Applications de l'EEG données de neuro-imagerie: les potentiels évoqués, puissance spectrale et multi-échelle Entropy

L’objectif général de cette procédure est de quantifier la variabilité d’une série chronologique EEG et de relier cette variabilité à la capacité de traitement de l’information du système neuronal sous-jacent. Ceci est accompli en acquérant d’abord des enregistrements EEG de haute qualité de la réponse du cerveau. La deuxième étape consiste à prétraiter les données pour supprimer tous les artefacts.

Ensuite, les statistiques d’intérêt sont extraites. Ici, nous allons comparer l’application novatrice de l’entropie multi-échelle avec des méthodes plus traditionnelles d’amplitude moyenne et de puissance spectrale. La dernière étape consiste à analyser la signification statistique des résultats et à interpréter les données.

Cette étape peut être facilitée en utilisant des approches multivariées basées sur les données, comme l’analyse partielle du carré de bail. En fin de compte, l’entropie multi-échelle est utilisée pour montrer comment une séquence de changements dans le modèle temporel spatial sur plusieurs échelles de temps contribue à des opérations cognitives spécifiques. L’avantage d’utiliser MSC par rapport aux méthodes existantes telles que l’amplitude moyenne ou la puissance spectrale, est que MSC est sensible aux non-linéarités des données.

Ces dynamiques non linéaires reflètent des transitions ou des bifurcations entre les micro-états d’un réseau, ce qui est important pour l’échange d’informations à travers un réseau distribué de régions cérébrales. Christina Backer, du laboratoire ERP de l’Institut de recherche Rotman, fera la démonstration de cette procédure. Tout d’abord, expliquez les procédures expérimentales au participant et obtenez un consentement éclairé.

Nettoyez la zone où les électrodes déroulantes seront placées à l’aide d’un tampon imbibé d’alcool. Placez un peu de gel sur l’électrode. Retirez les feuilles du côté de la peau et placez les électrodes sur le participant pour identifier les artefacts de mouvement oculaire.

Placez une électrode sur la jonction latérale du haut et du bas de la paupière. Placez une autre électrode au centre de la crête orbitaire, à environ un centimètre sous l’œil et dans l’alignement de la pupille. Répétez l’opération pour l’autre œil.

Mesurez la circonférence de la tête du participant et choisissez la taille de capuchon d’électrode appropriée selon le système 10 20 reconnu internationalement. Pour le placement des électrodes, mesurez la distance entre Indian Ian et Indian Ian le long de la ligne médiane et divisez par 10 % en utilisant ce nombre. Mesurez à partir du NAS et marquez.

Alignez la position du capuchon de l’électrode FP avec cette marque et tirez le capuchon vers l’arrière. Assurez-vous que le centre du capuchon est aligné avec le nez. Mesurez nasn à cz et confirmez que cette distance est la moitié de la distance entre NAS et Indian.

Serrez ensuite la mentonnière et placez de la gaze sous la sangle pour plus de confort si nécessaire. Maintenant, placez la seringue à pointe émoussée remplie de gel dans les porte-électrodes pour créer une colonne conductrice de gel. Commencez par contact avec le cuir chevelu, puis pressez et tirez vers l’arrière.

Notez que l’application d’une trop grande quantité de gel peut faire le pont entre les signaux des électrodes voisines. Ensuite, fixez les électrodes actives dans les porte-électrodes. Placez ensuite le sujet devant l’écran à la distance appropriée.

Pour l’expérience, demandez au participant de rester en insistant sur l’importance de minimiser les mouvements oculaires et les clignements des yeux. Pour un enregistrement propre, examinez les connexions des électrodes et la qualité du signal EEG sur l’ordinateur d’acquisition. S’il y a un problème avec une électrode particulière, retirez cette électrode et appliquez à nouveau du gel pour ajuster les impédances à cet endroit après l’expérimentation, mais avant d’extraire la statistique d’intérêt.

Prétraitez les données EEG continues pour supprimer les artefacts à l’aide des procédures standard de filtrage et de rejet des artefacts. L’analyse du potentiel lié à l’événement capture l’activité cérébrale synchrone qui est le verrouillage de phase au début d’un stimulus, le verrouillage temporel de la réponse du cerveau au début d’un événement saillant, puis la moyenne de nombreux événements similaires. Pour augmenter le rapport signal/bruit, identifier l’amplitude de crête et la latence du composant ERP pour chaque sujet, la puissance Spectra quantifie la contribution relative d’une fréquence à un signal EEG particulier.

Utilisez l’analyse de Fourier pour transformer le signal EEG du domaine temporel au domaine fréquentiel et décomposer le signal en ses ondes sinusoïdales composantes de fréquences variables. L’entropie multi-échelle est une métrique théorique de l’information qui capture la variabilité des signaux neuroélectriques au fil du temps et à plusieurs reprises. Balance. Utilisez l’algorithme de PhysioNet pour calculer l’entropie multi-échelle en deux étapes.

Dans un premier temps, descend progressivement. Échantillonnez le signal pour chaque essai et chaque échelle de temps de condition. L’un représente le signal d’origine.

Créez des échelles de temps ultérieures en divisant d’abord le signal d’origine en fenêtres non chevauchantes de la longueur de l’échelle de temps. Faites ensuite la moyenne des points de données dans chaque fenêtre. Par exemple, pour créer une échelle de temps de deux moyennes ensemble.

Les deux premiers points, les deux points suivants, et ainsi de suite. Pour créer une échelle de temps, faites la moyenne des trois premiers points, des trois points suivants et ainsi de suite. En représentant le signal original à différentes échelles de temps, il est possible d’analyser les processus neuronaux qui peuvent se dérouler à des rythmes différents.

La deuxième étape calcule l’entropie de l’échantillon pour chaque cours. Séries chronologiques granulées. Cela fournit une estimation de la complexité de la réponse du cerveau aux différentes échelles de temps.

Les signaux réguliers ont une entropie d’échantillon plus faible que les signaux plus stochastiques. Dans cet exemple, la longueur de motif M est définie sur deux. Cela signifie que la série chronologique sera représentée sous la forme d’un rapport entre deux et trois correspondances de séquences de points.

Le paramètre R est le critère de similarité. Les points de données qui se trouvent dans cette plage d’amplitude ont des valeurs similaires et sont donc dits correspondants. Pour plus de détails sur le réglage des paramètres, consultez le protocole texte pour calculer l’entropie de l’échantillon pour cette série chronologique simulée.

Commencez par les deux premiers composants. Motif de séquence, rouge orange, comptez d’abord le nombre de fois que le motif de séquence rouge orange apparaît dans la série chronologique. Il y a 10 matchs pour cela.

Séquence à deux composants. Deuxièmement, comptez le nombre de fois les trois premiers composants. Le motif de séquence, rouge, orange, violet apparaît dans la série chronologique.

Il y a cinq matchs pour cela. Séquence à trois composants. Poursuivez les mêmes opérations pour la séquence suivante à deux composants, orange, violet, et la séquence suivante à trois composants, orange, violet, vert de la série chronologique.

Ajoutez aux valeurs précédentes le nombre de correspondances de deux composants et de trois correspondances de composants pour ces séquences. Répétez l’opération pour toutes les autres correspondances de séquences de la série chronologique afin de déterminer le rapport total entre deux correspondances de composants et trois correspondances de composants. L’entropie de l’échantillon est le logarithme népérien de ce rapport.

Ces données montrent des différences de condition dans la puissance spectrale de l’ERP et l’entropie, contrastant la présentation initiale et répétée des photographies faciales. Dans cet exemple, toutes les mesures ont convergé pour révéler le même effet de diminution de l’entropie de l’échantillon qui accompagne la répétition de la face. Cette diminution de la complexité suggère que le réseau fonctionnel engagé est plus simple et traite moins d’informations.

Ces résultats statistiques sont dérivés de l’analyse multivariée des carrés partiels de location de puissance spectrale ERP et d’entropie multi-échelle pour des visages associés à différents niveaux de familiarité. Le contraste montre que l’amplitude de l’ERP distinguait les nouveaux visages des visages familiers, mais pas parmi les visages familiers dont la quantité d’exposition antérieure variait. La puissance spectrale distinguait les visages en fonction de la familiarité, mais ne distinguait pas avec précision les visages de familiarité faible et moyenne.

L’entropie multi-échelle était la plus sensible aux différences de condition. Les valeurs d’entropie de l’échantillon augmentaient avec l’augmentation de la familiarité faciale. Ces graphiques d’images capturent la distribution spatio-temporelle de l’effet de condition.

Il est intéressant de noter que l’entropie multi-échelle a révélé des informations uniques qui n’ont pas été obtenues par les analyses plus traditionnelles de l’ERP ou de la puissance spectrale. Cette divergence de l’entropie multi-échelle suggère que les conditions diffèrent en ce qui concerne les aspects non linéaires de leur dynamique de réseau, impliquant peut-être les interactions entre les bandes de fréquences. Ce nouvel outil analytique nous aide à capturer de nouvelles informations sur la dynamique du réseau neuronal, ce qui nous aide à nous éloigner de la caractérisation de la fonction mentale en termes d’états statiques et à comprendre le déroulement fluide des processus liés à la cognition humaine.