Name: Analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku (Wideo) | JoVE Journal
Uploaded: 2018-06-15T12:30:00.000+00:00
Duration: 6 min 40 s
Description: Poznaj metody analizy mikrostanów EEG i złożoności omega w badaniach zaburzeń mózgu. Protokół obejmuje filtrowanie, usuwanie artefaktów oraz identyfikację czterech map mikrostanów w spoczynkowych sieciach neuronalnych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

Ten protokół został zatwierdzony przez lokalną komisję etyczną. Wszyscy uczestnicy i ich rodzice podpisali formularz świadomej zgody na ten eksperyment.
1. Tematy
<ol>
	<li>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.</li>
</ol>
2. Zapis danych EEG
<ol>
	<li>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.</li>
	<li>Załóż czapkę na głowę fotografowanej osoby.
	<ol>
		<li>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.</li>
		<li>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</li>.
	</ol>
	</li>
	<li>Napełnij wszystkie elektrody żelem przewodzącym, wprowadzając igłę przez elektrody. Użyj żelu przewodzącego, aby obniżyć impedancję. Utrzymuj impedancje wszystkich elektrod poniżej 10 kiloomów (kΩ).
	<ol>
		<li>W tym okresie zapewnij tematom rozrywkę (np. pokaż krótki film). Jeśli używana jest sucha elektroda lub elektroda solankowa, pomiń etap wstrzykiwania żelu przewodzącego.</li>
	</ol>
	</li>
	<li>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.</li>
</ol>
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.
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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".</li>
	<li>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".</li>
	<li>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.</li>
	<li>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.</li>
	<li>Zaimportuj segmentowane dane EEG do oprogramowania EEG (Plik | Załaduj istniejący zestaw danych).</li>
	<li>Odrzucanie epok EEG o wartościach amplitudy przekraczających ± 80 μV na dowolnej elektrodzie (Narzędzia | Odrzucanie epok danych | Odrzuć dane [wszystkie metody]).</li>
	<li>Zapisz wstępnie przetworzone dane EEG (Plik | Zapisz bieżący zestaw danych jako).</li>
</ol>
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.
<ol>
	<li>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]).</li>
	<li>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".</li>
	<li>Zapisz dane EEG każdego pacjenta po zidentyfikowaniu własnych map mikrostanów (Plik | Zapisz bieżący zestaw danych jako).</li>
	<li>Zaimportuj jednocześnie zestawy danych EEG wszystkich osób zapisanych w ostatnim kroku (Plik | Załaduj istniejący zestaw danych).</li>
	<li>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.</li>
	<li>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".</li>
	<li>Sortowanie kolejności czterech map mikrostanów każdego tematu (Narzędzia | Mikropaństwa | Sortuj mapy poszczególnych mikrostanów według średniej).</li>
	<li>Zapisz parametry mikrostanów każdego obiektu (Narzędzia | Mikropaństwa | Określ ilościowo mikrostany w zestawie danych [średnie mapy szablonów]), które będą kolejno wywoływać dwa wyskakujące okna dialogowe.
	<ol>
		<li>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.</li>
	</ol>
	</li>
</ol>
5. Analiza złożoności Omega
<ol>
	<li>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).</li>
	<li>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.</li>
	<li>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.</li>
</ol>

<ol><li>Khanna, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microstates+in+resting-state+EEG%3A+current+status+and+future+directions%5BTitle%5D)+AND+%22Neurosci+Biobehav+Rev%22%5BJournal%5D)">Microstates in resting-state EEG: current status and future directions.</a> Neurosci Biobehav Rev. 49, 105-113 (2015).</li>
<li>Chen, J. L., Ros, T., Gruzelier, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+changes+of+ICA-derived+EEG+functional+connectivity+in+the+resting+state%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Dynamic changes of ICA-derived EEG functional connectivity in the resting state.</a> Hum Brain Mapp. 34 (4), 852-868 (2013).</li>
<li>Imperatori, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+EEG+functional+connectivity+and+EEG+power+spectra+in+resting+state+post-traumatic+stress+disorder%3A+a+sLORETA+study%5BTitle%5D)+AND+%22Biol+Psychol%22%5BJournal%5D)">Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study.</a> Biol Psychol. 102, 10-17 (2014).</li>
<li>Gao, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+Resting-State+EEG+Microstate+Parameters+and+Enhanced+Spatial+Complexity+in+Male+Adolescent+Patients+with+Mild+Spastic+Diplegia%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia.</a> Brain Topogr. 30 (2), 233-244 (2017).</li>
<li>Seitzman, B. A., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/27742598">Cognitive manipulation of brain electric microstates.</a> Neuroimage. 146, 533-543 (2017).</li>
<li>Lehmann, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG-defined+functional+microstates+as+basic+building+blocks+of+mental+processes%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">EEG-defined functional microstates as basic building blocks of mental processes.</a> Clin Neurophysiol. 122 (6), 1073-1074 (2011).</li>
<li>Koenig, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Millisecond+by+millisecond%2C+year+by+year%3A+normative+EEG+microstates+and+developmental+stages%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Millisecond by millisecond, year by year: normative EEG microstates and developmental stages.</a> Neuroimage. 16 (1), 41-48 (2002).</li>
<li>Britz, J., Van De Ville, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BOLD+correlates+of+EEG+topography+reveal+rapid+resting-state+network+dynamics%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">BOLD correlates of EEG topography reveal rapid resting-state network dynamics.</a> Neuroimage. 52 (4), 1162-1170 (2010).</li>
<li>Musso, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spontaneous+brain+activity+and+EEG+microstates.+A+novel+EEG%2FfMRI+analysis+approach+to+explore+resting-state+networks%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks.</a> Neuroimage. 52 (4), 1149-1161 (2010).</li>
<li>Strelets, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chronic+schizophrenics+with+positive+symptomatology+have+shortened+EEG+microstate+durations%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations.</a> Clin Neurophysiol. 114 (11), 2043-2051 (2003).</li>
<li>Kikuchi, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstate+analysis+in+drug-naive+patients+with+panic+disorder%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">EEG microstate analysis in drug-naive patients with panic disorder.</a> PLoS One. 6 (7), e22912(2011).</li>
<li>Santarnecchi, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+Microstate+Correlates+of+Fluid+Intelligence+and+Response+to+Cognitive+Training%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training.</a> Brain Topogr. , (2017).</li>
<li>Schlegel, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstates+during+resting+represent+personality+differences%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">EEG microstates during resting represent personality differences.</a> Brain Topogr. 25 (1), 20-26 (2012).</li>
<li>Wackermann, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+mapping%3A+estimating+complexity+of+multichannel+EEG+recordings%5BTitle%5D)+AND+%22Acta+Neurobiol+Exp+%28Wars%29%22%5BJournal%5D)">Beyond mapping: estimating complexity of multichannel EEG recordings.</a> Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).</li>
<li>Jung, T. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Removing+electroencephalographic+artifacts+by+blind+source+separation%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Removing electroencephalographic artifacts by blind source separation.</a> Psychophysiology. 37 (2), 163-178 (2000).</li>
<li>Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+brain+electrical+activity+into+microstates%3A+model+estimation+and+validation%5BTitle%5D)+AND+%22IEEE+Trans+Biomed+Eng%22%5BJournal%5D)">Segmentation of brain electrical activity into microstates: model estimation and validation.</a> IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).</li>
<li>Pascual-Marqui, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Standardized+low-resolution+brain+electromagnetic+tomography+%28sLORETA%29%3A+technical+details%5BTitle%5D)+AND+%22Methods+Find+Exp+Clin+Pharmacol%22%5BJournal%5D)">Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details.</a> Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).</li>
<li>Hu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+primary+somatosensory+cortex+contributes+to+the+latest+part+of+the+cortical+response+elicited+by+nociceptive+somatosensory+stimuli+in+humans%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans.</a> Neuroimage. 84, 383-393 (2014).</li>
<li>Murray, M. M., Brunet, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topographic+ERP+analyses%3A+a+step-by-step+tutorial+review%5BTitle%5D)+AND+%22Brain+Topogr%22%5BJournal%5D)">Topographic ERP analyses: a step-by-step tutorial review.</a> Brain Topogr. 20 (4), 249-264 (2008).</li>
<li>Van de Ville, D., Britz, J., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG+microstate+sequences+in+healthy+humans+at+rest+reveal+scale-free+dynamics%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">EEG microstate sequences in healthy humans at rest reveal scale-free dynamics.</a> Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).</li>
<li>Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+emotion+associated+brain+functional+network+with+phase+locking+value%5BTitle%5D)+AND+%22Conf+Proc+IEEE+Eng+Med+Biol+Soc%22%5BJournal%5D)">Identification of emotion associated brain functional network with phase locking value.</a> Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).</li>
<li>Wen, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+EEG+coupling+analysis+of+amnestic+mild+cognitive+impairment+with+type+2+diabetes+mellitus+by+using+permutation+conditional+mutual+information%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information.</a> Clin Neurophysiol. 127 (1), 335-348 (2016).</li>
<li>Rosales, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+efficient+implementation+of+the+synchronization+likelihood+algorithm+for+functional+connectivity%5BTitle%5D)+AND+%22Neuroinformatics%22%5BJournal%5D)">An efficient implementation of the synchronization likelihood algorithm for functional connectivity.</a> Neuroinformatics. 13 (2), 245-258 (2015).</li>
<li>Jia, H., Peng, W., Hu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+approach+to+identify+time-frequency+oscillatory+features+in+electrocortical+signals%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">A novel approach to identify time-frequency oscillatory features in electrocortical signals.</a> J Neurosci Methods. 253, 18-27 (2015).</li>
<li>Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).</li>
<li>Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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...

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.

<table><tbody><tr><td>20-kanałowy system EEG/ERP ANT</td><td>ASA-Lab, ANT B.V., Holandia</td><td></td><td>Firma adres internetowy: http://www.ant-neuro.com/</td></tr> <tr><td>wtyczka EEGLAB dla mikrostanów</td><td>Thomas Koenig</td><td></td><td>https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins</td></tr><tr><td>sLORETA</td><td>Roberto D. Pascual-Marqui</td><td></td><td>http://www.uzh.ch/keyinst/loreta.htm</td></tr><tr><td>MATLAB 2010a</td><td> MathWorks Inc.</td><td></td><td>Adres internetowy firmy: http://www.mathworks.com/</td></tr> <tr><td>eeglab</td><td>Swartz Center for Computational Neuroscience, Uniwersytet Kalifornijski, San Diego</td><td></td><td>https://sccn.ucsd.edu/eeglab/index.php</td></tr></tbody></table>

analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku

Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

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.

Mikrostan EEG
Znormalizowane mapy średnich ogólnych mikrostanów przedstawiono na Rysunku 1. Krajobrazy potencjału elektrycznego tych czterech zidentyfikowanych tutaj klas mikrostanów są bardzo podobne do tych opisanych w poprzednich badaniach4.
Średnie i odchylenia standardowe (SD) parametrów mikrostanów u zdrowych osó...

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.

Analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku

Microstate and omega complexity are two reference-free electroencephalography (EEG) measures that can represent the temporal and spatial complexities of ...

W tym semestrze odpowiedzieliśmy na 10 pytań z zakresu zaburzeń mózgu, takich jak to, jak zidentyfikować skuteczną parę markerów do kodu bios w dzisiejszej diagnozie. Główną zaletą tej techniki jest to, że może ona stanowić odniesienie do nierozwiązanego problemu, gdy przestrzegasz tradycyjnej analizy EEG. Zastosowania tej techniki rozciągają się w kierunku naszego zrozumienia sieci stanów spoczynku ludzkiego mózgu.Aby rozpocząć tę procedurę, zaimportuj surowe dane EEG do oprogramowania laboratorium EEG. Następnie załaduj plik lokalizacji kanału do oprogramowania laboratoryjnego EEG, aby uzyskać lokalizacje przestrzenne tych elektrod. Aby usunąć elektrody odniesienia, opcja Wybierz dane w zakresie kanału w wyskakującym oknie dialogowym umożliwia wybranie tylko elektrod rejestrujących i nie wybieranie elektrod odniesienia w taki sposób, aby można było usunąć elektrody odniesienia.Aby filtrować pasmowo przepustowe dane EEG w zakresie od 0,5 do 80 herców, w wyskakującym oknie dialogowym wybierz 0,5 dla dolnej krawędzi herca pasma przepustowego częstotliwości i wybierz 80 dla górnej krawędzi herca pasma przepustowego. Następnie kliknij Ok.To usunąć szum linii energetycznej za pomocą filtra wycinającego między 49 a 51 Hz, w wyskakującym oknie dialogowym wybierz 49 dla dolnej krawędzi pasma przepustowego częstotliwości i wybierz 51 dla górnej krawędzi herca pasma przepustowego. Następnie wybierz opcję Filtruj dane w wycięciu zamiast pasma przepustowego i kliknij, Ok.To usunąć ruchy gałek ocznych, kliknij Narzędzia, a następnie kliknij Usuwanie artefaktów za pomocą AAR 1.3 i usuwanie EOG za pomocą BSS.Aby usunąć EMG, kliknij Narzędzia, a następnie kliknij Usuwanie artefaktów za pomocą AAR 1.3 i Usuwanie EMG za pomocą BSS. Następnie podziel wstępnie przetworzone ciągłe dane EEG na epoki o długości epoki wynoszącej dwie sekundy. Pojawi się okno, które umożliwia zapisanie posegmentowanych danych EEG.Następnie zaimportuj segmentowane dane EEG do oprogramowania laboratorium EEG i odrzuć epoki EEG o wartościach amplitudy przekraczających plus minus 80 mikrowoltów na dowolnej elektrodzie. Następnie zapisz wstępnie przetworzone dane EEG. W tej procedurze dla każdego pacjenta załaduj wstępnie przetworzone dane EEG, przekonwertuj kanały referencyjne na wspólne średnie odniesienie i przefiltruj pasmowo dane EEG w zakresie od dwóch do 20 herców.Następnie zidentyfikuj cztery mapy mikrostanów w każdym temacie. W wyskakującym oknie dialogowym wybierz trzy dla minimalnej liczby klas, wybierz sześć dla maksymalnej liczby klas, wybierz 50 dla liczby ponownych uruchomień, wybierz maksymalną liczbę map do użycia i wybierz opcje tylko szczyt GFP i Bez polaryzacji. Następnie kliknij przycisk OK.Następnie zapisz dane EEG każdego pacjenta po zidentyfikowaniu własnych map mikrostanów. Zaimportuj jednocześnie zestawy danych EEG wszystkich osób zapisanych w ostatnim kroku. Następnie zidentyfikuj mapy mikrostanów na poziomie grupy.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, a następnie kliknij przycisk Ok.Spowoduje to utworzenie nowego zestawu danych o nazwie GrandMean, który przechowuje mapy mikrostanów na poziomie grupy. Ręcznie sortuj kolejność czterech map mikrostanów na poziomie grupy zgodnie z ich klasyczną kolejnością.W wyskakującym okienku wybierz pozycję Więcej, a następnie liczba wyświetlanych map zmieni się na cztery. Następnie wybierz Sortowanie Man. W wyskakującym oknie dialogowym wprowadź nową kolejność czterech map mikrostanów na poziomie grupy i kliknij przycisk Zamknij.Następnie posortuj kolejność czterech map mikrostanów każdego tematu, zapisz parametry mikrostanu dla każdego tematu, który kolejno wywoła dwa wyskakujące okna dialogowe. W pierwszym oknie dialogowym wybierz zestawy danych wszystkich tematów. W drugim oknie dialogowym wybierz 4-Klasy dla opcji, Liczba klas.Wybierz opcje Dopasuj tylko do pików GFP i Usuń potencjalnie obcięte mikrostany. Następnie wybierz 30 dla okna wygładzania etykiety, ms i wybierz Jeden dla kary za brak gładkości, a następnie kliknij przycisk OK.Plik CSV, który przechowuje parametry submikrostanu, zostanie zapisany na komputerze. Obrazy te pokazują, że mikrostan klasy A i B ma odpowiednio orientację od prawej przedniej do lewej potylicznej i od lewej czołowej do prawej potylicznej.Mikrostany klasy C i D mają symetryczną topografię, ale zaobserwowano odpowiednio orientację przedczołową do potylicznej oraz przednią do centralnej i potylicznej. Poniższa tabela przedstawia średnią i odchylenie standardowe parametrów mikrostanów u osób zdrowych. Po opanowaniu tej techniki można ją wykonać w ciągu godziny, jeśli zostanie wykonana prawidłowo.Próbując wykonać tę procedurę, należy pamiętać, że dane EEG powinny być wstępnie przetworzone. Zgodnie z tą procedurą można wykonać inne metody, takie jak lokalizacja źródła, aby odpowiedzieć na dodatkowe pytania, takie jak pochodzenie tych map mikrostanów. Technika ta utorowała drogę naukowcom zajmującym się nauką o mózgu do ujawniania chorób, takich jak w ludzkim mózgu.

microstate-omega-complexity-analyses-resting-state

Research

JoVE Journal

Neuroscience

Neuronauka

Badacze neuroobrazowania zazwyczaj uważają reakcję mózgu za średnią aktywność w powtarzających się próbach eksperymentalnych i ignorują zmienność sygnału w czasie jako "szum". Staje się jednak jasne, że w tym szumie jest sygnał. W artykule opisano nowatorską metodę entropii wieloskalowej do ilościowego określania zmienności sygnałów mózgowych w dziedzinie czasu.

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

Ten manuskrypt opisuje podejście do pomiaru aktywności neuronalnej ludzi podczas rozwiązywania przestrzennie skoncentrowanych problemów inżynieryjnych. Metodologia elektroencefalogramu pomaga interpretować pomiary fal mózgowych beta pod kątem wydajności neuronalnej, aby ostatecznie umożliwić porównanie wykonania zadań zarówno między typami problemów, jak i między uczestnikami.

Wykorzystanie pomiarów elektroencefalografii do porównania sprawności neuronalnej specyficznej dla danego zadania: zadania z zakresu inteligencji przestrzennej

Ten protokół opisuje procedurę śledzenia ewolucji pomiarów sieci mezjalnej u pacjentów z padaczką skroniową (TLE). Opiera się on na połączeniu zapisów wewnątrzczaszkowych z nowatorską techniką numeryczną do analizy danych. W szczególności przedstawiamy protokół do analiz sieciowych nagrań otworu owalnego.

Analiza sieciowa zapisów elektrod otworu owalnego u pacjentów z lekooporną padaczką skroniową

Oscylacje o wysokiej częstotliwości (HFO) pojawiły się jako przedoperacyjne biomarkery do identyfikacji strefy padaczkowej u pacjentów pediatrycznych z padaczką oporną na leczenie. Przedstawiono metodykę nieinwazyjnego rejestrowania, wykrywania i lokalizacji HFO z jednoczesną elektroencefalografią skóry głowy (EEG) i magnetoencefalografią (MEG).

Międzynapadowe oscylacje o wysokiej częstotliwości wykryte za pomocą jednoczesnej magnetoencefalografii i elektroencefalografii jako biomarkera padaczki dziecięcej

Instrukcje dotyczące taniego konstruowania i chirurgicznego wszczepiania myszom przewlekłego przezczaszkowego montażu elektroencefalograficznego o dużej gęstości są dostarczone. Opisano również techniki nagrywania, ekstrakcji i przetwarzania sygnału.

Akwizycja elektroencefalograficzna o dużej gęstości w modelu gryzoni przy użyciu tanich zasobów typu open source

Aktywność theta w hipokampie jest związana z określonymi etapami poznawczymi i behawioralnymi. W tym miejscu opisujemy metodę analityczną wykrywania wysoce zorganizowanych oscylacji theta w hipokampie przy użyciu podejścia opartego na czasowo-częstotliwościowym (tj. analizie falkowej).

Automatyczne wykrywanie wysoce zorganizowanych oscylacji theta w mysim EEG

Tutaj prezentujemy eksperymentalne i analityczne procedury opisujące dynamikę czasową zmiennych neuronalnych i sercowych snu nie-REM u myszy, które modulują reakcję snu na bodźce akustyczne.

Kwantyfikacja dynamiki mocy widmowej i tętna w podczerwieni u śpiących myszy

Prezentujemy dwa protokoły analityczne, które mogą być użyte do analizy danych elektroencefalografii wewnątrzczaszkowej za pomocą oprogramowania do statystycznego mapowania parametrycznego (SPM): analiza statystycznego mapowania parametrycznego dla aktywności neuronalnej w czasie i częstotliwości: dynamiczne modelowanie przyczynowe odpowiedzi indukowanych dla połączeń wewnątrz- i międzyregionalnych.

Analiza aktywności neuronalnej i łączności przy użyciu wewnątrzczaszkowych danych EEG z oprogramowaniem SPM

Ten artykuł przedstawia prosty protokół pozyskiwania dobrej jakości danych elektroencefalograficznych (EEG) podczas jednoczesnego obrazowania EEG i funkcjonalnego rezonansu magnetycznego za pomocą łatwo dostępnych produktów medycznych.

Niezawodna akwizycja danych elektroencefalograficznych podczas jednoczesnej elektroencefalografii i funkcjonalnego rezonansu magnetycznego

Protokół ten ma na celu dostarczenie nowatorskiego wglądu metodologicznego w nieinwazyjną neurostymulację, w szczególności przezuszową stymulację nerwu błędnego (taVNS), u pacjentów z zaburzeniami świadomości. Ponadto zaproponowano protokół analizy klinicznej i elektroencefalograficznej w celu oceny skuteczności leczenia w tej kohorcie, wraz z omówieniem odpowiednich kwestii etycznych.

Przezuszna stymulacja nerwu błędnego i ocena elektroencefalograficzna w zaburzeniach świadomości

Ten protokół przedstawia PIPEMAT-RS, ustandaryzowany potok wstępnego przetwarzania danych EEG w stanie spoczynku, oparty na MATLAB. Zapewnia usuwanie artefaktów, poprawia jakość sygnału i zwiększa odtwarzalność danych w różnych badaniach. Potok automatyzuje kluczowe etapy przetwarzania wstępnego, w tym filtrowanie, niezależną analizę komponentów (ICA) i klasyfikację artefaktów, ułatwiając spójną i wiarygodną analizę EEG na potrzeby badań neurofizjologicznych.

PIPEMAT-RS: Opracowanie i walidacja ustandaryzowanego potoku MATLAB do wstępnego przetwarzania EEG w stanie spoczynku

Poznaj metody analizy mikrostanów EEG i złożoności omega w badaniach zaburzeń mózgu. Protokół obejmuje filtrowanie, usuwanie artefaktów oraz identyfikację czterech map mikrostanów w spoczynkowych sieciach neuronalnych.

Analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku

Przeglądaj więcej filmów