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

O objetivo geral deste procedimento é quantificar a variabilidade de uma série temporal de EEG e relacionar essa variabilidade com a capacidade de processamento de informações do sistema neural subjacente. Isso é feito adquirindo primeiro gravações de EEG de alta qualidade da resposta do cérebro. A segunda etapa é pré-processar os dados para remover quaisquer artefatos.

Em seguida, as estatísticas de interesse são extraídas. Aqui, contrastaremos a nova aplicação da entropia multiescala com métodos mais tradicionais de amplitude média e potência espectral. A etapa final é analisar a significância estatística dos resultados e interpretar os dados.

Esta etapa pode ser facilitada usando abordagens multivariadas baseadas em dados, como a análise do quadrado de locação parcial. Em última análise, a entropia multiescala é usada para mostrar como uma sequência de mudanças no padrão espaço-temporal em várias escalas de tempo contribui para operações cognitivas específicas. A vantagem de usar o MSC em relação aos métodos existentes, como amplitude média ou potência de espectro, é que o MSC 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. Demonstrando esse procedimento estará Christina Backer, do laboratório ERP do Rotman Research Institute. Primeiro, explique os procedimentos experimentais ao participante e obtenha o consentimento informado.

Limpe a área onde os eletrodos suspensos serão colocados usando um cotonete embebido em álcool. Coloque um pouco de gel no eletrodo. Retire os papéis do lado da pele e coloque os eletrodos no participante para identificar artefatos de movimento ocular.

Coloque um eletrodo na junção lateral da parte superior e inferior da pálpebra. Coloque outro eletrodo no centro da crista orbital, aproximadamente um centímetro abaixo do olho e alinhado com a pupila. Repita para o outro olho.

Meça a circunferência da cabeça do participante e escolha o tamanho apropriado da tampa do eletrodo seguindo o sistema 10 20 reconhecido internacionalmente. Para a colocação do eletrodo, meça a distância do indiano Ian ao longo da linha média e divida por 10%Usando esse número. Meça a partir do NAS e marque.

Alinhe a posição da tampa do eletrodo FP com esta marca e puxe a tampa para trás. Certifique-se de que o centro da tampa esteja alinhado com o nariz. Meça nasn a cz e confirme que essa distância é metade da distância de NAS a indiano.

Em seguida, aperte a tira do queixo e coloque gaze sob a alça para maior conforto, se necessário. Agora, coloque a seringa de ponta romba cheia de gel nos porta-eletrodos para criar uma coluna condutora de gel. Comece em contato com o couro cabeludo, depois aperte e puxe para trás.

Observe que a aplicação de muito gel pode conectar os sinais dos eletrodos vizinhos. Em seguida, fixe os eletrodos ativos nos suportes dos eletrodos. Em seguida, posicione o motivo em frente ao monitor à distância adequada.

Para o experimento, peça ao participante que permaneça parado, enfatizando a importância de minimizar os movimentos oculares e piscar. 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, retire esse eletrodo e reaplique o gel para ajustar as impedâncias naquele local após a experimentação, mas antes de extrair a estatística específica de interesse.

Pré-processe os dados contínuos de EEG para remover artefatos usando procedimentos padrão de filtragem e rejeição de artefatos. A análise de potencial relacionada a eventos captura a atividade cerebral síncrona que é o bloqueio de fase para o início de um estímulo Bloqueio de tempo a resposta do cérebro ao início de um evento saliente e, em seguida, a média de muitos eventos semelhantes. Para aumentar a relação sinal-ruído, identificar a amplitude de pico e a latência do componente ERP para cada sujeito, a potência do Spectra quantifica a contribuição relativa de uma frequência para um sinal de EEG específico.

Use 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 frequências variadas. A entropia multiescala é uma métrica teórica da informação que captura a variabilidade dos sinais neuroelétricos ao longo do tempo e em várias vezes. Balança. Use o algoritmo da PhysioNet para calcular a entropia em várias escalas em duas etapas.

Na primeira etapa, desce progressivamente. Faça uma amostra do sinal para cada teste e escala de tempo de condição. Um representa o sinal original.

Crie escalas de tempo subsequentes dividindo primeiro o sinal original em janelas não sobrepostas do comprimento da escala de tempo. Em seguida, calcule a média dos pontos de dados em cada janela. Por exemplo, para criar a média da escala de tempo dois juntos.

Os dois primeiros pontos, os próximos dois pontos e assim por diante. Para criar a escala de tempo, três calculam a média dos três primeiros pontos, dos próximos três pontos e assim por diante. Ao representar o sinal original em várias escalas de tempo, os processos neurais que podem estar se desdobrando em taxas diferentes podem ser analisados.

A segunda etapa calcula a entropia da amostra para cada curso. Séries temporais granuladas. Isso fornece uma estimativa da complexidade da resposta do cérebro nas diferentes escalas de tempo.

Os sinais regulares têm menor entropia de amostra do que os sinais mais estocásticos. Neste exemplo, o comprimento do padrão M é definido como dois. Isso significa que a série temporal será representada como uma proporção de correspondências de sequência de dois versus três pontos.

O parâmetro R é o critério de similaridade. Os pontos de dados que estão dentro dessa faixa de amplitude têm valores semelhantes e, portanto, são considerados correspondentes. Para obter detalhes sobre a configuração de parâmetros, consulte o protocolo de texto para calcular a entropia da amostra para esta série temporal simulada.

Comece com os dois primeiros componentes. Padrão de sequência, vermelho laranja, primeiro conte o número de vezes que o padrão de sequência vermelho laranja ocorre na série temporal. Existem 10 partidas para isso.

Sequência de dois componentes. Em segundo lugar, conte o número de vezes que os três primeiros componentes. O padrão de sequência, vermelho, laranja, roxo ocorre na série temporal.

Existem cinco partidas para isso. Sequência de três componentes. Continue com as mesmas operações para a próxima sequência de dois componentes, laranja, roxo e a próxima sequência de três componentes, laranja, roxo, verde da série temporal.

Adicione o número de duas correspondências de componentes e três correspondências de componentes para essas sequências aos valores anteriores. Repita para todas as outras correspondências de sequência na série temporal para determinar a proporção total de correspondências de dois componentes para correspondências de três componentes. A entropia da amostra é o logaritmo natural dessa razão.

Esses dados mostram diferenças de condição no poder espectral e entropia do ERP, contrastando a apresentação inicial versus repetida de fotografias faciais. Neste exemplo, todas as medidas convergiram para revelar o mesmo efeito de diminuição na entropia da amostra que acompanha a repetição facial. Essa diminuição na complexidade sugere que a rede funcional engajada é mais simples e processa menos informações.

Esses resultados estatísticos são derivados da análise multivariada de quadrados de locação parcial de potência espectral ERP e entropia multiescala para faces associadas a diferentes níveis de familiaridade. O contraste mostra que a amplitude do ERP distinguiu novos rostos de rostos familiares, mas não entre os rostos familiares que variaram em quantidade de exposição anterior. O poder espectral distinguiu rostos de acordo com a familiaridade, mas não distinguiu com precisão entre rostos de familiaridade baixa e média.

A entropia multiescala foi mais sensível às diferenças de condição. Os valores de entropia da amostra aumentaram com o aumento da familiaridade com a face. Esses gráficos de imagem capturam a distribuição espaço-temporal do efeito de condição.

Curiosamente, a entropia multiescala revelou informações únicas que não foram obtidas pelas análises mais tradicionais de ERP ou potência espectral. Essa divergência de entropia multiescala sugere que as condições diferem em relação a aspectos não lineares de sua dinâmica de rede, possivelmente envolvendo as interações entre as bandas de frequência. Essa nova ferramenta analítica nos ajuda a capturar novas informações sobre a dinâmica da rede neural, ajudando a nos afastar da caracterização da função mental em termos de estados estáticos e a entender o desdobramento fluido dos processos que se ligam à cognição humana.