微小状態と静止状態の脳波のオメガ複雑さ解析

今学期は、今日の診断でバイオスのコードに対するマーカーの効率的なペアをどのように特定するかなど、脳障害の分野で10の質問に答えました。この手法の主な利点は、従来のEEG分析に固執している場合に、保留中の問題の参照として発せられる可能性があることです。この手法の応用は、人間の脳の安静状態ネットワークの理解にまで及びます。

この手順を開始するには、生のEEGデータをEEGラボソフトウェアにインポートします。次に、チャネル位置ファイルをEEGラボソフトウェアにロードして、これらの電極の空間位置を取得します。参照電極を取り外すには、ポップアップダイアログボックスの[チャネル範囲内のデータを選択]オプションを選択し、記録電極のみを選択し、参照電極を選択しないようにして、参照電極を取り外すことができます。

0.5 から 80 ヘルツの間で EEG データをバンドパス フィルタリングするには、ポップアップ ダイアログ ボックスで、周波数パス バンド ヘルツの下端に 0.5 を選択し、周波数パス バンド ヘルツの上端に 80 を選択します。次に Ok.To、クリックして49〜51ヘルツのノッチフィルターで電力線ノイズを除去し、ポップアップダイアログボックスで、周波数パスバンドヘルツの下端に49を選択し、周波数パスバンドヘルツの上端に51を選択します。次に、パスバンドの代わりにデータをノッチフィルタリングするオプションを選択し、[Ok.To 眼球運動を削除する]、[ツール]の順にクリックし、[AAR 1.3を使用したアーティファクト除去]、[BSSを使用したEOG除去]をクリックします。

EMG を削除するには、[ツール] をクリックし、[AAR 1.3 を使用したアーティファクトの除去] と [BSS を使用した EMG の除去] をクリックします。次に、前処理された連続脳波データをエポック長2秒のエポックに分割します。セグメント化されたEEGデータを保存できるウィンドウがポップアップ表示されます。

次に、セグメント化されたEEGデータをEEGラボソフトウェアにインポートし、任意の電極で±80マイクロボルトを超える振幅値を持つEEGエポックを拒否します。次に、前処理した脳波データを保存します。この手順では、被験者ごとに、前処理されたEEGデータをロードし、参照チャネルを共通の平均参照に変換し、EEGデータを2〜20ヘルツのバンドパスフィルタリングします。

次に、各被験者の 4 つのマイクロステート マップを特定します。ポップアップダイアログボックスで、クラスの最小数として 3 を選択し、クラスの最大数として 6 を選択し、再起動の数として 50 を選択し、使用するマップの最大数を選択し、GFP ピークのみ、および極性なしのオプションを選択します。次に、をクリックします OK ボタン。

その後、各被験者の脳波データを、それぞれのマイクロステートマップを特定した後に保存します。最後のステップで保存したすべての被験者の脳波データセットを一度にインポートします。次に、グループレベルのマイクロステートマップを特定します。

ポップアップダイアログボックスで、オプション「Choose sets for averaging」ですべての被験者のデータセットを選択します。「Name of mean」オプションで、グループレベルのマイクロステートマップの名前を指定し、「OK」ボタンをクリックします。これにより、グループレベルのマイクロステートマップを格納するGrandMeanという名前の新しいデータセットが作成されます。4つのグループレベルのマイクロステートマップの順序を、従来の順序に従って手動で並べ替えます。

ポップアップで [その他] を選択すると、表示されるマップの数が 4 になります。その後、[Man]ソートを選択します。ポップアップダイアログボックスで、4つのグループレベルのマイクロステートマップの新しい順序を入力し、Closeをクリックします。

その後、各サブジェクトの4つのマイクロステートマップの順序をソートし、各サブジェクトのマイクロステートパラメータを保存すると、2つのポップアップダイアログボックスが順番に呼び出されます。最初のダイアログボックスで、すべての被験者のデータセットを選択します。2 番目のダイアログ ボックスで、オプションとして [クラス数] で [4-クラス] を選択します。

GFPピークのみにフィッティングするオプションと切り捨てられる可能性のあるマイクロステートを削除するのオプションを選択します。次に、ラベルの平滑化ウィンドウに30を選択し、非平滑化ペナルティに1を選択し、Okをクリックします。これらの画像は、マイクロステートのクラスAとBがそれぞれ右前頭から左後頭部、左前頭から右後頭部の向きを持っていることを示しています。

マイクロステートクラスCとDは対称的な地形を持っていますが、それぞれ前頭前野から後頭部への方向、および正面から中央から後頭部への方向が観察されました。この表は、健康な被験者のミクロステートパラメータの平均と標準偏差を示しています。このテクニックは、一度習得すれば、適切に実行すれば1時間で完了します。

この手順を試みる際には、EEGデータを慎重に前処理する必要があることを覚えておくことが重要です。この手順に従うと、ソースのローカリゼーションなどの他の方法を実行して、これらのマイクロステートマップがどこから来たのかなどの追加の質問に答えることができます。この技術は、脳科学の分野の研究者が人間の脳のように病気を明らかにする道を開きました。