מאמר שיטה

גישה חדשנית ניסויית ואנליטית למולטימודליות עצביות פענוח כוונות במהלך אינטראקציה חברתית באופן חופשי על-מתנהג תינוקות אנושיים

13.2K צפיות

⸱

DOI:

10.3791/53406

⸱

4 באוקטובר 2015

 ,  ,  ,  ,  , 
1Laboratory for Noninvasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering, University of Houston, 2Department of Biomedical Engineering, University of Houston, 3Department of Biology and Biochemistry, University of Houston

במאמר זה

סיכום

פרוטוקול זה מציג מתודולוגיה חדשה לפענוח עצבי של כוונה מתינוקות המתנהגים בחופשיות במהלך אינטראקציה חברתית לא מתוסרטת עם שחקן. פעילות עצבית נרכשת באמצעות אלקטרואנצפלוגרפיה פעילה בקרקפת (EEG) לא פולשנית בצפיפות גבוהה. נתונים קינמטיים נאספים עם יחידות מדידה אינרציאליות ומתווספים להקלטת וידאו מסונכרנת.

תקציר

הבנת התפתחות טיפוסית ולא טיפוסית נותרה אחת השאלות הבסיסיות במדעי המוח האנושיים ההתפתחותיים. באופן מסורתי, פרדיגמות ניסיוניות וכלי ניתוח הוגבלו למשימות מעבדה והקשרים מוגבלים בשל מגבלות טכניות שהוטלו על ידי מערך טכניקות המדידה והניתוח הזמין וגיל הנבדקים. מגבלות אלה מגבילות מאוד את חקר הדינמיקה העצבית ההתפתחותית ורשתות עצביות קשורות העוסקות בקוגניציה, תפיסה ופעולה אצל תינוקות המבצעים "בפעולה ובהקשר". פרוטוקול זה מציג גישה חדשה לחקר תינוקות וילדים צעירים כשהם מארגנים בחופשיות את התנהגותם, ואת השלכותיה בסביבה מורכבת, בלתי צפויה ודינמית מאוד. המתודולוגיה המוצעת משלבת אלקטרואנצפלוגרפיה פעילה של הקרקפת (EEG) מסונכרנת בצפיפות גבוהה, יחידות מדידה אינרציאליות (IMUs), הקלטת וידאו וניתוח התנהגותי כדי ללכוד פעילות מוחית ותנועה לא פולשנית בתינוקות המתנהגים בחופשיות. מערך זה מאפשר לחקור את הדינמיקה של הרשת העצבית במוח המתפתח, בפעולה ובהקשר, כאשר רשתות אלה מגויסות במהלך משימות מוכוונות מטרה, חקר ואינטראקציה חברתית.

מבוא

אחת היכולות האנושיות הבסיסיות היא היכולת ללמוד ולפרוס פעולות (ייצור פעולה) אסטרטגי בשירות של מטרות ותגמולים, היכולת לתפוס את המטרות של שותפים חברתיים (הבנת פעולה) כדי לייצר תגובות חברתיות מתאימות, והיכולת ללמוד מאחרים באמצעות תצפית וחיקוי 1. הבסיס העצבי של יכולות קוגניטיביות-המוטוריים אלה יוחסו, לפחות בחלקו, למערכת נוירון מראה שנקרא; מערכת שחשבה להיות מעורבת כאשר אחד רואה מישהו מבצע פעולה וכאשר אחד מבצע את הפעולה. עם זאת, הקשר הפוטנציאלי בין מערכת נוירון מראה והבנת פעולה עדיין לא הבין היטב 1. לומד את הופעתה והתפתחותה של מערכת נוירון מראה זה בתינוקות אנושיים כבר הקשו על ידי) המגבלות הטכניות של רכישת נתונים רב מודלי של פעילות מוח בקורלציה לכוונה ונתוני תנועה פרטנית, ב) המגבלות שהוטלו על ידי פרוטוקולי ניסוי ש(,, (למשל אינטראקציה חברתית עם סוכן המתואר בקלטת וידאו את הצורך בשמירה על יציבה עדיין למזער חפצים במהלך electroencephalographic EEG) הקלטות לא טבעיות, וכו '), וג) מחסומי תקשורת / שפה כאשר בודקים תינוקות צעירים / פעוטות שיגבילו מאוד את היכולות של החוקר לתת הוראות ולאמת התנהגויות.

להבנה טובה יותר של עצבי השונות ודינמיקת התנהגות בהתנהגות טבעית, פיתחנו גישה ניסויית ואנליטית רומן שמאפשרת הלימוד של מצעים העצביים של התנהגויות המתעוררים תכליתיות וחברתיות אצל ילדים צעירים הזמן נפתרה. באופן ספציפי, אנחנו פרוסים גישת הדמיה מוחית נייד מבוססת EEG (Mobi) 2 לפעילות המוח ושיא תנועה מתינוקות באופן חופשי-מתנהגים במהלך אינטראקציה עם הנסיין. יחידות מדידת אינרציה (Imus) שמשו למוןitor קינמטיקה נושא והניסוי של.

טכנולוגית EEG וחיישני אינרציה שמשו ללמוד דפוסים עצביים והפעלות הקשורות לחיקוי פעולת התינוקות והתנהגויות מכווני מטרה באינטראקציה הבלתי רגילה עם הנסיין / שחקן. פעולות כגון יד-אחיזה, להגיע-הצעה, להתבונן, מנוחה, ולחקור כל חלק מהתהליכים קוגניטיביים-המוטוריים המעורבים בחיקוי. יתר על כן, אנו משתמשים בהערכת מקור בתרגום גנרטורים של פוטנציאלים חשמליים בתוך המוח במהלך המשימות התנהגותיות, וכך לומד את דינמיקת spatiotemporal של זרמים עצביים במוח. בדומה לכך אנו לפרוס אלגוריתמי למידת מכונה להעריך ולמדוד את יכולת החיזוי של פעולות אלה על ידי התנהגות זיהוי דפוסי מרחב ובזמן פעולה רלוונטית בפעילות העצבית בחיישן (EEG) ו / או חללי מקור. שילוב ERD המסורתי / ERS, מקור וניתוח פענוח לספק developmen מקיף יותרתיאור טל של הבסיס העצבי של התנהגויות כאלה.

התקנה זו מאפשרת לנו לנצל את היתרונות של גישת Mobi 2,3 וללמוד את יחסי הגומלין החברתיים בין התינוקות והניסוי כפי שהם מתרחשים באופן טבעי ללא הגבלות.

הפרוטוקול, מרגע שהנושא מגיע לזמן שהוא / היא עוזבת, לוקח כ 1 שעה כדי להשלים. רכישת מיקום האלקטרודה זמן התקנה וIMU / EEG משתנה 15-25 דקות בהתאם לגורמים כגון אורך שיער ושיתוף פעולה בנושא. האתחול והתצורה של הציוד מוסיף עד 10 דקות, והפגישה הבדיקות נמשכת כ -15 דקות. הסרת Imus וכובע EEG, כולל ניקוי ראשו של התינוק מג'ל היפואלרגנית, לוקחת 5-10 דקות.

פרוטוקול

הפרוטוקול הבא נבדק ואושר על ידי דירקטוריון הסקירה המוסדי באוניברסיטת יוסטון. ההורים או האפוטרופוסים של כל נושאי התינוק קיבלו, לקרוא, וחתמו על טופס הסכמה לפני ההשתתפות. הורים קיבלו חניה חינם וכרטיס מתנה 20 $ כפיצוי על השתתפותם במחקר ואילו התינוקות בחרו צעצוע מתאים לגיל.

נושאי התינוק גויסו עמדו בקריטריונים הבאים: 1) גיל בין 6 ו -24 חודשים. 2) התינוקות היו בריאים, הייתה צמיחה והתפתחות תקינות, ולא הייתה היסטוריה של בעיות, זעזועי מוח, פרכוסים, שבץ, או לקויות למידה לידה. דוגמאות לכמה נכויות התפתחותיות נפוצות שלא לכלול תינוק מבדיקות הן כישלון בשגשוג, תת תזונה, ושימוש באלכוהול או בסמים על ידי האם בזמן ההריון.

תרשים זרימה פשוטה עבור ההקלטה בו זמנית של פעילות עצבית multimodal באמצעות EEG קרקפת וImus בתינוקות מתנהגים בחופשיות מוצג באיור 1.

1. הסכמה מדעת

  1. להראות להורים את חדר הניסוי ולהסביר בקצרה את מטרת הניסוי להם.

2. קרקפת EEG הכנה

  1. הערה: מערכת EEG משמש (טבלת 1) מורכבת ממערכת אלקטרודה פעילה עם אלקטרודות נשלפים. רמות התנגדות מצוינות באלקטרודות באמצעות נוריות.
  2. מדוד את היקף הראש של התינוק בס"מ. הנח סרט מדידה סביב החלק הרחב ביותר של הראש, עובר אותו על הגבות וסביב הגדולה העורפית בחלק האחורי של הראש.
    הערה: מדידת היקף הראש היא הכרחית לבחירת כובע EEG בגודל מתאימה. יש בגדלים מיוחדים לאוכלוסיית התינוקות שמתוארת בטבלה 1.
  3. אלקטרודות מקום בכובע בגודל מתאים EEG (טבלת 1) כמפורט ב10-20 מערכת בינלאומית. הכובע מבטיח מיקום נכון של אלקטרודות על הקרקפת.
    הערה: עדיף לי הכובע מוכן עד שהתינוק מגיע למיקום המחקר. ניתן להשיג מידע על גודל הראש מההורים לפני הזמן, או מקורב באמצעות טבלאות זמינה באינטרנט [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. אם מדידת הראש אינה מתאים לקירוב של החוקר, חייב להיות מוכן כובע חדש. אם כובעים, ואלקטרודות מרובים זמינים, ניתן להגדיר כובעים מרובים עד מראש כדי למזער את זמן הכנה.
  4. הסבר את הליך gelling להורה. הראה להם את מחט מזרק הבוטה ומשמשת להחיל ג'ל לכל אלקטרודה ולתת להם להרגיש את המחט על העור שלהם. השתמש בכובע אלקטרודה וקרקפת הדגמת EEG לעבור על הליך gelling.
  5. מדוד את המרחק מnasion לinion לאורך מטוס midsagittal של פני השטח של עור הקרקפת. המשך כך שיתאים לSCALכובע עמ מאחור התינוק.
  6. יישר את האלקטרודה Cz עם הקודקוד של הראש. להמשיך ליישר ולמרכז את האלקטרודות FP1 וFp2 על המצח בכ -10% מהמרחק בין nasion וinion. יישר את כובע הקרקפת סימטרי לאורך מטוס midsagittal של הראש. הפוך אמצע אלקטרודות-בטוחים [AFz, Fz, FCz, Cz, CPZ, PZ, אסיר ציון, עוז] מיושרים עם nasion וinion. בסיום, לאבטח את הכובע על ידי קשירה מתחת לסנטר.
    הערה: להסיח את דעת התינוק בזמן שהוא / היא נמצאת במצוידת בכובע EEG. וידאו מתאים גיל משמש בדרך כלל כדי להסיח את דעת התינוקות במהלך התקנה.
  7. חבר את ההתייחסות, קרקע, ואלקטרודות הקלטה לתיבת הבקרה. הפעל את מדדי עכבה מתיבת הבקרה.
  8. החל עם אלקטרודות קרקע והתייחסות, להשתמש במזרק קטן להזריק ג'ל אלקטרוליט למרחב שבין הקרקפת ואלקטרודה עד העכבה של כל אמצעי האלקטרודה מתחת ל -60 ק"ג-אוהם. זה indicated על ידי אור צהוב או ירוק על האלקטרודות. פרטים נוספים על הכנת אלקטרודה EEG זמינים ב 4.
    הערה: במהלך הליך gelling, התינוק עלול להזיז את ראשו / שלה מסיבות שונות (סקרנות תשומת לב, פחד, הסיט). לכן, מומלץ שהנסיין או ההורה השני ממשיך להסיח את התינוק. השתמש במזרקים מאחורי ראשו של התינוק, כדי למנוע את הסיכון לפגיעה בפניו של התינוק עם המחט עקב תנועה בלתי צפויה של הנושא.
  9. חבר את המגבר למחשב המארח באמצעות יציאת ה- USB באמצעות סיבים אופטיים לממיר USB.
    הערה: איור 2 א מציג את הגדרת נושא התינוק עם כובע EEG ומיקום IMU. שים לב שכבלי אלקטרודה ותיבת השליטה מתקיימים עד, מתן ניידות ללא עומס לנושא. איור 2 מציגה תצוגה טופוגרפית של מקומות אלקטרודה של כובע EEG הבא מערכת 10-20 תיוג.

3. הכנת Imus

  1. פתח את תוכנת IMU. לחץ על "חדש" בממשק הגרפי.
  2. לאחר מכן לחץ על "הגדרות" בתיבת הדו שיח כדי להגדיר Imus. הגדר את תדר הדגימה 128 הרץ.
  3. Secure Imus על הראש, חזה, ופרקי ידות שמאלי וימניים של התינוק.
    הערה: ראה איור 2 א. במקביל, להתאים את פרקי הידיים של הניסוי עם Imus. הפוך Imus בטוח מובטחים גם לגוף כדי למזער טעויות מדידת אינרציה.
  4. שימוש ברצועות, הנח את כף היד Imus בצד הגב של פרקי הידיים. מניחים את החזה IMU על פני השטח הגחון בסמוך למרכז החזה באמצעות רתמת.
  5. צרף את IMU הראש לרצועות הסנטר של כובע הקרקפת, כך שזה ליד בצד השמאל של הסנטר. מקם את Imus, כך שהם פניו כלפי חוץ, עם אור LED בכיוון מעלה.
    הערה: כל Imus שוקל כ -22 גר, וגודלם הקטן וקל משקל צפויים לעכב מ 'ovement. ייתכן שיהיה צורך ניסוי נוסף כדי להסיח את דעתו התינוק לסיבות שתוארו בשלב 2.8.

4. לכידת וידאו וסנכרון של זרמי נתונים

  1. מצלמת וידאו מקום (18) כדי שהתינוק (12), השחקן (14), ועל הדק LED (13) כל נראה בבירור. ראה איור 4.
    הערה: הקלטות וידאו נמצאות בשימוש כדי לאפשר ביאור חזותי ופילוח של התנהגויות מופעלות על ידי הנסיין, כמו גם אישור של ההתחלה וסוף פגישת ההקלטה.
  2. חבר את מתחם הדק קלט / פלט (7) לEEG (5) וImus (4). ראה איור 3.
    הערה: מארז קלט מותאם אישית / פלט (7), שמוצג באיור 3, נועדה ליישור כל הזרמים נרשמו נתונים (EEG, Imus, ווידאו) ובכך להשתמש בסמני אירוע מהקלטה אחת (כגון וידאו) או לסייע לניתוח הקלטה אחרת (כגון EEG או האצה). המטרה זו מושגת על ידי שימוש בלחצן יחיד רגעי ש, כאשר דיכאון, ישלח פעיל-נמוך (+ V לקרקע) דופק הדק לEEG (דרך יציאת מקבילית DB-25), IMU (באמצעות מיני-DIN-6 מחבר), ווידאו (ב מאיר אור דיודה (LED) ממוקמת בנוף של מצלמת וידאו) הקלטות בו זמנית. שבב Invertor 7404 היגיון IC שימש להפוך את המדינה נמוכה (קרקע) למדינה גבוהה דופק (+ V), מתן פוטנציאל המתח הדרוש להפעלת LED.
  3. יש לך ניסוי בסמוך ללחצן ההדק ומחשב אוסף נתונים. הנסיין הוא אחראי על הפעלת ההדק, ניטור איכות נתונים לאורך כל הניסוי, ולשמור את הנתונים.

5. הכנה של בדיקות איכות הסביבה

  1. ראה איור 4.

6. איסוף נתונים

  1. רשום את ערכי עכבה הראשוניים של אלקטרודות EEG באמצעות תוכנת השליטה על ידי הבחירה "עכבהבדוק "כרטיסייה, לחיצה על לחצן האפשרויות" עכבה ב" (לחכות כ -5 שניות לערכי עכבת אלקטרודה לייצב), ולחיצה על הכפתור "עכבה שמור" רדיו להציל עכבות. ראה איור 5.
  2. אין מסננים מיושמים במהלך איסוף נתוני ה- EEG.
  3. בתכנית מקליט EEG, לחץ על "צג" ואז "לשחק" כדי להתחיל קידוד מחדש נתוני ה- EEG. ראה איור 6.
  4. בתוכנת IMU, לחץ על "זרם" ולאחר מכן "שיא" בתיבת הדו-שיח כדי להתחיל בהקלטת נתונים IMU. ראה איור 7.
  5. החל שלושה גורמים (III) לאותת תחילת הניסוי באמצעות לחצן על מתחם קלט / פלט (7). תן את שאר התינוק ל1 דק 'בעת ההקלטה. זה מספק נתונים בסיסיים ראשוניים.
  6. לבצע ניסוי ולאפשר נושא התינוק לקחת הפסקות לפי צורך. כל ניסוי ניסוי מורכב ממשימת תור לקיחת בי מופעי השחקןפעולה לתינוק באמצעות אובייקט (בדרך כלל, אך לא תמיד, צעצוע), מעביר אותו לתינוק במאמץ ליזום תגובת חיקוי, ולבסוף מאחזר את האובייקט חזרה מהתינוק.
    הערה: בורסה זה בדרך כלל חוזר ונשנה במשך 4-5 ניסויים או עד שהתינוק מראה שום עניין נוסף באובייקט.
  7. בהתחשב בסביבה של המושב, ויסמנו את כל התזמונים של כל התנהגות לאחר איסוף נתונים באמצעות הקלטת וידאו.
  8. רשום את ערכי עכבה הסופיים של אלקטרודות EEG. ראה שלב 6.1.
  9. עבר דיגיטציה הקואורדינטות מרחביות 3D של אלקטרודות EEG באמצעות סורק אלקטרודה EEG 3D ותוכנה והתוכנה המקבילה שלה.
  10. הפעל את תוכנת סריקת 3D. עבור אל "קובץ" ובחר "סביבת עבודה חדשה". טען את קובץ עמדת אלקטרודה בלשונית הראשונה של סביבת העבודה ולספק את המידע הדרוש בכרטיסיית האחסון.
  11. בסרגל כלי הסריקה, לחץ על "כוכבסריקה לא ". השתמש בסורק 3D, בכ -30 סנטימטרים מראשו של התינוק, כדי לסרוק את אתרי האלקטרודה על ידי ביצוע דפוסי אור השינוי בכובע. ברגע שהסריקה הושלמה, התוכנה באופן אוטומטי לשמור את התוצאות.
    הערה: בחלק האחורי של הראש, הכבלים עלולים לחסום את הנוריות באלקטרודות בשל גודלו הקטן של ראשו של התינוק. התוכנה מאפשרת למשתמש להסיר חלק מאלקטרודות הסריקה מבלי להתפשר על התוצאות. הסר את האלקטרודות העורפית מהסריקה במידת צורך.

7. פילוח התנהגות

  1. בדוק את הווידאו להקלטה של פגישת הניסוי ולסמן את הזמן שבו על ההדק LED מהבהב (כלומר, כאשר הניסוי מתחיל ונגמר), וכאשר כל אחת מההתנהגויות שהוזכרו קודם לכן בשלב 6.6 התחלה וסיום.

הדמיה 8. מקור

  1. הערה: הדמיה המקור יכולה לזהות במדויק את הגנרטורים שלפוטנציאלי EEG בתוך המוח וזה בדרך כלל מורכב של פתרון קדימה והבעיה ההפוכה 5.
  2. רוכשים את נתוני T1 רזולוציה הגבוה משוקללים תמונת תהודה מגנטית (MRI) ממאגרי מידע ברשות ציבור כגון מסד נתוני נוירו-התפתחותי MRI שמכיל תבניות ממוצעת MRI כפונקציה של גיל (בחודשים) בשנתיים הראשונות של החיים 6,7.
    הערה: מחקר זה משתמש במודלי ראש קדימה רק מתאים לגיל של תינוקות ולכן מידע מין לא נלקח בחשבון בעת ​​בחירת תבנית MRI).
  3. לרכוש כרכי מקור לדגמי גבול אלמנט (BEM) הכוללים תאי ראש (כלומר, חומר אפור, חומר לבן, קרקפת, גולגולת פנימית או חיצונית) ככרכי MRI מבסיס נתוני נוירו-ההתפתחות MRI 8.
  4. טרום תהליך BEM MRI נפח להשיג מודל ראש מציאותי על ידי חילוץ פני השטח של תאי המוח והראש בקארי 7, או חבילת תוכנת הדמיה המוחית דומה.
  5. לייבא T1 המשוקלל MRI. ידני לזהות שלוש נקודות fiducial כגון נקודות ימין / שמאל מראש אוזן וnasion בתוך תוכנת ההדמיה המוחית, או חבילה דומה.
  6. שיתוף להירשם חלל EEG ו- MRI כדי להשיג את השינוי הגיאומטרי הנוקשה בין המרחב של MRI והמרחב של הנושא על ידי התאמת נקודות fiducial הצביעו על MRI וfiducials שהושג עם סורק 3D בצעדי 6.9-6.11 באמצעות תוכנת ההדמיה המוחית או חבילה דומה.
  7. לפתור את המודל קדימה.
    הערה: הבעיה קדימה כרוכה ההגדרה של מודל ראש המייצג את הגיאומטריה של הראש ושל מאפייני מוליכות חשמלית של 9,10 ראש הנפח.
  8. לפתור את הבעיה ההפוכה
    הערה: הבעיה ההפוכה מנסה להסיק מיקום, כוח וכמובן זמן של מקור במוח מאותות EEG קרקפת על ידי שימוש בטכניקות עיבוד אותות 11.
  9. קטע רציףנתוני ה- EEG לניסויים סביב תחילת המשימה (לדוגמא., חיקוי, מגזרי תצפית) עם קטעי הופעה לפני ואחרי משימה של אורך 2 שניות. לזהות ערוצים עם עכבה גבוהה כמו "ערוצים רעים" וניסויים artifactual אחרים בכל ניסוי. נתוני ה- EEG לדחיית חפץ טרום תהליך באמצעות יק"א ולשחזר את הערוצים הרעים עם הממוצע של שכנות ערוצים ללא ממצא. 12,13,14.
  10. השתמש במודל קדימה כקלט לאלגוריתם אופטימיזציה אוטומטי המחפש על כל המוח לזהות את מיקומי המקור הטובים ביותר האפשריים.
  11. מבחינה ויזואלית לנתח מוערך המקורות ולהרים את הפתרונות שרוב להתאים הציפיות שלך מבוססות על ידע מוקדם מהטבע של ניסוי ולפרש אותם בקפידה.
    הערה: שלב זה הוא מוטה אחד ביותר בשל האופי-שמציב החולה של הבעיה ההפוכה, כלומר, תצורות שונות של המקורות עלולות לגרום לאותו פוטנציאל פני השטח. לכן, זה עשוי להיות מועיל לבצע בדיקת שפיות כדי לוודא שמודל ראש נתון ושיטה הפוכה עובד היטב.
  12. לבצע בדיקת שפיות, לוקליזציה דיפול מדומה ידוע. כלומר, למקום מודל הראש נתון דיפול עם תצורה ידועה, ולפתור את בעיית קדימה כדי להשיג מתח מדומה לדיפול זה.
  13. לפתור את הבעיה ההפוכה עם מתחים אלה על אותו מודל הראש, כדי לוודא שהוא מחזיר את הדיפולים מדומים.
    הערה: בדיקות שפיות אלה צריכים להחזיר את הדיפולים בתחילה הניחו לרמה גבוהה של דיוק.

תוצאות

איור 8 מציג EEG מדגם ונתוני תאוצה מImus לחלון זמן 16 שניות שנרשם במהלך אינטראקציה בין הנושא והניסוי. נתוני ה- EEG מחדש נדגמו ב 100 הרץ ולאחר מכן להקה לעבור סינון [1-40 הרץ] באמצעות צו 3, מסנן Butterworth אפס שלב. ערוצים עם ערכים גבוה עכבה (Z> 60 ק"ג-אוהם), וערוצים היקפיים, הושלכו 12,15. Imus נרשם תשעה אותות ב128 הרץ: שטף מגנטי, מהירות זוויתית, והאצה ליניארי בשלושה צירים קרטזית. כאן אנו מראים את הגודל של האצה-פיצוי הכובד (GC). ההשפעה של תאוצת הכובד פוצתה על ידי החלת מסנן קלמן לחזות את כיוון IMU במסגרת גלובלית 16. הנתונים מפולחים על ידי בדיקה ויזואלית של הקלטות וידאו (שלב 7.1). קווים אנכיים מוצקים מצביעים על תחילתה של התנהגות של עניין, כקווים אנכיים מנוקדים מייצגים את הסוף של האירוע.

class = "jove_content"> השפעה של ממצאי תנועה נמצאת בנתוני ה- EEG שמוצגים באיור 8 סביב 709s. גישה בלתי מוגבלת לאיסוף נתונים בפרוטוקול ניסוי זה הופכת את נתוני ה- EEG רגישים מהבהב עין, תנועות עיניים, תנועה וחפצי electromyographic. נתוני מעובד באמצעות מסנן להקה עובר 3 rd כדי אפס שלב Butterworth להגביל אותו לדלתא-הלהקה (1-4Hz), וטופלו על ידי הפחתה הממוצעת וחלוקת על ידי סטיית התקן. חפצים גבוהים משרעת הוסרו באופן אוטומטי תוך שימוש בשיטה להסרת הלכלוך Subspace (ASR) 17. בנוסף, ערוצים היקפיים אינם נכללים בניתוח נתונים במאמץ למזער זיהום חפץ myoelectric. Frontalis והתכווצויות שרירים temporalis להתמזג עם אות EEG בולטת ביותר במקומות היקפיים: התכווצות Frontalis מופיעה במקומות קדמי, והתכווצות temporalis מופיעה בחזיתית וtempor רוחבמקומות אל 15.

כדי לבדוק את טיבם של הנתונים שנאספו עם פרוטוקול זה, היסטוגרמות נתוני ה- EEG היו זממו באיור 9. באיור 9 א, זה מתאר את התפלגות הנתונים של האות הסטנדרטית משלוש אלקטרודות מרחבית נציג. נתוני ה- EEG מראים הפצת multimodal להתנהגויות ניתחו. באיור 9 ערכי הגבנוניות מוצגים כגרף עמודות לקלה יותר בדיקה ויזואלית של נתונים.

סיווג בוצע על ידי חילוץ פיגורים של כל ערוץ EEG מבוסס זמן, צמצום ממדית תוך שמירה על הפיזור המקומי של כל כיתה (ניתוח המבחין המקומי של פישר (LFDA)) 18, והכשרה / בדיקת מודל של הקבוצה המצומצמת של תכונות (תערובת גאוס מודלים (GMMs)) 19. דגימות הדרכה / בדיקת נדגמו באופן אקראי על פני 20 חזרות (כלומר, אימות צולבת) כדי למנוע כל OVer-fitting.Training/testing גודל מדגם משתנה בהתחשב במספר הערוצים דחו (כלומר, עכבה גבוהה מ -60 קילו-הרץ), אורכו של מושב ניסוי, ומספר הניסויים וההתנהגויות לידי ביטוי. עם זאת, מספר דגימות אימונים ובדיקות המשמשות לכל כיתה (התנהגות) מתאים ל- 50% מהכיתה לפחות המאוכלסת. כדוגמא, את גודל קבוצת הבדיקה של כל כיתה הוא N = 1,069 דגימות לנתונים תינוק שמוצגים באיור 10. כל הצעדים מראש העיבוד וסיווג חושבו תחת סביבת תכנות MATLAB.

איור 11 מתאר את ההליך כולו להערכת מקור EEG שבוצעה במחקר זה באופן צעד-אחר-צעד. פרטים נוספים על כל צעד גם סיכמו בסעיף 8.

איור 12 מופעי תוצאות של אירוע קשור (דה) סנכרון (ERD / ERS) בקצב mu (Hz 5-9) ומקורות דיפול במהלך "Reach-ההצעה1; משימה. ERS וERD חושב כאחוז מירידה או עלייה בכוח תדירות-להקה שמתרחש במהלך אירוע (ולהגיע הצעת משימה) מרווח בהשוואה למרווח הייחוס (קטע שצולם לפני האירוע). נתון זה מראה גם האצת גודל-פיצוי כובד שהושגה במהלך המשימה משני פרקי ידיו של התינוק והשחקן. לניתוח דיפול אותות EEG היו מפורקים באמצעות ניתוח מרכיבים עצמאי (רשפ"ת) לחסל את רעש רקע. הערכת המקור בוצעה בקצב mu לאחר עיבוד מקדים ICA באמצעות אלגוריתם מוסיקה קבועה 5. כצפוי, המקורות היו נקודות מעל האזור המוטורי הראשוני הנכון ואילו הנושא באמצעות ידו השמאלית כדי לתפוס את האובייקט.

שם המוצר חברה כמות
BrainAmp מגבר מוצרי מוח, GmbH 2
actiCAP EEG חבש כובע, 64 אלקטרודות * מוצרי מוח, GmbH 10
actiCAP תיבת בקרה מוצרי מוח, GmbH 1
תוכנת מוח חזון מקליט מוצרי מוח, GmbH 1
תוכנת actiCAP תיבת הבקרה מוצרי מוח, GmbH 1
CapTrak מוצרי מוח, GmbH 1
תוכנת CapTrak מוצרי מוח, GmbH 1
צג תנועת אופל APDM, Inc 6
תחנת עגינה לאופל APDM, Inc 6
נקודת גישה אלחוטית אופל APDM, Inc 1
תוכנת Motion סטודיו APDM, Inc 1
תיבת הדק מותאם אישית 1
מצלמת וידאו HC-W850M, Panasonic ושות ' 1
* כובעי EEG לבוא בגדלי היקף הראש הבאים לתינוקות: 42, 44, 46, 48, 50 סנטימטרים. לפרוטוקול זה, מלאי של 2 כמוסות של כל גודל מומלץ.

שולחן ציוד 1.

figure-results-1
איור 1. דיאגרמות זרימה. תרשים () זרימה של הגדרת הניסוי. (ב) תרשים זרימה של מושב איסוף הנתונים. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-2
איור של 2. נושאetup ומוכן לאיסוף נתונים. (א) להציג קדמי של נושא לובש כובע EEG, וארבעה Imus. ייצוג טופוגרפי של כובע 64 ערוץ EEG באמצעות מערכת המיקום האלקטרודה סטנדרטית 10-20 (ב). אנא לחץ כאן לצפייה גרסה גדולה יותר של דמות זו.

figure-results-3
ציוד איור 3. נתונים איסוף וחדר הבדיקות. (א) התקנת ציוד איסוף הנתונים: (1), כובע תיבת בקרת EEG EEG (2), הדק (3), מקלט נתוני IMU אלחוטי (4), מגברי EEG (5), תיבת צעצוע (6), הדק בלחיצת כפתור (7), מחשבים ניידים רכישת נתונים (8), תחנת עגינה לImus (9). (ב) תקריב של כובע EEG, אלקטרודות פעילים ותיבת בקרה. (C) תקריב של Imus ומקלט אלחוטי, trigge r בלחיצת כפתור, מגברי EEG, ומחשבים ניידים איסוף הנתונים. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-4
איור 4. ייצוג סכמטי של הגדרת ניסוי. בעל תיבת בקרת EEG (10). האפוטרופוס של הנושא יושב על כיסא (11), הנסיין יושב על כיסא (14) והאדם ניטור נתונים יושב על כיסא (17). שאר ההתקנה הניסיונית מוצג:. שולחן אינטראקציה (12), הדק (13), תיבת צעצוע (15), שולחן רכישת נתונים (16), מיקום מצלמת וידאו (18) אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של זה דמות.

"Src =" / קבצים / ftp_upload / 53406 / /> 53406fig5.jpg "
איור 5. צילום מסך של תוכנת שליטת EEG. החיצים מצביעים על סמלים מרכזיים בתוכנה מתוארת בשלב 6.1 ו 6.8. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-5
מסך איור 6. של תוכנת הקלטת EEG. החיצים מצביעים על סמלים מרכזיים בתוכנה המתוארת בשלב 6.2 ו -6.3. סעיף של נתונים הגולמיים זורם-חיים מוצג. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

PG "/>
איור 7. צילום מסך של תוכנת Imus. התיבות האדומות להדגיש את הסמלים המרכזיים בתוכנה המתוארת בשלב 6.4. () חלון ראשי הפקודה. (ב) חלון תצורה. חלון הקלטה (C). אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-6
איור 8. נתונים לדוגמא מהפעלה ניסיונית נציג. נתוני ה- EEG () והאצה מוצגים, שתי הלהקה לעבור סינון [1-40Hz]. אלקטרודות EEG עם עכבה נמוכה (Z <60 ק"ג-אוהם) לאורך כל הפגישה מוצגות. קווים אנכיים מוצקים מצביעים על תחילת התנהגות (B) ובכל זאת מסגרת ייצוגים של התינוק העוסק בהתנהגויות ניתחה:. שים לב, Reach-אחיזה, Reach-הצעה, Imita טה, לחקור, מנוחה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-7
איור 9. היסטוגרמות דוגמא של משרעת EEG לשש התנהגויות מזוהות. הנתונים מוצגים) תואמים את הנתונים הגולמיים משלוש אלקטרודות (CP2, FC5, אסיר ציון) נרשמה בפגישה עם תינוקת בת 20 חודשים. היסטוגרמות הם מדורגים המספר הגבוה ביותר של אירועים והגבנוניים של כל היסטוגרמה מוצגת בצד הימין של כל חלקה. שים לב לחלוקת multimodal עבור רוב ההתנהגויות. B) הגבנונית של נתוני מדגם לכל התנהגות. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

גיל = "תמיד"> figure-results-8
איור 10. EEG צופה פעולות התנהגותיות בתינוקות מתנהגים בחופשיות 12. מדגם מטריצת בלבול לדיוק הסיווג לתינוקת בת 20 חודש מוצגת. דיוק הפענוח הכולל מוצג בפינה הימנית תחתונה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

figure-results-9
11. לוקליזציה מקור איור. צעדים הנדרשים ללוקליזציה מקור דיפול תינוק באמצעות MRI אנטומיים ונתוני ה- EEG פונקציונליים. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זהיור.

figure-results-10
פרופיל ניתוח משימה 12. Reach-הצעת איור.) מול המצלמה של תינוק ביצוע B "Reach-הצעה" משימה.) ממוצע גלובלי כוח שדה של EEG בלהקת מו (5-9 הרץ), מסלולי תנועת גפיים של התינוק והשחקן; Grand ממוצע ההפרעות רפאים אירוע קשור מכל הערוצים. ג) מקורות דיפול לוקליזציה לשני אירועים של "תחילת תנועה" ו "תנועה שלמה". אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

דיון

הפרוטוקול המתואר מציג מתודולוגיה לאסוף נתונים מתינוקות באופן חופשי-מתנהגים בזמן שהם באינטראקציה עם הנסיין בזמן אמת. היא מעסיקה טכנולוגיה ניידת הדמיה מוחית (EEG קרקפת) כדי ללכוד פעילות עצבית בעת ההקלטה בו זמנית נתונים kinematic עם Imus במקומות אסטרטגיים בגוף. פגישת הניסוי גם הוקלטה על ידי מצלמת וידאו. שלוש מערכות הקלטת נתונים מסונכרנות באמצעות מערכת הדק מותאם אישית.

מערכת IMU EEG וקשור לנושא שהוא / היא נעה בחופשיות במהלך פגישת הניסוי. Imus צריך להיות קשור באופן מאובטח כדי להיות מסוגל ללכוד קינמטיקה מדויקת. כדי להבטיח ניידות בלתי מוגבלת מלאה של הנושא, הציוד צריך להיות כמו פולשנית מינימאלית ככל האפשר; לכן השימוש של בעל לתמוך כבלי אלקטרודה של EEG ותיבת בקרת EEG. הנסיין אז אינטראקציה עם התינוק למשך כ 15 דקות. INFANT יעורר רפרטואר תלוי גיל של התנהגויות במהלך האינטראקציה. אלה כוללים מנוחה, להגיע-אחיזה, להגיע-הצעה, לחקור, להתבונן, ולחקות. עם זאת, כמה תינוקות יהיו מוכנים לשתף פעולה בפגישה בשל עייפות, חוסר נוחות, או מתח. ודא כדי לתזמן את הניסוי כאשר הילד הוא דינמי ופעיל ביותר למניעת המופע של תגובות השליליות ממנו / שלה.

אופי הניסוי מציג סיכונים לאיכות הנתונים שנרשמו לאורך כל הפגישה. לכן, חשוב לבדוק את כל חיבורים ואיכות נתונים לפני שמתחיל ההקלטה, ולפקח עליהם באופן רציף במהלך הפגישה. אם מערכת ה- EEG הנתונים אינה הקלטת נתוני איכות, לעצור את התוכנה ונתק את כל החיבורים. לפני ההפעלה מחדש של התוכנה או חיבור הציוד חזרה למחשב הנייד, להסיר את כל מקורות רעש האפשריים (כלומר, ספקי כוח) מהקרבה של חומרת ההקלטה. EEחומרת G כוללת מגברי אות שיכול להרים רעש סביבתי אם להציב בסמוך למקורות רעש חשמליים. למקלט IMU, לוודא שאין הפרעה בקו הראיה בין המקלט והניסוי והתינוק.

הגדרת ניסוי זה מספקת נתונים עצבי רזולוציה גבוהות זמניים על ידי מדידת פעילות חשמלית על פני השטח של עור הקרקפת. מחקרים שנעשו לאחרונה הראו את הכדאיות של ניצול אותות אלה, יחד עם קינמטיקה כל הגוף, לזהות מידע לסיווג לתנועות הבעה 20, ותנועות פונקציונליות 21,22, המצביע על כך גישת אוסף זה מוצע נתונים יכולה להוביל להבנה טובה יותר של עצבי בסיס של חיקוי בתינוקות.

התרומות אחרונות כוללות אלגוריתמי למידת מכונת חזקים להחיל דינמיקת מוח 13,20,21 בונות ערכת כלים גדלו ללמוד פוטנציאלי משטח בse טבעי יותרttings. התקנה מוצעת זה מספק ספקטרום של אפשרויות לשאלות מחקר יש לטפל 2,22. במיוחד, זה יכול להיות מיושם על מחקר התמקד ב) הבנת הבסיס העצבי של התפתחות הקוגניטיבית-מוטורית של תינוקות המבוססים על אוכלוסייה גדולה של נושאים; ב) הבנת הבסיס העצבי של כוונתו של התינוק ב'פעולה והקשר ', שאמורה להיות חזוי של פעולת התנהגות הנכנסת; ג) כימות דפוסים עצביים נפוצים וייחודיים לאפיין אינדיבידואליות והשתנות במוח המתפתח; וד) לומד את הופעתה של תהליכי חיקוי ולמידה. מטרות אלה כרוכים הפריסה של אלגוריתמי למידת מכונה שיכול להתמודד עם נתונים סטטיסטיים עשירים הן בפוטנציאל-מקורו במוח אינפורמטיבי וחפצי תנועה או שריר 12,20,23.

מחקר זה מנסה להעריך את המקורות בקליפת המוח ופוטנציאלים שדה חשמליים באמצעות נתוני ה- EEG תינוק. עקבקשיים הטכניים כגון חוסר הידע בערכי מוליכות ראש תינוק ועובי של חומר בקליפת המוח, המודלים מדויקים של מודל הראש הוא משימה קשה. מחקרים נוספים נדרשים להערכות מוליכות רקמה אזוריות פולשנית בתינוקות 24. פילוח משטח קליפת המוח של נתוני MRI תינוק מציג אתגר נוסף בשל העניים לעומת זאת מצאו בתמונות של המוח האנושי מתפתח 25. יש צורך במחקר עתידי לטיפול בקשיים אלה ולהעריך קושרת neurophysiological שונות של פיתוח והתנהגות תינוק.

לבסוף, פרוטוקול הניסוי המוצע ושיטות ניתן לפרוס במחקרם של אלה עם נכויות התפתחותיות כגון תינוקות עם הפרעה סבירה ספקטרום האוטיסטי (ASD). ביישום כזה, זה יהיה רצוי לכלול קבוצת ביקורת והערכות התפתחותית מתאימות לאפיין את שני קבוצות (שליטה וASD). לבחינהple, קבוצת מחקר יכולה להיות מורכבת מכל הסיכון הגבוה (לASD) אחים תינוק העריך עם אוטיזם אבחון תצפית תוספת 26, חומרת סימפטומים 27 וסולמות מאלן של מוקדמת למידה 28 לאפיין יכולת הקוגניטיבית כללית. אם סריקות MRI זמינות, משוקלל דיפוזיה תהיה גם רצויות מאוד 29.

גילויים

Brain Products ו-Brain Vision מימנו באדיבות את דמי הגישה הפתוחה שגובה כתב העת.

תודות

עבודה זו נתמכה על ידי מכוני יוניס קנדי ​​שרייבר הלאומי לבריאות ילד והתפתחות אדם HD064653-01 # P01 (NICHD) פרס. התוכן הוא באחריות בלעדית של הכותבים ולא בהכרח מייצג את הדעות הרשמיות של NICHD או המכונים הלאומי לבריאות.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
BrainAmp Amplifierמוצרי מוח, Gmbh
actiCAP EEG cap- 64 אלקטרודות *מוצרי מוח, Gmbh
actiCAP Control BoxBrain Products, Gmbh
Brain Vision Recorder Software v1.20.0601Brain Products, Gmbh
actiCAP Control Box software v1.2.5.2Brain Products, Gmbh
CapTrakBrain Products, Gmbh
CapTrak software v1.0.0Brain Products, Gmbh
Opal Movement MonitorAPDM, Inc
Opal תחנת עגינהAPDM, Inc
Opal נקודת גישה אלחוטיתAPDM, Inc
Motion Studio software v1.0.0.201503302222APDM, Inc
תיבת טריגרמותאמת אישית
HC-W850M, Panasonic Co.
*כובעי ה-EEG מגיעים בגדלים הבאים של היקף ראש לתינוקות: 42, 44, 46, 48, 50 ס"מ. עבור פרוטוקול זה, מומלץ מלאי של 2 כובעים מכל גודל.
מצלמת וידאו

מקורות

  1. Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
  2. Makeig, S., Gramann, K., Jung, T. -P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73 (2), 95-100 (2009).
  3. Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
  4. GmbH Brain Products. actiCAP Operating Instructions. , Version 006, Author. Munich, Germany. (2013).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
  6. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54 (1), 77-91 (2012).
  7. Richards, J. E. Neurodevelopmental MRI Database. , Available from: http://jerlab.psych.sc.edu/NeurodevelopmentalMRIDatabase (2010).
  8. Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
  9. Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
  10. Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
  11. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  12. Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. , 2115-2118 (2014).
  13. Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. , 8(2014).
  14. Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34 (1), 26-43 (2014).
  15. Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114 (9), 1580-1593 (2003).
  16. Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
  17. Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. , 2184-2197 (2013).
  18. Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
  19. Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
  20. Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8 (188), (2014).
  21. Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. , 5606-5609 (1109).
  22. Gramann, K., Jung, T. -P., Ferris, D. P., Lin, C. -T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8 (444), (2014).
  23. Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26 (77), (2013).
  24. Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
  25. Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
  26. Lord, C., Rutter, M., DiLavore, P. C., Risi, S. Autism Diagnostic Observation Schedule. , Psychological Services. Los Angeles, Calif, Western. (2000).
  27. Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
  28. Mullen, E. M. Mullen Scales of Early Learning. , AGS Edition, AGS Publishing. Circle Pines, Minn. (1995).
  29. Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169 (6), 589-600 (2012).

הדפסות חוזרות והרשאות

תגיות

EEGIMUEEG IMU
גישה חדשנית ניסויית ואנליטית למולטימודליות עצביות פענוח כוונות במהלך אינטראקציה חברתית באופן חופשי על-מתנהג תינוקות אנושיים
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.