EEGニューロイメージングデータの応用：事象関連電位、スペクトルパワー、およびマルチスケールエントロピー

この手順の全体的な目標は、EEG時系列の変動性を定量化し、その変動性を基礎となる神経系の情報処理能力に関連付けることです。これは、最初に脳の反応の高品質のEEG記録を取得することによって達成されます。2 番目のステップは、データを前処理してアーティファクトを削除することです。

次に、関心のある統計が抽出されます。ここでは、マルチスケールエントロピーの斬新な応用と、平均振幅とスペクトルパワーのより伝統的な方法とを対比します。最後のステップは、結果の統計的有意性を分析し、データを解釈することです。

この手順は、Partial Lease Square の分析のようなデータ駆動型の多変量アプローチを使用することで促進できます。最終的に、マルチスケールエントロピーを使用して、複数の時間スケールにわたる空間時間パターンの一連の変化が特定の認知操作にどのように寄与するかを示します。平均振幅やスペクトルパワーなどの既存の方法よりもMSCを使用する利点は、MSCがデータの非線形性に敏感であることです。

これらの非線形ダイナミクスは、ネットワークのミクロ状態間の遷移または分岐を反映しており、これは脳領域の分散ネットワークを介した情報交換にとって重要です。この手順を実演するのは、Rotman Research InstituteのERPラボのChristina Backer氏です。まず、実験手順を参加者に説明し、インフォームドコンセントを得ます。

ドロップダウン電極が配置される領域をアルコール綿棒を使用して清掃します。電極にゲルを塗ります。皮膚側から紙をはがし、電極を参加者に置き、眼球運動のアーチファクトを特定します。

まぶたの上部と下部の横方向の接合部に電極を配置します。眼窩隆起の中心、眼から約1センチメートル下、瞳孔と一直線に別の電極を配置します。もう一方の目についても繰り返します。

参加者の頭囲を測定し、国際的に認められた10 20システムに従って適切な電極キャップサイズを選択します。電極の配置については、正中線に沿ってインドのイアンからの距離を測定し、その数値を使用して10%で割ります。NASから測定し、マークします。

電極キャップ位置FPをこのマークに合わせ、キャップを引き戻します。キャップの中心が鼻と一直線になっていることを確認してください。nasn から cz までを測定し、この距離が NAS からインドまでの距離の半分であることを確認します。

次に、あごひもを締め、必要に応じてストラップの下にガーゼを置いて快適にします。次に、ゲルを充填したブラントポイントシリンジを電極ホルダーに入れて、ゲルの導電性カラムを作成します。頭皮との接触から始めて、絞って引き戻します。

ゲルの塗布が多すぎると、隣接する電極の信号をブリッジする可能性があることに注意してください。次に、アクティブ電極を電極ホルダーに固定します。次に、被写体をモニターの前方に適切な距離で配置します。

実験では、参加者にじっとしているように頼み、眼球運動とまばたきを最小限に抑えることの重要性を強調します。クリーンな記録を行うには、アクイジションコンピュータで電極の接続とEEG信号の品質を調べます。特定の電極に問題がある場合は、実験後、目的の特定の統計を抽出する前に、その電極を取り出してゲルを再度塗布し、その部位のインピーダンスを調整します。

連続的な脳波データを前処理し、フィルタリングとアーティファクト除去の標準的な手順を使用してアーティファクトを除去します。イベント関連の電位分析は、刺激の開始に対する位相ロックである同期脳活動をキャプチャします タイムロック 顕著なイベントの開始に対する脳の反応をロックし、その後、多くの同様のイベントで平均化します。信号対雑音比を増加させ、各被験者のERPコンポーネントのピーク振幅と遅延を特定するために、Spectra powerは特定のEEG信号に対する周波数の相対的な寄与を定量化します。

フーリエ解析を使用して、EEG 信号を時間領域から周波数領域に変換し、信号をさまざまな周波数の成分正弦波に分解します。マルチスケールエントロピーは、神経電気信号の経時的および複数回にわたる変動を捉える情報理論的な指標です。秤。PhysioNet のアルゴリズムを使用して、マルチスケール エントロピーを 2 つのステップで計算します。

最初のステップでは、徐々にダウンします。各試行と条件のタイムスケールの信号をサンプリングします。1 つは元の信号を表します。

後続のタイムスケールを作成するには、まず元の信号をタイムスケール長のオーバーラップしないウィンドウに分割します。次に、各ウィンドウ内のデータポイントを平均化します。たとえば、タイムスケール 2 を一緒に平均化して作成するとします。

最初の 2 つのポイント、次の 2 つのポイント、というように続きます。タイムスケールを作成するには、最初の 3 つのポイント、次の 3 つのポイントなどを平均化します。元の信号をさまざまな時間スケールで表現することにより、異なる速度で展開している可能性のある神経プロセスを分析できます。

2 番目のステップでは、各コースのサンプル エントロピーを計算します。粒度の細かい時系列。これにより、さまざまな時間スケールでの脳の反応の複雑さを推定できます。

通常の信号は、確率的な信号よりもサンプル エントロピーが低くなります。この例では、パターンの長さ M を 2 に設定します。これは、時系列が 2 対 3 つのポイント シーケンス一致の比率として表されることを意味します。

パラメーター R は類似性の基準です。この振幅範囲内にあるデータポイントは、同様の値を持つため、一致していると言われます。パラメーターの設定の詳細については、テキスト プロトコルを参照して、このシミュレートされた時系列のサンプル エントロピーを計算してください。

最初の 2 つのコンポーネントから始めます。配列パターンは、赤橙色、まず、時系列で赤橙色の配列パターンが出現する回数をカウントする。これには10の一致があります。

2つのコンポーネントの順序。2 つ目は、最初の 3 つのコンポーネントの回数をカウントします。シーケンスパターンは、赤、オレンジ、紫の時系列で発生します。

これには5つの一致があります。3つのコンポーネントシーケンス。時系列の次の 2 つの成分シーケンス (オレンジ、紫) と次の 3 つの成分シーケンス (オレンジ、紫、緑) についても、同じ操作を続けます。

これらのシーケンスの 2 つのコンポーネント一致と 3 つのコンポーネント一致の数を前の値に追加します。時系列内の他のすべてのシーケンス一致に対して繰り返して、2 つのコンポーネント一致と 3 つのコンポーネント一致の合計比率を決定します。サンプルエントロピーは、この比率の自然対数です。

これらのデータは、顔写真の初期表示と繰り返し表示を対比するERPスペクトルパワーとエントロピーの条件の違いを示しています。この例では、すべての測定値が収束し、顔の繰り返しに伴うサンプルエントロピーの減少と同じ効果が明らかになりました。この複雑さの減少は、関与する機能ネットワークがより単純で、処理する情報が少ないことを示唆しています。

これらの統計結果は、ERP スペクトル パワーの部分リース 2 乗と、さまざまな親しみやすさレベルに関連付けられた面のマルチスケール エントロピーの多変量解析から導き出されます。この対比は、ERPの振幅が新しい顔と馴染みのある顔を区別したが、以前の曝露量が異なる馴染みのある顔では区別しなかったことを示している。スペクトルパワーは、親しみやすさに応じて顔を区別しましたが、親しみやすさが低い顔と中程度の顔を正確に区別しませんでした。

マルチスケールエントロピーは、条件の違いに最も敏感でした。サンプルのエントロピー値は、顔の親しみやすさが増すにつれて増加します。これらのイメージ プロットは、条件効果の空間的時間分布をキャプチャします。

興味深いことに、マルチスケールエントロピーは、ERPやスペクトルパワーの従来の分析では得られなかったユニークな情報を明らかにしました。このマルチスケールエントロピーの発散は、条件がネットワークダイナミクスの非線形側面に関して異なることを示唆しており、おそらく周波数帯域間の相互作用に関与しています。この新しい分析ツールは、ニューラルネットワークのダイナミクスに関する新しい情報をキャプチャするのに役立ち、静的な状態の観点から精神機能を特徴付けることから、人間の認知に関連するプロセスの流体展開を理解するのに役立ちます。