Toepassingen van EEG Neuroimaging gegevens: Event-Related Potentials, Spectral Power, en Meerschalige Entropy

Het algemene doel van deze procedure is om de variabiliteit van een EEG-tijdreeks te kwantificeren en deze variabiliteit te relateren aan de informatieverwerkingscapaciteit van het onderliggende neurale systeem. Dit wordt bereikt door eerst EEG-opnamen van hoge kwaliteit van de respons van de hersenen te verkrijgen. De tweede stap is het voorbewerken van de gegevens om eventuele artefacten te verwijderen.

Vervolgens worden de relevante statistieken geëxtraheerd. Hier zullen we de nieuwe toepassing van multi-scale entropy contrasteren met traditionelere methoden van gemiddelde amplitude en spectraal vermogen. De laatste stap is het analyseren van de statistische significantie van de resultaten en het interpreteren van de gegevens.

Deze stap kan worden vergemakkelijkt door het gebruik van datagedreven multivariabele benaderingen, zoals partial least squares-analyse. Uiteindelijk wordt multi-scale entropy gebruikt om aan te tonen hoe een reeks veranderingen in het spatiotemporele patroon over meerdere tijdschalen bijdraagt aan specifieke cognitieve operaties. Het voordeel van het gebruik van MSC ten opzichte van bestaande methoden, zoals gemiddelde amplitude of spectrale vermogen, is dat MSC gevoelig is voor de niet-lineariteiten in de data.

Deze niet-lineaire dynamiek weerspiegelt overgangen of bifurcaties tussen de microtoestanden van een netwerk, wat belangrijk is voor de informatie-uitwisseling over een gedistribueerd netwerk van hersengebieden. Christina Backer van het ERP-lab aan het Rotman Research Institute zal deze procedure demonstreren. Leg eerst de experimentele procedures uit aan de deelnemer en verkrijg geïnformeerde toestemming.

Reinig het gebied waar de dropdown-elektroden worden geplaatst met een alcoholswab. Breng wat gel aan op de elektrode. Verwijder het papier van de huidzijde en plaats de elektroden op de deelnemer om oogbewegingsartefacten te identificeren.

Plaats een elektrode op de laterale overgang tussen het bovenste en onderste ooglid. Plaats een andere elektrode in het midden van de orbitale rand, ongeveer één centimeter onder het oog en in lijn met de pupil. Herhaal dit voor het andere oog.

Meet de hoofdomtrek van de deelnemer en kies de juiste maat voor de elektrodencap volgens het internationaal erkende 10-20 systeem. Voor de plaatsing van de elektroden meet u de afstand van de inion langs de middellijn en vermenigvuldigt u dit met 10%. Gebruik dit getal om vanaf het nasion omhoog te meten en markeer dit punt.

Lijn de positie FP van de elektrodencap uit met deze markering en trek de cap naar achteren. Zorg ervoor dat het midden van de cap in lijn is met de neus. Meet de afstand van nasn naar cz en bevestig dat deze afstand de helft is van de afstand van NAS naar Indian.

Trek vervolgens de kinband aan en plaats indien nodig gaas onder de band voor meer comfort. Plaats nu de met gel gevulde stompe spuit in de elektrodehouders om een geleidende kolom van gel te creëren. Begin in contact met de hoofdhuid, knijp vervolgens en trek de spuit terug.

Let op dat het aanbrengen van te veel gel de signalen van naburige elektroden kan overbruggen. Bevestig vervolgens de actieve elektroden in de elektrodehouders. Plaats daarna de proefpersoon op de juiste afstand voor de monitor.

Vraag de deelnemer voor het experiment om stil te blijven zitten, waarbij de nadruk wordt gelegd op het belang van het minimaliseren van oogbewegingen en knipperingen. Controleer voor een schone opname de elektrodeverbindingen en de EEG-signaalkwaliteit op de acquisitiecomputer. Als er een probleem is met een specifieke elektrode, verwijder dan die elektrode en breng opnieuw gel aan om de impedanties op die locatie aan te passen na het experiment, maar vóór het extraheren van de specifieke statistiek van belang.

Voorbewerking van de continue EEG-gegevens om artefacten te verwijderen met behulp van standaardprocedures voor filtering en artefactrejectie. Event-related potential-analyse legt de synchrone hersenactiviteit vast die fase-gelockt is aan het begin van een stimulus. Koppel de respons van de hersenen in de tijd aan het begin van een opvallende gebeurtenis en bereken vervolgens het gemiddelde over vele soortgelijke gebeurtenissen. Om de signaal-ruisverhouding te verhogen, worden de piekamplitude en latentie van de ERP-component voor elk subject bepaald. Spectraal vermogen kwantificeert de relatieve bijdrage van een frequentie aan een specifiek EEG-signaal.

Gebruik Fourier-analyse om het EEG-signaal te transformeren van het tijdsdomein naar het frequentiedomein en het signaal te ontleden in de component sinusgolven van verschillende frequenties. Multi-scale entropy is een informatietheoretische metriek die de variabiliteit van neuro-elektrische signalen over de tijd en over meerdere tijdschalen vastlegt. Gebruik het algoritme op PhysioNet om de multi-scale entropy in twee stappen te berekenen.

In de eerste stap wordt er progressief gedownsampled. Bemonster het signaal voor elke trial en tijdsschaal van de conditie. Eén representeert het oorspronkelijke signaal.

Creëer opeenvolgende tijdschalen door het oorspronkelijke signaal eerst te verdelen in niet-overlappende vensters van de lengte van de tijdschaal. Bereken vervolgens het gemiddelde van de datapunten binnen elk venster. Om bijvoorbeeld tijdschaal twee te creëren, middelt u de waarden.

De eerste twee punten, de volgende twee punten, enzovoort. Om tijdschaal drie te creëren, worden de eerste drie punten samen gemiddeld, dan de volgende drie punten, enzovoort. Door het oorspronkelijke signaal op verschillende tijdschalen weer te geven, kunnen neurale processen die zich mogelijk met verschillende snelheden ontvouwen, worden geanalyseerd.

In de tweede stap wordt de steekproefentropie voor elk traject berekend. Gekorreleerde tijdreeksen. Dit geeft een schatting van de complexiteit van de hersenrespons op de verschillende tijdschalen.

Regelmatige signalen hebben een lagere steekproefentropie dan meer stochastische signalen. In dit voorbeeld is de patroonlengte M ingesteld op twee. Dit betekent dat de tijdreeks zal worden weergegeven als een verhouding tussen overeenkomsten in sequenties van twee versus drie punten.

Parameter R is het similariteitscriterion. Datapunten die binnen dit amplitudebereik vallen, hebben vergelijkbare waarden en worden daarom als overeenkomstig beschouwd. Raadpleeg voor details over het instellen van parameters het tekstprotocol voor het berekenen van de steekproefentropie voor deze gesimuleerde tijdreeks.

Begin met de eerste twee componenten. Sequentiepatroon, rood oranje; tel eerst hoe vaak het rood-oranje sequentiepatroon voorkomt in de tijdreeks. Hiervoor zijn er 10 overeenkomsten.

Twee componentenreeks. Tel vervolgens hoe vaak de eerste drie componenten van de reeks voorkomen. Het volgpatroon rood, oranje, paars komt voor in de tijdreeks.

Er zijn vijf overeenkomsten voor dit onderdeel. Drie componentenvolgorde. Ga verder met dezelfde bewerkingen voor de volgende twee componentenvolgorde, oranje, paars, en de volgende drie componentenvolgorde, oranje, paars, groen van de tijdserie.

Voeg het aantal overeenkomsten van twee componenten en overeenkomsten van drie componenten voor deze sequenties toe aan de vorige waarden. Herhaal dit voor alle andere sequentie-overeenkomsten in de tijdreeks om de totale ratio van overeenkomsten van twee componenten ten opzichte van overeenkomsten van drie componenten te bepalen. De steekproefentropie is het natuurlijk logaritme van deze ratio.

Deze gegevens tonen conditionele verschillen in ERP-spectraalvermogen en entropie bij het contrasteren van de initiële versus herhaalde presentatie van gezichtsfoto's. In dit voorbeeld convergeerden alle maten om hetzelfde effect aan te tonen: een afname in steekproefentropie die gepaard gaat met gezichtsherhaling. Deze afname in complexiteit suggereert dat het betrokken functionele netwerk eenvoudiger is en minder informatie verwerkt.

Deze statistische resultaten zijn afgeleid van de multivariate analyse van partial least squares van de ERP-spectraalvermogens en multi-scale entropie voor gezichten geassocieerd met verschillende niveaus van bekendheid. Het contrast laat zien dat de ERP-amplitude nieuwe gezichten onderscheidde van bekende gezichten, maar niet tussen de bekende gezichten die varieerden in de mate van eerdere blootstelling. Het spectraalvermogen onderscheidde gezichten op basis van de bekendheid, maar maakte geen nauwkeurig onderscheid tussen gezichten met een lage en een gemiddelde bekendheid.

Multi-scale entropie was het meest gevoelig voor de verschillen tussen de condities. De waarden van de sample-entropie namen toe naarmate de bekendheid met het gezicht toenam. Deze afbeeldingsplots leggen de spatio-temporele distributie van het conditie-effect vast.

Interessant genoeg onthulde multiscale entropy unieke informatie die niet werd verkregen door de meer traditionele analyses van ERP of spectraal vermogen. Deze divergentie van multiscale entropy suggereert dat de condities verschillen wat betreft niet-lineaire aspecten van hun netwerkdynamiek, waarbij mogelijk interacties tussen frequentiebanden betrokken zijn. Deze nieuwe analytische tool helpt ons om nieuwe informatie over de neurale netwerkdynamiek vast te leggen, wat ons helpt om af te stappen van het karakteriseren van mentale functies in termen van statische toestanden en toe te bewegen naar het begrijpen van de vloeiende ontvouwing van processen die verbonden zijn met menselijke cognitie.