Применение данных ЭЭГ нейровизуализации: связанные с событиями потенциалы, спектральной мощности и многомасштабное Энтропия

Общая цель этой процедуры состоит в том, чтобы количественно оценить вариабельность временного ряда ЭЭГ и связать эту изменчивость со способностью обработки информации лежащей в основе нейронной системы. Это достигается путем получения высококачественных записей ЭЭГ реакции мозга. Второй шаг — предварительная обработка данных для удаления любых артефактов.

Далее извлекается интересующая статистика. Здесь мы сравним новое применение многомасштабной энтропии с более традиционными методами измерения средней амплитуды и спектральной мощности. Заключительным этапом является анализ статистической значимости результатов и интерпретация данных.

Этот шаг может быть облегчен с помощью многомерных подходов, основанных на данных, таких как анализ частичной аренды квадрата. В конечном счете, многомасштабная энтропия используется для того, чтобы показать, как последовательность изменений пространственно-временного паттерна в нескольких временных масштабах влияет на конкретные когнитивные операции. Преимущество использования MSC по сравнению с существующими методами, такими как средняя амплитуда или спектральная мощность, заключается в том, что MSC чувствительна к нелинейностям данных.

Эта нелинейная динамика отражает переходы или бифуркации между микросостояниями сети, что важно для обмена информацией в распределенной сети областей мозга. Демонстрировать эту процедуру будет Кристина Бэкер из лаборатории ERP в Научно-исследовательском институте Ротмана. Во-первых, объясните участнику процедуру эксперимента и получите информированное согласие.

Очистите область, где будут размещены выпадающие электроды, с помощью спиртового тампона. Нанесите на электрод немного геля. Снимите бумагу со стороны кожи и поместите электроды на участника, чтобы определить артефакты движения глаз.

Поместите электрод на боковое соединение верхнего и нижнего века. Поместите еще один электрод в центр орбитального гребня, примерно на один сантиметр ниже глаза и на одной линии со зрачком. Повторите то же самое для другого глаза.

Измерьте окружность головы участника и выберите подходящий размер электродного колпачка по международно признанной системе 10:20. Для размещения электродов измерьте расстояние от индийского яна по средней линии и разделите на 10%. Измерьте с помощью NAS и отметьте.

Совместите положение колпачка электрода FP с этой меткой и потяните колпачок назад. Следите за тем, чтобы центр колпачка находился на одной линии с носом. Измерьте nasn в cz и убедитесь, что это расстояние составляет половину расстояния от NAS до Indian.

Затем затяните подбородочный ремень и при необходимости подложите под ремень марлю для комфорта. Теперь поместите наполненный гелем шприц с тупым концом в держатели электродов, чтобы создать проводящий столб геля. Начните с контакта с кожей головы, затем сожмите и оттяните назад.

Обратите внимание, что нанесение слишком большого количества геля может перекрыть сигналы соседних электродов. Далее закрепите активные электроды в электрододержателях. Затем расположите объект перед монитором на соответствующем расстоянии.

Во время эксперимента попросите участника оставаться неподвижно, подчеркивая важность минимизации движений глаз и моргания. Для получения четкой записи проверьте соединения электродов и качество сигнала ЭЭГ на компьютере для сбора данных. Если есть проблема с определенным электродом, извлеките этот электрод и повторно нанесите гель для регулировки импедансов в этом месте после эксперимента, но до извлечения конкретной интересующей статистики.

Предварительная обработка непрерывных данных ЭЭГ для удаления артефактов с использованием стандартных процедур фильтрации и отторжения артефактов. Анализ потенциала, связанного с событиями, фиксирует синхронную активность мозга, которая является фазовой блокировкой до начала стимула. Чтобы увеличить отношение сигнал/шум, определить пиковую амплитуду и задержку компонента ERP для каждого субъекта, Spectra Power количественно определяет относительный вклад частоты в конкретный сигнал ЭЭГ.

Используйте анализ Фурье, чтобы преобразовать сигнал ЭЭГ из временной области в частотную область и разложить сигнал на составляющие синусоидальные волны различных частот. Многомасштабная энтропия — это теоретико-информационная метрика, которая фиксирует изменчивость нейроэлектрических сигналов во времени и многократно. Весы. Используйте алгоритм PhysioNet для вычисления многомасштабной энтропии в два этапа.

На первом этапе постепенно снижается. Выборка сигнала для каждой временной шкалы испытания и состояния. Один представляет собой исходный сигнал.

Создавайте последующие временные шкалы, сначала разделив исходный сигнал на неперекрывающиеся окна длины временной шкалы. Затем усредните точки данных в каждом окне. Например, для создания временной шкалы два усредненных вместе.

Первые два пункта, следующие два пункта и так далее. Для создания временной шкалы три усредняют вместе первые три точки, следующие три точки и так далее. Представляя исходный сигнал в различных временных масштабах, можно анализировать нейронные процессы, которые могут разворачиваться с разной скоростью.

На втором шаге вычисляется энтропия образца для каждого курса. Зернистые временные ряды. Это позволяет оценить сложность реакции мозга в различных временных масштабах.

Обычные сигналы имеют меньшую энтропию выборки, чем более стохастические сигналы. В этом примере длина шаблона M равна двум. Это означает, что временной ряд будет представлен в виде соотношения двух и трех последовательностей точек.

Параметр R является критерием подобия. Точки данных, лежащие в этом диапазоне амплитуды, имеют схожие значения и, следовательно, считаются совпадающими. Для получения подробной информации о настройке параметров обратитесь к текстовому протоколу для вычисления энтропии выборки для этого моделируемого временного ряда.

Начнем с первых двух компонентов. Последовательность, красный оранжевый, сначала подсчитайте количество раз, когда красно-оранжевая последовательность встречается во временном ряду. Для этого предусмотрено 10 матчей.

Последовательность двух компонентов. Во-вторых, посчитайте количество раз на первых трех компонентах. Последовательность узоров, красный, оранжевый, фиолетовый встречается во временном ряду.

Для этого предусмотрено пять матчей. Последовательность из трех компонентов. Продолжайте те же операции для следующих двух компонентных последовательностей, оранжевого, фиолетового, и следующих трех компонентных последовательностей, оранжевого, фиолетового и зеленого временного ряда.

К предыдущим значениям прибавьте количество совпадений двух компонентов и трех совпадений компонентов для этих последовательностей. Повторите эти действия для всех остальных совпадений последовательностей во временном ряду, чтобы определить общее соотношение совпадений двух компонентов к трем компонентным совпадениям. Энтропия выборки — это натуральный логарифм этого отношения.

Эти данные показывают различия в спектральной мощности и энтропии ERP, контрастирующие с начальным и повторным представлением фотографий лица. В этом примере все измерения сошлись, чтобы выявить один и тот же эффект уменьшения энтропии выборки, который сопровождает повторение лица. Такое снижение сложности говорит о том, что задействованная функциональная сеть стала проще и обрабатывает меньше информации.

Эти статистические результаты получены в результате многомерного анализа частичных арендных квадратов спектральной мощности ERP и многомасштабной энтропии для лиц, связанных с различными уровнями знакомства. Контраст показывает, что амплитуда ERP отличала новые лица от знакомых, но не среди знакомых лиц, которые различались по степени предыдущего воздействия. Спектральная сила различала лица в соответствии с их знакомостью, но не позволяла точно различать лица с низкой и средней фамильярностью.

Многомасштабная энтропия была наиболее чувствительна к различиям условий. Значения энтропии образца увеличивались с увеличением узнаваемости лица. Эти графики изображений фиксируют пространственно-временное распределение эффекта условия.

Интересно, что многомасштабная энтропия выявила уникальную информацию, которая не была получена при более традиционном анализе ERP или спектральной мощности. Это расхождение многомасштабной энтропии предполагает, что условия различаются в отношении нелинейных аспектов динамики их сети, возможно, связанных с взаимодействием между частотными полосами. Этот новый аналитический инструмент помогает нам получать новую информацию о динамике нейронной сети, помогая нам отойти от описания психических функций в терминах статических состояний и перейти к пониманию плавного развертывания процессов, связанных с человеческим познанием.