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

Ogólnym celem tej procedury jest ilościowe określenie zmienności szeregów czasowych EEG i odniesienie tej zmienności do zdolności przetwarzania informacji przez podstawowy układ nerwowy. Osiąga się to poprzez uzyskanie najpierw wysokiej jakości zapisów EEG reakcji mózgu. Drugim krokiem jest wstępne przetworzenie danych w celu usunięcia wszelkich artefaktów.

Następnie wyodrębniane są interesujące statystyki. W tym miejscu porównamy nowatorskie zastosowanie entropii wieloskalowej z bardziej tradycyjnymi metodami średniej amplitudy i mocy spektralnej. Ostatnim krokiem jest analiza istotności statystycznej wyników i interpretacja danych.

Ten krok można ułatwić, stosując wielowymiarowe podejścia oparte na danych, takie jak analiza częściowego kwadratu najmu. Ostatecznie entropia wieloskalowa służy do pokazania, w jaki sposób sekwencja zmian w przestrzennym wzorcu czasowym w wielu skalach czasowych przyczynia się do określonych operacji poznawczych. Zaletą stosowania MSC w porównaniu z istniejącymi metodami, takimi jak średnia amplituda lub moc widm, jest to, że MSC jest wrażliwy na nieliniowości danych.

Ta nieliniowa dynamika odzwierciedla przejścia lub bifurkacje między mikrostanami sieci, co jest ważne dla wymiany informacji w rozproszonej sieci regionów mózgu. Procedurę tę zademonstruje Christina Backer z laboratorium ERP w Instytucie Badawczym Rotmana. Najpierw wyjaśnij uczestnikowi procedury eksperymentalne i uzyskaj świadomą zgodę.

Oczyść obszar, w którym zostaną umieszczone elektrody opuszczane, za pomocą wacika nasączonego alkoholem. Umieść trochę żelu na elektrodzie. Zdejmij bibułki od strony skóry i umieść elektrody na uczestniku, aby zidentyfikować artefakty ruchu gałek ocznych.

Umieść elektrodę na bocznym połączeniu górnej i dolnej powieki. Umieść kolejną elektrodę na środku grzbietu oczodołu, około jednego centymetra poniżej oka i w jednej linii ze źrenicą. Powtórz dla drugiego oka.

Zmierz obwód głowy uczestnika i wybierz odpowiedni rozmiar nasadki elektrody, postępując zgodnie z uznanym na całym świecie systemem 10:20. Aby umieścić elektrodę, zmierz odległość od Indian Ian wzdłuż linii środkowej i podziel przez 10%Używając tej liczby. Zmierz się z NAS i oznacz.

Dopasuj pozycję nasadki elektrody FP do tego oznaczenia i pociągnij nasadkę do tyłu. Upewnij się, że środek nasadki znajduje się w jednej linii z nosem. Zmierz nasn do cz i upewnij się, że ta odległość jest równa połowie odległości z NAS do Indii.

Następnie zaciśnij pasek podbródkowy i umieść gazę pod paskiem, aby zapewnić wygodę, jeśli to konieczne. Teraz umieść wypełnioną żelem strzykawkę z punktem w uchwytach elektrod, aby utworzyć przewodzącą kolumnę żelu. Zacznij w kontakcie ze skórą głowy, a następnie ściśnij i odciągnij.

Należy pamiętać, że nałożenie zbyt dużej ilości żelu może zmostkować sygnały sąsiednich elektrod. Następnie zamocuj aktywne elektrody w uchwytach elektrod. Następnie ustaw obiekt przed monitorem w odpowiedniej odległości.

W eksperymencie poproś uczestnika, aby pozostał nieruchomy, podkreślając znaczenie zminimalizowania ruchów gałek ocznych i mrugnięć. Aby uzyskać czysty zapis, sprawdź połączenia elektrod i jakość sygnału EEG na komputerze akwizycyjnym. Jeśli występuje problem z konkretną elektrodą, wyjmij tę elektrodę i ponownie nałóż żel, aby dostosować impedancję w tym miejscu po eksperymentach, ale przed wyodrębnieniem konkretnej interesującej Cię statystyki.

Wstępnie przetwarzaj ciągłe dane EEG, aby usunąć artefakty przy użyciu standardowych procedur filtrowania i odrzucania artefaktów. Analiza potencjału związanego ze zdarzeniami ujmuje synchroniczną aktywność mózgu, która jest blokadą fazową na początek bodźca Blokada czasowa reakcji mózgu na nadejście istotnego zdarzenia, a następnie uśrednianie wielu podobnych zdarzeń. Aby zwiększyć stosunek sygnału do szumu, zidentyfikować szczytową amplitudę i opóźnienie komponentu ERP dla każdego obiektu, moc Spectra określa ilościowo względny udział częstotliwości w określonym sygnale EEG.

Użyj analizy Fouriera, aby przekształcić sygnał EEG z dziedziny czasu do dziedziny częstotliwości i rozłożyć sygnał na składowe fale sinusoidalne o różnych częstotliwościach. Entropia wieloskalowa to metryka teorii informacji, która rejestruje zmienność sygnałów neuroelektrycznych w czasie i w wielu czasach. Waga. Użyj algorytmu w PhysioNet, aby obliczyć entropię wieloskalową w dwóch krokach.

W pierwszym kroku stopniowo schodzi. Próbkuj sygnał dla każdej skali czasowej próby i warunków. Jeden reprezentuje oryginalny sygnał.

Twórz kolejne skale czasowe, dzieląc najpierw oryginalny sygnał na nienakładające się na siebie okna o długości skali czasu. Następnie uśrednij punkty danych w każdym oknie. Na przykład, aby utworzyć skalę czasową dwie średnie razem.

Pierwsze dwa punkty, następne dwa punkty i tak dalej. Aby utworzyć skalę czasu, należy uśrednić trzy pierwsze punkty, kolejne trzy punkty i tak dalej. Reprezentując oryginalny sygnał w różnych skalach czasowych, można analizować procesy neuronalne, które mogą rozwijać się w różnym tempie.

W drugim kroku obliczana jest przykładowa entropia dla każdego kursu. Ziarniste szeregi czasowe. Pozwala to oszacować złożoność reakcji mózgu w różnych skalach czasowych.

Sygnały zwykłe mają niższą entropię próbki niż sygnały bardziej stochastyczne. W tym przykładzie długość wzoru M jest ustawiona na dwa. Oznacza to, że szeregi czasowe będą reprezentowane jako stosunek dwóch do trzech dopasowań sekwencji punktowej.

Parametr R jest kryterium podobieństwa. Punkty danych, które leżą w tym zakresie amplitudy, mają podobne wartości i dlatego mówi się, że są zgodne. Aby uzyskać szczegółowe informacje na temat ustawiania parametrów, zapoznaj się z protokołem tekstowym w celu obliczenia entropii próbki dla tego symulowanego szeregu czasowego.

Zacznij od pierwszych dwóch składników. Wzorzec sekwencji, czerwony pomarańczowy, najpierw policz, ile razy wzorzec sekwencji czerwono-pomarańczowy występuje w szeregu czasowym. Jest na to 10 meczów.

Sekwencja dwóch komponentów. Po drugie, policz, ile razy pierwsze trzy składniki. Wzorzec sekwencji, czerwony, pomarańczowy, fioletowy występuje w szeregu czasowym.

Jest na to pięć meczów. Sekwencja trzech elementów. Kontynuuj te same operacje dla następnych dwóch sekwencji składników, pomarańczowej, fioletowej, i następnej sekwencji trzech składników, pomarańczowej, fioletowej i zielonej szeregu czasowego.

Dodaj liczbę dwóch dopasowań składników i trzech dopasowań składników dla tych sekwencji do poprzednich wartości. Powtórz te czynności dla wszystkich innych dopasowań sekwencji w szeregach czasowych, aby określić łączny stosunek dwóch dopasowań składników do trzech dopasowań składników. Entropia próbki jest logarytmem naturalnym tego stosunku.

Dane te pokazują różnice w warunkach mocy widmowej i entropii ERP, kontrastując początkową i powtarzaną prezentację zdjęć twarzy. W tym przykładzie wszystkie miary zbiegły się, aby ujawnić ten sam efekt spadku entropii próbki, który towarzyszy powtarzaniu twarzy. Ten spadek złożoności sugeruje, że zaangażowana sieć funkcjonalna jest prostsza i przetwarza mniej informacji.

Te wyniki statystyczne pochodzą z wielowymiarowej analizy częściowych kwadratów dzierżawy mocy widmowej ERP i wieloskalowej entropii dla twarzy związanych z różnymi poziomami znajomości. Kontrast pokazuje, że amplituda ERP odróżniała nowe twarze od znajomych twarzy, ale nie wśród znajomych twarzy, które różniły się ilością wcześniejszej ekspozycji. Moc spektralna rozróżniała twarze w zależności od poufałości, ale nie rozróżniała dokładnie twarzy o niskiej i średniej poufałości.

Entropia wieloskalowa była najbardziej wrażliwa na różnice w warunkach. Wartości entropii próbki zwiększały się wraz ze wzrostem znajomości twarzy. Te wykresy obrazów przechwytują przestrzenny rozkład czasowy efektu warunku.

Co ciekawe, entropia wieloskalowa ujawniła unikalne informacje, które nie zostały uzyskane za pomocą bardziej tradycyjnych analiz ERP lub mocy spektralnej. Ta rozbieżność entropii wieloskalowej sugeruje, że warunki różnią się w odniesieniu do nieliniowych aspektów dynamiki ich sieci, co może obejmować interakcje między pasmami częstotliwości. To nowatorskie narzędzie analityczne pomaga nam uchwycić nowe informacje na temat dynamiki sieci neuronowych, pomagając nam odejść od charakteryzowania funkcji umysłowych w kategoriach stanów statycznych w kierunku zrozumienia płynnego rozwoju procesów, które łączą się z ludzkim poznaniem.