미세 및 휴식 상태 Electroencephalography의 오메가 복잡도 분석

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.

이번 학기에는 뇌 장애 분야의 10가지 질문에 답했는데, 예를 들어 오늘날의 진단에서 바이오스 코드에 대한 효율적인 마커 쌍을 식별하는 방법과 같은 것입니다. 이 기술의 주요 장점은 기존 EEG 분석을 고수할 때 보류 중인 문제의 참조로 나타날 수 있다는 것입니다. 이 기술의 응용은 인간 두뇌의 휴지 상태 네트워크에 대한 우리의 이해로 확장됩니다.

이 절차를 시작하려면 원시 EEG 데이터를 EEG 실험실 소프트웨어로 가져옵니다. 다음으로, 채널 위치 파일을 EEG 실험실 소프트웨어에 로드하여 이러한 전극의 공간 위치를 얻습니다. 기준 전극을 제거하려면 팝업 대화 상자의 채널 범위에서 데이터 선택 옵션에서 기록 전극만 선택하고 기준 전극을 제거할 수 있도록 기준 전극을 선택하지 마십시오.

0.5Hz에서 80Hz 사이의 EEG 데이터를 대역 통과 필터링하려면 팝업 대화 상자에서 주파수 통과 대역 Hz의 아래쪽 가장자리로 0.5를 선택하고 주파수 통과 대역 Hz의 위쪽 가장자리로 80을 선택합니다. 그런 다음 클릭하여 49 Ok.To 51Hz 사이의 노치 필터로 전력선 노이즈를 제거하고 팝업 대화 상자에서 주파수 통과 대역 헤르츠의 아래쪽 가장자리로 49를 선택하고 주파수 통과 대역 헤르츠의 위쪽 가장자리로 51을 선택합니다. 그런 다음 패스 밴드 대신 Notch filter the data 옵션을 선택하고 Ok.To 클릭하여 안구 움직임을 제거하고 Tools를 클릭한 다음 AAR 1.3을 사용하여 아티팩트 제거 및 BSS를 사용한 EOG 제거를 클릭합니다.

EMG를 제거하려면 도구를 클릭한 다음 AAR 1.3을 사용한 아티팩트 제거 및 BSS를 사용한 EMG 제거를 클릭합니다. 다음으로, 전처리된 연속 EEG 데이터를 에포크 길이가 2초인 에포크로 분할합니다. 분할된 EEG 데이터를 저장할 수 있는 창이 나타납니다.

그런 다음 분할된 EEG 데이터를 EEG 실험실 소프트웨어로 가져오고 모든 전극에서 ±80마이크로볼트를 초과하는 진폭 값으로 EEG 신기원을 거부합니다. 다음으로 전처리된 EEG 데이터를 저장합니다. 이 절차에서는 각 피험자에 대해 전처리된 EEG 데이터를 로드하고, 참조 채널을 공통 평균 참조로 변환하고, 2Hz에서 20Hz 사이의 EEG 데이터를 대역 통과 필터링합니다.

다음으로, 각 주제에서 4개의 미시상태 맵을 식별합니다. 팝업 대화 상자에서 최소 클래스 수에 대해 3을 선택하고, 최대 클래스 수에 대해 6을 선택하고, 다시 시작 수에 대해 50을 선택하고, 사용할 최대 맵 수를 선택하고, GFP 피크만 및 극성 없음 옵션을 선택합니다. 그런 다음 확인 버튼을 클릭합니다.

그런 다음 자체 미시 상태 지도를 식별한 후 각 피험자의 EEG 데이터를 저장합니다. 마지막 단계에서 저장된 모든 피험자의 EEG 데이터 세트를 한 번에 가져옵니다. 그런 다음 그룹 수준 미시상태 맵을 식별합니다.

팝업 대화 상자의 Choose sets for averaging(평균화를 위한 집합 선택) 옵션에서 모든 개체의 데이터 집합을 선택합니다. 옵션에서 Name of mean, 그룹 수준 미시상태 맵의 이름을 지정한 다음 Ok.그러면 그룹 수준 미시상태 맵을 저장하는 GrandMean이라는 새 데이터 세트가 생성됩니다. 4개의 그룹 수준 미시상태 맵의 순서를 클래식 순서에 따라 수동으로 정렬합니다.

팝업에서 More(추가)를 선택하면 표시되는 맵의 수가 4개가 됩니다. 그런 다음 Man sort를 선택합니다. 팝업 대화 상자에서 4개의 그룹 수준 미시상태 맵의 새 순서를 입력하고 닫기를 클릭합니다.

그런 다음 각 주제의 4개 미시상태 맵의 순서를 정렬하고 두 개의 팝업 대화 상자를 순차적으로 호출하는 각 주제에 대한 미시상태 매개변수를 저장합니다. 첫 번째 대화 상자에서 모든 주제의 데이터 세트를 선택합니다. 두 번째 대화 상자에서 옵션, 클래스 수에 대해 4-Classes를 선택합니다.

Fitting only on GFP peaks(GFP 피크에만 피팅) 및 Remove potentially truncated microstates(잠재적으로 잘린 미시상태 제거) 옵션을 선택합니다. 그런 다음 레이블 스무딩 창에 대해 30을 선택하고, ms를 선택하고, Non-Smoothness 페널티에 대해 One을 선택한 다음 Ok.Submicrostate 매개 변수를 저장하는 CSV 파일이 컴퓨터에 저장됩니다. 이 이미지는 미시상태 클래스 A와 B가 각각 오른쪽 정면에서 왼쪽 후두 방향으로, 그리고 왼쪽 정면에서 오른쪽 후두 방향을 가지고 있음을 보여줍니다.

미시상태 클래스 C와 D는 대칭적인 지형을 가지고 있지만 전두엽에서 후두 방향으로, 전두에서 후두 방향으로, 전방에서 후두 방향이 각각 관찰되었습니다. 이 표는 건강한 피험자의 미시상태 매개변수의 평균 및 표준 편차를 보여줍니다. 이 기술을 숙달하면 제대로 수행하면 한 시간 안에 완료할 수 있습니다.

이 절차를 시도하는 동안 EEG 데이터를 신중하게 전처리해야 한다는 점을 기억하는 것이 중요합니다. 이 절차에 따라 이러한 미시상태 맵의 출처와 같은 추가 질문에 답하기 위해 소스 위치 파악과 같은 다른 방법을 수행할 수 있습니다. 이 기술은 뇌 과학 분야의 연구자들이 인간의 뇌에서와 같이 질병을 폭로할 수 있는 길을 열었습니다.