Method Article

Analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku

DOI:

10.3791/56452

⸱

June 15th, 2018

 ,  , 
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten artykuł opisuje protokół leżący u podstaw analizy mikrostanów elektroencefalografii (EEG) i analizy złożoności omega, które są dwoma niezależnymi pomiarami EEG i są bardzo cenne dla badania mechanizmów neuronalnych zaburzeń mózgu.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Złożoność mikrostanu i omega to dwie bezreferencyjne miary elektroencefalografii (EEG), które mogą reprezentować czasową i przestrzenną złożoność danych EEG i były szeroko stosowane do badania mechanizmów neuronalnych w niektórych zaburzeniach mózgu. Celem tego artykułu jest opisanie krok po kroku protokołu leżącego u podstaw analizy złożoności mikrostanów EEG i kwasów omega. Główną zaletą tych dwóch pomiarów jest to, że mogą one wyeliminować problem zależności od odniesienia nieodłącznie związany z tradycyjną analizą widma. Ponadto analiza mikrostanów dobrze wykorzystuje wysoką rozdzielczość czasową EEG w stanie spoczynku, a cztery uzyskane klasy mikrostanów mogą odpowiednio pasować do odpowiednich sieci stanu spoczynku. Złożoność omega charakteryzuje złożoność przestrzenną całego mózgu lub określonych regionów mózgu, co ma oczywistą przewagę w porównaniu z tradycyjnymi miarami złożoności skupiającymi się na złożoności sygnału w jednym kanale. Te dwa pomiary EEG mogą się wzajemnie uzupełniać, aby zbadać złożoność mózgu odpowiednio w domenie czasowej i przestrzennej.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Elektroencefalografia (EEG) jest szeroko stosowana do rejestrowania aktywności elektrycznej ludzkiego mózgu zarówno w diagnostyce klinicznej, jak i badaniach naukowych, ponieważ jest nieinwazyjna, tania i ma bardzo wysoką rozdzielczość czasową1. Aby zbadać sygnały EEG w stanie spoczynku, naukowcy opracowali wiele technik EEG (np. analiza widma mocy, analiza łączności funkcjonalnej)2,3. Spośród nich analiza mikrostanów i analiza złożoności omega mogą dobrze wykorzystać informacje przestrzenne i czasowe zawarte w sygnałach EEG4.

Poprzednie badania wykazały, że chociaż topograficzny rozkład sygnałów EEG zmienia się w czasie w stanie spoczynku z zamkniętym lub otwartym okiem, seria chwilowych map pokazuje nieciągłe zmiany krajobrazów, tj. okresy stabilności przeplatające się z krótkimi okresami przejściowymi między pewnymi quasi-stabilnymi topografiami EEG5. Mikrostany definiuje się jako te epizody z quasi-stabilnymi topografiami EEG, które trwają od 80 do 120 ms1. Ponieważ różne krajobrazy potencjału elektrycznego musiały być generowane przez różne źródła neuronalne, te mikrostany mogą kwalifikować się jako podstawowe bloki myślenia i mogą być uważane za "atomy myśli i emocji"6. Korzystając z nowoczesnych algorytmów klasyfikacji wzorców, konsekwentnie obserwowano cztery klasy mikrostanów spoczynkowych EEG, które zostały oznaczone jako klasa A, klasa B, klasa C i klasa D7. Co więcej, naukowcy ujawnili, że te cztery klasy mikrostanów danych spoczynkowego EEG były ściśle związane z dobrze znanymi układami funkcjonalnymi obserwowanymi w wielu badaniach fMRI (funkcjonalnego rezonansu magnetycznego) w stanie spoczynku8,9. W związku z tym analiza mikrostanów dostarczyła nowatorskiego podejścia do badania sieci stanów spoczynku (RSN) ludzkiego mózgu. Ponadto, średni czas trwania i częstotliwość występowania każdej klasy mikrostanów, topograficzny kształt czterech map mikrostanów są znacząco uzależnione od niektórych zaburzeń mózgu4,10,11, i są związane z inteligencją płynną12 i personality13.

W innym aspekcie, tradycyjna funkcjonalna łączność wielokanałowego EEG mogła opisywać tylko funkcjonalne połączenia między dwoma elektrodami skóry głowy, więc nie była w stanie ocenić globalnej funkcjonalnej łączności między skórą głowy lub w określonym obszarze mózgu. Złożoność omega, zaproponowana przez Wackermanna (1996)14 i obliczona za pomocą podejścia łączącego analizę głównych składowych (PCA) i entropię Shannona, została wykorzystana do ilościowego określenia szerokopasmowej globalnej synchronizacji między przestrzennie rozmieszczonymi regionami mózgu. Aby ocenić złożoność omega każdego pasma częstotliwości, transformata Fouriera była zwykle przeprowadzana jako pierwszy krok25.

Mikrostany i złożoność omega mogą być używane do odzwierciedlenia dwóch ściśle powiązanych pojęć, tj. złożoności czasowej i złożoności przestrzennej4. Ponieważ klasy mikrostanów reprezentują pewne operacje umysłowe w ludzkim mózgu, mogą odzwierciedlać czasową strukturę oscylacji neuronów. Krótszy czas trwania i wyższa częstotliwość występowania na sekundę muszą wskazywać na większą złożoność czasową. Złożoność omega jest pozytywnie związana z liczbą niezależnych źródeł neuronalnych w mózgu, dlatego jest powszechnie uważana za wskaźnik złożoności przestrzennej4.

Obecny artykuł szczegółowo opisuje protokół analizy mikrostanów EEG i analizy złożoności omega. Analizy złożoności mikrostanów EEG i omega dają możliwość zmierzenia odpowiednio czasowej i przestrzennej złożoności aktywności mózgu.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten protokół został zatwierdzony przez lokalną komisję etyczną. Wszyscy uczestnicy i ich rodzice podpisali formularz świadomej zgody na ten eksperyment.

1. Tematy

  1. Uwzględnij tylko 15 zdrowych nastolatków płci męskiej, których wiek waha się od 14 do 22 lat (średnia ± odchylenie standardowe: 18,3 ± 2,8 roku).
    UWAGA: Obecny protokół analizy złożoności mikrostanów i kwasów omega został opracowany dla zdrowych osób, ale nie jest ograniczony tylko do tej grupy.

2. Zapis danych EEG

  1. Poproś badanych, aby usiedli na wygodnym krześle w cichym pomieszczeniu o kontrolowanej temperaturze, w którym zarejestrowano dane EEG. Zbierz 20-kanałowe dane EEG za pomocą systemu ANT EEG w tym protokole.
  2. Załóż czapkę na głowę fotografowanej osoby.
    1. W tym badaniu użyj czapki o średnim rozmiarze, ponieważ była ona odpowiednia dla większości nastolatków lub mężczyzn. W przypadku dzieci zmierz obwód głowy każdego obiektu i określ czapkę o odpowiednim rozmiarze.
    2. Umieść elektrodę Cz w odległości około 50% odległości między wgłębieniem a nasionem i 50% odległości między lewym i prawym wgłębieniem międzyusznym. Umieść elektrody referencyjne odpowiednio na lewej i prawej kości wyrostka sutkowatego. Umieść pozostałe elektrody skóry głowy w standardowych lokalizacjach zgodnie z międzynarodowym systemem 10-20.
      UWAGA: System elektrod i wzmacniacz EEG z 20 kanałami są wystarczające do analizy mikrostanów EEG i analizy złożoności omega
      3. .
  3. Napełnij wszystkie elektrody żelem przewodzącym, wprowadzając igłę przez elektrody. Użyj żelu przewodzącego, aby obniżyć impedancję. Utrzymuj impedancje wszystkich elektrod poniżej 10 kiloomów (kΩ).
    1. W tym okresie zapewnij tematom rozrywkę (np. pokaż krótki film). Jeśli używana jest sucha elektroda lub elektroda solankowa, pomiń etap wstrzykiwania żelu przewodzącego.
  4. Poinstruuj badanych, aby zrelaksowali się z zamkniętymi oczami podczas nagrywania, które trwa 5 minut. Użyj oprogramowania do digitalizacji, aby zdigitalizować i zarejestrować sygnał EEG. Należy stosować częstotliwość próbkowania wynoszącą co najmniej 250 próbek/s. Użyj filtra online szerszego niż 0,1 i 80 Hz.
    UWAGA: Chociaż większość dostępnych na rynku systemów wzmacniaczy elektrod wykorzystuje aktywny system elektrod, który może poprawić stosunek sygnału do szumu sygnału EEG, nie należy umieszczać tego systemu w pobliżu jakichkolwiek urządzeń elektrycznych podczas rejestracji EEG.

3. Wstępne przetwarzanie danych EEG

UWAGA: Dane EEG mogą być wstępnie przetworzone przy użyciu różnych programów open source lub komercyjnych. Poniższe instrukcje są specyficzne dla EEGLAB. To tylko jedna z wielu dostępnych opcji wstępnego przetwarzania danych EEG.

  1. Zaimportuj surowe dane EEG do oprogramowania EEG (np. EEGLAB) (Plik | Importowanie danych | Korzystanie z funkcji i wtyczek EEGLAB).
    UWAGA: Surowe dane EEG zarejestrowane z różnych systemów wzmacniaczy elektrod mogą być rozpoznane przez EEGLAB, takie jak EGI, ANT, rejestrator Brain Vision i Neuroscan.
  2. Załaduj plik lokalizacji kanału do oprogramowania EEG (Edycja | Lokalizacje kanałów). Chociaż dane EEG i nazwy kanałów zostały zaimportowane do EEGLAB, zaimportuj plik lokalizacji kanału do oprogramowania EEG, aby uzyskać lokalizacje przestrzenne tych elektrod.
  3. Usuń elektrody odniesienia (Edycja | Wybierz dane| Wybierz dane w zakresie kanałów). W opcji "Wybierz dane w zakresie kanałów" w wyskakującym oknie dialogowym wybierz tylko elektrody rejestrujące i nie wybieraj elektrod odniesienia, aby można było usunąć elektrody odniesienia. Dane zapisane w elektrodach referencyjnych nie są "prawdziwym" sygnałem mózgowym, ponieważ te dwie elektrody są umieszczone odpowiednio na lewej i prawej kości wyrostka sutkowatego.
  4. Filtr pasmowo-przepustowy danych EEG w zakresie od 0,5 do 80 Hz (Narzędzia | Filtrowanie danych | Podstawowy filtr FIR [nowy, domyślny]). W wyskakującym oknie dialogowym wybierz 5 dla "Dolna krawędź pasma przepustowego częstotliwości (Hz)" i wybierz 80 dla "Wyższa krawędź pasma przepustowego częstotliwości (Hz)". Następnie kliknij przycisk "OK".
  5. Usuń szumy linii energetycznej za pomocą filtra wycinającego od 49 do 51 Hz (Narzędzia | Filtrowanie danych | Podstawowy filtr FIR [nowy, domyślny]). W wyskakującym oknie dialogowym wybierz 49 dla "Dolna krawędź pasma przepustowego częstotliwości (Hz)" i wybierz 51 dla "Wyższa krawędź pasma przepustowego częstotliwości (Hz)" i wybierz opcję "Filtruj dane w wycięciu zamiast pasma przepustowego". Następnie kliknij przycisk "OK".
  6. Popraw porcje danych zanieczyszczone ruchami gałek ocznych, elektromiografią (EMG) lub innymi artefaktami niefizjologicznymi za pomocą algorytmu Blind Source Separation (BSS) 15. Aby wyświetlić ruchy gałek ocznych, kliknij Narzędzia | Usuwanie artefaktów za pomocą AAR 1.3 | Usuwanie EOG | Korzystanie z BSS; dla EMG, Narzędzia | Usuwanie artefaktów za pomocą AAR 1.3 | Usunięcie EMG za pomocą BSS.
  7. Podziel wstępnie przetworzone ciągłe dane EEG na epoki o długości epoki 2 s. Aby to zrobić, napisz 'EEG = eeg_regepochs(EEG, 'nawrót', 2, 'limity',[0 2],'rmbase' ,NaN); pop_saveset(EEG)', a następnie naciśnij Enter na klawiaturze. Pojawi się okno, które umożliwia zapisanie posegmentowanych danych EEG.
  8. Zaimportuj segmentowane dane EEG do oprogramowania EEG (Plik | Załaduj istniejący zestaw danych).
  9. Odrzucanie epok EEG o wartościach amplitudy przekraczających ± 80 μV na dowolnej elektrodzie (Narzędzia | Odrzucanie epok danych | Odrzuć dane [wszystkie metody]).
  10. Zapisz wstępnie przetworzone dane EEG (Plik | Zapisz bieżący zestaw danych jako).

4. Analiza mikrostanów EEG

UWAGA: Zmodyfikowana wersja klasycznego algorytmu grupowania K-średnich jest używana do analizy klas mikrostanów16, która zawiera procedurę bottom-up i procedurę up-bottom. W procedurze oddolnej klasy mikrostanów na poziomie grupy są identyfikowane przy użyciu korelacji przestrzennej jako kryterium grupowania. Następnie, w procedurze up-bottom, każda mapa topograficzna każdego podmiotu w każdej grupie jest przypisywana do klasy mikrostanów EEG z maksymalną korelacją przestrzenną. W przypadku analizy mikrostanów EEG w stanie spoczynku polaryzacja map topograficznych jest powszechnie ignorowana. Analizę klasy mikrostanów EEG można przeprowadzić za pomocą różnych programów open source, takich jak CARTOOL, sLORETA, EMMA i MapWin. Poniższe instrukcje są specyficzne dla wtyczki EEGLAB dla mikrostanów. Tę wtyczkę EEGLAB można pobrać z https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.

  1. Dla każdego pacjenta załaduj wstępnie przetworzone dane EEG (Plik | Wczytaj istniejący zestaw danych), przekonwertuj kanały referencyjne na wspólne średnie odniesienie (punkt menu Narzędzia | Referencja) i filtrowanie pasmowo-przepustowe danych EEG w zakresie od 2 do 20 Hz (Narzędzia | Filtrowanie danych | Podstawowy filtr FIR [nowy, domyślny]).
  2. Zidentyfikuj cztery mapy mikrostanów w każdym temacie (Narzędzia | Mikropaństwa | Zidentyfikuj mapy mikrostanów). W wyskakującym oknie dialogowym wybierz 3 dla "Minimalnej liczby klas", wybierz 6 dla "Maksymalna liczba klas", wybierz 50 dla "liczby ponownych uruchomień", wybierz "Maksymalna liczba map do użycia" i wybierz opcje "Tylko szczyt GFP" i "Brak polaryzacji". Następnie kliknij przycisk "OK".
  3. Zapisz dane EEG każdego pacjenta po zidentyfikowaniu własnych map mikrostanów (Plik | Zapisz bieżący zestaw danych jako).
  4. Zaimportuj jednocześnie zestawy danych EEG wszystkich osób zapisanych w ostatnim kroku (Plik | Załaduj istniejący zestaw danych).
  5. Zidentyfikuj mapy mikrostanów na poziomie grupy (Narzędzia | Mikropaństwa | Średnie mapy mikrostanów w zestawach danych). W wyskakującym oknie dialogowym wybierz zestawy danych wszystkich tematów w opcji "Wybierz zestawy do uśredniania". W opcji "Nazwa średniej" podaj nazwę map mikrostanów na poziomie grupy. Domyślna nazwa to "GrandMean". Następnie kliknij przycisk "OK". Spowoduje to utworzenie nowego zestawu danych o nazwie "GrandMean", w którym przechowywane są mapy mikrostanów na poziomie grupy.
  6. Ręczne sortowanie kolejności czterech map mikrostanów na poziomie grupy zgodnie z ich klasyczną kolejnością (Wykres | Edycja map mikrostanów). W wyskakującym okienku wybierz "Więcej", a następnie liczba wyświetlanych map zmieni się na cztery. Wybierz "Sortowanie męskie". W wyskakującym oknie dialogowym wprowadź nową kolejność czterech map mikrostanów na poziomie grupy. Następnie kliknij "Zamknij".
  7. Sortowanie kolejności czterech map mikrostanów każdego tematu (Narzędzia | Mikropaństwa | Sortuj mapy poszczególnych mikrostanów według średniej).
  8. Zapisz parametry mikrostanów każdego obiektu (Narzędzia | Mikropaństwa | Określ ilościowo mikrostany w zestawie danych [średnie mapy szablonów]), które będą kolejno wywoływać dwa wyskakujące okna dialogowe.
    1. W pierwszym oknie dialogowym wybierz zestawy danych wszystkich tematów. W drugim oknie dialogowym wybierz "4 klasy" dla opcji "Liczba klas", wybierz opcje "Dopasowanie tylko do pików GFP" i "Usuń potencjalnie obcięte mikrostany", wybierz 30 dla "Okna wygładzania etykiet (ms)" i wybierz 1 dla "Kara za brak gładkości". Następnie kliknij "OK". Plik csv, w którym przechowywane są parametry mikrostanu, zostanie zapisany na komputerze.

5. Analiza złożoności Omega

  1. Zapisz dane EEG każdej epoki i każdego tematu w formacie ASCII lub txt za pomocą niestandardowego skryptu. Przykład skryptu dostosowanego do kroku 5.1 można znaleźć w Materiałach uzupełniających.
    UWAGA: Jeśli obliczana jest globalna złożoność omega, dane EEG wszystkich elektrod skóry głowy są potrzebne do wyeksportowania w formacie ASCII lub txt. Jeśli obliczana jest regionalna złożoność omega, eksportuj tylko dane EEG elektrod w tym obszarze skóry głowy. Na przykład, aby obliczyć złożoność przednich kwasów omega, wyeksportuj tylko dane EEG elektrod w przedniej części (tj. Fp1, Fp2, F7, F3, Fz, F4 i F8); w celu obliczenia złożoności tylnej części omega należy wyeksportować tylko dane EEG elektrod w tylnej części (tj. T5, T6, P3, P4, Pz, O1 i O2).
  2. Oblicz złożoność omega wszystkich częstotliwości dyskretnych za pomocą oprogramowania sLORETA17 (Narzędzia | Globalna łączność). To oprogramowanie jest dostępne pod adresem http://www.uzh.ch/keyinst/loreta.htm.
  3. Oblicz złożoność omega każdego pasma częstotliwości za pomocą dostosowanego script26. W naszym przypadku oblicz złożoność omega następujących ośmiu pasm częstotliwości jako średnią wartość w każdym limicie częstotliwości, którymi są delta (0,5-3,5 Hz), theta (4-7,5 Hz), alpha1 (8-10 Hz), alpha2 (10,5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), gamma1 (30,5-48 Hz) i gamma2 (52-80 Hz)4. Przykład skryptu dostosowanego do kroku 5.3 można znaleźć w materiałach uzupełniających.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Mikrostan EEG

Mapy mikrostanów znormalizowane w Rysunek 1. Krajobrazy potencjału elektrycznego tych czterech klas mikrostanów zidentyfikowanych tutaj są bardzo podobne do tych znalezionych w poprzednich badaniach4.

Średnia i odchylenie standardowe (SD) parametrów mikrostanu zdrowych osób zostały pokazane w Tabe...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W artykule szczegółowo opisano dwa rodzaje metod analitycznych EEG (tj. analizę mikrostanów i analizę złożoności omega), mierzące odpowiednio złożoność czasową i przestrzenną ludzkiego mózgu. W protokole należy wspomnieć o kilku krytycznych krokach. Po pierwsze, dane EEG muszą zostać oczyszczone przed obliczeniem złożoności mikrostanu i omega. Po drugie, dane EEG powinny być porównywane ze średnim odniesieniem przed obliczeniem złożoności mikrostanu i omega. Po trzecie, ciągłe dane EEG muszą być podzielone na epoki przed...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten artykuł był wspierany przez Narodową Fundację Nauk Przyrodniczych Chin (31671141).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
20-kanałowy system EEG/ERP ANTASA-Lab, ANT B.V., HolandiaFirma adres internetowy:
http://www.ant-neuro.com/
wtyczka EEGLAB dla mikrostanówThomas Koenighttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETARoberto D. Pascual-Marquihttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010a MathWorks Inc.Adres internetowy firmy:
http://www.mathworks.com/
eeglabSwartz Center for Computational Neuroscience, Uniwersytet Kalifornijski, San Diegohttps://sccn.ucsd.edu/eeglab/index.php

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
  3. Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
  4. Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
  9. Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912(2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
  21. Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
  22. Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EEG Microstate AnalysisOmega ComplexityResting state EEGEEG PreprocessingBandpass FilteringArtifact RemovalMicrostate MappingGroup Level AnalysisEEG Lab SoftwareReference free EEG

Related Articles