Summary
Denne artikkelen beskriver protokollen underliggende Elektroencefalogram (EEG) mikrostaten analyse og omega kompleksitet analyse, som er to referanse-fri EEG tiltak og svært verdifullt å utforske nevrale mekanismer for hjernen lidelser.
Abstract
Mikrostaten og omega kompleksitet er to referanse-gratis Elektroencefalogram (EEG) tiltak som kan representere timelige og romlig kompleksiteten av EEG data og mye brukt å undersøke nevrale mekanismer i noen hjernen lidelser. Målet med denne artikkelen er å beskrive protokollen underliggende EEG mikrostaten og omega kompleksitet analyser trinnvis. Den største fordelen med disse to tiltakene er at de kan eliminere referanse-avhengige problemet iboende tradisjonelle spectrum analyser. I tillegg mikrostaten analysen gjør god bruk av høy tid oppløsning på hvile statuser EEG, og fire innhentet mikrostaten klasser kunne matche den tilsvarende hvile-statlige nettverk hhv. Omega kompleksiteten karakteriserer romlige kompleksiteten i hele hjernen eller bestemte hjernen regioner, som har opplagt fordel sammenlignet med tradisjonelle kompleksitet tiltak fokuserer på signalet kompleksiteten i én kanal. Disse to EEG tiltakene kan utfylle hverandre for å undersøke hjernen kompleksitet fra timelige og romlige domenet henholdsvis.
Introduction
Elektroencefalogram (EEG) har vært mye brukt registrere elektrisk aktivitet i hjernen både i klinisk diagnose og forskning, siden det er noninvasive, lav-kostet og har svært høy midlertidig løsning1. For å studere EEG signalene i hvile tilstand, har forskere utviklet mange EEG teknikker (f.eks makt spektrum analyse, funksjonelle tilkobling analyse)2,3. Av disse kan mikrostaten analyse og omega kompleksitet analyse gjøre god bruk av romlige og tidsmessige i EEG signaler4.
Tidligere undersøkelser har vist at selv om topografiske fordelingen av EEG signaler varierer over tid i øyet-lukket eller øye-åpen hvile tilstand, en rekke kortvarig kart vise usammenhengende endringer av landskap, dvs. perioder med stabilitet vekslende med kort overgang perioder mellom visse kvasi stabil EEG topografi5. Mikrostater defineres som disse episodene med kvasi stabil EEG topografi, som varer mellom 80 og 120 ms1. Siden ulike elektrisk potensielle landskaper må ha blitt generert av forskjellige nevrale kilder, disse mikrostater kan kvalifisere som grunnleggende blokker av implementering og kan betraktes som "atomer av tanker og følelser"6. Ved hjelp av moderne mønster klassifisering algoritmer, er fire hviler EEG mikrostaten klasser konsekvent observert, var merket klasse A, klasse B, klasse C og klasse D7. Videre avslørte forskere at disse fire mikrostaten klasser av hvile EEG data var tett forbundet med kjente funksjonelle systemer i mange hviler statuser fMRI (funksjonell magnetisk resonans imaging) studier8,9 . Dermed gitt mikrostaten analysen en ny tilnærming for å studere hvile tilstand nettverk (RSNs) av menneskelige hjerne. I tillegg er den gjennomsnittlige varigheten og frekvensen av forekomsten av hver mikrostaten klasse, topografiske form av fire mikrostaten kartene betydelig påvirket av noen hjernen lidelser4,10,11, og er forbundet med væske intelligens12 og personlighet13.
I det andre aspektet, kunne tradisjonelle funksjonelle tilkobling av flerkanals EEG bare beskrive funksjonelle tilkoblinger mellom to hodebunnen elektroder, dermed kunne vurdere globale funksjonelle tilkobling over hodebunnen eller innenfor en bestemt hjernen regionen. Omega kompleksiteten, foreslått av Wackermann (1996)14 og beregnet gjennom en tilnærming kombinere viktigste komponenten analyse (PCA) og Shannon entropi, har vært brukt om å kvantifisere bredbånd globale synkroniseringen mellom romlig distribuert områder av hjernen. For å vurdere omega kompleksiteten i hver frekvensbånd, ble Fourier transform vanligvis gjennomført som et første skritt25.
Mikrostater og omega kompleksitet kan brukes å reflektere to nært knyttet begreper, dvs, temporal kompleksitet og romlig kompleksitet4. Siden mikrostaten klassene representerer visse mentale operasjoner i hjernen, kan de gjenspeiler den temporale strukturen av neuronal svingninger. Lavere varighet og høyere forekomst rate per sekund må angi høyere temporal kompleksitet. Omega kompleksiteten er positivt relatert med antall uavhengige nevrale kilder i hjernen, dermed er vanligvis regnet som en indikator på romlige kompleksitet4.
Gjeldende artikkelen beskriver protokollen for EEG mikrostaten analyse og omega kompleksitet analyse i detalj. EEG mikrostaten og omega kompleksitet analysene tilbyr muligheten til å måle timelige og romlig kompleksiteten i hjerneaktiviteten henholdsvis.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne protokollen ble godkjent av lokale etiske komiteen. Alle deltakerne og deres foreldre signert et samtykke skjema for dette eksperimentet.
1. fag
- Inkluderer bare 15 sunn mannlige ungdom fag, hvis alder varierer fra 14 til 22 år (mener ± standardavvik: 18.3 ± 2,8 år).
Merk: Gjeldende protokollen for å analysere mikrostaten og omega kompleksiteten har blitt utviklet for friske, men er ikke begrenset til denne gruppen bare.
2. EEG datainnspilling
- Spør fag å sitte på en komfortabel stol i et stille, temperaturkontrollerte rom, hvor EEG dataene ble registrert. Samle 20-kanals EEG data ved hjelp av MAUR EEG systemet i denne protokollen.
- Sett hetten på fagene hode.
- I denne studien bruk en lue med middels størrelse, siden det var passende for de fleste halvvoksen eller mannlige fag. For barn, vennligst mål hodet omkretsen av hvert emne, og avgjøre hetten med passende størrelse.
- Plass elektroden Cz på ca 50% av avstanden mellom inion og nasion og 50% av avstanden mellom venstre og høyre Inter aural innrykkene. Plass referanse elektrodene på venstre og høyre mastoid benet, henholdsvis. Plass andre hodebunnen elektrodene på standardplasseringene ifølge international 10-20 systemet.
Merk: En elektrode system og EEG forsterker med 20 kanaler er tilstrekkelig for EEG mikrostaten analyse og omega kompleksitet analyse.
- Fylle alle elektrodene med ledende geleen ved å sette inn en stump nål gjennom elektrodene. Bruk ledende gel for å senke impedansen. Holde alle elektrode impedances lavere enn 10 kiloohms (kΩ).
- I denne perioden tilby noen underholdning for fagene (f.eks show en kort film). Hvis en tørr elektrode eller en saltvann elektrode brukes, kan du hoppe over trinn sprøytebruk ledende geleen.
- Instruere fag å slappe av med øynene lukket under innspillingen, som varer 5 min. Bruk digitalisering programvaren å registrere EEG signal. Bruk en samplingsfrekvens på minst 250 prøver/s. Bruk et Internett-filter bredere enn 0,1 og 80 Hz.
Merk: Selv om de fleste kommersielle tilgjengelig elektrode-forsterker systemer bruker en aktiv elektrode system, som kan forbedre signal til støyforhold EEG signal, ikke plasser dette systemet nær alle elektriske enheter under EEG opptak.
3. EEG Data forbehandling
Merk: EEG data kan være forbehandles med ulike åpen kildekode eller kommersielle. Instruksjonene nedenfor er spesifikke for EEGLAB. Dette er bare én av mange tilgjengelige alternativer for å forhåndsbehandle EEG data.
- Importere EEG rådata til EEG programvare (f.eks EEGLAB) (filen | Importere data | Bruke EEGLAB funksjoner og plugins).
Merk: EEG rådata registrert fra ulike elektrode-forsterker systemer kan bli gjenkjent av EEGLAB, for eksempel EGI, ANT, hjernen visjon opptaker og Neuroscan. - Laste inn filen kanal plassering i EEG programvaren (Rediger | Kanal steder). Selv om datatypen EEG og kanal navn har blitt importert til EEGLAB, importere en kanal plassering i EEG programvare for å få romlige plasseringen av disse elektrodene.
- Fjerne referanse elektrodene (Rediger | Velg data | Merk data i kanalområde). I alternativet "Merke data i kanalområde" i popup dialogboksen, velger du bare innspillingen elektrodene og ikke velger referanse elektrodene slik at referanse elektrodene kan fjernes. Dataene registreres i referanse elektrodene er ikke 'true' hjernen signal, siden disse to elektroder blir plassert på venstre og høyre mastoid benet henholdsvis.
- Band pass filter EEG data mellom 0,5 og 80 Hz (verktøy | Filtrere dataene | Grunnleggende FIR filter [nye, standard]). I popup dialogboksen, Velg 5 for "nedre kant av pass frekvensbåndet (Hz)", og velg 80 for "høyere kanten pass frekvensbåndet (Hz)". Klikk på "Ok".
- Fjern støy som makt linje med støyfilter mellom 49 og 51 Hz (verktøy | Filtrere dataene | Grunnleggende FIR filter [nye, standard]). I popup dialogboksen, Velg 49 for "nedre kant av pass frekvensbåndet (Hz)", og velg 51 for den "høyere kanten pass frekvensbåndet (Hz)", og velg alternativet "Hakk filtrere dataene istedenfor pass bandet". Klikk på "Ok".
- Rett data deler forurenset av øyebevegelser, Elektromyografi (EMG) eller andre ikke-fysiologiske gjenstander med Blind kilde separasjon (BSS) algoritme15. For øyebevegelser, klikk på verktøy | Gjenstand fjerning ved hjelp av AAR 1.3 | EOG fjerning | Bruke BSS; for EMG, verktøy | Gjenstand fjerning ved hjelp av AAR 1.3 | EMG fjerning ved hjelp av BSS.
- Segmentere forhåndsutfylte behandlet kontinuerlig EEG data i epoker, med epoke lengde 2 s. Vil skrive 'EEG = eeg_regepochs (EEG, "gjentakelse", 2, 'grenser", [0 2], 'rmbase', NaN), pop_saveset(EEG)", trykk Enter-tasten på tastaturet. Et vindu vil komme opp som tillater lagring av segmentert EEG dataene.
- Importere segmentert EEG dataene til programmet EEG (filen | Laste inn eksisterende datasett).
- Avvise EEG epoker med amplituden verdier over µV ± 80 på en elektrode (verktøy | Forkaste data epoker | Avvise data [alle metoder]).
- Lagre preprocessed EEG dataene (filen | Lagre gjeldende datasett som).
4. EEG mikrostaten analyse
Merk: En modifisert versjon av den klassiske K-midler klynging algoritmen brukes til mikrostaten klasse analyse16, som inneholder en opp-prosedyre og en opp-bunn-prosedyre. I opp-prosedyren identifiseres gruppenivå mikrostaten klassene av romlige sammenhengen som et klynging kriterium. I prosedyren opp nederst tilordnes hver topografiske kart over hvert emne i hver gruppe EEG mikrostaten klassen med maksimal romlige korrelasjon. For hvile-state EEG mikrostaten analyse ignoreres ofte polariteten til topografiske kart. EEG mikrostaten klasse analyse som kunne gjøres med forskjellige åpen kildekode-programvare, som CARTOOL, sLORETA, EMMA og MapWin. Instruksjonene nedenfor er spesifikke for EEGLAB plugin for mikrostater. Denne EEGLAB plugin kan lastes ned fra https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
- For hvert emne, laste preprocessed EEG dataene (filen | Last eksisterende datasett), konvertere referanse kanaler til felles gjennomsnittlig referanse (verktøy | Nytt referanse), og bandet pass filtrere EEG dataene mellom 2 og 20 Hz (verktøy | Filtrere dataene | Grunnleggende FIR filter [nye, standard]).
- Identifisere fire mikrostaten kartene i hvert emne (verktøy | Mikrostater | identifisere mikrostaten kart). I dialogboksen popup velger 3 for "Min antall klasser", Velg 6 for "maks antall klasser", velge 50 for "antallet omstarter", velge "Maksimalt antall kart bruker" og velg alternativene "GFP peak bare" og "Ingen polaritet". Klikk på "Ok".
- Lagre EEG dataene for hvert emne etter identifisere egen mikrostaten kart (filen | Lagre gjeldende datasett som).
- Importere EEG datasett av alle fag lagret i det siste trinnet samtidig (filen | Laste inn eksisterende datasett).
- Identifisere gruppenivå mikrostaten kart (verktøy | Mikrostater | Gjennomsnittlig mikrostaten kart over datasett). I popup dialogboksen, velger du datasett på alle fag i alternativet "Velg angir for gjennomsnitt". I alternativet "Navnet betyr", kan du gi et navn for gruppenivå mikrostaten kartene. Standardnavnet er "GrandMean". Klikk på "Ok". Dette vil opprette et nytt Figurdatasett benevnt idet "GrandMean", som lagrer gruppenivå mikrostaten kartene.
- Manuelt sortere rekkefølgen til fire gruppenivå mikrostaten kart klassiske rekkefølgen (Plot | Redigere mikrostaten kart). Velg "Mer" i popup-boksen, og deretter antall kart vises blir fire. Velg "Man. sortering". Angi den nye ordren fire gruppenivå mikrostaten kart i dialogboksen popup. Klikk "Lukk".
- Sortere rekkefølgen til fire mikrostaten kart over hvert emne (verktøy | Mikrostater | Sortere personlige mikrostaten kart etter mening).
- Lagre mikrostaten parameterne for hvert emne (verktøy | Mikrostater | Kvantifisere mikrostater i dataset [mener mal kart]), som vil starte to popup dialogbokser sekvensielt.
- I den første dialogboksen, velger du datasett i alle fag. Dialogboks, velg "4 klasser" for alternativet "Nummer av klasser", Velg alternativene "Passer på GFP topper" og "Fjerne potensielt avkuttet mikrostater", Velg 30 for "Etiketten utjevning vinduet (ms)" og velg 1 for "ikke jevne straff". Klikk deretter "Ok". En csv-fil som lagrer mikrostaten parametere lagres på datamaskinen.
5. omega kompleksitet analyse
- Lagre EEG data hver epoke og hvert emne i ASCII- eller txt-format ved hjelp av egendefinerte skript. Et eksempel på den tilpassede skriften for trinn 5.1 fant i supplerende materiale.
Merk: Hvis globale omega kompleksiteten er beregnet, EEG data fra alle hodebunnen elektrodene er nødvendig å eksportere i ASCII- eller txt-format. Hvis regionale omega kompleksiteten beregnes, eksportere bare EEG dataene av elektroder i hodebunnen regionen. For eksempel for å beregne fremre omega kompleksitet, eksportere bare EEG dataene av elektroder i fremre regionen (dvs. Fp1 Fp2, F7, F3, Fz, F4 og F8); for å beregne bakre omega kompleksitet, eksportere bare EEG dataene av elektroder i bakre regionen (dvs. T5 T6, P3, P4, Pz, O1 og O2). - Beregne omega kompleksiteten i alle diskret frekvensene ved hjelp sLORETA programvare17 (verktøy | Global tilkobling). Denne programvaren er tilgjengelig på http://www.uzh.ch/keyinst/loreta.htm.
- Beregne omega kompleksiteten i hver frekvensbånd ved hjelp av egendefinert skript26. I vårt tilfelle, beregne omega kompleksiteten i de følgende åtte frekvensbånd som middelverdien i hver frekvens grensen, som er delta (0,5-3,5 Hz), theta (4-7.5 Hz), alfa-1 (8-10 Hz), alpha2 (10.5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), gamma1 ( 30.5-48 Hz), og gamma2 (52-80 Hz)4. Et eksempel på den tilpassede skriften for trinn 5.3 fant i supplerende materiale.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG mikrostaten
Grand mener normaliserte mikrostaten kart er vist i figur 1. Elektrisk potensielle landskapet av disse fire mikrostaten klassene identifisert her er veldig lik de som finnes i tidligere studier4.
Middelverdi og standardavvik (SD) av mikrostaten parametere for sunn fagene ble vist i tabell 1. Mikrostaten klasse A, forekomst hastigheten var 3.44 ± 1.29 ganger / s, og varigheten var 72 ± 13 ms. For mikrostaten klasse B, forekomst hastigheten var 3,54 ± 0,85 ganger / s, og varigheten var 71 ± 18 ms. For mikrostaten klasse C, forekomst hastigheten var 3.85 ± 0.63 ganger / s , og varigheten var 69 ± 9 ms. For mikrostaten klasse D, forekomst hastigheten var 3.41 ± 0.78 ganger / s, og varigheten var 66 ± 11 ms.
Omega kompleksitet
Verdien (mener ± SD) av globale omega kompleksiteten i hver frekvensbånd i sunn fag ble presentert i tabell 2. Delta bandet var globale omega kompleksiteten 6.39 ± 1,34. Theta band var globale omega kompleksiteten 5.46 ± 0,85. Alfa-1 band var globale omega kompleksiteten 3.47 ± 0,8. Alfa-2 band var globale omega kompleksiteten 3.87 ± 0.70. Beta-1 band var globale omega kompleksiteten 5.36 ± 0.84. Beta-2 band var globale omega kompleksiteten 6.16 ± 0,83. Gamma-1 band var globale omega kompleksiteten 6,95 ± 1.07. Gamma-2 band var globale omega kompleksiteten 6.88 ± 1.39.
Verdien (mener ± SD) av fremre omega kompleksiteten i hver frekvensbånd i sunn fag ble vist i tabell 2. Delta bandet var fremre omega kompleksiteten 4.84 ± 1.7. Theta bandet var fremre omega kompleksiteten 4.23 ± 1.48. Alfa-1 bandet var fremre omega kompleksiteten 3.44 ± 1.09. Alfa-2 band var anterior omega kompleksiteten 3.87 ± 0,97. Beta-1 bandet var fremre omega kompleksiteten 3,74 ± 0,81. Beta-2 band var anterior omega kompleksiteten 2,94 ± 0,59. Gamma-1 bandet var fremre omega kompleksiteten 1,98 ± 0.24. Gamma-2 bandet var fremre omega kompleksiteten 3,02 ± 0,59.
Verdien (mener ± SD) av bakre omega kompleksiteten i hver frekvensbånd i sunn fag ble vist i tabell 2. Delta bandet var bakre omega kompleksiteten 3.71 ± 1.48. Theta bandet var bakre omega kompleksiteten 2.47 ± 0,85. Alfa-1 band var bakre omega kompleksiteten 2.11 ± 0,9. Alfa-2 band var bakre omega kompleksiteten 3.16 ± 1,42. Beta-1 band var bakre omega kompleksiteten 4.32 ± 1,67. Beta-2 band var bakre omega kompleksiteten 3.84 ± 1,04. Gamma-1 band var bakre omega kompleksiteten 2.17 ± 0,37. Gamma-2 band var bakre omega kompleksiteten 2,99 ± 0.53.
Figur 1. Betyr normalisert topografiske kart av fire mikrostaten klasser (A-D) av hvile-state EEG i sunn fag. Mikrostaten klasse A og B har en rett forfra til venstre occipital retning og en venstre frontal høyre occipital orientering, henholdsvis. Mikrostaten klasse C og D har symmetrisk topografi, men prefrontal til occipital retning og frontocentral til occipital retning ble observert, henholdsvis. Klikk her for å se en større versjon av dette tallet.
| Mikrostaten klasser | ||||||||
| A | B | C | D | |||||
| Mener | SD | Mener | SD | Mener | SD | Mener | SD | |
| Forekomsten/s | 3.44 | 1,29 | 3,54 | 0,85 | 3,85 | 0,63 | 3.41 | 0.78 |
| Varighet (ms) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
Tabell 1. Mikrostaten parametere av sunn fag (n = 15). Av mean og standardavviket (SD) for den forekomsten hastigheten og varigheten av fire mikrostaten klasser ble vist i denne tabellen.
| Globale Omega kompleksitet | Fremre Omega kompleksitet | Bakre Omega kompleksitet | ||||
| Frekvensbånd | Mener | SD | Mener | SD | Mener | SD |
| Delta | 6,39 | 1,34 | 4,84 | 1.7 | 3.71 | 1.48 |
| Theta | 5.46 | 0,85 | 4.23 | 1.48 | 2.47 | 0,85 |
| Alfa-1 | 3.47 | 0,8 | 3.44 | 1.09 | 2.11 | 0,9 |
| Alfa-2 | 3.87 | 0,7 | 3.87 | 0,97 | 3.16 | 1.42 |
| Beta-1 | 5.36 | 0.84 | 3,74 | 0,81 | 4.32 | 1,67 |
| Beta-2 | 6.16 | 0,83 | 2.94 | 0,59 | 3.84 | 1.04 |
| Gamma-1 | 6.95 | 1,07 | 1,98 | 0.24 | 2,17 | 0,37 |
| Gamma-2 | 6,88 | 1.39 | 3.02 | 0,59 | 2.99 | 0.53 |
Tabell 2. Globale, fremre og bakre omega kompleksiteten av sunn fag (n = 15). Av mean og standardavviket (SD) for globale, fremre og bakre omega kompleksiteten til de åtte frekvensbånd (delta, theta, alfa-1, alfa-2, beta 1, beta-2, gamma-1, gamma-2) ble vist henholdsvis i denne tabellen.
Tilleggsfiler. For å kjøre skript i dette manuskriptet, åpne skriptene i MATLAB-miljøet og kopiere alt innholdet til kommandovinduet og trykke "Enter". Merk at skriptene bare gjelder våre datasett. Visse endringer er nødvendig når skriptene brukes til andre datasett. Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I denne artikkelen, to typer EEG analytiske metoder (dvs. mikrostaten analyse og omega kompleksitet analyse), måle temporal kompleksitet og romlig kompleksiteten av menneskelige hjerne henholdsvis, ble beskrevet i detalj. Det er flere viktige skritt i protokollen som bør nevnes. EEG dataene må først rengjøres før beregning av mikrostaten og omega kompleksiteten. Dernest bør EEG dataene være remontaged mot gjennomsnittlig referansen før beregning av mikrostaten og omega kompleksiteten. For det tredje må kontinuerlig EEG dataene segmenteres inn epoker før beregning av mikrostaten og omega kompleksiteten. Lengden på hver epoke bør være 2 s. endelig, programvaren som kan brukes i mikrostaten analyse inkluderer Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) og MapWin (http:// www.thomaskoenig.ch/index.php/Software/mapwin). Mikrostaten analyse ble gjennomført ved hjelp av en plugin i EEGLAB i denne studien.
Selv om mikrostaten analyse utført her ble brukt til å hvile EEG dataene, kan det lett brukes til event-relaterte potensial (ERPs), som vil hjelpe oss avdekke mer informasjon om tiden kurs av ulike kognitive operasjoner i kognitiv eksperimenter og gi en referanse-fri tilnærming for å utføre ERP analyse18,19. Notis til hvile tilstand EEG, polariteten til topografiske kart ignorert ofte; for ERPs, bør imidlertid polariteten til topografiske kart ikke bli oversett. En liten begrensning av denne EEG plugin er at det kan bare brukes for hvile tilstand EEG. For ERPs være programvaren Cartool en av de beste valgene. Omega kompleksitet verdien oppnår fra 1 til N. Hvis omega kompleksitet beregnet er 1, en maksimal global funksjonelle tilkobling i en bestemt region i hjernen blir åpenbart. mens hvis omega kompleksitet er lik N, en minimum global funksjonelle tilkobling i en bestemt region i hjernen er funnet. Dermed, hvis vi ønsker å teste statistisk omega kompleksiteten i forskjellige hjernen regioner, må antall elektroder valgt i disse regionene være like, siden antall elektroder kan betydelig påvirke verdien av omega kompleksitet anslått.
For å studere hvile EEG, har forskere utviklet mange EEG teknikker (f.eks makt spektrum analyse, funksjonelle tilkobling analyse)2,3. Sammenlignet med disse tradisjonelle teknikker, drar mikrostaten analyse full nytte av utmerkede timelige oppløsningen på EEG teknikk. Fire identifisert mikrostaten klasser ble funnet å være korrelert med fire godt studert funksjonelle systemer i mange hviler statuser fMRI studier8,20: auditory (mikrostaten A), visual (mikrostaten B), delvis kognitive kontroll og delvis standardmodus (mikrostaten C) og dorsal oppmerksomhet (mikrostaten D). Dermed gitt mikrostaten analysen en ny tilnærming for å studere hvile tilstand nettverk (RSNs) av menneskelige hjerne. Sammenlignet med tradisjonelle EEG teknikker, kan omega kompleksiteten prege globale funksjonelle tilkobling i en bestemt hjernen regionen4. Tradisjonelle funksjonelle tilkobling kan bare beskrive funksjonelle tilkobling mellom to hodebunnen elektroder.
To EEG teknikker har imidlertid flere begrensninger som bør nevnes. For det første eksisterende mikrostaten analysen utføres vanligvis på bredbånd EEG signaler, derfor det tar ikke nytte av rike frekvensen av EEG teknikken. Videre funksjonelle betydningen av disse fire mikrostaten klasser og relaterte beregninger er ikke klart så langt. Dernest kan omega kompleksiteten bare oppdage lineær avhengigheter. Det finner de lineære avhengigheter mellom hodebunnen regioner, som kan kvantifiseres av noen tradisjonelle funksjonelle tilkobling beregninger (f.eks fase-låsing verdi, gjensidig sannsynligheten for informasjon og synkronisering)21,22 ,23.
I fremtiden, bør mikrostaten analysen brukes med kilde lokalisering teknikker (f.eks sLORETA, BESA, Beamforming), som vil betydelig forbedre romlig oppløsning på EEG signaler. Selv om mikrostaten analysen har vært mye brukt i hvile EEG og ERPs, har bare noen få studier brukt denne teknikken tid-frekvens domene. For eksempel Jia et al. 24 foreslått en tilnærming basert på topografiske segmentering analyse optimalt og identifisere automatisk detaljerte tid-frekvens funksjoner. Denne tilnærmingen kan effektivt utnytte den romlige informasjonen oscillasjon aktiviteter. Disse programmene er imidlertid langt fra modne. For omega kompleksitet, er en normalisert omega kompleksitet svært nødvendig, siden omega kompleksitet anslått er avhengig av antall elektroder valgt. I fremtiden bør det brukes tid-frekvensen domenet.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne ikke avsløre.
Acknowledgments
Denne artikkelen ble støttet av National Natural Science Foundation of China (31671141).
Materials
| Name | Company | Catalog Number | Comments |
| ANT 20 channels EEG/ERP system | ASA-Lab, ANT B.V., Netherlands | company web address: http://www.ant-neuro.com/ |
|
| EEGLAB plugin for Microstates | Thomas Koenig | https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins | |
| sLORETA | Roberto D. Pascual-Marqui | http://www.uzh.ch/keyinst/loreta.htm | |
| MATLAB 2010a | The MathWorks Inc. | company web address: http://www.mathworks.com/ |
|
| eeglab | Swartz Center for Computational Neuroscience, University of California, San Diego | https://sccn.ucsd.edu/eeglab/index.php |
References
- Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
- Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
- Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
- Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
- Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
- Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
- Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
- Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
- Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
- Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
- Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912 (2011).
- Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
- Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
- Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
- Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
- Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
- Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
- Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
- Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
- Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
- Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
- Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
- Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
- Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
- Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135 (2005).
- Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124 (2003).
