Micro-État et Analyses complexité Omega de l’état de repos l’électroencéphalographie
June 15th, 2018
Cet article décrit le protocole sous-jacent électroencéphalographie (EEG) micro-État analyse et analyse de complexité oméga, qui sont deux mesures d’EEG référence-gratuit et très utile pour explorer les mécanismes neuronaux des troubles cérébraux.
Ce semestre a répondu à 10 questions dans le domaine des troubles cérébraux, comme comment identifier une paire efficace de marqueurs à un code de bios dans le diagnostic d’aujourd’hui. Le principal avantage de cette technique est qu’elle peut émaner comme une référence du problème en cours lorsque vous adhérez à l’analyse EEG traditionnelle. Les applications de cette technique s’étendent à notre compréhension des réseaux d’états de repos du cerveau humain.
Pour commencer cette procédure, importez les données EEG brutes dans le logiciel de laboratoire EEG. Ensuite, chargez le fichier de localisation du canal dans le logiciel de laboratoire EEG pour obtenir les emplacements spatiaux de ces électrodes. Pour supprimer les électrodes de référence, l’option Sélectionner les données dans la plage de canaux de la boîte de dialogue contextuelle permet de sélectionner uniquement les électrodes d’enregistrement et de ne pas sélectionner les électrodes de référence afin de pouvoir les supprimer.
Pour filtrer les données EEG entre 0,5 et 80 hertz, dans la boîte de dialogue contextuelle, choisissez 0,5 pour le bord inférieur de la bande passante hertz et 80 pour le bord supérieur de la bande passante hertz. Cliquez ensuite Ok.To supprimer le bruit du courant porteur avec un filtre coupe-bande entre 49 et 51 hertz, dans la boîte de dialogue contextuelle, choisissez 49 pour le bord inférieur de la bande passante hertz et choisissez 51 pour le bord supérieur de la bande passante hertz. Sélectionnez ensuite l’option Filtre coupe-bande des données au lieu de la bande passante, puis cliquez Ok.To supprimer les mouvements oculaires, cliquez sur Outils, puis cliquez sur Suppression des artefacts à l’aide d’AAR 1.3 et Suppression de l’EOG à l’aide de BSS.
Pour supprimer l’EMG, cliquez sur Outils, puis sur Suppression des artefacts à l’aide d’AAR 1.3 et Suppression d’EMG à l’aide de BSS. Ensuite, segmentez les données EEG continues prétraitées en époques d’une durée de deux secondes. Une fenêtre s’ouvrira qui permettra d’enregistrer les données EEG segmentées.
Importez ensuite les données EEG segmentées dans le logiciel de laboratoire EEG et rejetez les époques EEG avec des valeurs d’amplitude supérieures à plus ou moins 80 microvolts à n’importe quelle électrode. Ensuite, enregistrez les données EEG prétraitées. Dans cette procédure pour chaque sujet, chargez les données EEG prétraitées, convertissez les canaux de référence en référence moyenne commune et filtrez les données EEG passe-bande entre deux et 20 hertz.
Ensuite, identifiez les quatre cartes de micro-états dans chaque sujet. Dans la boîte de dialogue contextuelle, choisissez trois pour le nombre minimum de classes, choisissez six pour le nombre maximal de classes, choisissez 50 pour le nombre de redémarrages, choisissez le nombre maximal de cartes à utiliser et sélectionnez les options Pic GFP uniquement et Aucune polarité. Cliquez ensuite sur le bouton Ok.
Par la suite, enregistrez les données EEG de chaque sujet après avoir identifié ses propres cartes de micro-états. Importez en une seule fois les ensembles de données EEG de tous les sujets enregistrés à la dernière étape. Identifiez ensuite les cartes de micro-états au niveau du groupe.
Dans la boîte de dialogue contextuelle, sélectionnez les ensembles de données de tous les sujets dans l’option Choisir les ensembles pour le calcul de la moyenne. Dans l’option Nom de la moyenne, donnez un nom aux cartes de micro-états au niveau du groupe, puis cliquez sur le bouton OK.Cela créera un nouvel ensemble de données nommé GrandMean qui stocke les cartes de micro-états au niveau du groupe. Triez manuellement l’ordre des cartes de micro-états au niveau du groupe en fonction de leur ordre classique.
Dans la fenêtre contextuelle, sélectionnez Plus, puis le nombre de cartes affichées devient quatre. Après cela, sélectionnez Tri de l’homme. Dans la boîte de dialogue contextuelle, entrez le nouvel ordre des quatre cartes de micro-états au niveau du groupe et cliquez sur Fermer.
Ensuite, triez l’ordre des quatre cartes de micro-états de chaque sujet, enregistrez les paramètres de micro-états pour chaque sujet qui appellera deux boîtes de dialogue contextuelles séquentiellement. Dans la première boîte de dialogue, sélectionnez les ensembles de données de tous les sujets. Dans la deuxième boîte de dialogue, sélectionnez 4 classes pour l’option Nombre de classes.
Sélectionnez les options Ajuster uniquement sur les pics GFP et Supprimer les micro-états potentiellement tronqués. Ensuite, choisissez 30 pour la fenêtre de lissage d’étiquette, ms, et choisissez Un pour la pénalité de non-lissage, puis cliquez sur OK.Un fichier CSV qui stocke les paramètres de sous-micro-état sera enregistré sur l’ordinateur. Ces images montrent que les classes de micro-états A et B ont respectivement une orientation frontale droite vers l’occipitale gauche et une orientation frontale gauche vers l’occipitale droite.
Les classes C et D des micro-états ont des topographies symétriques, mais une orientation préfrontale à occipitale et une orientation frontale à centrale à occipitale ont été observées respectivement. Ce tableau montre la moyenne et l’écart-type des paramètres de micro-état des sujets sains. Une fois maîtrisée, cette technique peut être réalisée en une heure si elle est exécutée correctement.
Lors de la tentative de cette procédure, il est important de se rappeler que les données EEG doivent être prétraitées avec soin. Après cette procédure, d’autres méthodes telles que la localisation de la source peuvent être effectuées afin de répondre à des questions supplémentaires telles que l’origine de ces cartes de micro-états. Cette technique a ouvert la voie aux chercheurs dans le domaine de la science du cerveau pour exposer la maladie comme dans le cerveau humain.
View the full transcript and gain access to thousands of scientific videos
Aperçu
Cet article décrit un protocole pour l'analyse des microétats électroencéphalographiques (EEG) et l'analyse de la complexité oméga, deux mesures EEG sans référence. Ces méthodologies sont essentielles pour étudier les mécanismes neuronaux associés aux troubles cérébraux.
Composantes clés de l'étude
Domaine de la science
- Neurosciences
- Électrophysiologie
- Troubles cérébraux
Contexte
- L'analyse des microétats EEG est une technique utilisée pour examiner les réseaux à l'état de repos dans le cerveau humain.
- L'analyse de la complexité oméga fournit des informations sur la complexité des signaux EEG.
- Ces méthodes permettent aux chercheurs d'explorer les mécanismes neuronaux sous-jacents dans les troubles cérébraux.
Objectif de l'étude
- Présenter des protocoles pour l'analyse des données EEG sans utiliser de référence.
- Améliorer la compréhension des dynamiques neuronales associées à divers troubles cérébraux.
- Fournir une approche standardisée qui peut être reproduite dans la recherche.
Méthodes utilisées
- Le logiciel de laboratoire EEG est utilisé pour traiter les données EEG brutes.
- Les étapes impliquent le filtrage, la suppression des artefacts et la segmentation des données EEG en épisodes.
- Les cartes de microétats sont identifiées et analysées pour comprendre l'activité du réseau cérébral.
- Le traitement des données comprend la suppression du bruit de ligne électrique et des artefacts de mouvement oculaire.
- Les données finales sont organisées pour comparer les paramètres des microétats entre les sujets.
Résultats principaux
- Quatre cartes de microétats distinctes ont été identifiées dans les données EEG, démontrant des orientations spatiales spécifiques.
- Les paramètres des microétats ont été quantifiés, révélant les moyennes et les écarts types chez les sujets sains.
- Cette méthodologie permet des comparaisons entre individus et identifie éventuellement des anomalies associées aux troubles cérébraux.
Conclusions
- L'étude présente un protocole qui améliore le processus d'analyse EEG, le rendant efficace pour une application rapide.
- Elle démontre le potentiel de ces méthodes pour une meilleure compréhension des mécanismes et des dynamiques neuronales dans les troubles cérébraux.
- Les résultats fournissent une compréhension fondamentale pour les futures investigations sur la nature des interactions des réseaux cérébraux.
Questions fréquemment posées
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.
