Chercheurs considèrent généralement neuroimagerie la réponse du cerveau comme l'activité moyen pour les essais expérimentaux répétés et ne tiennent pas compte la variabilité du signal au fil du temps comme un «bruit». Cependant, il devient clair que le signal dans le bruit qui y est. Cet article décrit le nouveau procédé de multi entropie pour quantifier la variabilité du signal cérébral dans le domaine temporel.
Lors de l'examen des données de neuro-imagerie de l'homme, une appréciation de la variabilité du signal représente une innovation fondamentale dans la façon dont nous pensons à signal cérébral. Généralement, les chercheurs représentent la réponse du cerveau comme le moyen pour des essais expérimentaux répétés et ne tiennent pas compte des fluctuations de signal dans le temps comme un «bruit». Cependant, il devient clair que la variabilité du signal du cerveau transmet l'information fonctionnelle significative sur la dynamique des réseaux neuronaux. Cet article décrit le nouveau procédé de multi entropie (MSE) pour quantifier la variabilité du signal cérébral. MSE peut être particulièrement instructif de la dynamique des réseaux neuronaux, car il montre la dépendance calendrier et la sensibilité à la dynamique linéaire et non linéaire dans les données.
Les progrès récents de neuro-imagerie ont considérablement augmenté notre compréhension du fonctionnement du cerveau. Cependant, la plupart des applications des données de neuro-imagerie ont tendance à renforcer le point de vue du cerveau dans des états statiques plutôt que d'insister sur des opérations cognitives telles qu'elles se déroulent en temps réel. Par conséquent, on en sait peu sur la structure spatio-temporelle des réseaux cérébraux et comment la séquence des changements dans les modes spatio-temporelles sur plusieurs échelles de temps contribue à un fonctionnement cognitif spécifique. Le présent article décrit multi entropie (MSE) 5, un nouvel outil analytique pour la neuro-imagerie données qui examine la complexité de la structure spatio-temporelle qui sous-tend les opérations de la cognition spécifiques en fournissant des informations sur la façon dont différents générateurs de neurones dans un réseau communiquent cérébrale fonctionnelle sur plusieurs échelles de temps.
Dérivé de la théorie de l'information, une branche des mathématiques appliquées 7,16, MSE était originalment conçue pour examiner la complexité des électrocardiogrammes 4. En théorie, MSE pourrait être utilisé pour analyser la complexité d'une série de temps; la première condition requise est que la série temporelle du signal contient au moins 50 points de temps continu de données. Toutefois, la dépendance calendrier et la sensibilité à la dynamique linéaire et non linéaire dans les données peuvent faire MSE particulièrement instructif de la dynamique des réseaux neuronaux.
Ici, nous nous concentrons sur l'application de MSE à l'électroencéphalogramme (EEG) neuroimagerie données 9,12. EEG est une technique de neuro-imagerie non invasive par lequel électrodes qui sont placées sur le cuir chevelu capturer les réponses post-synaptiques de populations de neurones dans le néocortex 1. Avec une haute résolution temporelle, EEG répond facilement la longueur des séries temporelles requis de MSE sans modifier le protocole d'acquisition typique. Pour souligner l'utilité de l'application des MSE aux données EEG, nous comparons cette nouvelle méthode plus traditionnelle approches including alimentation de potentiel et spectrale événement lié. Lorsqu'ils sont utilisés ensemble, ces méthodes d'analyse complémentaires fournissent une description plus complète des données qui peuvent conduire à d'autres renseignements sur les opérations de réseau de neurones qui donnent lieu à la cognition.
L'objectif du présent article est de fournir une description conceptuelle et méthodologique de multi entropie (MSE), tel qu'il s'applique à des données de neuro-imagerie EEG. EEG est une technique de neuro-imagerie non-invasive puissant qui mesure l'activité de réseau neuronal avec la haute résolution temporelle. Le signal EEG reflète l'activité post-synaptique des populations de cellules pyramidales dans le cortex, dont les réponses collectives sont modifiées par diverses connexions rentrantes excitateurs et inhibiteurs. En conséquence, il existe plusieurs façons d'analyser les données de l'EEG et chaque méthode extrait un aspect unique des données.
Nous avons discuté de deux méthodes courantes d'analyse: potentiel (ERP) analyse liées à l'événement et l'analyse spectrale de puissance. Analyse ERP capte l'activité neuronale synchrone dans le signal EEG qui est verrouillé en phase à l'apparition d'un événement discret. ERP reflètent spécifique perceptif, moteur, ou des opérations cognitives, ce qui rend cette statistique idéal pour examiner specétapes de traitement IFIC. L'analyse de puissance spectrale quantifie la contribution relative d'une fréquence particulière pour le signal EEG. Plusieurs boucles de rétroaction excitatrices et inhibitrices interagissent pour entraîner l'activité de populations neuronales à une fréquence particulière 1,3. Une telle synchronie entre les régions du cerveau disparates est pensé pour favoriser la liaison de l'information à travers les réseaux de neurones répandues. Il ya une riche littérature soutenant le lien entre la puissance dans une plage de fréquence particulière et un état émotionnel ou cognitif spécifique de la fonction 3.
Lors de l'analyse EEG, il est également important de garder à l'esprit que les réseaux neuronaux sont des systèmes complexes avec des dynamiques non-linéaires. Cette complexité se reflète dans le signal EEG comme oscillations irrégulières qui ne sont pas la conséquence d'une signification bruit de fond. Comme activité oscillatoire synchrone, les interactions entre les différentes boucles rentrants excitateurs et inhibiteurs causent la grippe transitoirectuations dans le signal cérébral au cours du temps 6. Ces transitoires sont censés refléter les transitions ou des bifurcations entre les micro-réseaux qui peuvent être utilisés pour estimer les degrés de liberté ou la complexité du réseau sous-jacent, une plus grande variabilité dans le modèle amplitude du signal au cours du temps est révélatrice d'un système plus complexe 5. Critique, des analyses spectrales de puissance ERP ou ne sont pas sensibles à une telle activité irrégulière, alors que MSE est. En outre, un indice de la complexité du réseau ne peut être obtenu en comptant simplement le nombre de régions actives du cerveau comme une telle méthode est aveugle aux interactions récurrentes transitoires et dynamiques entre les régions du cerveau.
Méthodes complémentaires pour la neuroimagerie analyse se combinent pour créer une image complète de l'activité neuronale sous-jacente. L'interprétation des résultats des applications plus traditionnelles de données de neuro-imagerie, telles que ERP et spectrale de puissance, sont complétées par des mesures de complexité comme MSE; MSE fournit un moyen de capturer la séquence des changements dans les tendances spatio-temporelles de l'activité cérébrale dans de multiples délais qui contribue à un fonctionnement cognitif spécifique. Application MSE aux ensembles de données nouvelles et existantes peuvent fournir plus de renseignements sur la façon dont la connaissance émerge de la dynamique des réseaux neuronaux.
The authors have nothing to disclose.
Name of Reagent/Material | Company | Catalogue Number | Comments |
EEG | BioSemi |