方法論記事

自由に振る舞うヒト乳児における社会的相互作用の間に意思のマルチモーダル神経デコーディングするための新規の実験と解析手法

13.2K 閲覧数

⸱

DOI：

10.3791/53406

⸱

2015年10月4日

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

この記事について

サマリー

このプロトコルは、俳優との台本のない社会的相互作用の間に、自由に行動する乳児からの意図の神経解読のための新しい方法論を提示します。神経活動は、非侵襲的で高密度のアクティブ頭皮脳波計 (EEG) を使用して取得されます。キネマティックデータは慣性計測ユニットで収集され、同期されたビデオ録画で補完されます。

要約

典型的な発達と非典型的な発達を理解することは、発達的な人間の神経科学における基本的な問題の一つであり続けます。従来、実験パラダイムと分析ツールは、利用可能な測定および分析技術のセットと被験者の年齢によって課せられる技術的な制限により、制約された実験室のタスクとコンテキストに限定されていました。これらの制限は、「行動中および文脈の中で」行動する乳児の認知、知覚、および行動に関与する発達神経ダイナミクスおよび関連する神経ネットワークの研究を厳しく制限します。このプロトコルは、乳幼児が複雑で部分的に予測不可能で非常にダイナミックな環境で自分の行動とその結果を自由に整理するときに、乳幼児を研究するための新しいアプローチを提示します。提案された方法論は、同期された高密度アクティブ頭皮脳波(EEG)、慣性測定ユニット(IMU)、ビデオ録画、および行動分析を統合して、自由に行動する乳児の脳活動と運動を非侵襲的にキャプチャします。この設定により、発達中の脳のニューラルネットワークダイナミクスを、活動と文脈で研究することができます。これらのネットワークは、目標指向、探索、および社会的相互作用のタスク中に採用されます。

概要

人間の基本的な機能の1つは、戦略的な目標と報酬のサービスに学び、行動（アクションの生産）を展開する能力である、適切な社会的な応答を生成するために、社会的パートナー（アクション理解）の目標を逮捕する能力、および能力観察と模倣1を介して他の人から学ぶこと。これらの認知運動機能の神経基盤は、いわゆるミラーニューロンシステムに、少なくとも部分的に起因しています。 1アクションを実行する人を見たとき、1つはアクションを実行すると考えられているシステムが係合します。しかし、ミラーニューロンシステムと行動の理解の間の潜在的なリンクは、まだ十分に1を理解されていません。人間の幼児で、このミラーニューロンシステムの出現と発展を研究する意図と、きめの細かいモーションデータに対応付けられた脳活動のマルチモーダルデータ収集の技術的制限）によって妨げられてきましたa、b）は不自然な（例えば、ビデオテープに描か剤との社会的相互作用、脳波中にアーチファクトを最小限に抑えるために、まだ姿勢を維持するための必要性（EEG）の録音など）されている実験プロトコルによる制約、およびc）通信/言語の壁大幅に指示を与え、行動を検証する研究者の能力を制限する乳児/幼児をテストする場合。

様々な神経および自然な行動における行動のダイナミクスをより良く理解するために、我々は新興目標指向および幼児における社会的行動の神経基盤の時間分解研究を可能にする新たな実験的および解析的手法を開発しました。具体的には、実験者との相互作用の間に、自由に振る舞う幼児からレコードの脳活動と運動に脳波ベースのモバイル脳イメージング（モビ）アプローチ2を導入しました。慣性測定ユニット（のIMU）は、月に使用されましたコンデンサ対象と実験の運動。

EEG技術と慣性センサは、実験者/俳優と台本なしの相互作用に乳児の行動の模倣と目標指向行動に関連する神経パターンとアクティベーションを研究しました。このようなリーチ把握などのアクションは、オファーに達し、残りの部分を観察し、探求することは模倣に関与認知運動プロセスの一部です。さらに、我々はそれによって脳全体の神経電流の時空間ダイナミクスを研究し、行動のタスク中に脳内の電位の発電機をローカライズするためにソースの推定を使用しています。同様に、私たちはアクション関連時空センサにおける神経活動のパターン（EEG）、および/またはソーススペースを識別することにより、これらの行動の行動の予測可能性を評価し、測定するために機械学習アルゴリズムを展開します。伝統的なERD / ERSの統合、ソースおよびデコード解析はより包括的なdevelopmenを提供そのような行動の神経基盤のタル説明。

このセットアップは、私たちはMOBIアプローチ2,3の利点を活用し、それらが自然に制限されることなく発生すると、乳児と実験者間の社会的相互作用を研究することができました。

プロトコルは、被験者は、彼/彼女が離れる時間に到着した時点から、完了するのに約1時間かかります。このような毛の長さや被写体の協力などの要因に応じて25分 - IMU / EEGセットアップ時間と電極位置取得が15から変化します。機器の初期化と設定は10分まで加算して、テストセッションは約15分続きます。低刺激性ゲルから幼児のヘッドのクリーニングを含むのIMUと脳波キャップの除去は、5〜10分かかります。

プロトコル

以下のプロトコルを調べ、ヒューストン大学の施設内倫理委員会によって承認されました。すべての乳児の被験者の親や保護者が読み、受信、および参加の前に同意書に署名しました。幼児は年齢に応じたおもちゃを選んだのに対し、親は無料駐車場、研究への参加の対価として$ 20のギフトカードを受けました。

6と24ヶ月の間1）年齢：募集乳児の被験者は、以下の基準を満たしました。 2）幼児は、健康だった正常な成長と発展を持っていて、出生の問題、脳震盪、発作、脳卒中、または学習障害の既往歴がなかったです。テストから幼児を除外するいくつかの一般的な発達障害の例としては、成長障害、栄養不足、および妊娠中の母親がアルコールや薬物の使用です。

頭皮脳波を介したマルチモーダル神経活動の同時記録のために簡略化フロー図と自由に振る舞う乳児のIMUは、図1に示されています。

1.インフォームドコンセント

  1. 両親に実験室を表示し、簡単に彼らに実験の目的を説明します。

2.頭皮脳波の準備

  1. 注：（ 表1）を使用したEEGシステムは、取り外し可能な電極を有する活性電極システムで構成されています。インピーダンスレベルがLEDを使用して電極上に示されています。
  2. CMで乳児の頭部の円周を測定します。頭の後ろに眉の上や後頭部隆起のまわりでそれを渡して、ヘッドの最も広い部分の周りに巻尺を置きます。
    注意：頭囲を測定することは適切なサイズの脳波キャップを選択する必要があります。 表1に記載の乳児の集団のための特別なサイズがあります。
  3. によって指定されるように適切な大きさのEEGキャップ（ 表1）の上に置いて電極10-20国際システム。キャップは、頭皮上の電極の適切な配置を確実にします。
    注：これは、幼児が研究の場所に到着した時点でキャップの準備ができていることが好ましいです。ヘッドサイズに関する情報は、時間の前に両親から得られた、あるいはオンラインで利用可能[http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]テーブルを用いて近似することができます。ヘッドの測定は研究者の近似値に対応していない場合は、新しいキャップを用意する必要があります。複数のキャップと電極が使用可能な場合は、複数のキャップは、準備時間を最小限に抑えるために、事前に設定することができます。
  4. 親にゲル化の手順を説明します。それらを各電極にゲルを適用し、彼らの皮膚に針を感じさせるために使用される鈍針と注射器を表示します。ゲル化手順の上に行くためにデモEEG電極と頭皮のキャップを使用してください。
  5. 頭皮の表面の正中矢状面に沿ってイニオンにナジオンからの距離を測定します。年度に合わせて進んでください幼児の後ろからPキャップ。
  6. 頭の頂点にはCz電極の位置を合わせます。約額にナジオンとイニオン間の距離の10％をFP1とFp2では、電極の位置を合わせ、中央に進みます。頭の正中矢状面に沿って対称的に頭皮キャップを合わせます。 【AFZ、Fzは、FCZ、Czは、にCPz、装甲、POZ、オズ]ミッド電極を確認してくださいは、ナジオンとイニオンと整列しています。完了したら、あごの下にストラップによりキャップを固定します。
    注：彼/彼女は脳波キャップを装着している間に幼児をそらします。年齢に適したビデオは、一般的に、セットアップ中に乳児の注意をそらすために使用されます。
  7. コントロールボックスへの参照、地面、および記録電極を接続します。コントロールボックスからのインピーダンス指標をオンにします。
  8. 地面と参照電極から出発し、60kΩの下の各電極のインピーダンスを測定するまで、頭皮と電極との間の空間に電解質ゲルを注入するために、小さな注射器を使用しています。これはINDです電極上に黄色や緑色の光によってicated。 EEG電極の準備に関する詳細は、4でご利用いただけます。
    注：ゲル化手順の間、幼児は様々な理由（好奇心、恐怖、転用注意）のために彼/彼女の頭を移動することがあります。したがって、第二の実験者や親が乳児をそらすし続けることをお勧めします。被写体の予想外の動きに起因する針で乳児の顔に直面するリスクを回避するために、乳児の頭の後ろから注射器を使用してください。
  9. USB変換器への光ファイバを使用して、USBポート経由でホストPCにアンプを接続します。
    注： 図2Aは、EEGキャップとIMUの配置と幼児対象のセットアップを示しています。対象に負荷のないモビリティを提供し、電極ケーブルとコントロールボックスが持ちこたえていることに注意してください。 図2Bは、10-20ラベリングシステム次の脳波キャップの電極位置の地形ビューが表示されます。

3.のIMUの準備

  1. IMUソフトウェアを開きます。グラフィカルインタフェースの「新規」をクリックします。
  2. その後のIMUを設定するには、ダイアログボックスで「設定」をクリックします。 128 Hzにサンプリング周波数を設定します。
  3. 頭部、胸部、および幼児の左右の手首にのIMUを固定します。
    注： 図2Aを参照してください 。並行して、のIMUを用いた実験の手首にフィット。ていることを確認のIMUは、慣性測定誤差を最小化するために身体によく固定されています。
  4. ストラップを使用して、手首の背側の手首のIMUを配置します。ハーネスを使用して、胸の中央付近に腹面に胸のIMUを配置します。
  5. それは顎の左側付近にあるように、頭皮キャップのあごのストラップにヘッドIMUを取り付けます。彼らが指向LEDライトで、外側に向くようにのIMUを配置します。
    注：のIMUは、それぞれ約22グラムの重さ、その小型軽量をmを妨げる可能性が低いですovement。追加の実験は、ステップ2.8で説明した理由のために幼児をそらすために必要とすることができます。

4.ビデオキャプチャやデータストリームの同期

  1. 場所のビデオカメラ（18）乳児（12）、俳優（14）、及びLEDトリガー（13）が全てはっきりと見えるようにします。 図4を参照してください 。
    注：ビデオ録画を視覚注釈や実験者によってトリガ行動のセグメント化と同様に、記録セッションの開始と終了の確認を可能にするために使用されています。
  2. EEG（5）とのIMU（4）〜（7）トリガ入力/出力エンクロージャを接続します。 図3を参照してください 。
    注：カスタムの入力/出力エンクロージャ（7）、 図3に示すように、記録されたすべてのデータストリーム（EEG、のIMU、およびビデオ）を整列させるために設計されたので、（ビデオなど）一つの記録からイベントマーカーを使用するか、分析を支援他の記録の（例えば脳波や加速度など）。これを使用することによって達成されます、落ち込んで、（DB-25パラレルポート経由）脳波に（グランドに+ V）トリガパルスをアクティブローを送信する単一の瞬間的なプッシュボタン、およびビデオ（ミニDIN-6コネクタを介して）IMU（でビデオカメラのビュー）を同時に記録に位置する発光ダイオード（LED）を照明します。 7404 ICの論理インバータチップは、LEDに電力を供給するのに必要な電位を提供し、ハイ状態（+ V）パルスを低状態（アース）を形質転換しました。
  3. トリガープッシュボタンとデータ収集コンピュータの近くで実験を持っています。実験者は、トリガーを作動させる実験を通してデータの品質を監視し、データの保存を担当します。

テスト環境の準備5。

  1. 図4を参照してください。

6.データ収集

  1. 「インピーダンスを選択することによって、制御ソフトウェアを使用して、EEG電極の初期インピーダンス値を記録インピーダンスに "ラジオボタンをクリックし、タブを「チェック」（安定化させるために電極インピーダンス値の約5秒を待つ）、およびクリック"インピーダンスを保存するには、[保存インピーダンス」のラジオボタンをクリックします。 図5を参照してください 。
  2. いいえフィルターはEEGデータ収集時に適用されません。
  3. 脳波レコーダープログラムでは、EEGデータを再符号化を開始するために「再生」「モニター」をクリックしてください。 図6を参照してください 。
  4. IMUソフトウェアでは、IMUデータの記録を開始するためのダイアログボックスで「ストリーム」とし、「録音」をクリックします。 図7を参照してください 。
  5. 入力/出力エンクロージャ（7）上の押しボタンを使用して、実験の開始を通知するために、3つのトリガー（III）を適用します。記録しながら1分間幼児残りをしましょう​​。これは、初期のベースラインデータを提供します。
  6. 実験を行い、必要に応じて幼児対象が休憩を取ることができます。各実験の試験では、ターンの撮影タスクで構成されてどこに俳優ショーオブジェクト（通常は、常にではないが、おもち​​ゃ）を使用して幼児の行動は、模造応答を開始するための努力で幼児にそれを渡し、最終的に戻って乳児からオブジェクトを取得します。
    注：この交換は、一般的に4-5試験のためまたは幼児がオブジェクトにはさらに関心を示さないまで繰り返されます。
  7. セッションの環境を考えると、ビデオ録画を使用して、データ収集後、各行動の全てのタイミングに注釈を付けます。
  8. EEG電極の最終的なインピーダンス値を記録します。ステップ6.1を参照してください 。
  9. EEG電極の3Dスキャナとソフトウェアとそれに対応するソフトウェアを使用してEEG電極の3次元空間座標をデジタル化します。
  10. 3Dスキャンソフトウェアを起動します。 「ファイル」に移動し、「新規ワークスペース」を選択します。ワークスペースの最初のタブにある電極位置ファイルをロードし、保存]タブで、必要な情報を提供します。
  11. スキャンツールバーで、星」をクリックしてくださいTスキャン」。キャップに変更する光パターンに従うことによって、電極の位置をスキャンするために、で30cm程度、乳児の頭から、3Dスキャナーを使用してください。スキャンが完了すると、ソフトウェアが自動的に結果を保存します。
    注意：頭の後ろでは、ケーブルは、乳児の頭部の小さなサイズのため、電極上のLEDをブロックすることがあります。ソフトウェアは、ユーザーが結果を損なうことなく、スキャンからいくつかの電極を削除することができます。必要に応じてスキャンから後頭部の電極を削除します。

7.行動セグメンテーション

  1. 実験セッションの録画を点検し、トリガーLEDが点滅して時間をマーク（ すなわち、実験が開始され、終了時）、およびときステップ6.6開始と終了で前述の動作のいずれか。

8.ソースイメージング

  1. 注：ソースの画像を正確に発電機を識別することができます脳内の脳波電位が、通常、順方向および逆問題を解く5で構成されています。
  2. そのような人生6,7の最初の2年間（ヶ月で）、年齢の関数としての平均MRIテンプレートが含まれている神経発達のMRIデータベースとして、パブリックドメインデータベースから高解像度T1強調磁気共鳴画像（MRI）データを取得します。
    注：この研究では、幼児の唯一の年齢に応じた前方のヘッドモデルを使用し、MRIテンプレートを選択するとき、したがって性別情報が考慮されていません）。
  3. 神経発達のMRIデータベース8からのMRIボリュームとして（ すなわち、灰白質、白質、頭皮、内側又は外側頭蓋骨）ヘッドの区画を含む境界要素モデル（BEM）のソース・ボリュームを獲得。
  4. カレー7、または類似の脳イメージングソフトウェアパッケージ中脳と頭部のコンパートメントの表面を抽出することにより、現実的な頭部モデルを得るための前処理BEM MRI容積。
  5. T1強調MRIをインポートします。手動で、脳イメージングソフトウェア、または同様のパッケージ内に、左/右前耳点とナジオンなどの3つの基準点を特定します。
  6. MRIと脳イメージングソフトウェアまたは同様のパッケージを使用して、手順6.9から6.11で3Dスキャナを用いて得られた基準点に表示されている基準点を当てはめることによって、MRIの空間と​​被験者の空間との間の剛性の幾何学変換を得るために、脳波やMRIスペースを共同登録。
  7. フォワードモデルを解決します。
    注：前方に問題が頭のとヘッド体積9,10の電気伝導特性の形状を表す頭部モデルの定義が含まれます。
  8. 逆問題を解きます
    注：逆問題は、位置、強度及び信号処理技術11を用いて頭皮EEG信号から脳内の元の時間経過を推測しようとします。
  9. 連続セグメントタスク発症周り試験にEEGデータ（ 例えば 、模造、観測セグメント）2秒長の前後のタスク発症セグメントを有します。各試行では「不良チャンネル」やその他の人為的試験などの高インピーダンスのチャンネルを特定します。 ICAを使用してアーティファクト除去のための前処理EEGデータと隣接アーチファクトのないチャンネルの平均で不良チャンネルを再構築する。12,13,14。
  10. 可能な限り最高のソースの場所を識別するために、脳全体にわたって検索し、自動最適化アルゴリズムへの入力としてフォワードモデルを使用してください。
  11. 視覚的に推定原因を分析し、最も実験の性質から事前知識に基づいて、あなたの期待と一致し、慎重に解釈するソリューションを拾います。
    注：このステップは原因逆問題の不良設定性のために1最もバイアスされ、つまり、ソースの異なる構成は、同一の表面電位になることがあります。したがって、、それは与えられた頭部モデルと逆の方法がうまく動作することを確認するために妥当性検査を実行するために役立つかもしれません。
  12. 知られているシミュレートされた双極子をローカライズ健全性チェックを実行します。すなわち、与えられた頭部モデルのために、既知の構成でダイポールを配置し、この双極子のためにシミュレートされた電圧を得るための順問題を解決します。
  13. それがシミュレートされた双極子を返すことを確認する、同じ頭部モデルにこれらの電圧と逆問題を解決します。
    注：これらの妥当性検査は、最初に高精度に配置された双極子を返す必要があります。

結果

図8のディスプレイ対象と実験者間の相互作用の間に記録された16秒のタイムウィンドウのためのIMUからのサンプルEEGおよび加速度データ。 EEGデータは100Hzで再サンプリングした後、バンドパスが3次、零相バターワースフィルタを用いて、[1-40 Hz]で濾過しました。ハイインピーダンス値（Z> 60kΩの）、および周辺チャンネルのチャンネルは、12,15を廃棄しました。磁束、角速度、3デカルト軸で直線加速度：のIMUは、128 Hzで9信号を記録しました。ここでは、重力補償（GC）加速度の大きさを示しています。重力加速度の影響は、全体的なフレーム 16にIMUの向きを予測するためにカルマンフィルタを適用することにより補正しました。データは、ビデオ記録（ステップ7.1）の目視検査によってセグメント化されました。縦実線は縦の点線は、イベントの終了を表すように、興味のある行動の開始を示します。

モーションアーチファクトの影響は709sの周りに、図8に示したEEGデータ内に存在します。この実験プロトコルのデータ収集に制約のないアプローチは、まばたき、目の動き、運動と筋電図のアーチファクトの影響を受けやすい脳波データを作成します。データは、デルタ帯域（1-4Hz）に拘束する3次零相バタワースバンドパスフィルタを用いて前処理し、平均値を減算し、標準偏差で割ることにより標準化しました。高振幅のアーチファクトがアーティファクト部分空間の取り外し（ASR）法17を使用して自動的に削除されました。さらに、周辺のチャネルは筋アーチファクトの混入を最小限に抑えるために、データ分析から除外されています。前頭および側頭筋収縮は、周辺の場所に最も顕著にEEG信号とマージ：前頭収縮は、前の場所に表示され、側頭収縮は横正面とtemporに表示アルの場所15。

このプロトコルで収集したデータの性質を調べるために、EEGデータのヒストグラムを図9（a）では、図9にプロットした、3つの空間的に代表的な電極からの標準化された信号のデータ配信を説明します。 EEGデータは、分析のために行動多峰分布を示します。 図9Bに尖度値は、データのより簡単な目視検査のために棒グラフとして表示されています。

分類は18（ローカルフィッシャーの判別分析（LFDA））、各EEGチャネルの時間ベースの遅れを抽出し、各クラスのローカル散布を維持しながら、次元数を減少させることによって行われ、訓練/機能の縮小セット（ガウス混合モデルをテストしていましたモデル（遺伝子組換え微生物））19。研修/テスト用サンプルがランダムに任意のOVを防止するために、20回の反復（ すなわち 、クロスバリデーション）でサンプリングしましたer-fitting.Training/testing~~Vサンプルサイズは、拒否 ​​されたチャンネルの数（ すなわち、より大きな60 kHzでのインピーダンス）、実験セッションの長さを与えて変化し、試験や行動の数が表明しました。しかし、各クラス（動作）のために使用される訓練および試験サンプルの数が最も少ないクラスの50％に相当します。一例として、各クラスのテストセットのサイズはN = 図10に示した乳児用データ1069のサンプルすべての前処理及び分類ステップは、MATLABプログラミング環境下で計算しました。

図11は、段階的に、この研究で行わEEG源推定のための全体の手順を示しています。各ステップについての詳細はまた、セクション8に要約されています。

「リーチ・オファー時の図12に示すミューリズム（5-9 Hz）で（デ）同期（ERD / ERS）関連イベントの結果と双極子源1;仕事。 ERSとERDを基準間隔（イベントの前に連れて行かれたセグメント）に比べて間隔（タスクに到達し、申し出）イベント中に発生した周波数帯域のパワーの減少または増加の割合として算出しました。この図はまた、幼児の両方の手首からタスクと俳優の間に得られた重力補償大きさの加速を示しています。双極子分析のためにEEG信号は、バックグラウンドノイズを除去するために独立成分分析（ICA）を使用して分解しました。ソース推定は、固定されたMUSICアルゴリズム5を介したICAの前処理後にミューリズムで行われました。予想されるように、被験者が対象物を把握するために彼の左手を使用している間、ソースは右の一次運動野の上に局在していました。

商品名会社分量
BrainAmpアンプ脳の製品、社 2
actiCAP EEGは64の電極をキャプ* 脳の製品、社 10
actiCAPコントロールボックス脳の製品、社 1
ブレインビジョンレコーダーソフトウェア脳の製品、社 1
actiCAPコントロールボックスソフトウェア脳の製品、社 1
CapTrak 脳の製品、社 1
CapTrakソフトウェア脳の製品、社 1
オパール運動モニタ APDM株式会社 6
オパールドッキングステーション APDM株式会社 6
オパールの無線アクセスポイント APDM株式会社 1
モーションStudioソフトウェア APDM株式会社 1
トリガーボックスカスタム 1
ビデオカメラ HC-W850M、パナソニック（株） 1
*脳波キャップは幼児のための以下の頭囲サイズで来る：42、44、46、48、50センチメートル。このプロトコルでは、各サイズの2キャップの株式を推奨します。

表1の装置。

figure-results-1
1.フロー図を図。実験のセットアップの（A）のフロー図。（B）データ収集セッションのフロー図である。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-2
図2.被写体Setupとデータ収集のための準備ができました。（A）脳波キャップを身に着けている被写体の正面図、および4つのIMU。（B）10〜20標準電極位置決めシステムを使用して、64チャンネル脳波キャップの地形表現。 表示するには、こちらをクリックしてくださいこの図の拡大版。

figure-results-3
図3.データ収集機器、試験室。 （A）のデータ収集機器のセットアップ：EEGコントロールボックス（1）、EEGキャップ（2）は、トリガー（3）、無線IMUデータ受信機（4）、EEG増幅器（5）、おもちゃ箱（6）、トリガー、プッシュボタン（7）、データ収集ノートパソコン（8）、のIMUドッキングステーション（9）。（B）脳波キャップ、活性電極とコントロールボックスのクローズアップ。（C）のIMUと無線受信機のクローズアップ、trigge Rプッシュボタン、脳波アンプ、およびデータ収集のラップトップ。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-4
実験設定の図4模式図。脳波コントロールボックスホルダー（10）。被験者の保護者は、椅子（11）の上に座って、実験者は、椅子（14）の上に座って、データを監視する人が椅子（17）に位置しています。実験の残りの部分が示されている：インタラクション卓上（12）、トリガー（13）、おもちゃ箱（15）、データ収集表（16）、ビデオカメラの配置（18） これの拡大版を表示するには、こちらをクリックしてください図。

「SRC = "/ファイル/ ftp_upload / 53406 / 53406fig5.jpg" />
脳波制御ソフトウェアの図5のスクリーンショット。矢印はステップ6.1に記載されているソフトウェアに鍵のアイコンを指し、 6.8。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-5
脳波記録ソフトウェアの図6のスクリーンショット。矢印はステップ6.2および6.3に記載されているソフトウェアに鍵のアイコンを指しています。ライブストリーミング生データのセクションが示されている。 この図の拡大版をご覧になるにはこちらをクリックしてください。

PG "/>
IMUソフトウェアの図7のスクリーンショット。赤いボックスは、ステップ6.4に記載されているソフトウェアで、キーのアイコンを強調表示します。 （A）メインコマンドウィンドウを開きます。（B）の設定ウィンドウを表示します。（C）Recordingウィンドウ。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-6
代表的な実験的なセッションから8.サンプルデータを図。 （A）EEGと加速度データが示されており、両方のバンドパスは、[1-40Hz]濾過しました。セッション全体で低インピーダンスのEEG電極（Z <60kΩの）が表示されます。 、観察リーチ・把握し、リーチオファーを、Imita：ソリッド縦線はまだ分析し行動に従事する幼児の表現をフレーム行動開始（B）を示しますTE、残りを調べてください。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-7
識別された6の行動のための脳波の振幅の図9.サンプル・ヒストグラム。 A）に示したデータは、20ヶ月齢の乳児とのセッションに記録された三つの電極（CP2、FC5、POZ）からの生データに対応します。ヒストグラムは、出現の最大数にスケーリングされ、各ヒストグラムの尖度は、各プロットの右側に表示されます。行動のほとんどのためのマルチモーダル分布。B）とがり各行動のためのサンプルデータのことに注意してください。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-8
図10.脳波を自由に振る舞う幼児 12 での行動の行動を予測しています。20ヶ月の乳児のための分類精度のためのサンプル混同行列が示されています。全体的に、復号精度が右下隅に表示されている。 この図の拡大版をご覧になるにはこちらをクリックしてください。

figure-results-9
図11.音源定位。解剖学的MRIおよび機能EEGデータを使用して幼児の双極子音源定位のために必要な手順。 この図の拡大版を表示するには、こちらをクリックしてくださいURE。

figure-results-10
図12.リーチ・オファータスク分析プロファイル」リーチ・オファー」タスクを実行する幼児の。A）のスナップショット。B）ムー帯の脳波の平均グローバルフィールド電源（5-9 Hz）で、乳児の四肢運動の軌跡俳優;壮大な全チャンネル。C）「移動開始」と「運動完了」の2つのイベントのローカライズされた双極子のソースからのイベントに関連するスペクトルの摂動を平均した。 この図の拡大版をご覧になるにはこちらをクリックしてください。

ディスカッション

記載されているプロトコルは、彼らがリアルタイムで実験者と対話しながら、自由に振る舞う幼児からデータを収集するための方法論を提示します。それは同時に、戦略的なボディ場所でのIMUとの運動学的データを記録しながら神経活動をキャプチャするために、モバイル脳イメージング技術（頭皮EEG）を採用しています。実験セッションは、ビデオカメラによって記録されます。 3つのデータ記録システムは、カスタム・トリガ・システムを使用して同期されます。

彼/彼女が自由に実験セッション中に移動しているようEEGおよびIMUシステムは、被験体に縛り付けています。 IMUは、正確に運動を捕捉できるようにする安全ストラップする必要があります。対象者の完全な制約のない機動性を確保するために、機器は、可能な限り最小限に侵入なければなりません。したがって、ホルダーの使用は、EEGの電極ケーブルとEEGのコントロールボックスをサポートします。実験者は、その後、約15分間の乳児と対話します。 INFANTは、相互作用の間の行動の年齢依存性のレパートリーを誘発します。これらは、観察、探求、残り、リーチ把握、到達オファーを含み、模倣します。しかし、いくつかの幼児は疲労、快適さの欠如、またはストレスにセッションに協力に消極的になります。子供が彼/彼女から否定的な反応の発生を防止するために、最もダイナミックでアクティブである場合、実験のスケジュールを設定することを確認します。

実験の性質は、セッションを通じて記録されたデータの品質に対するリスクを提示します。したがって、記録セッションを開始する前に、すべての接続およびデータの品質をテストするために、セッション中に連続して監視することが重要です。データEEGシステムは、品質データを記録されていない場合は、ソフトウェアを停止し、すべての接続を外してください。ソフトウェアの再起動やラップトップに戻って機器を接続する前に、記録ハードウェアの近くからすべての可能なノイズ源（ すなわち 、電源装置）を取り外します。 EEGハードウェアは、電気的ノイズ源の近くに配置した場合、環境ノイズを拾うことができます信号増幅器を含んでいます。 IMUの受信機では、受信機と実験と幼児の間の視線には干渉がないことを確認してください。

この実験では、頭皮の表面での電気的活動を測定することにより、高い時間分解能の神経データを提供します。最近の研究は、この提案されたデータ収集手法が神経のよりよい理解につながることを示唆し、表現運動20、及び機能的運動21,22のための分類情報を識別するために、一緒に全身運動で、これらの信号を利用する可能性を実証しています乳児の模倣の基本。

13,20,21は、より自然なSEに表面電位を研究するために成長しているツールキットを構築している脳のダイナミクスに適用される強力な機械学習アルゴリズムを搭載した最近の貢献ttings。この提案されたセットアップは、2,22を取り組むべき研究課題の可能性のスペクトルを提供します。特に、a）は、被験者の大集団に基づく乳児の認知運動発達の神経基盤を理解することに焦点を当てた研究に適用することができます。 b）は、着信行動行動を予測すべきである 'アクションとコンテキスト'で赤ちゃんの意図の神経基盤を理解します。 C）を開発し、脳内の個性と多様性を特徴づけるために一般的な、ユニークな神経パターンを定量化します。およびd）模倣と学習プロセスの出現を研究。これらの目標は有益な脳由来ポテンシャルと運動や筋肉アーティファクト12,20,23の両方で統計的に豊富なデータを扱うことができる機械学習アルゴリズムの展開を伴います。

この研究では、乳児のEEGデータを使用して、皮質源及び電界電位を推定しようと試みます。のためにこのような幼児の頭の導電率の値と皮質物質の厚さの知識の欠如などの技術的な問題は、頭部モデルの正確なモデリングは困難な作業です。さらなる研究が幼児24で非侵襲的な地域組織の導電率の推定のために必要とされます。幼児MRIデータの皮質表面のセグメント化が原因の開発、人間の脳25の画像に見られる貧困層のコントラストに新たな課題が発生します。今後の研究は、これらの問題に対処し、乳幼児の発達や行動の様々な神経生理学的相関を推定するために必要とされます。

最後に、提案された実験プロトコルおよび方法は、そのような可能性の自閉症スペクトラム障害（ASD）の乳児などの発達障害を持つ人々の研究に展開することができました。このような用途では、二つのグループ（対照及びASD）を特徴付けるために、対照群と適切な発達の評価を含むことが望ましいであろう。試験を受験しますPLE、研究グループは、一般的な認知能力を特徴づけるために、すべての自閉症診断観察スケジュール26で評価高リスク（ASD用）幼児兄弟、症状の重症度27とアーリー・ラーニング・28のミューレンのスケールで構成されて可能性があります。可能な場合は、拡散強調MRIスキャンはまた、29非常に望ましいであろう。

開示事項

Brain Products と Brain Vision は、ジャーナルが請求するオープンアクセス料金を親切に資金提供しました。

謝辞

この作品は、子供の健康と人間開発（NICHD）賞＃のP01のHD064653-01のユニス・ケネディ・シュライバー国立研究所によってサポートされていました。内容はもっぱら著者の責任であり、必ずしもNICHDや国立衛生研究所の公式見解を示すものではありません。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
BrainAmpアンプアンプブレイン製品、Gmbh
actiCAP EEGキャップ-64電極*ブレイン製品、Gmbh
actiCAPコントロールボックスブレイン製品、Gmbh
Brain Vision Recorderソフトウェアv1.20.0601Brain製品、Gmbh
actiCAPコントロールボックスソフトウェアv1.2.5.2Brain製品、Gmbh
CapTrakブレイン製品、Gmbh
CapTrakソフトウェアv1.0.0Brain製品、Gmbh
オパール移動モニターAPDM、Inc
パールドッキングステーションAPDM、Inc
パール無線アクセスポイントAPDM、Inc
モーションスタジオソフトウェアv1.0.0.201503302222APDM、Inc
トリガーボックスカスタム
ビデオカメラHC-W850M, パナソニック
※脳波キャップは、乳幼児の頭囲サイズ42cm、44cm、46cm、48cm、50cmをご用意しております。このプロトコルでは、各サイズのキャップを2個ずつストックすることをお勧めします。 
オオ

参考文献

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

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

EEG EEG IMU

関連記事