30 de junho de 2014
Nos últimos anos, tem havido um crescente interesse em estimar as fontes corticais de couro cabeludo medidos atividade elétrica para experimentos de neurociência cognitiva. Este artigo descreve como EEG de alta densidade é adquirido e como gravações são processados para a estimativa fonte cortical em crianças a partir da idade de 2 anos no bebê Lab Londres.
O objetivo geral do experimento a seguir é estimar os geradores neurais do EEG medido no couro cabeludo com participantes pediátricos. Isso é conseguido registrando EEG de alta densidade com crianças e usando procedimentos experimentais adequados como uma segunda etapa. Um modelo de superfície é calculado com base em dados de ressonância magnética, seja ressonância magnética estrutural individual ou um modelo apropriado para a idade, o que leva a um modelo de elemento de contorno que associa diferentes compartimentos a valores de condutividade para reconstrução da fonte.
Em seguida, a localização dos canais de EEG é co-registrada com o modelo inverso. Para calcular os prováveis geradores das mudanças de tensão medidas no couro cabeludo, são obtidos resultados que mostraram a contribuição das fontes corticais com base nos dados de EEG medidos e nas previsões do modelo de cabeça. A principal vantagem desta técnica sobre os métodos existentes, como a análise de nível de canal, é que a provável contribuição de várias áreas corticais para um componente potencial relacionado a eventos pode ser avaliada.
Tivemos a ideia de usar esse método pela primeira vez quando queríamos avaliar a estrutura da rede de áreas corticais usando registros de EEG em estado de repouso. A demonstração visual desse método é crítica como adequada para crianças. O registro do EEG é difícil de aprender, pois os procedimentos de registro padrão precisam ser adaptados para crianças Para iniciar este protocolo.
Primeiro, certifique-se de que a criança esteja confortável com o ambiente de teste. Para fazer isso, permita que as crianças mais novas se sentem no colo de seu cuidador ou em uma cadeira de criança confortável. Além disso, deixe a criança ver e sentir a rede do sensor antes de aplicá-la na cabeça da criança.
Se houver uma rede extra, peça aos pais que também experimentem uma ou coloquem uma em uma boneca ou ursinho de pelúcia para manter as crianças confortáveis. Durante a preparação do EEG, permita que a criança ouça música. Assista a um desenho animado apropriado para a idade ou distraia-os usando outro experimentador.
Em seguida, meça a circunferência máxima da cabeça da criança para selecionar o tamanho correto da rede. Use uma fita métrica e segure-a no násio. Em seguida, meça a cabeça em torno da circunferência máxima cerca de um centímetro acima do éon.
Em seguida, identifique o vértice da cabeça na interseção da distância média entre o násio e o éon, bem como o ponto perauricular esquerdo e direito. Marque este ponto com uma caneta China para garantir que o canal de vértice esteja posicionado corretamente ao aplicar a rede. Agora aplique uma rede de sensores que foi embebida, uma solução eletrolítica e certifique-se de que os principais canais estejam alinhados com os pontos de referência anatômicos.
Em seguida, certifique-se de que os canais tenham um bom contato com o couro cabeludo. Posicionando os sensores individualmente. Gire suavemente cada sensor de um lado para o outro para tirar o cabelo do caminho.
Em seguida, meça os ganhos do canal e as impedâncias do canal. Clique em iniciar para iniciar a gravação na estação de rede, software de gravação de EEG e iniciar a medição de ganho e impedância. Se a medição não iniciar automaticamente, use o amplificador de calibração e o botão de medição de impedâncias líquidas.
Verifique o software de gravação para canais com impedâncias superiores a 50.000 ohms, que aparecerão em vermelho. Aplique solução eletrolítica adicional com uma pipeta para diminuir as impedâncias do canal. Além disso, verifique o display EEG para canais que mostram atividade de alta frequência.
Apesar da baixa impedância ou visivelmente menos atividade do que os canais circundantes, esses canais podem ter contato frouxo com o couro cabeludo e exigir ajustes. Quando todos os canais estiverem satisfatórios, execute o experimento de EEG apropriado após o experimento de EEG. Primeiro, pré-processe os dados corretos para artefatos.
Em seguida, o segmento A adquiriu previamente uma ressonância magnética anatómica com software de surfista gratuito. Configure o ambiente de shell para incluir o surfista gratuito para dot bash rc. Inclua o comando visto aqui no arquivo RC dot bash.
Em seguida, defina o diretório do assunto, que é a pasta. A saída será gravada usando o comando visto aqui. Em seguida, importe os segmentos para o software de brainstorming e use as ferramentas de exibição para verificar se há segmentação incorreta, como esferas sobrepostas ou compartimentos anatomicamente improváveis.
Inspecione a segmentação visualmente clicando com o botão direito do mouse e selecionando exibir para estimar a atividade de origem primeiro, inicie o aplicativo de brainstorming e, em seguida, crie um novo protocolo e adicione um novo assunto ao protocolo. Em seguida, importe os dados do EEG para o participante e importe um arquivo de canal. Verifique se os modelos de elementos de contorno e os canais se alinham conforme o esperado clicando com o botão direito do mouse no arquivo de canal do assunto e navegando até o registro de ressonância magnética e verifique.
Observe que se as esferas dentro do modelo estiverem sobrepostas ou se os canais estiverem dentro dos modelos de elementos de fronteira, a reconstrução da fonte produzirá resultados incorretos. Ajuste o alinhamento usando a opção de edição no menu de segmentação de ressonância magnética. Em seguida, calcule a matriz de ruído de Covance a partir da linha de base de cada épico, escolhendo a matriz de ruído de Covance e calcule a partir da gravação.
Em seguida, calcule o modelo de origem selecionando o modelo de origem de computação. Calcule a solução inversa usando a estimativa de norma mínima ponderada em profundidade selecionando a fonte de cálculo e a estimativa de norma mínima. Repita essas etapas para todos os participantes do estudo.
Em seguida, calculamos a média da atividade de origem em tentativas por participantes, arrastando as gravações para o menu de processo e selecionando média e por condição. Média do assunto. Compare a condição selecionando processos e arrastando cada condição em uma janela.
Em seguida, selecione o teste T dependendo do desenho do estudo para realizar comparações múltiplas. Defina os limites de amplitude e área na exibição do mapa estatístico resultante no menu de estatísticas. Agora calcule a resposta relacionada ao evento para uma região de interesse.
Para ROIs baseados em parcelamento. Carregue a parcelização gratuita do surfista clicando com o botão direito do mouse na superfície do córtex no menu anatomia e selecionando importar rótulos. Navegue pelo arquivo correspondente e carregado.
Em seguida, selecione uma região de interesse no painel de reconhecimento do menu de dados funcionais. Obtenha a atividade relacionada ao evento da região de interesse arrastando arquivos para a janela do processo um e selecionando extrair série temporal de scout. No menu de fontes.
Observe que várias regiões de interesse podem ser selecionadas simultaneamente e as séries temporais podem ser exportadas para plotagem e análise posteriores. Os resultados aqui apresentados são baseados em uma gravação com um menino de 6 anos. Esta figura mostra as respostas potenciais relacionadas a eventos no nível do canal a estímulos faciais e faciais embaralhados.
A resposta normalmente mostra uma deflexão mais negativa entre 130 e 220 milissegundos após o início do estímulo no lado direito para rostos em comparação com rostos embaralhados. Aqui vemos a comparação estatística da atividade de origem projetada com base em um modelo de cabeça adulto padrão e um modelo de cabeça apropriado para a idade. Na segunda e terceira linhas, o mapa de cores ilustra o tamanho do efeito com vermelho indicando maior atividade na condição de faces e azul mostrando maior atividade na condição de faces embaralhadas.
E, finalmente, esta figura mostra as respostas potenciais relacionadas ao evento de origem do giro fusiforme direito em resposta a rostos e rostos embaralhados com base na reconstrução da fonte de uma gravação. Usando um modelo de elemento de contorno apropriado para a idade com estimativa mínima de norma Uma vez dominada, esta técnica pode ser feita em poucas horas de acordo com a análise da fonte, se for realizada corretamente Seguindo este procedimento. Outros métodos, como frequência de tempo, decomposição podem ser realizados para responder a perguntas adicionais sobre a contribuição dos neuroosciladores em diferentes bandas de frequência.
Depois de assistir a este vídeo, você deve ter uma boa compreensão de como estimar os geradores corticais de gravações de EEG de alta densidade em participantes pediátricos.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Este artigo discute a estimativa de fontes corticais da atividade elétrica medida no couro cabeludo em experimentos de neurociência cognitiva envolvendo crianças. Detalha a aquisição de EEG de alta densidade e as etapas de processamento necessárias para a estimativa de fontes corticais.
Estimating cortical generators of EEG in pediatric populations addresses a key challenge in developmental neuroscience: linking scalp-recorded signals to underlying brain sources with improved spatial specificity. This capability supports target validation by enabling mechanistic interrogation of cortical networks involved in sensory and cognitive processing during critical developmental windows. The method enhances predictive confidence in preclinical models by providing a translatable, non-invasive readout of cortical engagement that can be aligned across species and ages.
The method fits within the discovery continuum from early target engagement screening to mechanistic de-risking, where cortical source localization informs target confidence and pathway understanding in developmental disorder models.