Method Article

미세 및 휴식 상태 Electroencephalography의 오메가 복잡도 분석

DOI:

10.3791/56452

⸱

June 15th, 2018

 ,  , 
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 문서에서는 설명 합니다 프로토콜 기본 electroencephalography (뇌 파) 미세 분석 및 오메가 복잡도 분석, 두 참조 무료 뇌 파 측정은 매우 귀중 한 뇌 장애의 신경 메커니즘을 탐구 하 고.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

미세 및 오메가 복잡성 가지 두 참조 무료 electroencephalography (뇌 파) 조치를 뇌 파 데이터의 시간적, 공간 복잡성을 나타낼 수 있습니다 일부 뇌 장애에서 신경 메커니즘을 조사 하기 위해 널리 사용 되 고 있다. 이 문서의 목표는 뇌 파 미세와 오메가 복잡도 분석 단계 기본 프로토콜을 설명 하기 위해입니다. 이 두 측정의 주요 장점은 그들이 전통적인 스펙트럼 분석에 내재 된 참조 종속 문제를 없앨 수 있습니다. 또한, 미세 분석 수 휴식 상태 뇌 파의 높은 시간 해상도의 그리고 4 얻은 미세 클래스 각각 해당 휴식 상태 네트워크를 일치 하는 수 있습니다. 오메가 복잡성 단일 채널에 신호 복잡성에 초점을 맞추고 전통적인 복잡도 측정에 비해 명백한 장점이 뇌 또는 특정 두뇌 지구, 공간 복잡성을 특징. 이 두 가지 뇌 파 측정 일시 및 공간 도메인에서 뇌 복잡성을 각각 조사를 서로 보완 수 있습니다.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Electroencephalography (뇌 파) 이후 비 침범 성, 낮은 costed은 매우 높은 시간 해상도1임상 진단 및 과학 연구에서 인간의 뇌의 전기 활동을 기록 하는 데 널리 사용 되었습니다. 휴식 상태에서 뇌 파 신호를 공부 하기 위하여 연구자는 많은 뇌 파 기법 (예: 파워 스펙트럼 분석, 기능적 연결 분석)2,3를 개발 했습니다. 이러한 미세 분석 및 오메가 복잡도 분석 만들 수 있습니다 공간 및 시간 정보를 잘 활용 뇌 파 신호4에.

이전 연구 것으로 나타났습니다 있지만 뇌 파 신호의 지형 분포 눈 마감 시간이 지남에 다릅니다 또는 눈-개방 상태를 휴식, 순간 지도 시리즈 쇼의 풍경, 불연속 변화 즉, 교대로 반복 되는 안정성의 기간 특정 준 안정 된 뇌 파 topographies5사이의 짧은 전환 기간. Microstates 80와 120 ms1사이 지속 하는 준 안정 된 뇌 파 topographies와이 에피소드로 정의 됩니다. 이후 다른 전기 잠재적인 풍경 다른 신경 소스에 의해 생성 된 합니다, 이러한 microstates mentation의 기본 블록으로 받을 수 있습니다 하 고 "생각과 감정의 원자"6으로 간주 될 수 있습니다. 현대 패턴 분류 알고리즘을 사용 하 여, 뇌 파 미세 클래스 휴식 4 일관 되 게 관찰 되었습니다, 클래스 A, 클래스 B, 클래스 C, 클래스 D7이라고 표시 되었다는. 또한, 연구팀은 뇌 파 데이터 휴식의이 4 개의 미세 클래스 많은 휴식 상태 fMRI (기능성 자기 공명 영상) 연구8,9에서 잘 알려진 기능 시스템과 밀접 하 게 관련 했다 밝혀 . 따라서, 미세 분석 인간 두뇌의 휴식 상태 네트워크 (RSNs) 연구에 새로운 접근 방식을 제공 합니다. 또한, 평균 기간 및 각 미세 클래스, 4 개의 미세 지도의 지형 모양의 발생 빈도 크게 영향을 일부 뇌 장애4,,1011, 연결 된 유체 지능12 및 성격13.

다른 측면에서 다중 채널 EEG의 전통적인 기능 연결 수만 따라서 두 피 전체 또는 특정 뇌 영역 내에서 글로벌 기능 연결을 평가 하는 데 실패 하는 2 개의 두 피 전극 사이 기능적인 연결을 설명 합니다. 오메가 복잡성, Wackermann (1996 년)14 에 의해 제안 되 고 주성분 분석 (PCA)와 섀 넌 엔트로피 접근 방식을 통해 계산 공간 사이의 광대역 글로벌 동기화를 계량 하는 데 사용 되었습니다. 분산 된 뇌 영역입니다. 각 주파수 대역의 오메가 복잡성을 평가, 푸리에 변환 일반적으로 초기 단계25로 실시 되었다.

Microstates와 오메가 복잡성은 두 개의 밀접 하 게 연결 된 개념, 즉, 시간 복잡도 공간 복잡성4에 맞게 사용할 수 있습니다. 이후 미세 클래스 대표 인간 두뇌에 있는 특정 정신 작업, 그들은 신경 진동의 시간적 구조를 반영할 수 있다. 낮은 기간 및 초당 더 높은 발생 비율 높은 시간 복잡도 지정 해야 합니다. 오메가 복잡성 긍정적으로 관련 된 두뇌에 독립적인 신경 원의 수, 따라서 일반적으로 간주 됩니다 공간 복잡성4의 지표로 서.

현재 문서에서는 뇌 파 미세 분석 및 세부 사항에 오메가 복잡도 분석 프로토콜을 설명합니다. 뇌 파 미세와 오메가 복잡도 분석 각각 두뇌 활동의 시간적, 공간 복잡성을 측정 하기 위해 기회를 제공 합니다.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 프로토콜은 로컬 윤리 위원회에 의해 승인 되었다. 모든 참가자와 그들의 부모는이 실험에 대 한 동의 양식 서명.

1입니다. 과목

  1. 15 건강 한 남성 사춘기 과목, 누구의 나이 범위는 14에서 22 년 포함 (± 표준 편차 의미: 18.3 ± 2.8 년).
    참고: 현재 프로토콜 미세와 오메가 복잡도 분석을 건강 한 주제에 대 한 개발 되었습니다 하지만이 그룹에 제한 되지 않습니다.

2. 뇌 파 데이터 기록

  1. 뇌 파 데이터 기록 된 침묵, 온도 제어 룸에서 편안한의 자에 앉아 주제 요청. 이 프로토콜에서 개미 뇌 파 시스템을 사용 하 여 20 채널 뇌 파 데이터를 수집 합니다.
  2. 피사체의 머리에 모자를 넣어.
    1. 대부분 사춘기 또는 남성 과목에 대 한 적합 한 이후이 연구에서 중간 크기와 모자를 사용 합니다. 어린이 위한 각 과목의 머리 둘레를 측정 하 고 적당 한 크기와 모자를 확인 하십시오.
    2. 약 inion와 교정 사이 거리의 50% 및 왼쪽 및 오른쪽 간 청각 톱니 사이의 거리의 50%에 전극 Cz를 놓습니다. 왼쪽 및 오른쪽 mastoid 뼈에 각각 참조 전극을 놓습니다. 10-20 시스템에 따라 국제 표준 위치에 다른 두 피 전극을 놓습니다.
      참고: 한 전극 시스템 및 뇌 파 20 채널 증폭기는 EEG 미세 분석 및 오메가 복잡도 분석에 대 한 충분 한.
  3. 전극을 통해 무딘 바늘을 삽입 하 여 전도성 젤으로 모든 전극을 채우십시오. 전도성 젤을 사용 하 여 낮은 임피던스. 10 kiloohms (ω) 보다 낮은 모든 전극 임피던스를 유지.
    1. 과목에 대 한 몇 가지 엔터테인먼트를 제공 하는이 기간 동안 (예를 들어, 단편 영화 보기). 건조 전극 또는 염 분 전극 사용, 전도성 젤을 주입 하는 단계를 건너뜁니다.
  4. 눈 감고 5 분 디지털화 소프트웨어를 사용 하 여 디지털화 하 고 뇌 파를 기록 하는 지속 신호 기록 하는 동안 긴장을 주제를 지시 합니다. 적어도 250 샘플/미 0.1 보다 광범위 한 온라인 필터를 사용 하 여 및 80 Hz의 샘플링 속도 사용 합니다.
    참고: 대부분의 상용 가능한 전극 증폭기 시스템 사용 하 여 뇌 파 신호 대 잡음 비율에 신호를 향상 시킬 수 있는 활성 전극 시스템 배치 하지 마십시오 어떤 전기 장치 든 지에 가까운이 시스템 뇌 파 기록 중.

3. 뇌 파 데이터 전처리

참고: 뇌 파 데이터 수 수 전처리 다양 한 오픈 소스 또는 상용 소프트웨어를 사용 하 여. 아래에 제공 된 지침 EEGLAB에 대 한 특정 있습니다. 이 뇌 파 데이터 전처리에 많은 사용 가능한 옵션 중 하나일 뿐입니다.

  1. 뇌 파 소프트웨어 (예: EEGLAB)를 원시 뇌 파 데이터 가져오기 (파일 | 데이터 가져오기 | EEGLAB 함수를 사용 하 여 및 플러그인).
    참고: 다양 한 전극 증폭기 시스템에서 기록 된 원시 뇌 파 데이터는 EEGLAB, EGI, 개미, 등에 의해 인식 될 수 있는 뇌 비전 레코더, 그리고 Neuroscan.
  2. 뇌 파 소프트웨어 채널 위치 파일 로드 (편집 | 채널 위치)입니다. 비록 뇌 파 데이터 및 채널 이름 EEGLAB을 가져온,이 전극의 공간 위치를 얻기 위하여 뇌 파 소프트웨어에 채널 위치 파일을 가져옵니다.
  3. 기준 전극 제거 (편집 | 데이터 선택 | 선택 데이터 채널 범위에서). "선택 데이터는 채널 범위에서" 팝업 대화 상자의 옵션에서 기록 전극만을 선택 하 고 참조 전극 제거 될 수 있도록 참조 전극 선택 하지 마십시오. 이후이 두 전극은 각각 왼쪽 및 오른쪽 mastoid 뼈에 배치 됩니다 참조 전극에 기록 된 데이터는 '진정한' 뇌 신호, 아니다.
  4. 밴드 패스 필터 뇌 파 데이터 0.5와 80 Hz 사이 (도구 | 데이터 필터링 | 기본 FIR 필터 [새, 기본]). 팝업 대화 상자에서 "주파수 패스 밴드 (Hz)의 낮은 가장자리", 5를 선택 하 고 "주파수 패스 밴드 (Hz)의 더 높은 가장자리"에 대 한 80를 선택 합니다. 그런 다음 "확인" 버튼을 클릭 합니다.
  5. 49 및 51 Hz 사이 노치 필터와 함께 전원 라인 노이즈 제거 (도구 | 데이터 필터링 | 기본 FIR 필터 [새, 기본]). 팝업 대화 상자에서 "주파수 패스 밴드 (Hz)의 낮은 가장자리", 대 한 49 고 51 "주파수 패스 밴드 (Hz)의 더 높은 가장자리"에 대 한 선택 선택한 "노치 필터 통과 대역 대신 데이터"의 옵션을 선택 합니다. 그런 다음 "확인" 버튼을 클릭 합니다.
  6. 눈 운동, 전도 (EMG) 또는15장 님 소스 분리 (BSS) 알고리즘 사용 하 여 다른 비 생리 적인 유물에 의해 오염 된 데이터 부분을 수정 합니다. 눈의 움직임, 클릭 도구 | AAR 1.3을 사용 하 여 아티팩트 제거 | EOG 제거 | BSS;를 사용 하 여 EMG, 도구 | AAR 1.3을 사용 하 여 아티팩트 제거 | EMG 제거 BSS를 사용 하 여입니다.
  7. Epoch 길이 2의 신 기원에 미리 처리 된 연속 뇌 파 데이터 세그먼트 s. 이 작업을 수행 하려면 '뇌 파 = eeg_regepochs (뇌 파, '되풀이', 2, '제한', [0 2], 'rmbase', 할머니); pop_saveset(EEG)', 다음 키보드의 Enter 키를 누르십시오. 창이 팝업 됩니다 세그먼트 뇌 파 데이터의 저장을 허용 하는.
  8. 뇌 파 소프트웨어를 세그먼트 뇌 파 데이터 가져오기 (파일 | 기존 데이터 집합 로드).
  9. 어떤 전극에 ± 80 µ V를 초과 하는 진폭 값 EEG epochs 거부 (도구 | 데이터 신기를 거부 | 데이터 [모든 방법] 거부).
  10. 전처리 된 뇌 파 데이터 저장 (파일 | 현재 데이터 집합으로 저장).

4. 뇌 파 미세 분석

참고: 고전 k-means 클러스터링 알고리즘의 수정된 된 버전 미세 클래스 분석16, 상향식 절차와 최대 아래 절차는 사용 됩니다. 상향식 절차에서 그룹 수준 미세 클래스 공간 상관 관계를 사용 하 여 클러스터링 기준으로 식별 됩니다. 다음 위쪽-아래쪽 절차에서 각 지형 지도 각 그룹에 각 과목의 최대 공간 상관 관계 된 뇌 파 미세 클래스에 할당 됩니다. 휴식 상태 뇌 파 미세 분석에 대 한 지형도의 극성은 일반적으로 무시 된다. 뇌 파 미세 클래스 분석을 할 수 있는 CARTOOL, sLORETA, 등 다양 한 오픈 소스 소프트웨어를 사용 하 여 엠마와 MapWin. 아래에 제공 된 지침은 Microstates의 EEGLAB 플러그인에 대 한 특정 있습니다. EEGLAB 플러그인이 https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins에서 다운로드 받을 수 있습니다.

  1. 각 주제에 대 한 전처리 뇌 파 데이터 로드 (파일 | 일반적인 평균 참조 데이터 집합을 기존 하는 부하의 경우) 변환 참조 채널 (도구 | 다시 참조), 그리고 대역 통과 필터 2와 20 Hz 사이 뇌 파 데이터 (도구 | 데이터 필터링 | 기본 FIR 필터 [새, 기본]).
  2. 각 주제에 4 개의 미세 지도 식별 (도구 | Microstates | 식별 미세 지도). 팝업 대화 상자에서 "클래스의"분 번호 3을 선택, "클래스의"최대 번호 6을 선택, 다시 시작 "수"에 대 한 50, "최대 수 사용 하 여 지도", 선택 선택한 "GFP 피크만"와 "극성"의 옵션을 선택. 그런 다음 "확인" 버튼을 클릭 합니다.
  3. 지도 자체 미세 식별 후 각 과목의 뇌 파 데이터 저장 (파일 | 현재 데이터 집합으로 저장).
  4. 마지막 단계에서 한 번에 저장 하는 모든 과목의 뇌 파 데이터 집합 가져오기 (파일 | 기존 데이터 집합 로드).
  5. 그룹 수준 미세 지도 식별 (도구 | Microstates | 평균 미세 지도 데이터 집합에서). 팝업 대화 상자에서 옵션에서 모든 과목의 데이터 집합 "평균에 대 한 설정 선택" 선택 합니다. 옵션 "의 이름"에서 그룹 수준 미세 지도 대 한 이름을 주어 라. 기본 이름은 "GrandMean"입니다. 그런 다음 "확인" 버튼을 클릭 합니다. 이것은 "GrandMean" 그룹 수준 미세 지도 저장으로 라는 새 데이터 집합을 만듭니다.
  6. 수동으로 정렬 하는 그들의 고전적인 순서에 따라 4 개의 그룹 수준 미세 지도의 순서 (그림 | 미세 지도 편집). 팝업에 "더", 선택 하 고 다음 표시 된 지도 수 됩니다 4. "남자 정렬"을 선택 합니다. 팝업 대화 상자에서 4 개의 그룹 수준 미세 지도의 새로운 질서를 입력 합니다. 그런 다음 "닫기" 클릭.
  7. 각 과목의 4 개의 미세 지도의 순서 정렬 (도구 | Microstates | 개별 미세 지도 의미에 따라 정렬).
  8. 각 과목의 미세 매개 변수 저장 (도구 | Microstates | 계량 데이터 [평균 서식 지도] 집합의 microstates)는 순차적으로 두 개의 팝업 대화 상자를 호출 합니다.
    1. 첫 번째 대화 상자에서 모든 과목의 데이터 집합을 선택 합니다. 두 번째 대화 상자에서 "4 클래스" 클래스의 "수" 옵션을 선택 "피팅 GFP 봉우리에 만" 옵션을 선택한 "제거는 잠재적으로 microstates 잘린", 30 "레이블 창 (ms)를 부드럽게" 선택한 선택 "비 매끄러운에 대 한 1 페널티 "입니다. "확인"을 클릭 합니다. Csv 파일 미세 매개 변수를 저장 하는 컴퓨터에 저장 됩니다.

5. 오메가 복잡도 분석

  1. 각 신 기원의 뇌 파 데이터를 저장 하 고 각 주제에 ASCII 또는 txt 형식을 사용 하 여 사용자 지정 스크립트. 5.1 단계에 대 한 사용자 지정 된 스크립트의 예는 보충 물자에 찾아낼 수 있었다.
    참고: 글로벌 오메가 복잡성을 계산 하는 경우 모든 두 피 전극의 뇌 파 데이터 ASCII 또는 txt 형태로 내보낼 필요는 합니다. 지역 오메가 복잡성을 계산 하는 경우 그 두 피 지역에서 전극의 EEG 데이터만 내보냅니다. 예를 들어 앞쪽 오메가 복잡도 계산 하기 위하여 앞쪽 지역 (즉, Fp1, Fp2, F7, f 3, Fz, F4 및 f 8);에서 전극의 EEG 데이터만 수출 후부 오메가 복잡도 계산 하기 위하여 후부 지역 (즉, T5, T6, P3, P4, Pz, o 1와 O2)에 전극의 EEG 데이터만 내보냅니다.
  2. 17 sLORETA 소프트웨어 사용 하 여 모든 개별 주파수의 오메가 복잡도 계산 (유틸리티 | 글로벌 연결)입니다. 이 소프트웨어는 http://www.uzh.ch/keyinst/loreta.htm에 있다.
  3. 26사용자 지정된 스크립트 사용 하 여 각 주파수 대역의 오메가 복잡성을 계산 합니다. 우리의 경우, 계산 각 주파수 제한 내 평균 값으로 다음 8 주파수 대역의 오메가 복잡성을 델타 (0.5-3.5 Hz), 세타 (4-7.5 Hz), alpha1 (8-10 Hz), alpha2 (10.5-13.5 Hz), beta1 (14-18 Hz), beta2 (18.5-30 Hz), gamma1 ( 30.5-48 Hz), 그리고 gamma2 (52-80 Hz)4. 단계 5.3에 대 한 사용자 지정 된 스크립트의 예는 보충 물자에서 찾아낼 수 있었다.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

뇌 파 미세

그랜드 의미 정규화 된 미세 지도 그림 1에 표시 됩니다. 여기 확인이 4 개의 미세 클래스의 전기 잠재적인 풍경 이전 연구4에서 발견 된 매우 유사 하다.

평균 및 표준 편차 (SD)는 건강 한 과목의 미세 매개 변수는 표 1에 표시 했다. 미세 클래스 A에 대 한 발생 율은 3.44 ± 1.29 회 / s, 그리고 기간 이었다 미세 클래스 B에 대 한 72 ± 13 양, 발생 율은 3.54 ± 0.85 배 / s, 그리고 기간 미세 클래스 C 71 ± 18 양, 발생 율은 3.85 ± 0.63 번 / s 그리고 기간 미세...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 문서에서는, 두 종류의 뇌 파 분석 방법 (즉, 미세 분석 및 오메가 복잡도 분석), 시간적 복잡도 인간 두뇌의 공간 복잡도 각각 측정, 자세히 설명 했다. 언급 해야 하는 프로토콜 내에서 몇 가지 중요 한 단계가 있습니다. 첫째, 뇌 파 데이터 미세 및 오메가 복잡성의 계산 하기 전에 청소 되어야 한다. 둘째, 미세 및 오메가 복잡성의 계산 하기 전에 평균 참조에 대 한 뇌 파 데이터를 remontaged 해야 합니다. 셋째, 연속 뇌 파 데이터 미세 및 오메가 복잡성의 계산 전에 신 기원에 세그먼트 해야 합니다. 각 신 기원의 길이 2 여야 합니다. 마지막으로 s., 미세 분석에 사용할 수 있는 소프트웨어는 Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm), 및 MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin)입니...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자는 공개 없다.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 문서는 국가 자연 과학 재단의 중국 (31671141)에 의해 지원 되었다.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
ANT 20 채널 EEG / ERP 시스템ASA-Lab, ANT B.V., 네덜란드회사 웹 주소 :
http://www.ant-neuro.com/
EEGLAB 마이크로 스테이트 플러그인토마스 Koenighttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETA로베르토 D. 파스쿠알 - 후작http://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010a 매스웍스(MathWorks Inc.)회사 웹 주소 :
http://www.mathworks.com/
EEGLABSwartz Center for Computational Neuroscience, University of California, San Diegohttps://sccn.ucsd.edu/eeglab/index.php

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
  3. Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
  4. Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
  9. Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912(2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
  21. Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
  22. Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EEG Microstate AnalysisOmega ComplexityResting state EEGEEG PreprocessingBandpass FilteringArtifact RemovalMicrostate MappingGroup Level AnalysisEEG Lab SoftwareReference free EEG

Related Articles