Name: Applicazioni di EEG dati Neuroimmagine: potenziali evento-correlati, spettrale di potenza, e multiscala Entropy (Video) | JoVE Journal
Uploaded: 2013-06-27T12:00:00.000+00:00
Duration: 11 min 15 s
Description: Scopri l'analisi della variabilità dei segnali EEG con entropia multiscala per neuroscienza. Questo metodo rivela dinamiche non lineari della capacità di elaborazione informativa del cervello.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

1. Acquisizione EEG <ol><li> Spiegare le procedure sperimentali per il partecipante e ottenere il consenso informato. </li><li> Applicare discesa elettrodi. Zona pulita sulla faccia dove saranno collocati gli elettrodi a discesa con un tampone imbevuto di alcol. </li><li> Mettere tappo elettrodo sulla testa del partecipante. Misurare la circonferenza della testa del partecipante e scegliere il formato della protezione appropriata. In seguito il sistema 10-20 riconosciuto a livello internazionale per il posizionamento degli elettrodi, misurare la distanza dal nasion al inion lungo la linea mediana e dividere per 10%. Usando quel numero, misurare fino a nasion e contrassegno. Allineare l&#39;elettrodo tappo posizione Fp con questo marchio e tirare il tappo. Assicurarsi che il centro del tappo è in linea con il naso. Misurare nasion a Cz, e confermare che questa distanza è la metà della distanza dal nasion al inion. Stringere il sottogola. </li><li> Luogo GEL siringa blunt-point nelle portaelettrodi. Per creare una colonna di gel conduttivo, iniziare a contatto conil cuoio capelluto, quindi stringere e tirare indietro. Si noti che l&#39;applicazione di troppo gel può colmare i segnali di elettrodi adiacenti. </li><li> Fissare elettrodi attivi nei supporti elettrodi. </li><li> Posizionare il soggetto davanti al monitor alla distanza appropriata per l&#39;esperimento. Chiedi ai partecipanti di rimanere fermi, sottolineando l&#39;importanza di ridurre al minimo i movimenti degli occhi e lampeggia per una registrazione pulita. </li><li> Esaminare le connessioni degli elettrodi e la qualità del segnale EEG sul computer di acquisizione. Verificare che tutti gli spostamenti degli elettrodi sono bassi (&lt;40 mV) e stabile. Se c&#39;è un problema con un particolare elettrodo, togliere quel elettrodo e riapplicare gel per regolare impedenze in quel sito. </li><li> Salvare il file e avviare l&#39;esperimento. </li></ol> 2. Analisi EEG <ol><li> Dopo la sperimentazione, ma prima di estrarre il particolare statistica di interesse, pre-elaborare i dati EEG continuo per rimuovere gli artefatti che utilizzano procedure standard di filtraggio di unND artefatti. Tagliare l&#39;EEG continuo in epoche corrispondenti ad ogni evento discreti, come la presentazione di fotografia. In ogni epoca, includere una finestra di 100 msec pre-stimolo, come una linea di base. </li><li> Potenziali (ERP) analisi evento-correlati blocca l&#39;attività cerebrale sincrono che è agganciato in fase al l&#39;inizio della manifestazione. Media di prove per separare le risposte evocate dalla attività di fondo &quot;rumoroso&quot; (cioè non-aggancio di fase). La variabilità in tutti gli studi e tra-soggetti rappresenta una sfida importante per il metodo ERP di analisi. Per ottenere un buon rapporto segnale-rumore del protocollo sperimentale dovrebbe includere molti eventi discreti con insorgenze definibili. Tempo di bloccaggio risposta del cervello per l&#39;insorgenza di un evento saliente e poi mediato su molti come eventi aiuta a ridurre alcuni di questo rumore, tuttavia, la sincronia temporale creata da questa procedura dissolve tipicamente entro 1 sec. Identificare ERP ampiezza dei massimi dei componenti e latenze per ogni subgetto (per le linee guida più dettagliate su analisi ERP, vedere Picton et al., 2000). </li><li> Utilizzando l&#39;analisi di Fourier, trasformare il segnale EEG dal dominio del tempo al dominio della frequenza e scomporre il segnale nelle sue composite onde sinusoidali di diversa frequenza 6. </li><li> Multiscala entropia (MSE) è una teoria dell&#39;informazione metrica che stima la variabilità dei segnali neuroelectical nel tempo e in più tempi. Per fornire una rappresentazione concettuale di analisi MSE, considerare due forme d&#39;onda simulato, una forma d&#39;onda regolare e una più stocastico. Valori di entropia di esempio sono quasi a zero per la forma d&#39;onda regolare e ~ 2.5 per la forma d&#39;onda più variabile. Un aumento di entropia campione corrisponde ad un aumento della complessità del segnale, che, secondo la teoria dell&#39;informazione, può essere interpretato come un aumento della quantità di informazioni della capacità di elaborazione del sistema sottostante 7,16. Ricordate che la capacità di un cervello non è fisso, ma cambia depending sul neurale contesto 2, vale a dire le regioni del cervello che capita di essere collegati funzionalmente in un particolare punto nel tempo. </li><li> Per calcolare MSE, utilizzare l&#39;algoritmo disponibile a <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , che calcola MSE in due fasi. </li><li> In primo luogo, l&#39;algoritmo progressivamente verso il basso-campioni della serie storica EEG per prova e per ogni condizione. Down-campione della serie storica originale di generare serie multiple nel tempo di diverse scale temporali. Serie storiche 1 è la serie storica originale. Per creare la serie storica dei tempi successivi, dividere la serie storica originale in finestre non sovrapposti della lunghezza e media scala temporale i punti di dati all&#39;interno di ogni finestra. Down-sampling è simile a filtraggio passa-basso, dividendo la frequenza di campionamento dalla scala temporale si avvicinerà la frequenza alla quale il segnale è filtrato passa-basso per quella particolare scala temporale. L&#39;applicazione di MSE ad un pargamma di frequenza particolare (ad esempio, alfa: 9 Hz a 12 Hz) può essere interpretata come la rappresentazione della composizione di ritmi in tale intervallo, nonché l&#39;interazione tra quelle frequenze. </li><li> Secondo, l&#39;algoritmo calcola l&#39;entropia campione per ogni serie grana grossa tempo 14. Entropia campione stima la complessità di una serie temporale. In una analisi non lineare di EEG, si assume che una serie storica individuo rappresenta la manifestazione di un modello dinamico non lineare multidimensionale sottostante (vedi Stam, 2005 per una rassegna). In questo esempio, m (la lunghezza del pattern) è impostato a due, il che significa che la variabilità del pattern ampiezza di ogni serie temporale sarà rappresentata in uno spazio bidimensionale rispetto tridimensionale considerando il pattern di sequenza di due contro tre consecutivi punti di dati, rispettivamente. Parametro r (il criterio di similitudine), riflette l&#39;intervallo di ampiezza (indicato con l&#39;altezza delle bande colorate) in cui i dati di una puntare considerato &quot;match&quot;. Per una tipica serie temporale EEG con più di 100 punti di dati, impostare il parametro m uguale a 2 e il parametro r pari ad un valore compreso tra 0,5 e 1 (vedi Richman e Moorman, 2000; una procedura dettagliata sulla selezione dei parametri consultare Lake et al., 2002). Per calcolare campione dell&#39;entropia per questa serie temporali simulate, iniziare con il primo pattern sequenza bicomponente, rosso-arancio. Prima, contare il numero di volte che l&#39;espressione sequenza rosso-arancio si verifica nella serie temporale, ci sono 10 partite per questa sequenza a due componenti. Secondo, contare il numero di volte prima configurazione di sequenza a tre componenti, rosso-arancione-giallo, verifica nella serie temporale, ci sono cinque partite per questa sequenza a tre componenti. Continuare con le stesse operazioni per la prossima sequenza di due componenti (giallo-arancione) e la successiva sequenza a tre componenti (rosso-giallo-verde, arancio) delle serie storiche. Il numero di partite a due componenti (5) e le partite a tre componenti (3) per queste sequenzialeces sono aggiunti ai valori precedenti (totale bicomponenti partite = 15; totali partite a tre componenti = 8). Ripetere l&#39;operazione per tutte le altre partite di sequenza nelle serie temporali (fino a N - m) per determinare il rapporto totale di partite a due componenti per le partite a tre componenti. Entropia campione è il logaritmo naturale di questo rapporto. Per ogni soggetto, calcolare la stima MSE specifico canale come il mezzo attraverso singole misure di entropia di prova per ogni scala temporale. </li></ol>

<ol><li>Bressler, S. L. Event-related potentials. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBressler%2C+SL+%22The+Handbook+of+Brain+Theory+and+Neural+Networks%22">The Handbook of Brain Theory and Neural Networks</a>. Arbib, M. A. , MIT Press. Cambridge, MA. 412-415 (2002).</li>
<li>Bressler, S. L., McIntosh, A. R. The role of neural context in large-scale neurocognitive network operations. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBressler%2C+SL+%22Springer+Handbook+on+Brain+Connectivity%22">Springer Handbook on Brain Connectivity</a>. Jirsa, V. K., McIntosh, A. R. , Springer. New York. 403-419 (2007).</li>
<li>Buzsaki, G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBuzsaki%2C+G+%22Rhythms+of+the+brain%22">Rhythms of the brain</a>. , Oxford University Press. (2006).</li>
<li>Costa, M., Goldberger, A., Peng, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiscale+entropy+analysis+of+biological+signals%5BTitle%5D)+AND+%22Phys.+Rev.+E%22%5BJournal%5D)">Multiscale entropy analysis of biological signals.</a> Phys. Rev. E. 712, 1-18 (2005).</li>
<li>Deco, G., Jirsa, V., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Emerging+concepts+for+the+dynamical+organization+of+resting-state+activity+in+the+brain%5BTitle%5D)+AND+%22Nat.+Rev.+Neurosci%22%5BJournal%5D)">Emerging concepts for the dynamical organization of resting-state activity in the brain.</a> Nat. Rev. Neurosci. 12, 43-56 (2011).</li>
<li>Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+labile+brain.+I.+Neuronal+transients+and+nonlinear+coupling%5BTitle%5D)+AND+%22Philos.+Trans.+R.+Soc.+Lond.+B.+Biol.+Sci%22%5BJournal%5D)">The labile brain. I. Neuronal transients and nonlinear coupling.</a> Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).</li>
<li>Gatlin, L. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGatlin%2C+L+%22Information+Theory+and+the+Living+System%22">Information Theory and the Living System</a>. , Columbia University Press. New York. (1972).</li>
<li>Heisz, J. J., Shedden, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Semantic+learning+modifies+perceptual+face+processing%5BTitle%5D)+AND+%22Journal+of+Cognitive+Neuroscience%22%5BJournal%5D)">Semantic learning modifies perceptual face processing.</a> Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).</li>
<li>Heisz, J. J., Shedden, J. M., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relating+brain+signal+variability+to+knowledge+representation%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Relating brain signal variability to knowledge representation.</a> NeuroImage. 63, 1384-13 (2012).</li>
<li>Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sample+entropy+analysis+of+neonatal+heart+rate+variability%5BTitle%5D)+AND+%22Am.+J.+Physiol.+Regul.+Integr.+Comp.+Physiol%22%5BJournal%5D)">Sample entropy analysis of neonatal heart rate variability.</a> Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).</li>
<li>Lobaugh, N. J., West, R., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatiotemporal+analysis+of+experimental+differences+in+event-related+potential+data+with+partial+least+squares%5BTitle%5D)+AND+%22Psychophysio%22%5BJournal%5D)">Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares.</a> Psychophysio. 38, 517-530 (2001).</li>
<li>McIntosh, A. R., Kovacevic, N., Itier, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increased+brain+signal+variability+accompanies+behavioral+variability+in+development%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Increased brain signal variability accompanies behavioral variability in development.</a> PLoS Computational Biology. 4, 7(2008).</li>
<li>Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+for+using+human+event-related+potentials+to+study+cognition%3A+Recording+standards+and+publication+criteria%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria.</a> Psychophysiology. 37, 127-152 (2000).</li>
<li>Richman, J. S., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physiological+time+series+analysis+using+approximate+entropy+and+sample+entropy%5BTitle%5D)+AND+%22Am.+J.+Physiol.+Heart+Circ+Physiol%22%5BJournal%5D)">Physiological time series analysis using approximate entropy and sample entropy.</a> Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).</li>
<li>Rossion, B., Jacques, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Does+physical+interstimulus+variance+account+for+early+electrophysiological+face+sensitivity+responses+in+the+human+brain%3F+Ten+lessons+on+the+N170%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170.</a> NeuroImage. 39, 1959-1979 (2008).</li>
<li>Shannon, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Mathematical+Theory+of+Communication%5BTitle%5D)+AND+%22The+Bell+System+Technical+Journal%22%5BJournal%5D)">A Mathematical Theory of Communication.</a> The Bell System Technical Journal. 27, 379-423 (1948).</li>
<li>Stam, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nonlinear+dynamical+analysis+of+EEG+and+MEG%3A+review+of+an+emerging+field%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">Nonlinear dynamical analysis of EEG and MEG: review of an emerging field.</a> Clinical Neurophysiology. 116, 2266-2301 (2005).</li>
<li>Vakorin, V. A., McIntosh, A. R. Mapping the multi-scale information content of complex brain signals. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVakorin%2C+VA+%22Principles+of+Brain+Dynamics%3A+Global+State+Interactions%22">Principles of Brain Dynamics: Global State Interactions</a>. Rabinovich, M. I., Friston, K. J., Varona, P. , The MIT Press. (2012).</li>
</ol>

Nessun conflitto di interessi dichiarati.

Lo scopo del presente articolo è quello di fornire una descrizione concettuale e metodologico di multiscala entropia (MSE) in quanto si applica ai dati di neuroimaging EEG. EEG è una potente tecnica di neuroimaging non invasiva che misura l&#39;attività di rete neurale con l&#39;alta risoluzione temporale. Il segnale EEG riflette l&#39;attività post-sinaptica delle popolazioni di cellule piramidali della corteccia, le cui risposte collettive vengono modificati da diverse connessioni rientranti eccitatori e inibitori. Di conseguenza, ci sono diversi modi per analizzare i dati EEG e ogni metodo estrae un aspetto unico di dati. Abbiamo discusso due metodi comuni di analisi: potenziale (ERP) di analisi evento-correlati e l&#39;analisi spettrale di potenza. Analisi ERP cattura l&#39;attività neuronale sincrona nel segnale EEG cioè aggancio di fase alla comparsa di un evento discreto. ERP riflettono specifico percettivi, motori o operazioni cognitive, rendendo questa statistica ideale per l&#39;esame specfasi di lavorazione IFIC. Analisi spettrale di potenza quantifica il contributo relativo di una particolare frequenza al segnale EEG. Vari cicli di feedback eccitatori e inibitori interagiscono per trascinare l&#39;attività di popolazioni neuronali ad una particolare frequenza 1,3. Tale sincronia tra regioni cerebrali disparate è pensato per promuovere il legame di informazioni attraverso reti neurali diffusi. Esiste una ricca letteratura che supporta il collegamento tra il potere all&#39;interno di un determinato intervallo di frequenza e di uno specifico stato emotivo o cognitivo di funzione 3. Nell&#39;analizzare EEG è anche importante tenere presente che le reti neurali sono sistemi complessi con dinamiche non lineari. Tale complessità si riflette nel segnale EEG come oscillazioni irregolari che non sono la conseguenza di rumore di fondo insignificante. Come attività oscillatoria sincrona, le interazioni tra i vari anelli rientranti eccitatori e inibitori causano influenza transitoriactuations nel segnale cervello nel tempo 6. Tali transienti sono creduti per riflettere transizioni o biforcazioni fra microstates rete che possono essere utilizzate per stimare i gradi di libertà o complessità della rete sottostante; maggiore variabilità nel pattern ampiezza del segnale nel tempo è indicativo di un sistema più complesso 5. Criticamente, ERP o le analisi spettrali non sono sensibili a tale attività irregolari, mentre MSE è. Inoltre, un indice di complessità rete non può essere ottenuto semplicemente contando il numero di regioni cerebrali attivi come un tale metodo è cieco alle interazioni ricorrenti transitori e dinamica tra regioni cerebrali. Metodi complementari per neuroimaging analisi si combinano per creare un quadro completo delle attività neurale sottostante. L&#39;interpretazione dei risultati delle applicazioni più tradizionali di dati di neuroimaging, come ERP e spettrale di potenza, sono potenziati da misure di complessità come MSE; MSE fornisce un modo per catturare la sequenza di cambiamenti nei modelli spazio-temporali di attività cerebrale in più tempi che contribuisce ad una specifica operazione cognitiva. Applicando MSE per insiemi di dati nuovi ed esistenti può fornire ulteriori informazioni sul modo in cui la cognizione emerge dalle dinamiche delle reti neurali.

I recenti progressi nella neuroimaging hanno aumentato notevolmente la nostra comprensione della funzione del cervello. Tuttavia, molte delle applicazioni di dati di neuroimaging tendono a rafforzare la visione del cervello in condizioni statiche, piuttosto che enfatizzare operazioni cognitive mentre si svolgono in tempo reale. Di conseguenza, poco si sa circa la struttura spazio-temporale di reti del cervello e di come la sequenza dei cambiamenti nei modelli spazio-temporali su più tempi contribuisce ad una specifica operazione cognitiva. Il presente articolo descrive multiscala entropia (MSE) 5, un nuovo strumento di analisi per dati di neuroimaging che prende in esame la complessità del modello spazio-temporale alla base di operazioni cognitive specifiche, fornendo informazioni su come i diversi generatori neurali in una rete comunicano funzionale del cervello in più tempi. Derivato dalla teoria dell&#39;informazione, una branca della matematica applicata 7,16, MSE era originalely progettato per esaminare la complessità di elettrocardiogrammi 4. In teoria, MSE potrebbe essere utilizzata per analizzare la complessità di ogni serie temporale, il requisito primario è che la serie temporale segnale contiene almeno 50 punti dati di tempo continuo. Tuttavia, la dipendenza temporale e la sensibilità alle dinamiche lineari e non lineari nei dati possono rendere MSE particolarmente informativo delle dinamiche delle reti neurali. Qui, ci concentriamo sull&#39;applicazione del MSE per elettroencefalogramma (EEG) dati di neuroimaging 9,12. EEG è una tecnica di neuroimaging non invasiva per cui gli elettrodi che sono posti sul cuoio capelluto catturare le reazioni post-sinaptici di popolazioni di neuroni in neocorteccia 1. Con alta risoluzione temporale, EEG incontra facilmente la lunghezza serie storica requisito di MSE senza alterare il protocollo tipico di acquisizione. Per sottolineare l&#39;utilità dell&#39;applicazione del MSE di dati EEG, confrontiamo questo nuovo metodo con il più tradizionale approccio inclusivouding evento-correlati potere potenziale e spettrale. Se utilizzati insieme, questi metodi complementari di analisi forniscono una descrizione più completa dei dati che possono portare a una visione più operazioni di rete neurale che danno origine a cognizione.

<table><tbody><tr><td>EEG </td><td>BioSemi</td><td></td><td></td></tr></tbody></table>

applicazioni di eeg dati neuroimmagine: potenziali evento-correlati, spettrale di potenza, e multiscala entropy

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Se si considerano i dati di neuroimaging umani, un apprezzamento della variabilità del segnale rappresenta un&#39;innovazione fondamentale nel modo in cui pensiamo segnale al cervello. In genere, i ricercatori rappresentano la risposta del cervello come la media attraverso prove sperimentali ripetute e ignorare le fluttuazioni dei segnali nel tempo come &quot;rumore&quot;. Tuttavia, è ormai chiaro che la variabilità del segnale cerebrale veicola informazioni funzionali significative sulle dinamiche delle reti neurali. Questo articolo viene descritto il nuovo metodo di multiscala entropia (MSE) per quantificare la variabilità del segnale cerebrale. MSE può essere particolarmente informativo delle dinamiche delle reti neurali perché mostra la dipendenza temporale e sensibilità alla dinamica lineare e non lineare dei dati.

Figure 1A e 2A rappresentano il segnale EEG in risposta alla presentazione di una immagine facciale. Media attraverso come prove produce una forma d&#39;onda ERP che consiste di una serie di deviazioni positive e negative chiamato componenti ERP. Figura 1B illustra una forma d&#39;onda mediato per un singolo oggetto e la Figura 6A illustra una forma d&#39;onda media grande per un gruppo di soggetti. Esiste una ricca letteratura che riguarda ogni componente ERP ad una specifica percettivi, motori o funzionamento cognitivo. Per esempio, l&#39;N170 è una deflessione negativa che picchi a circa 170 msec post-stimolo insorgenza ed è implicato nella faccia di elaborazione 8,15. La Figura 2B illustra la decomposizione dello stesso segnale EEG in bande di frequenza componenti. I risultati di analisi spettrale rivelano il contenuto in frequenza del segnale (Figura 2C), per cuiun aumento di potenza a una particolare frequenza riflette un aumento nella presenza di quel ritmo all&#39;interno del segnale EEG. Come potenza spettrale, MSE è sensibile alla complessità dei componenti oscillatorie contribuiscono al segnale. Tuttavia, a differenza di potenza spettrale, MSE è anche sensibile alle interazioni tra componenti di frequenza (cioè non lineare dinamica 18). La complessità di un segnale EEG è rappresentato come una funzione di entropia campione (Figura 5) su più scale temporali (Figura 4). Come illustrato in figura 3, campione entropia è bassa per segnali regolari ed aumenta con il grado di casualità segnale. A differenza dei tradizionali misure di entropia che aumentano con il grado di casualità, multiscala entropia è in grado di distinguere i segnali complessi da rumore bianco considerando l&#39;entropia in più tempi. Per esempio, Costa et al., 2005 rispetto multiscala valori entropia fo non correlati (bianco) contro il rumore correlato (rosa) di rumore. Mentre campione entropia è stata maggiore per il rumore bianco di rumore rosa al bene temporale, l&#39;opposto è stato osservato in tempi più grossolani 5-20. In altre parole, quando l&#39;entropia era considerato su più tempi, la vera complessità dei segnali è stata rappresentata più accuratamente di quanto sarebbe se solo una singola scala temporale è stato considerato. A seconda delle dinamiche temporali di un contrasto specifico, gli effetti delle condizioni possono essere espressi: 1) nello stesso modo in tutti i tempi, 2) in alcuni tempi, ma non altre, o 3) come effetti di crossover in cui il contrasto è diverso rispetto al bene più grossolana tempi. La Figura 6 illustra le differenze condizione in ERP (Figura 6A), potenza spettrale (Figura 6B), MSE (Figura 6C) contrastanti le presentazioni iniziali contro la ripetizione di fotografie del viso 9. In questo esempio tutte le misure convergevano a rivelarelo stesso effetto, tuttavia, la diminuzione osservata nel campione entropia che accompagna faccia ripetizione è importante in quanto vincola l&#39;interpretazione dei risultati. Una diminuzione della complessità suggerisce che la rete funzionale sottostante è più semplice e meno in grado di elaborare le informazioni. La figura 7 illustra i risultati statistici dell&#39;analisi multivariata di parziale minimi quadrati 11 applicate alla ERP, spettrale e MSE. L&#39;esperimento manipolato la familiarità associato con diverse facce (Heisz et al., 2012). Il contrasto (grafico a barre) mostra che ERP ampiezza distingue volti nuovi da volti familiari, ma non tra i volti noti che varia in quantità di una precedente esposizione. Spettrale di potenza distinti affronta secondo la familiarità acquisita ma non distingueva accuratamente tra i volti di media e bassa familiarità. MSE è stato più sensibile alle differenze di condizione in quel campione entropia valori crescentendr con crescente familiarità faccia. Le trame di immagini catturano la distribuzione spazio-temporale degli effetti condizione attraverso tutti gli elettrodi e il tempo / frequenza / tempi. Questo esempio mostra una situazione in cui l&#39;analisi EEG da MSE prodotta informazioni uniche che non è stato ottenuto con metodi tradizionali di ERP o potenza spettrale. Questa divergenza di MSE suggerisce che le condizioni sono diverse rispetto ad aspetti non lineare di dinamiche di rete, eventualmente coinvolgendo le interazioni tra i vari componenti di frequenza. <img alt="Figura 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figura 1. A) Le risposte EEG di un singolo soggetto in funzione della deflessione ampiezza dal basale per ogni prova rilevata in tempo fin dall&#39;inizio del processo. Ogni prova consisteva nella presentazione di una fotografia di un volto. Deviazioni ampiezza positivi sono rappresentati inrosso; deviazioni ampiezza negativi sono rappresentati in blu. Tutti gli studi mostrano una deflessione positiva intorno a 100 msec e 250 msec, indicando evento-correlati aggancio di fase di attività. B) della media in tutti gli studi descritti in Figura 1A produce una forma d&#39;onda ERP mediato con deviazioni positive e negative distinte chiamate componenti evento-correlati e di nome secondo una nomenclatura standard. Per esempio, P1 è il primo componente andando positivo, ed N170 è un componente negativa che picchi a circa 170 msec post-stimolo insorgenza. <img alt="Figura 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figura 2. A) La risposta EEG di un soggetto unico per un singolo trial tramando ampiezza di tempo (in punti dati, frequenza di campionamento 512 Hz). B) La risposta EEG di Figura 2A banda filtrato per isolare le bande di frequenza di delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gamma (&gt; 30 Hz). C) densità di potenza spettrale della risposta EEG illustrato nella figura 2A rappresenta composizione frequenza del segnale in funzione della potenza per frequenza. Un aumento di potenza spettrale ad una particolare frequenza riflette un aumento del numero di neuroni sincrono attivi trascinati all&#39;interno di quella particolare banda di frequenza. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">clicca qui per ingrandire la figura</a> . <img alt="Figura 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figura 3 A) Due forme d&#39;onda simulate:.. Una forma d&#39;onda regolare o prevedibile raffigurato in viola, e una forma d&#39;onda più stocastico raffigurato in nero B) valori di entropia del campione delle due forme d&#39;onda simulate per i primi tre tempi. Entr campioneopia è bassa per i segnali altamente prevedibili rispetto a segnali più stocastici. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Clicca qui per ingrandire la figura</a> . <img alt="Figura 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> Figura 4. Down-campionamento della serie storica originale genera serie multiple nel tempo di diverse scale temporali. Tempistica 1 è la serie storica originale. La serie storica dei tempi 2 è creato dividendo la serie storica originale in non-finestre sovrapposte di lunghezza e 2 punti la media dei dati all&#39;interno di ogni finestra. Per generare la serie storica dei tempi successivi, dividere la serie storica originale in finestre non sovrapposti della lunghezza e media scala temporale i punti di dati all&#39;interno di ogni finestra. <img alt="Figura 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figura 5. Una forma d&#39;onda simulato dove ogni rettangolo rappresenta un singolo punto di dati in serie temporale dell&#39;entropia. Campione stima la variabilità di una serie temporale. In questo esempio, m (la lunghezza del pattern) è impostato a due, il che significa che la varianza del modello ampiezza di ogni serie temporale sarà rappresentata in uno spazio bidimensionale rispetto tridimensionale considerando il pattern di sequenza di due contro tre consecutivi punti di dati, rispettivamente, R (il criterio di similitudine), riflette l&#39;intervallo di ampiezza (indicato con l&#39;altezza delle bande colorate) all&#39;interno del quale sono considerati punti dati di &quot;match&quot;. Per calcolare campione dell&#39;entropia per questa serie temporali simulate, iniziare con il primo pattern sequenza bicomponente, rosso-arancio. Prima, contare il numero di volte che l&#39;espressione sequenza rosso-arancio si verifica nella serie temporale, ci sono 10 partite per questa sequenza a due componenti. Secondo, contare il numero di volte prima tricomponente modello sequenza, rosso-arancio-yellow, si verifica nella serie storica, ci sono 5 partite per questa sequenza a tre componenti. Continuare in questo modo per la successiva sequenza a due componenti (giallo-arancio) e di tre componenti di sequenza (giallo-verde-arancio). Il numero di partite a due componenti (5) e le partite a tre componenti (3) per queste sequenze vengono aggiunti ai valori precedenti (totale bicomponente partite = 15; totali match a tre componenti = 8). Ripetere l&#39;operazione per tutte le altre partite di sequenza nelle serie temporali (fino a N - m) per determinare il rapporto totale di partite a due componenti per le partite a tre componenti. Entropia campione è il logaritmo naturale di questo rapporto. Per ogni soggetto, calcolare la stima MSE specifico canale come il mezzo attraverso singole misure di entropia di prova per ogni scala temporale. <img alt="Figura 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figura 6. Differenze di condizione in ERP (A), potenza spettrale (B),MSE (C) contrasta le presentazioni iniziali o ripetuta di fotografie del viso. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Clicca qui per ingrandire la figura</a> . <img alt="Figura 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figura 7. Contrastando la risposta EEG ai volti apprese attraverso misure di ERP, di potenza spettrale, e multiscala entropia. I grafici a barre rappresentare il contrasto tra le condizioni, come determinato dal parziale minimi quadrati analisi 11. La trama immagine mette in evidenza la distribuzione spazio-temporale in cui questo contrasto era più stabile, come determinato dal bootstrap. I valori rappresentano ~ punteggi z e valori negativi indicano un significato per l&#39;effetto condizione inversa. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Clicca qui per ingrandire la figura</a> .

Ricercatori neuroimaging solitamente considerano la risposta del cervello come l&#39;attività medio di tutti prove sperimentali ripetute e ignorano la variabilità del segnale nel tempo come &quot;rumore&quot;. Tuttavia, sta diventando chiaro che non vi è segnale in quel rumore. Questo articolo viene descritto il nuovo metodo di multiscala entropia per quantificare la variabilità del segnale cerebrale nel dominio del tempo.

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

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

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 innanzitutto acquisendo registrazioni EEG di alta qualità della risposta cerebrale. Il secondo passaggio consiste nel pre-elaborare i dati per rimuovere eventuali artefatti.Successivamente, vengono estratte le statistiche di interesse. In questo caso, si confronta l'applicazione innovativa dell'entropia multi-scala con metodi più tradizionali basati sull'ampiezza media e sulla potenza spettrale. L'ultimo passaggio consiste nell'analizzare la significatività statistica dei risultati e nell'interpretare i dati.Questo passaggio può essere facilitato utilizzando approcci multivariati basati sui dati, come l'analisi dei minimi quadrati parziali. In definitiva, l'entropia multiscala viene utilizzata per mostrare come una sequenza di cambiamenti nel modello spaziotemporale su diverse scale temporali contribuisca a specifiche operazioni cognitive. Il vantaggio dell'utilizzo della MSC rispetto ai metodi esistenti, come l'ampiezza media o la potenza spettrale, è che la MSC è sensibile alle non linearità nei dati.Queste dinamiche non lineari riflettono transizioni o biforcazioni tra gli stati microscopici di una rete, il che è importante per lo scambio di informazioni attraverso una rete distribuita di aree cerebrali. A illustrare questa procedura sarà Christina Backer del laboratorio ERP presso l'Istituto di Ricerca Rotman. Innanzitutto, spiegare le procedure sperimentali al partecipante e ottenere il consenso informato.Pulire l'area in cui verranno posizionati gli elettrodi a scomparsa utilizzando un batuffolo di alcol. Applicare un po' di gel sull'elettrodo. Rimuovere i foglietti dal lato della pelle e posizionare gli elettrodi sul partecipante per identificare gli artefatti del movimento oculare.Posizionare un elettrodo sulla giunzione laterale della palpebra superiore e di quella inferiore. Posizionare un altro elettrodo al centro del margine orbitale, approssimativamente un centimetro sotto l'occhio e allineato con la pupilla. Ripetere per l'altro occhio.Misurare la circonferenza della testa del partecipante e scegliere la misura del cappuccio elettrodico appropriata seguendo il sistema internazionalmente riconosciuto 10-20. Per il posizionamento degli elettrodi, misurare la distanza da Indian Ian lungo la linea mediana e dividerla per il 10%. Utilizzando tale valore, misurare verso l'alto a partire da NAS e fare un segno.Allineare la posizione dell'elettrodo capo FP con questo segno e tirare indietro il cappuccio. Assicurarsi che il centro del cappuccio sia allineato con il naso. Misurare la distanza da nasn a cz e verificare che questa distanza sia la metà della distanza da NAS a Indian.Quindi stringere la cinghia sotto il mento e posizionare una garza sotto la cinghia per maggiore comfort, se necessario. Ora inserire la siringa riempita di gel con punta arrotondata nei supporti per gli elettrodi per creare una colonna conduttiva di gel. Iniziare a contatto con il cuoio capelluto, quindi premere e tirare indietro.Si noti che l'applicazione di troppo gel può creare un ponte tra i segnali di elettrodi adiacenti. Successivamente, fissare gli elettrodi attivi nei relativi supporti. Quindi posizionare il soggetto di fronte al monitor alla distanza appropriata.Per l'esperimento, chiedere al partecipante di rimanere immobile, sottolineando l'importanza di ridurre al minimo i movimenti oculari e le palpebbrazioni. Per una registrazione pulita, esaminare le connessioni degli elettrodi e la qualità del segnale EEG sul computer di acquisizione. Se si verifica un problema con un elettrodo specifico, rimuovere tale elettrodo e riapplicare il gel per regolare le impedenze in quel sito dopo l'esperimento, ma prima di estrarre la statistica di interesse.Pre-elaborare i dati EEG continui per rimuovere gli artefatti utilizzando procedure standard di filtraggio e di rigetto degli artefatti. L'analisi del potenziale correlato a eventi cattura l'attività cerebrale sincrona che è bloccata in fase rispetto all'inizio di uno stimolo. Sincronizzare la risposta cerebrale all'inizio di un evento saliente, quindi effettuare una media su numerosi eventi simili. Per aumentare il rapporto segnale-rumore, identificare l'ampiezza massima e la latenza del componente ERP per ogni soggetto. La potenza spettrale quantifica il contributo relativo di una frequenza a un particolare segnale EEG.Utilizzare l'analisi di Fourier per trasformare il segnale EEG dal dominio del tempo a quello della frequenza e decomporre il segnale in onde sinusoidali componenti di frequenze variabili. L'entropia multiscala è una metrica di teoria dell'informazione che cattura la variabilità dei segnali neuroelettrici nel tempo e su più scale temporali. Utilizzare l'algoritmo disponibile su PhysioNet per calcolare l'entropia multiscala in due passaggi.Nel primo passaggio, ridurre progressivamente. Campionare il segnale per ciascuna scala temporale di prova e di condizione. Uno rappresenta il segnale originale.Crea le scale temporali successive dividendo innanzitutto il segnale originale in finestre non sovrapposte della lunghezza della scala temporale, quindi mediando i punti dati all'interno di ciascuna finestra. Ad esempio, per creare la scala temporale due, effettua la media dei valori.I primi due punti, i due punti successivi e così via. Per creare una scala temporale di tre, si calcola la media dei primi tre punti, dei tre punti successivi e così via. Rappresentando il segnale originale a diverse scale temporali, è possibile analizzare i processi neurali che potrebbero svolgersi a velocità diverse.Il secondo passaggio calcola l'entropia campionaria per ogni serie temporale granulare. Ciò fornisce una stima della complessità della risposta cerebrale a diverse scale temporali.I segnali regolari presentano un'entropia campionaria inferiore rispetto ai segnali più stocastici. In questo esempio, la lunghezza del modello M è impostata a due. Ciò significa che la serie temporale sarà rappresentata come rapporto tra corrispondenze di sequenze di due e tre punti.Il parametro R è il criterio di similarità. I punti dati che si trovano all'interno di questo intervallo di ampiezza hanno valori simili e pertanto si dice che corrispondano. Per informazioni dettagliate sull'impostazione dei parametri, consultare il protocollo testuale per il calcolo dell'entropia campione di questa serie temporale simulata.Iniziare con i primi due componenti. Schema di sequenza rosso arancione, contare innanzitutto il numero di volte in cui lo schema di sequenza rosso arancione si verifica nella serie temporale. Ci sono 10 corrispondenze per questo caso.Sequenza di due componenti. In secondo luogo, contare il numero di volte in cui i primi tre componenti. Il modello di sequenza, rosso, arancione, viola, si verifica nella serie temporale.Esistono cinque corrispondenze per questo. Sequenza di tre componenti. Proseguire con le stesse operazioni per la successiva sequenza di due componenti, arancione, viola, e per la successiva sequenza di tre componenti, arancione, viola, verde della serie temporale.Aggiungere al valore precedente il numero di corrispondenze a due componenti e il numero di corrispondenze a tre componenti per queste sequenze. Ripetere l'operazione per tutte le altre corrispondenze di sequenze nella serie temporale per determinare il rapporto totale tra corrispondenze a due componenti e corrispondenze a tre componenti. L'entropia campionaria è il logaritmo naturale di questo rapporto.Questi dati mostrano differenze tra le condizioni nella potenza spettrale e nell'entropia del potenziale correlato all'evento (ERP), confrontando la presentazione iniziale con quella ripetuta di fotografie del volto. In questo esempio, tutte le misure hanno evidenziato lo stesso effetto di riduzione dell'entropia del campione che accompagna la ripetizione del volto. Questa diminuzione della complessità suggerisce che la rete funzionale coinvolta è più semplice e elabora meno informazioni.Questi risultati statistici derivano dall'analisi multivariata delle minime potenze parziali dello spettro di potenza ERP e dell'entropia multiscala per i volti associati a diversi livelli di familiarità. Il confronto mostra che l'ampiezza ERP differenziava i volti nuovi da quelli familiari, ma non tra i volti familiari che variavano per quantità di esposizione precedente. La potenza spettrale differenziava i volti in base alla familiarità, ma non riusciva a distinguere con precisione tra volti di bassa e media familiarità.L'entropia multiscala è stata la più sensibile alle differenze tra le condizioni. I valori di entropia campionaria sono aumentati all'aumentare della familiarità del volto. Questi grafici rappresentano la distribuzione spaziotemporale dell'effetto delle condizioni.È interessante notare che l'entropia multiscala ha rivelato informazioni uniche non ottenute mediante le analisi più tradizionali dei potenziali correlati a evento (ERP) o della potenza spettrale. Questa divergenza dell'entropia multiscala suggerisce che le condizioni differiscano per quanto riguarda gli aspetti non lineari della loro dinamica di rete, possibilmente implicando interazioni tra bande di frequenza. Questo nuovo strumento analitico ci aiuta a cogliere nuove informazioni sulla dinamica delle reti neurali, favorendo un distacco dalla caratterizzazione della funzione mentale in termini di stati statici e promuovendo la comprensione dell'evoluzione fluida dei processi legati alla cognizione umana.

applications-eeg-neuroimaging-data-event-related-potentials-spectral

Research

Ricerca

JoVE Journal

Neuroscience

Neuroscienze

Vi presentiamo un metodo per raccogliere i segnali electrocorticographic a fini di ricerca da esseri umani che sono sottoposti a monitoraggio invasivo epilessia. Mostriamo come utilizzare il BCI2000 piattaforma software per la raccolta dati, elaborazione del segnale e la presentazione dello stimolo. In particolare, abbiamo dimostrato Sigfried, uno strumento basato su BCI2000 in tempo reale la mappatura funzionale del cervello.

Registrazione umani Electrocorticographic (ECOG) Segnali per la ricerca neuroscientifica e in tempo reale la mappatura funzionale corticale

Fonte: Papadelis, C.C., et al., Oscillazioni interictali ad alta frequenza rilevate con magnetoencefalografia ed elettroencefalografia simultanee come biomarcatore dell'epilessia pediatrica. J. Vis. Exp.{{TAG_ 27}} (2016).  Questo video mostra il metodo di utilizzo delle registrazioni elettroencefalografiche (EEG) e magnetoencefalografiche (MEG) per identificare le scariche epilettiformi interictali (IED) e le oscillazioni ad alta frequenza (HFO) per localizzare le regioni inclini alle...

 Elettroencefalografia e magnetoencefalografia simultanee per identificare le regioni cerebrali soggette a convulsioni 

Uso dei potenziali EEG evento-correlati (ERP), si studiano gli effetti dei farmaci antipsicotici su anormali attivazioni cerebrali semantiche in individui sani con tratti schizotipici. Usiamo ERP per tenere traccia delle modifiche distinti nell'attività cerebrale, spargimento comprensione dei processi cognitivi associati alla categorizzazione semantica.

Lo studio degli effetti degli antipsicotici e schizotipia sulla N400 Utilizzando potenziali evento-correlati e la categorizzazione semantica

L'elettroencefalografia ad alta densità (dEEG) viene utilizzata sempre più spesso per studiare lo sviluppo e la plasticità del cervello nei primi anni di vita. Qui presentiamo un'applicazione di sofisticate tecniche di analisi che si basa sulla tradizionale registrazione EEG per comprendere le dinamiche oscillatorie dell'elaborazione uditiva rapida nel cervello infantile.

Infant elaborazione uditiva e oscillazioni cerebrali eventi correlati

Stereotassica elettroencefalogramma (SEEG) è una tecnica operatoria utilizzata nella chirurgia dell'epilessia per aiutare a localizzare il sequestro foci. Esso offre anche un'occasione unica per studiare la funzione del cervello. Qui si descrive come SEEG può essere usato per studiare i processi cognitivi in ​​soggetti umani.

Indagare la funzione di Deep corticale e strutture sottocorticali Usando stereotassica Elettroencefalografia: gli insegnamenti della corteccia cingolata anteriore

Questo manoscritto descrive un approccio per misurare l'attività neurale di esseri umani e risolvere i problemi di ingegneria spaziale mirati. La metodologia elettroencefalogramma aiuta a interpretare le misurazioni delle onde cerebrali beta in termini di efficienza neurale, con l'obiettivo di consentire in ultima analisi, il confronto di prestazioni compito sia tra i tipi di problemi e tra i partecipanti.

Utilizzando Elettroencefalografia Misure per il confronto della Task-specifici neurali efficienze: compiti spaziali Intelligenza

Presentiamo due protocolli analitici che possono essere utilizzati per analizzare i dati di elettroencefalografia intracranica utilizzando il software di mappatura statistica parametrica (SPM): analisi tempo-frequenza mappatura statistica parametrica per attività neurale e dinamica causale modellazione di risposte indotte per connettività intra - e inter - regionale.

Analizzando l'attività neurale e connettività utilizzando dati EEG intracranico con SPM Software

Le tecniche di analisi EEG standard offrono una visione limitata della funzione del sistema nervoso. La derivazione di modelli statistici di connettività corticale offre una capacità molto maggiore di studiare le dinamiche di rete sottostanti. Una migliore valutazione funzionale apre nuove possibilità per la diagnosi, la prognostizione e la previsione dell'esito nelle malattie del sistema nervoso.

Modellazione statistica della connettività corticale mediante elettroencefalogrammi non invasivi

Questo protocollo fornisce un programma MATLAB compilato open source che genera spettrogrammi multitaper per dati elettroencefalografici.

Programma spettrogramma multitaper basato su computer per dati elettroencefalografici

I metodi EEG vengono applicati per estrarre biomarcatori delle disfunzioni cerebrali. L'attenzione si concentra sui potenziali (ERP) multicanale registrati in un'attività GO/NOGO cued. Gli artefatti non cerebrali vengono corretti e gli ERP vengono confrontati con i dati normativi. Gli esempi riguardano biomarcatori per la diagnosi di ADHD e la previsione della risposta ai farmaci.

Potenziali correlati agli eventi (ERP) e altri metodi basati su EEG per l'estrazione di biomarcatori della disfunzione cerebrale: esempi dal disturbo da deficit di attenzione/iperattività pediatrica (ADHD)

Scopri l'analisi della variabilità dei segnali EEG con entropia multiscala per neuroscienza. Questo metodo rivela dinamiche non lineari della capacità di elaborazione informativa del cervello.

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

Esplora altri video