이벤트 관련 후보, 분광 및 멀티 스케일 엔트로피 : EEG 신경 영상 데이터의 응용

이 절차의 전반적인 목표는 EEG 시계열의 가변성을 정량화하고 그 가변성을 기본 신경계의 정보 처리 능력과 관련시키는 것입니다. 이것은 먼저 뇌 반응에 대한 고품질 EEG 기록을 획득함으로써 달성됩니다. 두 번째 단계는 데이터를 사전 처리하여 아티팩트를 제거하는 것입니다.

다음으로, 관심 있는 통계가 추출됩니다. 여기서 우리는 다중 스케일 엔트로피의 새로운 적용과 평균 진폭 및 스펙트럼 전력의 보다 전통적인 방법을 대조할 것입니다. 마지막 단계는 결과의 통계적 유의성을 분석하고 데이터를 해석

이 단계는 부분 임대 광장의 분석과 같은 데이터 기반 다변량 접근 방식을 사용하여 촉진할 수 있습니다. 궁극적으로, 다중 스케일 엔트로피는 여러 시간 스케일에 걸친 공간적 시간 패턴의 일련의 변화가 어떻게 특정 인지 작동에 기여하는지 보여주는 데 사용됩니다. 평균 진폭 또는 스펙트럼 파워와 같은 기존 방법에 비해 MSC를 사용하는 이점은 MSC가 데이터의 비선형성에 민감하다는 것입니다.

이러한 비선형 역학은 네트워크의 미시 상태 간의 전환 또는 분기를 반영하며, 이는 분산된 뇌 영역 네트워크를 통한 정보 교환에 중요합니다. 이 절차를 시연하는 사람은 Rotman Research Institute의 ERP 연구소의 Christina Backer입니다. 먼저, 참가자에게 실험 절차를 설명하고 정보에 입각한 동의를 얻습니다.

알코올 면봉을 사용하여 드롭다운 전극을 배치할 영역을 청소합니다. 전극에 젤을 약간 놓습니다. 피부 쪽에서 종이를 떼어내고 참가자에게 전극을 올려 안구 운동 인공물을 식별합니다.

눈꺼풀의 위쪽과 아래쪽의 측면 접합부에 전극을 놓습니다. 안와 융기의 중심에 다른 전극을 놓고 눈 아래 약 1cm, 동공과 일직선이 되도록 합니다. 다른 쪽 눈에도 반복합니다.

참가자의 머리 둘레를 측정하고 국제적으로 인정된 10 20 시스템에 따라 적절한 전극 캡 크기를 선택합니다. 전극 배치의 경우 정중선을 따라 Indian Ian과의 거리를 측정하고 해당 숫자를 사용하여 10%로 나눕니다. NAS에서 측정하고 표시합니다.

전극 캡 위치 FP를 이 표시에 맞추고 캡을 뒤로 당깁니다. 캡의 중심이 코와 일직선이 되는지 확인하십시오. nasn에서 cz까지 측정하고 이 거리가 NAS에서 인도까지의 거리의 절반인지 확인합니다.

그런 다음 턱끈을 조이고 필요한 경우 편안함을 위해 스트랩 아래에 거즈를 놓습니다. 지금, 젤의 전도성 란을 창조하기 위하여 전극 홀더에 있는 젤에 의하여 채워진 무딘 점 주사통을 두십시오. 두피에 닿기 시작한 다음 쥐어짜고 뒤로 당깁니다.

너무 많은 젤을 적용하면 주변 전극의 신호를 연결할 수 있습니다. 그런 다음 활성 전극을 전극 홀더에 고정합니다. 그런 다음 피사체를 모니터 앞에 적절한 거리로 배치합니다.

실험을 위해 참가자에게 안구 움직임과 눈 깜박임을 최소화하는 것의 중요성을 강조하면서 가만히 있으라고 요청합니다. 깨끗한 기록을 위해 수집 컴퓨터에서 전극 연결부와 EEG 신호 품질을 검사합니다. 특정 전극에 문제가 있는 경우 해당 전극을 꺼내고 젤을 다시 도포하여 실험 후 해당 부위의 임피던스를 조정하되 관심 있는 특정 통계를 추출하기 전에 해당 전극을

연속 EEG 데이터를 사전 처리하여 필터링 및 아티팩트 거부의 표준 절차를 사용하여 아티팩트를 제거합니다. 사건 관련 전위 분석은 자극의 시작에 대한 위상 고정, 두드러진 사건의 시작에 대한 뇌의 반응을 잠근 다음 많은 유사한 사건에 대한 평균을 내는 동기 뇌 활동을 캡처합니다. 신호 대 잡음비를 높이고, 각 주제에 대한 ERP 구성 요소의 피크 진폭 및 대기 시간을 식별하기 위해 Spectra power는 특정 EEG 신호에 대한 주파수의 상대적 기여도를 정량화합니다.

푸리에 분석을 사용하여 EEG 신호를 시간 영역에서 주파수 영역으로 변환하고 신호를 다양한 주파수의 구성 사인파로 분해합니다. 다중 스케일 엔트로피는 시간이 지남에 따라 여러 시간에 걸쳐 신경 전기 신호의 가변성을 포착하는 정보 이론적 메트릭입니다. 저울. PhysioNet의 알고리즘을 사용하여 두 단계로 다중 스케일 엔트로피를 계산합니다.

첫 번째 단계에서는 점진적으로 내려갑니다. 각 시행 및 상태 시간 스케일에 대한 신호를 샘플링합니다. 하나는 원래 신호를 나타냅니다.

먼저 원래 신호를 시간 스케일 길이의 겹치지 않는 윈도우로 나누어 후속 시간 스케일을 만듭니다. 그런 다음 각 창 내의 데이터 포인트의 평균을 구합니다. 예를 들어, 두 개의 평균을 함께 만드는 날짜 표시줄을 만듭니다.

처음 두 점, 다음 두 점 등입니다. 날짜 표시줄 3을 만들려면 처음 3점, 다음 3점 등을 평균화합니다. 다양한 시간 척도에서 원래 신호를 표시함으로써 서로 다른 속도로 전개될 수 있는 신경 과정을 분석할 수 있습니다.

두 번째 단계에서는 각 과정에 대한 샘플 엔트로피를 계산합니다. 세분화된 시계열. 이것은 서로 다른 시간 척도에서 뇌 반응의 복잡성을 추정할 수 있습니다.

규칙적인 신호는 더 많은 확률적 신호보다 샘플 엔트로피가 낮습니다. 이 예에서는 패턴 길이 M이 2로 설정됩니다. 이는 시계열이 2점 대 3점 시퀀스 일치의 비율로 표시된다는 것을 의미합니다.

매개 변수 R은 유사성 기준입니다. 이 진폭 범위 내에 있는 데이터 포인트는 유사한 값을 가지므로 일치한다고 합니다. 매개 변수 설정에 대한 자세한 내용은 이 시뮬레이션된 시계열에 대한 샘플 엔트로피를 계산하는 텍스트 프로토콜을 참조하세요.

처음 두 구성 요소부터 시작합니다. 시퀀스 패턴(빨간색 주황색)은 먼저 시계열에서 빨간색 주황색 시퀀스 패턴이 발생하는 횟수를 계산합니다. 이에 대한 10개의 경기가 있습니다.

두 개의 구성 요소가 배열됩니다. 둘째, 처음 세 구성 요소의 횟수를 셉니다. 시퀀스 패턴, 빨간색, 주황색, 자주색은 시계열에서 발생합니다.

이를 위한 5개의 경기가 있습니다. 세 가지 구성 요소 시퀀스. 시계열의 다음 두 구성 요소 시퀀스인 주황색, 자주색 및 다음 세 개의 구성 요소 시퀀스인 주황색, 자주색, 녹색에 대해 동일한 작업을 계속합니다.

이러한 시퀀스에 대한 2개의 구성 요소 일치 수와 3개의 구성 요소 일치 수를 이전 값에 추가합니다. 시계열의 다른 모든 시퀀스 일치에 대해 반복하여 3개의 구성 요소 일치에 대한 두 개의 구성 요소 일치의 총 비율을 확인합니다. 샘플 엔트로피는 이 비율의 자연 로그입니다.

이러한 데이터는 ERP, 스펙트럼 파워 및 엔트로피의 조건 차이를 보여주며, 얼굴 사진의 초기 표시와 반복 표시를 대조합니다. 이 예에서는 모든 측정값이 수렴되어 반복에 수반되는 샘플 엔트로피 감소의 동일한 효과를 보여주었습니다. 이러한 복잡성의 감소는 참여하는 기능 네트워크가 더 단순하고 더 적은 정보를 처리한다는 것을 시사합니다.

이러한 통계적 결과는 다양한 수준의 친숙도와 관련된 얼굴에 대한 ERP 스펙트럼 전력 및 다중 스케일 엔트로피의 부분 임대 제곱에 대한 다변량 분석에서 파생됩니다. 대비는 ERP 진폭이 새로운 얼굴과 익숙한 얼굴을 구별하지만 사전 노출의 양이 다른 친숙한 얼굴은 구별하지 못함을 보여줍니다. 스펙트럼 파워는 친숙도에 따라 얼굴을 구별했지만 낮은 친숙도와 중간 친숙도의 얼굴을 정확하게 구별하지는 못했습니다.

다중 스케일 엔트로피는 조건 차이에 가장 민감했습니다. 샘플 엔트로피 값은 얼굴에 대한 친숙도가 높아짐에 따라 증가했습니다. 이러한 이미지 플롯은 조건 효과의 공간적 시간 분포를 캡처합니다.

흥미롭게도 멀티스케일 엔트로피는 ERP 또는 스펙트럼 파워에 대한 보다 전통적인 분석으로는 얻을 수 없는 고유한 정보를 드러냈습니다. 이러한 다중 스케일 엔트로피의 발산은 네트워크 역학의 비선형 측면과 관련하여 조건이 다르다는 것을 시사하며, 이는 주파수 대역 간의 상호 작용을 포함할 수 있습니다. 이 새로운 분석 도구는 신경망 역학에 대한 새로운 정보를 포착하는 데 도움이 되며, 정적 상태의 관점에서 정신 기능을 특성화하는 것에서 벗어나 인간의 인지와 연결되는 프로세스의 유동적인 전개를 이해하는 데 도움이 됩니다.