Según los Estados y análisis de complejidad de Omega de la electroencefalografía de estado descansando
June 15th, 2018
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.
Este semestre hemos respondido a 10 preguntas en el campo de los trastornos cerebrales, como por ejemplo cómo identificar un par de marcadores eficientes para un código de biografías en el diagnóstico actual. La principal ventaja de esta técnica es que podría emanar como referencia del problema pendiente cuando se adhiere al análisis de EEG tradicional. Las aplicaciones de esta técnica se extienden hacia nuestra comprensión de las redes de estados de reposo del cerebro humano.
Para comenzar este procedimiento, importe los datos de EEG sin procesar al software de laboratorio de EEG. A continuación, cargue el archivo de ubicación de canales en el software del laboratorio de EEG para obtener las ubicaciones espaciales de estos electrodos. Para eliminar los electrodos de referencia, una opción de Seleccionar datos en el rango de canales del cuadro de diálogo emergente, seleccione solo los electrodos de registro y no seleccione los electrodos de referencia para que se puedan eliminar los electrodos de referencia.
Para filtrar los datos de EEG entre 0,5 y 80 hercios, en el cuadro de diálogo emergente, elija 0,5 para el borde inferior de los hercios de la banda de paso de frecuencia y elija 80 para el borde superior de los hercios de la banda de paso de frecuencia. Luego haga clic en Ok.To eliminar el ruido de la línea eléctrica con un filtro de muesca entre 49 y 51 hercios, en el cuadro de diálogo emergente, elija 49 para el borde inferior de los hercios de la banda de paso de frecuencia y elija 51 para el borde superior de los hercios de la banda de paso de frecuencia. A continuación, seleccione la opción de Filtro de muesca de los datos en lugar de la banda de paso y haga clic en Ok.To eliminar los movimientos oculares, haga clic en Herramientas, luego haga clic en Eliminación de artefactos mediante AAR 1.3 y eliminación de EOG mediante BSS.
Para eliminar EMG, haga clic en Herramientas y, a continuación, haga clic en Eliminación de artefactos mediante AAR 1.3 y Eliminación de EMG mediante BSS. A continuación, segmente los datos de EEG continuos preprocesados en épocas con una duración de época de dos segundos. Aparecerá una ventana que permite guardar los datos de EEG segmentados.
A continuación, importe los datos de EEG segmentados al software del laboratorio de EEG y rechace las épocas de EEG con valores de amplitud superiores a más o menos 80 microvoltios en cualquier electrodo. A continuación, guarde los datos de EEG preprocesados. En este procedimiento, cargue los datos de EEG preprocesados, convierta los canales de referencia en referencia promedio común y filtre los datos de EEG de paso de banda entre dos y 20 hercios.
A continuación, identifique los cuatro mapas de microestados en cada sujeto. En el cuadro de diálogo emergente, elija tres para el número mínimo de clases, elija seis para el número máximo de clases, elija 50 para el número de reinicios, elija el número máximo de mapas a usar y seleccione las opciones de Solo pico GFP y Sin polaridad. A continuación, haga clic en el botón Aceptar.
Posteriormente, guarde los datos de EEG de cada sujeto después de identificar sus propios mapas de microestados. Importe los conjuntos de datos de EEG de todos los sujetos guardados en el último paso a la vez. A continuación, identifique los mapas de microestado a nivel de grupo.
En el cuadro de diálogo emergente, seleccione los conjuntos de datos de todos los sujetos en la opción Elegir conjuntos para promediar. En la opción Nombre de la media, asigne un nombre a los mapas de microestados a nivel de grupo y, a continuación, haga clic en el botón Aceptar. Esto creará un nuevo conjunto de datos denominado GrandMean que almacena los mapas de microestados a nivel de grupo. Ordene manualmente el orden de cuatro mapas de microestado a nivel de grupo según su orden clásico.
En la ventana emergente, seleccione Más y, a continuación, el número de mapas que se muestran se convierte en cuatro. Después de eso, seleccione Ordenar hombre. En el cuadro de diálogo emergente, introduzca el nuevo orden de cuatro mapas de microestado a nivel de grupo y haga clic en Cerrar.
A continuación, ordene el orden de los cuatro mapas de microestado de cada sujeto, guarde los parámetros de microestado para cada sujeto que invocarán dos cuadros de diálogo emergentes secuencialmente. 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 Ajustar solo en picos de GFP y Eliminar microestados potencialmente truncados. A continuación, elija 30 para la ventana de suavizado de etiquetas, ms, y elija Uno para la penalización de no suavidad, luego haga clic en Aceptar.Un archivo CSV que almacena los parámetros de submicroestado se guardará en la computadora. Estas imágenes muestran que los microestados de clase A y B tienen una orientación frontal derecha a occipital izquierda, y una orientación frontal izquierda a occipital derecha, respectivamente.
Los microestados de clase C y D tienen topografías simétricas, pero se observó una orientación prefrontal a occipital, y frontal a central a occipital, respectivamente. Esta tabla muestra la media y la desviación estándar de los parámetros de microestado de los sujetos sanos. Una vez dominada, esta técnica se puede realizar en una hora si se realiza correctamente.
Al intentar este procedimiento, es importante recordar que los datos del EEG deben preprocesarse con cuidado. Siguiendo este procedimiento, se pueden realizar otros métodos, como la localización de fuentes, para responder a preguntas adicionales, como de dónde provienen estos mapas de microestados. Esta técnica allanó el camino para que los investigadores en el campo de la ciencia del cerebro expusieran la enfermedad como en el cerebro humano.
View the full transcript and gain access to thousands of scientific videos
Visión general
Este artículo describe un protocolo para el análisis de microestados de electroencefalografía (EEG) y análisis de complejidad omega, ambas medidas de EEG sin referencia. Estas metodologías son vitales para investigar los mecanismos neuronales asociados con trastornos cerebrales.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Electrofisiología
- Trastornos cerebrales
Antecedentes
- El análisis de microestados de EEG es una técnica utilizada para examinar las redes del estado de reposo en el cerebro humano.
- El análisis de complejidad omega proporciona información sobre la complejidad de las señales de EEG.
- Estos métodos permiten a los investigadores explorar los mecanismos neuronales subyacentes en los trastornos cerebrales.
Propósito del estudio
- Introducir protocolos para el análisis de datos de EEG sin usar una referencia.
- Mejorar la comprensión de la dinámica neuronal asociada con varios trastornos cerebrales.
- Proporcionar un enfoque estandarizado que pueda replicarse en la investigación.
Métodos utilizados
- Se utiliza el software de laboratorio EEG para procesar datos de EEG sin procesar.
- Los pasos implican filtrado, eliminación de artefactos y segmentación de datos de EEG en épocas.
- Se identifican y analizan mapas de microestados para comprender la actividad de la red cerebral.
- El procesamiento de datos incluye la eliminación de ruido de línea eléctrica y artefactos de movimiento ocular.
- Los datos finales se organizan para comparar los parámetros de microestado entre sujetos.
Principales resultados
- Se identificaron cuatro mapas de microestados distintos en los datos de EEG, demostrando orientaciones espaciales específicas.
- Los parámetros de microestado se cuantificaron, revelando medias y desviaciones estándar en sujetos sanos.
- Esta metodología permite comparaciones entre individuos y posiblemente identifica anomalías asociadas con trastornos cerebrales.
Conclusiones
- El estudio presenta un protocolo que mejora el proceso de análisis de EEG, haciéndolo eficiente para una aplicación rápida.
- Muestra el potencial de estos métodos para una mayor comprensión de los mecanismos neuronales y la dinámica en los trastornos cerebrales.
- Los hallazgos proporcionan una comprensión fundamental para futuras investigaciones sobre la naturaleza de las interacciones de las redes cerebrales.
Preguntas frecuentes
Executive Industry Relevance
Reference-free EEG measures like microstate and omega complexity analyses address a key limitation in traditional spectral methods by eliminating reference-dependent biases. These approaches enable more reliable characterization of resting-state brain network dynamics, supporting target validation in neuropsychiatric drug discovery. By providing complementary temporal and spatial complexity metrics, they enhance mechanistic de-risking of CNS targets through improved signal interpretability.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of resting-state network alterations as potential biomarkers for target engagement in brain disorders.
- Operational Value: Supports hypothesis-driven selection of CNS targets by linking microstate topography to known functional networks.
- Predictive Value: Facilitates early de-risking of targets by quantifying network-level perturbations indicative of pathophysiological states.
Screening & Assay Development
- Scientific Value: Generates quantitative, reference-free EEG readouts suitable for high-throughput screening of compound effects on brain network dynamics.
- Operational Value: Standardizes preprocessing pipelines (filtering, artifact removal, epoching) to ensure reproducibility across compound testing batches.
- Assay Readiness: Produces stable microstate parameters (duration, occurrence, coverage) that serve as robust endpoints for dose-response modeling.
Translational & Preclinical Research
- Translational Continuity: Enables cross-species comparison of resting-state network organization when aligned with known homologs of human microstate classes.
- Mechanistic De-risking: Omega complexity provides spatial complexity metrics that complement microstate temporal metrics, offering a multidimensional view of brain state alterations.
- Risk-Adjusted Advancement: Combined microstate and omega complexity profiles help stratify preclinical models by their resemblance to human resting-state network phenotypes.
Pipeline & Workflow Integration
This method fits within the early discovery continuum, supporting hypothesis testing in target validation and enabling assay development for neuropsychological screening cascades.
- Discovery Biology: Tests therapeutic hypotheses by measuring alterations in microstate class parameters that reflect resting-state network reconfiguration.
- Screening: Delivers standardized, quantitative EEG outputs after artifact removal and epoching, enabling reliable compound library screening.
- Analytics: Generates microstate parameters (mean duration, transition probability) and omega complexity values that allow statistical comparison of brain complexity across conditions.
- Translational Research: Supports preclinical-to-clinical continuity by mapping microstate topographies to resting-state networks, aiding biomarker alignment.
- Enterprise Reuse: Establishes a reusable EEG preprocessing and analysis framework applicable across multiple CNS discovery projects.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity through network-level EEG phenotyping.
- Operational Value: Enhances reproducibility and scalability via standardized EEG lab software workflows for filtering, artifact removal, and microstate mapping.
- Strategic Value: Improves go/no-go decisions by providing objective, quantitative measures of target-mediated brain network modulation.
- Portfolio Impact: Enables risk-adjusted prioritization of CNS candidates based on their ability to normalize aberrant microstate or omega complexity profiles.
Implementation Considerations
- Requires expertise in EEG preprocessing, artifact correction (AAR, BSS, EOG, EMG removal), and spectral filtering techniques.
- Dependent on EEG lab software capable of microstate map identification, GFP peak detection, and group-level averaging across subjects.
- Necessitates cross-team standardization of epoching parameters (e.g., 2-second epochs), amplitude rejection thresholds (±80 µV), and microstate class sorting procedures.
- Involves adaptation considerations when applying to different species, disease models, or EEG systems with varying electrode montages.
- Limited by the quality of raw EEG recordings; excessive noise or artifacts can compromise microstate map identification and parameter extraction.
