Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Analiza źródła korowego zapisów EEG o dużej gęstości u dzieci

20.9K wyświetleń

⸱

DOI:

10.3791/51705

⸱

30 czerwca 2014

 ,  , 
1Cognitive Neuroscience & Neuropsychiatry Section, UCL Institute of Child Health, 2Academic Division of Neonatology, Institute for Women's Health, University College London

W tym artykule

Podsumowanie

W ostatnich latach wzrosło zainteresowanie szacowaniem kory mózgowej mierzonej aktywności elektrycznej dla eksperymentów neuronauki poznawczej. W tym artykule opisano, w jaki sposób pozyskiwane jest EEG o wysokiej gęstości i jak zapisy są przetwarzane w celu oszacowania źródła korowego u dzieci w wieku od 2 lat w London Baby Lab.

Streszczenie

EEG jest tradycyjnie opisywane jako technika neuroobrazowania o wysokiej rozdzielczości czasowej i niskiej rozdzielczości przestrzennej. Najnowsze postępy w modelowaniu biofizycznym i przetwarzaniu sygnałów umożliwiają wykorzystanie informacji z innych metod obrazowania, takich jak strukturalny rezonans magnetyczny, które zapewniają wysoką rozdzielczość przestrzenną, aby przezwyciężyć to ograniczenie1. Jest to szczególnie przydatne w przypadku badań, które wymagają wysokiej rozdzielczości zarówno w domenie czasowej, jak i przestrzennej. Ponadto, ze względu na łatwą aplikację i niski koszt zapisów EEG, EEG jest często metodą z wyboru w pracy z populacjami, takimi jak małe dzieci, które nie tolerują dobrze funkcjonalnych skanów MRI. Jednak, aby zbadać, które substraty nerwowe są zaangażowane, nadal potrzebne są informacje anatomiczne ze strukturalnego rezonansu magnetycznego. Większość pakietów do analizy EEG współpracuje ze standardowymi modelami głowy, które są oparte na anatomii osoby dorosłej. Dokładność tych modeli stosowanych u dzieci jest ograniczona2, ponieważ skład i konfiguracja przestrzenna tkanek głowy zmienia się dramatycznie wraz z rozwojem3.

W niniejszym artykule przedstawiamy przegląd naszych ostatnich prac nad wykorzystaniem modeli głowy opartych na indywidualnych strukturalnych skanach MRI lub modelach głowy specyficznych dla wieku do rekonstrukcji generatorów korowych EEG o wysokiej gęstości. W tym artykule opisano, w jaki sposób zapisy EEG są pozyskiwane, przetwarzane i analizowane w populacjach pediatrycznych w London Baby Lab, w tym konfiguracja laboratorium, projektowanie zadań, wstępne przetwarzanie EEG, przetwarzanie MRI oraz analiza poziomu kanału EEG i źródła.

Wprowadzenie

Prezydent Barack Obama określił ludzki mózg jako kolejną granicę odkryć naukowych o dużym znaczeniu dla zdrowia i gospodarki3 (http://www.whitehouse.gov/share/brain-initiative). Jednak, jak każda inna dziedzina nauk przyrodniczych, neuronauka zależy od postępów w metodologiach i technikach analizy postępu. Dwa powszechnie stosowane nieinwazyjne narzędzia w badaniach nad funkcjonowaniem mózgu u ludzi to rezonans magnetyczny (MRI) i elektroencefalografia (EEG). Narzędzia te wykorzystują różne właściwości fizyczne i zapewniają różne wglądy w funkcjonowanie mózgu z unikalnymi zaletami i wadami. MRI wykorzystuje właściwości magnetyczne cząsteczek wody w polach magnetycznych do uzyskania obrazów żywych tkanek. Obiekt należy umieścić w magnesie o dużym natężeniu pola. Podczas tej procedury ruch uczestnika jest ograniczony i uczestnik musi tolerować hałas spowodowany gwałtownymi zmianami pola magnetycznego. Oprócz obrazów strukturalnych, rezonans magnetyczny zapewnia również możliwość pomiaru zmian natlenienia krwi w celu zbadania funkcji mózgu (fMRI). Podsumowując, MRI oferuje stosunkowo wysoką rozdzielczość przestrzenną do 0,5mm3 przy nowoczesnych skanerach wysokiego pola i zoptymalizowanych parametrach4. W przeciwieństwie do tego, rozdzielczość czasowa fMRI jest ograniczona do powolnej kinetyki odpowiedzi BOLD, która tylko pośrednio odzwierciedla wysoką czasową dynamikę aktywności neuronalnej5,6.

Z drugiej strony, EEG mierzy zmiany w aktywności elektrycznej spowodowane aktywnością neuronów za pomocą elektrod umieszczonych na skórze głowy. Najnowsze osiągnięcia w technologii EEG pozwalają na szybkie i łatwe zastosowanie czujników do krótko- lub długoterminowych zapisów stacjonarnych i ambulatoryjnych. Ponieważ EEG jest mniej restrykcyjne, jest to również metoda z wyboru dla niektórych populacji uczestników, które nie tolerują dobrze środowiska MRI, takich jak populacje pediatryczne oraz niektóre populacje geriatryczne i psychiatryczne. Właściwości EEG wykazują odwrotny wzorzec do właściwości MRI: rozdzielczość czasowa jest bardzo wysoka z precyzją milisekundową, ale rozdzielczość przestrzenna jest ograniczona. Prądy elektryczne przechodzą przez różne tkanki między ich generatorem a elektrodami EEG na powierzchni skóry głowy. Prowadzi to do mieszania i rozmazywania przestrzennego aktywności źródłowej, znanego jako efekt przewodzenia objętościowego. W związku z tym aktywność mierzona przez elektrody na powierzchni skóry głowy odzwierciedla aktywność z wielu źródeł, które mogą być odległe od położenia elektrody na głowie1,7.

Wiele pracy w ostatnich latach poświęcono połączeniu MRI i EEG w celu wykorzystania ich mocnych stron. Jeden z kierunków prac poświęcony jest jednoczesnemu pozyskiwaniu EEG i MRI w badaniach funkcjonalnych. Innym podejściem jest wykorzystanie informacji przestrzennych dostarczonych przez strukturalny rezonans magnetyczny w celu uwzględnienia efektu przewodnictwa objętościowego poprzez modelowanie biofizyczne. Wykorzystanie informacji strukturalnych do źródłowej rekonstrukcji zapisów EEG jest szczególnie przydatne w badaniach z udziałem populacji pediatrycznej. Badanie rozwoju funkcji mózgu ma kluczowe znaczenie dla zrozumienia, w jaki sposób złożone umiejętności poznawcze są budowane na prostych prekursorach8.

Te badania pomagają podkreślić zmiany w substratach neuronalnych i właściwościach odpowiedzi, które korelują ze zmianami w wydajności behawioralnej. Jednak badanie funkcji mózgu i funkcji poznawczych podczas rozwoju również wiąże się ze szczególnymi wyzwaniami. W szczególności możliwość przeprowadzenia funkcjonalnych badań MRI jest ograniczona, ponieważ małe dzieci i niemowlęta muszą spać lub być pod wpływem środków uspokajających, aby uzyskać dane MRI bez artefaktów ruchowych i negatywnego wpływu na samopoczucie uczestników. Co więcej, EEG jest postrzegane przez rodziców jako mniej ryzykowne i inwazyjne, co ułatwia rekrutację uczestników badania. Dlatego EEG jest metodą z wyboru w wielu badaniach funkcji mózgu u małych dzieci. Postęp metodologiczny w systemach EEG pozwala na zastosowanie w ciągu kilku minut matryc elektrod o dużej gęstości ze 128 lub więcej kanałami. Łatwość aplikacji i komfort noszenia są na tyle duże, że nawet u najmłodszych niemowląt możliwa jest rejestracja EEG. Często jednak badaczy interesuje nie tylko temporalna dynamika reakcji na poszczególne bodźce, ale chcieliby również porównać substraty neuronalne, które pośredniczą w reakcjach.

Dominującym założeniem w analizie ERP na poziomie kanału porównującej różne grupy wiekowe jest to, że te same substraty neuronalne reagują, ale czas lub amplituda odpowiedzi różnią się w zależności odwieku 9 lat. Podobna topografia skóry głowy jest często używana jako wskaźnik podobnej podstawowej aktywności neuronalnej. Jednak wiele różnych konfiguracji źródeł może prowadzić do podobnych topografii skóry głowy10. Stosując oszacowanie źródła, niepewność tę można zmniejszyć i określić ilościowo. Niezależność obserwacji ma kluczowe znaczenie dla sieciowych opisów funkcji mózgu: jeśli źródła są mieszane, korelacje będą stronnicze w kierunku wyższej łączności lokalnej. W celu zmniejszenia tego odchylenia można zastosować rekonstrukcję źródła11. Alternatywnie, różnice w czasie i fazie mogą być wykorzystane do analizy połączeń, ale te modele matematyczne wymagają założeń, które są trudne do oceny w przypadku danych niesymulowanych12. Podsumowując, estymacja źródła dostarcza dodatkowych informacji do analizy EEG i ERP na poziomie kanału w oparciu o wiedzę o anatomii i właściwościach biofizycznych tkanki.

Różne algorytmy zostały opracowane w celu znalezienia rozwiązań problemu odwrotnego. Algorytmy te dzielą się zasadniczo na dwie kategorie: parametryczne i nieparametryczne13. Modele parametryczne zakładają jeden lub wiele dipoli, które mogą różnić się położeniem, orientacją i wytrzymałością. Natomiast modele nieparametryczne zawierają dużą liczbę dipoli o ustalonym położeniu i orientacji. W tych modelach aktywność elektryczna skóry głowy jest wyjaśniona jako kombinacja aktywacji w stałych dipolach10,13,14. Nieparametryczne, rozproszone modele źródłowe mogą opierać się na wiedzy z zakresu anatomii i przewodnictwa w różnych ośrodkach. Modele elementów granicznych obejmują wartości przewodności dla głównych tkanek głowy z różnymi powłokami dla mózgu, płynu mózgowo-rdzeniowego i czaszki. Opiera się to na założeniu, że przewodność jest w większości stała w każdym przedziale, ale wyraźne zmiany zachodzą na granicy różnych przedziałów. Modele elementów skończonych opierają się na dalszej segmentacji skanów MR na istotę szarą i białą, dzięki czemu wartości przewodności można przypisać do każdego woksela15.

Z praktycznego punktu widzenia, modele nieparametryczne są szczególnie przydatne do rekonstrukcji źródeł w złożonych zadaniach poznawczych, w których liczba zaangażowanych obszarów może nie byćznana10. Modele elementów brzegowych są najczęściej stosowane w obecnej literaturze, prawdopodobnie dlatego, że dokładniejsze modele elementów skończonych stawiają porównywalnie wysokie wymagania obliczeniowe. Ponadto istnieje znaczna zmienność międzyosobnicza w istocie szarej i białej, dlatego MES powinny być oparte na indywidualnych skanach MRI.

Modele nieparametryczne wymagają drugiego kroku w celu dopasowania mierzonej aktywności skóry głowy do przewidywań modelu przyszłościowego. Ponownie, w literaturze omówiono różne podejścia o różnych zaletach i wadach (przegląd można znaleźć w Michel i in. 2004). Najczęściej stosowane algorytmy opierają się na estymacji minimalnej normy (MNE), która dopasowuje mierzoną aktywność skóry głowy do rozkładu prądu w modelu przednim o najniższej ogólnej intensywności16. MNE skłaniają się ku słabym i powierzchownym źródłom. Algorytmy MNE ważone głębokością starają się zmniejszyć odchylenie powierzchni poprzez wprowadzenie macierzy ważenia opartych na założeniach matematycznych10. Szeroko stosowane podejście LORETA również opiera się na ważonym MNE, ale dodatkowo minimalizuje Laplace'a źródeł, co prowadzi do płynniejszych rozwiązań17,18. Stwierdzono, że LORETA osiąga najlepsze wyniki w badaniach symulacyjnych dla pojedynczych źródeł19,20. Jednak LORETA może prowadzić do nadmiernego wygładzenia roztworów. MNE ważone głębokością jest preferowane, gdy źródła są nieznane lub istnieje prawdopodobieństwo występowania wielu źródeł13,16. Zaleca się porównywanie wyników różnych algorytmów w celu oceny wpływu różnych założeń modelu.

Podsumowując, do niedawna rekonstrukcja źródeł za pomocą metod modelowania była ograniczona dla dzieci. Dzieje się tak, ponieważ większość programów do analizy EEG opiera się na modelach głowy opartych na anatomii dorosłego, co znacznie ogranicza dokładność roztworów źródłowych u dzieci2,8. Tani dostęp do mocy obliczeniowej oraz zapewnienie przyjaznego dla użytkownika oprogramowania do rekonstrukcji źródeł pozwalają przezwyciężyć te ograniczenia. Zastosowanie estymacji źródła do EEG zapewnia dwie ważne zalety w porównaniu z analizą opartą wyłącznie na obserwacjach na poziomie kanału: lepszą rozdzielczość przestrzenną i niezależność obserwacji.

Oszacowanie źródła może w niektórych przypadkach nie być pouczające: do rozróżnienia źródeł wymagane jest dobre pokrycie głowy. Zalecane są systemy o dużej gęstości ze 128 lub więcej elektrodami10,15; Rzadsze pokrycie będzie działać jak filtr przestrzenny, prowadząc do szerszej aktywacji źródła rozprzestrzeniania się lub wyników fałszywie ujemnych10. Co więcej, rekonstrukcja źródeł oparta na metodzie opisanej w tym artykule została opisana tylko dla generatorów korowych. Dlatego jest mniej odpowiedni do testowania hipotez dotyczących substratów podkorowych lub interakcji podkorowych kory mózgowej. Wreszcie, analiza źródłowa powinna opierać się na szczegółowych wcześniejszych hipotezach dotyczących substratów korowych, biorąc pod uwagę istniejącą literaturę z innych metod obrazowania. Techniki filtrowania przestrzennego mogą być również stosowane w celu poprawy rozdzielczości przestrzennej sygnału EEG poprzez zmniejszenie mieszania przestrzennego na poziomie skóry głowy. Stosowane są alternatywne metody zmniejszania wpływu efektów przewodnictwa objętościowego bez modelowania głowicy, np. filtrowanie Laplace'a21 lub analiza gęstości źródła prądu22. Metody te nie dostarczają jednak więcej informacji na temat generatorów neuronowych, ponieważ efekty przewodzenia objętościowego nie ograniczają się tylko do czujników znajdujących się w bliskiej odległości przestrzennej1.

W następnych sekcjach artykuł opisuje, jak eksperymenty do badania mózgu i funkcji poznawczych u dzieci od 2 roku życia są projektowane w London Baby Lab. Następnie omówiono akwizycję danych EEG za pomocą systemów o wysokiej gęstości i niskiej impedancji u dzieci. Następnie przedstawiono wstępne przetwarzanie i analizę EEG na poziomie kanału. Wreszcie, artykuł koncentruje się na przetwarzaniu strukturalnych danych MRI do rekonstrukcji źródła korowego i analizy sygnałów na poziomie źródła.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Projektowanie eksperymentów EEG i potencjału związanego ze zdarzeniami dla dzieci

Uwaga: Na potrzeby tego artykułu zaprojektowano prosty eksperyment, który może być wykorzystany do zbadania przetwarzania twarzy u małych dzieci. Poniższa sekcja oopisuje eksperyment i wyjaśni, jak go przeprowadzić przy użyciu MATLAB R2012b i Psychtoolbox V3.0.1123,24. W tym przykładzie wykorzystano zdjęcia zaczerpnięte z zestawu NimStim emocjonalnego wyrazu twarzy25. Ten zestaw bodźców jest dostępny do celów badawczych na żądanie (http://www.macbrain.org/resources.htm).

  1. Przenieś obrazy RGB do skali szarości, aby zmniejszyć różnice między bodźcami. Patrz tabela 1. Uwaga: Do wykonania tych poleceń wymagany jest program Image Processing Toolbox (http://www.mathworks.co.uk/products/image/). Darmowe alternatywy można znaleźć za pośrednictwem Wymiany Plików (https://www.mathworks.co.uk/matlabcentral/fileexchange).
  2. Użyj eksperymentalnego oprogramowania kontrolnego, aby wdrożyć eksperyment z precyzyjnym czasem wyzwalaczy prezentacji bodźca za pomocą serii poleceń (patrz Tabela 1 dla przykładu).

2. Akwizycja danych

  1. Upewnij się, że dziecko czuje się komfortowo w środowisku testowym. Pozwól młodszym dzieciom siedzieć na kolanach opiekuna lub w wygodnym foteliku dziecięcym. Pozwól dziecku zobaczyć i poczuć siatkę sensoryczną przed przyłożeniem jej do głowy dziecka. Jeśli jest dodatkowa siatka, poproś rodzica, aby również ją przymierzył lub położył ją na lalce lub pluszowym pluszowym misia.
  2. Zmierz maksymalny obwód głowy, aby dobrać odpowiedni rozmiar siatki dla dziecka. Użyj miarki i przyłóż ją do nasion. Następnie zmierz obwód wokół głowy wokół maksymalnego obwodu (~1 cm powyżej wejściówki). Uwaga: należy zapisywać zmierzony obwód głowy i siatkę czujnika używaną do późniejszej analizy26. Pomaga, jeśli głowa rodziców jest również mierzona, aby dzieci czuły się bardziej komfortowo w tej sytuacji.
  3. Zidentyfikuj wierzchołek głowy na przecięciu środkowej odległości między nasionem a inionem oraz lewym i prawym punktem okołousznym. Zaznacz ten punkt pisakiem do porcelany, aby upewnić się, że kanał wierzchołka jest prawidłowo ustawiony podczas nakładania siatki.
  4. Zastosuj siatkę sensoryczną i upewnij się, że kluczowe kanały są wyrównane z anatomicznymi punktami orientacyjnymi (nasion, inion, wierzchołek i lewy/prawy wyrostek sutkowaty). Uwaga: Aby uzyskać najdokładniejsze wyniki, położenie kanałów na głowie można uzyskać cyfrowo za pomocą specjalnego sprzętu do digitalizacji. Naukowcy, którzy chcą uzyskać pozycję czujnika, powinni zapoznać się z odpowiednimi instrukcjami obsługi sprzętu i oprogramowania. Alternatywnie można użyć map elektrod, które zakładają standardowe rozmieszczenie elektrod wzdłuż anatomicznych punktów orientacyjnych. Mapy te można zniekształcić, aby dostosować je do wieku modeli głowy, zgodnie z opisem w sekcji analizy.
  5. Upewnij się, że kanały mają dobry kontakt ze skórą głowy, ustawiając czujniki indywidualnie; delikatnie przekręć każdy czujnik z boku na bok, aby usunąć włosy.
  6. Mierz wzmocnienia kanałów i impedancje kanałów. Kliknij "Start", aby rozpocząć nagrywanie w oprogramowaniu do nagrywania EEG NetStation i rozpocząć pomiar wzmocnienia i impedancji. Jeśli pomiar nie rozpocznie się automatycznie, użyj przycisku "Kalibruj amplifier" i "Zmierz impedancję netto".
  7. Sprawdź oprogramowanie do nagrywania pod kątem kanałów o impedancji wyższej niż 50 kΩ, które będą wyświetlane na czerwono. Nałóż dodatkowy roztwór elektrolitu za pomocą pipety, aby obniżyć impedancję kanału. Sprawdź na wyświetlaczu EEG kanały, które wykazują aktywność o wysokiej częstotliwości pomimo niskiej impedancji lub zauważalnie mniejszą aktywność niż otaczające kanały (kanały płaskie). Kanały te mogą mieć luźny kontakt ze skórą głowy i wymagać regulacji.
  8. Aby zapewnić dzieciom komfort podczas przygotowania EEG, pozwól dziecku słuchać muzyki, obejrzeć odpowiednią dla wieku kreskówkę lub odwrócić jego uwagę za pomocą innego eksperymentatora, np. puszczania baniek mydlanych dla maluchów.

3. Analiza

  1. Wstępnego przetwarzania
    1. Cyfrowo przefiltruj dane za pomocą filtra górnoprzepustowego z odcięciem przy 0,1 Hz, aby usunąć dryfowanie kanałów27 (Tabela 1).
    2. Do analizy ERP należy zastosować filtr dolnoprzepustowy z odcięciem przy 30 Hz27 (tabela 1).
    3. Epokuj dane ciągłe zgodnie z kodami wyzwalającymi ustawionymi podczas nagrywania. W przypadku większości eksperymentów należy przyjąć linię bazową wynoszącą 200 ms przed wystąpieniem bodźca i interwał po bodźcu wynoszący 600 ms, aby pokryć interesujący nas przedział czasowy (Tabela 1).
    4. Usuń epoki, które zawierają artefakty ruchu lub mrugania: oznacz kanały o amplitudzie między szczytami wyższymi niż 150 mV - dostosuj ten próg w zależności od grupy uczestników i jakości danych. Aby zachować spójność, należy stosować ten sam próg dla wszystkich uczestników jednego badania. Jeśli kanał przekracza ten próg w więcej niż 30% epok, usuń go (aktywność kanału może być interpolowana z sąsiednich kanałów, jeśli zawierają one akceptowalne dane). Jeśli więcej niż 20% kanałów jest oznaczonych jako uszkodzone w danej epoce, usuń epokę. Jeśli więcej niż 20% kanałów zostanie odrzuconych przez algorytm lub mniej niż 50% epok zostanie zachowanych, rozważ usunięcie zestawu danych z dalszej analizy (Tabela 1).
      Uwaga: Progi procentowe dla epoki i odrzucenia kanału to wartości orientacyjne, które usuwają wystarczającą ilość szumów z naszego doświadczenia. Ilość artefaktów w nagraniu może być różna w zależności od innych grup uczestników, paradygmatów eksperymentalnych lub systemów EEG. Eksperymentatorzy mogą chcieć dostosować progi procentowe i sprawdzić, czy są zadowoleni z odrzucenia artefaktu. Alternatywnie, eksperymentatorzy mogą odrzucić próby, które zawierają artefakt poprzez oględziny.
    5. Odniesienie do średniej wartości referencyjnej poprzez odjęcie średniej aktywności w różnych kanałach z każdego kanału (Tabela 1). Uwaga: Elektroda wierzchołkowa jest zwykle używana jako odniesienie do nagrywania w programie NetStation.
  2. Korekcja artefaktów przy użyciu niezależnej analizy komponentów
    1. Zaimportuj dane do przybornika FASTER28 i uruchom algorytm automatycznego odrzucania artefaktów na danych (Tabela 1).
    2. Użyj graficznego interfejsu użytkownika (GUI), aby uzyskać SZYBSZY efekt; aby otworzyć GUI, wpisz FASTER_GUI w wierszu poleceń.
    3. Usuń zaznaczenie opcji filtrowania w menu filtrowania, ponieważ dane zostały już przefiltrowane przed epoką.
    4. Określ liczbę kanałów: 126 kanałów EEG z 2 kanałami elektrookuligramu (EOG).
    5. Wprowadź znaczniki używane do epokowania danych jako ciągów w tablicy komórek. Dla przedstawionego przypadku wprowadź: {'twarz','scra'} dla warunków twarzy i zaszyfrowanej powierzchni.
    6. Wybierz kanały do analizy składowych niezależnych (ICA). Zazwyczaj wybiera się wszystkie kanały nagrywające, w tym zewnętrzne kanały inne niż EEG.
    7. Określ folder wejściowy i wyjściowy w prawym okienku graficznego interfejsu użytkownika.
    8. Wybierz odpowiedni plik kanału dla nagrań. Uwaga: Pliki kanałów dla większości systemów EEG można pobrać od producenta lub ze strony internetowej EEGLAB.
    9. Kliknij URUCHOM, aby rozpocząć SZYBSZE przetwarzanie. W zależności od długości nagrań i liczby plików, przetwarzanie to może potrwać kilka godzin.
    10. Wizualna kontrola nagrań, niezależnych map komponentów i ERP po przetworzeniu.
  3. Analiza danych potencjałów związanych ze zdarzeniami na poziomie kanału
    1. Połącz kilka kanałów, aby utworzyć kanał wirtualny o lepszym stosunku sygnału do szumu (Tabela 1). Uwaga: Dobór kanałów powinien opierać się na wcześniejszych doniesieniach z literatury lub hipotezach a priori. Nie zaleca się wybierania kanałów, które wykazują największą amplitudę w danym oknie czasowym29.
    2. Uzyskaj miary, takie jak amplituda szczytu, średnia amplituda i opóźnienie szczytu, aby scharakteryzować przebieg i wykonać testy statystyczne (Tabela 1).
  4. Tworzenie modeli elementów obwiedni (BEM)
    1. Segmentuj anatomiczny skan MRI za pomocą FreeSurfer. Uwaga: Aby uzyskać najdokładniejsze wyniki, oprzyj model elementu granicznego na indywidualnych skanach MRI dla każdego uczestnika. Jeśli nie jest to wykonalne, należy użyć średnich szablonów MRI, które jak najbardziej odpowiadają wiekowi uczestników. Należy pamiętać, że BEM nie można stosować u dzieci poniżej 24 miesiąca życia. Modele elementów brzegowych zakładają, że każda skorupa (mózg, czaszka, skóra) składa się z zamkniętej powłoki. Jednak u małych dzieci ciemiączka w czaszce nie są zamknięte, co narusza założenie zamkniętej skorupy.
      1. Aby zainstalować oprogramowanie FreeSurfer, najpierw pobierz je ze strony FreeSurfer (http://freesurfer.net/fswiki/DownloadAndInstall). Następnie skonfiguruj środowisko powłoki, w tym FreeSurfer; W przypadku pliku bashrc dołącz następujące polecenia do pliku .bashrc:
        1. Eksport FREESURFER_HOME=/Aplikacje/freesurfer/
        2. Źródło: $FREESURFER_HOME/FreeSurferEnv.sh
          Uwaga: Te polecenia zakładają, że folder FreeSurfer znajduje się w folderze Aplikacje w systemie Unix. Więcej szczegółów na temat konfiguracji FreeSurfer z alternatywnymi środowiskami powłoki, np. csh/tcsh lub systemami operacyjnymi, można znaleźć na stronie FreeSurfer (http://freesurfer.net/fswiki/DownloadAndInstall).
      2. Następnie zdefiniuj katalog Subject, czyli folder, do którego zostaną zapisane dane wyjściowe za pomocą następującego polecenia:
        1. export SUBJECTS_DIR=/.../BEMs/
          Uwaga: Wyniki można zapisać w dowolnym folderze w systemie.
      3. Następnie zmień katalog roboczy na folder zawierający plik MRI dla modelu elementu obwiedni, używając następującego polecenia:
        1. cd /Użytkownicy/joebathelt/Neurodevelopmental_MRI_database/Dzieci/Mózg/
          Uwaga: Każdy folder w systemie może być określony za pomocą składni polecenia cd. Jest to przykład podstawowej struktury plików badaczy.
      4. Na koniec rozpocznij rekonstrukcję za pomocą następujących poleceń:
        1. recon-all -i -subjid
        2. recon-all -all -subjid
          Uwaga: musi zostać zastąpiony nazwą pliku żądanych skanów MRI w bieżącym katalogu. można zastąpić dowolną nazwą. FreeSurfer utworzy folder o tej nazwie w katalogu tematycznym. W zależności od używanego systemu, ostatnie polecenia mogą wymagać trochę czasu, aby je uruchomić.
    2. Sprawdź segmentację FreeSurfer pod kątem nieprawidłowej segmentacji, np. nakładających się sfer, anatomicznie nieprawdopodobnych przedziałów itp., importując segmenty do BrainStorm i korzystając z narzędzi wyświetlania w graficznym interfejsie użytkownika:
      1. W burzy mózgów wybierz okienko anatomia. Zaimportuj podzielony na segmenty rezonans magnetyczny, klikając temat prawym przyciskiem myszy i wybierając opcję "Importuj folder anatomiczny". Upewnij się, że folder z danymi wyjściowymi FreeSurfer jest wybrany. Sprawdź segmentację wizualnie, klikając prawym przyciskiem myszy i wybierając "Wyświetl". Uwaga: Alternatywnie można użyć poleceń FreeSurfer. Szczegółowy opis można znaleźć na stronie FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Jeśli pożądana jest analiza obszaru zainteresowania na podstawie anatomicznej parcelacji, FreeSurfer działa mris_ca_label, mri_annotation2label i Można użyć mri_mergelabels. Zapoznaj się z publikacjami FreeSurfer i stronami pomocy online, aby uzyskać bardziej szczegółowe informacje.
  5. Szacowanie aktywności źródłowej w programie BrainStorm
    1. Uruchom program BrainStorm, wpisując "burza mózgów" w oknie poleceń.
    2. Utwórz nowy protokół, wybierając pozycję Nowy protokół z menu Plik.
    3. Dodaj nowy temat do protokołu, wybierając opcję Nowy temat z menu Plik.
    4. Zaimportuj dane EEG dla uczestnika, klikając temat prawym przyciskiem myszy i wybierając "Importuj MEG/EEG".
    5. Zaimportuj plik kanału, klikając prawym przyciskiem myszy i wybierając "Importuj plik kanału". Uwaga: Plik kanału musi być wyrównany do rezonansu magnetycznego w celu rekonstrukcji źródła. BrainStorm wykorzystuje system 4 anatomicznych punktów odniesienia, które użytkownik musi zaznaczyć w rezonansie magnetycznym. Aby uzyskać więcej informacji, zapoznaj się z samouczkami BrainStorm (http://neuroimage.usc.edu/brainstorm/CoordinateSystems). Można użyć standardowej pozycji zdefiniowanej w pliku kanału dla określonego systemu EEG lub, najlepiej, pozycji głowy, które zostały zdigitalizowane przed zapisem EEG.
    6. Sprawdź, czy BEM i kanały są wyrównane zgodnie z oczekiwaniami: Kliknij prawym przyciskiem myszy plik kanału dla tematu i przejdź do "Rejestracja MRI" i "Sprawdź". Uwaga: Jeśli sfery w modelu nakładają się na siebie lub jeśli kanały znajdują się w BEM, rekonstrukcja źródła da nieprawidłowe wyniki. Dostosuj wyrównanie, korzystając z opcji "Edytuj" w menu "Segmentacja MRI".
    7. Oblicz macierz kowariancji szumu na podstawie linii bazowej każdej epoki, klikając uczestnika prawym przyciskiem myszy i wybierając "Macierz kowariancji szumu" i "Oblicz na podstawie nagrania". Uwaga: Autorzy zestawu narzędzi BrainStorm zalecają stosowanie diagonalnej macierzy kowariancji szumu dla krótkich nagrań (~ mniej punktów czasowych niż kanałów) i pełnej dla dłuższych nagrań. Aby uzyskać więcej informacji, zapoznaj się z samouczkiem BrainStorm Source Estimation: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Oblicz model źródłowy, klikając prawym przyciskiem myszy temat i wybierając opcję "Oblicz model źródłowy".
    9. Oblicz rozwiązanie odwrotne za pomocą szacowania minimalnej normy ważonej głębokością, klikając temat prawym przyciskiem myszy i wybierając "Źródło obliczeń" i "Oszacowanie minimalnej normy". Uwaga: Dostępne są inne opcje (dSPM, sLORETA). Każda opcja ma inne zalety i wady. Algorytm powinien być wybrany na podstawie rozważań a priori i wcześniejszych doniesień w literaturze. Co więcej, niektóre algorytmy są lepsze w rozwiązywaniu aktywacji ogniskowej w niektórych obszarach, podczas gdy inne są bardziej odpowiednie do aktywacji szeroko rozpowszechnionej. W tym badaniu wykorzystano MNE w oparciu o wcześniejsze doniesienia z piśmiennictwa16. Aby zachować spójność, ten sam algorytm dla rozwiązania odwrotnego powinien być stosowany dla wszystkich uczestników jednego badania. Badacze mogą również chcieć porównać, jak solidne są wyniki w zastosowaniu różnych algorytmów rozwiązań odwrotnych.
    10. Powtórzyć sekcję 3 dla wszystkich uczestników badania. Uwaga: Użyj graficznego interfejsu przetwarzania wsadowego lub skryptów, aby powtórzyć kroki przetwarzania dla uczestników. Instrukcje można znaleźć w dokumentacji programu BrainStorm (http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript).
    11. Średnia aktywność źródła w stosunku do badań na uczestników, przeciągając nagrania do menu procesu i wybierając "Średnia" i "Według warunku (średnia z przedmiotu)".
    12. Porównaj warunek, wybierając "Procesy 2" i przeciągając każdy warunek w jednym oknie. Następnie wybierz "Test" i "Test t-Studenta" lub "Test t-Studenta (sparowany)" w zależności od projektu. Aby wykonać wielokrotne porównania, ustaw progi amplitudy i obszaru w wyświetlaniu wynikowej mapy statystycznej w menu "Statystyka". Uwaga: Alternatywnie mapy aktywacji można wyeksportować do SPM (http://www.fil.ion.ucl.ac.uk/spm/) w celu bardziej dogłębnej analizy statystycznej (http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12").
    13. Oblicz odpowiedź związaną ze zdarzeniem dla obszaru zainteresowania. Aby uzyskać zwrot z inwestycji oparty na parcelacji, załaduj parcelację FreeSurfer, klikając prawym przyciskiem myszy powierzchnię kory w menu anatomii i wybierz "Importuj etykiety". Przejdź do odpowiedniego pliku i załaduj go. Teraz wybierz ROI w okienku "Scout" w menu danych funkcjonalnych.
    14. Uzyskaj działanie związane ze zdarzeniem ROI, przeciągając pliki do okna Proces 1 i wybierz opcję "Wyodrębnij szeregi czasowe zwiadowcy" z menu Źródła. Uwaga: Można wybrać jednocześnie kilka ROI, a szeregi czasowe ROI można wyeksportować do dalszego kreślenia i analizy, klikając prawym przyciskiem myszy dane szeregów czasowych skauta i wybierając "Eksportuj do Matlaba".

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Projektowanie eksperymentów ERP dla niemowląt i dzieci jest często wyzwaniem, ze względu na ich ograniczoną zdolność do tolerowania długich, powtarzających się eksperymentów30. Problem ten pogłębia się jeszcze bardziej, gdy eksperymentator planuje zastosować rekonstrukcję źródła, ponieważ dokładna rekonstrukcja źródła będzie wymagała wysokiego stosunku sygnału do szumu1. Rysunek 1 przedstawia eksperymentalny protokół badania mechanizmów przetwarzania twarzy, który może być stosowany...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W niniejszym artykule opisano rejestrację i analizę EEG o wysokiej gęstości do rekonstrukcji generatorów korowych przy użyciu modeli elementów brzegowych opartych na odpowiednich do wieku szablonach średniego rezonansu magnetycznego i estymacji minimalnej normy ważonej głębokością w standardowym paradygmacie ERP odpowiednim dla dzieci. W tym paradygmacie prezentowane są obrazy twarzy i zaszyfrowanych twarzy. Różni autorzy używali tego paradygmatu do zbadania rozwoju mechanizmów przetwarzania twarzy w trakcie rozwoju...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Koszty publikacji tego artykułu zostały sfinansowane przez Electrical Geodesics, Inc.

Podziękowania

Chcielibyśmy podziękować Prof. Johnowi Richardsowi, University of South Carolina, za udzielenie nam dostępu do bazy danych Developmental MRI i pomocne dyskusje. Chcielibyśmy również podziękować naszym fundatorom Great Ormond Street Children's Charity, UCL Impact i Grand Challenges.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Siatka czujnika EEG o dużej gęstości (128 lub 256 kanałów)HydroCel Geodesic Sensor Net 128Electrical Geodesic Inc., Oregon, USA
Wzmacniacz wysokiej impedancji EEGNetAmps 200Electrical Geodesic Inc., Oregon, USA
Komputer do akwizycji danych PowerMac G4Apple Inc, Kalifornia, Stany Zjednoczone
Komputer do prezentacji stymulacyjnejOptiplex 745Dell Computers Inc., Teksas, Stany Zjednoczone
Oprogramowanie do prezentacji stymulacyjnejMATLAB R2012b z PsychToolBoxBrainard et al. 1997
Oprogramowanie do rejestracji EEGNetStation 4.5.1Electrical Geodesic Inc., Oregon, analiza
oprogramowanieMATLAB R2012bFirma Mathworks Inc.
EEGLABDelorme et al. 2004
BrainStormSylvain et al. 2001
Oprogramowanie do przetwarzania MRIFreeSurferFischl et al. 2004
OpenMEEGGramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: zestaw narzędzi typu open source do analizy dynamiki EEG w pojedynczym badaniu, w tym analizy niezależnych komponentów. Journal of Neuroscience Methods, 134(1), 9– 21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Burza mózgów: przyjazna dla użytkownika aplikacja do analizy MEG/EEG. Inteligencja obliczeniowa i neuronauka, 1– 13, (2011).
Fischl, B. et al. Automatyczne parcelowanie ludzkiej kory mózgowej. Kora mózgowa, 14(1), 11– 22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: oprogramowanie opensource dla bioelektromagnetyków quasistatycznych. Inżynieria Biomedyczna OnLine, 9(1), 45, (2010).
Brainard, D. H. Zestaw narzędzi psychofizycznych. Widzenie przestrzenne, (1997).
EEG w USA

Bibliografia

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

uczestnicy z grupy pediatrycznejstrukturalny rezonans magnetycznymodel element w brzegowychrekonstrukcja r d aprzetwarzanie wst pne EEGoprogramowanie FreeSurferoprogramowanie Brainstormszacowanie minimum normy
Analiza źródła korowego zapisów EEG o dużej gęstości u dzieci
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.