È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Corticale Fonte Analisi di alta densità EEG registrazioni nei bambini

20.9K visualizzazioni

⸱

DOI:

10.3791/51705

⸱

30 giugno 2014

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

In questo articolo

Sommario

Negli ultimi anni, c'è stato un crescente interesse nella stima delle fonti corticali dell'attività elettrica misurata sul cuoio capelluto per esperimenti di neuroscienze cognitive. Questo articolo descrive come viene acquisito l'EEG ad alta densità e come vengono elaborate le registrazioni per la stima della sorgente corticale nei bambini a partire dai 2 anni di età presso il London Baby Lab.

Abstract

EEG è tradizionalmente descritto come una tecnica neuroimaging con elevata risoluzione spaziale e temporale basso. I recenti progressi nella modellazione biofisica e di elaborazione del segnale permettono di sfruttare informazioni provenienti da altre modalità di imaging come la risonanza magnetica strutturale che forniscono ad alta risoluzione spaziale per superare questo vincolo 1. Ciò è particolarmente utile per le indagini che richiedono alta risoluzione nel temporale e dominio spaziale. Inoltre, a causa dell'applicazione facile e basso costo di registrazioni EEG, EEG è spesso il metodo di scelta quando si lavora con popolazioni, come i bambini, che non tollerano MRI funzionale analizza bene. Tuttavia, al fine di indagare quali substrati neurali sono coinvolte, informazioni anatomiche da MRI strutturale è ancora necessaria. La maggior parte dei pacchetti di analisi EEG lavorano con modelli standard di testa che si basano su adulto anatomia. L'accuratezza di questi modelli quando usato nei bambini è limitata 2, perché il comPosition e la configurazione spaziale della testa tessuti cambia notevolmente nel corso dello sviluppo 3.

Nel presente documento, forniamo una panoramica del nostro recente lavoro utilizzando modelli di testa basato su singole scansioni MRI strutturali o di età modelli di testa specifici per ricostruire i generatori corticali di EEG ad alta densità. Questo articolo descrive come le registrazioni EEG vengono acquisiti, elaborati e analizzati con popolazione pediatrica al London Baby-Lab, tra cui l'installazione di laboratorio, progettazione compito, EEG pre-elaborazione, trasformazione risonanza magnetica, e il livello dei canali EEG e analisi sorgente.

Introduzione

Il presidente Barack Obama ha descritto il cervello umano come la prossima frontiera della scoperta scientifica con l'alta importanza per la salute e l'economia 3 (http://www.whitehouse.gov/share/brain-initiative). Tuttavia, come ogni altro campo nelle scienze naturali, neuroscienze dipende progressi nelle metodologie e tecniche di analisi per il progresso. Due strumenti invasivi non comunemente utilizzati in studi sulla funzione del cervello negli esseri umani sono la risonanza magnetica (MRI) ed elettroencefalografia (EEG). Queste strumento di sfruttare diverse proprietà fisiche e fornire diversi spunti in funzione del cervello, con vantaggi e svantaggi. RM utilizza le proprietà magnetiche delle molecole di acqua all'interno di campi magnetici per ottenere immagini di tessuti viventi. Il soggetto deve essere posto in un magnete con elevata intensità di campo. Il movimento del partecipante è limitato durante queste procedure e il partecipante deve tollerare il rumore causato dai rapidi cambiamenti del magneticocampo. Oltre alle immagini strutturali, RM fornisce anche la possibilità di misurare le variazioni di ossigenazione del sangue per studiare la funzione del cervello (fMRI). In sintesi, MRI offre relativamente elevata risoluzione spaziale fino a 0,5 mm 3 con moderni campi ad alta scanner e parametri ottimizzati 4. In contrasto, la risoluzione temporale della fMRI è limitata alla cinetica lenta della risposta BOLD, che riflette solo indirettamente l'alta dinamica temporale di attività neurale 5,6.

D'altra parte, EEG misura le variazioni nell'attività elettrica causata dall'attività dei neuroni attraverso elettrodi posti sul cuoio capelluto. I recenti progressi nella tecnologia EEG permette un'applicazione rapida e semplice dei sensori per breve o lungo termine e fissi così come le registrazioni ambulatoriali. Perché EEG è meno restrittiva, è anche il metodo di scelta per alcune popolazioni partecipanti che non tollerano l'ambiente MRI bene come pediatrica e certopopolazioni geriatriche e psichiatriche. Le proprietà di EEG mostrano un pattern inverso a quelli della MRI: la risoluzione temporale è molto alta con precisione micrometrica, ma la risoluzione spaziale è limitata. Correnti elettriche passano attraverso diversi tessuti tra loro generatore e gli elettrodi EEG sulla superficie del cuoio capelluto. Questo porta a miscelazione e sbavature spaziale dell'attività sorgente noto come effetto di conduzione volume. Pertanto l'attività misurata dagli elettrodi sulla superficie del cuoio capelluto riflette l'attività da molteplici fonti che potrebbero essere lontana alla posizione dell'elettrodo sulla testa 1,7.

Molto lavoro negli ultimi anni è stata dedicata alla fusione di MRI e EEG, al fine di sfruttare i loro rispettivi punti di forza. Una linea di lavoro è dedicata alla acquisizione simultanea di EEG e RM in studi funzionali. Un altro approccio è quello di utilizzare le informazioni spaziali fornite dalla MRI strutturale per tener conto del volume conduction effetto attraverso la modellazione biofisica. L'uso delle informazioni strutturali per la ricostruzione fonte di registrazioni EEG è particolarmente utile per studi condotti su un pediatrico. L'indagine dello sviluppo della funzione cerebrale è fondamentale per capire come le abilità cognitive complesse sono costruite sulla cima di precursori semplici 8.

Queste indagini aiutano a evidenziare cambiamenti nei substrati neurali e le proprietà di risposta che correlano con i cambiamenti nelle prestazioni comportamentali. Tuttavia, l'indagine delle funzioni cerebrali e cognitive durante lo sviluppo pone anche sfide specifiche. In particolare, la possibilità per gli studi di risonanza magnetica funzionale è limitata come i bambini piccoli ei neonati devono o essere addormentato o sedato per ottenere i dati di risonanza magnetica senza artefatti da movimento e l'impatto negativo sul benessere dei partecipanti. Inoltre, EEG è percepita come meno rischioso e invasivo da parte dei genitori, che rende il reclutamento dei partecipanti alla ricerca più facile. Therefore, EEG è il metodo di scelta per molte indagini della funzione cerebrale nei bambini piccoli. Progressi metodologici nei sistemi EEG permettono l'applicazione di schiere di elettrodi ad alta densità con 128 o più canali in pochi minuti. Facilità di applicazione e comfort sono sufficienti per consentire anche la registrazione EEG nei neonati più giovani. Tuttavia, spesso i ricercatori non sono solo interessati alle dinamiche temporali delle risposte a particolari stimoli, ma vorrebbe anche di confrontare i substrati neurali che mediano le risposte.

Una ipotesi prevalente nel livello del canale di analisi ERP confronto diverse fasce di età è che gli stessi substrati neurali rispondono, ma che il tempo o l'ampiezza di risposta varia a seconda dei secoli 9. Simile cuoio capelluto topografia viene spesso utilizzato come indicatore di simile attività neurale sottostante. Tuttavia, molte configurazioni di base diversi possono portare a simili topografie cuoio capelluto 10. Applicando la stima di origine, questo Uncertainty può essere ridotto e quantificato. L'indipendenza delle osservazioni è fondamentale per gli account di rete della funzione cerebrale: se le fonti sono mescolati, le correlazioni saranno sbilanciata verso una maggiore connettività locale. Fonte ricostruzione può essere applicata per ridurre questa distorsione 11. In alternativa, sfasamenti temporali e di fase possono essere utilizzati per l'analisi connettività, ma questi modelli matematici richiedono ipotesi che sono difficili da valutare in dati non simulati 12. In sintesi, la stima fonte fornisce informazioni aggiuntive a livello del canale EEG e analisi ERP basata sulla conoscenza dell'anatomia e della proprietà biofisiche del tessuto.

Diversi algoritmi sono stati ideati per trovare soluzioni al problema inverso. Questi algoritmi rientrano in generale in due categorie: parametrici e non parametrici 13. Modelli parametrici assumono uno o più dipoli che possono variare in posizione, l'orientamento e la forza. Al contrario, non modelli parametrici contena gran numero di dipoli con postazione fissa e orientamento. In questi modelli, l'attività elettrica del cuoio capelluto è spiegata come una combinazione di attivazioni in dipoli fissi 10,13,14. Non parametrica, modelli di origine distribuiti possono essere basati sulle conoscenze di anatomia e conducibilità in diversi media. Modelli Boundary Element incorporano valori di conducibilità per i principali tessuti della testa con diversi proiettili per il cervello, il liquido cerebro-spinale, e del cranio. Questo si basa sul presupposto che la conducibilità è pressoché costante all'interno di ciascun compartimento, ma che si verificano notevoli cambiamenti al confine di diversi scomparti. Modelli ad elementi finiti sono basati su un ulteriore segmentazione di esami di risonanza magnetica nella materia grigia e bianca in modo che i valori di conducibilità possono essere assegnati a ciascun voxel 15.

In termini pratici, modelli non parametrici sono particolarmente utili per la ricostruzione fonte in compiti cognitivi complessi, in cui il numero delle aree interessate possononon essere conosciuto 10. Modelli ad elementi di contorno sono più utilizzati nella letteratura corrente, probabilmente perché i più accurati modelli agli elementi finiti pongono relativamente elevate esigenze computazionali. Inoltre, vi è una notevole variabilità individuale tra nella materia grigia e bianca in modo che FEM dovrebbe basarsi sui singoli scansioni MRI.

Modelli non parametrici richiedono una seconda fase per la corrispondenza del cuoio capelluto attività misurata alle previsioni del modello in avanti. Ancora una volta, approcci differenti con differenti vantaggi e svantaggi sono stati discussi in letteratura (vedi Michel et al. 2004 per una panoramica). Gli algoritmi più utilizzati sono basate sulla stima norma minima (MNE), che corrisponde al cuoio capelluto attività misurata ad una distribuzione di corrente nel modello in avanti con l'intensità globale più basso 16. MNE è sbilanciata verso le fonti deboli e superficiali. Profondità algoritmi MNE ponderati cercano di ridurre il bias superficie con l'introduzione di pesimatrici basate su ipotesi matematiche 10. L'approccio LORETA ampiamente utilizzato si basa anche sul pesata MNE, ma riduce inoltre il laplaciano di fonti, che porta a soluzioni uniformi 17,18. LORETA è stata trovata a svolgere meglio per singole sorgenti in studi di simulazione 19,20. Tuttavia, LORETA può comportare oltre lisciatura di soluzioni. Profondità ponderata MNE è preferibile quando le fonti sono sconosciute o più fonti sono suscettibili di essere presente il 13, 16. Confrontando i risultati di diversi algoritmi per valutare l'influenza delle diverse ipotesi di modello è raccomandato.

In sintesi, la ricostruzione fonte attraverso metodi di modellazione è stato limitato per i bambini fino a poco tempo. Questo perché la maggior parte dei software di analisi EEG si basa su modelli di testa basato su adulto anatomia che limita notevolmente la precisione delle soluzioni origine nei bambini 2,8. L'accesso a buon mercato per potenza di calcolo e la fornitura disoftware facile da usare per la ricostruzione di origine permettono di superare queste limitazioni. Applicando la stima sorgente alla EEG offre due importanti vantaggi rispetto analisi basate su osservazioni del livello del canale da solo: migliore risoluzione spaziale e l'indipendenza delle osservazioni.

Stima di origine non può essere informativo in alcuni casi: buona copertura della testa è necessaria per distinguere fonti. Sistemi ad alta densità con 128 o più elettrodi sono raccomandati 10,15; una copertura rada agirà come un filtro spaziale che porta alla più ampia attivazione fonte diffusione o falsi negativi 10. Inoltre, ricostruzione source basato sul metodo descritto in questo articolo è stato riportato solo per generatori corticali. Pertanto, è meno adatto per la verifica di ipotesi circa i substrati sottocorticali o interazioni subcorticali corticali. Infine, l'analisi fonte dovrebbe essere basata su ipotesi precedenti dettagliate sui substrati corticali,prendendo la letteratura esistente da altre modalità di imaging in considerazione. Tecniche di filtraggio spaziale può essere utilizzato anche per migliorare la risoluzione spaziale del segnale EEG riducendo miscelazione spaziale a livello cuoio capelluto. Vengono utilizzati metodi alternativi per ridurre l'influenza degli effetti di conduzione del volume senza modellazione testa, ad esempio, Laplacian filtraggio 21 o attuale analisi Sorgente di densità 22. Tuttavia, questi metodi non forniscono maggiori informazioni per generatori neurali come effetti di conduzione del volume non sono solo limitati a sensori in prossimità spaziale 1.

Nelle sezioni seguenti, l'articolo descrive come gli esperimenti per lo studio del cervello e della funzione cognitiva nei bambini dai 2 anni di età sono progettati al London Baby-Lab. Avanti, acquisizione dati EEG con i sistemi a bassa impedenza ad alta densità con bambini è discusso. Poi, EEG pre-elaborazione e analisi sul livello del canale è presentato. Lastly, l'articolo si concentra sul trattamento dei dati MRI strutturali per la ricostruzione di origine corticale e l'analisi dei segnali di livello sorgente.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

1. Progettazione di EEG e potenziali esperimenti relativi agli eventi per i bambini

Nota: Un semplice esperimento è stato progettato per gli scopi di questo articolo che può essere utilizzato per studiare l'elaborazione del volto nei bambini piccoli. La sezione seguente descriverà l'esperimento e spiegherà come implementarlo utilizzando MATLAB R2012b e Psychtoolbox V3.0.1123,24. Per questo esempio sono state utilizzate immagini tratte dal set NimStim di espressioni facciali emotive25. Questo set di stimoli è disponibile per scopi di ricerca su richiesta (http://www.macbrain.org/resources.htm).

  1. Trasferisci le immagini RGB in scala di grigi per ridurre le differenze tra gli stimoli. Vedere la tabella 1. Nota: Questi comandi richiedono la casella degli strumenti di elaborazione delle immagini (http://www.mathworks.co.uk/products/image/). È possibile trovare alternative gratuite tramite lo scambio di file (https://www.mathworks.co.uk/matlabcentral/fileexchange).
  2. Utilizzare un software di controllo sperimentale per implementare l'esperimento con una tempistica precisa per i trigger di presentazione dello stimolo utilizzando una serie di comandi (vedere la Tabella 1 per un esempio).

2. Acquisizione dati

  1. Assicurarsi che il bambino si senta a proprio agio con l'ambiente di test. Consenti ai bambini più piccoli di sedersi in grembo al loro caregiver o su un comodo seggiolino per bambini. Lascia che il bambino veda e senta la rete del sensore prima di applicarla alla testa del bambino. Se c'è una rete in più, chiedi anche al genitore di provarne una, o di metterne una su una bambola o un orsacchiotto di peluche.
  2. Misura la circonferenza massima della testa per selezionare la dimensione della rete corretta per il bambino. Usa un metro a nastro e tienilo vicino alla nasion. Quindi misura intorno alla testa intorno alla circonferenza massima (~1 cm sopra l'inion). Nota: tenere traccia della circonferenza della testa misurata e della rete del sensore utilizzata per l'analisi successiva26. Aiuta se anche la testa dei genitori viene misurata per rendere i bambini più a loro agio con la situazione.
  3. Identificare il vertice della testa all'intersezione della distanza media tra nasion e inion e del punto periauricolare sinistro e destro. Segna questo punto con una penna a china per assicurarti che il canale del vertice sia posizionato correttamente quando applichi la rete.
  4. Applicare la rete del sensore e assicurarsi che i canali chiave siano allineati con i punti di riferimento anatomici (nasion, inion, vertice e mastoidi sinistra/destra). Nota: Per ottenere risultati più accurati, la posizione dei canali sulla testa può essere acquisita digitalmente utilizzando speciali apparecchiature di digitalizzazione. I ricercatori che desiderano acquisire la posizione del sensore devono fare riferimento ai manuali hardware e software appropriati. In alternativa, è possibile utilizzare mappe degli elettrodi che presuppongono il posizionamento standard degli elettrodi lungo i punti di riferimento anatomici. Queste mappe possono essere deformate per modellare la testa in modo appropriato all'età, come descritto nella sezione di analisi.
  5. Assicurarsi che i canali abbiano un buon contatto con il cuoio capelluto posizionando i sensori singolarmente; ruotare delicatamente ciascun sensore da un lato all'altro per spostare i capelli.
  6. Misura i guadagni e le impedenze dei canali. Fare clic su "Avvia" per avviare la registrazione nel software di registrazione EEG NetStation e avviare la misurazione del guadagno e dell'impedenza. Se la misurazione non si avvia automaticamente, utilizzare il pulsante "Calibra amplificatore" e "Misura impedenze nette".
  7. Controllare il software di registrazione per i canali con impedenze superiori a 50 kΩ che appariranno in rosso. Applicare un'ulteriore soluzione elettrolitica con una pipetta per ridurre le impedenze del canale. Controllare il display EEG per i canali che mostrano un'attività ad alta frequenza nonostante una bassa impedenza o un'attività notevolmente inferiore rispetto ai canali circostanti (canali a linea piatta). Questi canali possono avere un contatto allentato con il cuoio capelluto e richiedere una regolazione.
  8. Al fine di mantenere i bambini a proprio agio durante la preparazione EEG, consentire al bambino di ascoltare musica, guardare un cartone animato adatto all'età o distrarli utilizzando un altro sperimentatore, ad esempio soffiando bolle di sapone per i più piccoli.

3. Analisi

  1. Preelaborazione
    1. Filtrare digitalmente i dati con un filtro passa-alto con un taglio a 0,1 Hz per rimuovere le derive dei canali27 (Tabella 1).
    2. Per l'analisi ERP, applicare un filtro passa-basso con un taglio a 30 Hz27 (Tabella 1).
    3. Epocha i dati continui in base ai codici di trigger impostati durante la registrazione. Per la maggior parte degli esperimenti, utilizzare un valore di base di 200 msec prima dell'insorgenza dello stimolo e un intervallo post-stimolo di 600 msec per coprire l'intervallo di tempo di interesse (Tabella 1).
    4. Rimuovi le epoche che contengono artefatti di movimento o battito di ciglia: contrassegna i canali con un'ampiezza da picco a picco superiore a 150 mV - regola questa soglia in base al gruppo di partecipanti e alla qualità dei dati. Per coerenza, utilizzare la stessa soglia per tutti i partecipanti a uno studio. Se un canale supera questa soglia in più del 30% delle epoche, rimuovete il canale (l'attività del canale può essere interpolata dai canali circostanti, se questi contengono dati accettabili). Se più del 20% dei canali è contrassegnato come non valido in un'epoca, rimuovere l'epoca. Se più del 20% dei canali viene rifiutato dall'algoritmo o meno del 50% delle epoche viene mantenuto, prendere in considerazione la possibilità di rimuovere il set di dati da ulteriori analisi (Tabella 1).
      Nota: le soglie percentuali per l'epoca e la reiezione del canale sono cifre approssimative che rimuovono una quantità sufficiente di rumore nella nostra esperienza. È probabile che la quantità di artefatti nella registrazione sia diversa utilizzando altri gruppi di partecipanti, paradigmi sperimentali o sistemi EEG. Gli sperimentatori potrebbero voler regolare le soglie percentuali e verificare se sono soddisfatti del rifiuto dell'artefatto. In alternativa, gli sperimentatori possono rifiutare le prove che contengono artefatti attraverso l'ispezione visiva.
    5. Riferimento al riferimento medio sottraendo l'attività media tra i canali da ciascun canale (Tabella 1). Nota: L'elettrodo del vertice viene in genere utilizzato come riferimento di registrazione in NetStation.
  2. Correzione degli artefatti mediante l'analisi dei componenti indipendenti
    1. Importare i dati nella casella degli strumenti FASTER28 ed eseguire l'algoritmo di rifiuto automatico degli artefatti sui dati (Tabella 1).
    2. Utilizzare l'interfaccia grafica utente (GUI) per VELOCIZZARE; per aprire la GUI, digitare FASTER_GUI nella riga di comando.
    3. Deselezionate le opzioni di filtraggio nel menu di filtraggio in quanto i dati sono già stati filtrati prima dell'epoching.
    4. Specificare il numero di canali: 126 canali EEG con 2 canali di elettrooculogramma (EOG).
    5. Immettere i marcatori utilizzati per l'epochizzazione dei dati come stringhe in una matrice di celle. Per il caso presentato inserire: {'face','scra'} per le condizioni del viso e del viso criptato.
    6. Selezionare i canali per l'analisi dei componenti indipendenti (ICA). In genere selezionare tutti i canali di registrazione, inclusi i canali esterni non EEG.
    7. Specificare la cartella di input e output nel riquadro destro della GUI.
    8. Selezionare il file del canale appropriato per le registrazioni. Nota: i file dei canali per la maggior parte dei sistemi EEG possono essere scaricati dal produttore o dal sito Web EEGLAB.
    9. Fare clic su ESEGUI per avviare l'elaborazione FASTER. A seconda della lunghezza delle registrazioni e del numero di file, questa elaborazione può richiedere diverse ore.
    10. Ispeziona visivamente le registrazioni, le mappe dei componenti indipendenti e gli ERP dopo l'elaborazione.
  3. Analisi a livello di canale dei dati sui potenziali correlati agli eventi
    1. Combina diversi canali per formare un canale virtuale con un migliore rapporto segnale/rumore (Tabella 1). Nota: la selezione dei canali dovrebbe basarsi su precedenti rapporti in letteratura o su ipotesi a priori. Si sconsiglia di selezionare i canali che mostrano l'ampiezza più alta all'interno di una determinata finestra temporale29.
    2. Ottieni misure come l'ampiezza di picco, l'ampiezza media e la latenza di picco per caratterizzare la forma d'onda ed eseguire test statistici (Tabella 1).
  4. Creazione di modelli di elementi limite (BEM)
    1. Segmenta la risonanza magnetica anatomica con FreeSurfer. Nota: per ottenere risultati più accurati, basare il modello degli elementi limite su scansioni MRI individuali per ciascun partecipante. Se ciò non è fattibile, dovrebbero essere utilizzati modelli di risonanza magnetica medi che corrispondano il più possibile all'età dei partecipanti. Si prega di notare che i BEM non possono essere utilizzati per i bambini di età inferiore ai 24 mesi. I modelli degli elementi di confine presuppongono che ogni guscio (cervello, cranio, pelle) sia costituito da un guscio chiuso. Tuttavia, nei bambini piccoli le fontanelle del cranio non sono chiuse, il che viola l'ipotesi della conchiglia chiusa.
      1. Per installare il software FreeSurfer, scaricalo prima dal sito web di FreeSurfer (http://freesurfer.net/fswiki/DownloadAndInstall). Successivamente, configura l'ambiente shell che include FreeSurfer; Per .bashrc, includere i seguenti comandi nel file .bashrc:
        1. Esportazione FREESURFER_HOME=/Applicazioni/freesurfer/
        2. Fonte $FREESURFER_HOME/FreeSurferEnv.sh
          Nota: Questi comandi presuppongono che la cartella FreeSurfer si trovi nella cartella Applicazioni su un sistema Unix. Ci sono maggiori dettagli su come configurare FreeSurfer con ambienti shell alternativi, ad esempio csh/tcsh, o sistemi operativi sul sito web di FreeSurfer (http://freesurfer.net/fswiki/DownloadAndInstall).
      2. Successivamente, definisci la directory Subject, ovvero la cartella in cui verrà scritto l'output utilizzando il seguente comando:
        1. esportazione SUBJECTS_DIR=/.../BEM/
          Nota: i risultati possono essere scritti in qualsiasi cartella del sistema.
      3. Quindi, modificare la directory di lavoro nella cartella che contiene il file MRI per il modello dell'elemento limite utilizzando il seguente comando:
        1. cd /Utenti/joebathelt/Neurodevelopmental_MRI_database/Bambini/Cervello/
          Nota: Qualsiasi cartella sul sistema può essere specificata utilizzando la sintassi del comando cd. Questo è un esempio della struttura dei file dei ricercatori primari.
      4. Infine, avvia la ricostruzione utilizzando i seguenti comandi:
        1. recon-all -i -subjid
        2. recon-all -all -subjid
          Nota: deve essere sostituito con il nome del file delle scansioni MRI desiderate nella directory corrente. può essere sostituito con qualsiasi nome. FreeSurfer creerà una cartella con questo nome nella directory dell'oggetto. A seconda del sistema utilizzato, l'esecuzione degli ultimi comandi potrebbe richiedere un po' di tempo.
    2. Controllare la segmentazione di FreeSurfer per verificare la presenza di segmentazioni errate, ad esempio sfere sovrapposte, compartimenti anatomicamente improbabili, ecc. importando i segmenti in BrainStorm e utilizzando gli strumenti di visualizzazione nella GUI:
      1. In BrainStorm, seleziona il riquadro di anatomia. Importa la risonanza magnetica segmentata facendo clic con il pulsante destro del mouse sul soggetto e selezionando "Importa cartella anatomia". Assicurarsi che la cartella con l'output di FreeSurfer sia selezionata. Ispeziona visivamente la segmentazione facendo clic con il pulsante destro del mouse e selezionando "Visualizza". Nota: In alternativa, è possibile utilizzare i comandi FreeSurfer. Una descrizione dettagliata può essere trovata sul sito web di FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Se si desidera un'analisi della regione di interesse basata sulla parcellazione anatomica, le funzioni di FreeSurfer mris_ca_label, mri_annotation2label e mri_mergelabels. Per informazioni più dettagliate, fare riferimento alle pubblicazioni di FreeSurfer e alle pagine della guida in linea.
  5. Stimare l'attività di origine in BrainStorm
    1. Avvia BrainStorm digitando "brainstorm" nella finestra di comando.
    2. Creare un nuovo protocollo selezionando Nuovo protocollo dal menu File.
    3. Aggiungere un nuovo oggetto al protocollo selezionando Nuovo oggetto dal menu File.
    4. Importa i dati EEG per il partecipante facendo clic con il pulsante destro del mouse sull'oggetto e selezionando "Importa MEG/EEG".
    5. Importa un file di canale facendo clic con il pulsante destro del mouse e scegliendo "Importa file di canale". Nota: il file del canale deve essere allineato alla risonanza magnetica per la ricostruzione della sorgente. BrainStorm utilizza un sistema di 4 punti di riferimento anatomici che l'utente deve segnare nella risonanza magnetica. Per ulteriori informazioni, fare riferimento ai tutorial di BrainStorm (http://neuroimage.usc.edu/brainstorm/CoordinateSystems). È possibile utilizzare la posizione standard definita da un file di canale per un determinato sistema EEG o, idealmente, le posizioni della testa che sono state digitalizzate prima della registrazione EEG.
    6. Verificare che il BEM e i canali siano allineati come previsto: fare clic con il pulsante destro del mouse sul file del canale per il soggetto e passare a "Registrazione MRI" e "Verifica". Nota: Se le sfere all'interno del modello si sovrappongono o se i canali si trovano all'interno del BEM, la ricostruzione dell'origine produrrà risultati errati. Regola l'allineamento utilizzando l'opzione "Modifica" nel menu "Segmentazione MRI".
    7. Calcola la matrice di covarianza del rumore dalla linea di base di ogni epoca facendo clic con il pulsante destro del mouse sul partecipante e scegliendo "Matrice di covarianza del rumore" e "Calcola dalla registrazione". Nota: Gli autori del toolbox BrainStorm raccomandano di utilizzare una matrice di covarianza del rumore diagonale per registrazioni brevi (~ meno punti temporali rispetto ai canali) e una completa per registrazioni più lunghe. Per ulteriori informazioni, fare riferimento al tutorial BrainStorm Source Estimation: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Calcola il modello di origine facendo clic con il pulsante destro del mouse sull'oggetto e selezionando "Calcola modello di origine".
    9. Calcola la soluzione inversa utilizzando la stima della norma minima ponderata in profondità facendo clic con il pulsante destro del mouse sull'oggetto e selezionando "Calcola sorgente" e "Stima della norma minima". Nota: Sono disponibili altre opzioni (dSPM, sLORETA). Ogni opzione presenta vantaggi e svantaggi diversi. L'algoritmo deve essere selezionato sulla base di considerazioni a priori e di precedenti rapporti in letteratura. Inoltre, alcuni algoritmi sono migliori nel risolvere l'attivazione focale in determinate aree, mentre altri sono più adatti per l'attivazione diffusa. MNE è stato utilizzato per questo studio sulla base di precedenti rapporti in letteratura16. Per coerenza, lo stesso algoritmo per la soluzione inversa dovrebbe essere utilizzato per tutti i partecipanti a uno studio. I ricercatori potrebbero anche voler confrontare l'affidabilità dei risultati con l'applicazione di diversi algoritmi di soluzione inversa.
    10. Ripetere la Sezione 3 per tutti i partecipanti allo studio. Nota: utilizzare l'interfaccia grafica di batch o gli script per ripetere i passaggi di elaborazione per i partecipanti. Consulta la documentazione di BrainStorm per le istruzioni (http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript).
    11. Media dell'attività della sorgente durante le prove per partecipante trascinando le registrazioni nel menu Processo e selezionando "Media" e "Per condizione (media del soggetto)".
    12. Contrasta la condizione selezionando "Processi 2" e trascinando ciascuna condizione in una finestra. Quindi, seleziona "Test" e "T-test dello studente" o "T-test dello studente (accoppiato)" a seconda del design. Per eseguire più confronti, impostare le soglie di ampiezza e area nella visualizzazione della mappa statistica risultante nel menu "Stat". Nota: In alternativa, le mappe di attivazione possono essere esportate in SPM (http://www.fil.ion.ucl.ac.uk/spm/) per un'analisi statistica più approfondita (http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12")).
    13. Calcolare la risposta correlata all'evento per un'area di interesse. Per le ROI basate sulla parcellazione, caricare la parcellazione FreeSurfer facendo clic con il pulsante destro del mouse sulla superficie della corteccia nel menu anatomia e selezionare "Importa etichette". Naviga nel file corrispondente e caricalo. Ora, seleziona un ROI nel riquadro "Scout" del menu dei dati funzionali.
    14. Ottieni l'attività relativa all'evento ROI trascinando i file nella finestra Processo 1 e seleziona "Estrai serie temporali Scout" dal menu Sorgenti. Nota: è possibile selezionare più ROI contemporaneamente e le serie temporali ROI possono essere esportate per ulteriori tracciati e analisi facendo clic con il pulsante destro del mouse sui dati delle serie temporali scout e selezionando "Esporta in Matlab".

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Progettare esperimenti ERP per neonati e bambini è spesso impegnativo, a causa della loro limitata capacità di tollerare esperimenti lunghi e ripetitivi30. Questo problema è ulteriormente aggravato quando lo sperimentatore prevede di applicare la ricostruzione della sorgente, perché una ricostruzione accurata della sorgente richiederà un elevato rapporto segnale/rumore1. La Figura 1 mostra un protocollo sperimentale per lo studio dei meccanismi di elaborazione del volto che può esse...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Il presente articolo descrive la registrazione e l'analisi dell'EEG ad alta densità per la ricostruzione di generatori corticali utilizzando modelli di elementi limite basati su modelli di risonanza magnetica media appropriati per l'età e stima della norma minima ponderata in profondità in un paradigma ERP standard adatto ai bambini. In questo paradigma, vengono presentate immagini di volti e volti strapazzati. Diversi autori hanno utilizzato questo paradigma per studiare lo sviluppo di meccanismi di elaborazione faccial...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

I costi di pubblicazione di questo articolo sono stati sponsorizzati da Electrical Geodesics, Inc.

Ringraziamenti

Vogliamo ringraziare il Prof. John Richards, Università della Carolina del Sud, per averci concesso l'accesso al database Developmental MRI e alle utili discussioni. Vorremmo anche ringraziare i nostri finanziatori Great Ormond Street Children's Charity, UCL Impact e Grand Challenges.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Rete di sensori EEG ad alta densità (128 o 256 canali)HydroCel Geodesic Sensor Net 128Electrical Geodesic Inc., Oregon, US
EEG amplificatore ad alta impedenzaNetAmps 200Electrical Geodesic Inc., Oregon, US
Computer di acquisizione dati PowerMac G4Apple Inc, California, Stati Uniti
Computer di presentazione degli stimoliOptiplex 745Dell Computers Inc., Texas, Stati Uniti
Software di presentazione degli stimoliMATLAB R2012b con PsychToolBoxBrainard et al. 1997
Software di registrazione EEGNetStation 4.5.1Electrical Geodesic Inc., Oregon, Stati Uniti
Analisi EEG softwareMATLAB R2012bThe Mathworks Inc.
EEGLABDelorme et al. 2004
BrainStormSylvain et al. 2001
Software di elaborazione MRIFreeSurferFischl et al. 2004
OpenMEEGGramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: un toolbox open source per l'analisi delle dinamiche EEG di prova singola, inclusa l'analisi dei componenti indipendenti. Journal of Neuroscience Methods, 134(1), 9– 21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: un'applicazione di facile utilizzo per l'analisi MEG/EEG. Intelligenza Computazionale e Neuroscienze, 1– 13, (2011).
Fischl, B. et al. Parcellizzazione automatica della corteccia cerebrale umana. Corteccia cerebrale, 14(1), 11– 22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: software opensource per bioelettromagnetismo quasistatico. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. La cassetta degli attrezzi della psicofisica. Visione spaziale, (1997).

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Partecipanti pediatriciMRI strutturaleModello a elementi di contornoRicostruzione della sorgentePre-elaborazione EEGSoftware FreeSurferSoftware BrainstormStima della norma minima
Corticale Fonte Analisi di alta densità EEG registrazioni nei bambini
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.