June 30th, 2014
近年、認知神経科学実験のために頭皮測定された電気的活動の皮質源を推定する関心が高まっている。この記事では、高密度脳波を取得した方法と、録音はロンドン赤ちゃんラボで2歳以上の小児の皮質源推定のために処理される方法について説明します。
次の実験の全体的な目標は、小児の参加者で測定された頭皮の神経発生器を推定することです。これは、子供と一緒に高密度脳波を記録し、適切な実験手順を第2ステップとして使用することによって達成されます。表面モデルは、個々の構造MRIまたは年齢に適したテンプレートのいずれかの磁気共鳴画像データに基づいて計算され、ソース再構成のために異なるコンパートメントを導電率値に関連付ける境界要素モデルにつながります。
次に、EEG チャネルの位置を逆モデルと共登録します。頭皮の測定された電圧変化の可能性のある発電機を計算するために、測定されたEEGデータと頭部モデルの予測に基づいて皮質源の寄与を示した結果が得られます。チャネルレベル分析のような既存の方法に対するこの手法の主な利点は、イベントに関連する潜在的なコンポーネントに対するいくつかの皮質領域の寄与を評価できることです。
この方法を使用するというアイデアを最初に思いついたのは、安静時のEEG記録を使用して皮質領域のネットワーク構造を評価したいと思ったときでした。この方法を視覚的に示すことは、子供に優しいために重要です。脳波の記録は、標準的な記録手順を子供に適応させる必要があるため、学ぶのが困難です このプロトコルを開始します。
まず、子供がテスト環境に慣れていることを確認してください。これを行うには、年少の子供が介護者の膝に座るか、快適な子供用の座席に座るようにします。また、センサーネットを子供の頭に当てる前に、子供にセンサーネットを見て感じさせてください。
余分なネットがある場合は、子供が快適に過ごせるように、親にも試着してもらうか、人形やぬいぐるみの上に置いてもらいます。脳波の準備中は、子供が音楽を聴くことを許可してください。年齢に適した漫画を見るか、別の実験者を使って彼らの気をそらしてください。
次に、お子様の最大頭囲を測定して、正しいネットサイズを選択します。測定テープを使用して、鼻に保持します。次に、永劫の約1センチメートル上の最大円周の周りで頭を測定します。
次に、鼻と永劫の間の中間距離の交点にある頭の頂点と、耳介点ごとの左右を特定します。このポイントをチャイナペンでマークして、ネットを適用するときに頂点チャネルが正しく配置されていることを確認してください。次に、浸したセンサーネット、電解質溶液を適用し、主要なチャネルが解剖学的ランドマークと位置合わせされていることを確認します。
次に、チャネルが頭皮としっかりと接触していることを確認します。センサーを個別に配置します。各センサーを左右にゆっくりとひねって、髪を邪魔にならないように動かします。
次に、チャンネルのゲインとチャンネルインピーダンスを測定します。[開始]をクリックして、ネットステーション、EEG記録ソフトウェアで記録を開始し、ゲインとインピーダンスの測定を開始します。測定が自動的に開始されない場合は、キャリブレーションアンプとネットインピーダンスの測定ボタンを使用してください。
記録ソフトウェアで、インピーダンスが 50 、 000 オームを超えるチャンネルがないか確認し、赤く表示されます。ピペットで追加の電解質溶液を塗布して、チャネルインピーダンスを下げます。また、EEGディスプレイで高周波活動を示すチャンネルを確認してください。
インピーダンスが低いか、周囲のチャネルよりも活動が著しく少ないにもかかわらず、これらのチャネルは頭皮との接触が緩く、調整が必要な場合があります。すべてのチャネルが満足のいくものになったら、EEG実験の後に適切なEEG実験を実行します。まず、アーティファクトに対して正しいデータを前処理します。
次に、セグメントAは以前に無料のサーファーソフトウェアで取得した解剖学的MRIスキャン。ドットbash rc用のフリーサーファーを含むようにシェル環境を設定します。ここに示すコマンドをドットbashRCファイルに含めます。
次に、フォルダであるサブジェクトディレクトリを定義します。出力は、次に示すコマンドを使用して書き込まれます。次に、セグメントをブレインストーミングソフトウェアにインポートし、表示ツールを使用して、球が重なっているか、解剖学的にありそうにないコンパートメントなど、誤ったセグメンテーションがないか確認します。
セグメンテーションを視覚的に調べるには、右クリックして「表示」を選択し、最初にソースアクティビティを推定し、ブレーンストーミングアプリケーションを起動してから、新しいプロトコルを作成し、プロトコルに新しいサブジェクトを追加します。次に、参加者の脳波データをインポートし、チャネルファイルをインポートします。境界要素モデルとチャンネルが期待どおりに整列していることを確認するには、対象のチャンネルファイルを右クリックし、MRIレジストレーションに移動して確認します。
モデル内の球が重なっている場合、またはチャネルが境界要素モデル内にある場合、ソースの再構築では誤った結果が生成されます。MRI セグメンテーション メニューの編集オプションを使用して、位置合わせを調整します。次に、ノイズ Covance 行列を選択して各エピックのベースラインからノイズ Covance 行列を計算し、録音から計算します。
次に、コンピューティング ソース モデルを選択してソース モデルを計算します。計算ソースと最小ノルム推定を選択することにより、深さ加重最小ノルム推定を使用して逆解を計算します。研究のすべての参加者に対してこれらの手順を繰り返します。
次に、参加者ごとの試行に対するソースアクティビティの平均化には、録音をプロセスメニューにドラッグし、平均と条件別を選択します。被験者の平均。条件を対比するには、プロセスを選択し、各条件を 1 つのウィンドウにドラッグします。
次に、研究デザインに応じてT検定を選択し、多重比較を実行します。振幅と面積のしきい値を、stat メニューの統計マップの表示で設定します。次に、関心領域のイベント関連の応答を計算します。
パーセル化ベースのROIの場合。解剖学メニューの皮質表面を右クリックし、ラベルのインポートを選択して、フリーサーファーのパーセル化をロードします。対応するファイルをナビゲートし、ロードします。
次に、機能データ メニューのスカウト ペインで関心領域を選択します。関心のある領域イベント関連のアクティビティを取得するには、ファイルをプロセス 1 ウィンドウにドラッグし、スカウト時系列の抽出を選択します。ソースメニューから。
複数の関心領域を同時に選択でき、時系列をエクスポートしてさらにプロットや分析を行うことができることに注意してください。ここで紹介する結果は、6歳の男の子の録音に基づいています。この図は、顔とスクランブルされた顔の刺激に対するチャネル レベルのイベントに関連する潜在的な反応を示しています。
この応答は通常、刺激開始後130ミリ秒から220ミリ秒の間に、スクランブルされた顔と比較して、顔の右側でより負の偏向を示します。ここでは、標準的な成人の頭部モデルと年齢に適した頭部モデルに基づいて予測されるソース活動の統計的比較を示します。2 行目と 3 行目のカラー マップはエフェクト サイズを示しており、赤はフェイス条件でアクティビティが高いことを示し、青はスクランブルされたフェイス条件でアクティビティが高いことを示しています。
そして最後に、この図は、記録のソース再構成に基づいて、顔とスクランブルされた顔に応答する右紡錘状回のソースイベント関連の潜在的な応答を示しています。年齢に適した境界要素モデルを使用し、最小のノルム推定を行う 一度習得すると、この手順に従って適切に実行されれば、ソース分析に従って数時間でこの手法を実行できます。時間周波数、分解などの他の方法は、さまざまな周波数帯域でのニューロオシレーターの寄与に関する追加の質問に答えるために実行できます。
このビデオを見た後、小児参加者の高密度EEG記録の皮質発生器を推定する方法を十分に理解しているはずです。
View the full transcript and gain access to thousands of scientific videos
この記事では、子どもを対象とした認知神経科学実験における頭皮測定の電気活動の皮質源の推定について説明しています。高密度EEGの取得と皮質源推定に必要な処理手順について詳しく説明しています。
Estimating cortical generators of EEG in pediatric populations addresses a key challenge in developmental neuroscience: linking scalp-recorded signals to underlying brain sources with improved spatial specificity. This capability supports target validation by enabling mechanistic interrogation of cortical networks involved in sensory and cognitive processing during critical developmental windows. The method enhances predictive confidence in preclinical models by providing a translatable, non-invasive readout of cortical engagement that can be aligned across species and ages.
The method fits within the discovery continuum from early target engagement screening to mechanistic de-risking, where cortical source localization informs target confidence and pathway understanding in developmental disorder models.