Method Article

Карликовые и Омега сложности анализа отдыха государство электроэнцефалография

DOI:

10.3791/56452

⸱

June 15th, 2018

 ,  , 
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта статья описывает протокол основной электроэнцефалографии (ЭЭГ) карликовые и анализ Омега сложности, которые являются две ссылки бесплатные ЭЭГ меры и весьма ценным для изучения нейронных механизмов расстройств головного мозга.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Карликовые и Омега сложности являются две ссылки бесплатные электроэнцефалографии (ЭЭГ) мер, которые может представлять сложности временных и пространственных данных ЭЭГ и широко использовался для изучения нейронных механизмов в некоторых заболеваний мозга. Цель этой статьи заключается в том, чтобы описать протоколе ЭЭГ карликовые и Омега сложности анализа шаг за шагом. Основным преимуществом этих двух мер является, что они могли бы устранить ссылку зависимые проблемы, присущие традиционным спектрального анализа. Кроме того карликовые анализ позволяет эффективно использовать время резолюции отдыха состояния ЭЭГ, и в четырех классах полученные микрогосударства может соответствовать соответствующих сетей отдыха государство соответственно. Омега сложности характеризует пространственные сложности весь мозг или регионах конкретных мозга, которая имеет очевидное преимущество, по сравнению с традиционными сложности меры, ориентированные на сложности сигнала в одном канале. Эти две меры ЭЭГ могут дополнять друг друга, чтобы исследовать мозг сложности от временных и пространственных домена соответственно.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Электроэнцефалография (ЭЭГ) широко используется для записи электрической активности головного мозга человека в клинической диагностики и научных исследований, так как это неинвазивный, стоило низким и имеет очень высокое временнóе разрешение1. С целью изучения ЭЭГ сигналы в состоянии покоя, исследователи разработали много ЭЭГ методов (например, анализ спектра мощности, функциональные связи)2,3. Из них карликовые анализ и анализ сложности Омега может сделать хорошее использование пространственных и временных информации присущие ЭЭГ сигналы4.

Предыдущие исследования показали, что хотя топографические распределение ЭЭГ сигналы изменяется со временем в закрытые глаза или глаза открытом состоянии покоя, серии однократно карты показывают прерывного изменения ландшафтов, т.е. периоды стабильности переменного с короткой переходных периодов между некоторые квази стабильной ЭЭГ топографии5. Карликовые государства определяются как эти эпизоды с квази стабильной ЭЭГ топологий, которые длятся между 80 и 120 мс1. Поскольку различные электрические потенциал ландшафтов, должна быть сгенерирована различных нейронных источников, эти микросостояния могут квалифицироваться как основные блоки документации и может рассматриваться как «атомы мысли и эмоции»6. Используя современные модели классификации алгоритмов, четыре отдыха ЭЭГ микрогосударства классы последовательно наблюдались, которые были помечены как класса А, класса B, класс C и класса D7. Кроме того исследователи показали, что эти четыре микрогосударства классы отдыха данных ЭЭГ были тесно связаны с известных функциональных систем, наблюдаемые в многих отдыха государство МР-томографию (функциональная магнитно-резонансная томография) исследования8,9 . Таким образом анализ микрогосударства представила новый подход для изучения отдыха государственных сетей (RSNs) человеческого мозга. Кроме того средняя продолжительность и частота возникновения каждого класса микрогосударства, топографический форму четырех карт микрогосударства значительно под влиянием некоторых мозга расстройств4,10,11, и связаны с жидкости разведки12 и личности13.

В другой аспект традиционные функциональные связи многоканальной ЭЭГ можно описать только функциональные связи между двумя электродами волосистой части головы, таким образом удалось оценить глобальные функциональные соединения через головы или в пределах определенного региона мозга. Омега сложности, предложенный Wackermann (1996)14 и рассчитывается через подход, сочетающий в себе анализ главных компонент (СПС) и энтропии Шеннона, были использованы для количественной оценки широкополосной глобальной синхронизации между пространственно распространены мозга. Для того чтобы оценить сложность Омега каждого частот, Фурье часто проводилась как первый шаг25.

Карликовые государства и Омега сложности может использоваться для отражают две взаимосвязанные концепции, т.е., временные сложности и пространственной сложности4. Поскольку классы микрогосударства представляют определенных умственных операций в мозге человека, они могут отражать временной структуры нейронные колебания. Нижняя продолжительность и уровень вхождения в секунду должны указать выше временные сложности. Омега сложности положительно связано с числом независимых нейронных источников в мозге, таким образом обычно рассматриваются как индикатор пространственных сложности4.

В текущей статье описывается протокол анализа ЭЭГ карликовые и сложности Омега в деталях. Сложность анализа ЭЭГ карликовые и Омега предлагают возможность измерения временных и пространственных сложности деятельности мозга, соответственно.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Этот протокол был утвержден местным этическим Комитетом. Все участники и их родителей подписал форму информированного согласия для этого эксперимента.

1. субъекты

  1. Включать только 15 здоровых мужчин подростков испытуемых, возраст которых колеблется от 14 до 22 лет (означает ± стандартное отклонение: 18,3 ± 2,8 лет).
    Примечание: Текущий протокол для анализа сложности карликовые и Омега был разработан для здоровых испытуемых, но не ограничивается только этой группы.

2. ЭЭГ запись данных

  1. Попросите субъектов сидеть на удобном кресле в комнате молчание, контролем температуры, где был записан данных ЭЭГ. Сбор данных ЭЭГ 20-канальный, с использованием системы муравей ЭЭГ в настоящем Протоколе.
  2. Положите крышку на голове испытуемых.
    1. В этом исследовании используйте колпачок с среднего размера, так как он был пригоден для самых подростков или мужских предметов. Для детей измерить окружность головы каждого предмета и определить крышку с подходящим размером.
    2. Место электрода Cz в приблизительно 50% от расстояния между ИНИОН и Насьон и 50% расстояния между левой и правой между слуховой отступы. Место ссылки электродов на левой и правой кости сосцевидного, соответственно. Место другой электроды скальп в стандартных местах согласно международной системы 10-20.
      Примечание: Системы электрода и ЭЭГ усилитель с 20 каналами является достаточным для анализа ЭЭГ карликовые и сложности Омега.
  3. Заполните все электроды с проводящего геля, вставив тупой иглой через электроды. Используйте проводящего геля для снижения импеданса. Держите все электрод импедансы ниже, чем 10 kiloohms (kΩ).
    1. В этот период, предоставляют некоторые развлечения для субъектов (например, посмотреть короткий фильм). Если используется сухой электрода или физиологический электрод, пропустите шаг инъекционных проводящего геля.
  4. Поручить предметам, чтобы расслабиться с закрытыми во время записи, которая длится 5 минут использования оцифровки программное обеспечение для оцифровки и записи ЭЭГ сигнала глазами. Используйте частоту выборки по крайней мере 250 образцов/s. Использование онлайн фильтр, шире, чем 0.1 и 80 Гц.
    Примечание: Хотя большинство коммерческих систем доступны электрод усилитель используют систему активного электрода, которая могла бы улучшить соотношение сигнал-шум сигнала ЭЭГ, не устанавливайте эту систему недалеко от любых электрических устройств во время записи ЭЭГ.

3. ЭЭГ данных первичной обработки

Примечание: Данные ЭЭГ могут предварительно с помощью различных открытым исходным кодом или коммерческого программного обеспечения. Инструкции ниже являются специфическими для EEGLAB. Это только один из многих доступных вариантов для предварительной обработки данных ЭЭГ.

  1. Импорт необработанных данных ЭЭГ в ЭЭГ программного обеспечения (например, EEGLAB) (файл | Импорт данных | С помощью функции EEGLAB и плагины).
    Примечание: Необработанные данные ЭЭГ, записанная из различных систем электрод усилитель может быть признан EEGLAB, таких как EGI, муравей, мозг видение рекордер и Neuroscan.
  2. Загрузить файл расположение канала в ЭЭГ программного обеспечения (редактирование | Канал места). Хотя данные ЭЭГ и имена каналов было импортировано EEGLAB, импортируйте файл расположение канала в ЭЭГ программного обеспечения с целью получения пространственного расположения этих электродов.
  3. Удалить ссылку электродов (редактирование | Выберите данные | Выбрать данные в диапазоне канала). В параметре «Выбрать данные в диапазоне канал» всплывающее диалоговое окно выберите только записи электродов и не выберите ссылку электродов, таким образом, чтобы электроды ссылок могут быть удалены. Данные, записанные в Справочник электродов не является «true» мозга сигнал, поскольку эти два электроды расположены на левой и правой кости сосцевидного соответственно.
  4. Band pass фильтр ЭЭГ данных между 0,5 и 80 Гц (инструменты | Фильтрация данных | Основные КИХ фильтр [новые, по умолчанию]). В всплывающем диалоговом окне выбрать 5 для «Нижний край полосы пропускания частот (Гц)» и выбрать 80 для «выше края полосы пропускания частот (Гц)». Затем нажмите кнопку «ОК».
  5. Удаление шума линии питания с узкополосный режекторный фильтр между 49 и 51 Гц (инструменты | Фильтрация данных | Основные КИХ фильтр [новые, по умолчанию]). В всплывающем диалоговом окне выбрать 49 для «Нижний край полосы пропускания частот (Гц)» и выбрать 51 «выше края полосы пропускания частот (Гц)» и выберите опцию «Notch фильтра данных вместо полосы пропускания». Затем нажмите кнопку «ОК».
  6. Исправьте части данных, загрязненных движений глаз, электромиография (ЭМГ) или других не Физиологические артефакты, используя алгоритм разделения слепой источник (BSS)15. Для движений глаз, нажмите на инструменты | Удаление артефактов с использованием AAR 1.3 | Удаление ЭОГ | С помощью BSS; для ГРП, инструменты | Удаление артефактов с использованием AAR 1.3 | ГРП удаления с помощью BSS.
  7. Сегмент предварительно обработанные непрерывных данных ЭЭГ в эпохи, эпохи длиной 2 s. Чтобы сделать это, написать 'ЭЭГ = eeg_regepochs (ЭЭГ, 'повторения', 2 'ограничивает', [0 2], 'rmbase', NaN); pop_saveset(EEG)', затем нажмите клавишу Enter на клавиатуре. Окно хлопнет вверх, что позволяет экономить сегментов данных ЭЭГ.
  8. Импортировать сегментов данных ЭЭГ в ЭЭГ программное обеспечение (файл | Загрузка существующего набора данных).
  9. Отклонить ЭЭГ эпох с амплитудные значения, превышающие мкВ ± 80 в любом электрода (инструменты | Отклонить данные эпох | Отклонить данные [все методы]).
  10. Сохранить данные обработанного ЭЭГ (файл | Сохраните текущий набор данных как).

4. ЭЭГ микрогосударства анализ

Примечание: Модифицированную версию классического алгоритме кластеризации К-средних используется для микрогосударства класса анализа16, который содержит процедуры снизу вверх и вверх вниз процедуры. В процедуре снизу вверх классы уровня группировки микрогосударства идентифицируются с помощью пространственной корреляции как критерия кластеризации. Затем в процедуре вверх вниз, каждый топографические карты каждого предмета в каждой группе назначается класс микрогосударства ЭЭГ с максимальной пространственной корреляции. Для отдыха состояния ЭЭГ микрогосударства анализа полярность топографических карт обычно игнорируется. ЭЭГ микрогосударства класса анализ может быть сделано с помощью различных открытым исходным кодом программного обеспечения, таких как CARTOOL, sLORETA, Эмма и MapWin. Инструкции ниже являются специфическими для EEGLAB плагин для микросостояний. Этот плагин EEGLAB могут быть загружены с https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.

  1. Для каждого предмета, загрузить предварительно обработанные данные ЭЭГ (файл | Загрузка существующего набора данных), преобразовать ссылку каналы для исходной общей средней (инструменты | Повторно ссылка) и полосовой фильтрации данных ЭЭГ, между 2 и 20 Гц (инструменты | Фильтрация данных | Основные КИХ фильтр [новые, по умолчанию]).
  2. Определить четыре карты микрогосударства по каждому предмету (инструменты | Микросостояния | идентифицировать микрогосударства карты). В всплывающем диалоговом окне выберите 3 для «мин количество классов», выбрать 6 для «максимальное количество классов», выбрать 50 для «количество перезагрузок», выберите «Максимальное количество карт для использования» и выберите параметры «Только GFP пик» и «Не полярности». Затем нажмите кнопку «ОК».
  3. Сохранить данные ЭЭГ каждого предмета после выявления свой собственный микрогосударства карты (файл | Сохраните текущий набор данных как).
  4. Импорт наборов данных ЭЭГ всех субъектов, сохраненные в последнем шаге сразу (файл | Загрузка существующего набора данных).
  5. Определение уровня группировки микрогосударства карты (инструменты | Микросостояния | Средняя микрогосударства карты через наборы данных). В всплывающем диалоговом окне выберите наборы данных всех субъектов в параметре «Выбрать наборы для усреднения». В параметре «Имя означает» дайте имя для уровня группировки микрогосударства карт. Имя по умолчанию — «GrandMean». Затем нажмите кнопку «ОК». Это создаст новый набор данных, названный как «GrandMean», который хранит карты уровня группировки микрогосударства.
  6. Вручную отсортировать четыре уровня группировки микрогосударства карт согласно их классический порядок (участок | Редактирование карты карликовые). В всплывающее окно, выберите «Дополнительно», а затем становится количество карт показано четыре. Выберите «Man. сортировки». В всплывающем диалоговом окне введите новый порядок четыре карты на уровне группы микрогосударства. Нажмите кнопку «Закрыть».
  7. Сортировка порядка четырех микрогосударства карты каждого предмета (инструменты | Микросостояния | Сортировать карты отдельных микрогосударства согласно виду).
  8. Сохранить параметры микрогосударства каждого предмета (инструменты | Микросостояния | Количественно микросостояний в наборе данных [среднее шаблон карты]), который будет вызывать два всплывающих диалоговых последовательно.
    1. В первом диалоговом окне выберите наборы данных по всем предметам. В втором диалоге выберите «4 классы» для параметра «Число классов», выберите параметры «Установку только на GFP пики» и «Удалить потенциально усечены микросостояний», выбрать 30 для «Сглаживание окна (МС) этикетка» и выберите 1 для «Non гладкость казнь». Нажмите кнопку «ОК». В CSV-файл, который хранит микрогосударства параметры будут сохранены на компьютере.

5. Анализ сложности Омега

  1. Сохраните данные ЭЭГ каждой эпохи и каждый предмет в ASCII или txt формат с помощью настроить сценарий. Пример пользовательского сценария для шага 5.1 можно найти в разделе дополнительных материалов.
    Примечание: Если глобальной Омега сложность вычисляется, ЭЭГ всех электродов головы необходимы данные для экспорта в формате ASCII или txt. Если региональные Омега сложность вычисляется, экспортируйте только данные ЭЭГ электродов в этом регионе волосистой части головы. Например чтобы вычислить передней Омега сложности, экспортируйте только данные ЭЭГ электродов в передней области (то есть Fp1, Fp2, F7, F3, ФЗ, F4 и F8); чтобы вычислить задняя Омега сложности, экспортируйте только данные ЭЭГ электродов в задней области (т.е., T5, T6, P3, P4, Pz, O1 и O2).
  2. Вычислить Омега сложность всех дискретных частотах с помощью программного обеспечения sLORETA17 (утилиты | Подключение к глобальной сети). Это программное обеспечение доступно на http://www.uzh.ch/keyinst/loreta.htm.
  3. Вычислите Омега сложность каждого частот с помощью пользовательского сценария26. В нашем случае, вычислить Омега сложности следующие восемь частот как среднее значение в пределах каждой предел частоты, которые являются Дельта (0,5-3,5 Гц), тета (4-7,5 Гц), alpha1 (8-10 Гц), alpha2 (10,5-13,5 Гц), beta1 (14-18 Гц), beta2 (18,5-30 Гц), gamma1 ( 30,5-48 Гц) и gamma2 (52-80 Гц)4. Пример пользовательского сценария для шага 5.3 можно найти в разделе дополнительных материалов.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Карликовые ЭЭГ

Гранд означает, нормализованных микрогосударства карты отображаются на рисунке 1. Электрические потенциальных пейзажи этих четырех классов микрогосударства, указанные здесь очень похожи на те, нашли в предыдущих исследованиях4.

Среднее и стандартное отклонение (SD) микрогосударства параметров здоровых ис...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этой статье два вида ЭЭГ аналитических методов (то есть, карликовые анализ и анализ сложности Омега), измерения временной сложности и пространственная сложность человеческого мозга, соответственно, были описаны подробно. Есть несколько критических шагов в рамках протокола, который следует отметить. Во-первых данные ЭЭГ должны быть очищены перед вычислением карликовые и Омега сложности. Во-вторых следует remontaged данных ЭЭГ против среднего ссылки перед вычислением карликовые и Омега сложности. В-третьих необходимо сег...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы не имеют ничего сообщать.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта статья была поддержана Фонд национального естественных наук Китая (31671141).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
ANT 20 каналов система ЭЭГ/ЭРПASA-LAB, ANT B.V., Нидерландывеб-адрес компании:
http://www.ant-neuro.com/
EEGLAB плагин для микросостоянийТомас Кенигhttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETAРоберто Д. Паскуаль-Маркиhttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010a MathWorks Inc.Веб-адрес компании:
http://www.mathworks.com/
eeglabSwartz Center for Computational Neuroscience, Калифорнийский университет, Сан-Диегоhttps://sccn.ucsd.edu/eeglab/index.php

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. 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).
  3. 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).
  4. 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).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. 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).
  9. 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).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912(2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. 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).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. 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).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. 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).
  21. 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).
  22. 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).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. 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).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EEG Microstate AnalysisOmega ComplexityResting state EEGEEG PreprocessingBandpass FilteringArtifact RemovalMicrostate MappingGroup Level AnalysisEEG Lab SoftwareReference free EEG

Related Articles