Name: Aplicações de dados de EEG Neuroimagem: potenciais relacionados a eventos, espectral de potência, e Multiscale Entropia (Vídeo) | JoVE Journal
Uploaded: 2013-06-27T12:00:00.000+00:00
Duration: 11 min 15 s
Description: Aprenda a quantificar a variabilidade de sinais de EEG usando entropia multiescala para análise de processamento neural. Este método captura dinâmicas não lineares que métodos tradicionais de amplitude média e potência espectral podem negligenciar.

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

playerTrialDesktop

1. Aquisição de EEG <ol><li> Explicar os procedimentos experimentais para o participante e obter o consentimento informado. </li><li> Aplicar drop-down eletrodos. Limpe a área do rosto onde eletrodos drop-down será localizado usando um algodão embebido em álcool. </li><li> Coloque a tampa do eletrodo sobre a cabeça do participante. Meça a circunferência da cabeça do participante e escolha o tamanho da tampa adequada. Seguindo o sistema internacionalmente reconhecido 10-20 para colocação dos eletrodos, medir a distância entre nasion para inion ao longo da linha média e dividir por 10%. Usando esse número, mede-se a partir de nasion e marca. Alinhe o eletrodo cap posição Fp com esta marca e puxar a tampa. Certifique-se de que o centro da tampa está alinhado com o nariz. Meça nasion para Cz, e confirmar que esta distância é a metade da distância do nasion para inion. Aperte o barbicha. </li><li> Coloque o gel-cheia seringa sem corte de ponto nos suportes de eletrodos. Para criar uma coluna de gel condutor, comece em contato como couro cabeludo, em seguida, aperte e puxe para trás. Note-se que a aplicação de um excesso de gel pode colmatar os sinais dos eléctrodos vizinhos. </li><li> Fix eletrodos ativos nos suportes de eletrodos. </li><li> Posicione o motivo na frente do monitor a uma distância apropriada para o experimento. Pergunte ao participante a permanecer imóvel, enfatizando a importância de minimizar os movimentos dos olhos e pisca para uma gravação limpa. </li><li> Examine as conexões de eletrodos e qualidade do sinal EEG no computador de aquisição. Verifique se todos os deslocamentos de eletrodos são baixos (&lt;40 mV) e estável. Se houver um problema com um eletrodo particular, tirar essa eletrodo e reaplique gel para ajustar impedâncias naquele site. </li><li> Salve o arquivo e iniciar o experimento. </li></ol> 2. Análise de EEG <ol><li> Após a experimentação, mas antes de extrair a estatística de interesse particular, pré-processar os dados de EEG contínuo para remover artefatos que utilizam os procedimentos padrão de filtragem de umrejeição artefato nd. Cortar o EEG contínuo em épocas correspondentes a cada evento discreto, tal como a apresentação de fotografia. Em cada época, incluem uma janela de pré-estimulação de 100 mseg, como uma linha de base. </li><li> Análise de potenciais eventos relacionados (ERP) capta a actividade cerebral de fase síncrona que é bloqueado para o início do acontecimento. Média entre os ensaios para separar as respostas evocadas do &quot;barulhento&quot; (ou seja, não-fase bloqueado) atividade de fundo. A variabilidade entre os ensaios e entre-sujeitos apresenta um grande desafio para o método de análise de ERP. Para conseguir uma boa relação sinal-ruído do protocolo experimental deve incluir muitos eventos discretos com latências definíveis. Tempo de bloqueio a resposta do cérebro ao aparecimento de um evento marcante e, em seguida, uma média ao longo de muitos eventos como ajuda a reduzir um pouco dessa ruído, no entanto, a sincronia temporal, criado por este procedimento normalmente se dissolve dentro de 1 seg. Identificar os componentes de ERP amplitudes de pico e as latências para cada subjeto (para orientações mais detalhadas sobre a análise ERP, consulte Picton et al., 2000). </li><li> Utilizando a análise de Fourier transforma o sinal de EEG do domínio do tempo para o domínio da frequência e se decompor o sinal em suas ondas sinusoidais compósitos de diferentes frequências de 6. </li><li> Multiescala entropia (EPM) é uma métrica teórico informação que estima a variabilidade dos sinais neuroelectical ao longo do tempo e em várias escalas de tempo. Para fornecer uma representação conceitual de análise MSE, considerar duas formas de onda simuladas, uma onda regular e um mais estocástica. Valores de entropia da amostra são perto de zero para a forma de onda regular e ~ 2,5 para a forma de onda mais variável. Um aumento da entropia amostra corresponde a um aumento na complexidade do sinal, o qual, de acordo com a teoria da informação, pode ser interpretado como um aumento no valor de capacidade de processamento de informação do sistema subjacente 7,16. Recordar que a capacidade de um cérebro não é fixo, mas muda depending no contexto neural 2, ou seja, as regiões do cérebro que venham a ser funcionalmente conectados em um determinado ponto no tempo. </li><li> Para calcular o MSE, usar o algoritmo disponível no <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , que calcula o MSE em duas etapas. </li><li> Primeiro, o algoritmo progressivamente-amostras para baixo da série histórica EEG por tentativa e por condição. Down-amostra da série temporal original para gerar múltiplas séries de tempo de diferentes prazos. Séries temporais 1 é a série de tempo original. Para criar a série temporal dos prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela. Sub-amostragem é semelhante à filtragem passa-baixo, dividindo a frequência de amostragem da escala de tempo irá aproximar a frequência com a qual o sinal é filtrado em passa-baixo para que a escala de tempo específico. A aplicação de um par de MSEgama de frequência cular (por exemplo, alfa: 9 Hz e 12 Hz) pode ser interpretada como representando a composição de ritmos dentro desse intervalo, bem como a interacção entre estas frequências. </li><li> Em segundo lugar, o algoritmo calcula a entropia de amostra para cada série de tempo de granulação grossa 14. Amostra entropia calcula a complexidade de uma série temporal. Numa análise não linear de EEG, supõe-se que uma série de tempos individuais representa a manifestação de um modelo de dinâmica não linear multidimensional subjacente (ver Stam, 2005, para uma revisão). Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente. Parâmetro r (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro do qual os dados aponta umre considerado &quot;match&quot;. Para uma série temporal EEG típico com mais de 100 pontos de dados, defina o parâmetro m igual a 2 eo parâmetro r igual a um valor entre 0,5 e 1 (ver Richman e Moorman, 2000; por um procedimento detalhado sobre a seleção de parâmetros se referem ao Lago et ai., 2002). Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, a contagem do número de vezes primeiro padrão de sequência de três componentes, vermelho-laranja-amarelo, ocorre na série de tempo, existem cinco partidas para esta sequência de três componentes. Continue com as mesmas operações para a próxima seqüência de dois componentes (amarelo-laranja) e na próxima seqüência de três componentes (laranja-amarelo-verde) da série temporal. O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estes sequencialmenteces são adicionados aos valores anteriores (total de jogos de dois componentes = 15; totais jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N - m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo. </li></ol>

<ol><li>Bressler, S. L. Event-related potentials. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBressler%2C+SL+%22The+Handbook+of+Brain+Theory+and+Neural+Networks%22">The Handbook of Brain Theory and Neural Networks</a>. Arbib, M. A. , MIT Press. Cambridge, MA. 412-415 (2002).</li>
<li>Bressler, S. L., McIntosh, A. R. The role of neural context in large-scale neurocognitive network operations. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBressler%2C+SL+%22Springer+Handbook+on+Brain+Connectivity%22">Springer Handbook on Brain Connectivity</a>. Jirsa, V. K., McIntosh, A. R. , Springer. New York. 403-419 (2007).</li>
<li>Buzsaki, G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBuzsaki%2C+G+%22Rhythms+of+the+brain%22">Rhythms of the brain</a>. , Oxford University Press. (2006).</li>
<li>Costa, M., Goldberger, A., Peng, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiscale+entropy+analysis+of+biological+signals%5BTitle%5D)+AND+%22Phys.+Rev.+E%22%5BJournal%5D)">Multiscale entropy analysis of biological signals.</a> Phys. Rev. E. 712, 1-18 (2005).</li>
<li>Deco, G., Jirsa, V., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Emerging+concepts+for+the+dynamical+organization+of+resting-state+activity+in+the+brain%5BTitle%5D)+AND+%22Nat.+Rev.+Neurosci%22%5BJournal%5D)">Emerging concepts for the dynamical organization of resting-state activity in the brain.</a> Nat. Rev. Neurosci. 12, 43-56 (2011).</li>
<li>Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+labile+brain.+I.+Neuronal+transients+and+nonlinear+coupling%5BTitle%5D)+AND+%22Philos.+Trans.+R.+Soc.+Lond.+B.+Biol.+Sci%22%5BJournal%5D)">The labile brain. I. Neuronal transients and nonlinear coupling.</a> Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).</li>
<li>Gatlin, L. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGatlin%2C+L+%22Information+Theory+and+the+Living+System%22">Information Theory and the Living System</a>. , Columbia University Press. New York. (1972).</li>
<li>Heisz, J. J., Shedden, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Semantic+learning+modifies+perceptual+face+processing%5BTitle%5D)+AND+%22Journal+of+Cognitive+Neuroscience%22%5BJournal%5D)">Semantic learning modifies perceptual face processing.</a> Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).</li>
<li>Heisz, J. J., Shedden, J. M., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relating+brain+signal+variability+to+knowledge+representation%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Relating brain signal variability to knowledge representation.</a> NeuroImage. 63, 1384-13 (2012).</li>
<li>Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sample+entropy+analysis+of+neonatal+heart+rate+variability%5BTitle%5D)+AND+%22Am.+J.+Physiol.+Regul.+Integr.+Comp.+Physiol%22%5BJournal%5D)">Sample entropy analysis of neonatal heart rate variability.</a> Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).</li>
<li>Lobaugh, N. J., West, R., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatiotemporal+analysis+of+experimental+differences+in+event-related+potential+data+with+partial+least+squares%5BTitle%5D)+AND+%22Psychophysio%22%5BJournal%5D)">Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares.</a> Psychophysio. 38, 517-530 (2001).</li>
<li>McIntosh, A. R., Kovacevic, N., Itier, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increased+brain+signal+variability+accompanies+behavioral+variability+in+development%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Increased brain signal variability accompanies behavioral variability in development.</a> PLoS Computational Biology. 4, 7(2008).</li>
<li>Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+for+using+human+event-related+potentials+to+study+cognition%3A+Recording+standards+and+publication+criteria%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria.</a> Psychophysiology. 37, 127-152 (2000).</li>
<li>Richman, J. S., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physiological+time+series+analysis+using+approximate+entropy+and+sample+entropy%5BTitle%5D)+AND+%22Am.+J.+Physiol.+Heart+Circ+Physiol%22%5BJournal%5D)">Physiological time series analysis using approximate entropy and sample entropy.</a> Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).</li>
<li>Rossion, B., Jacques, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Does+physical+interstimulus+variance+account+for+early+electrophysiological+face+sensitivity+responses+in+the+human+brain%3F+Ten+lessons+on+the+N170%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170.</a> NeuroImage. 39, 1959-1979 (2008).</li>
<li>Shannon, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Mathematical+Theory+of+Communication%5BTitle%5D)+AND+%22The+Bell+System+Technical+Journal%22%5BJournal%5D)">A Mathematical Theory of Communication.</a> The Bell System Technical Journal. 27, 379-423 (1948).</li>
<li>Stam, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nonlinear+dynamical+analysis+of+EEG+and+MEG%3A+review+of+an+emerging+field%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">Nonlinear dynamical analysis of EEG and MEG: review of an emerging field.</a> Clinical Neurophysiology. 116, 2266-2301 (2005).</li>
<li>Vakorin, V. A., McIntosh, A. R. Mapping the multi-scale information content of complex brain signals. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVakorin%2C+VA+%22Principles+of+Brain+Dynamics%3A+Global+State+Interactions%22">Principles of Brain Dynamics: Global State Interactions</a>. Rabinovich, M. I., Friston, K. J., Varona, P. , The MIT Press. (2012).</li>
</ol>

Não há conflitos de interesse declarados.

O objetivo do presente artigo foi apresentar uma descrição conceitual e metodológica de entropia multiescala (MSE), que se aplica aos dados de neuroimagem EEG. EEG é uma técnica não-invasiva neuroimagem poderoso que mede a actividade da rede neural com a alta resolução temporal. O sinal de EEG reflecte a actividade pós-sináptica de populações de células piramidais no córtex, cujas respostas colectivas são modificados por diversas ligações reentrantes de excitação e de inibição. Assim, existem várias maneiras de analisar os dados de EEG e cada método extrai um aspecto único dos dados. Discutimos dois métodos comuns de análise: potencial (ERP) de análise relacionados ao evento e análise espectral de potência. Análise ERP capta a actividade neuronal síncrono no sinal EEG, que é de bloqueio de fase para o aparecimento de um evento discreto. ERPs refletir específico perceptual, motor ou operações cognitivas, fazendo com que esta estatística ideal para a análise de especificaçõesestágios de processamento ific. Análise espectral de potência quantifica a contribuição relativa de uma determinada freqüência para o sinal de EEG. Vários loops de feedback excitatórios e inibitórios interagir para arrastar a atividade de populações neuronais em uma determinada freqüência de 1,3. Essa sincronia entre as regiões cerebrais diferentes é pensado para promover a ligação da informação através de redes neurais generalizadas. Há uma rica literatura de apoio à ligação entre o poder dentro de uma faixa de freqüência específica e um estado emocional ou cognitivo específico da função 3. Ao analisar EEG também é importante ter em mente que as redes neurais são sistemas complexos com dinâmica não-linear. Tal complexidade se reflete no sinal de EEG como oscilações irregulares que não são consequência de ruído de fundo sem sentido. Como atividade oscilatório síncrona, as interações entre os vários ciclos de reentrada excitatórios e inibitórios causar gripe passageiractuations no sinal do cérebro ao longo do tempo 6. Tais transientes são acreditados para reflectir transições ou bifurcações entre micro-rede que podem ser usados ​​para estimar o grau de liberdade ou a complexidade da rede subjacente, uma maior variabilidade no padrão de amplitude do sinal ao longo do tempo é um indicativo de um sistema mais complexo 5. Criticamente, ERP ou análise espectral de potência não são sensíveis a essa atividade irregular, enquanto MSE é. Além disso, um índice de complexidade da rede não pode ser obtida, contando simplesmente o número de regiões cerebrais activos como tal método é cega às interacções recorrentes transientes e dinâmica entre as regiões do cérebro. Métodos complementares de neuroimagem análise se combinam para criar um quadro completo da atividade neural subjacente. A interpretação dos resultados das aplicações mais tradicionais de dados de neuroimagem, tais como ERP e espectral de potência, são aumentadas por medidas de complexidade como o MSE; MSE fornece uma maneira de capturar a seqüência de mudanças nos padrões espaço-temporais de atividade cerebral em várias escalas de tempo que contribui para um funcionamento cognitivo específico. Aplicando MSE para conjuntos de dados novos e existentes podem fornecer mais informações sobre a forma como a cognição emerge da dinâmica de redes neurais.

Os recentes avanços na neuroimagem têm aumentado dramaticamente nossa compreensão da função cerebral. No entanto, muitas das aplicações de dados neuroimagem tendem a reforçar o ponto de vista do cérebro em estados estáticos, em detrimento operações cognitivas como elas se desenvolvem em tempo real. Por conseguinte, pouco se sabe sobre a estrutura do espaço-tempo de redes cerebrais e como a sequência de alterações nos padrões espaço-temporais em várias escalas de tempo contribui para um funcionamento cognitivo específico. O presente artigo descreve a entropia multiescala (MSE) 5, uma nova ferramenta analítica para neuroimagem de dados que analisa a complexidade do padrão espaço-temporal subjacente operações cognitivas específicas, fornecendo informações sobre a forma como diferentes geradores neurais em uma rede funcional do cérebro se comunicam através de múltiplas escalas de tempo. Derivado da teoria da informação, um ramo da matemática aplicada 7,16, MSE foi originally concebido para analisar a complexidade de electrocardiogramas 4. Em teoria, o MSE poderia ser utilizado para analisar a complexidade de qualquer série de tempo, o requisito primário é que as séries de tempo do sinal contém pelo menos 50 pontos de tempo contínuo de dados. No entanto, a escala de tempo de dependência e sensibilidade à dinâmica lineares e não lineares dos dados pode fazer MSE particularmente informativa da dinâmica de rede neural. Aqui, vamos nos concentrar sobre a aplicação da MSE de eletroencefalograma (EEG) de dados de neuroimagem 9,12. EEG é uma técnica de neuroimagem não invasivo pelo qual eletrodos que são colocados no couro cabeludo capturar as respostas pós-sinápticas das populações de neurônios no neocórtex 1. Com alta resolução temporal, EEG facilmente se encontra com o comprimento de séries temporais requisito de MSE sem alterar o protocolo de aquisição típico. Para sublinhar a utilidade da aplicação do MSE para dados de EEG, que compara este método inovador com abordagens mais tradicionais including poder potencial e espectral relacionados ao evento. Quando utilizados em conjunto, esses métodos de análise complementares fornecer uma descrição mais completa dos dados que podem levar a uma maior visão das operações de rede neural que dão origem a cognição.

<table><tbody><tr><td>EEG </td><td>BioSemi</td><td></td><td></td></tr></tbody></table>

aplicações de dados de eeg neuroimagem: potenciais relacionados a eventos, espectral de potência, e multiscale entropia

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Ao considerar os dados de neuroimagem humanos, uma valorização da variabilidade do sinal representa uma inovação fundamental na forma como pensamos sobre o sinal do cérebro. Normalmente, os investigadores representam a resposta do cérebro como a média entre os ensaios experimentais repetidas e desconsiderar flutuações de sinal ao longo do tempo como &quot;ruído&quot;. No entanto, torna-se claro que a variabilidade do sinal do cérebro transmite informações funcional significativo sobre a dinâmica de redes neurais. Este artigo descreve o novo método de entropia multiescala (MSE) para quantificar a variabilidade do sinal do cérebro. MSE pode ser particularmente informativo da dinâmica de rede neural, porque mostra dependência prazo e sensibilidade à dinâmica linear e não linear dos dados.

As figuras 1A e 2A representam o sinal de EEG em resposta à apresentação de uma imagem de face de. Média transversalmente como ensaios produz uma onda de ERP, que consiste de uma série de desvios positivos e negativos chamados de componentes de ERP. Figura 1B ilustra uma forma de onda média em um único assunto e Figura 6A ilustra uma forma de onda média de mil por um grupo de indivíduos. Há uma rica literatura que relaciona cada componente ERP a um determinado perceptual, motor, ou funcionamento cognitivo. Por exemplo, o N170 é um desvio negativo que picos em aproximadamente 170 ms início de pós-estímulo e está envolvida no processamento de rosto 8,15. A Figura 2B ilustra a decomposição desse mesmo sinal de EEG em bandas de frequências dos componentes. Os resultados da análise espectral de potência revelar o conteúdo de frequência do sinal (Figura 2C), em queum aumento na potência com uma frequência reflecte um aumento na presença de que o ritmo dentro do sinal de EEG. Como poder espectral, MSE é sensível à complexidade dos componentes que contribuem para a oscilatórios sinal. No entanto, ao contrário de potência espectral, MSE também é sensível às interações entre os componentes de freqüência (ou seja, a dinâmica não-linear 18). A complexidade de um sinal de EEG é representada como uma função da entropia da amostra (Figura 5), ao longo de várias escalas de tempo (Figura 4). Tal como ilustrado na Figura 3, a amostra é entropia baixa para sinais normais e aumenta com o grau de aleatoriedade de sinal. Ao contrário de medidas de entropia tradicionais que aumentam com grau de aleatoriedade, multiscale entropia é capaz de diferenciar sinais complexos de ruído branco por considerar entropia em várias escalas de tempo. Por exemplo, Costa et al., 2005, em comparação multiscale valores entropia fou não correlacionado (branco) contra o ruído correlacionado (rosa) de ruído. Enquanto amostra entropia foi maior para o ruído branco do que o ruído rosa na fina escala de tempo, o oposto foi observado em mais grosseiras prazos 5-20. Em outras palavras, quando a entropia foi considerada em várias escalas de tempo, a verdadeira complexidade dos sinais foi representada com mais precisão do que seria se apenas uma única escala de tempo foi considerado. Dependendo das dinâmicas temporais de um contraste específica, os efeitos de condição pode ser expressa: 1) da mesma forma em todas as escalas de tempo, 2) em algumas escalas de tempo, mas não a outra, ou 3), os efeitos do cruzamento em que o contraste é diferente em finos contra grosseira prazos. A Figura 6 mostra as diferenças de condição em ERP (Figura 6A), potência espectral (Figura 6B), MPE (Figura 6C) contrastando as apresentações iniciais contra repetição da cara fotografias 9. Neste exemplo, todas as medidas convergiram para revelarNo mesmo sentido, no entanto, a diminuição observada na amostra de entropia que acompanha cara repetição é importante, uma vez que restringe a interpretação dos resultados. Uma diminuição na complexidade sugere que a rede funcional subjacente é mais simples e menos capaz de processar a informação. A Figura 7 mostra os resultados estatísticos de análise multivariada de mínimos quadrados parciais de 11 aplicados ao ERP, potência espectral e MSE. O experimento manipulou a familiaridade associados a diferentes faces (Heisz et al., 2012). O contraste (gráfico de barras) mostra que o ERP amplitude distinguido novos rostos a partir de rostos familiares, mas não entre as caras conhecidas que variaram em quantidade de exposição prévia. Espectral de potência distinguido enfrenta acordo com familiaridade adquirida, mas não distinguir com precisão entre as faces de familiaridade média e baixa. MSE foi mais sensível às diferenças de condições no que a amostra de entropia valores cada vezed com o aumento da familiaridade face. As parcelas imagem captura a distribuição espaço-temporal do efeito condição em todos os eletrodos e tempo / freqüência / calendário. Este exemplo demonstra uma situação em que a análise de EEG por MSE produziu informação única que não foi obtido utilizando os métodos tradicionais de ERP ou de potência espectral. Esta divergência de MSE sugere que as condições são diferentes no que diz respeito aos aspectos não-lineares de suas dinâmicas de rede, possivelmente envolvendo as interações entre os vários componentes de freqüência. <img alt="Figura 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figura 1. D) As respostas de EEG de um único objecto, como uma função da amplitude da deflexão a partir da linha de base para cada ensaio, em função do tempo a partir do início do ensaio. Cada teste consistiu na apresentação de uma fotografia de uma imagem da face de. Deflexões amplitude positiva são descritos emvermelho; desvios de amplitude negativos são representados em azul. Todos os ensaios mostram um desvio positivo em torno de 100 ms e 250 ms, indicando relacionados ao evento de bloqueio de fase atividade. B) Calculando a média em todos os ensaios descritos na Figura 1A produz uma onda de ERP médio com desvios positivos e negativos distintas chamadas componentes relacionados ao evento e nomeado de acordo com uma nomenclatura padrão. Por exemplo, P1 é o primeiro componente positivo indo, e N170 é um componente negativa que picos a cerca de 170 mseg início pós-estímulo. <img alt="Figura 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figura 2. A) A resposta EEG de um único assunto para um único julgamento plotagem amplitude de tempo (em pontos de dados, taxa de amostragem de 512 Hz). B) A resposta EEG da Figura 2A banda filtrada para isolar faixas de freqüência delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gama (&gt; 30 Hz). C), a densidade de potência espectral do EEG de resposta representada na Figura 2A que representa a composição do sinal em função do poder de frequência de frequência. Um aumento na potência espectral em uma freqüência particular reflete um aumento no número de neurônios de forma síncrona ativos arrastadas dentro dessa faixa de freqüência particular. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">Clique aqui para ver a figura maior</a> . <img alt="Figura 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figura 3 A) Duas formas de onda simuladas:.. Uma onda regular ou previsível representado em roxo, e uma forma de onda mais estocástico representado em preto B) valores de entropia amostra de duas formas de onda simuladas para os três primeiros prazos. Amostra entropy é baixa para sinais altamente previsíveis do que os sinais mais estocásticos. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Clique aqui para ver a figura maior</a> . <img alt="Figura 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> Figura 4. Down-amostragem da série e hora original gera várias séries de tempo de diferentes prazos. Timescale 1 é a série de tempo original. A série temporal de escala de tempo 2 é criado através da divisão do tempo original em série não sobrepostos janelas de comprimento e 2 pontos médios de dados dentro de cada janela. Para gerar a série temporal de prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela. <img alt="Figura 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figura 5. Uma forma de onda simulada onde cada retângulo representa um único ponto de dados da série histórica. Amostra entropia estima a variabilidade de uma série temporal. Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente, R (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro da qual os pontos de dados são considerados &quot;corresponder&quot;. Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, contar o número de vezes que primeiro padrão seqüência de três componentes, vermelho-laranja-gritoow, ocorre na série histórica, há 5 jogos para esta seqüência de três componentes. Continuar dessa maneira para a próxima seqüência de dois componentes (amarelo-laranja) e três componentes de seqüência (laranja-amarelo-verde). O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estas sequências são adicionados aos valores anteriores (total de dois componentes jogos = 15, total de jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N - m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo. <img alt="Figura 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figura 6. Diferenças condição em ERP (A), potência espectral (B),MSE (C) contrastando as apresentações iniciais contra repetida de fotografias faciais. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Clique aqui para ver a figura maior</a> . <img alt="Figura 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figura 7. Contrastando a resposta ao EEG rostos aprendidas através de medidas de ERP, espectral de potência, e multiscale entropia. Os gráficos de barras retratam o contraste entre as condições, conforme determinado pela análise de mínimos quadrados parciais 11. O enredo imagem destaca a distribuição espaço-temporal em que esse contraste era mais estável, conforme determinado pelo bootstrapping. Os valores representam ~ z pontuações e valores negativos indicam significância para o efeito condição inversa. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Clique aqui para ver a figura maior</a> .

Neuroimagem pesquisadores geralmente consideram a resposta do cérebro como a atividade média entre os ensaios experimentais repetidas e desconsiderar a variabilidade do sinal ao longo do tempo como &quot;ruído&quot;. No entanto, torna-se claro que não há sinal de que o ruído. Este artigo descreve o novo método de multiescalar entropia para quantificar a variabilidade do sinal do cérebro no domínio do tempo.

Aplicações de dados de EEG Neuroimagem: potenciais relacionados a eventos, espectral de potência, e Multiscale Entropia

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

O objetivo geral deste procedimento é quantificar a variabilidade de uma série temporal de EEG e relacionar essa variabilidade à capacidade de processamento de informação do sistema neural subjacente. Isso é realizado primeiramente obtendo gravações de EEG de alta qualidade da resposta cerebral. O segundo passo é pré-processar os dados para remover quaisquer artefatos.Em seguida, são extraídas as estatísticas de interesse. Aqui, contrastaremos a aplicação inovadora da entropia multi-escala com métodos mais tradicionais de amplitude média e potência espectral. O passo final é analisar a significância estatística dos resultados e interpretar os dados.Esta etapa pode ser facilitada pelo uso de abordagens multivariadas baseadas em dados, como a análise de mínimos quadrados parciais. Em última instância, a entropia multiescalar é utilizada para demonstrar como uma sequência de alterações no padrão espaço-temporal em múltiplas escalas de tempo contribui para operações cognitivas específicas. A vantagem do uso da EMC em comparação com métodos existentes, como amplitude média ou potência espectral, é que a EMC é sensível às não linearidades nos dados.Essas dinâmicas não lineares refletem transições ou bifurcações entre os microestados de uma rede, o que é importante para a troca de informações em uma rede distribuída de regiões cerebrais. Demonstrará este procedimento Christina Backer do laboratório de ERP no Rotman Research Institute. Primeiro, explique os procedimentos experimentais ao participante e obtenha o consentimento informado.Limpe a área onde os eletrodos de captação serão colocados utilizando um cotonete com álcool. Coloque um pouco de gel no eletrodo. Retire os papéis do lado que ficará em contato com a pele e posicione os eletrodos no participante para identificar artefatos de movimento ocular.Coloque um eletrodo na junção lateral da pálpebra superior e inferior. Coloque outro eletrodo no centro da borda orbitária, aproximadamente um centímetro abaixo do olho e alinhado com a pupila. Repita o procedimento para o outro olho.Meça a circunferência da cabeça do participante e escolha o tamanho apropriado do capuz de eletrodos seguindo o sistema internacionalmente reconhecido 10-20. Para o posicionamento dos eletrodos, meça a distância de Indian Ian ao longo da linha média e divida por 10%. Usando esse número, meça a partir do NAS para cima e marque.Alinhe a posição do capuz do eletrodo FP com esta marca e puxe o capuz para trás. Certifique-se de que o centro do capuz esteja alinhado com o nariz. Meça a distância de nasn até cz e confirme que essa distância é metade da distância de NAS até Indian.Em seguida, aperte a tira sob o queixo e coloque gaze sob a tira, se necessário, para maior conforto. Agora, insira a seringa de ponta romba cheia de gel nos suportes dos eletrodos para criar uma coluna condutiva de gel. Inicie em contato com o couro cabeludo, depois pressione e puxe para trás.Observe que a aplicação de gel em excesso pode causar ponte entre os sinais de eletrodos vizinhos. Em seguida, fixe os eletrodos ativos nos suportes dos eletrodos. Depois, posicione o sujeito em frente ao monitor à distância apropriada.Para o experimento, peça ao participante que permaneça imóvel, enfatizando a importância de minimizar movimentos oculares e piscadas. Para uma gravação limpa, examine as conexões dos eletrodos e a qualidade do sinal de EEG no computador de aquisição. Se houver um problema com um eletrodo específico, remova esse eletrodo e reaplique gel para ajustar as impedâncias nesse local após o experimento, mas antes de extrair a estatística de interesse.Pré-processe os dados contínuos de EEG para remover artefatos utilizando procedimentos padrão de filtragem e rejeição de artefatos. A análise do potencial relacionado a eventos capta a atividade cerebral síncrona que está travada em fase com o início de um estímulo. Trave no tempo a resposta cerebral ao início de um evento saliente e, em seguida, faça a média ao longo de muitos eventos semelhantes. Para aumentar a relação sinal-ruído, identifique a amplitude de pico e a latência do componente ERP para cada sujeito. A potência espectral quantifica a contribuição relativa de uma frequência para um sinal de EEG específico.Utilize a análise de Fourier para transformar o sinal de EEG do domínio do tempo para o domínio da frequência e decompor o sinal em suas ondas senoidais componentes de diferentes frequências. A entropia multiescala é uma métrica baseada na teoria da informação que captura a variabilidade dos sinais neuroelétricos ao longo do tempo e em múltiplas escalas de tempo. Utilize o algoritmo disponível no PhysioNet para calcular a entropia multiescala em duas etapas.No primeiro passo, reduza progressivamente. Amostre o sinal para cada escala temporal de ensaio e condição. Um representa o sinal original.Crie escalas de tempo subsequentes dividindo primeiro o sinal original em janelas não sobrepostas com o comprimento da escala de tempo. Em seguida, calcule a média dos pontos de dados dentro de cada janela. Por exemplo, para criar a escala de tempo dois, faça a média conjunta.Os dois primeiros pontos, os dois próximos pontos, e assim por diante. Para criar a escala temporal três, calcule a média dos três primeiros pontos, dos três próximos pontos e assim por diante. Ao representar o sinal original em várias escalas temporais, é possível analisar processos neurais que podem estar ocorrendo em diferentes taxas.O segundo passo calcula a entropia amostral para cada série temporal granulada. Isso fornece uma estimativa da complexidade da resposta cerebral nas diferentes escalas de tempo.Sinais regulares possuem entropia amostral menor do que sinais mais estocásticos. Neste exemplo, o comprimento do padrão M é definido como dois. Isso significa que a série temporal será representada como uma razão entre correspondências de sequências de dois e três pontos.O parâmetro R é o critério de similaridade. Pontos de dados que estão dentro desse intervalo de amplitude possuem valores semelhantes e, portanto, são considerados correspondentes. Para obter detalhes sobre a definição dos parâmetros, consulte o protocolo textual para calcular a entropia da amostra dessa série temporal simulada.Inicie com os dois primeiros componentes. Padrão de sequência, vermelho laranja, conte primeiro o número de vezes que o padrão de sequência vermelho laranja ocorre na série temporal. Há 10 ocorrências para este caso.Sequência de dois componentes. Em seguida, conte o número de vezes que os três primeiros componentes. Padrão da sequência, vermelho, laranja, roxo ocorre na série temporal.Existem cinco correspondências para isso. Três componentes em sequência. Continue com as mesmas operações para as próximas duas sequências de componentes, laranja, roxo, e as próximas três sequências de componentes, laranja, roxo, verde da série temporal.Some o número de correspondências de dois componentes e de três componentes para essas sequências aos valores anteriores. Repita para todas as demais correspondências de sequências na série temporal para determinar a razão total de correspondências de dois componentes para correspondências de três componentes. A entropia de amostra é o logaritmo natural dessa razão.Esses dados mostram diferenças de condição na potência espectral e na entropia do PEAF ao comparar a apresentação inicial com a repetida de fotografias faciais. Neste exemplo, todas as medidas convergiram para revelar o mesmo efeito de redução na entropia amostral que acompanha a repetição do rosto. Essa diminuição na complexidade sugere que a rede funcional envolvida é mais simples e processa menos informações.Esses resultados estatísticos são derivados da análise multivariada de mínimos quadrados parciais da potência espectral de ERP e da entropia multiescala para rostos associados a diferentes níveis de familiaridade. O contraste mostra que a amplitude de ERP distinguiu rostos novos de rostos familiares, mas não entre os rostos familiares que variavam na quantidade de exposição prévia. A potência espectral distinguiu os rostos de acordo com a familiaridade, mas não distinguiu com precisão entre rostos de baixa e média familiaridade.A entropia multiescala foi a mais sensível às diferenças entre as condições. Os valores de entropia de amostra aumentaram com o aumento da familiaridade com o rosto. Esses gráficos de imagem capturam a distribuição espaciotemporal do efeito da condição.Curiosamente, a entropia multiescala revelou informações únicas que não foram obtidas por meio das análises mais tradicionais de potenciais relacionados a eventos ou da potência espectral. Essa divergência da entropia multiescala sugere que as condições diferem quanto a aspectos não lineares de sua dinâmica em rede, possivelmente envolvendo as interações entre bandas de frequência. Essa nova ferramenta analítica nos ajuda a capturar informações inéditas sobre a dinâmica das redes neurais, contribuindo para afastar-nos da caracterização da função mental em termos de estados estáticos e avançar rumo à compreensão da evolução fluida dos processos associados à cognição humana.

applications-eeg-neuroimaging-data-event-related-potentials-spectral

Research

JoVE Journal

Neuroscience

Neurociência

Nós apresentamos um método de coleta de sinais eletrocorticográfica para fins de pesquisa de seres humanos que são submetidos a monitorização invasiva epilepsia. Nós mostramos como usar a plataforma de software BCI2000 para coleta de dados, processamento de sinal e apresentação do estímulo. Especificamente, nós demonstramos Sigfried, uma ferramenta BCI2000 baseado em tempo real de mapeamento cerebral funcional.

Gravação Humanos eletrocorticográfica (ECOG) Sinais para pesquisa neurocientífica e mapeamento em tempo real Funcional Cortical

Fonte: Papadelis, C., , et al., Oscilações Interictais de Alta Frequência Detectadas com Magnetoencefalografia e Eletroencefalografia Simultâneas como Biomarcador de Epilepsia Pediátrica. J. Vis. Exp.{TAG_ 27}} (2016).  Este vídeo demonstra o método de uso de registros de eletroencefalografia (EEG) e magnetoencefalografia (MEG) para identificar descargas epileptiformes interictais (IEDs) e oscilações de alta frequência (HFOs) para localizar regiões propensas a convulsões no cérebro.

 Eletroencefalografia e magnetoencefalografia simultâneas para identificar regiões cerebrais propensas a convulsões 

O uso dos potenciais de EEG relacionados a eventos (ERPs), investigamos os efeitos das medicações antipsicóticas sobre ativações cerebrais anormais semânticas em indivíduos saudáveis ​​com traços esquizotípicas. Usamos ERPs para acompanhar as mudanças distintas na atividade cerebral, derramando visão sobre os processos cognitivos associados à categorização semântica.

Investigando os efeitos dos antipsicóticos e esquizotipia no N400 Usando Potenciais relacionados a eventos e Categorização Semântica

A eletroencefalografia de alta densidade (dEEG) está sendo cada vez mais usada para estudar o desenvolvimento e a plasticidade do cérebro nos primeiros anos de vida. Aqui apresentamos uma aplicação de técnicas de análise sofisticadas que se baseiam na gravação tradicional de EEG para entender a dinâmica oscilatória do processamento auditivo rápido no cérebro infantil.

Processamento Auditivo infantil e oscilações cerebrais relacionados a eventos

Estereotáxica eletroencefalografia (EEG) é uma técnica cirúrgica utilizada na cirurgia de epilepsia para ajudar a localizar apreensão focos. Ele também oferece uma oportunidade única de investigar a função cerebral. Aqui descrevemos como EEG pode ser utilizado para investigar os processos cognitivos em sujeitos humanos.

Investigar a função do Deep Cortical e estruturas subcorticais Usando estereotáxica Eletroencefalografia: Lições da Cortex cingulado anterior

Este manuscrito descreve uma abordagem para medir a atividade neural dos seres humanos ao mesmo tempo resolver problemas de engenharia espacialmente focalizados. A metodologia eletroencefalograma ajuda a interpretar as medições de ondas cerebrais beta em termos de eficiência neural, com o objectivo de permitir, em última instância comparações de desempenho da tarefa, tanto entre os tipos de problemas e entre os participantes.

Utilizando Medidas Eletroencefalografia para Comparação de Eficiência Neurais Task-específicos: Tarefas Spatial Intelligence

Apresentamos dois protocolos analíticos que podem ser usados para analisar os dados de eletroencefalografia intracraniana usando o software de mapeamento estatístico paramétrico (SPM): análise tempo-frequência estatística paramétrica mapeamento para atividade neural e dinâmica causal modelagem de respostas induzidas por conectividade intra e inter regional.

Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com SPM Software

As técnicas padrão de análise do EEG oferecem uma visão limitada da função do sistema nervoso. Derivar modelos estatísticos de conectividade cortical oferece capacidade muito maior para investigar a dinâmica de rede subjacente. A avaliação funcional melhorada abre novas possibilidades de diagnóstico, prognóstico e previsão de resultados em doenças do sistema nervoso.

Modelagem estatística da conectividade cortical usando eletroencefalogramas não invasivos

Este protocolo fornece um programa MATLAB compilado de código aberto que gera espectrogramas multitaper para dados eletroencefalográficos.

Programa multitaper spectrograma baseado em computador para dados eletroencefalográficos

Métodos eEG são aplicados para extrair biomarcadores de disfunções cerebrais. O foco está nos potenciais relacionados a eventos multicanais (ERPs) registrados em uma tarefa GO/NOGO. Artefatos não cerebrais são corrigidos e os ERPs são comparados com os dados normativos. Exemplos referem-se a biomarcadores para diagnóstico de TDAH e previsão de resposta a medicamentos.

Potenciais Relacionados a Eventos (ERPs) e outros métodos baseados em EEG para extrair biomarcadores de disfunção cerebral: Exemplos do Transtorno de Déficit de Atenção Pediátrica/Hiperatividade (TDAH)

Aprenda a quantificar a variabilidade de sinais de EEG usando entropia multiescala para análise de processamento neural. Este método captura dinâmicas não lineares que métodos tradicionais de amplitude média e potência espectral podem negligenciar.

Aplicações de dados de EEG Neuroimagem: potenciais relacionados a eventos, espectral de potência, e Multiscale Entropia

Explorar mais vídeos