July 1st, 2015
Электроэнцефалография высокой плотности (дЭЭГ) все чаще используется для изучения развития мозга и пластичности в ранние годы жизни. Здесь мы представляем применение сложных методов анализа, основанных на традиционной записи ЭЭГ, для понимания колебательной динамики быстрой слуховой обработки в мозге младенца.
Общая цель этой процедуры — оценить динамику нейронных колебаний в структурах мозга младенцев в течение короткого периода времени. Это достигается путем нанесения на голову младенца сенсорной сетки высокой плотности и записи мозговых волн во время предъявления стимула. Второй шаг заключается в предварительной обработке данных мозговых волн для создания потенциалов, связанных с событиями.
Затем выполните дискретный анализ нескольких источников, спроецированный на соответствующий возрасту шаблон МРТ для младенцев. Заключительным этапом является нанесение монтажа источника и декомпозиция сигнала во временно-частотную область. В конечном счете, анализ колебаний мозга младенцев используется для того, чтобы показать изменения в функции мозга на ранних этапах развития.
Основное преимущество этой методики перед традиционным ERP-анализом заключается в том, что она позволяет исследовать колебания мозга с различными параметрами частоты, амплитуды возникновения и временного интервала. Визуальная демонстрация этой техники имеет решающее значение, так как шаги по применению сети трудно освоить, потому что действия рук, тела и рук по отношению к младенцу и воспитателю трудно описать словами. Демонстрировать эту процедуру будет Тереза Альпе, наш руководитель, техник ЭЭГ, а помогать ей будет Джесс, еще один специалист по ЭЭГ в лаборатории.
Для начала сопроводите младенца и воспитателя в камеру для тестирования, посадите младенца в лабораторию воспитателя и попросите помощника поиграть с младенцем. Пока поясняется процедура подачи сетки. Измерьте окружность головы младенца в самой широкой точке головы и на основе этого измерения выберите подходящий размер сетки.
Далее измерьте насион до нянь и отметьте на волосистой части головы половину от общего измерения. Затем проделайте то же самое для измерения от уха до уха. Последней вершиной между этими двумя измерениями является cz для размещения сети на голове младенца, в то время как помощник держит сетевой разъем и собранные провода позади ребенка.
Отрегулируйте положение сетки, поместив электрод CZ на отметку вершины скальпа. Расположите каждый электрод, двигаясь сзади вперед, чтобы обеспечить прямой угол между каждым электродом и поверхностью головки. Наконец, вставьте сетевой разъем.
Измерьте импеданс электрода с пороговым значением менее 50 килоОм. Перед началом записи предоставьте лицу, осуществляющему уход, наушники, чтобы избежать вмешательства воспитателя в запись младенца. После освоения этой техники ее можно выполнить за 10 минут при правильном выполнении.
Теперь, когда младенец подготовлен к работе с инструментом, начните с представления слуховых стимулов через динамики, которые находятся на равном расстоянии от головы ребенка. Затем начните запись ЭЭГ. Обеспечьте спокойную и тихую обстановку для младенца.
Во время записи вовлекайте младенца с помощью тихих игрушек. После завершения эксперимента снимите сетку и высушите волосы и голову младенца. Начните обработку данных ERP с визуального осмотра исходных выходных данных.
Отбраковывайте любые сегменты с артефактом высокой амплитуды. Возьмем средние эпики для каждого человека и каждого состояния. Объедините эти средние значения по группе и условию, чтобы получить общую среднюю величину.
Затем зарегистрируйте каждый отдельный и общий средний файл ERP с помощью шаблона магнитного резонанса, соответствующего возрасту. Затем оцените количество и расположение базовых источников, которые должны быть подогнаны к данным. Для этой слуховой парадигмы используйте левый и правый диполь со свободным расположением и вращением для обработки исходных данных локализации.
Начните с выбора интересующего вас временного окна в большом среднем файле ERP, которое соответствует пику. Проверьте правильность посадки для решения с дипольной моделью. Используя программные выходные данные остаточной дисперсии, настройте временное окно, чтобы свести к минимуму остаточную дисперсию.
Наконец, чтобы проанализировать данные о временных частотах в исходном пространстве, примените решение модели DPO к необработанным непрерывным данным ЭЭГ, преобразовав сигнал источника одного испытания во временной области во временно-частотную область. Результаты этого исследования ЭЭГ показывают репрезентативный общий средний ответ ERP у 23 4-месячных младенцев для контроля и быстрого состояния. Чудаковатая парадигма используется для определения того, может ли мозг младенца распознать разницу между двумя разными тонами.
Здесь показаны результаты исходных локализованных данных для левого и правого диполя. В условиях быстрой скорости большой пик в 400 миллисекунд заметен в правом полушарии для пары вариантов тонов. Кроме того, эти временные спектральные графики показывают тона в контрольных условиях с 300-миллисекундным интервалом между стимулами, вызывающими колебания, связанные с событиями, с изменениями мощности в дельта-тета-диапазоне.
После этой процедуры можно использовать другие методы, такие как кросс-частотная фазовая связь или колебательная когерентность, чтобы ответить на дополнительные вопросы о раннем развитии мозга. После просмотра этого видео у вас должно быть хорошее понимание того, как записывать и анализировать реакции мозга младенца как во временной, так и во временной частотной областях.
В данной статье представлен метод оценки динамики нейрональных колебаний в структурах мозга детей раннего возраста с использованием высокоплотной электроэнцефалографии (dEEG). Эта методика позволяет проводить детальный анализ колебаний мозга в процессе слуховой обработки у младенцев, предоставляя представление о раннем развитии мозга.
Understanding infant auditory processing and oscillatory brain dynamics provides a mechanistic foundation for early neurodevelopmental biomarker discovery. This method enables quantitative assessment of sensory processing fidelity, supporting target validation in developmental disorder research. The approach offers predictive value for identifying infants at risk for language-based learning challenges prior to clinical symptom onset.
The method integrates into discovery biology workflows by providing oscillatory biomarkers that inform mechanistic de-risking of neurodevelopmental targets prior to lead identification efforts.