Corticale Bronanalyse van High-Density EEG-registraties bij kinderen

Samenvatting

De laatste jaren is er toenemende belangstelling voor het schatten van de corticale bronnen hoofdhuid gemeten elektrische activiteit tegen cognitieve neurologie experimenten geweest. Dit artikel beschrijft hoe een hoge dichtheid EEG wordt verworven en hoe opnames worden verwerkt voor corticale bron schatting bij kinderen vanaf de leeftijd van 2 jaar op de London baby Lab.

Samenvatting

EEG wordt traditioneel beschreven als een neuroimaging techniek met een hoge temporele en lage ruimtelijke resolutie. Recente ontwikkelingen in de biofysische modellering en signaalverwerking maken het mogelijk om informatie van andere beeldvormende technieken zoals structurele MRI die hoge ruimtelijke resolutie om deze beperking ¹ ondervangen exploiteren. Dit is vooral handig voor onderzoek dat een hoge resolutie in de temporele en ruimtelijke domein nodig. Bovendien, vanwege de eenvoudige toepassing en lage EEG-registraties, EEG vaak de voorkeurswerkwijze wanneer u met populaties, zoals jonge kinderen die niet tolereren functionele MRI scans goed. Echter, om te onderzoeken welke neurale substraten betrokken anatomische informatie van structurele MRI is nog steeds nodig. De meeste EEG analyse pakketten werken met standaard kop modellen die gebaseerd zijn op anatomie. De nauwkeurigheid van deze modellen bij gebruik voor kinderen is beperkt ^2, omdat de composition en ruimtelijke configuratie van het hoofd weefsels veranderingen dramatisch ontwikkeling ^3.

In de huidige papieren, geven we een overzicht van onze recente werk in het benutten van hoofd-modellen op basis van individuele structurele MRI-scans of specifieke leeftijd hoofd modellen om de corticale generatoren van hoge dichtheid EEG reconstrueren. Dit artikel beschrijft hoe EEG-registraties worden verworven, verwerkt en geanalyseerd met pediatrische populaties aan de London baby Lab, waaronder laboratoriumopstelling, taak ontwerp, EEG voorbewerking, MRI verwerking, en EEG kanaal niveau en bronanalyse.

Inleiding

President Barack Obama beschreef de menselijke hersenen als de volgende grens van wetenschappelijke ontdekking met een groot belang voor de gezondheid en de economie ³ (http://www.whitehouse.gov/share/brain-initiative). Maar zoals bij elk ander gebied in de natuurwetenschappen, de neurowetenschappen, hangt af van de vooruitgang in de methoden en analysetechnieken voor vooruitgang. Twee vaak gebruikte niet-invasieve instrumenten in studies over hersenfunctie bij mens magnetische resonantie beeldvorming (MRI) en elektro-encefalogram (EEG). Deze functie benut verschillende fysische eigenschappen en bieden verschillende inzichten in hersenfunctie met unieke voordelen en nadelen. MRI maakt gebruik van de magnetische eigenschappen van watermoleculen in magnetische velden om beelden van levende weefsels vinden. Het onderwerp heeft in een magneet met een hoge veldsterkte worden geplaatst. Beweging van de deelnemer is beperkt tijdens deze procedures en de deelnemer moet geluid veroorzaakt door de snelle veranderingen in het magnetische tolererenveld. Naast structurele afbeeldingen MRI geeft ook de mogelijkheid om veranderingen in het bloed oxygenatie meten hersenfunctie (fMRI) onderzocht. Samengevat, MRI biedt een relatief hoge ruimtelijke resolutie van maximaal 0,5 mm ³ met moderne high velden scanners en geoptimaliseerde parameters ^4. In tegenstelling, de temporele resolutie van fMRI beperkt tot de langzame kinetiek van de BOLD respons, die slechts indirect weerspiegelt de hoge temporele dynamica van neurale activiteit ^5,6.

Anderzijds, EEG meet veranderingen in elektrische activiteit veroorzaakt door de activiteit van neuronen via elektroden op de hoofdhuid. Recente ontwikkelingen in het EEG-technologie zorgen voor een snelle en gemakkelijke toepassing van de sensoren voor korte termijn of lange termijn en stationaire als ambulante opnames. Omdat EEG is minder beperkend, het is ook de methode van keuze voor bepaalde deelnemer bevolkingsgroepen die niet de MRI-omgeving en zoals tolereren pediatrische en bepaaldegeriatrische en psychiatrische populaties. De eigenschappen van EEG tonen een omgekeerd patroon aan die van MRI: de temporele resolutie is zeer hoog op de milliseconde nauwkeurig, maar de ruimtelijke resolutie is beperkt. Elektrische stromen doorheen verschillende weefsels tussen de generator en de EEG-elektroden op het oppervlak van de hoofdhuid. Dit leidt tot mengen en ruimtelijke versmering van bronactiviteit bekend als het volume geleiding effect. Daarom activiteit gemeten door de elektroden op het oppervlak van de hoofdhuid weerspiegelt activiteit uit meerdere bronnen die afstand de positie van de elektrode op het hoofd ^1,7 kunnen zijn.

Veel werk in de afgelopen jaren is gewijd aan de samenvoeging van MRI en EEG in om te profiteren van hun respectieve sterke punten. Een lijn van het werk is gewijd aan de gelijktijdige aankoop van EEG en MRI in functionele studies. Een andere benadering is om de ruimtelijke informatie die door structurele MRI te gebruiken om rekening te houden met het volume conduction effect door biofysische modellering. Het gebruik van structurele informatie voor bron reconstructie van EEG-registraties is vooral nuttig voor studies met een pediatrische populatie. Het onderzoek van de ontwikkeling van de hersenfunctie centraal te begrijpen hoe complexe cognitieve vaardigheden worden gebouwd op eenvoudige precursoren ^8.

Deze onderzoeken bijdragen tot veranderingen in de neurale substraten en responseigenschappen die correleren met veranderingen in gedrag prestatie te onderstrepen. Uit het onderzoek van de hersenfunctie en cognitie tijdens de ontwikkeling vormt ook specifieke uitdagingen. In het bijzonder wordt de mogelijkheid voor functionele MRI studies beperkt jonge kinderen en zuigelingen ofwel slapen of gesedeerd MRI gegevens te verkrijgen zonder bewegingsartefacten en negatieve gevolgen deelnemer welzijn te zijn. Verder EEG wordt gezien als minder risicovol en invasieve door de ouders, die de werving van deelnemers aan het onderzoek makkelijker maakt. Therefore, EEG is de methode van keuze voor vele onderzoeken van de hersenfunctie bij jonge kinderen. Methodologische ontwikkelingen in het EEG systemen maken het mogelijk de toepassing van hoge dichtheid elektrode arrays met 128 of meer kanalen binnen enkele minuten. Gemak van toepassing en draagcomfort zijn voldoende om zelfs EEG-registratie mogelijk te maken in de jongste kleuters. Echter, vaak onderzoekers zijn niet alleen geïnteresseerd in de temporele dynamiek van de reacties op bepaalde prikkels, maar wil ook de neurale substraten die de reacties bemiddelen vergelijken.

Een gangbare aanname in kanaal level ERP-analyse vergelijken van verschillende leeftijdsgroepen is dat dezelfde neurale substraten te reageren, maar dat de timing of de reactie amplitude varieert in leeftijd ^9. Soortgelijke hoofdhuid topografie wordt vaak gebruikt als een indicator van onderliggend neurale activiteit. Echter, veel andere bron configuraties leiden tot soortgelijke hoofdhuid topografieën ^10. Door het toepassen van bron schatting, dit Uncertainty kan worden verminderd en gekwantificeerd. De onafhankelijkheid van de waarnemingen is van cruciaal belang voor het netwerk accounts van hersenfuncties: als de bronnen worden gemengd, correlaties zal de nadruk echter op hogere lokale connectiviteit. Bron reconstructie kan op deze bias ¹¹ verminderen. Als alternatief kunnen de verschillen in timing en fase worden gebruikt voor connectiviteit analyse, maar deze wiskundige modellen vereisen aannames die moeilijk te evalueren in niet gesimuleerde data ¹² zijn. Samengevat, bron schatting geeft aanvullende informatie aan kanaal niveau EEG en ERP-analyse op basis van kennis over anatomie en biofysische eigenschappen van het weefsel.

Verschillende algoritmen ontwikkeld om oplossingen aan de inverse probleem. Deze algoritmen kunnen ruwweg in twee categorieën: parametrische en niet parametrische ^13. Parametrische modellen veronderstellen een of meerdere dipolen die kunnen variëren in locatie, oriëntatie en kracht. In tegenstelling, niet parametrische modellen containersna groot aantal dipolen met vaste locatie en oriëntatie. In deze modellen wordt de hoofdhuid elektrische activiteit uitgelegd als een combinatie van activaties in de vaste dipolen ^10,13,14. Niet parametrische kan gedistribueerd bron modellen zijn gebaseerd op kennis van de anatomie en de geleidbaarheid in verschillende media. Boundary Element Modellen zijn voorzien van geleidbaarheid waarden voor de belangrijkste weefsels van het hoofd met verschillende schelpen voor de hersenen, cerebro spinale vloeistof, en de schedel. Dit is gebaseerd op de veronderstelling dat geleidbaarheid zo constant in elk compartiment, maar duidelijke veranderingen optreden op de grens van verschillende compartimenten. Eindige elementen modellen zijn gebaseerd op verdere segmentering van MRI-scans in grijze en witte stof, zodat de geleidbaarheid waarden kunnen worden toegewezen aan elke voxel ^15.

Concreet niet parametrische modellen zijn bijzonder nuttig voor bron wederopbouw in complexe cognitieve taken, waarbij het aantal gebieden geïmpliceerdniet bekend ^10. Randelementenmethode modellen worden het meest gebruikt in de huidige literatuur, waarschijnlijk omdat het nauwkeuriger Eindige Elementen Modellen poseren vergelijkbaar hoog computationele eisen. Verder is er aanzienlijke interindividuele variabiliteit in grijze en witte stof, zodat fems moet gebaseerd zijn op individuele MRI-scans.

Niet-parametrische modellen vereisen een tweede stap voor het afstemmen van de hoofdhuid gemeten activiteit om de voorspellingen van de voorwaartse model. Nogmaals, hebben verschillende benaderingen met verschillende voor-en nadelen besproken in de literatuur (zie Michel et al.. 2004 voor een overzicht). De meest gebruikte algoritmes zijn gebaseerd op minimale norm schatting (MNE), waarbij de hoofdhuid gemeten activiteit overeenkomt met een stroomverdeling in de voorwaartse model met de laagste totale intensiteit ^16. MNE is vooral gericht op zwakke en oppervlakkige bronnen. Diepte gewogen MNE algoritmen proberen om het oppervlak vertekening verminderen door de invoering van wegingmatrices gebaseerd op wiskundige aannames ^10. De veel gebruikte LORETA benadering is ook gebaseerd op de gewogen MNE, maar bovendien minimaliseert de Laplace van bronnen, wat leidt tot soepeler oplossingen ^17,18. LORETA is gevonden om het beste voor enkele bronnen uit te voeren in de simulatie studies ^19,20. Echter, LORETA leiden tot meer dan afvlakking van oplossingen. Diepte gewogen MNE voorkeur wanneer de bron onbekend of meerdere bronnen waarschijnlijk aanwezig ^{13, 16} te zijn. Vergelijking van de resultaten van verschillende algoritmen om de invloed van verschillende modelveronderstellingen evalueren aanbevolen.

Samengevat, is de bron reconstructie door modelleringsmethoden beperkt voor kinderen tot voor kort. Dit komt omdat de meeste EEG analyse software is gebaseerd op het hoofd modellen gebaseerd op anatomie dat de nauwkeurigheid van source-oplossingen bij kinderen ^2,8 aanzienlijk beperkt. De goedkope toegang tot de rekenkracht en de verstrekking vanuser software voor bron reconstructie maken het mogelijk om deze beperkingen te overwinnen. Het toepassen bron schatting aan de EEG biedt twee belangrijke voordelen ten opzichte van analyse op basis van kanaal niveau waarnemingen alleen: verbeterde ruimtelijke resolutie en de onafhankelijkheid van observaties.

Bron schatting niet informatief in sommige gevallen: goede dekking van het hoofd vereist om bronnen te onderscheiden. Hoge dichtheid systemen met 128 of meer elektroden worden aanbevolen ^10,15; een sparser dekking zal fungeren als een ruimtelijk filter leidt tot meer wijd verspreid bron activering of vals negatieve resultaten ^10. Bovendien bron reconstructie op basis van de in dit artikel beschreven methode is alleen gerapporteerd voor corticale generatoren. Daarom is het minder geschikt voor het testen van hypothesen subcorticale substraten of subcorticale corticale interacties. Ten slotte moet de bron analyse worden gebaseerd op gedetailleerde voorafgaande hypothesen over de corticale substraten,het nemen van de bestaande literatuur uit andere beeldvormende modaliteiten in aanmerking. Ruimtelijke filtering technieken kunnen ook worden gebruikt om de ruimtelijke resolutie van het EEG-signaal verbeteren door ruimtelijke menging op de hoofdhuid niveau. Alternatieve methoden om de invloed van het volume geleiding effecten zonder kop modelleren verminderen worden gebruikt, bijvoorbeeld, Laplace filtering ²¹ of stroombron Density analyse ^22. Echter, deze methoden niet meer informatie over neurale generatoren als volume-geleiding effecten zijn niet alleen beperkt tot de sensoren in nauwe ruimtelijke nabijheid ^1.

In de volgende paragrafen, het artikel wordt beschreven hoe experimenten voor het onderzoek van de hersenen en de cognitieve functie bij kinderen van 2 jaar of ouder zijn ontworpen aan de London baby Lab. Vervolgens wordt EEG data-acquisitie met een hoge dichtheid lage impedantie systemen met kinderen besproken. Vervolgens wordt EEG voorbewerking en analyse op het kanaal niveau gepresenteerd. Lastly, het artikel richt zich op de verwerking van de structurele MRI data voor corticale bron reconstructie en analyse van de bron niveau signalen.

Protocol

1. Ontwerpen EEG en evenementen gerelateerd potentieel experimenten voor kinderen

Opmerking: Een eenvoudig experiment werd ontworpen voor de toepassing van dit artikel dat kan worden gebruikt om het gezicht verwerking in jonge kinderen te onderzoeken. De volgende sectie zal het experiment beschrijven en verklaren hoe de uitvoering ervan met behulp van MATLAB R2012b en Psychtoolbox V3.0.11 ^23,24. Foto's genomen van de NimStim set van emotionele gelaatsuitdrukkingen ²⁵ werden gebruikt voor dit voorbeeld. Deze stimulus set is beschikbaar voor onderzoeksdoeleinden op aanvraag ( http://www.macbrain.org/resources.htm ).

1. Breng de RGB-foto's om grijstinten verschillen tussen stimuli te verminderen. Zie tabel 1. Opmerking: Deze opdrachten vereisen de Beeldverwerking Toolbox ( http://www.mathworks.co.uk/products/image/ ). Gratis alternatieven kunnen worden gevonden through de Exchange File ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
2. Gebruik experimentele control software voor de uitvoering van het experiment met precieze timing voor de stimulus presentatie triggers met behulp van een reeks opdrachten (zie tabel 1 voor een voorbeeld).

2. Data Acquisition

1. Zorg ervoor dat het kind comfortabel met de testomgeving. Laat jongere kinderen om te zitten op de schoot van hun verzorger of in de stoel een comfortabele kind. Laat het kind zien en voelen de sensor net voordat u het op het hoofd van het kind. Als er een extra netto, hebben de ouders ook proberen een op en plaats een op een pop of gevulde teddy.
2. Meet de maximale hoofdomtrek om de juiste netto formaat voor het kind te kiezen. Gebruik een meetlint en houd deze ingedrukt om de nasion. Meet vervolgens rond het hoofd om de maximale omtrek (~ 1cm boven de INION). Let op: een register bijhouden van de gemeten hoofdomtrek en de sensor net gebruikt voor latere analyse ^26. Het helpt als de ouders hoofd ook wordt gemeten om kinderen meer vertrouwd met de situatie te maken.
3. Identificeer de top van het hoofd op de kruising van de midden afstand tussen nasion en INION en links en rechts periauricular punt. Markeer dit punt met een porseleinen pen om ervoor te zorgen dat de vertex kanaal juist is gepositioneerd bij de toepassing van het net.
4. Breng de sensor net en zorg ervoor dat de belangrijkste kanalen zijn afgestemd op de anatomische oriëntatiepunten (nasion, INION, vertex en links / rechts mastoids). Opmerking: Voor de meest nauwkeurige resultaten, kan de positie van de kanalen op de kop digitaal worden verkregen met behulp van speciale apparatuur digitalisering. Onderzoekers willen de sensor positie te verwerven moet verwijzen naar de juiste hardware en software handleidingen. Als alternatief elektrode kaarten die standaard plaatsing van de elektroden veronderstellen langs anatomische landmarks worden gebruikt. Deze kaarten kunnen worden vervormd passende hoofdmodellen verouderen zoals beschreven in de sectie analyse.
5. Erop toe dat rookkanalen hebben goed contact met de hoofdhuid door het plaatsen van de sensoren individueel; buigt elke sensor van links naar rechts om haar te verplaatsen uit de weg.
6. Meten kanaal winsten en kanaal impedanties. Klik op "Start" om de opname te starten in NetStation EEG-registratie software en begin gain en impedantie meting. Als de meting niet automatisch start, gebruik dan de "kalibreren Amplifier" en de "Maatregel Net impedanties" knop.
7. Controleer de opnamesoftware voor kanalen met een impedantie die hoger dan 50 kOhm die rood zal verschijnen. Solliciteer extra elektrolyt oplossing met een pipet om kanaal impedanties verlagen. Controleer de EEG-display voor de kanalen die hoge frequentie activiteit vertonen, ondanks lage impedantie of merkbaar minder activiteit dan omringende kanalen (vlakke lijn kanalen). Deze kanalen kunnen have los contact met de hoofdhuid en vereisen aanpassing.
8. Om kinderen comfortabel te houden tijdens de EEG voorbereiding, laat het kind om naar muziek te luisteren, kijken een leeftijd passende cartoon of afleiden ze met behulp van een andere onderzoeker, bijvoorbeeld, blazen zeepbellen voor peuters.

3. Analyse

1. Preprocessing
   1. De gegevens met een high-pass filter digitaal filter met een cut off bij 0,1 Hz te verwijderen kanaal drifts ²⁷ (tabel 1).
   2. Voor ERP analyse, breng dan een low pass filter met een cut off bij 30 Hz ²⁷ (tabel 1).
   3. Tijdvak de continue data volgens de trigger code ingesteld tijdens opname. Voor de meeste experimenten gebruikt een basislijn van 200 msec voor aanvang en na een stimulus interval van 600 msec stimulus om het tijdsinterval plaats (tabel 1) omvat.
   4. Verwijder tijdperken die beweging of knipperen artefacten bevatten: mark channels met een piek tot piek amplitude van meer dan 150 mV - passen deze drempel afhankelijk van de deelnemersgroep en de kwaliteit van de gegevens. Voor de consistentie, maken gebruik van dezelfde drempel voor alle deelnemers in een studie. Als een kanaal is boven deze drempel in meer dan 30% van de tijdperken, verwijder het kanaal (kanaal activiteit kan worden geïnterpoleerd op grond van de omliggende kanalen, indien deze bevatten aanvaardbare gegevens). Als meer dan 20% van de kanalen worden gemarkeerd als slecht in een tijdperk, verwijder het tijdperk. Indien meer dan 20% van kanalen door het algoritme wordt afgewezen of minder dan 50% van de tijdperken behouden, overweeg verwijderen van de dataset van verdere analyse (Tabel 1).
      Opmerking: Het percentage drempels voor tijdperk en kanaal afstoting margecijfers dat een voldoende hoeveelheid ruis te verwijderen in onze ervaring. De hoeveelheid artefact in de opname is waarschijnlijk anders worden met behulp van andere deelnemende groepen, experimentele paradigma of EEG-systemen. De onderzoekers kunnen willen het percentage aan te passendrempels en controleer of ze tevreden zijn met het artefact afwijzing. Als alternatief kunnen onderzoekers proeven die artefact bevatten door visuele inspectie weigeren.
   5. Re verwijzing naar gemiddelde referentieprijs door het aftrekken van de gemiddelde activiteit over kanalen van elk kanaal (tabel 1). Opmerking: De top elektrode wordt typisch gebruikt als de opname referentie NetStation.
2. Artifact Correctie Met behulp van Independent Component Analysis
   1. De gegevens te importeren in de SNELLER gereedschapskist ²⁸ en voer de automatische artefact afwijzing algoritme op de data (Tabel 1).
   2. Gebruik de Graphical User Interface (GUI) voor SNELLER; om de GUI, soort FASTER_GUI open in de opdrachtregel.
   3. Deselecteer de filteropties in de filter menu als de gegevens al gefilterd voordat het epoching.
   4. Geef het aantal kanalen: 126 EEG-kanalen met 2 electrooculagram (EOG) kanalen.
   5. Voer hetmerkers voor epoching de gegevens als strings in een celmatrix. Voor het voorgelegde geval invoeren: {'gezicht', 'scra'} voor het gezicht en roerei gezicht voorwaarden.
   6. Selecteer de kanalen voor de onafhankelijke component analysis (ICA). Selecteert meestal de gehele opname kanalen, incl.. externe niet EEG-kanalen.
   7. Geef de input en output map in het rechterpaneel van de GUI.
   8. Kies het juiste kanaal bestand voor de opnames. Noot: Kanaal-bestanden voor de meeste EEG-systeem kan zowel worden gedownload van de fabrikant of kan worden gedownload van de EEGLAB website.
   9. Klik op Uitvoeren om een ​​snellere verwerking beginnen. Afhankelijk van de lengte van de opnames en het aantal bestanden, kan deze bewerking enkele uren duren.
   10. Visueel te inspecteren na de verwerking van de opnames, zelfstandig onderdeel kaarten en ERP.
3. Channel Level Analyse van Event-Related Potentials gegevens
   1. Combineer verschillende kanalen om een ​​virtuele c vormenhannel met een betere signaal-ruisverhouding (tabel 1). NB: De selectie van kanalen moet gebaseerd zijn op eerdere rapporten in de literatuur of a priori hypothesen. Het selecteren van kanalen die de hoogste amplitude binnen een bepaald tijdvenster tonen wordt afgeraden ^29.
   2. Verkrijgen maatregelen zoals piekamplitude, bedoel amplitude en piek latentie aan de golfvorm karakteriseren en statistische tests (tabel 1) uit te voeren.
4. Maak Boundary Element Models (BEM)
   1. Segment de anatomische MRI-scan met FreeSurfer. Opmerking: Voor de meest nauwkeurige resultaten, baseren de grens element model op individuele MRI-scans voor elke deelnemer. Indien dit niet mogelijk is, zou de gemiddelde MRI templates die overeenkomen leeftijd van de deelnemers zo goed mogelijk worden gebruikt. Houd er rekening mee dat BEM niet kunnen worden gebruikt voor kinderen jonger dan 24 maanden. Randelementenmethode modellen gaan ervan uit dat elke schelp (hersenen, schedel, huid) bestaat uit een gesloten schelp. In yooral kinderen de fontanellen in de schedel zijn niet gesloten, die de gesloten schil veronderstelling schendt.
      1. Om FreeSurfer software te installeren, eerst downloaden via de website FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Next, het opzetten van de shell-omgeving omvatten FreeSurfer; . voor bashrc, zijn de volgende opdrachten in het bashrc bestand.:
         1. Export FREESURFER_HOME = / Applications / freesurfer /
         2. Bron $ FREESURFER_HOME / FreeSurferEnv.sh
            Opmerking: Deze commando's gaan ervan uit dat de map FreeSurfer is in de map Programma's op een Unix-systeem. Er zijn meer details over het instellen FreeSurfer met alternatieve shell omgevingen zoals csh / tcsh, of besturingssystemen op de FreeSurfer website ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Definieer het onderwerp richtingtory, namelijk de map die de productie zal worden geschreven aan met het volgende commando:
         1. export SUBJECTS_DIR = / ... / BEM /
            Opmerking: De resultaten kunnen worden geschreven in een map op het systeem.
      3. Wijzig vervolgens de werkmap naar de map met de MRI-bestand voor de Boundary Element Model met de volgende opdracht bevat:
         1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Kinderen / Hersenen /
            Opmerking: Elke map op het systeem kan worden bepaald met behulp van de syntaxis van de opdracht cd. Dit is een voorbeeld van de primaire onderzoekers bestandsstructuur.
      4. Tot slot start u de reconstructie met behulp van de volgende opdrachten:
         1. recon-all-i -subjid
         2. recon-all-all-subjid
            Opmerking: moet worden vervangen door de bestandsnaam van de gewenste MRI scan in de huidige directory. kan repgeregen met een willekeurige naam. FreeSurfer creëert een map met deze naam in het onderwerp directory. Afhankelijk van het gebruikte systeem, kan de laatste commando enige tijd te lopen nodig.
   2. Controleer de FreeSurfer segmentatie voor onjuiste segmentatie, bijvoorbeeld. overlappende gebieden, anatomisch onwaarschijnlijk compartimenten etc. door het importeren van de segmenten in BrainStorm en gebruik het display gereedschap in de GUI:
      1. In BrainStorm, selecteert u het paneel 'anatomie. Importeer de gesegmenteerde MRI door met de rechtermuisknop te klikken op het onderwerp en "Importeren Anatomie Folder" te selecteren. Zorg ervoor dat de map met de FreeSurfer uitgang geselecteerd. Inspecteer de segmentatie visueel door rechts te klikken en te kiezen voor "Display". Opmerking: Als alternatief kan FreeSurfer opdrachten worden gebruikt. Een gedetailleerde beschrijving is te vinden op de website FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedREDEROPBOUW. Als regio van belang analyse op basis van anatomische verkaveling is gewenst, de FreeSurfer functies mris_ca_label , mri_annotation2label en mri_mergelabels kunnen worden gebruikt. Raadpleeg de FreeSurfer publicaties en online help pagina's voor meer gedetailleerde informatie.
5. Schat de Bron activiteit in BrainStorm
   1. Begin BrainStorm door het intikken van "brainstorm" in het commando venster.
   2. Maak een nieuw protocol van Nieuw protocol te selecteren in het menu Bestand.
   3. Voeg een nieuwe Subject aan het protocol door het selecteren Nieuw onderwerp in het menu Bestand.
   4. Import EEG data voor de deelnemer door rechts te klikken op het onderwerp en selecteer "Import MEG / EEG".
   5. Importeer een kanaal bestand door met de rechtermuisknop te klikken en te kiezen voor "Import kanaal bestand". Opmerking: Het kanaal bestand moet worden afgestemd op de MRI voor bron wederopbouw. BrainStorm gebruikt een systeem van 4 anatomische referentiepunten die de gebruiker moet markeren de MRI. Raadpleeg de BrainStorm tutorials voor meer informatie ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). De standaardpositie zoals gedefinieerd door een kanaal bestand voor een bepaalde EEG systeem of, idealiter, het hoofd posities die gedigitaliseerd vóór de EEG-registratie worden gebruikt.
   6. Controleer of de BEM en de kanalen af ​​te stemmen zoals verwacht: Klik met de rechtermuisknop op het kanaal bestand voor het onderwerp en ga naar "MRI registratie" en "; Check ". Opmerking: Als de bollen in het model elkaar overlappen of als de kanalen zijn binnen de BEM, zal de bron reconstructie leiden tot onjuiste resultaten. Pas de uitlijning met de optie "Edit" in het menu "MRI segmentatie".
   7. Bereken het lawaai covariantiematrix van de basislijn van elk tijdperk door rechts te klikken op de deelnemer en het kiezen van "Noise Covariantie Matrix" en "Berekenen van opname". Opmerking: De auteurs van het Brainstorm toolbox raden het gebruik van een diagonale geluid covariantiematrix voor korte opnames (~ minder tijdstippen dan kanalen) en een volledige een voor langere opnames. Raadpleeg de BrainStorm Bron Schatting tutorial voor meer informatie: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. Bereken de Bron Model door rechts te klikken op het onderwerp en te kiezen voor "Compute source model ".
   9. Bereken de inverse oplossing met behulp van diepte-gewogen Minimum Norm Schatting door rechts te klikken op het onderwerp en "Compute Source" en "Minimale norm schatting" te selecteren. Opmerking: Andere opties (dSPM, sLORETA) zijn beschikbaar. Elke optie heeft verschillende voordelen en nadelen. Het algoritme moet worden geselecteerd op basis van a priori overwegingen en eerdere rapporten in de literatuur. Verder zijn sommige algoritmen zijn beter in het oplossen van focale activering in bepaalde gebieden, terwijl andere zijn meer geschikt voor wijdverbreide activering. MNE werd gebruikt voor deze studie op basis van eerdere rapporten in de literatuur ^16. Voor consistentie moet hetzelfde algoritme voor inverse oplossing worden gebruikt voor alle deelnemers in een studie. Onderzoekers kunnen ook wilt vergelijken hoe robuust bevindingen zijn aan de toepassing van verschillende inverse oplossing algoritmen.
   10. Herhaal hoofdstuk 3 voor alle deelnemers aan het onderzoek. Opmerking: Of gebruik de grasche batch-interface of de scripts om processtappen te herhalen voor deelnemers. Zie de BrainStorm voor instructies ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
   11. Gemiddeld bron activiteit over trials per deelnemers door de opnames aan het proces van Menu en het selecteren van "Gemiddeld" en "Door conditie (onder gemiddeld)".
   12. Het contrast van de conditie door het selecteren van de "Processen 2" en slepen elke voorwaarde in een venster. Selecteer dan "Test" en "Student's t-test" of "Student's t-test (gepaard)" afhankelijk van de uitvoering. Om meerdere vergelijkingen, set amplitude en omgeving drempels presteren in de weergave van de resulterende statistische kaart in het menu "Stat". Let op: U kunt de activering kaarten worden geëxporteerd naar SPM ( http://www.fil.ion.ucl.ac.uk / spm /) voor meer diepgaande statistische analyse ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
   13. Bereken de event-related respons voor een regio van belang. Voor verkaveling gebaseerde ROI, laadt de FreeSurfer verkaveling door rechts te klikken op de cortex oppervlak in de anatomie menu en selecteer "labels importeren". Navigeer het desbetreffende bestand en laad het. Kies nu een ROI in de "Scout" ruit van de functionele gegevens menu.
   14. Het verkrijgen van de ROI evenement gerelateerde activiteiten door bestanden te slepen naar het proces van 1 venster en kies "Extract Scout Time Series" in het menu Sources. Opmerking: Verschillende ROI kunnen gelijktijdig worden geselecteerd en de ROI tijdreeksen kan voor verdere plotten en analyse worden uitgevoerd door met de rechtermuisknop te klikken op de scout tijdreeks gegevens en te kiezen voor "Exporteren naar Matlab".

Resultaten

Ontwerpen ERP experimenten voor zuigelingen en kinderen is vaak lastig, vanwege hun beperkte capaciteit om lange herhaalde experimenten ³⁰ tolereren. Dit probleem wordt verder verergerd wanneer de experimentator voornemens bron reconstructie toegepast, omdat nauwkeurige bron reconstructie een hoog signaal vereist ruisverhouding ^1. Figuur 1 toont een experimenteel protocol voor het onderzoeken van het gezicht verwerkingsprocessen die gebruikt kunnen worden met zeer jonge kinderen. H...

Discussie

Het huidige artikel beschrijft de registratie en analyse van hoge dichtheid EEG voor de wederopbouw van de corticale generatoren gebruiken randelementenmethode modellen op basis van leeftijd passende gemiddeld MRI templates en diepte gewogen minimum norm schatting in een standaard ERP-paradigma geschikt voor kinderen. In dit paradigma, worden de beelden van gezichten en roerei gezichten gepresenteerd. Verschillende auteurs gebruikten dit paradigma voor de ontwikkeling van het gezicht verwerkingsprocessen overdevelopment...

Materialen

```html

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
High-density EEG sensor net (128 of 256 kanalen)	HydroCel Geodesic Sensor Net 128	Electrical Geodesic Inc., Oregon, VS
EEG hoge impedantieversterker	NetAmps 200	Electrical Geodesic Inc., Oregon, VS
Data Acquisition Computer	PowerMac G4	Apple Inc, California, VS
Stimulus Presentatie Computer	Optiplex 745	Dell Computers Inc., Texas, VS
Stimulus Presentatie Software	MATLAB R2012b met PsychToolBox	Brainard et al. 1997
EEG opnamesoftware	NetStation 4.5.1	Electrical Geodesic Inc., Oregon, VS
EEG analysesoftware	MATLAB R2012b	The Mathworks Inc.
	EEGLAB	Delorme et al. 2004
	BrainStorm	Sylvain et al. 2001
MRI verwerkingssoftware	FreeSurfer	Fischl et al. 2004
	OpenMEEG	Gramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: een open-source toolbox voor analyse van enkele trial EEG-dynamiek inclusief onafhankelijke componentenanalyse. Journal of Neuroscience Methods, 134(1), 9–21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: een gebruiksvriendelijke applicatie voor MEG/EEG-analyse. Computational Intelligence and Neuroscience, 1–13, (2011).
Fischl, B. et al. Automatisch in delen breken van de menselijke cerebrale cortex. Cerebral Cortex, 14(1), 11–22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: opensource software voor quasistatische bio-elektromagnetiek. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. De psychofysica toolbox. Spatial vision, (1997).

```