Artykuł metodologiczny

Nowatorskie eksperymentalne i analityczne podejście do multimodalnego neuronalnego dekodowania intencji podczas interakcji społecznych u swobodnie zachowujących się ludzkich niemowląt

13.2K wyświetleń

⸱

DOI:

10.3791/53406

⸱

4 października 2015

 ,  ,  ,  ,  , 
1Laboratory for Noninvasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering, University of Houston, 2Department of Biomedical Engineering, University of Houston, 3Department of Biology and Biochemistry, University of Houston

W tym artykule

Podsumowanie

Ten protokół prezentuje nowatorską metodologię neuronalnego dekodowania intencji swobodnie zachowujących się niemowląt podczas nieskryptowanej interakcji społecznej z aktorem. Aktywność neuronalna jest uzyskiwana za pomocą nieinwazyjnej elektroencefalografii aktywnej skóry głowy o dużej gęstości (EEG). Dane kinematyczne są zbierane za pomocą inercyjnych jednostek pomiarowych i uzupełniane zsynchronizowanym zapisem wideo.

Streszczenie

Zrozumienie typowego i nietypowego rozwoju pozostaje jednym z podstawowych pytań w neuronauce rozwojowej człowieka. Tradycyjnie, paradygmaty eksperymentalne i narzędzia analityczne były ograniczone do ograniczonych zadań i kontekstów laboratoryjnych ze względu na ograniczenia techniczne narzucone przez dostępny zestaw technik pomiarowych i analitycznych oraz wiek badanych. Ograniczenia te poważnie ograniczają badania nad rozwojową dynamiką neuronalną i związanymi z nią sieciami neuronowymi zaangażowanymi w poznanie, percepcję i działanie u niemowląt wykonujących zadania "w działaniu i w kontekście". Protokół ten przedstawia nowatorskie podejście do badania niemowląt i małych dzieci, które swobodnie organizują swoje zachowanie i jego konsekwencje w złożonym, częściowo nieprzewidywalnym i wysoce dynamicznym środowisku. Proponowana metodologia integruje zsynchronizowaną elektroencefalografię aktywną skóry głowy o dużej gęstości (EEG), inercyjne jednostki pomiarowe (IMU), zapisy wideo i analizę behawioralną w celu nieinwazyjnego uchwycenia aktywności i ruchu mózgu u swobodnie zachowujących się niemowląt. Taka konfiguracja pozwala na badanie dynamiki sieci neuronowych w rozwijającym się mózgu, w działaniu i kontekście, ponieważ sieci te są rekrutowane podczas zadań zorientowanych na cel, eksploracji i interakcji społecznych.

Wprowadzenie

Jedną z podstawowych ludzkich zdolności jest zdolność do strategicznego uczenia się i wdrażania działań (produkcja akcji) w służbie celów i nagród, zdolność do pojmowania celów partnerów społecznych (rozumienie działań) w celu wywołania odpowiednich reakcji społecznych, oraz zdolność do uczenia się od innych poprzez obserwację i naśladowanie 1. Neuronalne podstawy tych zdolności poznawczo-motorycznych zostały przypisane, przynajmniej częściowo, tak zwanemu systemowi neuronów lustrzanych; System, który uważa się za zaangażowany, gdy ktoś widzi kogoś wykonującego działanie i kiedy wykonuje tę czynność. Jednak potencjalny związek między systemem neuronów lustrzanych a rozumieniem działania nie jest jeszcze dobrze poznany 1. Badanie pojawienia się i rozwoju tego systemu neuronów lustrzanych u ludzkich niemowląt było utrudnione przez: a) ograniczenia techniczne multimodalnego pozyskiwania danych o aktywności mózgu skorelowane z danymi o intencjach i drobnoziarnistych ruchach, b) ograniczenia narzucone przez protokoły eksperymentalne, które są nienaturalne (np. interakcja społeczna z czynnikiem przedstawionym na taśmie wideo, konieczność utrzymania nieruchomej postawy w celu zminimalizowania artefaktów podczas zapisów elektroencefalograficznych (EEG), itp.) oraz c) bariery komunikacyjne/językowe podczas testowania małych niemowląt/małych dzieci, które znacznie ograniczają możliwości badacza do wydawania instrukcji i walidacji zachowań.

Dla lepszego zrozumienia różnic w dynamice neuronalnej i behawioralnej w naturalnym zachowaniu, opracowaliśmy nowatorskie eksperymentalne i analityczne podejście, które pozwala na czasowe badanie neuronalnych substratów pojawiających się zorientowanych na cel i społecznych zachowań u małych dzieci. W szczególności wdrożyliśmy podejście do mobilnego obrazowania mózgu (MoBI) oparte na EEG 2, aby rejestrować aktywność i ruchy mózgu swobodnie zachowujących się niemowląt podczas interakcji z eksperymentatorem. Inercyjne jednostki pomiarowe (IMU) zostały użyte do monitorowania kinematyki badanego i eksperymentatora.

Technologia EEG i czujniki inercyjne zostały wykorzystane do badania wzorców neuronalnych i aktywacji związanych z naśladowaniem działań niemowląt i zachowaniami zorientowanymi na cel w nieskryptowanej interakcji z eksperymentatorem/aktorem. Działania takie jak sięganie-chwytanie, sięganie-oferowanie, obserwowanie, odpoczynek i eksploracja są częścią procesów poznawczo-motorycznych zaangażowanych w naśladowanie. Co więcej, używamy oszacowania źródła do zlokalizowania generatorów potencjałów elektrycznych w mózgu podczas zadań behawioralnych, badając w ten sposób czasoprzestrzenną dynamikę prądów neuronalnych w całym mózgu. Podobnie wdrażamy algorytmy uczenia maszynowego do oceny i pomiaru przewidywalności tych działań behawioralnych, identyfikując istotne dla działania wzorce czasoprzestrzenne w aktywności neuronalnej w czujnikach (EEG) i/lub przestrzeniach źródłowych. Integracja tradycyjnych ERD/ERS, analiza źródła i dekodowania zapewnia bardziej wszechstronny opis rozwojowy neuronalnych podstaw takich zachowań.

Ta konfiguracja pozwoliła nam wykorzystać zalety podejścia MoBI 2,3 i zbadać interakcje społeczne między niemowlęciem a eksperymentatorem, ponieważ zachodzą one naturalnie bez ograniczeń.

Protokół, od momentu przybycia podmiotu do momentu jego wyjazdu, trwa około 1 godziny. Czas konfiguracji IMU/EEG i akwizycji lokalizacji elektrod waha się od 15 do 25 minut w zależności od takich czynników, jak długość włosów i współpraca badanego. Inicjalizacja i konfiguracja sprzętu sumuje się do 10 minut, a sesja testowa trwa około 15 minut. Wyjęcie IMU i czepka EEG, w tym oczyszczenie główki niemowlęcia z hipoalergicznego żelu, trwa 5-10 minut.

Protokół

Następujący protokół został zbadany i zatwierdzony przez Institutional Review Board na Uniwersytecie w Houston. Wszyscy rodzice lub opiekunowie niemowląt otrzymali, przeczytali i podpisali formularz zgody przed wzięciem udziału w badaniu. Rodzice otrzymali bezpłatny parking i kartę podarunkową o wartości 20 USD jako rekompensatę za udział w badaniu, podczas gdy niemowlęta wybrały zabawkę odpowiednią do wieku.

Zrekrutowane niemowlęta spełniały następujące kryteria: 1) Wiek od 6 do 24 miesięcy. 2) Niemowlę było zdrowe, miało normalny wzrost i rozwój oraz nie miało historii problemów okołoporodowych, wstrząsów mózgu, drgawek, udarów lub trudności w uczeniu się. Przykładami niektórych powszechnych zaburzeń rozwojowych, które wykluczają niemowlę z testów, są brak rozwoju, niedożywienie oraz spożywanie alkoholu lub narkotyków przez matkę w czasie ciąży.

Uproszczony diagram przepływu do jednoczesnego rejestrowania multimodalnej aktywności neuronalnej za pomocą EEG skóry głowy i IMU u swobodnie zachowujących się niemowląt jest przedstawiony na rysunku 1.

1. Świadoma zgoda

  1. Pokaż rodzicom pokój doświadczalny i krótko wyjaśnij im cel eksperymentu.

2. Przygotowanie EEG skóry głowy

  1. Uwaga: Zastosowany system EEG (tabela 1) składa się z aktywnego systemu elektrod z wyjmowanymi elektrodami. Poziomy impedancji są wskazywane na elektrodach za pomocą diod LED.
  2. Zmierz obwód głowy niemowlęcia w cm. Umieść taśmę mierniczą wokół najszerszej części głowy, przesuwając ją po brwiach i wokół wypukłości potylicznej z tyłu głowy.
    Uwaga: Pomiar obwodu głowy jest niezbędny do doboru odpowiedniej wielkości czepka EEG. Istnieją specjalne rozmiary dla populacji niemowląt opisane w Tabeli 1.
  3. Umieść elektrody na czepku EEG o odpowiedniej wielkości (Tabela 1) zgodnie z międzynarodowymi przepisami systemu 10-20. Nasadka zapewnia prawidłowe ułożenie elektrod na skórze głowy.
    Uwaga: Zaleca się, aby czepek był gotowy przed przybyciem niemowlęcia do miejsca badania. Informacje na temat obwodu głowy można uzyskać od rodziców przed czasem lub przybliżyć za pomocą tabel dostępnych w Internecie [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Jeśli wymiar głowy nie odpowiada przybliżeniu badacza, należy przygotować nową nasadkę. Jeśli dostępnych jest wiele nasadek i elektrod, można skonfigurować wiele nasadek z wyprzedzeniem, aby zminimalizować czas przygotowania.
  4. Wyjaśnij rodzicowi procedurę żelowania. Pokaż im igłę i strzykawkę używaną do nakładania żelu na każdą elektrodę i pozwól im poczuć igłę na skórze. Użyj demonstracyjnej elektrody EEG i czepka na skórę głowy, aby przejść przez procedurę żelowania.
  5. Zmierz odległość od nasiona do wcięcia wzdłuż płaszczyzny strzałkowej powierzchni skóry głowy. Przystąp do zakładania kapturka na skórę głowy od tyłu niemowlęcia.
  6. Wyrównaj elektrodę Cz z wierzchołkiem głowicy. Przystąp do wyrównania i wyśrodkowania elektrod Fp1 i Fp2 na czole w około 10% odległości między nasionem a wejściem. Ustaw nasadkę na skórę głowy symetrycznie wzdłuż płaszczyzny środkowej głowy. Upewnij się, że elektrody środkowe [AFz, Fz, FCz, Cz, CPz, Pz, POz, Oz] są wyrównane z nasionem i inionem. Po zakończeniu zabezpiecz nasadkę, spinając ją poniżej podbródka.
    Uwaga: Odwróć uwagę niemowlęcia podczas zakładania czepka EEG. Film odpowiedni do wieku jest powszechnie używany do odwracania uwagi niemowląt podczas konfiguracji.
  7. Podłącz elektrody odniesienia, masową i rejestrującą do skrzynki sterowniczej. Włącz wskaźniki impedancji ze skrzynki sterowniczej.
  8. Zaczynając od elektrod masowych i referencyjnych, za pomocą małej strzykawki wstrzyknij żel elektrolitowy w przestrzeń między skórą głowy a elektrodą, aż impedancja każdej elektrody spadnie poniżej 60 kΩ. Jest to sygnalizowane żółtym lub zielonym światłem na elektrodach. Więcej informacji na temat przygotowania elektrod EEG można znaleźć w 4.
    Uwaga: Podczas zabiegu żelowania niemowlę może poruszać główką z różnych powodów (ciekawość, strach, odwrócona uwaga). Dlatego zaleca się, aby drugi eksperymentator lub rodzic nadal rozpraszał niemowlę. Strzykawek należy umieszczać za główką niemowlęcia, aby uniknąć ryzyka uderzenia igłą w twarz niemowlęcia z powodu nieoczekiwanego ruchu pacjenta.
  9. Podłącz wzmacniacze do komputera hosta przez port USB za pomocą konwertera światłowodowego na USB.
    Uwaga: Rysunek 2A przedstawia konfigurację niemowlęcia z czepkiem EEG i umieszczeniem IMU. Zwróć uwagę, że elektrod i skrzynka sterownicza są podniesione, zapewniając obiektowi mobilność bez obciążenia. Rysunek 2B przedstawia widok topograficzny lokalizacji elektrod czepka EEG zgodnie z systemem znakowania 10-20.

3. Przygotowanie IMU

  1. Otwórz oprogramowanie IMU. Kliknij "Nowy" w interfejsie graficznym.
  2. Następnie kliknij "Konfiguruj" w oknie dialogowym, aby skonfigurować IMU. Ustaw częstotliwość próbkowania na 128 Hz.
  3. Przymocuj IMU na głowie, klatce piersiowej oraz lewym i prawym nadgarstku niemowlęcia.
    Uwaga: Patrz rysunek 2A. Równolegle dopasuj nadgarstki eksperymentu do IMU. Upewnij się, że jednostki IMU są dobrze przymocowane do ciała, aby zminimalizować błędy pomiaru bezwładnościowego.
  4. Za pomocą pasków umieść IMU na nadgarstku po grzbietowej stronie nadgarstków. Umieść IMU klatki piersiowej na powierzchni brzusznej w pobliżu środka klatki piersiowej za pomocą uprzęży.
  5. Przymocuj IMU głowy do pasków podbródkowych czepka na skórę głowy tak, aby znajdował się blisko lewej strony podbródka. Ustaw IMU tak, aby były skierowane na zewnątrz, ze światłem LED skierowanym do góry.
    Uwaga: Każdy z nich waży około 22 g, a ich mały rozmiar i niewielka waga raczej nie będą utrudniać ruchu. Dodatkowy eksperymentator może być potrzebny do odwrócenia uwagi niemowlęcia z powodów opisanych w kroku 2.8.

4. Przechwytywanie wideo i synchronizacja strumieni danych

  1. Umieść kamerę wideo (18) tak, aby niemowlę (12), aktor (14) i spust LED (13) były dobrze widoczne. Patrz rysunek 4.
    Uwaga: Nagrania wideo służą do umożliwienia wizualnej adnotacji i segmentacji zachowań wywołanych przez eksperymentatora, a także potwierdzenia początku i końca sesji nagraniowej.
  2. Podłącz obudowę wejścia/wyjścia spustu (7) do EEG (5) i IMU (4). Patrz rysunek 3.
    Uwaga: Niestandardowa obudowa wejścia/wyjścia (7), pokazana na rysunku 3, została zaprojektowana do wyrównania wszystkich zarejestrowanych strumieni danych (EEG, IMU i wideo), a tym samym wykorzystania znaczników zdarzeń z jednego nagrania (takiego jak wideo) lub wspomagania analizy innego nagrania (takiego jak EEG lub przyspieszenie). Osiąga się to za pomocą pojedynczego przycisku chwilowego, który po naciśnięciu wyśle impuls wyzwalający aktywny-niski (+V do masy) do nagrań EEG (przez port równoległy DB-25), IMU (przez złącze mini-DIN-6) i wideo (poprzez podświetlenie diody elektroluminescencyjnej (LED) umieszczonej w polu widzenia kamery wideo). Układ inwertora logicznego 7404 IC został użyty do przekształcenia impulsu w stanie niskim (masa) na impuls w stanie wysokim (+V), zapewniając potencjał napięciowy potrzebny do zasilania diody LED.
  3. Eksperymentator powinien znajdować się w pobliżu przycisku spustu i komputera zbierającego dane. Eksperymentator jest odpowiedzialny za obsługę wyzwalacza, monitorowanie jakości danych przez cały czas trwania eksperymentu i zapisywanie danych.

5. Przygotowanie środowiska testowego

  1. Zobacz rysunek 4.

6. Gromadzenie danych

  1. Zapisz początkowe wartości impedancji elektrod EEG za pomocą oprogramowania sterującego, wybierając zakładkę "Kontrola impedancji", klikając przycisk radiowy "Impedancja włączona" (odczekaj około 5 sekund, aż wartości impedancji elektrody się ustabilizują) i klikając przycisk radiowy "Zapisz impedancję", aby zapisać impedancje. Zobacz rysunek 5.
  2. Podczas zbierania danych EEG nie są stosowane żadne filtry.
  3. W programie rejestratora EEG kliknij "Monitor", a następnie "Odtwórz", aby rozpocząć kodowanie danych EEG. Zobacz rysunek 6.
  4. W oprogramowaniu IMU kliknij "Strumień", a następnie "Nagraj" w oknie dialogowym, aby rozpocząć nagrywanie danych IMU. Zobacz rysunek 7.
  5. Zastosuj trzy wyzwalacze (III), aby zasygnalizować rozpoczęcie eksperymentu za pomocą przycisku na obudowie wejścia/wyjścia (7). Pozwól niemowlęciu odpocząć przez 1 minutę podczas nagrywania. W ten sposób uzyskano wstępne dane bazowe.
  6. Przeprowadź eksperyment i pozwól niemowlęciu robić przerwy w razie potrzeby. Każda próba eksperymentalna składa się z zadania po kolei, w którym aktor pokazuje niemowlęciu czynność za pomocą przedmiotu (zwykle, ale nie zawsze, zabawki), podaje go niemowlęciu, starając się zainicjować reakcję imitacji, a na koniec odzyskuje obiekt z powrotem od niemowlęcia.
    Uwaga: Ta wymiana jest zwykle powtarzana przez 4-5 prób lub do momentu, gdy niemowlę nie wykaże dalszego zainteresowania obiektem.
  7. Biorąc pod uwagę środowisko sesji, dodaj adnotacje do wszystkich czasów każdego zachowania po zebraniu danych za pomocą nagrania wideo.
  8. Zapisz końcowe wartości impedancji elektrod EEG. Patrz krok 6.1.
  9. Digitalizacja współrzędnych przestrzennych 3D elektrod EEG za pomocą skanera 3D elektrody EEG i oprogramowania oraz odpowiedniego oprogramowania.
  10. Uruchom oprogramowanie do skanowania 3D. Przejdź do "Plik" i wybierz "nowy obszar roboczy". Załaduj plik pozycji elektrody na pierwszą kartę obszaru roboczego i podaj niezbędne informacje w zakładce przechowywania.
  11. Na pasku narzędzi skanowania kliknij "rozpocznij skanowanie". Użyj skanera 3D, znajdującego się w odległości około 30 cm od głowy niemowlęcia, aby zeskanować lokalizacje elektrod, podążając za zmieniającymi się wzorami świetlnymi na nasadce. Po zakończeniu skanowania oprogramowanie automatycznie zapisze wyniki.
    Uwaga: Z tyłu głowy mogą blokować diody LED na elektrodach ze względu na mały rozmiar głowy niemowlęcia. Oprogramowanie pozwala użytkownikowi usunąć niektóre elektrody ze skanu bez uszczerbku dla wyników. W razie potrzeby usuń elektrody potyliczne ze skanu.

7. Segmentacja behawioralna

  1. Sprawdź nagranie wideo z sesji eksperymentalnej i zaznacz czas, w którym dioda LED wyzwalacza (tj. kiedy eksperyment się rozpoczyna i kończy) oraz kiedy rozpoczyna się i kończy którekolwiek z wcześniej wymienionych zachowań w kroku 6.6.

8. Obrazowanie źródłowe

  1. Uwaga: Obrazowanie źródłowe może dokładnie zidentyfikować generatory potencjałów EEG w mózgu i zwykle polega na rozwiązaniu problemu do przodu i do tyłu 5.
  2. Pozyskiwanie danych z obrazu rezonansu magnetycznego (MRI) o wysokiej rozdzielczości T1 z publicznych baz danych, takich jak baza danych Neurodevelopmental MRI, która zawiera średnie szablony MRI w funkcji wieku (w miesiącach) dla pierwszych dwóch lat życia 6,7,<br /> Uwaga: W tym badaniu wykorzystano wyłącznie odpowiednie dla wieku modele głowy niemowląt i dlatego informacje o płci nie są brane pod uwagę przy wyborze szablonu MRI).
  3. Uzyskaj objętości źródłowe dla modeli elementów granicznych (BEM), które obejmują przedziały głowy (tj. istotę szarą, istotę białą, skórę głowy, wewnętrzną lub zewnętrzną czaszkę) jako objętości MRI z bazy danych neurorozwojowego rezonansu magnetycznego 8.
  4. Wstępnie przetwórz objętość MRI BEM w celu uzyskania realistycznego modelu głowy poprzez ekstrakcję powierzchni mózgu i przedziałów głowy w Curry 7 lub podobnym pakiecie oprogramowania do obrazowania mózgu.
  5. Zaimportuj rezonans magnetyczny ważony T1. Ręcznie zidentyfikuj trzy punkty odniesienia, takie jak prawe/lewe punkty przeduszne i nasion w oprogramowaniu do obrazowania mózgu lub podobnym pakiecie.
  6. Zarejestruj jednocześnie przestrzeń EEG i MRI, aby uzyskać sztywną transformację geometryczną między przestrzenią MRI a przestrzenią pacjenta, dopasowując punkty odniesienia wskazane na MRI i odniesienia uzyskane za pomocą skanera 3D w krokach 6.9-6.11 przy użyciu oprogramowania do obrazowania mózgu lub podobnego pakietu.
  7. Rozwiąż model do przodu.
    Uwaga: Postępowy problem polega na zdefiniowaniu modelu głowy, który reprezentuje geometrię głowy i właściwości przewodności elektrycznej objętości głowy 9,10.
  8. Rozwiąż problem odwrotny
    Uwaga: Problem odwrotny próbuje wywnioskować lokalizację, siłę i przebieg w czasie źródła w mózgu na podstawie sygnałów EEG skóry głowy za pomocą technik przetwarzania sygnału 11.
  9. Segmentuj ciągłe dane EEG na próby wokół początku zadania (np. naśladownictwo, segmenty obserwacji) z segmentami przed i po rozpoczęciu zadania o długości 2 sekund. Zidentyfikuj kanały o wysokiej impedancji jako "uszkodzone kanały" i inne sztuczne próby w każdej próbie. Wstępnie przeprzetwarzaj dane EEG w celu odrzucenia artefaktów za pomocą ICA i zrekonstruuj uszkodzone kanały za pomocą średniej z sąsiednich kanałów wolnych od artefaktów. 12,13,14.
  10. Użyj modelu do przodu jako danych wejściowych do zautomatyzowanego algorytmu optymalizacji, który przeszukuje cały mózg w celu zidentyfikowania najlepszych możliwych lokalizacji źródłowych.
  11. Przeanalizuj wizualnie szacowane źródła i wybierz rozwiązania, które najbardziej odpowiadają Twoim oczekiwaniom w oparciu o wcześniejszą wiedzę na temat natury eksperymentu i zinterpretuj je ostrożnie.
    Uwaga: Ten krok jest najbardziej tendencyjny ze względu na źle postawiony charakter problemu odwrotnego, to znaczy, że różne konfiguracje źródeł mogą skutkować tymi samymi potencjałami powierzchniowymi. Dlatego pomocne może być przeprowadzenie kontroli poprawności, aby sprawdzić, czy dany model głowy i metoda odwrotna działają dobrze.
  12. Przeprowadź test poprawności, lokalizując znany symulowany dipol. Mianowicie, dla danego modelu głowy umieść dipol o znanej konfiguracji, i rozwiąż problem przewodzenia, aby uzyskać symulowane napięcia dla tego dipola.
  13. Rozwiąż odwrotny problem z tymi napięciami na tym samym modelu głowicy, aby upewnić się, że zwraca symulowane dipole.
    Uwaga: Te kontrole poprawności powinny przywrócić początkowo umieszczone dipole z wysokim stopniem dokładności.

Wyniki

Rysunek 8 przedstawia przykładowe dane EEG oraz przyspieszenia z jednostek IMU dla 16-sekundowego okna czasowego zarejestrowanego podczas interakcji między badanym a eksperymentatorem. Dane EEG zostały ponownie próbkowane z częstotliwością 100 Hz, a następnie przefiltrowane pasmowo [1-40 Hz] przy użyciu trzeciorzędowego filtru Butterwortha o zerowej fazie. Kanały o wysokich wartościach impedancji (Z > 60 kΩ) oraz kanały peryferyjne zostały odrzucone 12,15. Jednostki IMU rejestrowały dziewięć sygnałów z częstotliwością 128 Hz: strumień magnetyczny, prędkość kątową oraz przyspieszenie liniowe w trzech osiach kartezjańskich. Tutaj pokazano wartość przyspieszenia skompensowanego grawitacyjnie (GC). Efekt przyspieszenia ziemskiego został skompensowany poprzez zastosowanie filtru Kalmana w celu przewidzenia orientacji IMU w układzie globalnym 16. Dane zostały podzielone na segmenty na podstawie wizualnej inspekcji nagrań wideo (Krok 7.1). Pionowe linie ciągłe wskazują początek interesującego zachowania, natomiast pionowe linie przerywane reprezentują koniec zdarzenia.

Wpływ artefaktów ruchowych jest widoczny w danych EEG przedstawionych na Rysunku 8 około 709 s. Niekontrolowane podejście do gromadzenia danych w tym protokole eksperymentalnym sprawia, że dane EEG są podatne na mruganie powiek, ruchy gałek ocznych, ruchy ciała oraz artefakty elektromiograficzne. Dane poddano wstępnemu przetwarzaniu przy użyciu filtru pasmowoprzepustowego Butterwortha o zerowej fazie i 3rd rzędzie, aby ograniczyć je do pasma delta (1-4 Hz), a następnie znormalizowano poprzez odjęcie średniej i podzielenie przez odchylenie standardowe. Artefakty o wysokiej amplitudzie usuwano automatycznie metodą Artifact Subspace Removal (ASR) 17. Ponadto z analizy danych wyłączono kanały obwodowe w celu zminimalizowania zanieczyszczeń artefaktami mioelektrycznymi. Skurcze mięśnia czołowego i skroniowego nakładają się na sygnał EEG najsilniej w obszarach obwodowych: skurcz mięśnia czołowego pojawia się w lokalizacjach przednich, a skurcz mięśnia skroniowego w bocznych lokalizacjach czołowych i skroniowych 15.

Aby zbadać naturę danych zebranych zgodnie z tym protokołem, na rysunku 9 przedstawiono histogramy danych EEG. Rysunek 9A opisuje rozkład danych dla znormalizowanego sygnału z trzech reprezentatywnych przestrzennie elektrod. Dane EEG wykazują rozkład multimodalny dla analizowanych zachowań. Na rysunku 9B wartości kurtozy przedstawiono w formie wykresów słupkowych, aby ułatwić wizualną inspekcję danych.

Klasyfikację przeprowadzono poprzez ekstrakcję opóźnień czasowych każdego kanału EEG, redukcję wymiarowości przy zachowaniu lokalnego rozproszenia każdej klasy (lokalna analiza dyskryminacyjna Fishera (LFDA)) 18 oraz trenowanie i testowanie modelu na zredukowanym zbiorze cech (modele mieszanin gaussowskich (GMM)) 19. Próbki treningowe i testowe były losowo pobierane w 20 iteracjach (t.j. walidacja krzyżowa), aby zapobiec przeuczeniu modelu. Wielkość prób treningowych i testowych zmienia się w zależności od liczby odrzuconych kanałów (t.j. impedancja większa niż 60 kHz), długości sesji eksperymentalnej oraz liczby prób i przejawianych zachowań. Niemniej jednak liczba próbek treningowych i testowych dla każdej klasy (zachowania) odpowiada 50% liczby próbek w najmniej licznej klasie. Przykładowo, wielkość zbioru testowego dla każdej klasy wynosi N = 1 069 próbek dla danych niemowlęcych przedstawionych na Rysunku 10. Wszystkie etapy wstępnego przetwarzania i klasyfikacji zostały obliczone w środowisku programistycznym MATLAB.

Rycina 11 przedstawia krok po kroku całą procedurę szacowania źródła EEG przeprowadzoną w niniejszym badaniu. Więcej szczegółów dotyczących każdego etapu podsumowano również w sekcji 8.

Rysunek 12 przedstawia wyniki zdarzeniowej (de)synchronizacji (ERD / ERS) w rytmie mu (5-9 Hz) oraz źródła dipolowe podczas zadania „Reach-Offer” (sięganie i oferowanie). ERS i ERD obliczono jako procentowy spadek lub wzrost mocy w pasmie częstotliwości, który występuje w odstępie czasu zdarzenia (zadanie sięgania i oferowania) w porównaniu do odstępu referencyjnego (segmentu pobranego przed zdarzeniem). Rysunek ten pokazuje również wartość przyspieszenia skorygowaną o grawitację, uzyskaną podczas zadania z obu nadgarstków niemowlęcia oraz aktora. Do analizy dipolowej sygnały EEG zostały rozłożone przy użyciu analizy składowych niezależnych (ICA) w celu wyeliminowania szumu tła. Estymacja źródła była przeprowadzana w rytmie mu po wstępnym przetwarzaniu ICA za pomocą stałego algorytmu MUSIC 5. Zgodnie z oczekiwaniami źródła zostały zlokalizowane nad prawym obszarem ruchowym pierwotnym, podczas gdy badany używał lewej ręki do chwytania przedmiotu.

Nazwa produktuFirmaIlość
Wzmacniacz BrainAmpBrain Products GmbH2
czapeczka EEG actiCAP – 64 elektrodyBrain Products GmbH10
Moduł sterujący actiCAPBrain Products GmbH1
oprogramowanie Brain Vision RecorderBrain Products GmbH1
oprogramowanie sterownika actiCAP Control BoxBrain Products, GmbH1
CapTrakBrain Products, GmbH1
oprogramowanie CapTrakBrain Products GmbH1
Monitor ruchu OpalAPDM, Inc6
stacja dokująca OpalAPDM, Inc.6
bezprzewodowy punkt dostępu OpalAPDM, Inc.1
oprogramowanie Motion StudioAPDM, Inc.1
Moduł wyzwalającyNiestandardowy1
Kamera wideoHC-W850M, Panasonic Co.1
Czapki EEG dla niemowląt są dostępne w następujących rozmiarach obwodu głowy: 42, 44, 46, 48, 50 cm. Dla niniejszego protokołu zaleca się posiadanie zapasu 2 czapek w każdym rozmiarze. 

Tabela 1 Wyposażenie.

Procedura badania EEG u niemowląt; schemat blokowy; konfiguracja EEG; czujniki ruchu; interaktywne zabawki; akwizycja danych.
Figura 1. Schematy blokowe. (A) Schemat blokowy konfiguracji eksperymentu. (B) Schemat blokowy sesji gromadzenia danych. Kliknij tutaj, aby zobaczyć powiększoną wersję tej figury.

Układ EEG i schemat elektrod; czepek 64-kanałowy monitoruje aktywność mózgu, zaznaczono pozycje czujników.
Rysunek 2. Przygotowanie badanego do zbierania danych. (A) Widok z przodu badanego w czepku EEG i czterech jednostkach IMU. (B) Reprezentacja topograficzna 64-kanałowego czepka EEG z zastosowaniem standardowego systemu rozmieszczenia elektrod 10-20. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Układ do funkcjonalnej spektroskopii bliskiej podczerwieni w laboratorium; sprzęt obejmuje laptopy, sensory i kable.
Rysunek 3. Sprzęt do gromadzenia danych i pomieszczenie badawcze. (A) Konfiguracja sprzętu do gromadzenia danych: skrzynka sterująca EEG (1), czepek EEG (2), wyzwalacz (3), bezprzewodowy odbiornik danych IMU (4), wzmacniacze EEG (5), pudełko z zabawkami (6), przycisk wyzwalający (7), laptopy do akwizycji danych (8), stacja dokująca IMU (9). (B) Zbliżenie na czepek EEG, elektrody aktywne i skrzynkę sterującą. (C) Zbliżenie na moduły IMU i odbiornik bezprzewodowy, przycisk wyzwalający, wzmacniacze EEG oraz laptopy do gromadzenia danych. Aby wyświetlić ten rysunek w większym rozmiarze, kliknij tutaj.

Schemat układu laboratorium, rozmieszczenie sprzętu, konfiguracja miejsca pracy do badań i eksperymentów.
Rysunek 4. Schematyczny przedstawienie ustawienia eksperymentalnego. Uchwyt skrzynki sterującej EEG (10). Opiekun badanego siedzi na krześle (11), eksperymentator siedzi na krześle (14), a osoba monitorująca dane siedzi na krześle (17). Przedstawiono resztę układu eksperymentalnego: blat interakcyjny (12), wyzwalacz (13), pudełko z zabawkami (15), stół do akwizycji danych (16), rozmieszczenie kamery wideo (18). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat sprawdzania impedancji EEG; interfejs sterowania actiCAP dla konfiguracji elektrod i monitorowania impedancji.
Rycina 5. Zrzut ekranu oprogramowania sterującego EEG. Strzałki wskazują kluczowe ikony w oprogramowaniu opisane w krokach 6.1 oraz 6.8. Prosimy kliknąć tutaj, aby zobaczyć powiększoną wersję tej ryciny.

Zrzut ekranu z rejestracji EEG pokazujący wzorce fal mózgowych, standardowy układ elektrod, analiza danych.
Rysunek 6. Zrzut ekranu z oprogramowania do rejestracji EEG. Strzałki wskazują kluczowe ikony w oprogramowaniu opisane w krokach 6.2 i 6.3. Przedstawiono fragment surowych danych przesyłanych w czasie rzeczywistym. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Układ rejestracji danych ruchu; GUI do zsynchronizowanego strumieniowania; interfejs konfiguracji i zapisu.
Rysunek 7. Zrzut ekranu oprogramowania IMU. Czerwone ramki wyróżniają kluczowe ikony w oprogramowaniu opisane w kroku 6.4. (A) Główne okno poleceń. (B) Okno konfiguracji. (C) Okno rejestracji. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat analizy EEG i ruchu ilustrujący fazy obserwacji niemowlęcia i interakcji z aktorem.
Rysunek 8. Przykładowe dane z reprezentatywnej sesji eksperymentalnej. (A) Przedstawiono dane EEG i przyspieszenia, oba poddane filtracji pasmowej [1-40Hz]. Wyświetlono elektrody EEG o niskiej impedancji (Z < 60 kΩ) przez cały czas trwania sesji. Pełne linie pionowe wskazują początek zachowania. (B) Klatki obrazu przedstawiające niemowlę wykazujące analizowane zachowania: Obserwacja, Sięganie-chwytanie, Sięganie-oferowanie, Naśladowanie, Eksploracja, Odpoczynek. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Histogramy wyników z EEG oraz wykresy słupkowe kurtozy dla CP2, FC5, POz podczas zadań poznawczych.
Rysunek 9. Przykładowe histogramy amplitudy EEG dla sześciu zidentyfikowanych zachowań. A) Przedstawione dane odpowiadają surowym danym z trzech elektrod (CP2, FC5, POz) zarejestrowanym podczas sesji z 20-miesięcznym niemowlęciem. Histogramy zostały przeskalowane do najwyższej liczby wystąpień, a kurtoza każdego histogramu jest pokazana po prawej stronie każdego wykresu. Zwróć uwagę na rozkład multimodalny dla większości zachowań. B) Kurtoza danych próbkowych dla każdego zachowania. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Schemat macierzy pomyłek przedstawiający przewidywane i rzeczywiste etykiety klas w analizie klasyfikacyjnej.
Rysunek 10. EEG przewiduje działania behawioralne u niemowląt w swobodnym zachowaniu 12. Przedstawiono przykładową macierz pomyłek dla dokładności klasyfikacji 20-miesięcznego niemowlęcia. Ogólna dokładność dekodowania znajduje się w prawym dolnym rogu. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Schemat obrazowania mózgu: MRI, segmentacja BEM. Korejestracja EEG. Wyniki estymacji źródła.
Rycina 11. Lokalizacja źródła. Kroki wymagane do lokalizacji dipolowego źródła u niemowlęcia z wykorzystaniem anatomicznego badania MRI oraz funkcjonalnych danych EEG. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Aktywność mózgu niemowlęcia podczas ruchu; dane EEG i fMRI; kinematyka; analiza widm mocy.
Rysunek 12. Profil analizy zadania typu „sięganie-oferowanie”.A) Ujęcia niemowlęcia wykonującego zadanie „sięganie-oferowanie”. B) Średnia globalna moc pola EEG w pasmie Mu (5-9 Hz), trajektorie ruchu kończyn niemowlęcia i aktora; uśrednione widmo perturbacji powiązanej z zdarzeniem ze wszystkich kanałów. C) Zlokalizowane źródła dipolowe dla dwóch zdarzeń: „początek ruchu” oraz „zakończenie ruchu”. Aby zobaczyć powiększoną wersję tego rysunku, kliknij tutaj.

Dyskusja

Opisany protokół przedstawia metodologię zbierania danych od swobodnie zachowujących się niemowląt podczas interakcji z eksperymentatorem w czasie rzeczywistym. Wykorzystuje technologię mobilnego obrazowania mózgu (EEG skóry głowy) do rejestrowania aktywności neuronalnej, jednocześnie rejestrując dane kinematyczne za pomocą IMU w strategicznych lokalizacjach ciała. Sesja eksperymentalna jest również rejestrowana przez kamerę wideo. Trzy systemy rejestracji danych są zsynchronizowane za pomocą niestandardowego systemu wyzwalania.

System EEG i IMU są przypięte do osoby badanej, która swobodnie porusza się podczas sesji eksperymentalnej. Jednostki IMU muszą być bezpiecznie przypięte, aby móc dokładnie uchwycić kinematykę. Aby zapewnić pełną, nieskrępowaną mobilność obiektu, sprzęt musi być jak najmniej inwazyjny; stąd wykorzystanie uchwytu do podparcia kabli elektrod EEG i skrzynki kontrolnej EEG. Następnie eksperymentator wchodzi w interakcję z niemowlęciem przez około 15 minut. Niemowlę wywoła zależny od wieku repertuar zachowań podczas interakcji. Należą do nich: odpoczynek, sięganie-chwytanie, sięganie-oferowanie, odkrywanie, obserwowanie i naśladowanie. Jednak niektóre niemowlęta nie będą chciały współpracować podczas sesji z powodu zmęczenia, braku komfortu lub stresu. Upewnij się, że zaplanowałeś eksperyment wtedy, gdy dziecko jest najbardziej dynamiczne i aktywne, aby zapobiec wystąpieniu negatywnych reakcji z jego strony.

Charakter eksperymentu stwarza ryzyko dla jakości danych rejestrowanych podczas sesji. Dlatego tak ważne jest, aby przetestować wszystkie połączenia i jakość danych przed rozpoczęciem sesji nagraniowej oraz monitorować je w sposób ciągły podczas sesji. Jeśli system EEG nie rejestruje danych wysokiej jakości, zatrzymaj oprogramowanie i odłącz wszystkie połączenia. Przed ponownym uruchomieniem oprogramowania lub ponownym podłączeniem sprzętu do laptopa należy usunąć wszystkie możliwe źródła szumów (tj. zasilacze) z odległości sprzętu nagrywającego. Sprzęt EEG obejmuje wzmacniacze sygnału, które mogą odbierać szumy otoczenia, jeśli zostaną umieszczone w pobliżu źródeł szumów elektrycznych. W przypadku odbiornika IMU upewnij się, że nie ma zakłóceń w linii wzroku między odbiornikiem a eksperymentem i niemowlęciem.

Ta eksperymentalna konfiguracja zapewnia dane neuronowe o wysokiej rozdzielczości czasowej, mierząc aktywność elektryczną na powierzchni skóry głowy. Ostatnie badania wykazały możliwość wykorzystania tych sygnałów, wraz z kinematyką całego ciała, do identyfikacji możliwych do sklasyfikowania informacji dla ruchów ekspresyjnych 20 i ruchów funkcjonalnych 21,22, co sugeruje, że to proponowane podejście do zbierania danych może prowadzić do lepszego zrozumienia neuronalnych podstaw naśladowania u niemowląt.

Niedawne prace nad potężnymi algorytmami uczenia maszynowego zastosowanymi do dynamiki mózgu 13,20,21 budują rosnący zestaw narzędzi do badania potencjałów powierzchniowych w bardziej naturalnych warunkach. Proponowany układ stwarza spektrum możliwości odpowiedzi na pytania badawcze 2,22. W szczególności może być stosowany w badaniach skoncentrowanych na: a) zrozumieniu neuronalnych podstaw rozwoju poznawczo-motorycznego niemowląt w oparciu o dużą populację badanych; b) zrozumienie neuronalnych podstaw intencji dziecka w "działaniu i kontekście", które powinny być predykcyjne dla przychodzącego działania behawioralnego; c) ilościowe określanie powszechnych i unikalnych wzorców neuronalnych w celu scharakteryzowania indywidualności i zmienności w rozwijającym się mózgu; oraz d) badanie powstawania procesów naśladownictwa i uczenia się. Cele te pociągają za sobą wdrożenie algorytmów uczenia maszynowego, które mogą radzić sobie z statystycznie bogatymi danymi zarówno w zakresie informacyjnych potencjałów pochodzących z mózgu, jak i artefaktów ruchowych lub mięśniowych 12,20,23 .

W niniejszym badaniu podjęto próbę oszacowania źródeł kory mózgowej i potencjałów pola elektrycznego przy użyciu danych EEG niemowlęcia. Ze względu na trudności techniczne, takie jak brak wiedzy na temat wartości przewodnictwa głowy niemowlęcia i grubości materii korowej, dokładne modelowanie modelu głowy jest trudnym zadaniem. Potrzebne są dalsze badania w celu nieinwazyjnego oszacowania regionalnego przewodnictwa tkanek u niemowląt 24. Segmentacja powierzchni kory mózgowej danych MRI niemowląt stanowi dodatkowe wyzwanie ze względu na słaby kontrast występujący w obrazach rozwijającego się ludzkiego mózgu 25. Potrzebne są dalsze badania, aby rozwiązać te trudności i oszacować różne neurofizjologiczne korelaty rozwoju i zachowania niemowląt.

Wreszcie, proponowany protokół i metody eksperymentalne mogą zostać wykorzystane w badaniu osób z niepełnosprawnością rozwojową, takich jak niemowlęta z prawdopodobnymi zaburzeniami ze spektrum autyzmu (ASD). W takim wniosku pożądane byłoby uwzględnienie grupy kontrolnej i odpowiednich ocen rozwojowych w celu scharakteryzowania obu grup (kontrolnej i ASD). Na przykład, grupa badawcza może składać się ze wszystkich niemowląt wysokiego ryzyka (dla ASD) ocenianych za pomocą Harmonogramu Obserwacji Diagnostycznej Autyzmu 26, nasilenia objawów 27 i Skali Mullena Wczesnego Uczenia się 28 w celu scharakteryzowania ogólnych zdolności poznawczych. Jeśli to możliwe, wysoce pożądane byłyby również skany MRI zależne dyfuzją 29.

Oświadczenia

Brain Products i Brain Vision sfinansowały opłaty za otwarty dostęp pobierane przez czasopismo.

Podziękowania

Ta praca była wspierana przez Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Award # P01 HD064653-01. Wyłączną odpowiedzialność za treść ponoszą autorzy i niekoniecznie reprezentują one oficjalne poglądy NICHD lub National Institutes of Health.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
BrainAmp AmplifierBrain Products, Gmbh
actiCAP EEG cap- 64 elektrody*Produkty mózgu, Gmbh
actiCAP Control BoxProdukty dla mózgu, oprogramowanie Gmbh
Brain Vision Recorder v1.20.0601Produkty dla mózgu, Gmbh
oprogramowanie actiCAP Control Box v1.2.5.2Produkty dla mózgu, Gmbh
CapTrakBrain Products, Gmbh
Oprogramowanie CapTrak v1.0.0Brain Products, Gmbh
Opal monitor ruchuAPDM, Inc
Stacja dokująca OpalAPDM, Inc
Bezprzewodowy punkt dostępowy OpalAPDM, Inc
Oprogramowanie Motion Studio v1.0.0.201503302222APDM, Inc
Skrzynkaspustowa Niestandardowa
kamera wideoHC-W850M, Panasonic Co.
*Czepki EEG dostępne są w następujących rozmiarach obwodu głowy dla niemowląt: 42, 44, 46, 48, 50 cm. W przypadku tego protokołu zalecany jest zapas 2 nakrętek każdego rozmiaru. 

Bibliografia

  1. Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
  2. Makeig, S., Gramann, K., Jung, T. -P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73 (2), 95-100 (2009).
  3. Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
  4. GmbH Brain Products. actiCAP Operating Instructions. , Version 006, Author. Munich, Germany. (2013).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
  6. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54 (1), 77-91 (2012).
  7. Richards, J. E. Neurodevelopmental MRI Database. , Available from: http://jerlab.psych.sc.edu/NeurodevelopmentalMRIDatabase (2010).
  8. Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
  9. Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
  10. Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
  11. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  12. Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. , 2115-2118 (2014).
  13. Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. , 8(2014).
  14. Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34 (1), 26-43 (2014).
  15. Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114 (9), 1580-1593 (2003).
  16. Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
  17. Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. , 2184-2197 (2013).
  18. Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
  19. Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
  20. Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8 (188), (2014).
  21. Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. , 5606-5609 (1109).
  22. Gramann, K., Jung, T. -P., Ferris, D. P., Lin, C. -T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8 (444), (2014).
  23. Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26 (77), (2013).
  24. Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
  25. Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
  26. Lord, C., Rutter, M., DiLavore, P. C., Risi, S. Autism Diagnostic Observation Schedule. , Psychological Services. Los Angeles, Calif, Western. (2000).
  27. Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
  28. Mullen, E. M. Mullen Scales of Early Learning. , AGS Edition, AGS Publishing. Circle Pines, Minn. (1995).
  29. Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169 (6), 589-600 (2012).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Dekodowanie intencji neuronowychinterakcje spo eczne niemowl tEEG o wysokiej g sto cijednostki pomiaru inercyjnegoswobodnie poruszaj ce si niemowl tasynchronizacja EEG i IMUpoznawczy rozw j motorycznysystem neuron w lustrzanychdynamika sieci m zgowychzaburzenia ze spektrum autyzmu

Powiązane artykuły