Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Corticale Analyse de la source de haute densité EEG Recordings chez les enfants

20.9K vues

⸱

DOI :

10.3791/51705

⸱

30 juin 2014

 ,  , 
1Cognitive Neuroscience & Neuropsychiatry Section, UCL Institute of Child Health, 2Academic Division of Neonatology, Institute for Women's Health, University College London

Dans cet article

Résumé

Au cours des dernières années, il ya eu un intérêt croissant pour l'estimation des sources corticales du cuir chevelu mesurées activité électrique pour des expériences en neurosciences cognitives. Cet article décrit comment EEG haute densité est acquis et comment les enregistrements sont traités pour l'estimation de la source corticale chez les enfants dès l'âge de 2 ans au bébé Lab Londres.

Résumé

EEG est traditionnellement décrite comme une technique de neuro-imagerie à haute résolution spatiale et temporelle faible. Les progrès récents dans la modélisation biophysique et traitement du signal permettent d'exploiter l'information d'autres modalités d'imagerie comme l'IRM structurelle qui fournissent une haute résolution spatiale pour surmonter cette contrainte 1. Ceci est particulièrement utile pour les enquêtes qui exigent une haute résolution dans le temporel ainsi que le domaine spatial. En outre, en raison de l'application facile et à faible coût des enregistrements EEG, EEG est souvent la méthode de choix lorsque l'on travaille avec les populations, comme les jeunes enfants, qui ne tolèrent pas l'IRM fonctionnelle scanne bien. Toutefois, afin d'enquêter sur ce qui substrats neuronaux sont impliqués, des informations anatomiques de l'IRM structurelle est encore nécessaire. La plupart des logiciels d'analyse EEG travaillent avec des modèles de tête standards qui sont basés sur l'anatomie adulte. La précision de ces modèles lorsqu'il est utilisé pour les enfants est limitée 2, parce que le composition et la configuration spatiale de la tête tissus changements de façon spectaculaire sur le développement 3.

Dans le présent article, nous présentons un aperçu de nos récents travaux en utilisant des modèles de tête sur la base de différents IRM structurelles ou des modèles spécifiques de la tête d'âge pour reconstruire les générateurs corticaux de haute densité EEG. Cet article décrit comment les enregistrements EEG sont acquises, traitées et analysées avec les populations pédiatriques au bébé Lab Londres, y compris l'installation de laboratoire, la conception des tâches, EEG prétraitement, traitement IRM, et le niveau du canal EEG et l'analyse des sources.

Introduction

Le président Barack Obama a décrit le cerveau humain comme la prochaine frontière de la découverte scientifique de haute importance pour la santé et l'économie 3 (http://www.whitehouse.gov/share/brain-initiative). Toutefois, comme dans tout autre domaine dans les sciences naturelles, les neurosciences dépend de progrès dans les méthodes et techniques d'analyse de progrès. Deux outils non invasifs couramment utilisés dans les études sur le fonctionnement du cerveau chez l'homme sont l'imagerie par résonance magnétique (IRM) et l'électroencéphalographie (EEG). Ces outils exploitent des propriétés physiques différentes et fournir différentes perspectives sur le fonctionnement du cerveau avec des avantages et des inconvénients. L'IRM utilise les propriétés magnétiques des molécules d'eau à l'intérieur des champs magnétiques pour obtenir des images de tissus vivants. L'objet doit être placé dans un aimant d'intensité de champ élevée. Le mouvement du participant est restreint durant cette procédure et le participant doit tolérer le bruit causé par les changements rapides dans le champ magnétiquedomaine. En plus des images structurelles, l'IRM fournit également la possibilité de mesurer les changements dans l'oxygénation du sang pour étudier le fonctionnement du cerveau (IRM). En résumé, l'IRM offre une résolution spatiale relativement élevée allant jusqu'à 0,5 mm 3 avec des champs élevés modernes scanners et des paramètres optimisés 4. En revanche, la résolution temporelle de l'IRMf est limitée à la cinétique lente de la réponse BOLD, qui reflète seulement indirectement la dynamique temporelle élevés de l'activité neuronale 5,6.

D'autre part, l'EEG mesure les variations de l'activité électrique provoquées par l'activité de neurones par l'intermédiaire d'électrodes placées sur le cuir chevelu. Les progrès récents de la technologie EEG permettent une application rapide et facile des capteurs pour les enregistrements ambulatoires à court terme ou à long terme et fixe ainsi que. Parce que l'EEG est moins restrictive, il est également la méthode de choix pour certaines populations de participants qui ne tolèrent pas l'environnement IRM bien comme pédiatrique et certainpopulations gériatriques et psychiatriques. Les propriétés de l'EEG montrent un motif inverse de ceux de l'IRM: la résolution temporelle est très élevé avec une précision d'une milliseconde, mais la résolution spatiale est limitée. Des courants électriques passent à travers les différents tissus entre leur générateur et les électrodes d'EEG sur la surface du cuir chevelu. Cela conduit à un mélange et étalement spatial de l'activité de la source connue sous l'effet du volume de conduction. Par conséquent, l'activité mesurée par les électrodes sur la surface du cuir chevelu reflète l'activité à partir de multiples sources qui peuvent être éloignés de la position de l'électrode sur la tête de 1,7.

Beaucoup de travail au cours des dernières années a été consacrée à la fusion de l'IRM et EEG afin de tirer parti de leurs atouts respectifs. Une ligne de travail est consacrée à l'acquisition simultanée de l'EEG et IRM dans les études fonctionnelles. Une autre approche consiste à utiliser les informations spatiales fournies par l'IRM structurelle pour tenir compte du volume conduction effet grâce à la modélisation biophysique. L'utilisation de l'information structurale pour la reconstruction de source d'enregistrements EEG est particulièrement utile pour des études impliquant une population pédiatrique. L'enquête de l'évolution de la fonction cérébrale est essentielle pour comprendre comment les compétences cognitives complexes sont construits au-dessus de précurseurs simples 8.

Ces enquêtes permettent de mettre en évidence des changements dans les substrats neuronaux et des propriétés de réponse qui sont en corrélation avec les changements dans la performance comportementale. Toutefois, l'enquête de la fonction du cerveau et la cognition au cours du développement pose également des défis spécifiques. En particulier, la possibilité pour les études d'IRM fonctionnelle est limitée car les jeunes enfants et les nourrissons doivent soit être endormi ou sous sédation pour obtenir des données d'IRM sans artefacts de mouvement et de l'impact négatif sur le bien-être des participants. En outre, l'EEG est perçu comme moins risqué et invasif par les parents, ce qui rend le recrutement des participants à la recherche plus facile. Tar conséquent, l'EEG est la méthode de choix pour de nombreuses enquêtes sur le fonctionnement du cerveau chez les jeunes enfants. Progrès méthodologiques dans les systèmes EEG permettent l'application des matrices d'électrodes à haute densité avec 128 canaux ou plus en quelques minutes. Facilité d'application et un confort de port sont suffisantes pour permettre même enregistrement EEG dans les plus jeunes enfants. Cependant, souvent, les chercheurs ne sont pas seulement intéressés à la dynamique temporelle des réponses à des stimuli particuliers, mais aimeraient également de comparer les substrats neuronaux qui interviennent dans les réponses.

Une hypothèse qui prévaut dans le niveau de canal analyse ERP comparant différents groupes d'âge, c'est que les mêmes substrats neuronaux de répondre, mais que le moment ou l'amplitude de la réponse varie selon les âges 9. Cuir chevelu topographie similaire est souvent utilisé comme un indicateur de l'activité neurale sous-jacente similaire. Cependant, de nombreuses configurations de sources différentes peuvent conduire à des topographies du cuir chevelu similaires 10. En appliquant l'estimation de la source, ce Uncertitude peut être réduite et quantifié. L'indépendance des observations est essentiel pour les comptes du réseau de la fonction cérébrale: si les sources sont mélangés, les corrélations seront biaisées vers la connectivité locale plus élevée. reconstruction de source peut être appliqué pour réduire ce biais 11. Inversement, les différences dans le calendrier et la phase peuvent être utilisées pour l'analyse de la connectivité, mais ces modèles mathématiques nécessitent des hypothèses qui sont difficiles à évaluer en données non simulées 12. En résumé, l'estimation de la source fournit des informations supplémentaires à l'EEG de niveau de canal et l'analyse des ERP basée sur la connaissance de l'anatomie et les propriétés biophysiques des tissus.

Différents algorithmes ont été conçus pour trouver des solutions au problème inverse. Ces algorithmes sont en gros en deux catégories: paramétriques et non paramétriques 13. Modèles paramétriques supposent une ou plusieurs dipôles qui peuvent varier dans l'emplacement, l'orientation et la force. En revanche, les modèles paramétriques contai nonna grand nombre de dipôles avec emplacement et l'orientation fixe. Dans ces modèles, l'activité électrique du cuir chevelu est expliquée comme une combinaison des activations dans les dipôles fixes 10,13,14. Non paramétrique, modèles de sources distribuées peuvent être basées sur la connaissance de l'anatomie et de la conductivité dans les différents médias. Modèles d'éléments de frontière intègrent les valeurs de conductivité pour les principaux tissus de la tête avec différentes coques pour le cerveau, le liquide céphalo-rachidien, et le crâne. Ceci est basé sur l'hypothèse que la conductivité est essentiellement constante à l'intérieur de chaque compartiment, mais que des modifications marquées se produit à la limite entre les différents compartiments. Modèles éléments finis sont basés sur la poursuite de la segmentation des examens IRM dans la matière grise et blanche pour que les valeurs de conductivité peuvent être affectés à chaque voxel 15.

En termes pratiques, modèles non paramétriques sont particulièrement utiles pour la reconstruction de source dans des tâches cognitives complexes, dans lequel le nombre de zones concernées peutpas connu 10. Modèles d'éléments de frontière sont les plus largement utilisés dans la littérature actuelle, probablement parce que les plus précises modèles éléments finis présentent des demandes de calcul comparable élevés. En outre, il existe une variabilité interindividuelle considérable dans la matière grise et blanche de sorte que MEF devrait être basée sur l'IRM individuels.

Les modèles non paramétriques exigent une deuxième étape pour adapter le cuir chevelu activité mesurée aux prédictions du modèle de l'avant. Encore une fois, des approches différentes avec différents avantages et inconvénients ont été discutés dans la littérature (voir Michel et al. 2004 pour un aperçu). Les algorithmes les plus couramment utilisés sont basés sur l'estimation de la norme minimale (MNE), ce qui correspond le cuir chevelu activité mesurée à une distribution de courant dans le modèle de l'avant avec l'intensité globale plus faible 16. MNE est biaisé vers des sources faibles et superficielles. Profondeur algorithmes MNE pondérés essaient de réduire le biais de surface en introduisant pondérationmatrices fondées sur des hypothèses mathématiques 10. L'approche LORETA largement utilisé se fonde également sur ​​pondérée MNE, mais minimise en outre le Laplacien de sources, ce qui conduit à des solutions plus douces 17,18. LORETA a été trouvé pour les meilleures performances pour les sources individuelles dans les études de simulation 19,20. Cependant, LORETA peut conduire à plus de lissage des solutions. Profondeur pondérée MNE est préférable que les sources sont inconnues ou plusieurs sources sont susceptibles d'être présents 13, 16. En comparant les résultats de différents algorithmes d'évaluer l'influence de différentes hypothèses du modèle est recommandé.

En résumé, la reconstruction de la source grâce à des méthodes de modélisation a été limité pour les enfants jusqu'à récemment. C'est parce que la plupart des logiciels d'analyse EEG s'appuie sur des modèles de tête basée sur l'anatomie adulte qui limite considérablement l'exactitude des solutions à la source chez les enfants 2,8. L'accès pas cher à la puissance de calcul et la fourniture delogiciel convivial pour la reconstruction de la source permettent de surmonter ces limitations. Application de l'estimation de la source à l'EEG présente deux avantages importants par rapport à des analyses fondées sur des observations du niveau de canal seulement: amélioration de la résolution et de l'indépendance des observations spatiales.

estimation de la source ne peut pas être instructif dans certains cas: une bonne couverture de la tête est nécessaire de distinguer les sources. Systèmes à haute densité avec 128 électrodes ou plus sont recommandés 10,15; une couverture clairsemée agira comme un filtre spatial menant à plus grande activation de la source de propagation ou de faux résultats négatifs 10. En outre, la reconstruction de source basé sur la méthode décrite dans cet article a été signalé pour les générateurs corticaux. Par conséquent, il est moins approprié pour tester des hypothèses sur des substrats sous-corticales ou sous-corticales interactions corticales. Enfin, l'analyse de la source doit être fondée sur des hypothèses préalables détaillées sur les substrats corticaux,prenant la littérature existante d'autres modalités d'imagerie en compte. Des techniques de filtrage spatial peuvent également être utilisés pour améliorer la résolution spatiale du signal EEG en réduisant mélange spatial au niveau du cuir chevelu. Des méthodes alternatives pour réduire l'influence des effets de volume de conduction sans modélisation de la tête sont utilisés, par exemple, le filtrage de Laplace 21 ou actuelle analyse de la densité Source 22. Cependant, ces méthodes ne fournissent pas plus d'informations sur les générateurs de neurones que les effets du volume de conduction ne sont pas seulement limitées à des capteurs à proximité spatiale 1.

Dans les sections suivantes, l'article décrit comment des expériences pour l'enquête de cerveau et la fonction cognitive chez les enfants de 2 ans sont conçus au bébé Lab Londres. Ensuite, l'acquisition de données EEG de haute densité systèmes de basse impédance avec enfants est discutée. Ensuite, EEG prétraitement et d'analyse sur le niveau du canal est présenté. Lastly, l'article porte sur le traitement de données d'IRM de structure pour une reconstruction de source corticale et l'analyse des signaux de niveau de la source.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Expériences potentiels 1. Conception EEG et événements liés aux enfants

Remarque: Une expérience simple a été conçu pour les besoins de cet article qui peut être utilisée pour étudier le traitement des visages chez les jeunes enfants. La section suivante décrit l'expérience et expliquer comment mettre en œuvre à l'aide de MATLAB R2012b et PsychToolBox V3.0.11 23,24. Les photos prises à partir de l'ensemble NimStim d'expression faciale émotionnelle 25 ont été utilisés pour cet exemple. Cet ensemble de stimulus est disponible à des fins de recherche sur demande ( http://www.macbrain.org/resources.htm ).

  1. Transférez les photos RVB en niveaux de gris à réduire les différences entre les stimuli. Voir le tableau 1. Remarque: Ces commandes nécessitent le traitement de l'image Boîte à outils ( http://www.mathworks.co.uk/products/image/ ). Alternatives libres peuvent être trouvées tvec l'échange de fichiers ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Utilisez un logiciel de contrôle expérimental pour mettre en œuvre l'expérience avec un timing précis pour les déclencheurs de la présentation du stimulus utilisant une série de commandes (voir le tableau 1 pour un exemple).

2. D'acquisition de données

  1. Assurez-vous que l'enfant est à l'aise avec l'environnement de test. Permettre aux jeunes enfants de s'asseoir sur les genoux de leur fournisseur de soins ou dans le siège d'un enfant à l'aise. Laissez l'enfant voir et sentir le filet du capteur avant de l'appliquer à la tête de l'enfant. Si il ya une nette supplémentaire, ont le parent aussi essayer un sur, ou placer un sur une poupée ou peluche peluche.
  2. Mesurez la circonférence de la tête maximale pour sélectionner la taille correcte net pour l'enfant. Utilisez un ruban à mesurer et tenir au nasion. Ensuite, mesurer autour de la tête autour de la circonférence maximale (~ 1cm au-dessus de l'inion). Remarque: garder une trace de la circonférence de la tête de mesure et le filet de capteur utilisé pour une analyse ultérieure 26. Il permet, si la tête des parents est également mesurée à rendre les enfants plus à l'aise avec la situation.
  3. Identifier le sommet de la tête à l'intersection de la mi distance entre nasion et inion et le point périauriculaire gauche et à droite. Marquer ce point avec un stylo porcelaine afin de s'assurer que la canalisation de sommet est correctement positionné lors de l'application du filet.
  4. Appliquer le réseau de capteurs et assurez-vous que les canaux principaux sont alignés avec les repères anatomiques (nasion, Inion, vertex et mastoïdes gauche / droite). Remarque: Pour obtenir des résultats plus précis, la position des chaînes sur la tête peut être acquise numériquement en utilisant un équipement de numérisation spécial. Les chercheurs qui souhaitent acquérir la position du capteur doivent se reporter aux manuels du matériel et des logiciels appropriés. Sinon, cartes d'électrodes qui assument placement standard d'électrodes long anatomique landmarks peuvent être utilisés. Ces cartes peuvent être déformés à l'âge des modèles de tête appropriées comme décrit dans la section d'analyse.
  5. Veiller à ce que les canaux ont un bon contact avec le cuir chevelu en positionnant les capteurs individuellement; tourner doucement chaque capteur d'un côté à l'autre pour déplacer les cheveux de la route.
  6. Mesurer les gains de canal et impédances de canal. Cliquez sur "Démarrer" pour commencer l'enregistrement dans le logiciel d'enregistrement NetStation EEG et commencer le gain et la mesure d'impédance. Si la mesure ne démarre pas automatiquement, utilisez le "Calibrer Amplificateur" et le bouton "mesurer des impédances net".
  7. Vérifiez le logiciel d'enregistrement pour les canaux avec des impédances supérieures à 50 kQ qui apparaîtront en rouge. Appliquer une solution d'électrolyte supplémentaire avec une pipette pour abaisser l'impédance de canal. Vérifiez l'affichage EEG pour les canaux qui présentent une activité à haute fréquence malgré une faible impédance ou nettement moins d'activité que les canaux environnants (canaux de ligne à plat). Ces canaux peuvent VHAe perdre le contact avec le cuir chevelu et nécessiter un ajustement.
  8. Afin de garder les enfants à l'aise pendant la préparation EEG, permettre à l'enfant d'écouter la musique, regarder un dessin animé âge approprié ou distraire les en utilisant un autre expérimentateur, par exemple, des bulles de savon pour les tout-petits.

3. Analyse

  1. Prétraitement
    1. Filtrage numérique des données avec un filtre passe-haut avec une coupure à 0,1 Hz pour éliminer canal dérive 27 (tableau 1).
    2. Pour l'analyse des ERP, appliquer un filtre passe-bas avec une coupure à 30 Hz 27 (tableau 1).
    3. Epoch les données continues selon les codes de déclenchement fixés lors de l'enregistrement. Pour la plupart des expériences, utiliser une base de 200 ms avant début du stimulus et un intervalle de 600 ms après la stimulation pour couvrir l'intervalle de temps d'intérêt (tableau 1).
    4. Retirer époques qui contiennent mouvement ou clignement artefacts: marque channels avec une amplitude crête à crête supérieure à 150 mV - ajuster ce seuil en fonction du groupe de participants et la qualité des données. Par souci de cohérence, utiliser le même seuil pour tous les participants dans une étude. Si un canal est au-dessus de ce seuil dans plus de 30% des époques, enlever le canal (activité de canal peut être interpolée à partir des canaux qui entourent, si ceux-ci contiennent des données acceptables). Si plus de 20% des chaînes sont marqués comme mauvais dans une époque, retirez l'époque. Si plus de 20% des canaux sont rejetés par l'algorithme ou moins de 50% d'époques sont retenues, envisager de supprimer le jeu de données à partir d'autres analyses (tableau 1).
      Remarque: Les seuils de pourcentage pour l'époque et le rejet de canal sont des chiffres approximatifs qui éliminent une quantité suffisante de bruit dans notre expérience. La quantité de l'artefact dans l'enregistrement est susceptible d'être différent à l'aide d'autres groupes de participants, des paradigmes expérimentaux ou des systèmes d'EEG. Les expérimentateurs peuvent vouloir ajuster le pourcentageseuils et vérifier s'ils sont satisfaits avec le rejet d'artefact. Alternativement, les expérimentateurs peuvent rejeter essais qui contiennent artefact par une inspection visuelle.
    5. Re référence à la référence moyenne en soustrayant l'activité moyenne à travers les canaux de chaque canal (tableau 1). Remarque: L'électrode de sommet est généralement utilisé en tant que référence d'enregistrement dans NetStation.
  2. Correction Artefact Utilisation de l'analyse en composantes indépendantes
    1. Importer les données dans la boîte à outils plus rapide 28 et exécuter l'algorithme automatique d'artefacts de rejet des données (tableau 1).
    2. Utilisez l'interface utilisateur graphique (GUI) pour plus rapide; pour ouvrir la FASTER_GUI GUI, tapez dans la ligne de commande.
    3. Décochez les options de filtrage dans le menu de filtrage des données a déjà été filtré avant la epoching.
    4. Indiquez le nombre de canaux: 126 canaux EEG avec 2 electrooculagram (EOG) canaux.
    5. Entrez lemarqueurs utilisés pour epoching les données sous forme de chaînes dans un réseau de cellules. Pour le cas présenté entrer: {«visage», «SCRA '} pour le visage et les conditions de visage brouillés.
    6. Sélectionner les canaux pour l'analyse en composantes indépendantes (ICA). Sélectionnez généralement tous les canaux d'enregistrement, incl. canaux EEG non externes.
    7. Spécifiez l'entrée et le dossier de sortie dans le volet droit de l'interface graphique.
    8. Sélectionnez le fichier de canal approprié pour les enregistrements. Remarque: Les fichiers de la Manche pour la plupart système EEG peuvent être soit téléchargés à partir du constructeur ou peuvent être téléchargés à partir du site Web de EEGLAB.
    9. Cliquez sur Exécuter pour commencer le traitement plus rapide. En fonction de la longueur des enregistrements et le nombre de fichiers, ce traitement peut prendre plusieurs heures.
    10. Inspecter visuellement les disques, les cartes de composants indépendants et ERP après le traitement.
  3. Canal analyse au niveau des données Potentiels événement lié
    1. Combiner plusieurs canaux pour former un c virtuelhannel avec un meilleur rapport signal sur bruit (tableau 1). Remarque: La sélection de chaînes devrait être basée sur les précédents rapports de la littérature ou hypothèses a priori. Sélection des chaînes qui montrent la plus grande amplitude dans une fenêtre de temps donné n'est pas conseillé 29.
    2. Obtenir des mesures comme l'amplitude de crête, moyenne de latence et l'amplitude crête à caractériser la forme d'onde et effectuer des tests statistiques (tableau 1).
  4. Créer des modèles d'éléments de frontière (BEM)
    1. Segment l'IRM anatomique scan avec FreeSurfer. Remarque: Pour obtenir des résultats plus précis, fonder le modèle des éléments de frontière sur l'IRM individuels pour chaque participant. Si cela n'est pas possible, des modèles d'IRM moyens qui correspondent à l'âge des participants autant que possible devraient être utilisées. S'il vous plaît noter que BEM ne peut être utilisé pour les enfants de moins de 24 mois. Modèles d'éléments de frontière supposent que chaque coquille (cerveau, le crâne, la peau) se compose d'une coque fermée. Cependant, en yenfants eunes les fontanelles du crâne ne sont pas fermées, ce qui viole l'hypothèse de coque fermée.
      1. Pour installer le logiciel FreeSurfer, d'abord le télécharger à partir du site FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Ensuite, mettre en place l'environnement du shell comprennent FreeSurfer; . pour bashrc, inclure les commandes suivantes dans le fichier bashrc.:
        1. Export FREESURFER_HOME = / Applications / freesurfer /
        2. Source $ FREESURFER_HOME / FreeSurferEnv.sh
          Remarque: Ces commandes supposent que le dossier FreeSurfer trouve dans le dossier Applications sur un système Unix. Il n'y a plus de détails sur la configuration de FreeSurfer avec les environnements de shell de remplacement, par exemple csh / tcsh, ou systèmes d'exploitation sur le site FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Ensuite, définir la direction Objethistoire, c'est à dire le dossier que la sortie sera écrite en utilisant la commande suivante:
        1. exportation SUBJECTS_DIR = / ... / BEM /
          Note: Les résultats peuvent être écrits dans n'importe quel dossier sur le système.
      3. Ensuite, changer le répertoire de travail dans le dossier qui contient le fichier de l'IRM pour la frontière élément de modèle en utilisant la commande suivante:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Enfants / cerveau /
          Note: Tout dossier sur le système peut être spécifié en utilisant la syntaxe de la commande cd. Ceci est un exemple de la structure de fichier chercheurs primaire.
      4. Enfin, commencer la reconstruction en utilisant les commandes suivantes:
        1. recon-all-i- subjid
        2. recon-tout-tout-subjid
          Remarque: doit être remplacé par le nom de l'IRM souhaités dans le répertoire courant. peut être replacé avec n'importe quel nom. FreeSurfer va créer un dossier avec ce nom dans le répertoire de l'objet. Selon le système utilisé, les dernières commandes peuvent nécessiter un certain temps à courir.
    2. Vérifiez la segmentation FreeSurfer pour la segmentation incorrecte, par exemple. sphères qui se chevauchent, anatomiquement compartiments improbables etc. en important les segments en BrainStorm et utiliser les outils d'affichage dans l'interface graphique:
      1. En BrainStorm, sélectionnez le volet d'anatomie. Importez le IRM segmentée par un clic droit sur l'objet et en sélectionnant «Importer anatomie dossier". Vérifiez que le dossier avec la sortie FreeSurfer est sélectionné. Inspectez la segmentation visuellement par un clic droit et en sélectionnant "Affichage". Remarque: Vous pouvez également FreeSurfer commandes peuvent être utilisées. Une description détaillée peut être consultée sur le site FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedRRECONSTRUCTION. Si la région de l'analyse d'intérêt basé sur parcellisation anatomique est souhaitée, le FreeSurfer fonctions mris_ca_label , mri_annotation2label et mri_mergelabels peuvent être utilisés. Reportez-vous aux publications FreeSurfer et les pages d'aide en ligne pour plus d'informations.
  5. Estimer l'activité de la source dans BrainStorm
    1. Lancer BrainStorm en tapant "remue-méninges" dans la fenêtre de commande.
    2. Créer un nouveau protocole en sélectionnant Nouveau Protocole dans le menu Fichier.
    3. Ajouter un nouveau subject le protocole en sélectionnant Nouveau sujet dans le menu Fichier.
    4. Importer des données EEG pour le participant par un clic droit sur l'objet et en sélectionnant «Importer MEG / EEG".
    5. Importation d'un fichier de canal par un clic droit et en choisissant "fichier de canal d'importation". Remarque: Le fichier de canal doit être aligné à l'IRM pour la reconstruction de la source. BrainStorm utilise un système de 4 points de référence anatomiques que l'utilisateur doit indiquer dans la IRM. S'il vous plaît se référer aux tutoriels de brainstorming pour plus d'informations ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). La position normale telle que définie par un fichier de canal pour un certain système d'EEG ou, idéalement, les positions de la tête qui ont été numérisées avant l'enregistrement EEG peuvent être utilisés.
    6. Vérifiez que le BEM et les canaux s'alignent comme prévu: un clic droit sur le fichier de canal pour le sujet et accédez à "l'enregistrement IRM" et "; Vérifier ". Remarque: Si les sphères dans le modèle se chevauchent ou si les canaux sont dans le BEM, la reconstruction de source produiront des résultats incorrects. Ajuster l'alignement en utilisant l'option "Modifier" dans le menu "segmentation IRM".
    7. Calculer la matrice de covariance du bruit de la ligne de base de chaque époque par un clic droit sur le participant et en choisissant "bruit Matrice de covariance» et «Calcul de l'enregistrement". Note: Les auteurs de la boîte à outils de BrainStorm vous recommandons d'utiliser un bruit matrice diagonale de covariance pour les enregistrements courts (~ points de temps inférieur à chaînes) et un plein pour les longs enregistrements. S'il vous plaît se référer au tutoriel BrainStorm Source Estimation pour plus d'informations: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Calculer le modèle source par un clic droit sur l'objet et en sélectionnant "Compute modèle de source ".
    9. Calculer la solution inverse en utilisant la profondeur minimale pondérée Norm Estimation par un clic droit sur l'objet et en sélectionnant «Calculer Source" et "estimation de norme minimale". Remarque: Autres options (DSPM, sLORETA) sont disponibles. Chaque option a ses avantages et ses inconvénients. L'algorithme doit être sélectionné sur la base de considérations a priori et les rapports précédents dans la littérature. En outre, certains algorithmes sont mieux dans la résolution activation focal dans certaines zones, tandis que d'autres sont plus appropriés pour l'activation répandue. MNE a été utilisé pour cette étude basée sur les précédents rapports de la littérature 16. Par souci de cohérence, le même algorithme pour la solution inverse doit être utilisé pour tous les participants dans une étude. Les chercheurs peuvent aussi vouloir comparer la façon dont les résultats sont robustes à l'application de différents algorithmes de résolution inverse.
    10. Répétez l'article 3 pour tous les participants à l'étude. Remarque: Soit utiliser le grainterface dosage géographique ou les scripts pour répéter les étapes de traitement pour les participants. Consultez la documentation de BrainStorm pour les instructions ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Activité de la source moyenne sur les essais par les participants en faisant glisser les enregistrements dans le menu de processus et en sélectionnant «moyen» et «par état (moyenne de sujet)".
    12. Contraste de l'état en sélectionnant les "Processus 2" et en faisant glisser chaque état dans une fenêtre. Ensuite, sélectionnez "Test" et "test t de Student» ou «test t de Student (apparié)" en fonction de la conception. Pour effectuer des comparaisons multiples, mis en amplitude et les seuils de la région dans l'affichage de la carte statistique résultant dans le menu "Stat". Remarque: Vous pouvez également les cartes d'activation peuvent être exportés vers SPM ( http://www.fil.ion.ucl.ac.uk / SPM /) pour plus d'analyse statistique en profondeur ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Calculer la réponse liées à l'événement pour une région d'intérêt. Pour parcellisation base ROI, charger la parcellisation FreeSurfer par un clic droit sur la surface du cortex dans le menu de l'anatomie et sélectionnez "étiquettes d'importation". Naviguer sur le fichier correspondant et de le charger. Maintenant, sélectionnez un retour sur investissement dans le volet "scout" du menu fonctionnel de données.
    14. Obtenir l'événement lié à l'activité de ROI en faisant glisser les fichiers dans la fenêtre Processus 1 et sélectionnez "Extraire Scout Time Series" dans le menu Sources. Remarque: Plusieurs ROI peut être sélectionné en même temps et la série de temps de retour sur investissement peut être exporté pour plus de traçage et d'analyse par un clic droit sur le temps de scoutdonnées de la série et en sélectionnant "Exporter vers Matlab".

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Conception expériences ERP pour les nourrissons et les enfants est souvent difficile, en raison de leur capacité limitée à tolérer de longues expériences répétitives 30. Ce problème est encore aggravé lorsque l'expérimentateur prévoit d'appliquer une reconstruction de source, car la reconstruction de source précise, il faudra un signal élevé bruit 1. Figure 1 affiche un protocole expérimental pour l'étude des mécanismes de traitement du visage qui peuvent être utilisés ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Le présent article décrit l'enregistrement et l'analyse des EEG haute densité pour la reconstruction des générateurs corticaux utilisant des modèles d'éléments de frontière fondée sur l'âge des modèles d'IRM moyens appropriés et la profondeur pondérée estimation de norme minimale dans un paradigme ERP standard, adapté aux enfants. Dans ce paradigme, des photos de visages et des visages brouillés sont présentés. Différents auteurs ont utilisé ce paradigme pour étudier le développement de mécanismes de...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les frais de publication de cet article ont été parrainés par électrique géodésiques, Inc.

Remerciements

Nous tenons à remercier M. John Richards, Université de Caroline du Sud, pour nous accorder l'accès à la base de données de développement IRM et des discussions utiles. Nous tenons également à remercier nos bailleurs de fonds de charité de Great Ormond Street Children, UCL Impact et grands défis.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Réseau de capteurs EEG haute densité (128 ou 256 canaux)HydroCel Geodesic Sensor Net 128Electrical Geodesic Inc., Oregon, US
Amplificateur EEG à haute impendanceNetAmps 200Electrical Geodesic Inc., Oregon, États-Unis
Ordinateur d’acquisition de données  ;PowerMac G4Apple Inc, Californie, États-Unis
Ordinateur de présentation StimulusOptiplex 745Dell Computers Inc., Texas, États-Unis
Logiciel de présentation StimulusMATLAB R2012b avec PsychToolBoxBrainard et al. 1997
Logiciel d’enregistrement EEGNetStation 4.5.1Electrical Geodesic Inc., Oregon, États-Unis
Analyse EEG logicielMATLAB R2012bThe Mathworks Inc.
EEGLABDelorme et al. 2004
BrainStormSylvain et al. 2001
Logiciel de traitement IRMFreeSurferFischl et al. 2004
OpenMEEGGramfort et. al. 2010
Delorme, A., et Makeig, S. EEGLAB : une boîte à outils open source pour l’analyse de la dynamique de l’EEG d’un seul essai, y compris l’analyse indépendante des composants. Journal of Neuroscience Methods, 134(1), 9&ndash ; 21 (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm : Une application conviviale pour l’analyse MEG / EEG. Intelligence computationnelle et neurosciences, 1&ndash ; 13 (2011).
Fischl, B. et al. Parcellation automatique du cortex cérébral humain. Cortex cérébral, 14(1), 11&ndash ; 22 (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG : logiciel open source pour la bioélectromagnétisme quasi-statique. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. La boîte à outils de la psychophysique. Vision spatiale, (1997).

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

Participants pédiatriquesIRM structurellemodèle aux éléments de frontièrereconstruction de sourcesprétraitement de l'EEGlogiciel FreeSurferlogiciel Brainstormestimation à norme minimale
Corticale Analyse de la source de haute densité EEG Recordings chez les enfants
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.