Name: 미세 및 휴식 상태 Electroencephalography의 오메가 복잡도 분석 (동영상) | JoVE Journal
Uploaded: 2018-06-15T12:30:00.000+00:00
Duration: 6 min 40 s
Description: 학습하세요 EEG 마이크로스테이트 및 오메가 복잡도 분석을 통해 뇌 장애의 신경 메커니즘을 연구하는 방법을. 이 기법은 휴식 상태 뇌 네트워크를 비침습적으로 평가하여 질병 바이오마커를 식별하는 데 활용됩니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

이 프로토콜은 로컬 윤리 위원회에 의해 승인 되었다. 모든 참가자와 그들의 부모는이 실험에 대 한 동의 양식 서명.
1입니다. 과목
<ol><li>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.</li>
</ol>2. 뇌 파 데이터 기록
<ol><li>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.</li>
	<li>피사체의 머리에 모자를 넣어.<ol>
<li>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.</li>
		<li>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.</li>
	</ol>
</li>
	<li>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.<ol>
<li>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.</li>
	</ol>
</li>
	<li>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.</li>
</ol>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.
<ol><li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>뇌 파 소프트웨어를 세그먼트 뇌 파 데이터 가져오기 (파일 | 기존 데이터 집합 로드).</li>
	<li>어떤 전극에 ± 80 µ V를 초과 하는 진폭 값 EEG epochs 거부 (도구 | 데이터 신기를 거부 | 데이터 [모든 방법] 거부).</li>
	<li>전처리 된 뇌 파 데이터 저장 (파일 | 현재 데이터 집합으로 저장).</li>
</ol>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.
<ol><li>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]).</li>
	<li>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.</li>
	<li>지도 자체 미세 식별 후 각 과목의 뇌 파 데이터 저장 (파일 | 현재 데이터 집합으로 저장).</li>
	<li>마지막 단계에서 한 번에 저장 하는 모든 과목의 뇌 파 데이터 집합 가져오기 (파일 | 기존 데이터 집합 로드).</li>
	<li>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.</li>
	<li>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.</li>
	<li>각 과목의 4 개의 미세 지도의 순서 정렬 (도구 | Microstates | 개별 미세 지도 의미에 따라 정렬).</li>
	<li>각 과목의 미세 매개 변수 저장 (도구 | Microstates | 계량 데이터 [평균 서식 지도] 집합의 microstates)는 순차적으로 두 개의 팝업 대화 상자를 호출 합니다.<ol>
<li>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.</li>
	</ol>
</li>
</ol>5. 오메가 복잡도 분석
<ol><li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>

<ol><li>Khanna, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microstates+in+resting-state+EEG%3A+current+status+and+future+directions%5BTitle%5D)+AND+%22Neurosci+Biobehav+Rev%22%5BJournal%5D)">Microstates in resting-state EEG: current status and future directions.</a> Neurosci Biobehav Rev. 49, 105-113 (2015).</li>
<li>Chen, J. L., Ros, T., Gruzelier, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+changes+of+ICA-derived+EEG+functional+connectivity+in+the+resting+state%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Dynamic changes of ICA-derived EEG functional connectivity in the resting state.</a> Hum Brain Mapp. 34 (4), 852-868 (2013).</li>
<li>Imperatori, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+EEG+functional+connectivity+and+EEG+power+spectra+in+resting+state+post-traumatic+stress+disorder%3A+a+sLORETA+study%5BTitle%5D)+AND+%22Biol+Psychol%22%5BJournal%5D)">Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study.</a> Biol Psychol. 102, 10-17 (2014).</li>
<li>Gao, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+Resting-State+EEG+Microstate+Parameters+and+Enhanced+Spatial+Complexity+in+Male+Adolescent+Patients+with+Mild+Spastic+Diplegia%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia.</a> Brain Topogr. 30 (2), 233-244 (2017).</li>
<li>Seitzman, B. A., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/27742598">Cognitive manipulation of brain electric microstates.</a> Neuroimage. 146, 533-543 (2017).</li>
<li>Lehmann, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG-defined+functional+microstates+as+basic+building+blocks+of+mental+processes%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">EEG-defined functional microstates as basic building blocks of mental processes.</a> Clin Neurophysiol. 122 (6), 1073-1074 (2011).</li>
<li>Koenig, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Millisecond+by+millisecond%2C+year+by+year%3A+normative+EEG+microstates+and+developmental+stages%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Millisecond by millisecond, year by year: normative EEG microstates and developmental stages.</a> Neuroimage. 16 (1), 41-48 (2002).</li>
<li>Britz, J., Van De Ville, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BOLD+correlates+of+EEG+topography+reveal+rapid+resting-state+network+dynamics%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">BOLD correlates of EEG topography reveal rapid resting-state network dynamics.</a> Neuroimage. 52 (4), 1162-1170 (2010).</li>
<li>Musso, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spontaneous+brain+activity+and+EEG+microstates.+A+novel+EEG%2FfMRI+analysis+approach+to+explore+resting-state+networks%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks.</a> Neuroimage. 52 (4), 1149-1161 (2010).</li>
<li>Strelets, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chronic+schizophrenics+with+positive+symptomatology+have+shortened+EEG+microstate+durations%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations.</a> Clin Neurophysiol. 114 (11), 2043-2051 (2003).</li>
<li>Kikuchi, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstate+analysis+in+drug-naive+patients+with+panic+disorder%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">EEG microstate analysis in drug-naive patients with panic disorder.</a> PLoS One. 6 (7), e22912(2011).</li>
<li>Santarnecchi, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+Microstate+Correlates+of+Fluid+Intelligence+and+Response+to+Cognitive+Training%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training.</a> Brain Topogr. , (2017).</li>
<li>Schlegel, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstates+during+resting+represent+personality+differences%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">EEG microstates during resting represent personality differences.</a> Brain Topogr. 25 (1), 20-26 (2012).</li>
<li>Wackermann, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+mapping%3A+estimating+complexity+of+multichannel+EEG+recordings%5BTitle%5D)+AND+%22Acta+Neurobiol+Exp+%28Wars%29%22%5BJournal%5D)">Beyond mapping: estimating complexity of multichannel EEG recordings.</a> Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).</li>
<li>Jung, T. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Removing+electroencephalographic+artifacts+by+blind+source+separation%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Removing electroencephalographic artifacts by blind source separation.</a> Psychophysiology. 37 (2), 163-178 (2000).</li>
<li>Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+brain+electrical+activity+into+microstates%3A+model+estimation+and+validation%5BTitle%5D)+AND+%22IEEE+Trans+Biomed+Eng%22%5BJournal%5D)">Segmentation of brain electrical activity into microstates: model estimation and validation.</a> IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).</li>
<li>Pascual-Marqui, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Standardized+low-resolution+brain+electromagnetic+tomography+%28sLORETA%29%3A+technical+details%5BTitle%5D)+AND+%22Methods+Find+Exp+Clin+Pharmacol%22%5BJournal%5D)">Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details.</a> Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).</li>
<li>Hu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+primary+somatosensory+cortex+contributes+to+the+latest+part+of+the+cortical+response+elicited+by+nociceptive+somatosensory+stimuli+in+humans%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans.</a> Neuroimage. 84, 383-393 (2014).</li>
<li>Murray, M. M., Brunet, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topographic+ERP+analyses%3A+a+step-by-step+tutorial+review%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">Topographic ERP analyses: a step-by-step tutorial review.</a> Brain Topogr. 20 (4), 249-264 (2008).</li>
<li>Van de Ville, D., Britz, J., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstate+sequences+in+healthy+humans+at+rest+reveal+scale-free+dynamics%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">EEG microstate sequences in healthy humans at rest reveal scale-free dynamics.</a> Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).</li>
<li>Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+emotion+associated+brain+functional+network+with+phase+locking+value%5BTitle%5D)+AND+%22Conf+Proc+IEEE+Eng+Med+Biol+Soc%22%5BJournal%5D)">Identification of emotion associated brain functional network with phase locking value.</a> Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).</li>
<li>Wen, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+EEG+coupling+analysis+of+amnestic+mild+cognitive+impairment+with+type+2+diabetes+mellitus+by+using+permutation+conditional+mutual+information%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information.</a> Clin Neurophysiol. 127 (1), 335-348 (2016).</li>
<li>Rosales, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+implementation+of+the+synchronization+likelihood+algorithm+for+functional+connectivity%5BTitle%5D)+AND+%22Neuroinformatics%22%5BJournal%5D)">An efficient implementation of the synchronization likelihood algorithm for functional connectivity.</a> Neuroinformatics. 13 (2), 245-258 (2015).</li>
<li>Jia, H., Peng, W., Hu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+approach+to+identify+time-frequency+oscillatory+features+in+electrocortical+signals%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">A novel approach to identify time-frequency oscillatory features in electrocortical signals.</a> J Neurosci Methods. 253, 18-27 (2015).</li>
<li>Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).</li>
<li>Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).</li>
</ol>

저자는 공개 없다.

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...

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.

<table><tbody><tr><td>ANT 20 채널 EEG / ERP 시스템</td><td>ASA-Lab, ANT B.V., 네덜란드</td><td></td><td>회사 웹 주소 : http://www.ant-neuro.com/</td></tr> <tr><td>EEGLAB 마이크로 스테이트 플러그인</td><td>토마스 Koenig</td><td></td><td>https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins</td></tr><tr><td>sLORETA</td><td>로베르토 D. 파스쿠알 - 후작</td><td></td><td>http://www.uzh.ch/keyinst/loreta.htm</td></tr><tr><td>MATLAB 2010a</td><td> 매스웍스(MathWorks Inc.)</td><td></td><td>회사 웹 주소 : http://www.mathworks.com/</td></tr> <tr><td>EEGLAB</td><td>Swartz Center for Computational Neuroscience, University of California, San Diego</td><td></td><td>https://sccn.ucsd.edu/eeglab/index.php</td></tr></tbody></table>

미세 및 휴식 상태 electroencephalography의 오메가 복잡도 분석

Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

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.

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...

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.

미세 및 휴식 상태 Electroencephalography의 오메가 복잡도 분석

Microstate and omega complexity are two reference-free electroencephalography (EEG) measures that can represent the temporal and spatial complexities of ...

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.

microstate-omega-complexity-analyses-resting-state

Research

연구

JoVE Journal

Neuroscience

신경과학

신경 영상 연구는 일반적으로 반복 실험 실험을 통해 평균 활동으로 뇌의 반응을 고려하고 "노이즈"와 같은 시간에 신호 변화를 무시하십시오. 하지만, 그 잡음 신호가 분명 해지고있다. 이 문서에서는 시간 영역에서 뇌 신호 변화를 정량화를위한​​ 멀티 스케일 엔트로피의 새로운 방법에 대해 설명합니다.

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

이 원고는 공간적으로 집중된 공학 문제를 해결하면서 인간의 신경 활성을 측정하는 방법을 설명한다. 뇌파 방법론 궁극적 문제 유형 간의 참가자 사이 모두 작업 성능의 비교를 가능하게 할 목적으로, 신경 효율의 관점에서 베타 뇌파 측정을 해석 돕는다.

작업 별 신경 효율성 비교를위한 뇌파 전위 측정을 활용 : 공간 지능 작업을

이 프로토콜은 측두엽 간질(TLE) 환자에서 근심 네트워크 측정의 진화를 추적하는 절차를 설명합니다. 이는 데이터 분석을 위한 새로운 수치 기법과 두개내 기록의 조합을 기반으로 합니다. 구체적으로, 우리는 foramen ovale 기록의 네트워크 분석을 위한 프로토콜을 제시합니다.

약물 저항성 측두엽 간질 환자에서 난원 공 개존증 전극 녹음의 네트워크 분석

고주파 진동 (HFOs)는 의학적으로 난치성 간질을 가진 소아 환자에서 간질 영역의 식별을위한 수술 전 생체로 등장했다. 동시에 두피 뇌파 (EEG) 및 인 자기 (MEG)와 HFOs의 비 침습적 기록, 감지 및 현지화를위한 방법이 제시된다.

소아 간질의 바이오 마커로 동시 인 자기와 뇌파 감지 간기 고주파 진동

만성 경두개 고밀도 뇌파 촬영 몽타주를 마우스에 저비용으로 제작하고 외과적으로 이식하기 위한 지침이 제공됩니다. 신호 기록, 추출 및 처리 기술도 설명됩니다.

설치류 모델에서 고밀도 뇌파 취득 낮은 비용과 오픈 소스 리소스를 사용하여

해마의 세타 활동은 특정인지 및 행동 단계와 관련이 있습니다. 여기에서는 시간-주파수(즉, 웨이블릿 분석) 기반 접근 방식을 사용하여 해마 내에서 고도로 조직화된 세타 진동을 감지하는 분석 방법을 설명합니다.

쥐 EEG에서 매우 조직 된 세타 진동의 자동 감지

여기, 음향 자극에 수면 반응을 조절하는 생쥐의 비 REM 수면의 신경 및 심장 변수의 시간적 역학을 설명하기위한 실험 및 분석 절차를 제시합니다.

수면 마우스의 스펙트럼 파워 및 심박수의 저속 역학 정량화

선물이 intracranial electroencephalography 데이터 통계 파라미터 매핑 (SPM) 소프트웨어를 사용 하 여 분석 하는 데 사용할 수 있는 두 개의 분석 프로토콜: 신경 활동, 및 동적 인과 관계에 대 한 시간-주파수 통계적 파라미터 매핑 분석 내부 및 남북 regional 연결에 대 한 유발된 반응의 모델링.

신경 활동과 연결 Intracranial 뇌 파 데이터를 사용 하 여 SPM 소프트웨어 분석

이 문서에서는 동시 EEG 및 기능성 자기 공명 영상 동안 양질의 뇌전도(EEG) 데이터를 쉽게 사용할 수 있는 의료 제품을 활용하여 획득하기 위한 간단한 프로토콜을 제공합니다.

동시 뇌전도 및 기능 MRI 중 뇌전도 데이터의 신뢰할 수 있는 획득

이 프로토콜은 의식 장애가 있는 환자에서 비침습적 신경 자극, 특히 경이륜 미주신경 자극(taVNS)에 대한 새로운 방법론적 통찰력을 제공하는 것을 목표로 합니다. 또한, 이 코호트에서 치료의 효능을 평가하기 위해 임상 및 뇌파 분석 프로토콜이 제안되고 관련 윤리적 고려 사항에 대한 논의가 이루어집니다.

의식 장애에서 경이랑 미주신경 자극 및 뇌파 평가

이 프로토콜은 휴지 상태 EEG 데이터를 위한 표준화된 MATLAB 기반 전처리 파이프라인인 PIPEMAT-RS를 제공합니다. 이를 통해 아티팩트 제거를 보장하고, 신호 품질을 개선하며, 연구 전반에 걸쳐 데이터 재현성을 높일 수 있습니다. 이 파이프라인은 필터링, 독립 구성 요소 분석(ICA) 및 아티팩트 분류를 포함한 주요 전처리 단계를 자동화하여 신경 생리학 연구를 위한 일관되고 신뢰할 수 있는 EEG 분석을 촉진합니다.

PIPEMAT-RS: 휴지 상태 EEG 전처리를 위한 표준화된 MATLAB 파이프라인의 개발 및 검증

학습하세요 EEG 마이크로스테이트 및 오메가 복잡도 분석을 통해 뇌 장애의 신경 메커니즘을 연구하는 방법을. 이 기법은 휴식 상태 뇌 네트워크를 비침습적으로 평가하여 질병 바이오마커를 식별하는 데 활용됩니다.

미세 및 휴식 상태 Electroencephalography의 오메가 복잡도 분석

더 많은 동영상 탐색