tr><td>Software de presentación de estímulo</td><td>MATLAB R2012b con PsychToolBox</td><td>Brainard et al. 1997</td><td></td></tr><tr><td>software de registro de EEG</td><td>NetStation 4.5.1</td><td>Electrical Geodesic Inc., Oregón, EE. UU.</td><td></td></tr><tr><td>Análisis de EEG software</td><td>MATLAB R2012b</td><td>The Mathworks Inc.</td><td></td></tr><tr><td></td><td>EEGLAB</td><td>Delorme et al. 2004</td><td></td></tr><tr><td></td><td></td><td>BrainStorm Sylvain et al. 2001</td><td></td></tr><tr><td>software de procesamiento de resonancia magnética</td><td>FreeSurfer</td><td>Fischl et al. 2004</td><td></td></tr><tr><td></td><td>OpenMEEG</td><td>Gramfort et. al. 2010</td><td></td></tr><tr><td colspan="4">Delorme, A., & Makeig, S. EEGLAB: una caja de herramientas de código abierto para el análisis de la dinámica del EEG de un solo ensayo, incluido el análisis de componentes independientes. Journal of Neuroscience Methods, 134(1), 9&ndash; 21, (2004).</td></tr><tr><td colspan="4">Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: Una aplicación fácil de usar para el análisis de MEG/EEG. Inteligencia Computacional y Neurociencia, 1&ndash; 13, (2011).</td></tr><tr><td colspan="4">Fischl, B. et al. Parcelación automática de la corteza cerebral humana. Corteza cerebral, 14(1), 11&ndash; 22, (2004).</td></tr><tr><td colspan="4">Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: software de código abierto para bioelectromagnetismo cuasiestático. Ingeniería Biomédica OnLine, 9(1), 45, (2010).</td></tr><tr><td colspan="4">Brainard, D. H. La caja de herramientas de la psicofísica. Visión espacial, (1997).</td></tr></tbody></table>

cortical análisis fuente de alta densidad eeg grabaciones en niños

Cortical Source Analysis of High-Density EEG Recordings in Children

EEG se describe tradicionalmente como una técnica de neuroimagen de alta resolución espacial y temporal bajo. Los recientes avances en el modelado biofísico y procesamiento de señales hacen que sea posible la explotación de la información de otras técnicas de imagen como la resonancia magnética estructural que proporcionan una alta resolución espacial para superar esta restricción 1. Esto es especialmente útil para las investigaciones que requieren alta resolución en lo temporal, así como el dominio espacial. Además, debido a la fácil aplicación y bajo costo de los registros de EEG, EEG suele ser el método de elección cuando se trabaja con poblaciones, como los niños pequeños, que no toleran IRM funcional analiza también. Sin embargo, con el fin de investigar lo que los sustratos neurales implicados, información anatómica de resonancia magnética estructural sigue siendo necesario. La mayoría de los paquetes de análisis de EEG trabajan con los modelos estándar de cabeza que se basan en la anatomía de adultos. La precisión de estos modelos cuando se utiliza para los niños está limitada 2, debido a que el composition y la configuración espacial de la cabeza tissues cambios dramáticamente en desarrollo 3. En el presente trabajo, se proporciona un resumen de nuestro trabajo reciente en la utilización de modelos de cabeza sobre la base de imágenes por resonancia magnética estructural individuales o modelos de cabeza específicos de edad para reconstruir los generadores corticales de alta densidad de EEG. En este artículo se describe cómo se adquieren los registros de EEG, procesados ​​y analizados con la población pediátrica en el bebé Lab Londres, incluyendo la configuración de laboratorio, diseño de tareas, EEG preprocesamiento, procesamiento de resonancia magnética, y el nivel del canal EEG y análisis de origen.

El diseño de experimentos de potenciales evocados para lactantes y niños a menudo es un reto, debido a su limitada capacidad de tolerar los experimentos repetitivos largos 30. Este problema se agrava aún más cuando el experimentador planea aplicar reconstrucción de fuentes, porque la reconstrucción fuente precisa requerirá una elevada relación señal-ruido 1. Figura 1 muestra un protocolo experimental para la investigación de los mecanismos de procesamiento de la cara que se pueden ...

En los últimos años, ha habido un creciente interés en la estimación de las fuentes corticales de cuero cabelludo medidos actividad eléctrica para los experimentos de neurociencia cognitiva. En este artículo se describe cómo se adquiere EEG de alta densidad y cómo se procesan las grabaciones para la estimación de fuente cortical en los niños desde la edad de 2 años en el bebé Lab Londres.

Cortical Análisis Fuente de Alta Densidad EEG Grabaciones en niños

EEG is traditionally described as a neuroimaging technique with high temporal and low spatial resolution. Recent advances in biophysical modelling and ...

El objetivo general del siguiente experimento es estimar los generadores neuronales del EEG medido en el cuero cabelludo con participantes pediátricos. Esto se logra mediante el registro de EEG de alta densidad con niños y el uso de procedimientos experimentales adecuados como segundo paso. Un modelo de superficie se calcula sobre la base de datos de imágenes de resonancia magnética, ya sea una resonancia magnética estructural individual o una plantilla apropiada para la edad, lo que conduce a un modelo de elementos límite que asocia diferentes compartimentos con valores de conductividad para la reconstrucción de la fuente.A continuación, la ubicación de los canales de EEG se registra conjuntamente con el modelo inverso. Con el fin de calcular los probables generadores de los cambios de voltaje medidos en el cuero cabelludo, se obtienen resultados que mostraron la contribución de las fuentes corticales a partir de los datos medidos del EEG y las predicciones del modelo de cabeza. La principal ventaja de esta técnica sobre los métodos existentes, como el análisis a nivel de canal, es que se puede evaluar la probable contribución de varias áreas corticales a un componente potencial relacionado con eventos.La primera vez que tuvimos la idea de utilizar este método fue cuando quisimos evaluar la estructura de la red de las áreas corticales mediante registros de EEG en estado de reposo. La demostración visual de este método es fundamental ya que es amigable para los niños. El registro del EEG es difícil de aprender, ya que los procedimientos estándar de registro deben adaptarse a los niños para comenzar este protocolo.Primero, asegúrese de que el niño se sienta cómodo con el entorno de la prueba. Para hacer esto, permita que los niños más pequeños se sienten en el regazo de su cuidador o en un asiento cómodo para niños. Además, deje que el niño vea y sienta la red del sensor antes de aplicarla en la cabeza del niño.Si hay una red adicional, pídale a los padres que también se prueben una o que la coloquen en una muñeca o peluche para mantener a los niños cómodos. Durante la preparación del EEG, permita que el niño escuche música. Mire una caricatura apropiada para su edad o distráigalos usando otro experimentador.A continuación, mida la circunferencia máxima de la cabeza del niño para seleccionar el tamaño de red correcto. Use una cinta métrica y sujétela a la nasión. Luego mida la cabeza alrededor de la circunferencia máxima aproximadamente un centímetro por encima del eón.A continuación, identifique el vértice de la cabeza en la intersección de la distancia media entre nasion y eon, así como la izquierda y la derecha por punto auricular. Marque este punto con un bolígrafo de porcelana para asegurarse de que el canal Vertex esté colocado correctamente al aplicar la red. Ahora aplique una red de sensores que se haya empapado, una solución de electrolitos y asegúrese de que los canales clave estén alineados con los puntos de referencia anatómicos.A continuación, asegúrese de que los canales tengan un buen contacto con el cuero cabelludo. Colocando los sensores individualmente. Gire suavemente cada sensor de lado a lado para apartar el cabello.A continuación, mida las ganancias de canal y las impedancias de canal. Haga clic en iniciar para comenzar el registro en la estación de red, el software de registro de EEG e inicie la medición de ganancia e impedancia. Si la medición no se inicia automáticamente, utilice el amplificador de calibración y el botón de medición de impedancias netas.Compruebe en el software de grabación si hay canales con impedancias superiores a 50.000 ohmios, que aparecerán en rojo. Aplique una solución de electrolito adicional con una pipeta para reducir las impedancias del canal. Además, verifique la pantalla de EEG para ver si hay canales que muestren actividad de alta frecuencia.A pesar de la baja impedancia o la actividad notablemente menor que los canales circundantes, estos canales pueden tener un contacto flojo con el cuero cabelludo y requerir ajuste. Una vez que todos los canales estén satisfechos, ejecute el experimento de EEG apropiado después del experimento de EEG. En primer lugar, preprocese los datos para corregir los artefactos.A continuación, segmento A de resonancia magnética anatómica previamente adquirida con software gratuito de navegación. Configure el entorno de shell para incluir free surfer para dot bash rc. Incluya el comando que se ve aquí en el archivo RC dot bash.A continuación, defina el directorio del asunto, que es la carpeta. La salida se escribirá usando el comando que se ve aquí. A continuación, importe los segmentos en el software de lluvia de ideas y utilice las herramientas de visualización para comprobar si hay una segmentación incorrecta, como esferas superpuestas o compartimentos anatómicamente improbables.Inspeccione la segmentación visualmente haciendo clic con el botón derecho y seleccionando Mostrar para estimar primero la actividad de la fuente, iniciar la aplicación de lluvia de ideas y, a continuación, crear un nuevo protocolo y agregar un nuevo sujeto al protocolo. A continuación, importe los datos de EEG del participante e importe un archivo de canal. Compruebe que los modelos de elementos de contorno y los canales se alinean según lo esperado haciendo clic con el botón derecho del ratón en el archivo de canal del sujeto y navegando hasta el registro y la comprobación de la resonancia magnética.Tenga en cuenta que si las esferas dentro del modelo se superponen o si los canales están dentro de los modelos de elementos de contorno, la reconstrucción de origen producirá resultados incorrectos. Ajuste la alineación utilizando la opción de edición en el menú de segmentación de RMN. A continuación, calcule la matriz de ruido Covance a partir de la línea de base de cada épica eligiendo la matriz de ruido Covance y calcule a partir de la grabación.A continuación, calcule el modelo de origen seleccionando Calcular modelo de origen. Calcule la solución inversa utilizando la estimación de norma mínima ponderada en profundidad seleccionando la fuente de cálculo y la estimación de norma mínima. Repita estos pasos para todos los participantes en el estudio.A continuación, promedie la actividad de la fuente en los ensayos por participantes arrastrando las grabaciones al menú del proceso y seleccionando el promedio y por condición. Promedio de la asignatura. Contrasta la condición seleccionando procesos y arrastrando cada condición en una ventana.A continuación, seleccione la prueba T en función del diseño del estudio para realizar múltiples comparaciones. Establezca los umbrales de amplitud y área en la visualización del mapa estadístico resultante en el menú de estadísticas. Ahora calcule la respuesta relacionada con el evento para una región de interés.Para ROI basados en parcelación. Cargue la parcelación gratuita de surfer haciendo clic con el botón derecho en la superficie de la corteza en el menú de anatomía y seleccionando importar etiquetas. Navegue por el archivo correspondiente y cargado.A continuación, seleccione una región de interés en el panel de exploración del menú de datos funcionales. Obtenga la actividad relacionada con el evento de la región de interés arrastrando los archivos a la ventana de proceso y seleccionando extraer series temporales de exploración. Desde el menú de fuentes.Tenga en cuenta que se pueden seleccionar varias regiones de interés simultáneamente y las series temporales se pueden exportar para su posterior trazado y análisis. Los resultados presentados aquí se basan en una grabación con un niño de 6 años. Esta figura muestra las posibles respuestas relacionadas con eventos a nivel de canal a estímulos faciales y faciales revueltos.La respuesta suele mostrar una deflexión más negativa entre 130 y 220 milisegundos después del inicio del estímulo en el lado derecho de los rostros en comparación con los rostros revueltos. Aquí vemos la comparación estadística de la actividad de la fuente proyectada en base a un modelo de cabeza estándar de adulto y un modelo de cabeza apropiado para la edad. En la segunda y tercera fila, el mapa de colores ilustra el tamaño del efecto, con el rojo que indica una mayor actividad en la condición de caras y el azul que muestra una mayor actividad en la condición de caras revueltas.Y, por último, esta figura muestra las posibles respuestas relacionadas con eventos de origen del giro fusiforme derecho en respuesta a las caras y las caras codificadas basadas en la reconstrucción de la fuente de una grabación. Utilizando un modelo de elementos de contorno apropiado para la edad con una estimación mínima de la norma Una vez dominada, esta técnica se puede realizar en unas pocas horas de acuerdo con el análisis de la fuente si se realiza correctamente Siguiendo este procedimiento. Se pueden realizar otros métodos, como el tiempo, la frecuencia y la descomposición, para responder a preguntas adicionales sobre la contribución de los neuroosciladores en diferentes bandas de frecuencia.Después de ver este video, debería tener una buena comprensión de cómo estimar los generadores corticales de los registros de EEG de alta densidad en participantes pediátricos.

cortical-source-analysis-of-high-density-eeg-recordings-in-children

Research

Investigación

JoVE Journal

Behavior

Comportamiento

Electroencefalografía densa red se está utilizando cada vez más a los estudios sociales las funciones cognitivas en niños y adultos. Aquí se presenta una metodología establecida que representa una mejora significativa en las metodologías convencionales para el estudio de EEG en niños y adultos.

La investigación de la cognición social en niños y adultos usando electroencefalografía denso conjunto ( D EEG)

La electroencefalografía de alta densidad (dEEG) se utiliza cada vez más para estudiar el desarrollo y la plasticidad del cerebro en los primeros años de vida. Aquí presentamos una aplicación de técnicas de análisis sofisticadas que se basan en el registro tradicional de EEG para comprender la dinámica oscilatoria del procesamiento auditivo rápido en el cerebro infantil.

Procesamiento Auditivo Infantil y oscilaciones cerebrales relacionados con eventos

Este video presenta los procedimientos de preparación, registro y análisis de fuentes de EEG de alta resolución en ratas sedadas con un modelo preclínico particular de epilepsia focal en condiciones no invasivas.

Cerebro Imaging Source en modelos preclínicos de la rata de la epilepsia focal usando de alta resolución EEG Grabaciones

Estereotáctica Electroencefalografía (SEEG) es una técnica quirúrgica utilizada en la cirugía de la epilepsia para ayudar a localizar focos epilépticos. También ofrece una oportunidad única para investigar la función cerebral. Aquí describimos cómo SEEG se puede utilizar para investigar los procesos cognitivos en sujetos humanos.

La investigación de la función de profunda cortical y estructuras subcorticales Usando estereotáctica Electroencefalografía: Lecciones de la corteza cingulada anterior

Las oscilaciones de alta frecuencia (HFO) han surgido como biomarcadores prequirúrgicos para la identificación de la zona epileptógena en pacientes pediátricos con epilepsia resistente a fármacos. Se presenta una metodología no invasiva para la grabación, la detección y localización de HFO con electroencefalografía cuero cabelludo simultánea (EEG) y magnetoencefalografía (MEG).

Interictales oscilaciones de alta frecuencia detectada con magnetoencefalografía simultánea y electroencefalografía como biomarcador de Epilepsia Pediátrica

Se proporcionan instrucciones para la construcción e implantación quirúrgica de bajo costo de un montaje electroencefalográfico transcraneal crónico de alta densidad en ratones. También se describen las técnicas de grabación, extracción y procesamiento de señales.

De alta densidad Electroencefalográfica Adquisición en un modelo de roedor Uso de recursos de bajo costo y de código abierto

Aquí, mostramos cómo aplicar electroencefalografía integrada por amplitud para vigilar la función cerebral en recién nacidos.

Aplicación de un Monitor de EEG de amplitud integrada (Monitor de función Cerebral) a los recién nacidos

Aquí se describe un multimodal de EEG-fMRI método, conocido como la fuente de EEG de la fMRI limitado espacio-temporal método, la proyección de imagen de la proyección de imagen. El método presentado emplea sub-mapas condicional-active fMRI o priores, para guiar la localización de la fuente de EEG de una manera que mejora la especificidad espacial y limita los resultados erróneos.

Concurrente EEG y MRI funcional grabación y análisis de integración de la proyección de imagen dinámica actividad Cortical

En este artículo, presentamos un protocolo para investigar el visual cortical diferencial evocado patrones morfológicos potenciales a través de la estimulación de redes ventrales y dorsales utilizando EEG de alta densidad. Se describen los paradigmas de estímulo de movimiento y objeto visual, con y sin nervios temporal. También se describen los análisis morfológicos potenciales evocados visuales.

Patrones morfológicos potenciales evocados visuales corticales específicos del estímulo

Las técnicas de análisis de EEG estándar ofrecen una visión limitada de la función del sistema nervioso. La derivación de modelos estadísticos de conectividad cortical ofrece una capacidad mucho mayor para investigar la dinámica de red subyacente. La mejora de la evaluación funcional abre nuevas posibilidades de diagnóstico, pronóstico y predicción de resultados en enfermedades del sistema nervioso.

Modelado estadístico de la conectividad cortical mediante electroencefalogramas no invasivos

La magnetoencefalografía (MEG) y la electroencefalografía de alta densidad (HD-EEG) rara vez se registran simultáneamente, aunque proporcionan información confirmatoria y complementaria. En este artículo, ilustramos la configuración experimental para el registro simultáneo de MEG y HD-EEG y la metodología para analizar estos datos con el objetivo de localizar áreas cerebrales epileptógenas y elocuentes en niños con epilepsia resistente a los medicamentos.

Imágenes de fuente electromagnética en la evaluación prequirúrgica de niños con epilepsia resistente a los medicamentos

Aprende a estimar generadores neuronales de EEG de alta densidad en niños usando modelos de elementos de frontera y MRI. Este método computacional mejora la precisión en neurociencia cognitiva pediátrica.

Cortical Análisis Fuente de Alta Densidad EEG Grabaciones en niños

Explorar más videos