Artykuł metodologiczny

Potencjały związane ze zdarzeniami (ERP) i inne metody oparte na EEG do ekstrakcji biomarkerów dysfunkcji mózgu: przykłady z pediatrycznego zespołu nadpobudliwości psychoruchowej z deficytem uwagi (ADHD)

DOI:

10.3791/60710

⸱

12 marca 2020

 , 
1Neuropsychiatric Team, Åsebråten Outpatient Clinic, Østfold Hospital Trust, 2Institute of Psychology, Norwegian University of Science and Technology, 3Gillberg Neuropsychiatry Centre, University of Gothenburg, 4P. Bechtereva Institute of the Human Brain, Russian Academy of Sciences, 5Department of Neuropsychology, Andrzej Frycz-Modrzewski Krakow University

W tym artykule

Podsumowanie

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

Metody EEG są stosowane do ekstrakcji biomarkerów dysfunkcji mózgu. Nacisk kładziony jest na wielokanałowe potencjały związane ze zdarzeniami (ERP) rejestrowane w zadaniu GO/NOGO z sygnałem. Artefakty niezwiązane z mózgiem są korygowane, a ERP są porównywane z danymi normatywnymi. Przykłady odnoszą się do biomarkerów do diagnozowania ADHD i przewidywania odpowiedzi na leki.

Streszczenie

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

Diagnozy neuropsychiatryczne, takie jak ADHD, opierają się na subiektywnych metodach, takich jak wywiady, skale ocen i obserwacje. Istnieje zapotrzebowanie na więcej suplementów opartych na mózgu. Leki pobudzające są najczęstszym sposobem leczenia ADHD. Do tej pory nie znaleziono klinicznie użytecznych predyktorów odpowiedzi. Celem artykułu jest opisanie metod opartych na EEG, które stosujemy do ekstrakcji potencjalnych biomarkerów dysfunkcji mózgu. Przykłady odnoszą się do biomarkerów ADHD u dzieci i przewidywania odpowiedzi na leki. Główny nacisk kładziony jest na potencjały związane ze zdarzeniami (ERP).

Dziewiętnastokanałowe EEG jest rejestrowane podczas 3-minutowego zadania z otwartymi oczami, 3-minutowego zadania z zamkniętymi oczami i 20-minutowego zadania wizualnego GO/NOGO (VCPT). Podczas tego zadania rejestrowane są systemy ERP. Celem protokołu ERP jest wyodrębnienie biomarkerów zakładanych dysfunkcji mózgu, które istotnie różnicują grupę pacjentów i osoby zdrowe. Protokół obejmuje nagrywanie w standardowych warunkach i korekcję artefaktów. Fale ERP mogą być wykorzystywane lub przekształcane w ukryte komponenty. Składniki grupy pacjentów są porównywane z kontrolnymi, empatyzującymi komponentami, które w porównaniu wykazują stosunkowo wysokie rozmiary efektu. Podgrupy pacjentów dobierane są na podstawie analizy skupień w przestrzeni składowych. Można zastosować procedurę leczenia (taką jak leki, tDCS lub protokół neurofeedbacku) i obserwować zmiany w komponentach związanych z leczeniem w podgrupach, co stanowi podstawę do sformułowania zaleceń klinicznych.

Opisane metody zostały zastosowane w badaniu 87 pacjentów pediatrycznych z ADHD. Wskaźnik odpowiedzi na lek był istotnie rozróżniany między osobami odpowiadającymi i niereagującymi na leczenie, przy dużej i klinicznie znaczącej wielkości efektu (d = 1,84). W trwającym badaniu porównującym dzieci z ADHD z dopasowaną grupą kontrolną, kilka zmiennych znacząco odróżnia pacjentów od grupy kontrolnej. Indeks globalny przekroczy d = 0,8. Opisane tutaj metody oparte na EEG mogą mieć znaczenie kliniczne.

Wprowadzenie

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

W 2008 roku, zainicjowany przez NIMH, opublikowano projekt Research Domain Criteria (RDoC)1, którego celem było znalezienie biologicznie ważnych ram dla zrozumienia zaburzeń psychicznych. W 2013 roku amerykańska Agencja ds. Żywności i Leków (FDA) zatwierdziła pierwszy biomarker ADHD oparty na EEG, który ma pomóc w ocenie ADHD u pacjentów w wieku od 6 do 17 lat. System Neuropsychiatric EEG-Based Assessment Aid (NEBA) rejestruje EEG przez 15-20 minut. Opiera się na obliczeniach stosunku theta/beta, który okazał się wyższy u dzieci i młodzieży z ADHD niż u typowo rozwijających się dzieci2. Ostatnie publikacje wykazały, że współczynnik ten nie obejmuje wszystkich ADHD3.

Duża liczba publikacji z zakresu neuronauki klinicznej pokazuje, że upośledzona kontrola poznawcza stanowi wspólną cechę wielu zaburzeń psychicznych, w tym ADHD, schizofrenii, depresji i OCD4,5. Teoretycznie kontrola poznawcza składa się z hipotetycznych operacji, które pozwalają ludziom elastycznie dostosowywać się do celów i kontekstów. Opisano dwie różne kategorie kontroli poznawczej, kontrolę proaktywną i reaktywną6. Skupiamy się przede wszystkim na reaktywnym trybie kontroli poznawczej. Proaktywna kontrola poznawcza obejmuje pamięć roboczą (tj. utrzymywanie zdarzeń sensorycznych i motorycznych przez kilka sekund). Reaktywna kontrola kognitywna obejmuje monitorowanie, wykrywanie konfliktów7,8 oraz hamowanie działania (aby zapoznać się z przeglądem, zobacz9,10).

Paradygmat GO/NOGO jest wrażliwy na kontrolę poznawczą11,12,13,14,15. Bodźce GO wywołują dodatnie fluktuacje z ciemieniowych obszarów mózgu. (P3 GO). Rozmieszczone do przodu dodatnie fale NOGO N2 i P3, wywołane przez bodźce NOGO, są związane z wykrywaniem konfliktów i hamowaniem działania16,17,18,19. Fala N2 została zrozumiana jako wskaźnik zahamowania działania, ale zaktualizowane badania pokazują, że fala N2 jest związana z rzadkimi bodźcami GO i wykrywaniem konfliktu20. Hamowanie działania jest związane z falą P3 NOGO w miejscach czołowo-centralnych.

Dychotomia N2/P3 może nie być poprawna. Zostało to zakwestionowane przez pogląd, że fale ERP, w szczególności te reprezentujące kontrolę poznawczą, są sumami kilku źródeł, które mogą nakładać się na siebie pod względem lokalizacji i czasu14,21.

Aby rozplątać źródła fal ERP, użyto kilku metod separacji ślepych źródeł15,22,23,24. W badaniach przeprowadzonych w Instytucie Ludzkiego Mózgu w Sankt Petersburgu fala N2d NOGO została zdekomponowana. Wykryto ukryte komponenty. Komponenty te miały odrębną topografię i znaczenia funkcjonalne. Tylko jeden z nich był powiązany z wykryciem konfliktu14,15,25,26. W większości badań ADHD P3 NOGO jest mniejsze w porównaniu z dopasowanymi zdrowymi grupą kontrolną27,28,29,30,31,32.

Operacje mózgu zachodzące podczas zadań kontroli poznawczej nie wydają się być poprawnie wyjaśnione przez dychotomię N2/P3, gdy analizowane są ERP w paradygmatach GO/NOGO14,15. Zastosowano kilka podejść mających na celu rozwikłanie ukrytych komponentów z fal ERP (więcej informacji na ten temat można znaleźć w 21). W niektórych badaniach stosowano niezależną analizę składowych (ICA) dla ERP w grupach pacjentów, takich jak pacjenci ze schizofrenią29 i dorośli z ADHD33,34, próbując odróżnić pacjentów od grupy kontrolnej bez diagnozy.

W (Yeredor, 2010,25 p.75) zaproponowano nową metodę dostosowaną do ERP. Jest to metoda ślepej separacji źródeł, oparta na procedurze wspólnej diagonalizacji macierzy wariancji krzyżowych. Aby zbadać funkcjonalne znaczenia takich ukrytych komponentów przy zastosowaniu tej metody w paradygmacie cued GO/NOGO, niedawno wdrożono badanie z Instytutu Ludzkiego Mózgu26. W tym badaniu operacje hamowania działania i operacje wykrywania konfliktów były niezależnie manipulowane przez modyfikacje zadania z sygnałem GO/NOGO. Znaleziono ukryty komponent, który miał odzwierciedlać wykrycie konfliktu. Odpowiedź podobna do N2 i topografia czołowa charakteryzowały ten komponent35. W badaniach wymagających hamowania przygotowanych działań obserwowano centralną topografię i odpowiedź podobną do P3.

W tej publikacji w opisanych badaniach wykorzystano tradycyjną metodę ERP. Zastosowanie ICA, czyli procedury wspólnej diagonalizacji macierzy wariancji krzyżowej25 (strona 75) do tej pory nie zostało wykonane. Ogólnie rzecz biorąc, wyniki oparte na różnych metodach są ze sobą zgodne, ale metody odkrywania utajonych komponentów wydają się być bardziej związane z odrębnymi funkcjami neuropsychologicznymi. Celem artykułu jest przedstawienie szczegółowego opisu metody WinEEG. Nacisk kładziony jest na ERP, ale widma EEG i dane behawioralne z zadania GO/NOGO są również zawarte w badaniach opisanych w celu zilustrowania metody WinEEG.

Protokół

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

Sprzęt opisany w protokole jest etycznie zatwierdzony przez władze szpitala i jest używany do celów klinicznych. Wojewódzka Komisja ds. Etyki Badań Medycznych zatwierdziła opisane projekty.

1. Sprzęt i oprogramowanie do rejestracji ERP

  1. Do wzmocnienia EEG należy używać wzmacniaczy (np. Mitsar 201) zgodnie z protokołem producenta. Potrzebne jest oprogramowanie WinEEG i dwa połączone ze sobą komputery: główny komputer do nagrywania EEG i naciskania przycisków oraz komputer podrzędny, sterowany przez komputer główny, do prezentacji bodźców.
  2. Stosować nasadki z dziewiętnastoma elektrodami umieszczonymi na głowie zgodnie z międzynarodowym systemem 10-20.
    UWAGA: Potrzebny sprzęt, nasadki, elektrody, żel itp. można uzyskać od kilku producentów.
  3. Umieść pacjentów/uczestników w wygodnym fotelu w dźwiękoszczelnym pomieszczeniu bez podświetlenia.
  4. Użyj montażu referencyjnego (Ref), który jest domyślny. Do późniejszych porównań z bazą danych HBi; zmień montaż na średnią powszechną (Av).

2. Kompetencje i wykształcenie

  1. Zapewnić, że wszystkie osoby zaangażowane w rejestrację EEG, interpretację danych, zastosowanie kliniczne i badania muszą posiadać niezbędne przygotowanie zawodowe i specjalistyczne szkolenie w zakresie korzystania z WinEEG.

3. Informowanie pacjentów/uczestników

  1. Poinformuj pacjentów/uczestników, że zabieg nie jest niebezpieczny i nie boli.
    UWAGA: Strzykawka potrzebna do wypełnienia 19 otworów żelem nie jest ostra.
  2. Poinformuj dzieci, że badacze nie potrafią czytać w ich myślach. Powiedz im, że w każdym mózgu zachodzi jakaś aktywność elektryczna. Aby go odczytać, naukowcy potrzebują tego sprzętu. Z mózgiem nic nie ma, ale naukowcy chcą zobaczyć, jak działa, kiedy się relaksuje, a kiedy musi zająć się zadaniem.
  3. Pozostaw sprzęt na miejscu na 10 minut
    UWAGA: W tym okresie najmłodsze dzieci mogą obejrzeć bajkę, jeśli mają na to ochotę. Zdarza się, że rodzic jest po cichu obecny z tyłu sali, dopóki dziecko nie poczuje się bezpiecznie.
  4. Poinformuj badanego, że test trwa około godziny. Kiedy sprzęt jest prawidłowo umieszczony, powiedz badanemu, aby zrelaksował się z zamkniętymi oczami przez 3 minuty, a następnie 3 minuty zrelaksował się z otwartymi oczami.

4. Tworzenie plików z danymi EEG

UWAGA: WinEEG posiada swoje własne wbudowane bazy danych do przechowywania surowych plików EEG (rozszerzenie - .eeg), widm EEG (rozszerzenie - .spec) i plików ERP (rozszerzenie - .erp). Bazy danych są tworzone automatycznie i początkowo przechowywane w folderach WinEEG/data, WinEEG/spec i WinEEG/erp.

  1. Aby rozpocząć sesję z pacjentem, utwórz odpowiedni plik z danymi EEG, klikając menu Plik | Nowy. Na ekranie pojawi się karta pacjenta.
    UWAGA: Używany jest następujący format: Wpisz imię i nazwisko lub kod osoby, która ma być testowana. Wpisz datę urodzenia (DD.MM.RRRR) i M lub F w przypadku płci. W razie potrzeby należy użyć pozostałych otwartych pól na karcie pacjenta.

5. Przygotowanie sprzętu

  1. Użyj małego kolorowego paska, aby zmierzyć obwód głowy, aby znaleźć odpowiedni rozmiar czapki. Użyj małego plastra, aby zetrzeć olej z płatków uszu i czoła. Zmierz odległość między nasionami (np. 35 cm). Środek elektrod bieguna czołowego powinien leżeć na linii poziomej 10% tej odległości powyżej nasion (np. 3,5 cm).
    UWAGA: Włosy pacjenta muszą być czyste (bez produktów do włosów itp.) i suche.
  2. Nałóż trochę żelu do przygotowania skóry (np. Neuprep) na płatki uszu. Napełnij miseczki elektrod dousznych przewodzącym elektrożelem (np. Ten20) i załóż elektrody douszne. Upewnij się, że drugie końce tych są podłączone do amplifier.
  3. Powiedz osobie badanej, że elektrody w płatku ucha wychwytują "hałas-elektryczność" w pomieszczeniu i że jest ona odejmowana od elektryczności z głowy, aby zobaczyć, co wychodzi z głowy bez hałasu.
  4. Umieść nasadkę symetrycznie na głowie z elektrodami na biegunie czołowym umieszczonymi zgodnie z powyższym opisem. Pociągnij nasadkę tak daleko, jak to możliwe, aby upewnić się, że znajduje się blisko głowy.
  5. Załóż pas wokół klatki piersiowej i zapnij guziki połączone z czapką do tej opaski. Zapobiegnie to przesuwaniu się nasadki i elektrod podczas testowania.
  6. Podłącz nasadki i douszne do amplifier. Nie mieszaj lewego i prawego ucha.
  7. Kliknij ikonę sterowania impedancją w menu WinEEG. Pojawia się uproszczona głowica ze wszystkimi elektrodami. Po drugie, napełnić strzykawkę żelem i użyć go do wypełnienia wszystkich otworów elektrod. Impedancja jest w porządku, gdy czarne kółka są żółte.
    UWAGA: Wypełnij wszystkie otwory przed rozpoczęciem pracy z każdą elektrodą, aby zapewnić odpowiednią impedancję. Użyj cienkiego drewnianego patyczka, aby pomóc żelowi dotrzeć do skóry głowy, co jest warunkiem wstępnym do uchwycenia elektrycznej aktywności mózgu.
  8. Rozpocznij rejestrację, gdy wszystkie 20 dołków ma żółty kolor na ekranie, a różnica kolorów między poszczególnymi dołkami jest niewielka.
  9. Rozpocznij monitorowanie zapisu EEG. Kliknij zieloną strzałkę (monitorowanie EEG).
    UWAGA: Kiedy zobaczysz surowe sygnały EEG ze wszystkich 19 elektrod, poproś ich, aby mrugnęli oczami i zwrócili uwagę na duże zmiany w miejscach czołowych. Te artefakty mogą być automatycznie usuwane. Jakość rejestracji zależy od rozluźnionych szczęk, oczu i czoła, a także od tego, że w jak największym stopniu należy unikać wszelkiego rodzaju ruchów głowy i ciała.

6. Rejestracje "oczy zamknięte" i "oczy otwarte"

  1. Powiedz badanemu, aby zrelaksował się w wygodnym fotelu z zamkniętymi oczami przez 3 minuty. Zanim zaczniesz "oczy otwarte", powiedz im, aby siedzieli cicho przez 3 minuty z otwartymi oczami spoczywającymi na ekranie przed nimi.
  2. Naciśnij czerwone kółko (pobierz EEG) w wierszu menu, obok przycisku "kontrola impedancji".
  3. Wybierz "oczy zamknięte" lub "oczy otwarte", naciskając menu rozwijane następnej ikony. Spowoduje to rozpoczęcie rejestracji. Czas, który upłynął w sekundach, można zobaczyć powyżej krzywych EEG.
  4. Naciśnij przycisk pauzy (nie "zapisz", ponieważ uniemożliwi to dalsze rejestracje w tym samym pliku) po 180 sekundach. Poproś ich, aby otworzyli oczy (lub zamknęli je, jeśli otwarte oczy były pierwszą częścią). Kontynuuj rejestrację. Po 3 minutach zatrzymaj się i zapisz.
    UWAGA: Jeśli nie zostaną zapisane, dane zostaną utracone podczas tworzenia nowego pliku.

7. Przygotowania do zapisów EEG w zadaniu cued GO/NOGO

  1. Włóż specjalny klucz USB do odpowiedniego portu przed rozpoczęciem zapisu EEG. Mała lampka na kluczu sprzętowym wskazuje, że system działa.
  2. Daj badanemu specjalny przełącznik przyciskowy w jego prawej ręce. Jest on potrzebny do wykonania testu, który trwa około 20 minut.
  3. Otwórz menu zadań i wybierz VCPT na komputerze podrzędnym przed pacjentem/uczestnikiem.
    UWAGA: Na ekranie komputera podrzędnego pojawia się okno instrukcji pokazujące wszystkie cztery kombinacje obrazków: (zwierzę-zwierzę (a-a), zwierzę-roślina (a-p), roślina-roślina (p-p) i roślina-człowiek (p-h). (Rysunek 1). Bodźce prezentowane są na 17-calowym ekranie komputera, 1,5 metra przed badanych. Dźwięk mierzony w głowie osoby badanej musi wynosić 70 dB.
  4. Poinstruuj osobę, że zdjęcia są dostarczane w parach, po pierwszym zdjęciu następuje drugie w ciągu 1 s. Po 3 s rozpocznie się nowa para.
  5. Powiedz osobie, że lewy przycisk myszy musi być wciśnięty za każdym razem, gdy pojawi się kombinacja a-a. W kombinacjach a-a te dwa zwierzęta są zawsze identyczne.
  6. Poinformuj temat, aby był jak najbardziej precyzyjny, ale także szybki. Osoba badana nie powinna naciskać przycisku myszy w kombinacjach a-p, p-p lub a-h.
  7. Powiedz testerowi, aby zignorował losowe dźwięki w kombinacjach p-h.
  8. Naciśnij enter na komputerze podrzędnym i uruchom zadanie na około 2-5 minut, aby przeszkolić badanego, aż zrozumie poprawnie.
  9. Na komputerze podrzędnym wybierz opcję przełącz na tryb podrzędny.
    UWAGA: Prezentacja zadania jest teraz zarządzana przez program WinEEG na głównym komputerze.

figure-protocol-1
Rysunek 1: VCPT: Wizualny ciągły test wydajności. Rysunek 1 przedstawia cztery warunki VCPT. Sto prób każdego schorzenia jest prezentowanych losowo. Całkowity czas testu to 20 minut. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

8. Zapisy EEG i naciśnięcia przycisku w warunkach zadania

  1. Uruchom opcję monitorowania EEG na głównym komputerze z menu nagrywania, aby sprawdzić, czy system działa poprawnie.
  2. Uruchom opcję akwizycji EEG z menu nagrywania w głównym menu komputera. Opcja programu do prezentacji bodźców jest podświetlona. Wybierz VCPT i rozpocznij prezentacje bodźców na komputerze podrzędnym.
    UWAGA: Za każdym naciśnięciem lewego przycisku myszy pod krzywymi EEG widoczny jest czerwony znak. Istnieją dwie linie, jedna dla lewego i jedna dla prawego przycisku myszy.
  3. Sprawdź, czy czerwone znaki nie pojawiają się na najniższym wierszu, ponieważ oznacza to, że użyto prawego przycisku. Użyj przycisku pauzy i powiedz obiektowi, aby użył lewego przycisku myszy.
  4. Monitoruj rejestrację EEG i odnotowuj incydenty o potencjalnym zainteresowaniu. Jeśli zaobserwuje się zbyt wiele artefaktów związanych z mięśniami lub ruchami; Wstrzymaj rejestrację i przypomnij osobie, aby się zrelaksowała i siedziała spokojnie. Kontynuuj rejestrację.
    UWAGA: Rejestracja EEG podczas zadania trwa 20 min i składa się z 400 par zdjęć; 100 sztuk z każdej pary; A-A, A-P, P-P i P-H. Pary są prezentowane w kolejności losowej. (Zobacz Rysunek 1).
  5. Zrób krótką przerwę po każdych 100 parach. Naciśnij przycisk pauzy. Siedząc na krześle, zachęcaj je do rozciągania rąk i nóg oraz rozluźniania mięśni twarzy. Zaproponuj coś do picia. Kontynuuj rejestrację po minucie lub dwóch.

9. Zakończenie rejestracji

  1. Zatrzymaj rejestrację po zakończeniu wszystkich 400 prób, naciskając Nagrywanie | Stop.
    UWAGA: Naciśnięcie opcji File Save spowoduje zapisanie pliku z nagranym kanałem raw EEG i naciśnięciem przycisku w bazie danych.
  2. Powiedz osobie, aby pozostała w pozycji siedzącej, dopóki badacz nie zdejmie nasadki, opaski biodrowej i elektrod dousznych.
    UWAGA: Zwykle po zakończeniu tego procesu we włosach nie ma żelu. Usuń żel papierową szmatką. Większość pacjentów/uczestników woli umyć włosy po powrocie do domu, ale powinna istnieć możliwość umycia włosów zaraz po rejestracji.
  3. Podziękuj podmiotowi za wykonanie zadania. Poproś ich, aby ocenili VCPT (skala 1-10), Jak nudne? Jak bardzo jest to męczące? W zależności od umowy powiedz im, co dzieje się dalej z wynikami testu.

10. Sprzątanie

  1. Wyczyść elektrody douszne (zanurz je w gorącej wodzie) i nakryj tak szybko, jak to możliwe. Potrzebna jest woda, mydło i miękka szczotka. Sprawdź wszystkie otwory, aby zobaczyć, czy resztki żelu zostały usunięte, zanim nakrętki zostaną zawieszone w miejscu do wyschnięcia.

11. Wstępne przetwarzanie zapisu EEG

UWAGA: W oprogramowaniu HBIdb dostępne są trzy różne montaże elektrod. Są to: odniesienie do połączonych uszu (oznaczone jako Ref), wspólne odniesienie do średniej (oznaczone jako Av) i odniesienie do średniej lokalnej (oznaczone jako Aw). Wybierz montaż z listy Montaż w menu SETUP. EEG jest rejestrowane w Ref. Change to Av przed rozpoczęciem korekcji artefaktów.

  1. Usuń artefakty ruchu gałek ocznych, stosując procedurę filtracji przestrzennej.
    UWAGA: Filtry przestrzenne uzyskuje się poprzez zastosowanie Analizy Składowych Niezależnych (ICA) do wybranego fragmentu EEG. Fragment musi zawierać co najmniej 90 s surowych danych.
  2. Zaznacz fragment EEG klikając lewym przyciskiem myszy na pasku czasu na początku fragmentu i klikając prawym przyciskiem na pasku czasu na końcu fragmentu. Cały fragment po zaznaczeniu jest podświetlony kolorem żółtym.
    UWAGA: Procedura korekcji artefaktu jest realizowana poprzez wybranie opcji Korekcja artefaktu z menu Analiza. Na ekranie pojawi się okno o nazwie Estymacja parametrów filtru przestrzennego.
  3. Wybierz metodę ICA, aby móc porównać poszczególne widma i ERP z referencyjną bazą danych HBI.
    UWAGA: Pojawi się okno Estymacja parametrów filtrów przestrzennych. Od lewej do prawej: 1) fragment surowego (nieskorygowanego) wielokanałowego EEG, 2) fragment skorygowanego EEG, 3) przebieg skorygowanych artefaktów, 4) przebiegi czasowe wyodrębnionych składowych ICA (od góry do dołu) oraz 5) topografie składowych niezależnych.
  4. Wybierz topografie związane z mrugnięciami oczu i poziomymi ruchami gałek ocznych. Zaakceptuj, klikając przycisk OK.
  5. Zaimplementuj procedurę o nazwie Oznacz artefakty, klikając opcję Oznacz artefakty w menu Analiza.
    UWAGA: Spowoduje to odrzucenie fragmentów o niskiej i wysokiej częstotliwości: Fragmenty EEG, które są zanieczyszczone artefaktami niezwiązanymi z ruchem gałek ocznych (epizody napięcia mięśni, ruchy głowy itp.) są wyłączone z dalszej analizy. W niektórych skomplikowanych przypadkach ręczne odrzucanie artefaktów może być uzupełnieniem opisanej procedury.

12. Obliczanie widm EEG

  1. Wybierz Widma EEG i fragmenty - oczy zamknięte lub oczy otwarte z menu Analiza. Jeśli ustawienia domyślne są takie, jak pokazano w Rysunek 2, naciśnij OK.
    UWAGA: Widma są pokazane w Rysunek 3 dla wszystkich 19 miejsc. Oś x to częstotliwość w hercach (Hz), a oś y to moc w mikrowoltach (μV).
  2. Wybierz punkt menu Analiza | Porównanie wyników w celu porównania poszczególnych widm z bazą danych. W lewym oknie wybierz pacjenta/temat. W prawym oknie wybierz plik bazy danych (lub inny otwarty plik) i naciśnij OK dla porównania. Pojawi się obraz przedstawiający różnicę między tematem a bazą danych.
    UWAGA: Widma pokazują średnią do kwadratu mocy częstotliwości od 0 Hz do 30 Hz. (Częstotliwości poniżej 1,5-2 Hz należy interpretować z ostrożnością, ponieważ często mają na nie wpływ artefakty). Interpretacja widm wykracza poza zakres tego protokołu. Napady o potencjalnym znaczeniu klinicznym mogą nie pojawiać się w widmach, ale można je zaobserwować w surowym EEG.

figure-protocol-2
Rysunek 2: Obliczanie widm EEG. Aby obliczyć widma: Kliknij Analiza | Widma. Jeśli ustawienia są prawidłowe, pojawi się obraz pokazany na rysunku 2. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-3
Rysunek 3: Widma EEG z 19 elektrodami. Rycina 3 przedstawia widma EEG w 19 miejscach. Oś x ma częstotliwość od 0 do 30 Hz. Oś y to potęga w μV2. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

13. Potencjały związane ze zdarzeniami obliczeniowymi (ERP)

UWAGA: Potencjały związane ze zdarzeniami (ERP) są obliczane za pomocą procedury uśredniania. Uwzględniane są tylko prawidłowe próby. ERP są obliczane po zakończeniu przetwarzania wstępnego opisanego powyżej. Złotym standardem w obliczaniu ERP jest utrzymanie liczby uśrednionych prób powyżej 50.

  1. Wybierz plik EEG VCPT w typowym montażu średniej (Av). Kliknij opcję Compute ERP (Oblicz ERP) w menu Analysis.
    UWAGA: Jeśli klucz sprzętowy HBdb nie jest podłączony do komputera lub z jakiegoś powodu nie jest aktywowany, HBdb umożliwia użytkownikowi odczyt plików EEG i ich wstępne przetworzenie, ale NIE pozwala na obliczanie widm i ERP za pomocą bazy danych.
  2. Kliknij przycisk OK. Pojawi się okno przedstawiające parametry obliczeń ERP (Rysunek 4).
    UWAGA: Jak pokazano w Rysunek 4, parametry są następujące: Grupy próbne: 1: a-a GO; 2: a-p NOGO; 3: P-P (ignoruj próby); 4: P-H (próby nowości); a także 5: +, co oznacza, że wszystkie próby rozpoczynały się od prezentacji a; i 6: - co oznacza, że wszystkie próby rozpoczęły się od prezentacji p. Ponadto wyświetlane są fale różnicowe ERP.
  3. Kliknij przycisk OK. ERP dla analizowanego pliku są obliczane i prezentowane w formie graficznej w oknie ERP (Rysunek 4).
    UWAGA: Okno ERP składa się z 19 wykresów ERP dla każdego warunku zadania: a-a GO, a-p NOGO, p-p, p-h. Tylko a-a GO i a-p NOGO są pokazane w Rysunek 4. Na każdym wykresie: oś X to czas w ms., oś Y to napięcie w μV. Rysunek 4 przedstawia wyniki korekty formy prezentacji. Wybierane są tylko kategorie prób a-a GO, a-p NOGO (GO jest pokazane w kolorze zielonym, NOGO jest przedstawione w kolorze czerwonym). Skala jest wybierana przy 12 μV. Przedział czasowy wybierany jest od 1400 ms; czas prezentacji Stimulusa 2 jest wybierany na czas trwania 700 ms.
  4. Aby zmapować falę dla potencjałów związanych ze zdarzeniami (ERP), kliknij prawym przyciskiem myszy w wybranym momencie (wzdłuż osi X) na dowolnym wykresie, a następnie zwolnij go i wybierz opcję Dodaj mapę dla otwartego menu. Odpowiednie mapy są wyświetlane u dołu strony.

figure-protocol-4
Rysunek 4: Parametry obliczeń ERP. Rysunek 4 przedstawia komponenty ERP a-a GO (zielony) i a-p NOGO (czerwony) w 19 lokalizacjach. Przedział czasowy wynosi od 1400 ms do 2100 ms. A-a GO jest najwyraźniej widoczne na stanowisku Pz, a a-p NOGO na Cz. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

14. Rejestracja i porównanie danych behawioralnych w VCPT

  1. Kliknij prawym przyciskiem myszy w oknie pokazującym ERP i wybierz informacje o grupach, aby zobaczyć liczbę pominięć (pominięte kliknięcia przycisków), prowizje (impulsywne dodatkowe kliknięcia), średni czas reakcji (RT) dla a-a-GO i zmienność RT.
  2. Wybierz punkt Analizy | Porównanie wyników. Zaznacz plik tematu w lewym oknie i plik porównania w prawym oknie. Kliknij przycisk OK.
    UWAGA: Używamy papierowych tabel opartych na wieku, pokazujących percentyle dla tych zmiennych w grupie norm.

15. Porównywanie potencjałów związanych ze zdarzeniami (ERP) z bazą danych referencyjnych

UWAGA: Przedział czasowy interesujący do porównania jest definiowany przez wpisanie odpowiednich liczb w menu: Przedział czasu od (ms), Czas trwania (ms). ERP mogą być selektywnie prezentowane dla określonych kategorii badań (takich jak a-a GO, a-p NOGO, p-p, p-h), wybierając odpowiedni wykres z menu Aktywne grupy w górnej części okna ERP.

  1. Wybierz polecenie Porównanie wyników z menu Analiza. Kliknij pacjenta/pacjenta w lewym oknie i kliknij HBIdb w prawym oknie.
    UWAGA: Aby porównać temat z np. poprzednią rejestracją, otwórz stary plik i wybierz ten zamiast HBIdb). Pojawi się okno porównania ERP. To okno przedstawia różnicę fali ERP w μV. Odniesienie do średniej podmiotu jest obliczane dla każdego kanału.
  2. Naciśnij prawy przycisk myszy w interesującym punkcie czasowym i w interesującym kanale, aby uzyskać poziom istotności odchylenia od odniesienia. Odpowiednie wartości pojawiają się w dolnej części okna, pokazując różnicę w μV, wybrany punkt czasowy i wartość p.
    UWAGA: Prezentowanie fal różnicowych z poziomami ufności jest dostępną opcją. Niebieska linia pod wykresami przedstawia poziomy ufności odchylenia od odniesienia obliczone dla każdego kanału i każdego punktu czasowego dla Grupy 3.
  3. Wybierz grupy dla różnicy ERP, klikając strzałkę w punkcie 1 (indywidualne ERP). Wybierz a-a GO [1]. W przypadku referencyjnych systemów ERP kliknij 2. Wybierz a-a GO [2]. Kliknij 3 i a-a GO [D], aby zobaczyć różnicę (1-2). Aktywna grupa 4: Wybierz Brak z tego menu.
  4. Zdefiniuj interesujący Cię przedział czasowy, wpisując (lub wybierając) odpowiednie liczby w menu: przedział czasu od (ms), czas trwania (ms) (np. 1400, 700, aby przeanalizować ERP w odpowiedzi na drugi bodziec).
  5. Umieść kursor w interesującym Cię punkcie czasowym i kanale, a następnie kliknij prawym przyciskiem myszy i wybierz Dodaj mapę z menu podręcznego. Pokazana jest mapa pokazująca odchylenie od odniesienia.
    UWAGA: Porównując niezależne komponenty potencjałów związanych ze zdarzeniami (ERP) z bazą danych referencyjnych, oprogramowanie zapewnia możliwość dekompozycji poszczególnych ERP na niezależne komponenty. Składniki są związane z charakterystycznymi operacjami psychologicznymi.

Wyniki

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

Przewidywanie odpowiedzi na leki w ADHD u dzieci
ADHD jest powszechnym zaburzeniem neuropsychiatrycznym wieku dziecięcego36. Charakteryzuje się objawami nieuwagi, którym towarzyszą objawy nadpobudliwości i impulsywności. Upośledzenie w szkole, domu i czasie wolnym jest powszechne. U dzieci w wieku szkolnym szacowana częstość występowania wynosi od 5% do 7%. Choroby współistniejące są powszechne. Szeroko stosowane są leczenie medyczne przy użyciu stymulantów na bazie metylofenidatu (MPH) lub dekstroamfetaminy (DEX). Pozytywne efekty stosowania leków pobudzających (zmniejszenie niepokoju, nadpobudliwości i impulsywności oraz poprawa koncentracji) odnotowano u 70% pacjentów. Przejście z leków opartych na MPH na DEX może zwiększyć pozytywne efekty do 80%37,38. Obwody czołowo-prążkowiowe wydają się być aktywowane przez stymulanty39.

Nie ma ogólnie przyjętej definicji odpowiedzi na lek, która byłaby klinicznie znacząca. Stosowanie skal ocen, porównywanie wyników wyjściowych z wynikami dotyczącymi leków, jest najczęściej stosowaną metodą. W niektórych badaniach jako definicję odpowiedzi stosuje się 25% lub 50% redukcję wyników. W innych badaniach stosuje się wyniki nieprzekraczające 1 SD powyżej średniej populacji40,41. Klinicznie stosuje się ogólną decyzję opartą na wszystkich istotnych dostępnych danych. Aby ocenić skutki uboczne, takie jak utrata apetytu, bezsenność, zwiększona drażliwość lub niepokój, ważne jest37,42.

Użycie skal ocen może być krytykowane z kilku powodów. Niewielkie korelacje (0,30-0,50) między wynikami nauczycieli i rodziców odnotowano w kilku badaniach48. Poszukiwanie klinicznie użytecznych predyktorów odpowiedzi jest motywowane dużą liczbą osób, które nie reagują, informatorami, którzy się ze sobą nie zgadzają, oraz faktem, że każdy może mieć pewne umiarkowane efekty poprawy uwagi, gdy stosuje się małe dawki stymulantów. Opublikowane badania dotyczące predyktorów odpowiedzi obejmują podtyp ADHD, dane demograficzne, zaburzenia współistniejące, zmienne genetyczne, wyniki w skalach ocen, wyniki testów neuropsychologicznych oraz zmienne EEG/ERP43,44,45,46. Nasza publikacja z 2016 roku47 podsumowuje badania, w których zastosowano ERP do przewidywania odpowiedzi na leki.

W poprzednich badaniach analizujemy dane d z wizualnego zadania GO/NOGO (tj. dane z testu uwagi, widma EEG i ERP). W jednym z badań znaleźliśmy 3 zmienne znacząco przyczyniające się do przewidywania skutków ubocznych. Zmienne te połączono w indeks, który uznano za klinicznie znaczący42. W badaniu nad efektami klinicznymi, przy zastosowaniu tych samych metod, indeks predykcji został również uznany za klinicznie użyteczny48. Wpływ pojedynczej dawki leku pobudzającego na leczenie (RE) i niereagującego (non-REs) badano w trzecim badaniu47. Procedura testowa została wykonana dwukrotnie, pierwszy test bez podania leków, a drugi test godzinę po otrzymaniu dawki próbnej. Na podstawie skal ocen i wywiadów przeprowadzonych po 4-tygodniowym badaniu klinicznym pacjentów, zostali sklasyfikowani jako RE lub non-RE. Skupiliśmy się na zmianach w kognitywnych ERP i wynikach testów uwagi. Stwierdziliśmy, że wpływ na komponent P3 NOGO był znacząco różny w obu grupach, przy dużej wielkości efektu (d = 1,76). Znaczny wzrost amplitudy składowych zaobserwowano w RE, ale nie w innych OZE. Przewidywania odpowiedzi na podstawie dwóch testów zostały ulepszone w porównaniu z przewidywaniami opartymi tylko na teście 1.

W naszym ostatnim badaniu opracowaliśmy dwa globalne indeksy, jeden do przewidywania korzyści klinicznych, a drugi do przewidywania skutków ubocznych. Jak opisano powyżej, połączyliśmy zmienne, które znacząco różnicowały porównywane grupy o umiarkowanej lub dużej wielkości efektu. Każda zmienna była ważona zgodnie z wielkością efektu. Zbadaliśmy zmienne ze wszystkich trzech domen WinEEG: widma EEG, ERP i zachowanie. Połączono następujące zmienne: Test 1: Amplituda P3NOGO i stosunek theta/alfa; różnice między Testem 2 a Testem 1: Błędy pominięcia, zmienność czasu reakcji, warunkowa ujemna zmienność (CNV) i amplituda P3NOGO. Wielkość efektu skali globalnej wyniosła d = 1,86. Celność wynosiła 0,92. Przewidywanie skutków ubocznych opierało się na 4 zmiennych: Test 1: RT, Test 2: składnik nowości, częstotliwość piku alfa i zmiany czasu reakcji (Test 2 - Test 1). Skala globalna d wynosiła 1,08, a dokładność 0,7849.

Kilka wstępnych wyników
W trwającym badaniu porównujemy grupę 61 pacjentów z ADHD w wieku 9-12 lat i grupę 67 zdrowych osób z grupy kontrolnej (HC) w tym samym wieku. Końcowe analizy statystyczne nie zostały jeszcze zakończone. Poniżej prezentujemy wstępne wyniki uzyskane z oceny WinEEG.

Behawioralnie, grupa ADHD wykazywała wzorzec nieuwagi ze statystycznie (na poziomie p<0,001) większą liczbą błędów pominięcia w porównaniu do grupy zdrowej (HC) (13,7% vs. 4,8%), której towarzyszył wzorzec utraty uwagi wyrażony statystycznie wyższą (p<0,001) zmiennością czasu reakcji (151 ms vs. 125 ms).

Główne wyniki porównania przebiegów ERP między dwiema grupami są pokazane w Rysunek 5 i Rysunek 6. Rysunek 5 pokazuje korelaty ERP dysfunkcji proaktywnej kontroli poznawczej w grupie ADHD. Dwa wskaźniki proaktywnej kontroli poznawczej (fala sygnałowa P3 i fala CNV) są zmniejszone w grupie ADHD w porównaniu z grupą HC. Rysunek 6 pokazuje korelaty ERP dysfunkcji reaktywnej kontroli poznawczej w grupie ADHD. Dwa wskaźniki reaktywnej kontroli poznawczej (N2 NOGO i P3 NOGO) są zmniejszone w grupie ADHD w porównaniu z grupą HC.

figure-results-1
Rysunek 5: Wzorce fal ERP średniej średniej (a) i odpowiadające im mapy (b) w proaktywnej kontroli poznawczej w grupach ADHD i zdrowych (HC). (a) ERP mierzone na P3 w grupie ADHD (zielona linia) i grupie HC (czerwona linia) oraz ich fala różnicowa (ADHD-HC) (niebieska linia). Niebieskie pionowe słupki poniżej krzywych wskazują poziom istotności statystycznej różnicy (małe słupki - p<0,05, środkowe słupki - p<0,01, duże słupki - p<0,001). Strzałki wskazują klasyczne fale - P3 cue i CNV (warunkowa ujemna zmiana). b) Mapy na maksymalnych amplitudach fal P3 i CNV dla obu grup. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 6: Wzorce fal ERP średniej (a) i odpowiadające im mapy (b) w reaktywnej kontroli poznawczej w grupach ADHD i zdrowych (HC). (a) ERP mierzone w grupie ADHD Fz i Cz (zielona linia) i grupie HC (czerwona linia) oraz ich fali różnicowej (ADHD-HC) (niebieska linia). Niebieskie pionowe słupki poniżej krzywych wskazują poziom istotności statystycznej różnicy (małe słupki - p<0,05, środkowe słupki - p<0,01, duże słupki - p<0,001). Strzałki wskazują klasyczne fale - N2 NOGO i P3 NOGO. b) Mapy maksymalnych amplitud fal N2 NOGO i P3 NOGO dla obu grup. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Jak widać, grupa ADHD wykazuje hipofunkcję wielu operacji kontroli poznawczej. Operacje te odbywają się w różnych oknach czasowych i w różnych lokalizacjach przestrzennych. U danego pacjenta może występować tylko jedna niedoczynność wskazująca na źródło danego zaburzenia i sposoby jego korygowania.

Znaczenie kliniczne
Aby obliczyć klinicznie użyteczny biomarker dla heterogenicznej diagnozy, takiej jak ADHD, należy połączyć kilka zmiennych, które znacznie różnią się między ADHD a grupą kontrolną. Wielkość efektu (d) indeksu powinna być wyższa niż d = 0,8. Kolejnym ważnym krokiem będzie zastosowanie tego wskaźnika w porównaniu z kontrolą kliniczną.

Dyskusja

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

Diagnozy w psychiatrii opierają się na zaobserwowanym zachowaniu. W większości przypadków określona liczba objawów musi być obserwowana w różnych warunkach przez 6 miesięcy lub dłużej. Ważną częścią procesu diagnostycznego jest wykluczenie etiologii somatycznej. Ponadto należy wziąć pod uwagę inne diagnozy psychiatryczne. Dość często interesujące nas objawy mogą należeć do innej kategorii diagnostycznej. Jeśli kilka objawów nakłada się na inne zaburzenia, klinicysta musi zdecydować, czy to drugie zaburzenie jest diagnozą współistniejącą, czy różnicową.

Dostępne narzędzia kliniczne to wywiady diagnostyczne, skale ocen, wywiad medyczny i rozwojowy, testy psychologiczne i bezpośrednie obserwacje. Większość z tych metod jest dość subiektywna; duży wpływ zarówno informatora, jak i profesjonalisty. Skale ocen od rodziców i nauczycieli wykazują zazwyczaj dość skromne korelacje (r = 0,3 - 0,5).

W reprezentatywnych wynikach twierdzimy, że mechanizmy leżące u podstaw ADHD prawdopodobnie różnią się w zależności od pacjenta. Brak zrozumienia (języka), problemy z motywacją, wrażliwość na zewnętrzne dystraktory itp. mogą prowadzić do objawów nieuwagi. Metody oparte na EEG opisane w tym artykule mogą pomóc w rozwiązaniu niektórych z tych wyzwań. Problem subiektywnych interpretacji jest nieobecny. Opisane metody ERP wydają się ujawniać podstawowe operacje psychologiczne, takie jak pamięć robocza, hamowanie działania, monitorowanie, przygotowanie do reakcji itp., obejmujące określone struktury mózgu. Braki w tych mechanizmach nie ograniczają się do konkretnych kategorii diagnostycznych. Wierzymy, że w przyszłości leczenie (leki, neurofeedback, trening poznawczy, tDCS, ...) będzie koncentrować się na takich operacjach poznawczych i/lub emocjonalnych oraz ich podstawowych mechanizmach mózgowych, a nie na obecnych kategoriach diagnostycznych.

Celem diagnozy jest określenie najlepszych metod leczenia. Aby ocenić efekty leczenia, decydujące znaczenie ma oczywiście zgłaszana przez siebie i obserwowana poprawa. Takie doniesienia mogą jednak do pewnego stopnia reprezentować efekty placebo i powinny być poparte (częściową) normalizacją podstawowych dysfunkcji mózgu, odzwierciedloną na przykład w zmianach w komponentach ERP. To połączenie subiektywnych i obiektywnych miar efektów leczenia jest ważne zarówno w klinice, jak i badaniach.

Z powodów wymienionych powyżej nie jest niespodzianką, że osoby z tą samą diagnozą często nie reagują na te same metody leczenia. W medycynie spersonalizowanej diagnozy są uzupełniane empirycznymi miarami przewidywania odpowiedzi, aby określić najlepsze leczenie dla danego pacjenta. W artykule opisaliśmy nasze badania nad predykcją odpowiedzi na leki pobudzające w ADHD u dzieci. Znalezienie wiarygodnych predyktorów pozytywnej odpowiedzi na leki przeciwdepresyjne jest być może nawet ważniejsze, ponieważ czas potrzebny na ocenę odpowiedzi jest długi, podobnie jak okres miareczkowania. Procedury opisane w tym artykule mogą przyczynić się do trwających badań opartych na EEG i ERP dotyczących przewidywania skutków leków w depresji53.

Opisane metody oparte na EEG są nieinwazyjne i niedrogie, a także dobrze nadają się zarówno do badań, jak i do pracy klinicznej.

Oświadczenia

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

Ogrim G. nie ma nic do ujawnienia. Kropotov J.D. był szefem laboratorium w Instytucie Ludzkiego Mózgu w Sankt Petersburgu, kiedy i gdzie opracowano program WinEEG. Nie ma żadnych interesów ekonomicznych w systemie.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
wzmacniacz +www.mitsar-medical.com
Uprząż ciała, różne rozmiaryElectro-Cap International, IncE3 SM; E3 M; E3 L
Elektrody douszne 9 mmElectro-Cap International, IncE5-9S
Electro-Cap International, IncE1 SM; E1 M; E1 M/SM
Elektrokapsle 19-kanałowe różne rozmiaryElectro-Cap International, IncE1 L/M; Elektrożel E1 L
do elektrokapsliElectro-Cap International, IncE9; Baza danych E10
HBiwww.hbimed.com
Opaska do pomiaru rozmiaru głowyElectro-Cap International, IncE 12
Zestaw strzykawek igłowychElectro-Cap International, IncE7
Nuprep EEG i EKG żel do przygotowania skóryElectro-Cap International, IncR7
Pasta przewodząca Ten20 EEGElectro-Cap International, IncR5-4T
WinEEG programwww.mitsar-medical.com
Elektrodenki 19-kanałowe różne rozmiary

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Insel, T., et al. Research domain criteria (RDoC), toward a new classification framework for research on mental disorders. American Journal of Psychiatry. 167 (7), 748-751 (2010).
  2. Snyder, S. M., Rugino, T. A., Hornig, M., Stein, M. A. Integration of an EEG biomarker with a clinician's ADHD evaluation. Brain and Behavior. 5 (4), e00330(2015).
  3. Arns, M., Conners, C. K., Kraemer, H. C. A decade of EEG Theta/Beta Ratio Research in ADHD: a meta-analysis. Journal of Attention Disorders. 17 (5), 374-383 (2013).
  4. Egeland, J. Differentiating attention deficit in adult ADHD and schizophrenia. Archives of Clinical Neuropsychology. 22 (6), 763-771 (2007).
  5. Egeland, J., et al. Attention profile in schizophrenia compared with depression: differential effects of processing speed, selective attention and vigilance. Acta Psychiatrica Scandinavia. 108 (4), 276-284 (2003).
  6. Braver, T. S. The variable nature of cognitive control: a dual mechanisms framework. Trends in Cognitive Science. 16 (2), 106-113 (2012).
  7. Botvinick, M. M. Conflict monitoring and decision making: reconciling two perspectives on anterior cingulate function. Cognitive and Affective Behavior Neuroscience. 7 (4), 356-366 (2007).
  8. Ullsperger, M., Fischer, A. G., Nigbur, R., Endrass, T. Neural mechanisms and temporal dynamics of performance monitoring. Trends in Cognitive Science. 18 (5), 259-267 (2014).
  9. Bari, A., Robbins, T. W. Inhibition and impulsivity: behavioral and neural basis of response control. Progress in Neurobiology. 108 (Sep), 44-79 (2013).
  10. Huster, R. J., Enriquez-Geppert, S., Lavallee, C. F., Falkenstein, M., Herrmann, C. S. Electroencephalography of response inhibition tasks: functional networks and cognitive contributions. International Journal of Psychophysiology. 87 (3), 217-233 (2013).
  11. Simson, R., Vaughan, H. G. Jr, Ritter, W. The scalp topography of potentials in auditory and visual Go/NoGo tasks. Electroencephalography and Clinical Neurophysiology. 43 (6), 864-875 (1977).
  12. Falkenstein, M., Hoormann, J., Hohnsbein, J. ERP components in Go/Nogo tasks and their relation to inhibition. Acta Psychologica (Amst). 101 (2-3), 267-291 (1999).
  13. Verleger, R., Gorgen, S., Jaskowski, P. An ERP indicator of processing relevant gestalts in masked priming. Psychophysiology. 42 (6), 677-690 (2005).
  14. Kropotov, J. D., Ponomarev, V. A., Hollup, S., Mueller, A. Dissociating action inhibition, conflict monitoring and sensory mismatch into independent components of event related potentials in GO/NOGO task. Neuroimage. 57 (2), 565-575 (2011).
  15. Kropotov, J. D., Ponomarev, V. A. Decomposing N2 NOGO wave of event-related potentials into independent components. Neuroreport. 20 (18), 1592-1596 (2009).
  16. Bekker, E. M., Kenemans, J. L., Verbaten, M. N. Electrophysiological correlates of attention, inhibition, sensitivity and bias in a continuous performance task. Clinical Neurophysiology. 20115 (9), 2001-2013 (2004).
  17. Fallgatter, A. J., Aranda, D. R., Bartsch, A. J., Herrmann, M. J. Long-term reliability of electrophysiologic response control parameters. Journal of Clinical Neurophysiology. 19 (1), 61-66 (2002).
  18. Fallgatter, A. J., Strik, W. K. The NoGo-anteriorization as a neurophysiological standard-index for cognitive response control. International Journal of Psychophysiology. 32 (3), 233-238 (1999).
  19. Bruin, K. J., Wijers, A. A., van Staveren, A. S. Response priming in a go/nogo task: do we have to explain the go/nogo N2 effect in terms of response activation instead of inhibition. Clinical Neurophysiology. 112 (9), 1660-1671 (2001).
  20. Randall, W. M., Smith, J. L. Conflict and inhibition in the cued-Go/NoGo task. Clinical Neurophysiology. 122 (12), 2400-2407 (2011).
  21. Kappenman, E. S., Luck, S. J. ERP Components: The Ups and Downs of Brainwave Recordings. The Oxford Handbook of Event-related Potential Components. Luck, S. J., Kappenman, E. S. , 1st, University Press. Oxford: Oxford. 3-29 (2012).
  22. Ponomarev, V. A., Kropotov, I. Improving source localization of ERPs in the GO/NOGO task by modeling of their cross-covariance structure. Fiziol Cheloveka. 39 (1), 36-50 (2013).
  23. Makeig, S., Jung, T. P. Tonic, phasic, and transient EEG correlates of auditory awareness in drowsiness. Brain Research and Cognitive Brain Research. 4 (1), 15-25 (1996).
  24. Onton, J., Makeig, S. Information-based modeling of event-related brain dynamics. Progressions in Brain Research. 159, 99-120 (2006).
  25. Kropotov, J. D. Functional Neuromarkers for Psychiatry: Applications for Diagnosis and Treatment. , 1st, Elsevier/Academic Press. London. (2016).
  26. Kropotov, J. D., Ponomarev, V. A., Pronina, M., Jancke, L. Functional indexes of reactive cognitive control: ERPs in cued go/no-go tasks. Psychophysiology. 54 (12), 1899-1915 (2017).
  27. Bekker, E. M., Kenemans, J. L., Verbaten, M. N. Source analysis of the N2 in a cued Go/NoGo task. Brain Research and Cognitive Brain Research. 22 (2), 221-231 (2005).
  28. Fisher, T., Aharon-Peretz, J., Pratt, H. Dis-regulation of response inhibition in adult Attention Deficit Hyperactivity Disorder (ADHD), an ERP study. Clinical Neurophysiology. 122 (12), 2390-2399 (2011).
  29. Olbrich, H. M., Maes, H., Valerius, G., Langosch, J. M., Feige, B. Event-related potential correlates selectively reflect cognitive dysfunction in schizophrenics. Journal of Neural Transmission. (Vienna). 112 (2), 283-295 (2005).
  30. Grane, V. A., et al. Correction: ERP Correlates of Proactive and Reactive Cognitive Control in Treatment-Naive Adult ADHD. PLoS One. 11 (9), e0163404(2016).
  31. Woltering, S., Liu, Z., Rokeach, A., Tannock, R. Neurophysiological differences in inhibitory control between adults with ADHD and their peers. Neuropsychologia. 51 (10), 1888-1895 (2013).
  32. Wiersema, R., van der Meere, J., Roeyers, H., Van Coster, R., Baeyens, D. Event rate and event-related potentials in ADHD. Journal of Child Psychology and Psychiatry. 47 (6), 560-567 (2006).
  33. Mueller, A., Candrian, G., Kropotov, J. D., Ponomarev, V. A., Baschera, G. M. Classification of ADHD patients on the basis of independent ERP components using a machine learning system. Nonlinear Biomedical Physics. 4 (Suppl 1), (2010).
  34. Mueller, A., et al. Discriminating between ADHD adults and controls using independent ERP components and a support vector machine: a validation study. Nonlinear Biomedical Physics. 5, 5(2010).
  35. Kropotov, J. D., et al. Latent ERP components of cognitive dysfunctions in ADHD and schizophrenia. Clinical Neurophysiology. 130 (4), 445-453 (2019).
  36. Spencer, T. J., Biederman, J., Mick, E. Attention-deficit/hyperactivity disorder: diagnosis, lifespan, comorbidities, and neurobiology. Journal of Pediatric Psychology. 32 (6), 631-642 (2007).
  37. Barkley, R. A. Attention - Deficit Hyperactivity Disorder. A Handbook for Diagnosis and Treatment. , Third, The Guilford Press. New York, London. (2006).
  38. Spencer, T., et al. Pharmacotherapy of attention-deficit hyperactivity disorder across the life cycle. Journal of the American Academy of Child and Adolescent Psychiatry. 35 (4), 409-432 (1996).
  39. Rubia, K., et al. Effects of stimulants on brain function in attention-deficit/hyperactivity disorder: a systematic review and meta-analysis. Biological Psychiatry. 76 (8), 616-628 (2014).
  40. Ramtvedt, B. E., Roinas, E., Aabech, H. S., Sundet, K. S. Clinical Gains from Including Both Dextroamphetamine and Methylphenidate in Stimulant Trials. Journal of Child and Adolescent Psychopharmacology. , (2013).
  41. Sangal, R. B., Sangal, J. M. Attention-deficit/hyperactivity disorder: using P300 topography to choose optimal treatment. Expert Review in Neurotherapy. 6 (10), 1429-1437 (2006).
  42. Ogrim, G., Hestad, K. A., Brunner, J. F., Kropotov, J. Predicting acute side effects of stimulant medication in pediatric attention deficit/hyperactivity disorder: data from quantitative electroencephalography, event-related potentials, and a continuous-performance test. Neuropsychiatric Disease and Treatment. 9, 1301-1309 (2013).
  43. Barkley, R. A., DuPaul, G. J., McMurray, M. B. Attention deficit disorder with and without hyperactivity: clinical response to three dose levels of methylphenidate. Pediatrics. 87 (4), 519-531 (1991).
  44. Chabot, R. J., Orgill, A. A., Crawford, G., Harris, M. J., Serfontein, G. Behavioral and electrophysiologic predictors of treatment response to stimulants in children with attention disorders. Journal of Child Neurology. 14 (6), 343-351 (1999).
  45. Hale, J. B., et al. Executive impairment determines ADHD medication response: implications for academic achievement. Journal of Learning Disabilities. 44 (2), 196-212 (2011).
  46. Tannock, R., Ickowicz, A., Schachar, R. Differential effects of methylphenidate on working memory in ADHD children with and without comorbid anxiety. Journal of the American Academy of Child and Adolescent Psychiatry. 34 (7), 886-896 (1995).
  47. Ogrim, G., Aasen, I. E., Brunner, J. F. Single-dose effects on the P3no-go ERP component predict clinical response to stimulants in pediatric ADHD. Clinical Neurophysiology. 127 (10), 3277-3287 (2016).
  48. Ogrim, G., et al. Predicting the clinical outcome of stimulant medication in pediatric attention-deficit/hyperactivity disorder: data from quantitative electroencephalography, event-related potentials, and a go/no-go test. Neuropsychiatric Disease and Treatment. 10, 231-242 (2014).
  49. Ogrim, G., Kropotov, J. D. Predicting Clinical Gains and Side Effects of Stimulant Medication in Pediatric Attention-Deficit/Hyperactivity Disorder by Combining Measures From qEEG and ERPs in a Cued GO/NOGO Task. Clinical EEG and Neuroscience. 50 (1), 34-43 (2019).
  50. Lenartowicz, A., Loo, S. K. Use of EEG to diagnose ADHD. Current Psychiatry Report. 16 (11), 498(2014).
  51. Johnstone, S. J., Barry, R. J., Clarke, A. R. Ten years on: a follow-up review of ERP research in attention-deficit/hyperactivity disorder. Clinical Neurophysiology. 124 (4), 644-657 (2013).
  52. Gamma, A., Kara, O. Event-Related Potentials for Diagnosing Children and Adults With ADHD. Journal of Attention Disorders. , (2016).
  53. van Dinteren, R., et al. Utility of event-related potentials in predicting antidepressant treatment response: An iSPOT-D report. European Neuropsychopharmacology. 25 (11), 1981-1990 (2015).

Przedruki i uprawnienia

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

Poproś o pozwolenie

Tagi

Biomarker ExtractionPediatric ADHDVisual GO NOGO TaskIndependent Component AnalysisArtifact CorrectionERP Waveform AnalysisCluster AnalysisMedication Response Prediction

Powiązane artykuły