Summary
Questo articolo viene descritto il protocollo sottostante l'elettroencefalografia (EEG) microstato analisi e analisi di complessità di omega, che sono due misure di EEG privo di riferimento e preziosa per esplorare i meccanismi neurali di disturbi cerebrali.
Abstract
Complessità di microstato e omega sono due misure di riferimento-libero l'elettroencefalografia (EEG) che possono rappresentare la complessità spaziale e temporale dei dati EEG e sono stati ampiamente usati per studiare i meccanismi neurali in alcuni disturbi del cervello. L'obiettivo di questo articolo è di descrivere il protocollo sottostante analisi di EEG microstato e omega complessità passo dopo passo. Il vantaggio principale di queste due misure è che essi potrebbero eliminare il problema di riferimento-dipendente inerente all'analisi di spettro tradizionale. Inoltre, analisi di microstato fa buon uso della risoluzione temporale elevata di EEG in stato di riposo, e le quattro classi di microstato ottenuti potrebbero corrispondere le reti di stato riposo corrispondente rispettivamente. La complessità di omega caratterizza la complessità spaziale dell'intero cervello o regioni specifiche del cervello, che ha l'ovvio vantaggio rispetto a misure di complessità tradizionali concentrandosi sulla complessità di segnale in un singolo canale. Queste due misure di EEG potrebbero completarsi a vicenda per indagare la complessità del cervello dal dominio temporale e spaziale, rispettivamente.
Introduction
L'elettroencefalografia (EEG) è stato ampiamente utilizzato per registrare l'attività elettrica del cervello umano sia nella diagnosi clinica e della ricerca scientifica, poiché è non invadente, è costato basso ed ha una risoluzione temporale molto alta1. Al fine di studiare i segnali EEG in stato di riposo, i ricercatori hanno sviluppato molti EEG tecniche (ad es., analisi dello spettro di potenza, analisi di connettività funzionale)2,3. Di questi, microstato analisi e analisi di complessità omega potrebbe fare buon uso delle informazioni spaziali e temporali insite nel EEG segnali4.
Precedenti ricerche hanno dimostrato che sebbene la distribuzione topografica dei segnali EEG varia nel tempo in occhio chiuso o occhio-aperto stato di riposo, la serie di momentanee mappe mostrano cambiamenti discontinui dei paesaggi, ovvero, periodi di stabilità alternati con periodi di transizione breve tra certi quasi-stabile di topografie di EEG5. Microstati sono definiti come questi episodi con quasi-stabile topografie di EEG, che durano tra 80 e 120 ms1. Poiché diversi paesaggi di potenziale elettrici devono essere state generate da diverse sorgenti neuronali, questi microstati possono qualificarsi come i blocchi base di attuazione e possono essere considerati come "atomi di pensiero ed emozione"6. Utilizzando algoritmi di classificazione moderni pattern, quattro classi di microstato EEG a riposo sono stati costantemente osservati, che sono stati etichettati come classe A, classe B, classe C e classe D7. Inoltre, i ricercatori hanno rivelato che queste quattro classi di microstato di dati EEG a riposo sono stati strettamente associate con ben noti sistemi funzionali osservati in stato di riposo fMRI (risonanza magnetica funzionale) molti studi8,9 . Così, l'analisi di microstato fornito un nuovo approccio per studiare le reti di stato riposo (RSNs) del cervello umano. Inoltre, la durata media e la frequenza di occorrenza di ogni classe di microstato, la forma topografica delle quattro mappe microstato sono significativamente influenzati da qualche cervello disturbi4,10,11, e sono associati con l'intelligenza fluida12 e personalità13.
Nell'altro aspetto, tradizionale connettività funzionale di EEG multicanale potrebbe descrivere solo i collegamenti funzionali fra due elettrodi del cuoio capelluto, quindi non è riusciti a valutare la connettività funzionale globale attraverso il cuoio capelluto o all'interno di una determinata regione del cervello. La complessità di omega, proposta da Wackermann (1996)14 e calcolata attraverso un approccio che unisce analisi delle componenti principali (PCA) e l'entropia di Shannon, è stata utilizzata per quantificare la sincronizzazione globale di banda larga tra spazialmente distribuite le regioni del cervello. Al fine di valutare la complessità di omega di ciascuna banda di frequenza, trasformata di Fourier comunemente è stato condotto come un passo iniziale di25.
I microstati e la complessità di omega può essere utilizzati per riflettere due concetti strettamente collegati, vale a dire, la complessità temporale e complessità spaziale4. Poiché le classi microstato rappresentano determinate operazioni mentali nel cervello umano, essi possono riflettere la struttura temporale delle oscillazioni di un neurone. Durata inferiore e superiore frequenza di occorrenza al secondo deve indicare complessità temporale superiore. La complessità di omega è correlata positivamente con il numero di fonti indipendenti neurali nel cervello, così sono comunemente considerati come un indicatore di complessità spaziale4.
L'articolo attuale descrive il protocollo di EEG microstato analisi e analisi di complessità di omega in dettaglio. Le analisi di complessità EEG microstato e omega offrono l'opportunità di misurare la complessità spaziale e temporale dell'attività cerebrale rispettivamente.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Questo protocollo è stato approvato dal comitato etico locale. Tutti i partecipanti e i loro genitori hanno firmato un modulo di consenso informato per questo esperimento.
1. soggetti
- Includere solo 15 soggetti adolescenti maschi sani cui età varia da 14 a 22 anni (media ± deviazione standard: 18,3 ± 2,8 anni).
Nota: L'attuale protocollo per analizzare la complessità microstato e omega è stato sviluppato per soggetti sani, ma non è limitato a questo gruppo solo.
2. registrazione di dati EEG
- Chiedi a in soggetti di sedersi su una comoda sedia in una stanza silenziosa, temperatura controllata, dove i dati di EEG è stati registrati. Raccogliere i dati di 20 canali EEG utilizzando il sistema ANT EEG in questo protocollo.
- Inserire il cappuccio sulla testa degli oggetti.
- In questo studio, è possibile utilizzare un tappo con medie dimensioni, dato che era adatto per i soggetti più adolescente o di un maschi. Per i bambini, si prega di misurare la circonferenza della testa di ogni soggetto e determinare il tappo con dimensioni adatte.
- Posizionare l'elettrodo Cz a circa il 50% della distanza tra inion e nasion e il 50% della distanza tra sinistra e destra Inter-aural rientranze. Posizionare gli elettrodi di riferimento sull'osso mastoide sinistro e destro, rispettivamente. Posizionare altri elettrodi del cuoio capelluto presso le posizioni standard secondo l'international sistema 10-20.
Nota: Un sistema di elettrodi ed EEG amplificatore con 20 canali è sufficiente per EEG microstato analisi e analisi di complessità di omega.
- Riempire tutti gli elettrodi con gel conduttivo inserendo un ago attraverso gli elettrodi. Utilizzare il gel conduttivo per abbassare l'impedenza. Tenere tutte le impedenze elettrodo inferiore a 10 kiloohm (kΩ).
- Durante questo periodo, fornire qualche intrattenimento per i soggetti (per esempio, mostrare un cortometraggio). Se viene utilizzato un elettrodo asciutto o un elettrodo di salino, ignorare il passaggio di iniezione di gel conduttore.
- Istruire i soggetti per rilassarsi con gli occhi chiusi durante la registrazione, che dura 5 min. uso il software di digitalizzazione per digitalizzare e registrare l'EEG del segnale. Utilizzare una frequenza di campionamento di almeno 250 campioni/s. uso un filtro di linea più ampio di 0.1 e 80 Hz.
Nota: Anche se più commerciali disponibili elettrodo-amplificatore sistemi utilizzano un sistema elettrodo attivo, che potrebbe migliorare il rapporto segnale-rumore del segnale EEG, non posizionare il sistema vicino ai dispositivi elettrici durante la registrazione di EEG.
3. EEG dati pre-elaborazione
Nota: Dati EEG potrebbero essere pre-elaborati utilizzando vari open source o software commerciale. Le istruzioni riportate di seguito sono specifiche per EEGLAB. Questo è solo uno su molte opzioni disponibili per pre-elaborare dati EEG.
- Importare i dati grezzi di EEG per il software di EEG (ad es., EEGLAB) (File | Importare dati | Utilizzo delle funzioni EEGLAB e plugin).
Nota: I dati grezzi di EEG registrati da vari sistemi di elettrodo-amplificatore possono essere riconosciuti da EEGLAB, quali EGI, formica, cervello visione registratore e TAC. - Caricare il file del percorso del canale nel software EEG (Edit | Posizioni di canale). Anche se EEGLAB sono stati importati i dati EEG e i nomi dei canali, è possibile importare un file di posizione di canale nel software EEG per ottenere le posizioni spaziali di questi elettrodi.
- Rimuovere gli elettrodi di riferimento (Edit | Selezionare dati | Selezionare i dati nell'intervallo di canale). Nell'opzione di "Selezionati dati nell'intervallo di canale" della finestra di dialogo a comparsa, selezionare solo gli elettrodi di registrazione e non selezionare gli elettrodi di riferimento in modo che gli elettrodi di riferimento possono essere rimosso. I dati registrati in elettrodi di riferimento non sono segnale di 'vero' cervello, poiché questi due elettrodi vengono posizionati sull'osso mastoide sinistro e destro, rispettivamente.
- Banda dati filtro EEG pass tra 0,5 e 80 Hz (strumenti | Filtrare i dati | Filtro di base FIR [nuovo, valore predefinito]). Nella finestra di dialogo a comparsa, scegliere 5 per "bordo inferiore della banda passante frequenza (Hz)" e scegliere 80 per il "bordo superiore della banda passante frequenza (Hz)". Quindi fare clic sul pulsante "OK".
- Rimuovere il rumore di linea di alimentazione con un filtro notch tra 49 e 51 Hz (strumenti | Filtrare i dati | Filtro di base FIR [nuovo, valore predefinito]). Nella finestra di dialogo a comparsa, scegliere 49 per "il bordo inferiore della banda passante frequenza (Hz)," e scegliere 51 per il "bordo superiore della banda passante frequenza (Hz)" e selezionare l'opzione di "Tacca filtrare i dati invece di banda passante". Quindi fare clic sul pulsante "OK".
- Correggere le porzioni di dati contaminate da movimenti oculari, l'elettromiografia (EMG) o qualsiasi altri artefatti non-fisiologica utilizzando l' algoritmo cieco fonte separazione (BSS)15. Per i movimenti di occhio, fare clic su strumenti | Rimozione di artefatto usando AAR 1.3 | Rimozione di EOG | Utilizzando BSS; per EMG, strumenti | Rimozione di artefatto usando AAR 1.3 | Rimozione di EMG utilizzando BSS.
- Segmentare i dati pre-elaborati di EEG continui in epoche, con lunghezza di epoca di 2 s. Per fare questo, scrivere 'EEG = eeg_regepochs (EEG, 'ricorrenza', 2, 'limiti', [0 2], 'rmbase', NaN); pop_saveset(EEG)', quindi premi il tasto invio della tastiera. Una finestra pop up che permette il salvataggio dei dati EEG segmentati.
- Importare i dati di EEG segmentati per il software di EEG (File | Caricare dataset esistente).
- Rifiutare le epoche di EEG con valori di ampiezza superiore a ± 80 µV a qualsiasi elettrodo (strumenti | Rifiutare le epoche di dati | Rifiutare i dati [tutti i metodi]).
- Salvare i dati di EEG pre-elaborati (File | Risparmiare corrente dataset come).
4. EEG microstato analisi
Nota: Una versione modificata dell'algoritmo di clustering K-means classica viene utilizzata per microstato classe analisi16, che contiene una procedura bottom-up e una procedura di up-fondo. Nella procedura bottom-up, le classi a livello di gruppo microstato vengono identificate tramite la correlazione spaziale come criterio di clustering. Quindi nella procedura bottom-up, ogni mappa topografica di ogni soggetto in ogni gruppo viene assegnato alla classe di microstato EEG con massima correlazione spaziale. Per l'analisi dello stato di riposo EEG microstato, la polarità delle carte topografiche comunemente viene ignorata. Analisi di classe microstato EEG potrebbe essere fatto utilizzando diversi software open source, come ad esempio CARTOOL, sLORETA, EMMA e MapWin. Le istruzioni riportate di seguito sono specifiche per il plugin EEGLAB per microstati. Questo plugin EEGLAB potrebbe essere scaricato da https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
- Per ogni soggetto, caricare i dati di EEG pre-elaborati (File | Canali di carico esistenti dataset), convertire riferimento al comune riferimento medio (strumenti | Ri di riferimento) e passa banda filtrare i dati di EEG tra 2 e 20 Hz (strumenti | Filtrare i dati | Filtro di base FIR [nuovo, valore predefinito]).
- Identificare le quattro mappe microstato in ogni oggetto (strumenti | Microstati | identificare microstato mappe). Nella finestra di dialogo a comparsa, scegliere 3 per il "numero Min di classi", scegliere 6 per il "numero massimo di classi", scegliere 50 per il "numero di riavvii", scegliere "Max numero di mappe da utilizzare" e selezionare le opzioni di "Picco di GFP solo" e "Nessuna polarità". Quindi fare clic sul pulsante "OK".
- Salvare i dati di EEG di ogni soggetto dopo che identifica un microstato mappe (File | Risparmiare corrente dataset come).
- Importare i set di dati EEG di tutti i soggetti salvati nell'ultimo passaggio in una sola volta (File | Caricare dataset esistente).
- Identificare le mappe a livello di gruppo microstato (strumenti | Microstati | Microstato medio mappe attraverso i set di dati). Nella finestra di dialogo a comparsa, selezionare il set di dati di tutti i soggetti nell'opzione "Scegli imposta per una media". Nell'opzione "Nome di significare", dare un nome per le mappe a livello di gruppo microstato. Il nome predefinito è "GrandMean". Quindi fare clic sul pulsante "OK". Questo creerà un nuovo set di dati denominato come "GrandMean", che memorizza le mappe a livello di gruppo microstato.
- Eseguire manualmente l'ordinamento delle quattro mappe a livello di gruppo microstato secondo il loro ordine classico (trama | Modificare le mappe microstato). Nella finestra a comparsa, selezionare "Altro", e quindi il numero di mappe mostrato diventa quattro. Selezionare "Ordina Man.". Nella finestra di dialogo a comparsa, Inserisci il nuovo ordine delle quattro mappe microstato a livello di gruppo. Quindi fare clic su "Chiudi".
- Di ordinare le quattro mappe microstato di ogni soggetto (strumenti | Microstati | Ordinare le mappe individuali microstato secondo Media).
- Salvare i parametri di microstato di ogni soggetto (strumenti | Microstati | Quantificare microstati nel dataset [media modello Mappe]), che richiamerà due finestre di dialogo pop-up in sequenza.
- Nella prima finestra di dialogo, selezionare il set di dati di tutti i soggetti. Nella seconda finestra di dialogo, selezionare "4 classi" per l'opzione "Numero di classi", selezionare le opzioni di "Montaggio solo su cime GFP" e "Rimuovi potenzialmente troncato microstati", scegli 30 per l'etichetta"levigante finestra (ms)" e scegliere 1 per la scorrevolezza di Non" pena". Quindi fare clic su "Ok". Un file csv che memorizza i parametri di microstato verrà salvato sul computer.
5. analisi di complessità omega
- Salvare i dati di EEG di ogni epoca e personalizzata ogni soggetto in ASCII o txt formato utilizzando script. Un esempio di script personalizzato per passaggio 5.1 potrebbe essere trovato nei materiali supplementari.
Nota: Se la complessità globale omega è computata, i dati EEG di tutti gli elettrodi del cuoio capelluto sono necessari per esportare in formato ASCII o txt. Se la complessità regionale omega è calcolata, è possibile esportare solo i dati di EEG di elettrodi in quella regione del cuoio capelluto. Ad esempio, al fine di calcolare la complessità anteriore omega, esportare solo i dati di EEG di elettrodi nella regione anteriore (cioè, Fp1, Fp2, F7, F3, Fz, F4 e F8); al fine di calcolare la complessità posteriore omega, esportare solo i dati di EEG di elettrodi nella regione posteriore (cioè, T5, T6, P3, P4, Pz, O1 e O2). - Calcolare la complessità di omega di tutte le frequenze discrete utilizzando il software sLORETA17 (Utilities | Connettività globale). Questo software è disponibile presso http://www.uzh.ch/keyinst/loreta.htm.
- Calcolare la complessità di omega di ciascuna banda di frequenza utilizzando script personalizzato26. Nel nostro caso, calcolare la complessità di omega di seguenti bande di otto frequenza come il valore medio all'interno di ogni limite di frequenza, che sono delta (0.5-3.5 Hz), theta (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) e gamma2 (52-80 Hz)4. Un esempio di script personalizzato per passaggio 5.3 potrebbe essere trovato nei materiali supplementari.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Microstato EEG
Grand dire normalizzato microstato mappe vengono visualizzate nella Figura 1. I paesaggi di potenziali elettrici di queste quattro classi di microstato identificate qui sono molto simili a quelli trovati in precedenti studi4.
La media e la deviazione standard (SD) di parametri microstato di individui sani sono stati indicati nella tabella 1. Per classe di microstato A, il tasso di occorrenza era 3.44 ± 1.29 volte / s e la durata era 72 ± 13 ms. per classe microstato B, il tasso di ricorrenza era 3.54 ± 0,85 volte / s e la durata era 71 ± 18 ms. per classe microstato C, il tasso di occorrenza era 3,85 ± 0,63 volte / s e la durata era di 69 ± 9 ms. per classe microstato D, il tasso di ricorrenza era ± 3,41 0,78 volte / s e la durata era 66 ± 11 ms.
Complessità di Omega
Il valore della complessità globale omega di ciascuna banda di frequenza negli individui sani (media ± DS) è stato presentato in tabella 2. Per la band di delta, la complessità globale omega era 6,39 ± 1,34. Per banda theta, la complessità globale omega era 5.46 ± 0.85. Per banda di alfa-1, la complessità globale omega era 3,47 ± 0,8. Per banda alfa-2, la complessità globale omega era 3,87 ± 0.70. Per banda beta-1, la complessità globale omega era 5,36 ± 0,84. Per fascia di beta-2, la complessità globale omega era 6,16 ± 0,83. Per la fascia di gamma-1, la complessità globale omega era 6,95 ± 1.07. Per fascia di gamma-2, la complessità globale omega era 6.88 ± 1,39.
Il valore (media ± DS) di complessità omega anteriore di ciascuna banda di frequenza negli individui sani è stato indicato nella tabella 2. Per la band di delta, la complessità di omega anteriore era 4.84 ± 1.7. Per banda theta, la complessità di omega anteriore era 4.23 ± 1,48. Per banda di alfa-1, la complessità di omega anteriore era 3.44 ± 1,09. Per banda alfa-2, la complessità di omega anteriore era 3,87 ± 0,97. Per banda beta-1, la complessità di omega anteriore era 3,74 ± 0,81. Per fascia di beta-2, la complessità di omega anteriore era 2.94 ± 0,59. Per la fascia di gamma-1, la complessità di omega anteriore era 1,98 ± 0,24. Per fascia di gamma-2, la complessità di omega anteriore era 3.02 ± 0,59.
Il valore (media ± DS) di complessità omega posteriore di ciascuna banda di frequenza negli individui sani è stato indicato nella tabella 2. Per la band di delta, la complessità di omega posteriore era 3.71 ± 1,48. Per banda theta, la complessità di omega posteriore era ± 2,47 0.85. Per banda di alfa-1, la complessità di omega posteriore era 2.11 ± 0,9. Per banda alfa-2, la complessità di omega posteriore era 3,16 ± 1.42. Per banda beta-1, la complessità di omega posteriore era 4.32 ± 1.67. Per fascia di beta-2, la complessità di omega posteriore era 3,84 ± 1,04. Per la fascia di gamma-1, la complessità di omega posteriore era 2.17 ± 0,37. Per fascia di gamma-2, la complessità di omega posteriore era 2.99 ± 0,53.
Figura 1. Media normalizzati mappe topografiche delle quattro classi di microstato (A-D) di EEG in stato di riposo negli individui sani. Classe microstato A e B hanno un frontale destra orientamento occipital di sinistra e un frontale sinistro a destra orientamento occipital, rispettivamente. Microstato classe C e D avere topografie simmetriche, ma prefrontale orientamento occipital e frontocentral all'orientamento occipitale sono stati osservati, rispettivamente. Clicca qui per visualizzare una versione più grande di questa figura.
| Classi di microstato | ||||||||
| A | B | C | D | |||||
| Significa | SD | Significa | SD | Significa | SD | Significa | SD | |
| Occorrenza/s | 3.44 | 1.29 | 3,54 | 0.85 | 3,85 | 0,63 | 3,41 | 0.78 |
| Durata (ms) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
Tabella 1. Parametri di microstato di individui sani (n = 15). La media e la deviazione standard (SD) del tasso di occorrenza e della durata delle quattro classi microstato sono stati indicati in questa tabella.
| Complessità globale Omega | Complessità di Omega anteriore | Complessità di Omega posteriore | ||||
| Banda di frequenza | Significa | SD | Significa | SD | Significa | SD |
| Delta | 6.39 | 1.34 | 4.84 | 1.7 | 3,71 | 1,48 |
| Teta | 5,46 | 0.85 | 4,23 | 1,48 | 2,47 | 0.85 |
| Alfa-1 | 3.47 | 0,8 | 3.44 | 1.09 | 2.11 | 0.9 |
| Alfa-2 | 3,87 | 0,7 | 3,87 | 0,97 | 3.16 | 1.42 |
| Beta-1 | 5.36 | 0.84 | 3.74 | 0.81 | 4,32 | 1.67 |
| Beta-2 | 6.16 | 0,83 | 2.94 | 0,59 | 3.84 | 1.04 |
| Gamma-1 | 6.95 | 1.07 | 1.98 | 0,24 | 2.17 | 0,37 |
| Gamma-2 | 6,88 | 1.39 | 3.02 | 0,59 | 2,99 | 0,53 |
Tabella 2. Complessità globale, anteriore e posteriore omega di individui sani (n = 15). La media e la deviazione standard (SD) della complessità globale, anteriore e posteriore omega per le bande di otto frequenza (delta, theta, alfa 1, alfa-2, beta 1, beta-2, gamma-1, gamma-2) sono stati indicati rispettivamente in questa tabella.
File supplementari. Al fine di eseguire gli script utilizzati in questo manoscritto, aprire gli script in ambiente MATLAB, poi copiare tutto il contenuto nella finestra di comando e premere il tasto "Invio". Si noti che, gli script si applicano solo ai nostri set di dati. Quando gli script vengono applicati ad altri set di dati, sono necessarie alcune modifiche. Per favore clicca qui per scaricare questo file.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In questo articolo, due tipi di metodi analitici di EEG (cioè, microstato analisi e analisi di complessità di omega), misurazione della complessità temporale e spaziale complessità del cervello umano rispettivamente, sono stati descritti dettagliatamente. Ci sono diversi passaggi critici all'interno del protocollo che dovrebbe essere menzionato. In primo luogo, i dati EEG devono essere puliti prima il calcolo della complessità microstato e omega. In secondo luogo, i dati EEG dovrebbero essere remontaged contro la media di riferimento prima il calcolo della complessità microstato e omega. In terzo luogo, i dati EEG continui devono essere segmentati in epoche prima il calcolo della complessità microstato e omega. La lunghezza di ogni epoca deve essere 2 s. Infine, il software che può essere utilizzato nell'analisi di microstato includono Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) e MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin). L'analisi di microstato è stata condotta mediante un plugin in EEGLAB in questo studio.
Anche se l'analisi di microstato condotta qui è stato applicato a dati EEG dello stato di riposo, potrebbe essere facilmente applicato ai potenziali evento-correlati (ERP), che ci aiuterà a scoprire ulteriori informazioni circa i corsi di tempo di diverse operazioni cognitive conoscitivo esperimenti e fornire un approccio privo di riferimento per eseguire analisi ERP18,19. Nota, per il riposo stato EEG, la polarità delle carte topografiche è comunemente trascurato; Tuttavia, per ERPs, la polarità delle carte topografiche non deve essere ignorata. Una piccola limitazione di questo plugin di EEG è che potrebbe essere utilizzato solo per EEG in stato di riposo. Per ERPs, il software Cartool può essere una delle scelte migliori. Il valore di complessità omega raggiunge da 1 a N. Se omega complessità calcolata è 1, si rivela una massima connettività funzionale globale all'interno di una determinata regione del cervello; considerando che se omega complessità è uguale a N, un minimo globale connettività funzionale all'interno di una determinata regione del cervello è trovato. Così, se vogliamo testare statisticamente la complessità di omega di regioni differenti del cervello, il numero di elettrodi selezionato in queste regioni deve essere uguale, poiché il numero di elettrodi poteva influenzare significativamente il valore della complessità di omega stimato.
Al fine di studiare l'EEG che riposa, i ricercatori hanno sviluppato molti EEG tecniche (ad es., analisi dello spettro di potenza, analisi di connettività funzionale)2,3. Rispetto a queste tecniche tradizionali, analisi microstato sfrutta l'eccellente risoluzione temporale della tecnica di EEG. Le quattro classi di microstato identificati sono state trovate per essere correlati con quattro sistemi funzionali ben studiati osservati in molti stato riposo fMRI studi8,20: visual uditiva (microstato A), (microstato B), parzialmente cognitivo controllo e la modalità di default (microstato C) parzialmente e dorsale attenzione (microstato D). Così, l'analisi di microstato fornito un nuovo approccio per studiare le reti di stato riposo (RSNs) del cervello umano. Rispetto alle tradizionali tecniche di EEG, la complessità di omega poteva caratterizzare la connettività funzionale globale all'interno di un certo cervello regione4. Connettività funzionale tradizionale potrebbe descrivere solo la connettività funzionale tra due elettrodi del cuoio capelluto.
Tuttavia, le due tecniche di EEG hanno diverse limitazioni che dovrebbero essere menzionati. In primo luogo, l'analisi di microstato esistente viene comunemente eseguita su segnali EEG a banda larga, quindi non approfittare delle informazioni frequenza ricca della tecnica EEG. Inoltre, il significato funzionale di queste quattro classi di microstato e metriche correlate non sono finora molto chiare. In secondo luogo, la complessità di omega è in grado di rilevare solo dipendenze lineari. Non riesce a rilevare le dipendenze non lineari tra le regioni del cuoio capelluto, che possono essere quantificate per alcuni connettività funzionale tradizionale metrica (ad es., valore per il blocco di fase, probabilità reciproco di informazioni e sincronizzazione)21,22 ,23.
In futuro, l'analisi di microstato deve essere applicato con tecniche di localizzazione di origine (ad es., sLORETA, BESA, Beamforming), che miglioreranno significativamente la risoluzione spaziale dei segnali EEG. Anche se l'analisi di microstato è stato ampiamente usato in riposo EEG ed ERPs, solo pochi studi hanno applicato questa tecnica al dominio tempo-frequenza. Per esempio, Jia et al. 24 proposto un approccio basato sull'analisi di segmentazione topografica a in modo ottimale e identificare automaticamente le caratteristiche dettagliate di tempo-frequenza. Questo approccio è in grado di sfruttare efficacemente le informazioni spaziali delle attività oscillatoria. Tuttavia, queste applicazioni sono lontano da maturo. Per la complessità di omega, una complessità di omega normalizzato è altamente necessaria, poiché il valore della complessità di omega stimato è dipenda dal numero di elettrodi selezionato. In futuro, dovrebbe essere applicato al dominio tempo-frequenza.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori non hanno nulla a rivelare.
Acknowledgments
Questo articolo è stato sostenuto da National Natural Science Foundation of China (31671141).
Materials
| Name | Company | Catalog Number | Comments |
| ANT 20 channels EEG/ERP system | ASA-Lab, ANT B.V., Netherlands | company web address: http://www.ant-neuro.com/ |
|
| EEGLAB plugin for Microstates | Thomas Koenig | https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins | |
| sLORETA | Roberto D. Pascual-Marqui | http://www.uzh.ch/keyinst/loreta.htm | |
| MATLAB 2010a | The MathWorks Inc. | company web address: http://www.mathworks.com/ |
|
| eeglab | Swartz Center for Computational Neuroscience, University of California, San Diego | https://sccn.ucsd.edu/eeglab/index.php |
References
- Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
- 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).
- 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).
- 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).
- Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
- Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
- Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
- 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).
- 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).
- Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
- Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912 (2011).
- Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
- Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
- Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
- Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
- 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).
- Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
- 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).
- Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
- 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).
- 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).
- 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).
- Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
- 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).
- Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135 (2005).
- Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124 (2003).
