방법 논문

인간의 유아를 자유롭게 행동의 사회적 상호 작용하는 동안 의도 모드의 신경 디코딩에 소설 실험 및 분석 접근

13.2K 조회수

⸱

DOI:

10.3791/53406

⸱

2015년 10월 4일

 ,  ,  ,  ,  , 
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

이 논문에서

요약

이 프로토콜은 배우와 대본이 없는 사회적 상호 작용 중에 자유롭게 행동하는 유아의 의도를 신경 해독하기 위한 새로운 방법론을 제시합니다. 신경 활동은 비침습적 고밀도 활성 두피 뇌파검사(EEG)를 사용하여 획득합니다. 운동학적 데이터는 관성 측정 장치로 수집되고 동기화된 비디오 녹화로 보완됩니다.

초록

전형적 발달과 비정형적 발달을 이해하는 것은 발달 인간 신경 과학의 근본적인 질문 중 하나로 남아 있습니다. 전통적으로 실험 패러다임과 분석 도구는 사용 가능한 측정 및 분석 기법과 피험자의 연령에 의해 부과된 기술적 한계로 인해 제한된 실험실 작업 및 컨텍스트로 제한되었습니다. 이러한 한계는 발달 신경 역학 및 "행동과 맥락에서"수행하는 유아의 인지, 지각 및 행동에 관여하는 관련 신경망에 대한 연구를 심각하게 제한합니다. 이 프로토콜은 복잡하고 부분적으로 예측할 수 없으며 매우 역동적인 환경에서 자신의 행동을 자유롭게 조직하는 영유아와 그 결과를 연구하는 새로운 접근 방식을 제시합니다. 제안된 방법론은 동기화된 고밀도 활성 두피 뇌파검사(EEG), 관성 측정 장치(IMU), 비디오 기록 및 행동 분석을 통합하여 자유롭게 행동하는 유아의 뇌 활동과 움직임을 비침습적으로 캡처합니다. 이 설정을 통해 발달 중인 뇌의 신경망 역학을 행동 및 맥락에서 연구할 수 있으며, 이러한 네트워크는 목표 지향적, 탐색 및 사회적 상호 작용 작업 중에 모집되기 때문입니다.

서론

기본적인 인간의 기능 중 하나는 전략적 목표와 보상의 서비스에 학습과 행동 (액션 생산)를 배포 할 수있는 기능이며, 적절한 사회적 반응을 생산하기 위해 사회적 파트너 (액션 이해)의 목표를 체포 할 수있는 능력, 그리고 능력 관찰과 모방 (1)을 통해 다른 사람으로부터 배울 수 있습니다. 이러한인지 기능 모터의 신경 기초 소위 거울 신경 세포 시스템에 적어도 부분적으로 기인 된; 하나의 동작을 수행하는 사람이 볼 때 하나의 액션을 수행 할 때 고려되는 시스템을 결합한다. 그러나, 거울 신경 세포 시스템과 동작 이해 전위 사이의 링크는 아직 잘 이해되지 1된다. 인간 유아에서이 거울 신경 세포 시스템의 출현과 발전을 연구하는 의도와 세밀한 움직임 데이터와 상관 뇌 활동의 멀티 모달 데이터 수집의 기술적 한계)에 의해 방해되어, b) 비 천연 (예를 들면, 비디오 테이프에 도시 화제와 사회적 상호 작용, 뇌파 동안에 아티팩트를 최소화하기 위해 정지 자세를 유지하기위한 요구 (EEG) 녹음 등) 아르 실험 프로토콜에 의해 부과 된 제약 조건, 및 c) 통신 / 언어 장벽은 젊은 유아 / 크게 지시를하고 행동을 검증하기 위해 연구자의 능력을 제한하는 유아를 테스트 할 때.

다양한 신경과 자연의 행동에 행동 역학의 더 나은 이해를 위해, 우리는 어린 아이에서 목표 지향적, 사회적 행동을 신흥의 신경 기판의 시간 해결 연구를 할 수있는 새로운 실험 및 분석 방법을 개발했다. 특히, 우리는 실험과의 상호 작용 동안 자유롭게 행동 유아에서 기록 두뇌 활동과 운동 EEG 기반의 모바일 뇌 영상 (MOBI) 방법 2를 배치했다. 관성 측정 단위 (의 IMU)은 월 사용되었다당사 홈페이지에서 제목과 실험자의 운동.

뇌파 기술과 관성 센서는 실험 / 배우와 즉흥적 인 상호 작용에 유아 '액션 모방과 목표 지향적 행동에 관련된 신경 패턴과 활성화를 연구하는 데 사용되었다. 이러한 범위-파악 등의 작업은,-제공에 도달, 나머지를 관찰하고 탐구하는 것은 모방에 관련된인지 모터 과정의 일부입니다. 또한, 우리는 이에 따라 뇌 전체에 신경 전류의 시공간 역학을 공부하고, 행동 작업하는 동안 뇌 내에서 전위의 발전기 국산화 소스 추정을 사용합니다. 마찬가지로 우리는 평가하고 센서 (EEG) 및 / 또는 소스 공간에서 신경 활동에 작업 관련 시공간 패턴을 식별하여 이러한 행동 행동의 예측 가능성을 측정하는 기계 학습 알고리즘을 배포합니다. 통합은 전통적인 ERD / ERS는, 소스 및 복호화 분석은보다 포괄적 developmen는 제공이러한 행동의 신경 기초의 탈 설명.

이 설정은 우리가 MOBI 접근 2,3의 장점을 악용 유아 그들은 자연적으로 제한없이 발생하는 실험 사이의 사회적 상호 작용을 연구 할 수 있었다.

프로토콜은, 시간에서 피사체가 그 / 그녀가 잎, 완성하는데 약 1 시간 소요 시간에 도착한다. 헤어 길이와 피사체의 협력 등의 요인에 따라 25 분 - IMU / EEG 설치 시간 및 전극 위치 인수 (15)에 따라 다릅니다. 장치의 초기화 및 구성은 10 분까지 추가하고, 테스트 세션은 약 15 분 동안 지속된다. 알레르기 젤에서 유아의 머리를 청소 포함의 IMU와 뇌파 캡의 제거는, 5 ~ 10 분 소요됩니다.

프로토콜

다음 프로토콜 검사와 휴스턴 대학에서 임상 시험 심사위원회의 승인을 받았다. 모든 유아 대상자의 부모 또는 보호자는 읽기, 받고, 참여하기 전에 동의서에 서명했다. 유아 연령에 맞는 장난감을 선택하는 반면 부모는 무료 주차 및 연구에 참여에 대한 보상으로 $ 20 선물 카드를 받았습니다.

모집 유아 대상은 다음과 같은 기준을 충족 : 6 개월에서 24 개월 사이에 1) 나이. 2) 유아는 건강했다 정상적인 성장과 발전을했고, 출산 문제, 뇌진탕, 발작, 뇌졸중, 또는 학습 장애의 병력이 없었다. 시험에서 유아를 제외 할 몇 가지 일반적인 발달 장애의 예로는 성장 부진, 영양 부족, 임신 중 어머니에 의해 알코올이나 약물의 사용이다.

두피 뇌파를 통해 복합 신경 활동의 동시 녹음에 대한 단순화 된 흐름도 및자유롭게 행동 유아의 IMU는 그림 1에 제시되어있다.

1. 동의

  1. 부모에게 실험 방을 보여주고 간단히 그들에게 실험의 목적을 설명합니다.

2. 두피 뇌파 준비

  1. 주 : EEG 시스템 사용 (표 1) 이동식 전극 활성 전극 시스템으로 구성. 임피던스 레벨은 LED를 사용하여 전극 상에 표시된다.
  2. CM에서 아기의 머리 둘레를 측정한다. 머리 뒤쪽에 눈썹 위로와 후두 돌기 주위를 통과, 머리의 가장 넓은 부분 주위에 측정 테이프를 놓습니다.
    주 : 머리 둘레를 측정하는 적절한 크기의 EEG 캡을 선택하는 것이 필요하다. 표 1에 설명 된 유아 인구에 대한 특별한 크기가있다.
  3. 에 의해 지정된 적절한 크기의 뇌파 캡 (표 1)에 배치 전극10-20 국제 시스템. 모자는 두피에 전극의 적절한 배치를 보장합니다.
    참고 : 유아가 연구 위치에 도착하는 시간으로 준비 캡을 갖는 것이 바람직하다. 헤드의 사이즈에 관해서는 시간 전에 부모로부터 얻어진, 또는 온라인 [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm] 테이블을 사용하여 가까워 질 수있다. 헤드 측정 연구자의 근사치에 대응하지 않는 경우, 새로운 캡이 준비되어야한다. 다수의 캡 전극을 사용할 수있는 경우, 복수의 캡 준비 시간을 최소화하기 위해 사전에 설정 될 수있다.
  4. 부모를 겔화 과정을 설명한다. 그들에게 각 전극에 젤을 적용하고 그들의 피부에 바늘을 느끼게하는 데 사용되는 무딘 바늘과 주사기를 표시합니다. 겔화 과정을 통해 갈 데모 뇌파 전극과 두피 캡을 사용합니다.
  5. 두피의 표면의 평면을 따라 midsagittal inion에 nasion으로부터의 거리를 측정한다. SCAL에 맞게 진행유아 뒤에서 P 모자.
  6. 머리의 정점에 Cz에 전극을 맞 춥니 다. 정렬하고 nasion 및 inion 사이의 거리의 이마에 약 10 % FP1으로하고 FP2 전극을 중심으로 진행합니다. 머리의 midsagittal 평면을 따라 대칭 적으로 두피 캡을 맞 춥니 다. 반드시 중간 전극 [AFZ, FZ, FCZ, CZ, CPZ, 년 Pz, POZ, 오즈]를 확인하는 nasion 및 inion로 정렬됩니다. 이 완료되면, 턱 아래에 달아서 뚜껑을 고정합니다.
    참고 : 그가 / 그녀가 뇌파 캡 장착되는 동안 유아를 방해. 연령에 적합한 비디오는 일반적으로 설치하는 동안 유아를 분산하는 데 사용됩니다.
  7. 컨트롤 박스에 대한 참조, 지상 및 기록 전극을 연결합니다. 컨트롤 박스에서 임피던스 지표를 켭니다.
  8. 접지 전극과 기준 전극을 시작으로, 60 kΩ의 아래의 각 전극 조치의 임피던스까지 두피와 전극 사이의 공간에 전해질 젤을 주​​입하는 작은 주사기를 사용합니다. 이 IND입니다전극에 노란색이나 녹색 빛에 의해 icated. 뇌파 전극 준비에 대한 더 자세한 사항은 4에서 사용할 수 있습니다.
    참고 : 겔화 과정 동안, 유아는 여러 가지 이유로 (호기심, 공포, 전환주의)에 대한 그 / 그녀의 머리를 이동 할 수 있습니다. 그것은 따라서 두 번째 실험 또는 부모가 유아를 방해하는 것을 계속하는 것이 좋습니다. 때문에 피사체의 예상치 못한 움직임에 바늘로 아기의 얼굴을 타격의 위험을 방지하기 위해 유아의 머리 뒤에서 주사기를 사용합니다.
  9. USB 변환기에 광섬유를 사용하여 USB 포트를 통해 호스트 PC에 앰프를 연결합니다.
    참고 : 그림 2A는 뇌파 캡과 IMU 배치와 유아 대상 설정을 보여줍니다. 주제에 부하가없는 이동성을 제공, 전극 케이블과 컨트롤 박스가 개최되는 것을 알 수 있습니다. 그림 (b)는 10 ~ 20 라벨링 시스템 다음 뇌파 캡의 전극 위치의 지형보기를 표시합니다.

3.의 IMU 준비

  1. IMU 소프트웨어를 엽니 다. 그래픽 인터페이스의 "새"를 클릭합니다.
  2. 다음의 IMU를 구성하는 대화 상자에서 "구성"을 클릭합니다. 128 Hz에서의 샘플링 주파수를 설정합니다.
  3. 머리, 가슴, 그리고 유아의 왼쪽과 오른쪽 손목의 IMU를 고정합니다.
    참고 : 그림 2A를 참조하십시오. 병렬에서의 IMU와 실험의 손목에 맞게. 확인의 IMU는 관성 측정 오차를 최소화하기 위하여 본체에 잘 고정된다.
  4. 끈을 사용하여 손목의 등쪽에 손목의 IMU를 놓습니다. 하네스를 사용하여 가슴의 중심 부근의 복부 표면에 가슴 IMU를 놓습니다.
  5. 는 턱의 왼쪽 부근이되도록 두피 캡의 턱 끈을 머리 IMU를 연결합니다. 그들이가 지향 LED 빛으로, 바깥쪽으로 마주 보도록의 IMU를 놓습니다.
    주 :의 IMU는 각각 약 22g의 무게, 그리고 그들의 작은 크기와 가벼운 중량을 m 방해가 어렵다ovement. 추가적인 실험이 단계 2.8에 기재된 이유로 유아를 산만하게 요구 될 수있다.

4. 비디오 캡처 및 데이터 스트림의 동기화

  1. 장소 비디오 카메라 (18) 유아 (12), 배우 (14), 및 LED 트리거 (13)가 모두 명확하게 볼 수 있도록. 그림 4를 참조하십시오.
    참고 : 비디오 레코딩이 시각적 주석과 실험자에 의해 트리거 동작 중 분할뿐만 아니라, 기록 세션의 시작과 끝을 확인하도록 사용된다.
  2. EEG에 트리거 입력 / 출력 인클로저 (7)을 연결 (5)과의 IMU (4). 그림 3을 참조하십시오.
    주 : (7),도 3에 도시 된 사용자 입 / 출력 인클로저는, 하나의 기록으로 기록 된 모든 데이터 스트림 (EEG,의 IMU, 및 비디오)와 이에 사용 이벤트 마커를 정렬하기 위해 설계되었다 (비디오) 또는 분석을 돕기 다른 기록 (예를 들면 뇌파 또는 가속 등). 이는를 사용함으로써 달성된다우울, (DB-25 병렬 포트를 통해) 뇌파에 (땅에 + V) 트리거 펄스를 액티브 로우 보내드립니다 단일 순간 푸시 버튼, 및 비디오 (미니 DIN-6 커넥터를 통해) IMU (기준 비디오 카메라의 뷰)에 동시에 기록 위치의 발광 다이오드 (LED)를 조명하기. 7404 IC 로직 INVERTOR 칩 LED에 전원을 필요한 전압 전위를 제공하는 하이 상태 (+ V)의 펄스를 로우 상태 (접지)를 형질 전환시켰다.
  3. 트리거 누름 버튼과 데이터 수집 시스템에 근접 실험자있다. 실험에서는, 트리거를 조작 실험을하는 동안 데이터 품질 모니터링 및 데이터 저장을 담당하고있다.

테스트 환경 5. 준비

  1. 그림 4를 참조하십시오.

6. 데이터 수집

  1. "임피던스를 선택하여 제어 소프트웨어를 사용 EEG 전극의 임피던스의 초기 값을 녹음"탭, 라디오 버튼을 클릭"임피던스 "(안정화 전극 임피던스 값을 약 5 초 대기) 및 클릭"확인 저장 임피던스 "라디오 버튼은 임피던스를 저장합니다. 그림 5를 참조하십시오.
  2. 어떤 필터는 뇌파 데이터를 수집하는 동안 적용되지 않습니다.
  3. 뇌파 레코더 프로그램에서 뇌파 데이터를 레코딩 시작 후 "재생" "모니터"를 클릭합니다. 그림 6을 참조하십시오.
  4. IMU 소프트웨어에서 IMU 데이터 기록을 시작하기 위해 대화 상자에서 "스트림"다음 "기록"을 클릭합니다. 그림 7을 참조하십시오.
  5. 세 트리거 (III)의 입력 / 출력 케이스 (7)의 누름 버튼을 이용하여 실험의 시작을 신호에 적용한다. 녹음하는 동안 1 분 동안 유아 나머지를 보자. 이것은 초기 기준 데이터를 제공합니다.
  6. 실험을 수행하고 필요에 따라 유아 대상이 휴식을 취할 수 있습니다. 각 실험 재판 차례 촬영 작업으로 구성되어 어디에 배우 쇼개체를 사용하는 유아 동작 (보통, 항상은 아니지만, 장난감), 모방 반응을 개시하기위한 노력으로 유아에 전달하고, 최종적으로 다시 유아에서 객체를 검색한다.
    참고 :이 교환은 일반적으로 4-5 실험이나 유아가 물체에 더 관심을 표시하지 않을 때까지 반복한다.
  7. 세션의 환경을 감안할 때, 비디오 기록을 이용하여 데이터를 수집 한 후, 각 동작의 타이밍이 모든 주석.
  8. EEG 전극 최종 임피던스 값을 기록한다. 단계 6.1를 참조하십시오.
  9. EEG 전극 차원 스캐너와 소프트웨어와 그 대응하는 소프트웨어를 사용 EEG 전극 차원 공간 좌표를 디지털화한다.
  10. 3D 스캐닝 소프트웨어를 시작합니다. "파일"과 "새 작업 공간"을 선택로 이동합니다. 작업 영역의 첫 번째 탭에서의 전극 위치 파일을로드하고 저장 탭에 필요한 정보를 제공한다.
  11. 스캐닝 도구 모음에서, 스타 "를 클릭T 스캔 ". 캡의 변경 등 패턴에 따라 전극의 위치를​​ 스캔, 약 30cm 유아의 머리에서, 3D 스캐너를 사용합니다. 스캔이 완료되면, 소프트웨어는 자동으로 결과를 저장한다.
    주 : 헤드의 뒤쪽에, 케이블 인한 유아의 머리의 작은 크기의 전극에 LED를 차단할 수있다. 소프트웨어는 사용자가 결과를 손상시키지 않고, 주사 전극의 일부를 제거 할 수있다. 필요한 경우 검사에서 후두 전극을 제거합니다.

7. 행동 분할

  1. 실험 세션의 비디오 녹화를 검사하고 트리거 LED가 점멸 시간을 표시 (예, 실험이 시작되고 끝날 때), 때 단계 6.6 시작과 끝에서 이전에 언급 한 행동 중 하나.

8. 소스 영상

  1. 참고 : 소스 이미지가 정확하게의 발전기를 식별 할 수 있습니다EEG의 뇌 내에서 전위 보통 순방향 및 역 문제를 해결하는 5로 구성된다.
  2. 이러한 생활 6, 7의 첫 2 년 (개월) 시대의 함수로 평균 자기 공명 영상 템플릿을 포함하는 신경 발달 MRI 데이터베이스로 공개 데이터베이스의 고해상도 T1 가중 자기 공명 영상 (MRI) 데이터를 수집.
    참고 :이 연구는 유아의 연령에 적합한 앞으로 머리 모델을 사용하고 MRI 템플릿을 선택할 때 따라서 성 정보는 고려하지 않음).
  3. 신경 발달 MRI 데이터베이스 (8)에서 MRI 볼륨으로 (즉, 회백질, 백질, 두피, 내부 또는 외부 두개골) 머리 구획을 포함 경계 요소 모델 (BEM)의 소스 볼륨을 획득.
  4. 전처리 BEM MRI 볼륨 카레 7 또는 유사한 뇌 영상 소프트웨어 패키지에 뇌 헤드 구획면을 추출함으로써 현실적인 헤드 모델을 얻었다.
  5. MRI 가중치 (T1)를 가져옵니다. 수동으로 같은 왼쪽 / 오른쪽 미리 귀의 점과 뇌 영상 소프트웨어 내에서 nasion 또는 유사한 패키지로 세 개의 기준점을 식별합니다.
  6. MRI의 공간과 MRI에 표시된 기준점 피팅에 의해 피사체의 공간 및 뇌 영상 소프트웨어 또는 유사한 패키지를 사용하는 단계 6.9에서 6.11 사이에서 3D 스캐너로 수득 기점 사이 경질 기하학적 변환을 얻었다 EEG 및 MRI 공간을 동시 - 등록한다.
  7. 앞으로 모델을 해결합니다.
    주 : 순방향 문제 머리와 머리 볼륨 9,10의 전기 전도도 특성을 나타내는 형상 헤드 모델의 정의를 포함한다.
  8. 역 문제를 해결
    주 : 역 문제 위치, 강도 및 신호 처리 기술 (11)을 이용하여 두피 EEG 신호로부터 뇌의 소스의 시간 코스를 추정하려고.
  9. 연속 세그먼트작업 개시 약 시험에 뇌파 데이터 (예 :., 모방, 관찰 세그먼트) 2 초 길이의 사전 및 사후 작업을 시작 세그먼트. 각각의 시험에서 "나쁜 채널"및 기타 인공적인 시험의 높은 임피던스와 채널을 확인합니다. 전 공정 이슈 거부 뇌파 데이터는 ICA를 사용하여 이슈가없는 채널을 이웃의 평균 나쁜 채널을 재구성. 12,13,14를.
  10. 최상의 소스 위치를 식별하는 전체 뇌에 걸쳐 검색 자동 최적화 알고리즘에 대한 입력으로서 포워드 모델을 사용한다.
  11. 시각적으로 추정 소스를 분석하고 가장 당신의 기대는 실험의 성격의 사전 지식을 기반으로 일치 솔루션을 선택하고 신중하게 해석한다.
    주 :이 단계로 인해, 역 문제의 부당한 인한 자연 한 가장 바이어스, 즉, 소스의 다른 구성은 동일한 표면 전위를 초래할 수있다. 따라서, 주어진 머리 모델과 역 방법이 잘 작동하는지 확인하기 위해 정신 검사를 수행하는 데 도움이 될 수 있습니다.
  12. 알려진 시뮬레이션 다이폴 지역화, 전성 검사를 수행합니다. 즉, 주어진 헤드 모델 장소 공지 구성 다이폴, 및이 다이폴에 대한 시뮬레이션 된 전압을 얻기 위해 순방향 문제를 해결한다.
  13. 이 시뮬레이션 된 쌍극자를 반환하도록하려면 동일한 헤드 모델이 전압과 역 문제를 해결한다.
    주 :이 새 너티 체크는 초기 높은 정확도로 위치 쌍극자를 반환한다.

결과

그림 8 표시 제목과 실험 사이의 상호 작용 동안 기록 16 초 시간 창의 IMU에서 샘플 뇌파 및 가속도 데이터. EEG 데이터는 100 Hz에서 재 샘플링 한 후, 밴드 패스는 3 차, 0 상 버터 워스 필터를 이용하여 1-40 Hz]로 여과 하였다. 높은 임피던스 값 (Z> 60 kΩ의) 및 주변 채널 채널, 12,15 폐기되었다. 의 IMU는 128 Hz에서 아홉 신호를 기록했다 자속, 각속도, 및 선형 가속을 세 개의 직교 축에서. 여기에서 우리는 중력 보상 (GC) 가속도의 크기를 보여줍니다. 중력 가속도의 영향은 전체 프레임 (16)에 IMU 방향을 예측하기 위해 칼만 필터를 적용하여 보정 하였다. 데이터는 비디오 레코딩 (단계 7.1)을 육안으로 분할 하였다. 점선 수직 라인은 이벤트의 종료를 나타내는 바와 같이, 수직 실선은, 관심의 동작의 시작을 나타낸다.

모션 아티팩트의 영향은 709s 주위에 그림 8의 뇌파 데이터에 존재한다. 이 실험 프로토콜의 데이터 수집에 제약 접근 방식은 눈 깜박, 안구 운동, 운동과 근전도 유물에 민감한 뇌파 데이터를합니다. 데이터는 델타 - 밴드 (1-4Hz)으로 제한하기 위해 3 차 버터 워스 0 상 대역 통과 필터를 사용하여 사전 처리하고, 평균을 감산과 표준 편차로 나누어서 규격화 하였다. 높은 진폭의 유물은 유물 서브 스페이스 제거 (ASR) 방법 (17)를 사용하여 자동으로 제거 하였다. 또한, 주변 채널 근 전위 이슈 오염을 최소화하기위한 노력으로 데이터 분석에서 제외된다. 이마와 측두근 근육의 수축이 주변 지역에서 가장 눈에 띄게 뇌파 신호 병합 : 이마 수축은 전방 위치에 표시하고, 측두근 수​​축 측면 정면과 tempor에 표시알 위치 (15).

이 프로토콜로 수집 된 데이터의 특성을 검사하기 위해, EEG 데이터 히스토그램이도 9a에도 9에 플롯하고, 그 세 개의 전극으로부터 공간적 대표적인 표준 신호의 데이터 분배를 설명한다. EEG 데이터 분석을위한 동작 봉형 분포를 나타낸다. 그림 9B에서 첨도 값은 데이터의 쉽게 육안 검사에 대한 막대 그래프로 표시된다.

분류는 기능의 감소 된 세트의 모델 (가우스 혼합 테스트 / 각 EEG 채널의 시간 기반 시차를 추출하는 각 클래스 (현지 피셔의 판별 분석 (LFDA)) (18)의 지방 분산을 유지하면서 차원을 줄이고, 교육에 의해 수행되었다 모델 (GMM에)) 19. 교육 / 시험 샘플을 무작위로 20 반복 (즉, 교차 검증) 어떤 오븐을 방지하기를 통해 샘플링했다표본의 크기를 er-fitting.Training/testing 것은 거부 채널 (즉, 임피던스보다 큰 60 KHZ), 실험 세션의 길이의 수를 부여하고, 시련과 행동의 수 다릅니다 표현했다. 그러나, 각 클래스 (동작)에 사용될 훈련 및 시험 샘플의 수는 적어도 채워진 클래스의 50 %에 해당한다. 일례로서, 클래스 각각의 테스트 세트 크기는도 10에 도시 한 유아에 대한 데이터 샘플을 1,069. 모든 전처리 및 분류 단계는 MATLAB 프로그래밍 환경 하에서 계산 하였다 N =이다.

도 11은 단계적인 방식으로 본 연구에서 수행 EEG 소스 추정을위한 전체 절차를 도시한다. 각 단계에 대한 자세한 내용은 섹션 8에 요약되어있다.

"도달-제공하는 동안 그림 12는 뮤 리듬 (5-9 Hz) 단위 (비) 동기화 (ERD / ERS) 관련 이벤트의 결과와 다이폴 소스1; 작업. ERS 및 ERD가 기준 간격 (이벤트 이전에 취해진 구간)과 비교하여 이벤트 (도달 제공 태스크)를 발생 간격 동안 주파수 - 대역 전력의 감소 또는 증가를 백분율로 계산 하였다. 이 그림은 또한 유아와 배우의 두 손목에서 작업하는 동안 얻은 중력 보상 크기 가속을 보여줍니다. 다이폴 분석 EEG 신호가 배경 잡음을 제거하기 위해 독립적 성분 분석 (ICA)을 사용하여 분해 하였다. 소스 추정은 고정 MUSIC 알고리즘 (5)을 통하여 ICA 전처리 후 MU 리듬 수행 하였다. 예상 한 바와 같이, 소스는 피사체가 객체를 파악하는 왼손을 사용하면서 오른쪽 일차 운동 영역에 국부적 하였다.

상품명 회사 양
BrainAmp 앰프 뇌 제품, Gmbh의 (2)
actiCAP 뇌파는 64 전극을 캡처 (Capture) * 뇌 제품, Gmbh의 (10)
actiCAP 컨트롤 박스 뇌 제품, Gmbh의 1
뇌 비전 레코더 소프트웨어 뇌 제품, Gmbh의 1
actiCAP 컨트롤 박스 소프트웨어 뇌 제품, Gmbh의 1
CapTrak 뇌 제품, Gmbh의 1
CapTrak 소프트웨어 뇌 제품, Gmbh의 1
오팔 운동 모니터 APDM, Inc의 (6)
오팔 도킹 스테이션 APDM, Inc의 (6)
오팔 무선 액세스 포인트 APDM, Inc의 1
모션 스튜디오 소프트웨어 APDM, Inc의 1
트리거 상자 관습 1
비디오 카메라 HC-W850M, 파나소닉 (주) 1
* EEG 캡 유아 다음 헤드 둘레 크기로 제공 : 42, 44, 46, 48, 50cm. 이 프로토콜은 각 크기의 2 모자의 재고를 권장합니다.

표 1 장비.

figure-results-1
1. 흐름도를 그림. 실험 설정의 (A) 흐름도. (B) 데이터 수집 세션의 흐름도. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-2
그림 2. 제목의etup 및 데이터 수집을위한 준비. (A) EEG 모자를 쓰고 피사체의 정면보기, 4의 IMU. (B) 10 ~ 20 표준 전극의 위치 확인 시스템을 사용하여 64 채널 뇌파 캡의 지형 표현입니다. 을 보려면 여기를 클릭하십시오 이 그림의 더 큰 버전.

figure-results-3
그림 3. 데이터 수집 장비 및 시험 방. (A) 데이터 수집 장치 설정 : EEG 컨트롤 박스 (1), EEG 캡 (2), 트리거 (3), 무선 IMU 데이터 수신기 (4), EEG 증폭기 (5), 장난감 상자 (6), 트리거 누름 버튼 (7), 데이터 수집 노트북 (8)의 IMU 도킹 스테이션 (9). (나) 뇌파 캡, 활성 전극과 컨트롤 박스의 확대합니다. (C)의 IMU와 무선 수신기의 근접 trigge R 푸시 버튼, 뇌파 증폭기 및 데이터 수집 노트북. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-4
실험 설정의 그림 4 도식 표현. 뇌파 컨트롤 박스 홀더 (10). 주제의 보호자 의자 (11)에 앉아, 실험자는 의자 (14)에 앉아와 데이터를 모니터링하는 사람이 의자 (17)에 앉아있다. 실험 장치의 나머지 부분이 표시됩니다. 상호 작용 탁상 (12), 트리거 (13), 장난감 상자 (15), 데이터 수집 테이블 (16), 비디오 카메라 배치 (18) 이의 더 큰 버전을 보려면 여기를 클릭하십시오 그림.

"SRC ="/ 파일 / ftp_upload / 53406 / 53406fig5.jpg "/>
그림 뇌파 제어 소프트웨어 5. 스크린 샷. 화살표는 단계 6.1에서 설명하는 소프트웨어의 주요 아이콘을 가리 6.8. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-5
뇌파 기록 소프트웨어의 그림 6. 스크린 샷. 화살표 단계 6.2 및 6.3에서 설명하는 소프트웨어에 키 아이콘을 가리 킵니다. 라이브 스트리밍 원시 데이터의 섹션이 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

PG "/>
그림의 IMU 소프트웨어의 7 스크린 샷. 빨간색 상자는 단계 6.4에서 설명하는 소프트웨어의 핵심 아이콘을 강조 표시합니다. (가) 주 명령 창을여십시오. (B) 구성 창. (C) 녹화 창. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-6
그림 대표적인 실험 세션에서 8 샘플 데이터. (A) EEG과 가속도 데이터가 도시되고, 양쪽은 대역 통과 [1-40Hz] 여과 하였다. 세션에 걸쳐 낮은 임피던스 (Z <60 kΩ의)와 뇌파 전극이 표시됩니다. 솔리드 수직 라인이 행동 개시를 나타내는 (B)를 아직도 행동에 종사하는 유아의 표현 프레임을 분석 :., 관찰 도달-파악, 도달-제공, Imita을테, 탐색, 나머지. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-7
확인 된 여섯 행동에 대한 뇌파의 진폭의 그림 9. 샘플 히스토그램. ) 표시되는 데이터는 20 개월 된 유아와의 세션에 기록 된 세 개의 전극 (CP2, FC5, POZ)에서 원시 데이터에 해당합니다. 히스토그램은 발생의 가장 많은 수를 확장하고, 각각의 히스토그램의 첨도는 각 플롯의 오른쪽에 표시됩니다. 각 동작에 대한 샘플 데이터의 행동의 대부분. B에 대한 복합 유통) 첨도를 알 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-8
그림 10. 뇌파 자유롭게 행동 유아 12 행동 조치를 예측하고있다. 20 개월 된 유아의 분류 정확도의 샘플 혼동 행렬이 표시됩니다. 전체 디코딩 정확도가 오른쪽 하단 모서리에 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-9
그림 11. 소스 현지화. 해부학 MRI 및 기능 뇌파 데이터를 사용하여 유아 다이폴 소스 현지화에 필요한 단계. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오URE.

figure-results-10
그림 12. 도달-제공 작업 분석 프로파일. 뇌파의 평균 글로벌 필드 전원 뮤 밴드 (5-9 Hz에서), 유아의 사지 운동 궤적에) "도달-서비스를"작업. B를 수행하는 유아의) 스냅 샷 과 배우; 그랜드 모든 채널. C) "운동 시작"과 "운동 완료"의 두 가지 이벤트에 대한 지역화 된 쌍극자 소스에서 이벤트 관련 스펙트럼의 섭동 평균. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

토론

기술 된 프로토콜은 실시간 실험자와 상호 작용하면서 자유롭게 행동 유아로부터 데이터를 수집하는 방법을 제공한다. 그것은 동시에 전략적 신체 위치에의 IMU와 운동 데이터를 기록하는 동안 신경 활동을 캡처하는 모바일 뇌 영상 기술 (두피 뇌파)를 사용한다. 실험 세션은 또한 비디오 카메라에 의해 기록된다. 세 개의 데이터 기록 시스템은 사용자 트리거 시스템을 이용하여 동기화된다.

그 / 그녀가 자유롭게 실험 세션 동안 이동으로 EEG와 IMU 시스템은 피사체에 묶여있다. 정확하게 운동을 캡처 할 수의 IMU는 안전하게 묶여 될 필요가있다. 피사체의 전체 미 제약 이동성을 보장하기 위해, 장치는 가능한 한 최소한으로 방해이어야; 따라서, 홀더의 사용은 EEG 전극의 케이블 및 EEG 컨트롤 박스를 지원한다. 실험은 약 15 분 동안 유아와 상호 작용합니다. INFANT는 상호​​ 작용하는 동안 행동의 시대에 의존하는 레퍼토리를 이끌어내는 것입니다. 이러한 관찰, 탐구, 휴식, 도달-이해에 도달-서비스를 포함하고, 모방. 그러나 일부 유아 인해 피로, 편안함, 또는 스트레스의 부족으로 세션에 협력하지 않으려 할 것이다. 아이가 그 / 그녀의에서 부정적인 응답의 선두로부터 방지하기 위해 가장 역동적이고 활성화 된 경우 실험을 예약해야합니다.

실험의 성질은 세션에 걸쳐 기록 된 데이터의 품질에 대한 위험을 제공한다. 따라서, 기록 세션을 시작하기 전에 모든 연결 및 데이터 품질을 테스트하기 위해, 그리고 세션 동안 연속적으로 그것들을 모니터하는 것이 중요하다. EEG 데이터 시스템이 품질 데이터를 기록되지 않은 경우, 소프트웨어를 중단하고 모든 연결을 분리. 소프트웨어를 다시 시작하거나 노트북에 다시 장비를 연결하기 전에, 기록 하드웨어의 근접에서 가능한 모든 노이즈 소스 (즉, 전원 공급 장치)를 제거합니다. EEG 하드웨어는 전기 노이즈 소스에 가깝게 배치하면 환경 소음을 선택할 수 있습니다 신호 증폭기가 포함되어 있습니다. IMU 수신기, 수신기와 실험과 유아 사이의 시선에서 간섭이없는 것을 확인합니다.

이 실험 장치는 두피의 표면에 전기적 활성도를 측정함으로써 높은 시간적 해상도 신경 데이터를 제공한다. 최근 연구에서 제안 된 데이터 수집 방식은 신경의 더 나은 이해가 발생할 수 있음을 시사 표현의 움직임 (20)에 대한 분류 정보를 식별하기 위해, 전신 운동과 함께 이들 신호를 이용하는 가능성 및 기능 동작 (21, 22)을 보여 주었다 유아 모방의 기초.

뇌 역학 13,20,21를 적용 강력한 기계 학습 알고리즘을 특징으로 최근의 기여는 자연 그 자체의 표면 전위를 연구하기 위해 성장 툴킷을 구축하고있다ttings. 이 제안 된 설정은 연구 질문에 대한 가능성의 스펙트럼이 2,22를 해결해야합니다. 특히, 피사체의 많은 인구에 기초 유아인지 모터 개발 신경 기초 이해)에 집중 조사에 적용될 수있다; b)는 들어오는 행동 행동의 예측해야한다 '행동과 상황'에있는 아기의 의도의 신경 기초를 이해; C) 개발 뇌의 개성과 다양성을 특징 짓는 것이 일반적인 독특한 신경 패턴을 정량화; 및 d) 모방하고 학습 과정의 출현을 연구. 이러한 목표는 정보를 뇌 유래 전위 운동 또는 근육 유물 12,20,23 모두에서 통계적으로 풍부한 데이터를 처리 할 수 있습니다 기계 학습 알고리즘의 배포를 수반한다.

본 연구는 유아 EEG 데이터를 이용하여 피질 소스 및 전계 전위를 추정하려고 시도. 으로 인해이러한 유아 헤드 전도도 값 및 피질 두께의 물질 기술의 부족 등의 기술적 인 문제는, 헤드 모델의 정확한 모델링은 어려운 작업이다. 추가 연구는 유아 24 비침 지역 조직 도전 추정치가 필요하다. 유아 MRI 데이터의 두피 표면 분할로 인해 개발 인간의 뇌 (25)의 이미지에서 볼 수있는 가난한 대비에 추가로 도전을 선물한다. 미래 연구는 이러한 어려움을 해결하기 위해 필요와 유아 발달과 행동의 다양한 신경 생리 학적 상관 관계를 추정한다.

마지막으로, 제안 된 실험 프로토콜 및 방법 등의 가능성이 자폐증 스펙트럼 장애 (ASD)와 유아로 발달 장애를 가진 사람들의 연구에 배치 될 수있다. 이러한 애플리케이션에서는, 두 그룹 (제어 및 ASD)을 특성화하기 대조군과 적절한 발달 평가를 포함하는 것이 바람직 할 것이다. 시험을위한PLE, 연구 그룹은 자폐증 진단 관찰 스케줄 (26) 평가 유아 형제 (ASD에 대한) 모든 위험이 높은 구성 될 수있다, 증상의 심각도 (27)와 조기 교육 (28)의 현상금 저울은 일반적인인지 능력을 특성화한다. 가능한, 확산 강조 MRI 검사는 29 매우 바람직 할 것이다 경우.

공개 사항

Brain Products와 Brain Vision은 저널에서 부과하는 오픈 액세스 비용을 친절하게 지원했습니다.

감사의 글

이 작품은 아동 건강 및 인간 개발 (NICHD) 상 # 1 P01의 HD064653-01의 유니스 케네디 슈라이버 국립 연구소에 의해 지원되었다. 내용은 전적으로 저자의 책임이며 반드시 NICHD 또는 국립 보건원의 공식 견해를 대변하지 않습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
BrainAmp 증폭기뇌 제품, Gmbh
actiCAP EEG 캡- 64 전극*뇌 제품, Gmbh
actiCAP 컨트롤 박스브레인 제품, Gmbh
브레인 비전 레코더 소프트웨어 v1.20.0601브레인 제품, Gmbh
actiCAP 컨트롤 박스 소프트웨어 v1.2.5.2브레인 제품, Gmbh
CapTrakBrain Products, Gmbh
CapTrak 소프트웨어 v1.0.0Brain Products, Gmbh
Opal 움직임 모니터APDM, Inc
Opal 도킹 스테이션APDM, Inc
Opal 무선 액세스 포인트APDM, Inc
Motion Studio 소프트웨어 v1.0.0.201503302222APDM, Inc
트리거 박스커스텀
비디오 카메라HC-W850M, Panasonic Co.
*EEG 캡은 유아용 머리 둘레 크기가 42, 44, 46, 48, 50cm로 제공됩니다. 이 프로토콜의 경우 각 크기의 캡 2개를 권장합니다. 

참고문헌

  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).

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

EEGEEG IMU

관련 논문