Zastosowania danych neuroobrazowania EEG: potencjały związane ze zdarzeniami, moc widmowa i entropia wieloskalowa

Ostatnie postępy w neuroobrazowaniu znacznie poszerzyły nasze zrozumienie funkcji mózgu. Jednak wiele zastosowań danych neuroobrazowych ma tendencję do wzmacniania obrazu mózgu w stanach statycznych, zamiast kłaść nacisk na operacje poznawcze w miarę ich rozwoju w czasie rzeczywistym. W związku z tym niewiele wiadomo na temat struktury czasoprzestrzennej sieci mózgowych i tego, w jaki sposób sekwencja zmian we wzorcach czasoprzestrzennych w wielu skalach czasowych przyczynia się do określonej operacji poznawczej. Niniejszy artykuł opisuje entropię wieloskalową (MSE) ⁵, nowe narzędzie analityczne do danych neuroobrazowych, które bada złożoność wzorca czasoprzestrzennego leżącego u podstaw określonych operacji poznawczych, dostarczając informacji o tym, jak różne generatory neuronowe w funkcjonalnej sieci mózgowej komunikują się w wielu skalach czasowych.

Wywodzący się z teorii informacji, stosowanej gałęzi matematyki ^7,16, MSE został pierwotnie zaprojektowany do badania złożoności elektrokardiogramów ⁴. Teoretycznie MSE może być używany do analizy złożoności dowolnego szeregu czasowego; Podstawowym wymogiem jest, aby szereg czasowy sygnału zawierał co najmniej 50 punktów danych w czasie ciągłym. Jednak zależność od skali czasowej i wrażliwość na dynamikę liniową i nieliniową w danych może sprawić, że MSE będzie szczególnie pouczające w zakresie dynamiki sieci neuronowych.

Tutaj skupiamy się na zastosowaniu MSE do danych neuroobrazowania elektroencefalogramu (EEG) ^9,12. EEG to nieinwazyjna technika neuroobrazowania, w której elektrody umieszczone na skórze głowy rejestrują odpowiedzi postsynaptyczne populacji neuronów w korze nowej ¹. Dzięki wysokiej rozdzielczości czasowej, EEG z łatwością spełnia długość szeregów czasowych wymaganą przez MSE bez zmiany typowego protokołu akwizycji. Aby podkreślić użyteczność zastosowania MSE do danych EEG, porównujemy tę nowatorską metodę z bardziej tradycyjnymi podejściami, w tym potencjałem związanym ze zdarzeniami i mocą spektralną. Stosowane razem, te uzupełniające się metody analizy zapewniają pełniejszy opis danych, który może prowadzić do dalszego wglądu w operacje sieci neuronowych, które dają początek poznaniu.

1. Akwizycja EEG

1. Wyjaśnij uczestnikowi procedury eksperymentalne i uzyskaj świadomą zgodę.
2. Zastosuj elektrody opuszczane. Oczyść obszar na twarzy, w którym będą znajdować się opadające elektrody, za pomocą wacika nasączonego alkoholem.
3. Umieść nasadkę elektrody na głowie uczestnika. Zmierz obwód głowy uczestnika i wybierz odpowiedni rozmiar czapki. Postępując zgodnie z uznanym na całym świecie systemem 10-20 do umieszczania elektrod, zmierz odległość od nasiona do inionu wzdłuż linii środkowej i podziel przez 10%. Używając tej liczby, zmierz od nasion i oznacz. Dopasuj pozycję nasadki elektrody Fp do tego oznaczenia i pociągnij nasadkę do tyłu. Upewnij się, że środek nasadki znajduje się w jednej linii z nosem. Zmierz nasion do Cz i upewnij się, że odległość ta jest równa połowie odległości od nasion do inion. Zaciśnij pasek podbródkowy.
4. Umieść wypełnioną żelem strzykawkę w uchwytach elektrod. Aby utworzyć przewodzącą kolumnę żelu, zacznij od kontaktu ze skórą głowy, a następnie ściśnij i odciągnij. Należy pamiętać, że nałożenie zbyt dużej ilości żelu może zmostkować sygnały sąsiednich elektrod.
5. Zamocuj aktywne elektrody w uchwytach elektrod.
6. Ustaw obiekt przed monitorem w odległości odpowiedniej do eksperymentu. Poproś uczestnika, aby pozostał nieruchomy, podkreślając znaczenie zminimalizowania ruchów gałek ocznych i mrugnięć, aby uzyskać czyste nagranie.
7. Sprawdź połączenia elektrod i jakość sygnału EEG na komputerze akwizycyjnym. Sprawdź, czy wszystkie przesunięcia elektrod są niskie (< 40 mV) i stabilne. Jeśli występuje problem z konkretną elektrodą, wyjmij ją i ponownie nałóż żel, aby wyregulować impedancje w tym miejscu.
8. Zapisz plik i rozpocznij eksperyment.

2. Analiza EEG

1. Po eksperymentach, ale przed wyodrębnieniem konkretnej interesującej nas statystyki, wstępnie przetwórz ciągłe dane EEG, aby usunąć artefakty przy użyciu standardowych procedur filtrowania i odrzucania artefaktów. Pokrój ciągłe EEG na epoki odpowiadające każdemu dyskretnemu zdarzeniu, takiemu jak prezentacja zdjęcia. W każdej epoce uwzględnij 100-milisekundowe okno pre-bodźca jako punkt odniesienia.
2. Analiza potencjałów związanych ze zdarzeniami (ERP) rejestruje synchroniczną aktywność mózgu, która jest zsynchronizowana w fazie do początku zdarzenia. Uśrednij wszystkie próby, aby oddzielić wywołane odpowiedzi od "hałaśliwej" (tj. niezablokowanej fazowo) aktywności tła. Zmienność między badaniami i między obiektami stanowi poważne wyzwanie dla metody analizy ERP. Aby osiągnąć dobry stosunek sygnału do szumu, protokół eksperymentalny powinien obejmować wiele dyskretnych zdarzeń o definiowalnych początkach. Blokowanie w czasie reakcji mózgu na nadejście istotnego zdarzenia, a następnie uśrednianie wielu podobnych zdarzeń pomaga zredukować część tego szumu; Jednak synchronizacja czasowa utworzona przez tę procedurę zwykle zanika w ciągu 1 sekundy. Zidentyfikuj szczytowe amplitudy i opóźnienia komponentu ERP dla każdego tematu (bardziej szczegółowe wytyczne dotyczące analizy ERP, patrz Picton i in., 2000).
3. Korzystając z analizy Fouriera, przekształć sygnał EEG z dziedziny czasu na dziedzinę częstotliwości i zdekomponować sygnał na jego złożone fale sinusoidalne ^o różnych częstotliwościach 6.
4. Entropia wieloskalowa (MSE) to metryka teorii informacji, która szacuje zmienność sygnałów neuroelektrycznych w czasie i w wielu skalach czasowych. Aby przedstawić koncepcyjny obraz analizy MSE, rozważmy dwa symulowane przebiegi, zwykły przebieg i bardziej stochastyczny. Wartości entropii próbki są bliskie zeru dla zwykłego kształtu fali i ~2,5 dla bardziej zmiennego kształtu fali. Wzrost entropii próbki odpowiada wzrostowi złożoności sygnału, który zgodnie z teorią informacji może być interpretowany jako wzrost zdolności przetwarzania informacji przez system bazowy ^7,16. Pamiętaj, że pojemność mózgu nie jest stała, ale zmienia się w zależności od kontekstu neuronalnego ², tj. obszarów mózgu, które są funkcjonalnie połączone w danym momencie.
5. Aby obliczyć MSE, użyj algorytmu dostępnego pod adresem www.physionet.org/physiotools/mse/, który oblicza MSE w dwóch krokach.
6. Po pierwsze, algorytm stopniowo zmniejsza próbkowanie szeregów czasowych EEG dla każdej próby i stanu. Zmniejsz próbkowanie oryginalnych szeregów czasowych, aby wygenerować wiele szeregów czasowych o różnych skalach czasu. Szereg czasowy 1 jest oryginalnym szeregiem czasowym. Aby utworzyć szeregi czasowe kolejnych skal czasu, podziel oryginalny szereg czasowy na nienakładające się przedziały długości skali czasu i uśrednij punkty danych w każdym oknie. Próbkowanie w dół jest podobne do filtrowania dolnoprzepustowego; Podzielenie częstotliwości próbkowania przez skalę czasu przybliży częstotliwość, z jaką sygnał jest filtrowany dolnoprzepustowo dla tej konkretnej skali czasu. Zastosowanie MSE do określonego zakresu częstotliwości (np. alfa: od 9 Hz do 12 Hz) może być interpretowane jako odzwierciedlenie kompozycji rytmów w tym zakresie, jak również interakcji między tymi częstotliwościami.
7. Po drugie, algorytm oblicza entropię próbki dla każdego gruboziarnistego szeregu czasowego ¹⁴. Przykładowa entropia szacuje złożoność szeregów czasowych. W nieliniowej analizie EEG zakłada się, że pojedynczy szereg czasowy reprezentuje przejaw leżącego u podstaw wielowymiarowego nieliniowego modelu dynamicznego (patrz Stam, 2005 w celu przeglądu). W tym przykładzie m (długość wzorca) jest ustawiona na dwa, co oznacza, że zmienność wzorca amplitudy każdego szeregu czasowego będzie reprezentowana w przestrzeni dwuwymiarowej i trójwymiarowej przez uwzględnienie wzorca sekwencji odpowiednio dwóch i trzech kolejnych punktów danych. Parametr r (kryterium podobieństwa) odzwierciedla zakres amplitudy (oznaczany wysokością kolorowych pasków), w którym punkty danych są uważane za "zgodne". Dla typowego szeregu czasowego EEG z więcej niż 100 punktami danych, ustaw parametr m równy 2, a parametr r równy wartości od 0,5 do 1 (patrz Richman i Moorman, 2000; szczegółowa procedura wyboru parametrów znajduje się w Lake et al., 2002).
   Aby obliczyć entropię próbki dla tego symulowanego szeregu czasowego, zacznij od pierwszego dwuskładnikowego wzorca sekwencji, koloru czerwono-pomarańczowego. Najpierw policz, ile razy wzorzec sekwencji czerwono-pomarańczowej występuje w szeregu czasowym; Istnieje 10 dopasowań dla tej dwuskładnikowej sekwencji. Po drugie, policz, ile razy pierwszy trzyskładnikowy wzorzec sekwencji, czerwono-pomarańczowo-żółty, występuje w szeregu czasowym; Istnieje 5 dopasowań dla tej trzyskładnikowej sekwencji. Kontynuuj te same operacje dla następnej sekwencji dwuskładnikowej (pomarańczowo-żółta) i następnej sekwencji trzyskładnikowej (pomarańczowo-żółto-zielonej) szeregu czasowego. Liczba dopasowań dwuskładnikowych (5) i trójskładnikowych (3) dla tych sekwencji jest dodawana do poprzednich wartości (łączna liczba dopasowań dwuskładnikowych = 15; łączna liczba dopasowań trzyskładnikowych = 8). Powtórz te czynności dla wszystkich innych dopasowań sekwencji w szeregach czasowych (do N - m), aby określić łączny stosunek dopasowań dwuskładnikowych do dopasowań trzyskładnikowych. Entropia próbki jest logarytmem naturalnym tego stosunku. Dla każdego podmiotu oblicz oszacowanie MMP specyficzne dla kanału jako średnią z pomiarów entropii pojedynczej próby dla każdej skali czasowej.

Rysunki 1A i 2A reprezentują sygnał EEG w odpowiedzi na prezentację obrazu twarzy. Uśrednianie w poprzek podobnych prób tworzy przebieg ERP, który składa się z serii dodatnich i ujemnych odchyleń zwanych składnikami ERP. Rysunek 1B ilustruje uśredniony przebieg dla pojedynczego obiektu, a rysunek 6A ilustruje uśredniony przebieg dla grupy badanych. Istnieje bogata literatura, która wiąże każdy komponent ERP z określoną operacją percepcyjną, motoryczną lub poznawczą. Na przykład N170 jest ujemnym odchyleniem, które osiąga szczyt po około 170 ms po rozpoczęciu bodźca i jest związane z przetwarzaniem twarzy 8,15.

Rysunek 2B ilustruje dekompozycję tego samego sygnału EEG na składowe pasma częstotliwości. Wyniki analizy mocy spektralnej ujawniają zawartość częstotliwościową sygnału (rysunek 2C), przy czym wzrost mocy przy określonej częstotliwości odzwierciedla wzrost obecności tego rytmu w sygnale EEG.

Podobnie jak moc spektralna, MSE jest wrażliwe na złożoność składowych oscylacyjnych składających się na sygnał. Jednak w przeciwieństwie do mocy spektralnej, MSE jest również wrażliwy na interakcje między składowymi częstotliwości (tj. dynamika nieliniowa 18). Złożoność sygnału EEG jest reprezentowana jako funkcja entropii próbki (rysunek 5) w wielu skalach czasowych (rysunek 4). Jak pokazano na rysunku 3, entropia próbki jest niska dla sygnałów regularnych i wzrasta wraz ze stopniem losowości sygnału. W przeciwieństwie do tradycyjnych miar entropii, które rosną wraz ze stopniem losowości, entropia wieloskalowa jest w stanie odróżnić złożone sygnały od białego szumu, biorąc pod uwagę entropię w wielu skalach czasowych. Na przykład Costa i in., 2005 porównali wieloskalowe wartości entropii dla nieskorelowanego (białego) szumu ze skorelowanym (różowym) szumem. Podczas gdy entropia próbki była większa dla białego szumu niż różowego w precyzyjnej skali czasowej, odwrotność zaobserwowano w grubszych skalach czasowych 5-20. Innymi słowy, gdy entropia była brana pod uwagę w wielu skalach czasowych, prawdziwa złożoność sygnałów była dokładniej odwzorowana, niż gdyby pod uwagę brano tylko jedną skalę czasową. W zależności od dynamiki czasowej określonego kontrastu, efekty warunków mogą być wyrażone: 1) w ten sam sposób we wszystkich skalach czasowych, 2) w niektórych skalach czasowych, ale nie w innych, lub 3) jako efekty krzyżowania, przy czym kontrast jest różny w cienkich i grubszych skalach czasowych.

Rysunek 6 przedstawia różnice w warunkach w ERP (Rysunek 6A), mocy spektralnej (Rysunek 6B), MSE (Rysunek 6C) kontrastując początkowe i powtarzalne prezentacje zdjęć twarzy 9. W tym przykładzie wszystkie miary zbiegły się, aby ujawnić ten sam efekt; Jednak obserwowany spadek entropii próbki, który towarzyszy powtarzaniu twarzy, jest ważny, ponieważ ogranicza interpretację wyników. Spadek złożoności sugeruje, że podstawowa sieć funkcjonalna jest prostsza i zdolna do przetwarzania mniejszej ilości informacji.

Rysunek 7 przedstawia wyniki statystyczne z wielowymiarowej analizy cząstkowo-najmniejszych kwadratów 11 zastosowanych do ERP, mocy spektralnej i MSE. W eksperymencie manipulowano znajomością związaną z różnymi twarzami (Heisz i in., 2012). Kontrast (wykres słupkowy) pokazuje, że amplituda ERP odróżniała nowe twarze od znajomych twarzy, ale nie wśród znajomych twarzy, które różniły się ilością wcześniejszej ekspozycji. Moc spektralna rozróżniała twarze zgodnie z nabytą znajomością, ale nie rozróżniała dokładnie twarzy o średniej i niskiej znajomości. MSE był najbardziej wrażliwy na różnice w warunkach polegające na tym, że wartości entropii próbki rosły wraz ze wzrostem znajomości twarzy. Wykresy obrazów ujmują czasoprzestrzenny rozkład efektu warunku we wszystkich elektrodach i czasie/częstotliwości/skali czasowej. Przykład ten pokazuje sytuację, w której analiza EEG przez MMP dostarczyła unikalnych informacji, które nie zostały uzyskane przy użyciu tradycyjnych metod ERP lub mocy spektralnej. Ta rozbieżność MSE sugeruje, że warunki różnią się w odniesieniu do nieliniowych aspektów dynamiki ich sieci, co może obejmować interakcje między różnymi składnikami częstotliwości.

Rysunek 1. A) Odpowiedzi EEG pojedynczego pacjenta w funkcji odchylenia amplitudy od wartości wyjściowej dla każdego badania wykreślonego w funkcji czasu od początku badania. Każda próba polegała na przedstawieniu zdjęcia wizerunku twarzy. Odchylenia o dodatniej amplitudzie są pokazane na czerwono; Ugięcia o ujemnej amplitudzie są przedstawione na niebiesko. Wszystkie próby wykazują dodatnie odchylenie w zakresie około 100 ms i 250 ms, co wskazuje na aktywność fazową związaną ze zdarzeniem. B) Uśrednianie we wszystkich próbach przedstawionych na rysunku 1A daje uśredniony przebieg ERP z wyraźnymi dodatnimi i ujemnymi odchyleniami zwanymi komponentami związanymi ze zdarzeniem i nazwanymi zgodnie ze standardową nomenklaturą. Na przykład P1 jest pierwszym dodatnim komponentem idzie, a N170 jest ujemnym komponentem, który osiąga szczyt po około 170 ms po rozpoczęciu bodźca.

Rysunek 2. A) Odpowiedź EEG pojedynczego pacjenta dla pojedynczego badania, wykreślająca amplitudę według czasu (w punktach danych, częstotliwość próbkowania 512 Hz). B) Odpowiedź EEG rysunku 2A przefiltrowana w celu wyizolowania pasm częstotliwości delta (0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) i gamma (> 30 Hz). C) Widmowa gęstość mocy odpowiedzi EEG przedstawiona na rysunku 2A przedstawiająca skład częstotliwościowy sygnału w funkcji mocy przez częstotliwość. Wzrost mocy widmowej przy określonej częstotliwości odzwierciedla wzrost liczby synchronicznie aktywnych neuronów porwanych w tym konkretnym paśmie częstotliwości. Kliknij tutaj, aby zobaczyć większą postać.

Rysunek 3. A) Dwa symulowane przebiegi: regularny lub przewidywalny przebieg przedstawiony na fioletowo i bardziej stochastyczny przebieg przedstawiony na czarno. B) Przykładowe wartości entropii dwóch symulowanych przebiegów dla pierwszych trzech skal czasowych. Entropia próbki jest niska w przypadku sygnałów wysoce przewidywalnych niż w przypadku sygnałów bardziej stochastycznych. Kliknij tutaj, aby zobaczyć większą postać.

Rysunek 4. Próbkowanie w dół oryginalnego szeregu czasowego generuje wiele szeregów czasowych o różnych skalach czasu. Skala czasu 1 jest oryginalnym szeregiem czasowym. Szeregi czasowe skali czasu 2 są tworzone przez podzielenie oryginalnego szeregu czasowego na nienakładające się okna o długości 2 i uśrednienie punktów danych w każdym oknie. Aby wygenerować szeregi czasowe kolejnych skal czasu, podziel oryginalny szereg czasowy na nienakładające się okna długości skali czasu i uśrednij punkty danych w każdym oknie.

Rysunek 5. Symulowany przebieg, w którym każdy prostokąt reprezentuje pojedynczy punkt danych w szeregu czasowym. Przykładowa entropia szacuje zmienność szeregów czasowych. W tym przykładzie m (długość wzorca) jest ustawiona na dwa, co oznacza, że wariancja wzorca amplitudy każdego szeregu czasowego będzie reprezentowana w przestrzeni dwuwymiarowej i trójwymiarowej przez uwzględnienie wzorca sekwencji odpowiednio dwóch i trzech kolejnych punktów danych; r (kryterium podobieństwa) odzwierciedla zakres amplitudy (oznaczony wysokością kolorowych pasków), w którym punkty danych są uważane za "pasujące". Aby obliczyć entropię próbki dla tego symulowanego szeregu czasowego, zacznij od pierwszego dwuskładnikowego wzorca sekwencji, koloru czerwono-pomarańczowego. Najpierw policz, ile razy wzorzec sekwencji czerwono-pomarańczowej występuje w szeregu czasowym; Istnieje 10 dopasowań dla tej dwuskładnikowej sekwencji. Po drugie, policz, ile razy pierwszy trzyskładnikowy wzorzec sekwencji, czerwono-pomarańczowo-żółty, występuje w szeregu czasowym; Istnieje 5 dopasowań dla tej trzyskładnikowej sekwencji. Kontynuuj w ten sposób dla następnej sekwencji dwuskładnikowej (pomarańczowo-żółta) i sekwencji trzyskładnikowej (pomarańczowo-żółto-zielona). Liczba dopasowań dwuskładnikowych (5) i trójskładnikowych (3) dla tych sekwencji jest dodawana do poprzednich wartości (łączna liczba dopasowań dwuskładnikowych = 15; łączna liczba dopasowań trzyskładnikowych = 8). Powtórz te czynności dla wszystkich innych dopasowań sekwencji w szeregach czasowych (do N - m), aby określić łączny stosunek dopasowań dwuskładnikowych do dopasowań trzyskładnikowych. Entropia próbki jest logarytmem naturalnym tego stosunku. Dla każdego podmiotu oblicz oszacowanie MMP specyficzne dla kanału jako średnią z pomiarów entropii pojedynczej próby dla każdej skali czasowej.

Rysunek 6. Różnice w warunkach ERP (A), mocy spektralnej (B), MSE (C) kontrastujące początkowe i wielokrotne prezentacje zdjęć twarzy. Kliknij tutaj, aby zobaczyć większą postać.

Rysunek 7. Porównanie odpowiedzi EEG na poznane twarze w różnych pomiarach ERP, mocy spektralnej i entropii wieloskalowej. Wykresy słupkowe przedstawiają kontrast między warunkami wyznaczonymi za pomocą częściowej analizy najmniejszych kwadratów 11. Wykres obrazu podkreśla rozkład przestrzenno-czasowy, przy którym ten kontrast był najbardziej stabilny, określony przez bootstrapping. Wartości reprezentują wyniki ~z, a wartości ujemne oznaczają istotność dla efektu warunku odwrotnego. Kliknij tutaj, aby zobaczyć większą postać.

Nie stwierdzono konfliktu interesów.