Applicazioni di EEG dati Neuroimmagine: potenziali evento-correlati, spettrale di potenza, e multiscala Entropy

L'obiettivo generale di questa procedura è quantificare la variabilità di una serie temporale EEG e correlare tale variabilità alla capacità di elaborazione delle informazioni del sistema neurale sottostante. Ciò si ottiene acquisendo prima registrazioni EEG di alta qualità della risposta del cervello. Il secondo passaggio consiste nell'elaborare preventivamente i dati per rimuovere eventuali artefatti.

Successivamente, vengono estratte le statistiche di interesse. Qui confronteremo la nuova applicazione dell'entropia multiscala con metodi più tradizionali di ampiezza media e potenza spettrale. Il passaggio finale consiste nell'analizzare la significatività statistica dei risultati e interpretare i dati.

Questo passaggio può essere facilitato utilizzando approcci multivariati basati sui dati come l'analisi del quadrato di locazione parziale. In definitiva, l'entropia multiscala viene utilizzata per mostrare come una sequenza di cambiamenti nel modello temporale spaziale su più scale temporali contribuisca a specifiche operazioni cognitive. Il vantaggio dell'utilizzo di MSC rispetto ai metodi esistenti come l'ampiezza media o la potenza degli spettri, è che MSC è sensibile alle non linearità dei dati.

Queste dinamiche non lineari riflettono transizioni o biforcazioni tra i micro stati di una rete, il che è importante per lo scambio di informazioni attraverso una rete distribuita di regioni cerebrali. A dimostrare questa procedura sarà Christina Backer del laboratorio ERP del Rotman Research Institute. Innanzitutto, spiegare le procedure sperimentali al partecipante e ottenere il consenso informato.

Pulire l'area in cui verranno posizionati gli elettrodi a discesa utilizzando un tampone imbevuto di alcol. Posizionare un po' di gel sull'elettrodo. Togli i fogli dal lato della pelle e posiziona gli elettrodi sul partecipante per identificare gli artefatti del movimento oculare.

Posizionare un elettrodo sulla giunzione laterale della palpebra superiore e inferiore. Posizionare un altro elettrodo al centro della cresta orbitale, circa un centimetro sotto l'occhio e in linea con la pupilla. Ripeti per l'altro occhio.

Misurare la circonferenza della testa del partecipante e scegliere la dimensione appropriata del cappuccio dell'elettrodo seguendo il sistema 10 20 riconosciuto a livello internazionale. Per il posizionamento degli elettrodi, misurare la distanza dall'Indian Ian lungo la linea mediana e dividere per il 10% utilizzando quel numero. Prendi le misure dal NAS e segna.

Allineare la posizione del cappuccio dell'elettrodo FP con questo segno e tirare indietro il cappuccio. Assicurati che il centro del cappuccio sia in linea con il naso. Misurare da nasn a cz e confermare che questa distanza è la metà della distanza da NAS a Indian.

Quindi stringere il sottogola e posizionare una garza sotto la cinghia per comodità, se necessario. Ora, metti la siringa a punta smussata riempita di gel nei portaelettrodi per creare una colonna conduttiva di gel. Inizia a contatto con il cuoio capelluto, quindi stringi e tira indietro.

Si noti che l'applicazione di troppo gel può colmare i segnali degli elettrodi vicini. Quindi, fissare gli elettrodi attivi nei portaelettrodi. Quindi posizionare il soggetto davanti al monitor alla distanza appropriata.

Per l'esperimento, chiedi al partecipante di rimanere fermo sottolineando l'importanza di ridurre al minimo i movimenti oculari e le palpebre. Per una registrazione pulita, esaminare le connessioni degli elettrodi e la qualità del segnale EEG sul computer di acquisizione. Se c'è un problema con un particolare elettrodo, estrarre quell'elettrodo e riapplicare il gel per regolare le impedenze in quel sito dopo la sperimentazione, ma prima di estrarre la particolare statistica di interesse.

Pre-elaborare i dati EEG continui per rimuovere gli artefatti utilizzando le procedure standard di filtraggio e rifiuto degli artefatti. L'analisi del potenziale correlato all'evento cattura l'attività cerebrale sincrona che è l'aggancio di fase all'insorgenza di uno stimolo Blocco temporale della risposta del cervello all'insorgenza di un evento saliente, e quindi la media su molti eventi simili. Per aumentare il rapporto segnale/rumore, identificare l'ampiezza di picco e la latenza del componente ERP per ciascun soggetto, la potenza Spectra quantifica il contributo relativo di una frequenza a un particolare segnale EEG.

Utilizza l'analisi di Fourier per trasformare il segnale EEG dal dominio del tempo al dominio della frequenza e scomporre il segnale nelle sue onde sinusoidali componenti di frequenze variabili. L'entropia multiscala è una metrica teorica dell'informazione che cattura la variabilità dei segnali neuroelettrici nel tempo e in più tempi. Bilancia. Usa l'algoritmo di PhysioNet per calcolare l'entropia multiscala in due passaggi.

Nella prima fase, scende progressivamente. Campiona il segnale per ogni periodo di prova e condizione. Uno rappresenta il segnale originale.

Crea scale temporali successive dividendo prima il segnale originale in finestre non sovrapposte della lunghezza della scala temporale. Quindi calcola la media dei punti dati all'interno di ogni finestra. Ad esempio, per creare una scala cronologica in cui due fanno la media insieme.

I primi due punti, i due punti successivi e così via. Per creare la scala cronologica, tre fanno la media dei primi tre punti, dei tre punti successivi e così via. Rappresentando il segnale originale su varie scale temporali, è possibile analizzare i processi neurali che possono svolgersi a velocità diverse.

La seconda fase calcola l'entropia del campione per ogni corso. Serie temporali con granularità. Ciò fornisce una stima della complessità della risposta del cervello alle diverse scale temporali.

I segnali regolari hanno un'entropia del campione inferiore rispetto ai segnali più stocastici. In questo esempio, la lunghezza del modello M è impostata su due. Ciò significa che le serie temporali saranno rappresentate come un rapporto di due e tre corrispondenze di sequenze di punti.

Il parametro R è il criterio di somiglianza. I punti dati che si trovano all'interno di questo intervallo di ampiezza hanno valori simili e quindi si dice che corrispondano. Per i dettagli sull'impostazione dei parametri, consultare il protocollo di testo per calcolare l'entropia del campione per questa serie temporale simulata.

Inizia con i primi due componenti. Modello di sequenza, rosso arancione, primo conteggio il numero di volte in cui il modello di sequenza rosso arancio si verifica nella serie temporale. Ci sono 10 partite per questo.

Sequenza a due componenti. In secondo luogo, conta il numero di volte i primi tre componenti. Il modello di sequenza, rosso, arancione, viola si verifica nella serie temporale.

Ci sono cinque partite per questo. Sequenza a tre componenti. Continuare con le stesse operazioni per la sequenza successiva di due componenti, arancione, viola, e la successiva sequenza di tre componenti, arancione, viola, verde della serie temporale.

Sommate il numero di due corrispondenze di componenti e di tre corrispondenze di componenti per queste sequenze ai valori precedenti. Ripetere l'operazione per tutte le altre corrispondenze di sequenza nella serie temporale per determinare il rapporto totale tra due corrispondenze di componenti e tre corrispondenze di componenti. L'entropia campionaria è il logaritmo naturale di questo rapporto.

Questi dati mostrano differenze di condizione nella potenza spettrale ERP e nell'entropia che contrastano la presentazione iniziale rispetto a quella ripetuta delle fotografie facciali. In questo esempio, tutte le misure convergevano per rivelare lo stesso effetto di diminuzione dell'entropia campionaria che accompagna la ripetizione del volto. Questa diminuzione della complessità suggerisce che la rete funzionale coinvolta è più semplice e che elabora meno informazioni.

Questi risultati statistici sono derivati dall'analisi multivariata di quadrati di locazione parziale della potenza spettrale ERP e dell'entropia multiscala per facce associate a diversi livelli di familiarità. Il contrasto mostra che l'ampiezza dell'ERP distingueva i volti nuovi da quelli familiari, ma non tra i volti familiari che variavano in quantità di esposizione precedente. Il potere spettrale distingueva i volti in base alla familiarità, ma non distingueva accuratamente tra volti di bassa e media familiarità.

L'entropia multiscala era più sensibile alle differenze di condizione. I valori di entropia del campione aumentavano con l'aumentare della familiarità del volto. Questi grafici di immagini catturano la distribuzione temporale spaziale dell'effetto della condizione.

È interessante notare che l'entropia multiscala ha rivelato informazioni uniche che non sono state ottenute dalle analisi più tradizionali dell'ERP o della potenza spettrale. Questa divergenza dell'entropia multi-scala suggerisce che le condizioni differiscono per quanto riguarda gli aspetti non lineari della loro dinamica di rete, che possono coinvolgere le interazioni tra le bande di frequenza. Questo nuovo strumento analitico ci aiuta a catturare nuove informazioni sulle dinamiche della rete neurale, aiutandoci ad allontanarci dalla caratterizzazione della funzione mentale in termini di stati statici e verso la comprensione del dispiegarsi fluido dei processi che si collegano alla cognizione umana.